ИИ, подключенный к непрерывному источнику данных, перерабатывает их быстро и без остановки. Именно поэтому возникла идея объединить две технологии: AI и IoT, в надежде, что такое слияние даст ещё лучший результат для бизнеса. Лет пять назад интернет вещей делал свои первые шаги, искусственный интеллект развивался по своей собственной траектории, и объединение этих двух понятий большинству менеджеров не приходило в голову, а если приходило, то казалось немыслимым. Оказалось, что это работает. Терабайты данных, передаваемые всевозможными датчиками и сенсорами, по факту остаются «невидимы» для людей, но хорошо читаются и анализируются искусственным интеллектом.

В исследовании, которое провела компания SAS еще в прошлом, 2019 г., говорится, что технология AIoT оказывает более быстрое и значительное влияние, чем ожидалось. В опросе участвовали 450 компаний из разных стран, лидеры из разных бизнес-сфер. Трое из четырех респондентов заявили, что ценность от использования двух технологий вместе превзошла их ожидания. Компании, использующие ИИ и IoT вместе, более конкурентоспособны, чем те, кто использует только IoT.

«Мы видим, что бизнес начинает понимать: для успешного извлечения пользы из IoT нужен искусственный интеллект и аналитика. Справедливо будет сказать, что большинство успешных проектов IoT на самом деле являются проектами AIoT, когда интернет вещей идёт в тесной связке с искусственным интеллектом», — сообщили представители SAS.

Ремонт налету

Приготовьтесь, теперь этот термин — AIoT — будет звучать часто. Хотя бы потому, что его взяли на вооружение гиганты автопрома. Две «дочки» шведской компании AB Volvo: Volvo Trucks и Mack Trucks — дистанционно диагностируют свои машины. Платформа искусственного интеллекта от SAS анализирует поток данных, которые передают датчики грузовиков, и делает прогнозы: когда им нужно пройти техническое обслуживание, чтобы не чинить то, что сломалось, а подкрутить нужные гайки заранее. Состояние 175 тысяч грузовых автомобилей мониторится удаленно, благодаря чему время на диагностику снизилось на 70%. Искусственный интеллект сопоставляет данные и составляет разные варианты сценариев. Например, он может связать данные о температуре масла в двигателе с информацией от системы охлаждения (на которую, кстати сказать, приходится до 30% всех неполадок двигателя и, соответственно, дорогостоящие ремонты), с версией ПО, которое стоит на блоке управления двигателем, а затем сопоставить все это с тем, на какой высоте и при какой влажности прямо сейчас работает конкретная машина. На основе этих данных ИИ строит несколько сценариев развития событий и прогнозирует вероятности поломок. Самое главное для клиента — это сколько времени его грузовик прослужит безотказно. Никому не хочется внезапно снимать машину с дороги, чтобы поставить обновления на софтверную часть или провести очередной мелкий ремонт. Платформа позволяет обновляться удаленно, а время ремонта сокращается на 25%.

Ремонт — это только полдела. Аналитическая мощь искусственного интеллекта направлена и на то, чтобы в целом изучать конструктивные особенности той или иной модели, сопоставлять, насколько хорошо грузовик справляется в определенной среде, куда его поместили, и делает выводы о разумности изменений и дополнений. Потоковая передача данных в реальном времени позволяют выявить недостатки до того, как они начнут влиять на работу машины.

Эйнштейн поможет

Там, где люди не могут разобраться, искусственный интеллект выполняет задачу с легкостью. Но есть и обратная зависимость: он совершенно слеп там, где человеку понятно всё. Речь о причинно-следственных связях. Наш мозг с самого детства тренируется искать и понимать, в чем причина и где её следствие. Общество поощряет этот поиск, а тех, кто слабо понимает причинно-следственные связи, подозревают либо в неразвитости, либо попросту в глупости. Если руководствоваться такими определениями, то можно смело сказать: искусственный интеллект глуп.

Что плохого в том, что он глуп? Честно говоря, плохо всё. Такому интеллекту нельзя доверять беспрекословно: например, он не сможет правильно определять способы лечения больного, ведь ему непонятно, что является причиной болезни, а что — её следствием. Машинное обучение легко выявляет корреляции: одна величина растет, вторая уменьшается, и наоборот, но плохо справляется с определением правильной последовательности событий. Человек точно знает: собака виляет хвостом. Для ИИ всё равно, кто чем виляет, может, и хвост собакой. Ему хорошо видно только одно: есть два объекта, и они разнонаправленно движутся друг относительно друга. Да, один объект движется сильнее, но что с того? Правдоподобная последовательность событий управляется правилами причины и следствия. Эти правила не могут быть легко выведены из конечного обучающего набора, на котором тренируется искусственный интеллект. И в этом смысле искусственному интеллекту нужен стоящий за ним data scientist, который будет его наставлять, поправлять и пестовать.

Группа ученых из Лондонского имперского колледжа решила поработать над этой проблемой и предложила новую теоретическую основу для того, чтобы научить ИИ причинно-следственному мышлению. На помощь пришли Эйнштейн, специальная теория относительности, пространство Минковского и световые конусы. Вот здесь математические выкладки, а результат попытались продемонстрировать, скармливая интеллекту последовательности видеокадров.

Обычно, если ИИ анализирует видео, допустим, машина едет по прямому шоссе, и должен на основе отсмотренной картинки спрогнозировать, что будет дальше, то ему для обучения выдают миллион похожих видеороликов. Существующие подходы обучают модель машинного обучения кадр за кадром распознавать закономерности в последовательностях действий. Сначала всё идет хорошо, ИИ вспоминает, что он видел, и пытается предсказать, что же будет в конкретном видео, которое надо достроить. Получается, что он выводит среднее арифметическое, подставляя результаты своего обучения, и с каждым новым кадром незначительные ошибки накапливаются. Их может и не быть, но стоит случайно ошибиться в самом начале на 1 пиксель, и всё идет не так. Точность падает уже после 10 кадров, а это меньше секунды. В результате ИИ может продемонстрировать картинку, которая полностью лишена смысла. На самом деле, мы все видели, как это выглядит на практике, когда ИИ пытается достроить пейзаж или лицо. Иногда получается отлично, а иногда сплошной сюрреализм.

Команда из Лондонского имперского колледжа подошла к делу иначе. Взяв два датасета, они обучили ИИ генерировать кадры, которые выглядели бы аналогично кадрам в наборе данных. Но важно отметить, что кадры в обучающем наборе данных не были показаны последовательно, и алгоритм не учился завершать серию. Затем они попросили ИИ выбрать, какой из новых кадров с большей вероятностью будет следовать за другим. Для этого ИИ сгруппировал сгенерированные кадры по сходству, а затем использовал алгоритм светового конуса, чтобы провести границу вокруг тех изображений, которые могут быть причинно связаны с данным кадром. Несмотря на то, что он не был обучен продолжать последовательность, ИИ смог сделать хорошие предположения о том, какие кадры были следующими. «Мы подчеркиваем агностическую природу нашего алгоритма, — сказано в статье. — Наши предсказания ограничены во времени, но носят вероятностный характер. Предложенный алгоритм способен производить несколько правдоподобных вариантов будущего. Мы считаем, что это очень важная особенность для будущих методов прогнозирования и экстраполяции последовательностей, поскольку она может быть использована в качестве метода обнаружения аномалий. В частности, если один из вариантов будущего включает в себя опасную ситуацию, автоматизированная система может адаптироваться, чтобы избежать плохого исхода».

Аномальные ульи

Возможности поиска искусственным интеллектом аномалий используются уже сейчас в платформе от SAS. Здесь аномалии ищутся так: есть целевой набор данных и историческое поведение паттернов внутри него. ИИ смотрит, нет ли паттерна, который отличается от заданных параметров «хорошего» поведения. Если что-то идет не так, он это отмечает. «Обнаружение аномалий — это жизненно важная функция, которая важна для каждой отрасли: для бизнеса, увеличивающего производительность оборудования, для медицинских организаций, решающих проблему усталости персонала в больницах, для железнодорожных компаний», — отметили представители SAS.

Недавно платформа SAS была применена, чтобы следить за аномалиями в ульях. Пчелы тоже болеют. Иногда их лечат сахарным сиропом, иногда тетрациклином. Но если они заболели чем-то очень заразным и плохо поддающимся медикаментозному лечению, то начинается эпидемия, а эпидемию пчеловод лечит сожжением зараженного улья вместе со всеми его жильцами. Просто, эффективно, жестоко. Это тот самый случай, когда болезнь лучше предотвратить, чем лечить. Холод, сырость, слишком высокая температура, лишний сор в улье — всё это вредные факторы, за которыми нужно следить, так как нарушения условий содержания и кормления пчел приводят к проблемам с их здоровьем. Если в воде или пище будет слишком много минеральных солей, то пчелы станут вялыми. Если в улье грязно, то в соре заводится моль. Уследить за всем довольно сложно, особенно если ульев много. Решение от SAS анализирует потоковые данные из улья, пытаясь обнаружить аномалии в весе, температуре и влажности, чтобы пчеловоды быстро узнали о них и смогли без промедлений принять меры.

Получается, что даже тот искусственный интеллект, которыей не со всеми «предметами» справляется на отлично, приносит бизнесу существенные выгоды. Главное, это найти ему правильное применение, дать понимающих наставников, использовать его сильные стороны и объединять с другими технологиями, чтобы получить решение, которое покроет все потребности компаний.