Когнитивные технологии и технологии автоматизации, стоящие за искусственным интеллектом, постепенно меняют мир. Машинное и глубокое обучение, нейронные сети, биометрия, обработка естественного языка, большие данные и прогнозная аналитика – все это расширяет границы нашего воображения. Многие вещи, о которых десять лет назад мы могли только мечтать, сегодня стали реальностью.
Согласно циклу зрелости технологий Gartner, машинное обучение, которое буквально за несколько лет стало очень популярной технологией, сейчас находится на самом пике завышенных ожиданий. В технологических кругах все твердят о машинном обучении, хотя лишь немногие на самом деле применяли его на практике, и тут возникает вполне резонный вопрос.
Разве это не очередной громкий, но пустой термин?
Машинное обучение – «горячая» тема последнего времени, широко обсуждаемая во многих статьях и практически на каждом мероприятии в сфере ИТ. Интересно, однако, что тема эта далеко не нова. Еще в 1959 году Артур Сэмуэл (Arthur Samuel), исследователь в области искусственного интеллекта, определил машинное обучение как «процесс, в результате которого компьютеры способны показать поведение, которое в них не было явно запрограммировано». С тех пор машинное обучение выросло из туманной концепции в популярную технологию, которой интересуются как знаменитые «гиганты» отрасли, так и многочисленные инновационные стартапы по всему миру.
Рынок машинного обучения растет ускоренными темпами. По прогнозам IDC, затраты на искусственный интеллект и машинное обучение достигнут 47 млрд. долл. к 2020 году. Пришло время понять, что машинное обучение – это не научная фантастика и не маркетинговый трюк; это перспективный инструмент, который реально работает и способствует фундаментальным изменениям в функционировании бизнеса. Некоторые из самых известных примеров машинного обучения – это голосовой ассистент Siri от Apple, смарт-динамик Amazon Echo, беспилотный автомобиль Google и рекомендации контента на сайте Netflix.
В следующие десять лет машинное обучение может стать одной из самых востребованных технологий благодаря нарастанию вычислительных мощностей, почти бесконечным объемам данных и беспрецедентному развитию глубоких нейронных сетей. Оно прочно войдет в нашу жизнь и станет частью цифровой бизнес-экосистемы, так что компании, желающие процветать в условиях цифровой экономики, должны активно исследовать его уже сегодня. Здесь, однако, возникает другой, более сложный вопрос.
Смогу ли я применить машинное обучение в своем бизнесе?
Машинное обучение имеет высокую практическую значимость для многих отраслей, от госсектора, транспорта и медицины до маркетинга, продаж, финансов и страхования. Существует огромное количество способов его применения – например, прогнозное обслуживание, оптимизация цепи поставок, распознавание мошенничества, персонализация здравоохранения, сокращение дорожного трафика, рациональное планирование расписания полетов и многие другие.
Государственные учреждения используют машинное обучение для интеллектуального анализа данных в целях повышения своей эффективности и экономии денежных средств. Банки применяют машинное обучение для выявления инвестиционных возможностей, высокорисковых клиентов или признаков киберугрозы. В области здравоохранения машинное обучение помогает использовать данные носимых устройств и датчиков для оценки состояния здоровья пациента в режиме реального времени.
Олег Дырдин, эксперт Ауриги, поделился подробностями одного из подобных проектов.
Разрабатывая высоконагруженную систему кардиомониторинга для одного из медицинских клиентов Ауриги, мы обучили трехслойную нейронную сеть распознавать опасные кардиологические состояния, используя данные из открытого источника PhysioBank. Подробный статистический анализ огромного количества данных, поступающих с датчиков переносных холтеровских ЭКГ аппаратов в сочетании с данными о погоде позволяет не только постоянно наблюдать за состоянием сотен тысяч пациентов, но и предотвращать нарушения сердечной деятельности. Это делает работу системы сравнимой с диагностикой в режиме реального времени.
В маркетинге и продажах машинное обучение персонализирует интернет-магазины, анализируя историю ваших покупок и предлагая товары, которые могут вам понравиться, основываясь на ваших предыдущих предпочтениях. Данная технология применима также и в транспортной сфере, где важную роль играет повышение эффективности маршрутов. Машинное обучение даже помогает находить новые источники нефти и газа и оптимизировать распределение ресурсов.
Количество способов использования машинного обучения в самых разных областях практически безгранично. Машинное обучение теперь доступно каждому через открытые проекты, недорогие решения и API. Тем не менее, остается еще один важный вопрос.
Каковы ограничения машинного обучения?
Машинное обучение – это увлекательная технология, обладающая серьезным потенциалом. И все же нужно понимать, что, как и любой другой технологический инструмент, она имеет свои ограничения, и их немало. Начнем с того, что неспециалисты могут счесть машинное обучение объективным, но это не совсем так, ведь человеческая предвзятость может легко просочиться в сами данные, используемые системой, и, таким образом, значительно повлиять на прогнозы.
Кроме того, хотя само определение машинного обучения, кажется, исключает вмешательство программистов в процессы машинного обучения, на практике это пока невозможно. Человеческий элемент по-прежнему очень важен, так как все алгоритмы машинного обучения созданы людьми, и даже когда машины обучаются самостоятельно, именно человек выбирает предпочтительные паттерны.
Наконец, машинное обучение не способно решить все проблемы на свете. И если вы думаете, что система машинного обучения будет выдавать результат для любых данных, в любой ситуации, то забудьте об этом. Машинное обучение в основном применяется к большим данным, и для построения правильной модели вам понадобятся наиболее репрезентативные и высококачественные данные, полученные в реальных условиях.
Итак, мир уже увидел первые пятьдесят лет развития искусственного интеллекта, и машинное обучение стало основным драйвером этого удивительного процесса. Однако технологии продолжают развиваться, и впереди у нас еще более долгий путь. Никто точно не знает, как преобразится машинное обучение в будущем, но глубокое понимание технологий и правильная экспертиза помогут вам уже сегодня использовать его для создания прочных конкурентных преимуществ.
