Концерн «Созвездие» (входит в «Росэлектронику») и Воронежский государственный университет открыли Центр развития технологий искусственного интеллекта. Созданная структура займется разработками в сфере машинного обучения, анализа больших данных и технологий обработки информации.

Выпускники центра будут разрабатывать проекты в области технологий искусственного интеллекта, проводить исследования в сфере новых технологий обработки информации и машинного обучения для российской гражданской и военной промышленности. Лучшие из них смогут приступить к работе на предприятиях «Ростеха» уже в процессе обучения.

Центр является структурным подразделением Воронежского государственного университета в составе факультета компьютерных наук, математического факультета и факультета прикладной математики, информатики и механики.

Директором подразделения назначен руководитель научно-технического центра концерна «Созвездие» Илья Владимиров.

В Москве прошла практическая конференция «Технологии машинного обучения», организованная издательством «Открытые системы».

Как напомнил Сергей Кузнецов (НИУ ВШЭ), первая попытка «обучить машину использовать естественные языки, формировать абстракции и понятия, решать задачи, сейчас подвластные только людям» была предпринята летом 1956 года, решить задачу собирались за пару месяцев силами десятка человек, среди которых были Марвин Минский и Клод Шеннон.

Но затея не удалась, и над проблемами машинного обучения с тех пор бьются тысячи людей во всех технологически развитых странах. Особенно активны китайцы: среди платиновых споносоров последних конференций International Joint Conference on Artificial Intelligence — Baidu, Alibaba, jd.com, Tencent…

В 1960-е годы СССР был среди лидеров в этой области, потом интерес к ней уменьшился, но теперь после «зимы искусственного интеллекта» 1990-х — 2010-х годов интерес к ней снова растет. Его двигателями стали как отечественные компании (в том числе Abbyy, «Яндекс», «Лаборатория Касперского», Сбербанк) так и исследовательские подразделения ряда иностранных компаний (Samsung, Huawei и др.). Появился ряд новых исследовательских групп в институтах и университетах (МФТИ, Сколково, ВШЭ, Иннополис) и научных конференций.

В целом, жизнь сообщества искусственного интеллекта внутри страны налаживается, а о том, как связаться с исследователями за ее пределами, рассказал Алексей Хабаров, организатор ряда сообществ и конференций, посвященных искусственному интеллекту и Интернету вещей (эти две темы в значительной мере пересекаются, например — в области беспилотных автомобилей. — Д. Г.)

Еще два пленарных выступления были посвящены проблемам внедрения и эксплуатации искусственного интеллекта и средств машинного обучения, а также способам решения этих проблем. Дмитрий Бабаев (Сбербанк AI Lab) обрисовал технические проблемы нынешних глубоких нейронных сетей, Алексей Маланов («Лаборатория Касперского») — этические проблемы, встающие при использовании искусственного интеллекта.

Глубокие сети — сети со «скрытыми» уровнями — для некоторых классов задач позволяют лучшего качества решения, но ей нужно и больше обучающих примеров. Эти примеры, как правило, готовятся людьми. Бабаев представил ряд способов повышения эффективности обучения. Главные его выводы — классические методы машинного обучения и ручное конструирование признаков могут лучше подойти для решения задачи, при небольшом размере обучающей выборки. Однако и ее может быть достаточно, если есть возможность использовать transfer learning — использовать нейронные сети, предварительно обученные на других наборах данных. А наилучший способ подбора архитектуры нейросети для решения конкретной проблемы — взять архитектуру, которая хорошо работала на похожей задаче, и адаптировать ее, используя опыт исследователя.

Из представленной Малановым картины (см. также «Алексей Маланов: «Машина решает ту задачу, которую перед ней ставят», Computerworld Россия, 24 августа 2018) можно сделать вывод, что, решения на базе искусственного интеллекта будут прогрессировать и внедряться в жизнь быстрее, чем будут совершенствоваться средства контроля за их деятельностью.

Положение осложняется тем, что мы не знаем, почему системы искусственного интеллекта принимают то или иное решение. Так что, возможно, надзирать за деятельностью искусственного интеллекта будут другие интеллектуальные системы. За которыми тоже нужно будет присматривать.

Интересный опыт был представлен компанией ICL Services, «обучившей» искусственный интеллект классифицировать часть запросов пользователей, касающиеся информационных технологий (см. «Робот заменяет первую линию поддержки», Computerworld Россия, 8 октября 2018). Этот кейс интересен, в том числе тем, что в нем возможности искусственного интеллекта использованы для решения вполне стандартной задачи для «обычного» клиента, причем в явном виде ставилась задача достижения экономической эффективности системы.

«От лица вендоров» опытом внедрения систем предсказательной аналитики поделился Евгений Степанов (Micro Focus), представивший возможности СУБД Vertica. Последняя, по словам Степанова, не имеет проблем с объемом обрабатываемых данных. В качестве примера он привел Uber: эта компания хранит в Vertica 8 Пбайт и решает с помощью СУБД широкий класс задач — от анализа поведения пользователей до расчета зарплат водителям.

По окочании пленароной части прошли сессии, посвященные робототехнике, платформам и инструментарию искусственного интеллекта, практическому опыту ведущих российских компаний — Сбербанка, «Яндекса», сервиса CarPrice, авиакомпании S7, лидера рынка розницы X5 Retail Group.

Программу конференции дополнили два мастер-класса, один от Micro Focus, на котором обсуждалась работа на платформе Vertica, второй — возможностям пакета Nvidia DIGITS для решения задач классификации изображений.

«Северсталь» инвестировала в нидерландский фонд Chrysalix RoboValley, сообщают «Ведомости» со ссылкой на представителя российской компании.

Официально сумма и условия сделки не раскрываются. Но по словам источников издания, подконтрольная «Северстали» структура Severstal Ventures вложила в проект 10 млн долл.

Объем фонда Chrysalix RoboValley составляет 100 млн долл., фонд инвестирует в искусственный интеллект, автоматизированные системы и робототехнику. Фонд также работает в формате акселератора: собирает на своей площадке перспективные компании и предоставляет стартапам техническую и бизнес-экспертизу. Партнеры фонда – консалтинговая компания Accenture, нефтяная Shell и несколько профильных вузов Нидерландов.

По словам представителей «Северстали», фонд будет вкладывать в стартапы из Европы, Северной Америки и Азии. На какой стадии инвестиции должны находиться проекты, а также сколько фонд планирует вкладывать в каждый стартап, не уточняется. В «Северстали» пояснили, что компания сможет инвестировать в проекты как самостоятельно, так и через фонд.

Большинство проектов, представленных на практической конференции «Технологии машинного обучения 2018» , проведенной 25 сентября издательством «Открытые системы», были реализованы крупнейшими предприятиями или владельцами уникальных бизнесов, такими как Сбербанк, «Яндекс», CarPrice, S7, X5 Retail Group и т.п.

Между тем, использование средств машинного обучения уже вполне целесообразно и для решения «обычных» задач. Так, компания ICL Services представила на конференции систему автоматической классификации инцидентов, поступающих в службу ИТ-поддержки федеральной сети ресторанов. Название сети Дмитрий Каштанов, руководитель направления бизнес-услуг и услуг по приложениям ICL Services (а также Chief Digital Officer компании), не привел. Однако известно, что у ICL Services есть ряд крупных проектов в области продуктового ретейла и можно предположить, что внедрение средств машинного обучения стало развитием одного из них.

Система частично выполняет функции первой линии поддержки — она анализирует поступающие запросы пользователей, которые жалуются на то, что что-то пошло не так. Запрос составляется на естественном языке, но с использованием классификатора проблем, состоящего из более чем 450 классов. Если робот считает, что он понял суть проблемы (это происходит приблизительно в 40% случаев), то он или назначает задание сотруднику второй линии, или передает запрос агенту с предложением своей версии произошедшего. Агент, получив рекомендации, соглашается или не соглашается с мнением робота и также передает запрос на вторую линию.

В среднем из двухсот ресторанов, обслуживаемых системой, в месяц приходит более 7 тыс. запросов. «Свою» часть работы робот делает за 22 секунды, тогда как у «живой» первой линии это занимало несколько минут. Первоначально роботу доверяли лишь составление рекомендаций, в последние три месяца — и самостоятельное назначение сотрудников, ответственных за обработку заявки. Из 40% заявок, по которым робот принял решение в последний месяц, в 16% случаев он сделал самостоятельное назначение, в 22% случаев — выдал верную рекомендацию и всего в 2% случаев — ошибся.

Computerworld Россия поговорил с Каштановым о проекте, его текущих позможностях и планах по развитию.

- Упоминавшиеся семь тысяч запросов в месяц приходят по всем каналам или через систему?

Всего, но через систему поступает около 6,5 тысяч, подавляющее большинство.

- Какова пиковая нагрузка?

Около 500 запросов в день.

- Робот принимает решение за 22 секунды, он столько «думает» над заявкой?

Это медианное время между моментом, когда запрос был зарегистрирован в системе, и моментом, когда робот принял по нему решение — передал в тот или иной отдел службы поддержки. Часть этого времени уходит на то, чтобы робот заметил заявку, — он опрашивает систему на предмет появления новых запросов приблизительно раз в 15 секунд.

- Система принимает во внимание должность пользователя?

Отчасти. Должность определяется из справочников, а система на основании проанализированных при обучении данных определяет по каким услугам или проблемам человек в такой должности может обращаться, по каким — нет. Например, различает сотрудников бэк-офиса и фронт-офиса. Скажем, работник бухгалтерии не будет задавать вопросы по работе касс, а кассир — по финансовой системе.

- Реагирует ли робот на всплеск однотипных запросов — например, если из одного ресторана поступит много запросов одновременно, или из разных — но на одну и ту же тему?

На текущий момент такие механизмы не используются, пока работает нейронная сеть, которая анализирует каждый запрос в отдельности.

- И ее возможностей хватает?

Да. Это в конкурсах побеждают сложные модели; в одном из них, насколько я помню, выиграла команда, которая создала решение, использующее 113 различных алгоритмов. Но на практике нет смысла гнаться за процентами правильных решений любой ценой. Надо понять, при какой точности решение будет наиболее эффективно в эксплуатации и недорого в поддержке, насколько оправданно дальнейшее усложнение, окупится ли оно, или же повышение стоимости эксплуатации «съест» прибавку в точности.

- Какой может быть, хотя бы приблизительный, критерий того, что дальнейшее улучшение неэффективно?

Любая система должна окупаться. Допустим, мы хотим вернуть инвестиции в нее за год или около того, а не за десять лет. Исходя из этого и определяем, есть ли смысл совершенствовать систему дальше.

- Сложно ли переобучить систему для работы в других областях? И насколько она масштабируема?

Сама методология универсальна и может использоваться во многих сферах. Где-то она может работать лучше, чем в ИТ, где-то хуже.

У нас сейчас запросы разбиты на 450 с лишним классов. Если их будет больше, скажем, тысяча, то робот окажется еще эффективнее, поскольку человек столько классов просто не запомнит и не сможет различать ситуации, особенно пограничные.

По количеству запросов в день мы далеки от предела возможностей. По количеству классов — тоже, просто на большем количестве классов дольше обучаться для достижения приемлемого результата, иначе сложно будет выявить возможные нюансы. И данных тоже понадобится больше, их может просто не быть у заказчика в необходимом количестве.

В данном проекте нам первичный набор данных предоставили быстро, но их было недостаточно. Нам пришлось «копать» вглубь, чтобы иметь возможность, например, использовать контекст запроса клиента.

Когда данные готовы, само обучение модели занимает минуты, поскольку используются текстовые записи. Если бы использовались изображения, то процесс обучения шел бы в сто раз дольше.

Анализ изображений — одно из возможных направлений развития системы. Часто к запросам в техподдержку прикрепляют скриншоты, и были случаи, когда сотрудники поддержки выражали недовольство по поводу того, что запрос прислали именно в их группу, «ведь по скриншоту же видно, что проблема совсем в другом!»

Сейчас мы исследуем, какой эффект может быть достигнут за счет анализа изображений. Если прогресс будет невелик, сосредоточимся на совершенствовании работы с текстом. Но если выяснится, что анализ скриншотов значительно повышает долю правильных решений, то продолжим эту работу.

ЛАНИТ и Институт непрерывного образования Национального исследовательского технологического университета «МИСиС» станут партнерами в рамках проекта Datana. Цель проекта — оптимизация производства на предприятиях черной и цветной металлургии. Решение использует предсказательную аналитику и искусственный интеллект.

Datana позволит строить прогнозные математические модели технологических процессов. Оператор производства, как предполагается, станет получать рекомендации по управлению режимами в реальном времени. Решение поможет контролировать брак, расходование материалов и энергоресурсов, а также отслеживать показатели технологического процесса, что приведет к существенной экономии на предприятиях.

ЛАНИТ и МИСиС займутся разработкой и экспертизой математических алгоритмов Datana, разработают проекты консалтинга и внедрения решения на производственных площадках металлургических холдингов и будут продвигать продукт на рынке.

Британские редакции журналов CIO Magazine и Computerworld опросили более двухсот руководителей ИТ-служб и на основании их ответов постарались описать, какой станет рабочая среда в будущем. Как оказалось большинство опрошенных считает, что культура, совместная работа и гибкость будут иметь для нее не меньшее значение, чем технологии. Например, 80% участников опроса полагают, что повышение гибкости рабочей среды будет одним из решающих факторов привлечения квалифицированных кадров.

Исследование на тему рабочей среды будущего было бы неполным без вопросов об искусственном интеллекте, отмечают авторы. 80% опрошенных считают, что искусственный интеллект и робототехника понизят роль людей, но только 6% считают, что увеличение автоматизации, ведущее к потерям рабочих мест, является «серьезной проблемой».

Именно искусственный интеллект авторы намереваются сделать темой следующего опроса. Они собираются изучить современное состояние применения технологий искусственного интеллекта, направление развития и нынешние проблемы: дефицит квалифицированных специалистов, риск систематических ошибок, вопросы этики и обучения систем на реальных данных бизнеса.

Компания «Цифра», разработчик цифровых технологий для промышленности, приобрела стартап в области промышленного искусственного интеллекта — Theta Data Solutions, сообщила пресс-служба компании. Сумма сделки не раскрывается.

Также компания расширила штат сотрудников, наняв специалистов в области промышленного искусственного интеллекта. Кадровый состав «Цифры» пополнился специалистами в области даталогии, бизнес-аналитики, промышленными экспертами. Среди них Константин Горбач, ранее занимавший должность директора по продажам Yandex Data Factory. В «Цифре» Горбач назначен на должность директора департамента интеллектуальных приложений.

Также к компании присоединился Дмитрий Луковкин, один из основателей онлайн-сервиса StocksNeural.net, использующего глубинное машинное обучение для анализа и прогнозирования финансовых временных рядов. Луковкин поможет обеспечить «трансфер технологий «переднего края искусственного интеллекта» в практику компании».

В «Цифре» новые сотрудники займутся разработкой интеллектуальной платформы для управления и оптимизации производственных процессов. А также подключатся к проекту «Цифровой завод» с «Газпром нефтью», который станет частью создания первой в России цифровой платформы для управления процессами логистики, нефтепереработки и сбыта нефтепродуктов.

Компания Theta Data Solutions специализировалась на создании, внедрении и сопровождении аналитических решений в области прогнозирования и оптимизации технологических процессов, имитационного моделирования, хранения и обработки больших данных. Theta реализовала более 20 проектов в промышленности для крупных заказчиков. Общая сумма контрактов превышает 30 млн руб.

Ассоциация разработчиков и пользователей систем искусственного интеллекта «Национальная база медицинских знаний» совместно с медицинским сообществом создадут национального оператора биомедицинских данных граждан, пишет «КоммерсантЪ».

По словам руководителя направления цифровой медицины фонда «Сколково» Сергея Воинова, цель — создание экосистемы для разработок в сфере искусственного интеллекта. Одна из ее составляющих, помимо реалистичного нормативного регулирования,— базы биомедицинских данных, на которых системы искусственного интеллекта могли бы обучаться правильным диагнозам.

Оборотом деперсонализированных биомедицинских данных займется единый оператор, к ним также будут допущены разработчики технологий искусственного интеллекта в медицине.

Ожидаемый эффект от деятельности оператора — рост российских стартапов в области искусственного интеллекта, уточняет издание.

Финансироваться проект будет, скорее всего, за счет государственно-частного партнерства, при котором государство будет отвечать за сохранность данных, а частный капитал — за сервисы по аналитике, диагностированию и выработке рекомендаций по лечению.

Для появления единого оператора потребуется законодательно уточнить порядок оборота соответствующей информации.

Аналитической поддержкой оператора займется национальный риск-офис — проект по управлению социальными и экономическими рисками страны, созданием которого занят Всероссийский союз страховщиков, — обеспечит аналитическую поддержку оператора, что поможет компаниям лучше тарифицировать свои продукты.

Создание баз данных по группе наиболее распространенных заболеваний может занять от трех до пяти лет. Стоимость формирования баз по одной группе заболеваний может составлять несколько миллиардов рублей, уточняет издание.

Опросы потребителей в США и Великобритании показывают, что технологии искусственного интеллекта привлекают их в первую очередь возможностью сэкономить время и деньги, полагают аналитики Gartner. Этим они отличаются от других персональных технологий, которые потребители рассматривают главным образом как средство общения, развлечения и поднятия самооценки.

58% опрошенных готовы использовать технологии искусственного интеллекта, если они смогут взять на себя часть их дел и сберечь таким образом время, а 53% рассчитывают, что они подскажут им способы сэкономить деньги. 47% ценят в искусственном интеллекте возможности легкого доступа к информации — например, о транспорте или о повседневных расходах на различные товары.

70% потребителей не возражают против того, чтобы искусственный интеллект следил за состоянием их здоровья и распознавал голоса и лица с целью обеспечения безопасности операций. Однако больше половины потребителей не хотят, чтобы компьютер мог анализировать выражения их лиц и понимать, что они чувствуют, а 63% возражают против постоянного прослушивания их разговоров для сбора данных. Потребители скептически относятся к возможностям защиты личной информации при использовании искусственного интеллекта. 65% считают, что в результате она ухудшится, а не улучшится.

Продажи когнитивных систем и систем искусственного интеллекта в мире уверенно растут. В 2022 году они составят 77,6 млрд долл., что в три с лишним раза больше прогнозируемого результата 2018 года. Поэтому разработчикам таких систем надо действовать быстро, чтобы успеть занять позиции на развивающемся рынке, отмечают аналитики IDC.

Программное обеспечение является и самым большим (около 40% рынка), и самым быстрорастущим (в среднем на 43,1% в год) технологическим сегментом данного рынка. Основными направлениями инвестиций в нем являются разговорные приложения (голосовые помощники и чат-боты) и средства глубинного и машинного обучения, применяемые во многих областях. Серверы и системы хранения данных составляют второй по величине сегмент рынка, но к 2022 году на второе место поднимется сегмент деловых и ИТ-услуг.

Среди областей применения искусственного интеллекта и когнитивных технологий наибольшие средства привлекают автоматизированные агенты обслуживания клиентов (2,9 млрд долл.), автоматизированные системы сбора сведений об угрозах безопасности и предотвращения вторжений (1,9 млрд долл.), системы рекомендаций и автоматизации процесса продаж (1,7 млрд долл.) и автоматизированного упреждающего обслуживания.