Столичные власти запускают «умную» нейронную сеть, способную определить тип, марку и модель автомобиля по силуэтам, логотипам и фонарям, сообщает «КоммерсантЪ».

Нейросеть будет создана для центра фотовидеофиксации ЦОДД, где обрабатываются фотографии с камер. После обработки и отсеивания брака фото уходят в ГИБДД, чьи инспекторы формируют «письма счастья».

Цель новой системы — сократить нагрузку на техников, максимально автоматизировав процесс, следует из документации к конкурсу по разработке системы.

Для минимизации рисков ЦОДД запустит отдельную систему принятия решений о том, какой материал отправить на упрощенную обработку, а какой — на тщательную проверку.

Скоринговая модель будет выставлять баллы каждому нарушению в зависимости от того, какое количество данных о нем подтверждено. Чем выше балл (модель-марка совпадают, номер хорошо виден, комплекс работает без ошибок и т. д.), тем больше доверия материалу и тем выше вероятность, что штраф сформируют по «упрощенке» и он быстро станет штрафным постановлением.

Вице-мэр Максим Ликсутов ранее рассказывал, что столичные власти «подсмотрели» технологию нейросети у военных. До сих пор система тестировалась — для перехода на полноценный режим нужно провести тендер и заключить контракт. Тендер на разработку ПО для ЦОДД выиграла московская компания «Стандартпроект», специализирующаяся на системах распознавания лиц и мониторинге трафика. Компания сделает нейросеть за 189 млн руб.

С вождем (официальная должность) «Кнопки» Андреем Завьяловым мы встретились в интересное время. Компания, специализирующаяся на аутсорсинге бухгалтерских и юридических сервисов, готовится к выходу на новый для себя рынок продажи технологий. Хороший повод поговорить об автоматизации, применимости и масштабируемости облачного аутсорсинга, состоянии рынка бухуслуг и о том, что будет, если посадить на одном этаже офисного здания тысячу бухгалтеров.

- Если попробовать описать одной фразой, «'Кнопка' – это…»?

Прямо сейчас мне сложно ответить на этот вопрос. Мы работаем над тем, чтобы технологии, которые мы отработали внутри «Кнопки», – нейронные сети, роботы и прочие штуки – можно было продавать другим участникам рынка. Если раньше я бы сказал, что «Кнопка» – это бэк-офис для малого бизнеса, то теперь мы идем к тому, чтобы «Кнопка» стала бэк-офисом для аналогичного нам бизнеса.

- Бэк-офис для бэк-офиса?

Бэк-офис для другой аутсорсинговой компании.

- Применима ли эта модель для других видов процессов, например для оптимизации закупок, для ИТ, может быть, для чего-то еще?

Вероятно, да, но мы сфокусированы на бухучете. Мы автоматизируем ввод первичных документов в систему. Это не просто распознавание. Мы берем скан документа и в качестве результата возвращаем бухгалтерскую проводку. Возможно, похожие технологии можно использовать где-то еще, например, в закупках.

- Если говорить не про ИТ, а про бизнес-модель, кроме бухгалтерии, есть еще какие-то процессы, стоящие в очереди на аутсорсинг?

Конечно. Например, «Тинькофф Банк» на своих мощностях стал продавать клиентам услуги колл-центра. Если я клиент «Тинькофф» и мне надо обзвонить две тысячи человек, я могу заказать эту услугу у них.

- Существуют ли в России и мире компании, которые реализуют бизнес-модель «Кнопки» и про которые вы можете сказать, что вы с ними прямые конкуренты?

В России основные игроки на этом рынке — это, как ни странно, банки. Они идут в предпринимательский low-сегмент. Появляется новая категория клиентов — самозанятые, которые будут платить 4%. Это несколько десятков миллионов человек. Банки хотят оказывать им услуги по ведению налогового учета. ИП и малым предприятиям, которые платят 6%, они предлагают налоговый и бухгалтерский учет. Наше поле — устоявшийся, стабильный бизнес, у которого уже есть сотрудники. Этим компаниям мы предлагаем облачный бэк-офис.

Такого в мире больше нет. Облачные CRM, 1C-Bitrix – они решают узкие задачи. Мы решаем широкую задачу: закрываем бухгалтерские и юридические вопросы сопровождения бизнеса. Разница огромная. В отличие от CRM, здесь высокая ответственность, штрафы, регламенты. Никто не выставит бизнесу штраф за неверное использование CRM, но, если бухгалтер не сдал какую-то отчетность, заблокируют счета в банках.

- Воспроизвести вашу бизнес-модель никто не захотел, не догадался или не смог?

Мы недавно с ребятами вспоминали запуск «Кнопки» и поняли, что даже мы не готовы второй раз это сделать. Очень сложно. Тяжелая неблагодарная работа.

Бухгалтерия жестко зарегламентирована. Там работают очень странные люди. Они не плохие и не хорошие, они своеобразные, заточенные под определенные вещи. Пытаться из бухгалтерии сделать сервис, а потом еще объяснить бухгалтеру, что часть работы будет делает робот или нейронная сеть… Бухгалтер это воспринимает как вторжение в свое личное рабочее пространство. Типичная реакция: «Нет, мы лучше, чем ваш робот, знаем, как делать банковскую проводку». Иногда приходилось прямо-таки заставлять использовать эти технологии. Потому что за ними будущее, как бы банально это ни звучало.

Часто задают вопрос, почему вы вообще стали писать роботов, нейронные сети, распознавание? У нас не было изначально такой задачи. Мы обслуживали предпринимателей с помощью бухгалтерских рук. В какой-то момент число ошибок бухгалтеров стало очень большим. Мы пробовали разные подходы: правильное отношение к ошибкам, «бирюзовая компания»… В итоге стало понятно, что не ошибаться может только «нечеловек».

- Сколько сейчас клиентов у «Кнопки»? Какие планы роста?

У нас полторы тысячи активно работающих клиентов. Раньше мы планировали инвестировать в увеличение клиентской базы. Сейчас хотим двигаться в сторону продажи технологий.

- Из-за проблем с масштабированием бизнеса?

Благодаря тому, что мы создали методики бухгалтерского и юридического сопровождения, мы можем масштабироваться без особого увеличения штата. После ошибок это была вторая причина придумать технологии автоматизации. Мы просчитали бизнес-модель и поняли, что можем нанять хоть тысячу бухгалтеров. Даже при таких объемах модель будет работать и приносить прибыль. Но тысяча бухгалтеров? Это зомби-апокалипсис! Поэтому мы стали думать, как, не увеличивая количество сотрудников, обслуживать больше клиентов. Еще один путь — самим использовать аутсорсинг. За счет того, что мы очень хорошо знаем бухпроцесс, мы знаем каждый кирпичик и умеем некоторые из этих кирпичиков отдавать на аутсорс. Это тоже позволяет хорошо масштабироваться.

- Насколько далеко зашла автоматизация? Момент, когда не останется ни одного бухгалтера, а будет несколько инженеров, которые обслуживают сервера, уже появился на горизонте?

Быстро это не произойдет. Существуют ФНС, Росстат и Пенсионный фонд: государственные структуры не будут с разговаривать с бизнесом электронно. Конечно, электронный документооборот появляется. Лидер в этом отношении — налоговая инспекция: в девяти случаях из десяти с ними можно решить вопросы дистанционно. Но остается 10%, которые пока не решаются. Пенсионный фонд требует личного присутствия. Если возникает проблема, ее можно решить только голосом. Пока структурированного общения с госорганами не получается, перед нами стоит одна из самых сложных инженерных задач – перевод неструктурированной информации в структурированную.

- Какие метрики вы используете, как измеряете эффективность своей работы?

Мы фанатики метрик — измеряем вообще все. Мы начали с исследования структуры работы бухгалтера. Мы стали замерять его рабочий процесс, иногда буквально секундомером. Стало понятно, что надо на каждый процесс закладывать отдельную метрику. Сколько документов заведено, сколько не заведено, каким клиентам робот отправил расчет налогов, каким нет, скорость ответа: 90% ответили за час, 100% ответили за 18 часов, 50% ответов уложились в 15 минут. Вся «Кнопка» построена на метриках. Это наш фетиш.

- Какие из них ключевые? Если тебе надо за минуту понять, хорошо ли работает какое-то подразделение, на что ты смотришь?

Вот такого у нас вообще нет. Как бы странно это ни звучало, к KPI у нас очень негативное отношение. Как только ты ставишь человеку или подразделению KPI, они фанатично начинают их исполнять, фокусируются на их достижении и больше не видят ничего вокруг. Поэтому у нас KPI оценивают не человека, а процесс.

- Какие платформы для коллективной работы вы используете?

«1С». Мы используем ее как ядро. «1С» обладает лучшей компетенцией актуализации форм отчетов перед государством. Как только государство меняет внешний вид налоговой декларации – это делает «1С». Это первый и базовый инструмент, как и у всех бухгалтеров России. У нас есть Slack. Это важный коммуникационный инструмент внутри компании. Мы используем Jira и собственное мобильное приложение.

- Основной инструмент коммуникаций с клиентом – чат?

Да. Чат, который мы самостоятельно написали.

- Клиент пишет в чат, что ему надо что-то сделать, и ваши ребята садятся и делают?

Да.

- Насколько эти удаленные коммуникации эффективны, могут ли они заменить живое общение? Много говорят о новых технологиях коммуникаций, видеоконференциях с высоким разрешением. Скажутся ли они на эффективности аутсорсинга?

В нашем бизнесе ничего подобного не нужно. У клиента есть потребность заплатить минимальный налог из всех вариантов, которые ему позволены законом. Для этого нужно проделать определенные простые действия: вовремя подавать документы на льготы, вовремя предоставлять все первичные документы, сдавать выписки, чеки, вторичную документацию. Необходимо показывать клиенту, каких документов не хватает, какова будет сумма налога. Разговаривать с бухгалтером клиенту не нужно.

Чем меньше клиент думает о бухгалтерии, чем меньше он ее видит, чем меньше он вообще о ней задумывается – тем лучше. Поэтому чат интереснее.

Идеальный способ коммуникации – аналог игры «Веселая ферма». Ты включил приложение, у тебя моргает: сюда отправь пару сканов документов, потому что их требует бухгалтер, здесь мигает запрос по увольнению или приему сотрудника, тут тебе загрузили платежки в банк, зайди их подпиши. Это не совсем чат. Чат тоже есть – когда возникают вопросы, которые надо обсудить. Но в целом все сводится к графическому пользовательскому интерфейсу.

Развитие идет в сторону геймификации: человек открыл приложение, собрал золото, построил шахты. Так же можно управлять бизнесом.

- «Кнопка» – это стартап?

Скорее нет, чем да. Что такое «стартап»? Компания, которая что-то новое придумывает? Да. Убыточная? Да. Прибыльная? Да. И на те же вопросы можно ответить «нет».

По внутренним ощущениям? Да, мы — стартап. Когда мы задумались о продаже технологий, я снова почувствовал дух авантюризма. Мы опять стартап, потому что мы начали делать что-то новое, вышли на новый рынок с новыми клиентами.

- Сколько времени прошло с создания «Кнопки» до выхода на оперативную безубыточность?

Три с половиной, даже четыре года.

- Называли цифру 10 млн долл. инвестиций в «Кнопку» – она похожа на правду?

Да. Хотя, смотря по какому курсу? По нынешнему – меньше. Но порядок такой.

- Есть мнение, что все бухгалтерские сервисы в России собирают крошки со стола «1С». Это так?

По большому счету, да, они зарабатывают как минимум столько же, сколько все остальные участники рынка бухуслуг, вместе взятые.

Но что считать рынком бухуслуг? Если посчитать, сколько платит РЖД своей дочерней компании, которая ведёт их бухгалтерию, тогда «1С» – просто один из игроков на этом рынке. Если мы отбрасываем крупные компании и банки – это будет другой разрез.

Если брать сегмент мелких компаний, самозанятых и ИП и убрать верхний слой, где работают зарубежные системы, то на «1С» придется 99% софта, которым пользуются для бухучета. Но они же зарабатывают на лицензиях. А рынок бухуслуг гораздо шире. В том же РЖД работает 8 тыс. бухгалтеров, приплюсуем сюда еще какой-нибудь Магнитогорский металлургический комбинат. Бухуслуги гораздо дороже софта внутри. Поэтому, кто у кого подбирает крошки со стола, – не знаю.

- Ты знаешь, что происходит с малым и средним бизнесом? Расскажи об этом. Как меняется бизнес твоих клиентов?

Мы не делаем таких наблюдений. Наверно, если я сяду с парой аналитиков и посмотрю на ту информацию, которая у нас есть, я смогу рассказать, что происходит в каждой компании, кто как платит и какие есть тренды.

Точно есть общероссийская тенденция перевода сотрудников в ИП, чтобы снизить налоговую нагрузку. Видно стремление максимально снизить налоги, но при этом оставаться в рамках закона…

- Этой тенденции уже три тысячи лет...

Разница в том, что раньше это делали без царя в голове. Некоторые предприниматели говорят: «Я вообще не буду вести бухгалтерский и налоговый учет. Пусть налоговая сама, что хочет считает. Выставили претензию, я заплатил». И он ждет, когда его поймают.

Сейчас таких стало меньше. Все прекрасно понимают, что юлить, вилять – дорого. Многие переходят из черной бухгалтерии в белую, и уже пытаются в рамках правового поля придумывать какие-то схемы, патенты, ИП.

Исчезла тема «рисования» документов. Раньше регулярно спрашивали, можем ли мы это сделать. Сейчас этот вопрос даже перестали задавать.

Второй по популярности вопрос был: «Ведете ли вы черную кассу?» Потому что бухгалтер обычно ведет «черную» кассу. Сейчас такого понятия практически нет. Или совсем нелегальный кеш, либо все уже законно. Эта разница стала очень явной: «черное» стало совсем черным, а «белых» стало больше.

- Блиц, короткие вопросы, на которые ты можешь отвечать не обязательно коротко. Хороший формат, не я придумал. Agile работает?

Да. Прямо большими буквами — ДА.

- Выход на биржу или продажа стратегам?

Первое. Стратегов нет, потому что нет личностей. Мы обдумывали вариант не продавать бизнес полностью, но найти способ взаимодействия со стратегом с вероятным дальнейшим выкупом или что-то еще… Но говорить об этом не с кем. Либо получается такая же токсичная история, как сейчас у Сбербанка с «Яндексом».

- Если ты застрянешь в лифте с Нуралиевым, о чем ты с ним поговоришь?

Мы долго будем разговаривать: про технологии, про будущее аутсорсинга и бухгалтерии, куда это все идет. У него свой взгляд на ситуацию в бизнесе, очень интересный. Это человек, которого я по всем параметрам уважаю. Мне было бы интересно застрять с ним в лифте на подольше. И разговаривали уже не раз, и есть еще много о чем поговорить.

Исследователи из Массачусетского технологического института и Массачусетской больницы общего профиля создали с помощью методов глубинного обучения систему, оценивающую плотность ткани груди по маммограммам.

Повышенная плотность является фактором риска развития рака груди, но врачи-рентгенологи оценивают ее по общему виду снимка, субъективно, и результаты часто разнятся. Модель была основана на сверточной нейронной сети, обычно используемой в задачах машинного зрения, и ее обучали на десятках тысяч высококачественных маммограмм разных типов, проанализированных специалистами.

После того, как модель научилась классифицировать снимки по плотности ткани, ее проверили на новых снимках. Модель оценивала плотность тканей на только что сделанной маммограмме, а врач-рентгенолог подтверждал или отвергал оценку. Кроме того, исследователи проверили совпадение оценок, выставленных моделью и пятью врачами, ни один из которых не знал о том, какие оценки дали модель и другие участники. Во всех экспериментах новая модель показала себя лучше, чем существующие автоматические системы анализа маммограмм.

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.

«Яндекс» представил десять мультфильмов студии «Союзмультфильм» в высоком качестве. Изображение в них улучшено с помощью разработанной в «Яндексе» технологии DeepHD, которая повышает разрешение изображения с помощью нейронных сетей. В результате картинка становится гораздо более четкой.

Искусственный интеллект, который лежит в основе DeepHD, не изменяет цвета и не добавляет на изображение ничего лишнего. Кадры до и после обработки имеют идентичное содержание. Разница в том, что DeepHD усиливает детали, которые были задуманы и отрисованы художниками-мультипликаторами.

Фильмы в DeepHD обрабатываются с помощью двух нейросетей. Первая нейросеть убирает помехи и артефакты, которые могли остаться при оцифровке старой пленки. Вторая нейросеть — генеративно-состязательная — создает улучшенные изображения отдельных кадров в большем размере и сравнивает их с «растянутыми» оригинальными кадрами. При применении такой технологии удалось увеличить резкость кадров и улучшить детализацию, за счет чего качество заметно повысилось.

В высоком разрешении теперь можно посмотреть «Аленький цветочек» (1952), «Золотая антилопа» (1954), «Снежная королева» (1957), «Дюймовочка» (1964), «Бременские музыканты» (1969), «Умка ищет друга» (1970), «Маугли» (1973), «Щелкунчик» (1973), «Путешествие муравья» (1983) и цикл про «Котёнка по имени Гав» (1976–1982).

Нейросетям доверяют все более сложные и ответственные задачи — от определения надежности заемщиков до выявления новообразований на рентгеновских снимках. В каких-то случаях они лишь подсказывают человеку наиболее вероятное правильное решение, в каких-то — принимают решение единолично. О том, как происходит обучение, какие у нейросетей есть ограничения и как автоматизировать процессы их создания и обучения на практической конференции «Технологии машинного обучения 2018» расскажет Дмитрий Бабаев, исследователь в Лаборатории искусственного интеллекта Сбербанка России.

- Чем занимается ваша лаборатория?

Исследованиями в области машинного обучения в применении к нейросетям. Например, мы можем решать типичную задачу для финансовой сферы — создать нейронную сеть, способную прогнозировать, исходя из имеющихся данных, будет ли данный клиент возвращать кредит. По его кредитной истории, истории покупок, даже по тому, как он пользуется мобильной связью — если он дал согласие нам на использование этих его данных для получения кредита.

У нас есть массивы данных о людях, которые выплатили кредит, и о тех, которые не выплатили. Нейросеть учится на этих данных. У нее есть правильные ответы и она пытается построить такую модель, которая лучшим образом им соответствует. И на основе модели выдает рекомендации.

- Как она это делает?

Нейросеть как черный ящик — на входе «правильные» данные, на выходе — рекомендации.

Можно только догадываться, почему нейросеть принимает те или иные решения. Например, она может учитывать, что человек имеет склонность потратить всю зарплату в первую неделю после получки, а потом использует кредитную карточку, и большую часть новой зарплаты использует для погашения кредита. А оставшееся, опять же, спускает за неделю. То есть его поведение на грани дефолта, он не умеет тратить деньги правильно.

Но порой данные неоднозначны. Если, к примеру, человек в рабочие дни ночью в барах тратит деньги, то он ведет опасный с точки зрения кредитора образ жизни. Но зато, может быть, это означает, что у него много друзей, и он кредит выплатит, заняв у них. Или вообще у него работа такая…

- Эти данные не устаревают? Допустим, в одной экономической ситуации какое-то поведение было нормальным, прогулял зарплату — новую дадут, а в нынешних условиях ее могут задержать и кредит вернуть не удастся...

Теоретически проблема есть, но практически обычно модели получаются довольно устойчивыми к устареванию, потому что они используют большие промежутки времени наблюдения за людьми, причем из разных областей деятельности.

Окончательного ответа на этот вопрос нет, но в каждом конкретном случае мы можем измерить величину ошибки. Возьмем данные людей, скажем, до 2014 года и построим модель на них. А потом возьмем данные 2017 года и построим модель на них. И посмотрим, насколько точно модель угадывает в том и другом случае. Это позволит понять, насколько устаревание данных, изменение экономической ситуации влияет на точность модели.

- У нас на конференциях всегда выступают и скептики. Я разговаривал с одним из них, и он сказал, что большая проблема в том, что искусственный интеллект можно обмануть, если приблизительно знаешь, как работают алгоритмы. Вы не сталкивались с тем, что люди выстраивают формально идеальную кредитную историю?

В принципе такое было возможно, но лишь в тех случаях, когда в банках использовались недостаточно интеллектуальные модели. Их действительно можно было обмануть, распространенный способ — при отсутствии кредитной истории брать небольшой кредит, «на чайник», быстро его погасить, и так много раз.

Но с этим давно научились бороться: и модели стали сложнее, и кроме того, поведенческие факторы практически нельзя подделать. Надо менять образ жизни. Например, перестать пить в барах. С другой стороны, если человек приучил себя поступать настолько правильно, что с точки зрения машины он является хорошим заемщиком, то, может, он и стал другим человеком.

- Благостная картинка. Неужели нет проблем?

Есть, конечно. Для использования сложных алгоритмов нужно много данных. Если мы, например, захотим сделать систему определения надежности юридических лиц, то у нас остро встанет проблема их нехватки — юрлиц меньше, чем физических, кредитов они берут меньше, и дефолтов по кредитам у них меньше. Особенно остра нехватка данных по средним и крупным предприятиям. Создать нейросеть не удастся, но можно использовать другие подходы машинного обучения.

Есть проблема и с кадрами, с людьми, которые умеют работать с нейросетями.

- С чем связан дефицит кадров? Нейросетям не один десяток лет...

Да, занимаются ими довольно давно, но долгое время результатов не было. Из-за этого в 1990-х и начале 2000-х интерес к ним упал. Но в 2010-х появилось глубинное обучение и удалось показать полное превосходство нейросетей в задачах распознавания изображений. И после этого интерес к ним вернулся. Но это были уже другие нейросети, и они требовали других специалистов.

- Современные нейросети – это только подсказчики, или им уже можно доверить принимать решения самостоятельно?

В зависимости от ситуации. Если нейросеть распознает рентгеновские снимки, то это скорее подсказчик, потому что решение о том, болен человек или нет — очень ответственное. И в данном случае нужен врач, который возьмет на себя окончательное решение, ответственность за диагноз.

Но если брать относительно недорогие в плане последствий случаи, где речь не идет о жизни и смерти, например — выдачу массовых кредитов, которых в одном Сбербанке выдается несколько тысяч в день, то волей-неволей приходится доверять машине. Как минимум там, где она достаточно уверена в принятии решения. Иначе придется для обработки данных для решений в сопоставимом объеме держать огромный штат сотрудников. Да и ошибаются сети на отлаженных задачах реже, чем люди.

- Что вы хотите рассказать на конференции и что хотите услышать от других?

Мне интересны все исследования в этой области, а также работающие кейсы в плане применения нейросетей в разных отраслях. А сам хочу рассказать как раз о проблемах, которые мы обнаружили при применении нейросетей, об их ограничениях и о том, как можно эти ограничения обходить. В частности — о том, как бороться с нехваткой специалистов в области создания нейросетей. Ведь при проектировании нейросети нужно принять много решений о том, как она будет устроена. И этот процесс тоже можно частично автоматизировать.

- Следующий шаг — нейросети, которые сами проектируют другие нейросети?

Такие проекты есть. И про них я тоже расскажу.

Группа компаний «Аэроклуб» завершила первый этап внедрения искусственного интеллекта в систему обработки клиентских заказов. В ходе контрольных тестов робот корректно распознал 65% заявок на бронирования. 50% вариантов авиаперелетов, предложенных им на основе данных заказа, полностью соответствовали критериям качества сервиса агентства и политике компании.

Пока искусственный интеллект применяется только для одного типа услуг — заказа авиабилетов. В ближайшие два года виртуальные агенты научатся исключать нерелевантные предложения. К 2020 году технология будет применяться для поиска вариантов по всем типам услуг: авиабилетам, отелям, трансферам и др., рассказали в «Аэроклубе».

Согласно данным ВЭФ, в следующие пять лет на рынке интернет-технологий будут преобладать четыре сектора: высокоскоростной мобильный Интернет, искусственный интеллект, аналитика больших данных и облачные технологии.

Как рассказывают эксперты, российские компании определили для себя три основные стратегии изменения структуры рабочих мест в условиях роботизации процессов. Это найм сотрудников, обладающих новыми навыками, автоматизация рабочих процессов и приглашение к работе временных специалистов.

Исследователи из МТИ разработали способ ускорения классификации зашифрованных изображений сверточной нейронной сетью, действующей в облаке. Метод предлагается применять, в частности, для облачной диагностики заболеваний по медицинским снимкам без раскрытия их содержания провайдеру. При этом благодаря применению принципа искаженного канала (garbled channel) пользователь тоже не имеет возможности выяснить что-либо о классификационной модели, которая работает в облаке.

Разработанные на сегодня методы гомоморфного шифрования данных, предназначенных для обработки нейросетями, эффективно защищают информацию, но требуют чересчур сложных вычислений для фильтрации шума, растущего по мере увеличения количества слоев сети. В то же время особенности протоколов искаженного канала таковы, что трафик, которым обмениваются стороны при их использовании, растет не в зависимости от объема входных данных, а по мере роста сложности выполняемых вычислений.

В рамках системы, предложенной учеными МТИ, определенная часть вычислений выполняется на стороне пользователя, за счет чего снижается и уровень шума в данных, и объем трафика. Как показали эксперименты, метод работает в 20-30 раз быстрее, чем другие модели машинного обучения, совмещенные с механизмами гомоморфного шифрования.

Метод основан на использовании принципа «группы экспертов», когда несколько моделей, обученных выполнению разных заданий, комбинируются с фильтрующей нейросетью, которая путем подсчета вероятностей выбирает эксперта, лучше других способного справиться с распознаванием эмоций человека, которого не было в обучающей выборке.

Модель обучали на записях видеочатов, где выражения лица на каждом кадре были предварительно указаны вручную. Как показали эксперименты, чтобы адаптировать модель для еще незнакомых ей участников видеочата, достаточно провести дополнительное обучение всего на 5-10% кадров новой записи, после чего модель интерпретирует эмоции людей на ней гораздо точнее традиционных систем, в которых такая персонализация не используется.

Со временем благодаря подобным разработкам мобильные приложения, обращая внимание на настроение пользователя, могли бы, например, начать рекомендовать способы справляться со стрессом и переживаниями, полагают исследователи.

Нейронные сети выходят из исследовательских центров и становятся инструментом развития бизнеса. О том, что способствует развитию этой сферы и что тормозит совершенствование и внедрение сетей, а также о российских разработках в этой области на практической конференции «Технологии машинного обучения 2018», которую издательство «Открытые системы» проведет 25 сентября, расскажет Станислав Ашманов, сооснователь компании «Нейросети Ашманова».

- Нейросетям не один десяток лет, почему они сейчас «взлетели»? Что мешало раньше?

Я вижу три причины. Во-первых, нейронные сети очень «прожорливые», им нужны большие вычислительные мощности. И раньше просто не удавалось довести процесс обучения нейросетей до того момента, когда бы они хоть что-то запоминали и хорошо классифицировали. Сейчас производительность процессоров выросла, появились мощные графические чипы, и то, что раньше делалось на серверном кластере за месяц, сейчас обсчитывается за час на ноутбуке.

Вторая причина – данные. Пожалуй, важнейшая причина. Нейросетям нужно много данных для обучения, гораздо больше, чем другим методам машинного обучения. И в достаточном количестве они появились только в последние годы.

Ну и, наконец, в 2000-х годах было придумано несколько алгоритмов, которые улучшили сходимость методов обучения нейросетей, то есть мы научились правильно их обучать. Три эти фактора сложились, и оказалось, что нейросети во многих классах задач намного лучше других методов машинного обучения. Например, при распознавании речи, классификации изображений, машинном переводе.

- В каких сферах сейчас в наибольшей степени пользуются нейросетями и кому еще они могли бы быть полезны?

Лидеры – крупнейшие корпорации типа Google, Facebook, Microsoft. Те, у кого огромные пользовательские базы и соответственно огромные массивы данных.

Данные, как я уже говорил, — это главное. Google, например, выкладывает в открытый доступ алгоритмы, но не выкладывает данные, потому что алгоритм ничего не стоит, если нет данных. А если есть данные, то найдутся и алгоритмы. Поэтому в области нейросетей трудно небольшим стартапам — им тяжело найти данные для обучения.

Конечно, впереди, как всегда, те, кто ближе к деньгам, — финансовые предприятия. Для них очень легко считается выгода от внедрения машинного обучения. Насчет других областей сложно сказать, везде свои проблемы. В медицине, например, трудно собирать данные, там они очень многофакторные.

- А розница? У нее много пользователей и данных о них...

Ретейлеры – они очень прагматичные. Уговорить их разработать что-то очень тяжело. Они готовы платить за коробочные решения, предназначение и результат внедрения которых понятен, но не готовы платить за исследования и разработки. Они сразу спросят: "Насколько эта разработка увеличит нам продажи?»

А нынешнее состояние нейросетей гарантии возврата средств не дает. Коробочные решения существуют для узкого спектра задач, например по распознаванию лиц, да и там требуется адаптация под конкретные условия.

- То есть «нейронная сеть как сервис» пока еще не востребована?

Пока в области нейросетей принято делать все внутри самой компании. Мода такая. Все создают собственные отделы машинного обучения, благо в открытом доступе можно найти инструментарий, разработанный лидерами рынка искусственного интеллекта. Воспользоваться бесплатным ПО всегда заманчиво, правда потом выясняется, что с ним есть проблемы — низкое качество и скорость работы, не получается его модифицировать под свои нужды и т.д.

Но постепенно, я думаю, эта мода пройдет, и большая часть заказчиков начнет пользоваться услугами специализированных компаний.

- Создать «свою» исследовательскую структуру в области нейросетей — дорогое удовольствие?

Специалисты на рынке нейросетей и машинного обучения — дефицит, во многом это вина тех же западных ИТ-гигантов, которые «высасывают» со всемго мира людей на огромные зарплаты.

Машинное обучение требует хорошей математической подготовки и инженерных навыков, а это то, в чем русские хороши. Так что из России тоже людей вытягивают туда, поэтому создавать свой отдел довольно дорого. Как мне кажется, минимально нужно иметь пять исследователей с зарплатами тысяч по 200 в месяц. И это чисто на разработку, без прочих затрат, например на сбор и очистку данных, серверы.

- Точность нейросети можно повышать бесконечно в процессе обучения? Или есть некий предел?

Точность работы нейросети вообще вопрос сложный. Мы, когда беремся за задачу, часто не знаем, сможем ли вообще ее решить. Задача может принципиально быть нерешаема, может данных не хватить или они окажутся «грязными»…

Если же говорить о ситуации, когда каких-то результатов уже добились, встает вопрос — либо для увеличения точности придумывать новые архитектуры сетей и методы обучения, либо собирать больше данных. С данными всегда проблемы, их сбор и разметка трудоемки, при этом не всегда понятно: если собрать их вдвое больше, станет ли от этого лучше.

Есть эвристические методы для оценки того, поможет ли увеличение количества данных. Предположим, у нас есть 100 тысяч обучающих примеров, скажем, картинок. Тренируем систему на них, потом тренируем ее с нуля на половинном объеме, на 50 тысячах. Если качество распознавания существенно упало, то имеет смысл собрать еще 100 тысяч картинок и посмотреть, станет система работать лучше или нет. Если же уменьшение обучающей выборки вдвое не ухудшило качество работы, то, вполне вероятно, мы по объему выборки достигли насыщения.

- А как оценить экономическую выгоду от внедрения или повышения точности работы нейросети?

Прежде всего, надо задаться вопросом, а действительно ли нужно в вашем проекте использовать машинное обучение? Задача данной технологии — повысить эффективность какого-то процесса, либо снизить его стоимость, либо вообще получить какой-то новый эффект, которого раньше не было.

В третьем случае все понятно. А в двух других надо тщательно все взвешивать.

Приведу пример не из моей практики, но реальный. Заказчик говорит: «Нам нужна машинная морфология, чтобы просклонять все наименования товаров, потому что нам нужен поиск, а они у нас там в разных падежах». После подсчетов выясняется, что у него всего тысяча этих наименований, и никакая там машинная морфология не нужна. Эту тысячу можно за несколько дней занести в базу.

Или другой случай. Заказчик хочет автоматизировать распознавание рукописного текста записок от клиентов банка, чтобы заменить людей, которые этим занимаются. Начинают обсчитывать, сколько это будет стоить, прорабатывать ТЗ, данные искать. А потом кто-то догадывается спросить: «А сколько у вас людей занято этой работой?» И оказывается, что на весь банк пять человек с небольшой зарплатой. Ну и становится понятно, что заказная разработка системы распознавания в обозримом будущем не окупится.

- Вы в тезисах к конференции употребляете выражение «искусственные нейронные сети». «Искусственный» — это противопоставление человеческому мозгу или на горизонте виднеются какие-то перспективы использования нейросетей на природных элементах?

Нейросети так называются потому, что так их назвали. К работе мозга они не имеют отношения, и вряд ли нейрофизиологи, которые изучают, как мозг устроен, принесут что-то полезное в мир машинного обучения. Были забавные эксперименты — нейрофизиологи попытались исследовать старые простейшие процессоры своими методами, ничего не получилось.

Так что прогресс нейросетей будет достигаться другими средствами — разработкой новых алгоритмов (а может, исследователи снова откопают и заставят работать что-то 50-летней давности, как было с нейронными сетями), переходом на специализированные нейроморфные чипы, которые позволяют экономнее и быстрее производить вычисления в нейросетях. Они постепенно становятся доступны широкому рынку.

- Традиционный вопрос – о чем вы будете рассказывать на конференции и о чем хотите услышать сами?

Я хотел бы поговорить о средствах конструирования и обучения нейросетей, нейросетевых библиотеках. Сейчас на рынке сложился стандарт – TensorFlow от Google и видеокарты от Nvidia. И многим кажется, что лидеры определились надолго. Но я полагаю, что в обеих сферах грядут изменения. Intel с AMD борются с Nvidia, про нейрочипы я уже говорил, да и библиотека Google — вовсе не верх совершенства, она довольно медленная и неудобная. Ну и, конечно, про состояние дел в России расскажу, про нашу собственную библиотеку для нейросетей PuzzleLib.

Мне самому интересны доклады о практическом опыте внедрения методов машинного обучения, с какими проблемами сталкиваются заказчики и как они эти проблемы решают. Поскольку на конференции будет много практиков, думаю, мне удастся этот свой интерес удовлетворить.