Подходы, используемые в организации ИИ-систем

С тех пор как искусственный интеллект начал покидать стены научных лабораторий и активно проникать в повседневную жизнь, постепенно приходило осознание некоторой ограниченности концепции в ее современном виде. ИИ пока не является действительно универсальным инструментом, и в этом смысле заменить человека в большинстве случаев он все еще не может. Зато в целом ряде случаев искусственный интеллект превосходит не только возможности своего «биологического аналога», но и способен дать большую фору традиционным компьютерным системам.

Эту задачу решают по частям, поэтому сегодня на рынке можно встретить множество подходов к организации и продвижению ИИ-систем, каждый из которых имеет свои сильные и слабые стороны. Сегодня много говорят о генеративно-состязательных сетях (Generative AI), ответственном ИИ (Responsible AI) и других разработках.

«Искусственный интеллект быстро эволюционирует сам, и так же быстро меняются подходы к построению ИИ-систем и ожидания от них. Если еще два года назад был хайп, год-полтора назад мы наблюдали охлаждение и формирование более здравых, можно сказать, приземленных ожиданий, то сейчас работа с ИИ перешла в более практичное русло. Встает вопрос, как сочетать разные ИИ-технологии, например, может ли компьютерное зрение работать с обработкой естественных языков. И ответ на этот вопрос приближает нас к изначальному представлению о том, как должен выглядеть ИИ. По сути, его возможности становятся шире», — комментирует Александр Тихонов, генеральный директор SAS Россия/СНГ.

В прошлом году в обиход вошел термин «композитный ИИ» (Composite AI). По мнению аналитиков Gartner, интерес к технологиям такого рода сейчас находится в фазе активного роста и граничит с хайпом. Композитный ИИ появился только в 2020 г. и его привлекательность для пользователей заключается в возможностях объединения различных методов ИИ для повышения точности и эффективности обучения.

В Gartner полагают, что композитный ИИ станет технологией, позволяющей различным организациям выполнять комплексный анализ и делать выводы на основе исследования массивов различных данных, получаемых из всевозможных источников. Иными словами, композитный ИИ — это новейший и в некотором роде даже революционный подход, сочетающий в себе несколько методов искусственного интеллекта для более глубокой интерпретации данных и решения широкого круга бизнес-задач. Подход подразумевает использование графов знаний, обработку естественного языка (Natural-language programming, NLP), контекстный анализ, машинное обучение, работу с большими данными и ряд других методов.

Идея композитного ИИ

Главная идея состоит в том, что композитный ИИ позволяет принимать более «человеческие» решения, приближенные к условиям реальных жизненных условий. Интерес к подобным технологиям уже проявляют организации из таких секторов, как финансы, здравоохранение и медицина, розничная торговля, страхование и др. Легко заметить, что, в основном, это те организации, в деятельности которых важнейшее место занимает работа с большим числом клиентов. Как сейчас считается, наиболее эффективно композитный ИИ работает, когда интегрирован в общую цифровую экосистему предприятия и используется для бизнес-моделирования, визуализации данных и мониторинге событий.

В таких условиях технология существенно расширит возможности ИИ для бизнеса именно в практической плоскости, поскольку она по своей сути является «междисциплинарной» и достаточно универсальной. Так что скорее всего интерес к композитному ИИ и спрос на платформы, в которых эта концепция реализована, будет активно расти в ближайшие годы. Недаром Gartner включил эту концепцию в число 30 лучших технологий (из 1700, которые вообще исследовались компанией), обладающих наибольшей степенью прогнозируемого воздействия в ближайшие несколько лет.

Немного технических нюансов

Интерес к теме ИИ не утихает уже много лет, но на общем информационном фоне часто теряются важные детали. Например, тот факт, что машинное обучение (Machine Learning) не является эквивалентом искусственного интеллекта, а только его составляющей. Отсюда проявляются как завышенные ожидания, так и разочарование от невозможности их реализации. Сегодня многие организации сталкиваются с тем, что обучение мощной нейронной сети с использованием технологий машинного обучения не всегда может развиваться до необходимых масштабов.

Подход c применением чистого машинного обучения работает для многих задач, связанных с классификацией и распознаванием, но не всегда его возможностей достаточно для решения более глубоких проблем, связанных с пониманием сути процессов. К тому же алгоритмы машинного обучения, как правило, порождают бесконечный спрос на данные (чем больше входящей информации — тем лучше результат) и, соответственно, требуют все больше вычислительных мощностей.

В этом смысле композитный ИИ гораздо ближе именно к первичной идее искусственного интеллекта, сочетающего в себе не только алгоритмы нейронных сетей, но и символические структурированные модели знаний. Эта база знаний может быть непосредственно применена к большому спектру задач бизнеса, обеспечивая более широкий информационный контекст и создавая мощную синергию с машинным обучением.

Пожалуй, наиболее эффективной технологией искусственного интеллекта для представления символической модели мира (или бизнес-среды) являются графы знаний (knowledge graph), представляющие собой структуру, объединяющую объекты, действия и отношения между ними. Объектами могут являться клиенты, активные устройства или даже нематериальные сущности, например, учетные записи. Отношения между объектами изображаются в виде линий, соединяющих узлы. В дополнение к графам знаний и машинному обучению, композитный ИИ использует также методы обработки естественного языка (NLP) и предпринимает попытки понимания вербального общения. То есть, извлекая факты из письменных текстов или аудиозаписей, система способна (в идеале) обнаруживать причинно-следственные связи.

Таким образом, сочетание различных технологий должно позволить платформам композитного ИИ не только осуществлять моделирование сложных систем, строить прогнозные модели, исследовать сценарии или фильтровать огромные массивы данных (то есть выполнять задачи, характерные для систем машинного обучения), но и понимать контекст ситуации и определять оптимальные пути решения, подобно тому, как это бы делал человек-эксперт. Подобное сочетание технологий, помноженное на алгоритмы самообучения, создает синергетическую систему, которая, по идее, должна решать сложные проблемы с наименьшим возможным объемом обучающих данных.

Как это работает

Очень упрощенно схему работы композитного ИИ можно представить в виде нескольких базовых этапов. Вначале происходит первичный сбор данных различной степени структурированности из множества внутренних и внешних источников (на этом этапе активно используются методы глубокого обучения и NLP), формируется опорный корпоративный репозиторий знаний. Затем с помощью специальных алгоритмов ИИ происходит обработка собранных данных и их представление в согласованном, понятном и однозначном виде. На следующем этапе эти очищенные данные можно анализировать и делать выводы.

Как нетрудно догадаться, функциональность выбранных для анализа программных решений зачастую и определяет эффективность той или иной платформы композитного ИИ. А также большую роль играет интерфейс взаимодействия, поскольку он влияет на то, насколько эффективно люди-эксперты смогут извлекать пользу из имеющихся данных. На заключительном этапе цикла происходит корректировка и уточнение параметров системы — как путем непосредственного воздействия экспертов, так и за счет алгоритмов самообучения (здесь очень важно, чтобы используемая платформа ИИ была основана на открытых технологиях). Исходными данными в этом случае могут быть как достигнутые результаты (или их отсутствие), так и обратная связь от клиентов и внутренних пользователей.

Где работает композитный ИИ — опыт компании SAS

Понятие композитного ИИ появилось около года назад, хотя идеи и технологии, лежащие в основе данной концепции, использовались и раньше, просто для них не было подходящего названия. Поэтому сейчас на графиках аналитических агентств пока не найти данных о положении участников этого рынка. Ближе всего в данном случае, очевидно, анализ сегмента DSML (Data Science & Machine Learning), который оценивает уже не раз упомянутый Gartner. В начале 2021 г. появился свежий рейтинг, лидирующие позиции в котором восемь лет подряд удерживает компания SAS.

В числе сильных сторон универсальной ИИ-платформы SAS Viya аналитики называют продуманную архитектуру, наличие средств автоматизированной разработки и моделирования функций, а также возможность интеграции ПО с открытым исходным кодом. Последний фактор существенно расширяет возможности системы в вопросе решения специализированных задач компаний, объединения возможностей существующих аналитических систем и т.д. На самом деле SAS использовала подходы композитного ИИ еще до появления самого термина. Например, подобные технологии применялись в ходе организации и проведения Специальной Олимпиады 2019 г. в ОАЭ, где с помощью ИИ необходимо было извлечь, обработать и понять контекст массивов данных на естественных языках общения.

Преимуществами композитного ИИ SAS воспользовалось и руководство баскетбольной команды «Орландо Мэджик», которой было важно понимать и отслеживать реакцию фанатов. Для этого был организован сбор всевозможных данных из социальных сетей, веб-страниц, телефонных контактов, общения с чат-ботами и т.д. Результаты, полученные в ходе анализа этих сведений, позволяют лучше понять настроения и желания фанатов (по сути клиентов) команды и отреагировать на них самым эффективным образом.

Еще одна область для композитного ИИ — это здравоохранение. Такие технологии уже используются в некоторых крупных медицинских центрах для выявления и прогноза развития онкологических заболеваний. В ритейле подобные решения помогают сформировать оптимальную политику ценообразования с учетом реальных, а не предполагаемых предпочтений покупателей. И это далеко не полный перечень областей применения концепции. Сегодня идея композитного ИИ и технологии, лежащие в ее основе, продолжают развиваться. Список возможностей и сфер применения концепции с годами будет расширяться. Но воспользоваться преимуществами композитного ИИ можно уже сейчас, благо для этого уже имеются отработанные решения и гибкие адаптивные платформы.