Поиск оптимального ответа: как работает и зачем нужен искусственный интеллект

Простор для творчества

Консалтинговое агентство KPMG называет данные валютой будущего. Но что не так с золотом, долларами, рублём? Дело в том, что с 1997 по 2002 год человечество сгенерировало больше информации, чем за всё время до этого. С каждым годом люди производят на 30% больше данных, чем в предыдущем. И чтобы справляться с таким потоком информации, разбираться в программировании и анализе данных сегодня должны уже не только «технари». Журналисты, врачи, социологи, психологи, маркетологи, которые могут автоматизировать свою работу, экономят время и силы, успевают выполнить больше задач и, как следствие, получают более высокие зарплаты.

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.

Системное мышление важно, поскольку большинство аналитиков работают в коммерческих компаниях, им нужно мыслить наперёд, оценивать возможные риски, понимать бизнес-процессы, чтобы оптимизировать их. Также, поскольку большая часть продуктов, использующих технологии ИИ, ориентированы на потребителей, специалист должен обязательно помнить об их потребностях.

Не хочу быть пафосным и говорить, что я работаю постоянно, но когда я ложусь спать, то включаю подкаст, чтобы узнать, что у нас произошло с метавселенными, а он на английском, потому что на русском хороших подкастов об этом нет. Это работа или нет? Я не знаю. Я это зачитываю в «полезное время». Неполезное время – это когда я включил Playstation и взял джойстик в руки.

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.

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.

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.

Стать (или остаться) востребованным профи

«Нейронная сеть написала сценарий для фильма», «ИИ превратит ваши фотографии в картины импрессионистов», «Беспилотные трамваи и поезда вышли на маршруты в Англии и Китае» — ещё недавно такие новости показались бы нелепыми шутками, однако сегодня это реальность. Она вызывает не только восторг, но и страх — остаться без работы, пасть жертвой восстания машин. Но вместо того чтобы бояться, лучше учиться и адаптироваться. Рассказываем, зачем осваивать ИИ и почему никогда не поздно заняться этим.

Второе, что скоро случится, это генеративный контент. Различные картинки, музыка, какие-то совмещения фотографий – сейчас же популярны сервисы, которые позволяют совместить две картинки или по текстовому описанию эту картинку получить. Это достаточно легко, наглядно, понятно, как этим пользоваться, и не требует отдельного регулирования. Уже сейчас можно сделать презентацию, заменив все иллюстрации сгенерированными. В одной из последних версий PowerPoint была добавлена возможность, когда вы просто набрасываете фотографии, и вам предлагается несколько вариантов, как их разместить.

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.

Эффективная коммуникация — залог продуктивной работы. Стереотип о программисте как о замкнутом «ботанике», который только и умеет, что кодить, безнадёжно устарел. В работе аналитиков полно сложных технических терминов, нюансов и тонкостей, которые они должны лаконично объяснять руководству. Легко ли это сделать? Едва ли. Вот почему важно уметь ясно излагать свои мысли и объяснять даже самые замысловатые математические конструкции доступным языком.

ИИ работает 24/7, а вы?
А я нет. У меня есть определенная нагрузка, которая состоит из вещей, связанных с моей обычной деятельностью, и есть нагрузка, связанная с моим обучением, которое постоянно идет, не прекращается. Я учу английский, пытаюсь до конца добить Python. Недавно перепроходил историю с SQL, чтобы ничего не забыть, до этого я рисовал интерфейсы. Это я делаю, чтобы быть в тонусе, потому что если ты прекращаешь что-то делать руками, твоя ценность резко снижается, ведь ты уже не можешь просто взять и набросать интерфейс или написать простой запрос. Даже если ты это не делал достаточно долго, все равно эти знания должны быть свежими. И есть обычная работа: встречи, какая-то рабочая активность. Это идет на протяжении всего дня.

При определенном усложнении этого паттерна, но с той же логикой, можно говорить, что вы сделали искусственный интеллект, который занимается покупкой этих самых проекторов. Все остальное, то есть различные сложные способы принятия решения, например, Random Forest, применяется для решения все той же задачи.

В ближайшем будущем, мне кажется, постепенно войдут в нашу жизнь метавселенные. Сейчас это очень популярно, туда идут деньги. А мы понимаем, что любые исследования состоят из двух вещей: можно ли на этом заработать, и готовы ли мы с точки зрения технологий. Тот же самый перцептрон [разработанная в 1958 году модель восприятия информации мозгом – прим. ред.], на основе которого сформулирована концепция нейросетей, это были 60-70-е годы прошлого века. Все достаточно давно было описано – логика принятия решений, почему да как это устроено. Но стало популярно в последние полтора десятка лет просто потому, что вычислительные мощности стали доступны. Для метавселенных у нас это есть, мы с этим будем много сталкиваться.

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.