Поиск оптимального ответа: как работает и зачем нужен искусственный интеллект

Блиц

Использование чат-ботов для общения с покупателями. Чат-боты используют лингвистическую обработку, чтобы анализировать вопросы покупателей и предоставлять ответы и информацию. Чат-боты умеют обучаться и со временем начинают приносить все большие преимущества.

«Искусственный интеллект забирает у людей работу!» Отчасти это так. Причём в довольно неожиданных отраслях. Провинциальная бейсбольная команда «Окленд» смогла выстоять против фаворитов чемпионата и выиграть 20 матчей подряд благодаря алгоритму подбора и расстановки игроков на поле. Хотим мы того или нет, но активно автоматизируются даже те процессы, от которых этого совсем не ждёшь. Вопрос лишь в том, кто сможет адаптироваться к изменениям и освоить актуальные навыки работы с данными, а кого ИИ таки сбросит с корабля современности.

В какой-то момент вы понимаете, что у вас очень большой объем данных, и вам нужно принять решение, как будут вести себя ваши потребители, если они придут и не будет любимого вина на полке. Нужно найти ответ на вполне прикладной вопрос: что нам поставить на полку, если какой-то продукт выбывает? Для этого вы начинаете просто использовать эти алгоритмы. Они могут усложниться, но нет такого, что начало использования искусственного интеллекта чем-то выделяется.

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.

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.

Возьмем в пример тот же медтех. Мы понимаем, что если у человека есть в легочной альвеоле потемнение, то с высокой долей вероятности он чем-то заболеет. В рамках одного специалиста это выяснить очень тяжело. Обычно нужно, чтобы люди собрались, всю информацию каким-то образом обработали и вместе пришли к выводу. Машина просто может найти этот паттерн, когда ей не задают даже вопрос. Она сама для себя принимает решение: «вот у меня есть причина, а есть следствие». Если совсем упрощать, то это работает так.

Мне нравится думать, что у нас нет никаких проблем с командой, потому что я никогда не говорил, что являюсь техническим специалистом. Если представить это в декорациях сериала «Доктор Хаус», то я, наверное, главврач больницы, а «докторы Хаусы» у меня в подчинении. Моя роль – организация процесса, извлечение максимальной пользы для бизнеса, для компании в происходящем. Это умение в каких-то ситуациях сформулировать правильно задачу, не техническую, а бизнес-задачу. И все, что связано с классическим менеджментом, тоже присутствует. Когда мы начинали работать в этой конфигурации, ровно об этом мы и договаривались. Я буду очень рад, если меня в какие-то команды возьмут джуном работать с моим уровнем знаний. Все мои ребята сильно глубже меня в техническом плане. У меня классическая Т-образная модель: есть смежные знания, потому что я изначально занимался продакт-менеджментом, который вынуждает тебя быть в каких-то ситуациях профессиональным дилетантом. Я могу написать запрос SQL, нарисовать интерфейс, в Jupiter что-нибудь написать – все это будет очень сильно на «тройку», но я могу это сделать. Еще могу обсудить задачу с бизнесом, с инженером, с дизайнером. И дальше все просто перешло на уровень выше, то есть мы теперь обсуждаем с коммерческим департаментом какие-то цели, я понимаю, что нужно сделать департаменту маркетинга, и так далее. В этом моя основная польза.

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.

Почему технологии ИИ стали так популярны?

Мы собираем данные (чем больше, тем лучше), состоящие из объектов и ответов. К примеру, мы хотим создать робота-офтальмолога, который сможет диагностировать глазные заболевания. В таком случае объекты — это изображения больных и здоровых глаз, а ответы — диагнозы.

Работа продакт-менеджера связана с аналитикой, с изучением паттернов поведения и так далее. Если вы работаете с очень большим B2C-продуктом, например, сайтом для знакомств или приложением, посвященным электронной коммерции, у вас в любом случае возникнет потребность общаться с аналитиками. Это люди, которые сильно лучше вас понимают математику и как устроена работа с данными. Вы тоже будете вынуждены в эту историю погружаться просто для того, чтобы задавать правильные вопросы, и понимать, можно ли на них вообще получить ответы. Вот такая длинная вводная.

«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.

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.

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.

Прокачка навыков

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.

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.

Так возникает большое количество проблем. Обычно всеми любимый Excel работает со всем объемом данных, но когда у вас их очень много, вы можете оперировать только их ограниченным количеством. Вам нужно из огромного Data Lake, хранилища, их извлечь, с ними что-то сделать, чтобы эти данные были пригодны для работы, и после этого на них уже выстраивать аналитику. Так вот, проблема заключается не только в том, чтобы извлечь их, но и держать готовыми. Этим всем занимается команда ETL [буквально «извлечение, преобразование, загрузка», то есть управление хранилищами данных – прим. ред.], связанная с инженерией данных, то есть и с этими командами тоже приходилось много взаимодействовать.

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.

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.

У меня, естественно, был дикий синдром самозванца первые два месяца, потому что предыдущий руководитель был потрясающим специалистом именно с точки зрения инженерной части. Но в какой-то момент нас стало сильно больше, и потребовалось именно менеджерская роль. Нужно было все это разделить на понятные структурные единицы, интегрировать с финансовой частью, сделать из отличного пиратского корабля галеон флота ее величества. Управляемость, предсказуемость, и, ожидаемый результат в ожидаемое время – это были мои основные задачи.