Непараллельная реальность

Независимый обозреватель. На протяжении 15 лет был обозревателем, затем — заместителем главного редактора, а впоследствии занял пост главного редактора журнала Intelligent Enterprise.

О методах искусственного интеллекта сейчас много говорят. Однако эта область очень неоднородна, одни решения искусственного интеллекта по своим возможностям могут кардинально отличаться от других. Как классифицировать методы искусственного интеллекта, какой искусственный интеллект мы имеем сейчас, и к каким изменениям в нашей деятельности может привести использование этих технологий?

О классификации методов искусственного интеллекта

Как известно, методы искусственного интеллекта сейчас усиленно продвигаются в бизнес. Но при всём обилии рассуждений на эту тему разговор либо ограничивается декларативными заявлениями, либо, опускаясь до уровня подробностей, мы начинаем классифицировать богатый арсенал методов искусственного интеллекта с технической точки зрения. То есть разделяем методы регрессии и классификации, выделяем так называемые поддерживающие или глубокие методы обучения, отделяем линейные алгоритмы от нелинейных. В основе такого деления, хотим мы того или нет, лежит либо «чистая» математика (с теоремами и доказательствами), либо прикладная — реализующая те или иные алгоритмы в виде программного кода. Приводимые примеры решения бизнес-задач служат для менеджмента компаний в лучшем случае справочной информацией. Истинный смысл этих ассоциаций понятен только хорошо разбирающимся в теме машинного обучения специалистам. Таким образом, совершенно универсальная для любых методов корпоративной автоматизации связка «инструменты ИТ — результат для бизнеса» практически не прослеживается.

При этом существуют и иные, пусть не такие известные и признанные, подходы к классификации методов машинного обучения (как правило, полностью опускающие технические детали). Эти методы способны дать более ясное понимание целого ряда важных для бизнес-руководителей проблем. Один из таких подходов предполагает разделение методов искусственного интеллекта по потенциальной сфере применения.

  1. В первую категорию попадает так называемый «узконаправленный» искусственный интеллект (narrow AI), связанный с решением одной узкой задачи.
  2. Вторую составляет так называемый «сильный» искусственный интеллект (strong AI), способный принимать полноценные бизнес-решения, за которые ранее был ответственен только человек.
  3. И, наконец, к третьему классу относят суперинтеллект (superintelligence), когда интеллектуальные возможности машины по принятию решений на порядок превосходят человеческий потенциал. Такой метод во многом ещё остаётся горячей темой фантастических фильмов о завоевании мира роботами. Сейчас подобные методы можно не рассматривать, но для полноты картины в классификации они всё равно должны присутствовать.
Если классифицировать богатый арсенал методов искусственного интеллекта по потенциальной сфере применения, то выделяются так называемый «узконаправленный», «сильный» искусственный интеллект и суперинтеллект.

Искусственный интеллект и параллельная автоматизация

Какой искусственный интеллект мы имеем сейчас? Зарубежные специалисты утверждают, что на рынке пока доминируют решения «узконаправленного» искусственного интеллекта. Если присмотреться к сообщениям в российской прессе и докладам на различных отечественных конференциях, то в целом можно прийти к тому же выводу. В большинстве своём они основаны на распознавании различных объектов (людей, их лиц, автомобилей, различной продукции и проч.). Их применение, как известно, определяется фиксацией различных сценариев: сотрудник зашёл в запрещённую зону, совершил некорректное действие, через конвейер прошло определённое количество деталей, выражение лиц посетителей конференции не демонстрирует интереса аудитории к теме и т. д. После распознавания либо совершается элементарная операция, которую вряд ли можно отнести к бизнес-решению (открывается заслонка, включается аварийная сирена, отключается оборудование), либо проблема эскалируется на уровень персонала, который и принимает решение.

Подобные системы искусственного интеллекта можно условно сопоставить с пресловутой лоскутной автоматизацией, которая, несмотря на свой отрицательный имидж в период становления ИТ-поддержки бизнеса, сыграла весьма позитивную роль. Преимущества таких решений очевидны. Во-первых, они относительно просты в реализации. Более того, многие из них уже имеют доказательную математическую базу и даже соответствующие ей алгоритмы, реализованные, как правило, в открытом программном коде. Часто эти алгоритмы лишь ждут своего часа, для того чтобы оказаться заточенными под узкоспециализированный продукт и тем самым конвертироваться в коммерческое решение, поддержанное маркетинговыми и рекламными ресурсами.

Во-вторых, понятно, что в такой ситуации требуется минимальная техническая и практически нулевая методическая поддержка. Однако, это одновременно и их преимущество, и недостаток. Недостаток кроется в том, что решения «узконаправленного» искусственного интеллекта формируют у корпоративного пользователя устойчивое ощущение «параллельной автоматизации». Иными словами, многим начинает казаться, что им предстоит осваивать какой-то совершенно новый тип ИТ-поддержки, основанный на иных принципах, никак не сочетающийся с имеющимся ИТ-ландшафтом и отрицающий привычную методическую базу внедрения и эксплуатации информационных систем. Этому, надо сказать, сильно способствуют и поставщики ИТ-решений, для которых во все времена было выгодно пропагандировать примерно следующий тезис: всё, чего вы достигли на сегодня — хорошо, но сейчас на смену идут совершенно новые продукты и технологии.

На рынке пока доминируют решения «узконаправленного» искусственного интеллекта. Однако, эти решения «узконаправленного» формируют у корпоративного пользователя устойчивое ощущение «параллельной автоматизации».

Искусственный интеллект и изменение практик менеджмента

С системами «сильного» искусственного интеллекта, способными самостоятельно принимать бизнес-решения, всё может сложиться несколько по-другому. Хорошо известно, что некие прототипы подобных внедрений, в основном в виде программных роботов, имитирующих ряд функций профильных специалистов (роботы-юристы, роботы-актуарии, роботы-архивариусы и т. д.), уже применяются. Но они всё ещё наследуют подходы пресловутой лоскутной автоматизации.

Когда же технологии искусственного интеллекта возьмут под своё крыло не только отдельные узкие задачи, но и ответственность за принятие некоторых решений, и сформируется хотя бы минимальный прототип комплексной системы искусственного интеллекта, то, как утверждают специалисты, многое может измениться. И прежде всего, позитивно повлиять на отношение менеджмента к таким системам как некой параллельной ветви автоматизации.

Когда применение искусственного интеллекта уже не локализовано в рамках одной-двух задач, становятся актуальными технологии Machine Learning Management, Machine Learning Serving, Machine Learning Logistics . Если повнимательнее присмотреться к западным публикациям на тему Artificial Intelligence и Machine Learning, то становится понятным, что именно с грядущим приходом комплексных внедрений «сильного» искусственного интеллекта формируются и новые подходы, вовсе не касающиеся ни математических, ни программных аспектов построения решений, а полностью концентрирующиеся на подходах и практиках менеджмента.

С приходом комплексных внедрений «сильного» искусственного интеллекта сформируются и новые подходы, как к практикам менеджмента и принятия решений, так и методической поддержки работы новых ИТ-инструментов.

Среди довольно обширного спектра стоит, на мой взгляд, выделить следующие:

  1. Как методически связать требования внутреннего бизнес-заказчика, с работой специалистов в области data science, архитекторов корпоративных данных или дата-инженеров?
  2. С какими особенностями можно столкнуться при формировании заявки на использование искусственного интеллекта со стороны бизнес-подразделения? Как оформить эту заявку оптимальным образом и отслеживать её исполнение?
  3. Как подготовить данные для решения одной задачи, чтобы они могли быть впоследствии использованы для решения других? Напомню, что подготовка данных (очистка, интеграция, нормализация, скейлинг) в машинном обучении иногда требует до 80% общих затрат на решение задачи, и таким образом вопрос имеет серьёзную экономическую основу.
  4. Насколько эффективно осуществляется доступ к моделям и данным? В частности, можно ли задействовать режим мультиарендности (multitenancy) для достижения показателей масштабируемости? Какие инструменты контроля за производительностью решения целесообразно задействовать?
  5. Как эффективно разделять тестовую и рабочую версию приложения искусственного интеллекта.

Другими словами, при переходе к полноценному промышленному использованию систем искусственного интеллекта мы неизбежно столкнёмся с целым рядом управленческих проблем. Они, безусловно, имеют существенную специфику, но базовые вопросы во многом взяты из того, с чем бизнесу приходилось сталкиваться ранее. Сама постановка проблем управления инцидентами, изменениями, проблемами заимствована из небезызвестных ITIL-процессов, есть более чем явные пересечения с концепцией управления производительностью приложений (Application Performance management, APM), с подходами к сайзингу оборудования под определённую задачу или с Data Governance.

В итоге специалисты стремятся успокоить бизнес. Как только применение систем искусственного интеллекта достигнет некоего критического масштаба, бизнес сразу почувствует, что развитие ИТ-поддержки пойдёт скорее естественным путём, без необходимости срочно переходить ко всему новому, даже наоборот — с максимальным учётом накопленных достижений.

© «УПРАВЛЯЕМ ПРЕДПРИЯТИЕМ»
Все права защищены. Все торговые марки являются собственностью их правообладателей.