Искусственный интеллект уверенно внедряется в бизнес. Какие задачи предстоит решить специалистам в ближайшее время, чтобы активизировать этот процесс?
Небольшое количество данных
Одно из главных препятствий развития новых коммерческих проектов, связанных с искусственным интеллектом (ИИ) и машинным обучение (МL) является недостаток подготовленных данных для отработки моделей. Чем их больше – тем лучше. Если ваша компания не Google и не Amazon, у вас, скорее всего, возникнут с этим проблемы.
Вывод: в ближайшее время в развитии корпоративного ИИ очень актуальной будет задача получения или генерирования объемов данных, достаточных для машинного и глубокого обучения.
Тем временем IBM и некоторые другие лидеры отрасли пытаются коренным образом пересмотреть то, как работает МL. Конечной их целью является создание жизнеспособных моделей, требующих меньшего количества данных. С точки зрения бизнеса, это вопрос повышения скорости и продуктивности, повышения доступности ML.
Глубокое размышление
ИИ, получивший достаточное количество данных, может классифицировать, предсказывать, но не может размышлять. Порой ему недоступны задачи, с которыми может справиться пятилетний ребенок. Размышление – черта человеческая. Чтобы думать, нужно уметь приспосабливаться к мгновенным изменениям, что-то чувствовать интуитивно, изменяться в процессе рассуждения. Интуиция – особенно недостижимая вещь для роботов. При этом в такой способности бизнес – особенно связанный с услугами, технической поддержкой, логистикой – нуждается больше всего. А раз есть запрос, то ищется и решение.
Высокий спрос на специалистов в области data science
Сейчас коммерческий потенциал ИИ и ML заключается в наличии инструментов, способных математически пересмотреть и решить существующие бизнес-проблемы путем автомизации и разработки стратегии. Благодаря этому сейчас говорят о золотом веке data scienceе, а специалисты в данной области востребованы и обласканы. Они нужны в маркетинге, продажах, финансовых сервисах, здравоохранении. И спрос этот не собирается падать – только расти. А значит, в большой цене будет и образование в области data science.
Прозрачность и понятность
Проблема «черного ящика» в машинном обучении связана со сложностью самих алгоритмов. В глубоком обучении часто невозможно объяснить, как и зачем используются и оцениваются данные. Бизнесу, между тем, нужна понятность и ясность. И тогда речь идет об интерпретируемом машинном обучении. Автор концепции Кристоф Мольнар пишет: «Пока модель не оказывает существенного влияния, ее интерпретируемость не имеет большого значения, но когда есть финансовые или социальные последствия, связанные с предсказаниями модели, ее интерпретируемость приобретает совершенно другое значение». Значение это повышается и в связи с уже существующими и находящимися в стадии разработки законодательными актами, регулирующими ИИ и ML.
Этика и ошибки
Больше всего тормозят быстрое внедрение ИИ во все сферы нашей жизни возможность ошибок и некоторые этические моменты, связанные с цветом кожи, полом и т.д. Последние особенно важны в банковской сфере, криминальной юстиции, здравоохранении. Упомянутая выше проблема «черного ящика» еще больше усложняет дело.
Ошибка может произойти по разным причинам: неполная база данных, «унаследованное» смещение, недостаток разнообразий и прецедентов в данных. Раз существует опасность, внимание исследователей ИИ будет направлено на искоренение ошибок, связанных с самими данными.