Поиск оптимального ответа: как работает и зачем нужен искусственный интеллект

Как вы видите идеальный путь в профессию через образование?

Роль влияния отрасли будет усиливаться. Этот путь уже прошла разработка. Долгое время у нас был просто разработчик, который делал все: мог принтер перезагрузить, сайт собрать. Потом произошло разделение труда. С одной стороны, упрощение задач, и не нужно разбираться во всем, потому что есть готовые библиотеки, готовые решения, есть люди, которые кусок этой цепочки раньше или позже уже обработали, и ты можешь просто взять и использовать их решение. Такая же вещь будет происходить – и уже потихонечку происходит – во всем, что связано с большими данными. Понимание того, как в целом устроена отрасль, в которой ты работаешь, что в ней лучше подойдет, будет все больше и больше цениться.

Новый датасет называется XLand-MiniGrid и предназначен для обучения «ИИ-агентов» — моделей, которые умеют принимать решения. Решение разработано группой Научно-исследовательского института искусственного интеллекта AIRI при участии лаборатории T-Bank AI. «Датасет содержит не случайные данные из интернета с вопросами-ответами, а траектории того, как ИИ-агент действовал в нашей среде. Основная цель — использование датасета для получения нейросетевых моделей, которые обладали бы «агентностью». Мы сделали его открытым, чтобы ученые и практикующие специалисты могли придумывать новые методы в исследовании ИИ и расширять границы самостоятельности моделей», — рассказал «РГ» руководитель группы «Адаптивные агенты» AIRI Владислав Куренков. ИИ-агент, обученный на новом датасете, может исследовать окружающий мир, чтобы понять, какие действия ведут к хорошему исходу, а какие к плохому. Затем он должен остановиться и перейти в фазу использования «хороших действий». Задача «исследования и использования» различных действий со стороны ИИ заключается в том, чтобы самостоятельно найти механизм обучения, который будет давать наилучший результат за меньшее количество шагов. В свое время похожий прорыв произошел в области обработки естественного языка. Раньше люди были вынуждены обучать разные нейросетевые модели под разные задачи, но с появлением GPT-методов смогли обходиться одной. Теперь вместо длительного процесса обучения для многих задач применяют лишь немного промпт-инжиниринга — создания специальных запросов или инструкций для ИИ-модели. Сегодня существует множество разновидностей искусственного интеллекта. Есть чат-боты, которые общаются с людьми, есть генеративные ИИ-модели, создающие тексты, музыку, изображения и даже видео. А есть так называемые агенты искусственного интеллекта, которые умеют взаимодействовать с окружающей средой, собирать данные и на их основе самостоятельно определять и выполнять действия, позволяющие добиться определенных целей. Эти цели задаются людьми, а ИИ-агент уже самостоятельно принимает решения для достижения этих целей. Сложные ИИ-агенты используют машинное обучение для сбора и обработки огромных объемов данных в реальном времени и принятия «обоснованных решений». Это, например, позволяет получать более точные прогнозы при разработке экономической стратегии, причем независимо от отрасли. Область потенциального применения ИИ-агентов очень широка. Говоря о «границах самостоятельности» ИИ Куренков отмечает, что в данный момент ИИ-модель работает только в рамках датасета и прилагающейся к ней среды. «Чтобы это работало в более сложных условиях принятия решений, требуется проделать еще много работы, поэтому границы самостоятельности ИИ в текущий момент строгие», — говорит Куренков. Однако, сегодня логика развития того, что называется современным искусственным интеллектом, двигает разработчиков в сторону создания автономных ИИ-систем. Такие системы более эффективные, «умные», и новая разработка российских ученых находится на пике самых передовых исследований. Однако все большая и большая самостоятельность, как в обучении, так и в принятии решений, а также самообучение ИИ стали предметом изучения потенциальных рисков.

Соответственно, искусственный интеллект может принять оптимальное решение в заданных параметрах, он может запомнить оптимальное решение и постоянно искать вещи, которые ему помогли, но не может выйти за рамки первоначально поставленной задачи, и он не может придумать что-то новое. Это мы уже сейчас в область философии уходим, но есть такой термин, как сильный искусственный интеллект, он тоже достаточно спорный. Это ситуация, когда машина может самостоятельно поставить себе задачу, самостоятельно оценить новое для себя решение и обучаться дальше. Например, когда машина придумывает тот цвет, которого не сделал еще человек.

С точки зрения замены человека для принятия решений и впоследствии его отстранения от этого занятия, возможно, в каких-то областях оно будет возможно, и то в любом случае будет «рубильник». Где-то я читал новость, что люди пытались сделать робота-чиновника или нейросеть для принятия решений. Но это пока эксперименты, потому что мир слишком сложный. Люди не всегда поступают рационально, откровенно говоря, чаще даже нерационально. Все мы знаем историю про детекторы лжи, полиграф. И до сих пор продолжаются разработки паттернов, которые будут более точно определять, говорит человек правду или нет. Более того, пока даже нет единого мнения в научном сообществе, насколько это хорошо работает, потому что люди очень разные, они по-разному реагируют. Вам могут сказать название города, вы отреагируете, а у вас он связан с какими-то воспоминаниями. Машина посчитает, что у вас есть какой-то эмоциональный всплеск.

Их очень много. Основная – как много людей живет в том или ином районе, какой там уровень среднего дохода. Из этого мы уже понимаем, какая у нас ожидаемая маржинальность и, условно, какой процент должен быть дорогих вин. Если мы открываемся где-то рядом с дачным поселком, у нас будет один ассортимент, а если в центре Москвы, то немножко другой. В каких-то местах он вообще не будет сильно различаться, потому что молоко, хлеб, яйца, бананы есть везде, но вот набор тех же вин – разный. На самом деле, там чуть больше учитывается факторов, но основные переменные – такие.

Все сильно зависит от того, что происходит вокруг, какую прикладную задачу вы решаете. Но в общем и целом – это поиск оптимального ответа в ситуации, когда человек справится явно хуже, чем машина. Есть достаточно большое количество, например, медицинских стартапов, которые применяют искусственный интеллект, но пока нет ни одного успешного, который бы заменил, условно, терапевта, просто потому что к нему приходит огромное количество людей, и они по-разному формируют свои жалобы. Большой объем разных вводных как раз лучше обрабатывает человек. Плюс люди могут обманывать, специально или не специально. Это тоже нужно учитывать.

Мы запустили большую, и, наверное, одну из первых крупных экосистем для ритейла в России, «Диалог» – это серия из четырех продуктов, завязанных на анализе данных. У нас команда аналитиков, наверное, в какой-то момент была больше, чем команда разработки, потому что это центральный продукт. И основная польза для конечного потребителя заключалась в вещах, связанных с данными, со знанием, которое вы из них извлекаете. Возьмем самый простой пример. Допустим, вы продаете творожные сырки в магазинах. В какой-то момент вы понимаете, что продажи упали. Вы это видите наглядным образом: меньше заказывают, меньше отгрузка. С помощью нашей платформы вы можете понять, что дальше произошло с точки зрения уже потребителя, то есть он в принципе перестал покупать сырки, он вместо сырков ваших стал покупать какие-то другие, или все сырки стали проседать. Это та аналитика, которая помогает вам принимать решения. Дальнейшие продукты были построены как раз вокруг этих знаний о наших пользователях. И снова пришлось больше взаимодействовать как с командой, связанной непосредственно с аналитикой, так и с командой, которая занимается архитектурой данных, потому что у X5 Retail Group несколько петабайт [единица измерения, равная квадриллиону байт – прим. ред.] данных о клиенте.

Автопилоты еще. Технически мы были достаточно давно готовы к автопилотам – в плане скорости роста технологий, но активно стали их применять только в последнее время. По-моему, сейчас где-то в Соединенных Штатах Америки есть так называемый полный автопилот. Но есть вопросы у законодательства: если машина ошибется и что-то пойдет не так, кто будет виноват? В московских автопилотах всегда сидит человек. Его задача – в случае чего схватить руль, выкрутить, нажать на тормоз. Эта технология требует регуляции, законодательного вмешательства.

Как вам кажется, как в будущем может применяться искусственный интеллект?

Ровно об этом мы с командой и договаривались. У нас очень высокая автономность руководителей управлений – и с точки зрения инженерной части, и с точки зрения принятия решений о найме. Я могу сказать: «Ребята, нужно автоматизировать найм, давайте подумаем, что мы с этим можем сделать». И вот мы думаем, делаем систему, которая позволяет очень быстро собеседовать junior-специалистов. У нас есть прям система, которая генерирует задачки. Я не знаю, насколько хороши эти задачки, это уже коллегиальное мнение людей, которые имеют гораздо больше знаний. Но я получаю нужный результат – мы гораздо быстрее собеседуем junior-специалистов, у меня меньше люди этим занимаются. Вот так построена наша работа.

В ситуации, когда мы используем обезличенную информацию, очищенную от большого количества переменных, машина справится сильно лучше человека. Например, если нужно по снимку с помощью нейронных сетей найти какие-то потемнения в легких. Машина не устает, она умеет постоянно повторять с предсказуемым результатом одно и то же действие. Она может обратить внимание на паттерн, который врач просто в силу отсутствия опыта не может сделать.

Как стать специалистом по ИИ в 2022 году?
Я бы начал с математики, потом придется что-то выучить – либо язык программирования R, либо Python, чтобы со всем этим взаимодействовать. Но вообще отраслевой стандарт у нас Python. Нужно оказаться в компании, которая готова в это вкладываться. Я с огромным уважением отношусь к людям, которые занимаются фундаментальными исследованиями, наукой, или которые сами для себя пытаются что-то делать. Но если вы не прикладываете это к практике, если нет проверки ваших идей, гипотез, разработок о реальность, то их ценность и для вас снижается. Когда вы не видите подтверждения, что вы сделали что-то хорошее, это полезно и зарабатывает деньги – пусть не вам, но желательно, конечно, вам, – то мотивация теряется.

Еще есть отрасль. Понятно, что в медицине, в финансах и в ритейле будут разные требования к людям. У нас сейчас в X5 Retail Group есть кафедра промышленного анализа данных в ритейле в МФТИ, где мы готовим специалистов, которые максимально быстро включатся в наши задачи. Но если выпускников этой магистратуры отправить не в ритейл, а в какой-нибудь биотех, то лучше взять людей с улицы, говоря про начальные позиции, либо сильно дорабатывать опыт людей для того, чтобы они погрузились в продуктивную работу, потому что на кафедре мы формулируем те задачи, которые решаем в повседневной жизни.

Это очень хороший вопрос. Давайте сначала тогда определимся, что такое искусственный интеллект. ИИ – это очень большая область знаний. Когда мы говорим про искусственный интеллект, мы подразумеваем какие-то алгоритмы, связанные с машинным обучением. Забегая вперед, можно сказать, что нейросети и машинное обучение – это просто один из способов работы с данными и решения прикладных задач, если мы не говорим про совсем глубокие научные изыскания. Хотя та же самая фундаментальная наука потом реализовывается в практике. То есть это просто способ сделать так, чтобы человек не делал то, что хорошо делает автомобиль.

Фундаментально ритейл, в котором я работаю, не изменился с того момента, как торговля появилась как вид. Это огромное количество продавцов, они продают товары, и цена зависит от важности для покупателя этого товара, от его редкости и от накладных расходов. Мы играем в ту же самую игру. Нужно что-то где-то купить, желательно дешево и много, привезти это ближе к людям, продать максимально мелкими и получить максимальную выгоду. Это все прикладные и понятные задачи. Для ритейла важны прогнозирование спроса, работа с ассортиментом, с географией, то есть где мы что продаем, где лучше открывать магазин, а где хуже, и все, что связано с управлением ценой. Можно еще промоушен сюда включить. Это все базовые вещи, вокруг которых строится наша основная работа. Это менее интересно, чем разворачивать компьютерное зрение в магазинах или ставить кассы самообслуживания с биометрией. Но с точки зрения cost/income, то есть того, сколько вы вложили и сколько получили из бизнеса, это основное, чем мы занимаемся.

Зависит от позиции и конкретной ситуации. Если вы, например, приходите в НИИ, закончив журфак или философский факультет, то вряд ли сможете решать какие-то фундаментальные задачи. Но заниматься имплементацией можно. Например, вы разработали какое-то промышленное решение, у вас есть хороший опыт в работе сталелитейных заводов, вы понимаете, как они устроены, и где там узкие места в процессе, где точно нужно прикладывать знания, то в эту ситуацию вы вплетаетесь достаточно хорошо. Зависит от того, какую проблему вы решаете, какими инструментами планируете это делать, какова ваша роль. Если мы просто говорим: «Знаете, я работал барменом, выучил Python», то понятно, что придется заходить на позицию junior-специалиста со всеми вытекающими, то есть у тебя будет наставник, ты будешь решать задачи, страдать, потому что так принято в IT, это обязательное условие. Но если ты приходишь в стартап, который занимается разработкой, например, системы для управления баром, то есть какой у тебя должен быть алкоголь, где он должен стоять, насколько часто используется, какой чем можно заменять в коктейлях, то ты с со своим набором знаний будешь гораздо ценнее. Спустя какое-то время, когда у вас появится очень много данных, возможно, вы заведете отдельного специалиста по анализу данных, и он уже на тебя будет смотреть, ты будешь для него источником информации, кладезем знаний. Вот тут твой Python уже станет другой переменной в этой связке.

Изначально я пришел в компанию развивать продукты. Все, с чем я работал, так или иначе, было связано с большими данными. Но опыт взаимодействия с большим массивом данных у меня был и до этого. Я работал и в венчурном фонде, и в крупной FMCG-компании [FMCG – товары повседневного спроса – прим. ред.]. Все мы сталкиваемся как минимум с Excel, хоть это и небольшие данные, но мы постоянно с ними работаем.