Искусственный интеллект проникает во все сферы бизнеса – от производства до логистики последней мили. Но чтобы понять особенности функционирования нейронных сетей, нужно разобраться, что представляет из себя машинное обучение.
Этот вид искусственного интеллекта позволяет собрать информацию и использовать ее для понимания, как работает определенный процесс. Эти сведения дают понять, как процессы поведут себя в будущем, ведь система ежеминутно собирает и обновляет информацию. Таким образом, методы машинного обучения направлены не на срочное решение возникшей задачи, а непосредственно на обучение тому, как принять решение в случае, если возникнет подобная задача.
Говоря о нейронных сетях, следует иметь представление о глубоком обучении (deep learning). Это подразделение машинного обучения, акцентирующее внимание на том, что компьютеры должны учиться так, как это делают люди. А именно, приходить к выводам на основании показательных примеров.
Как это работает? Допустим, вы являетесь ребенком. Родители показывают вам яблоко – и вы определяете вкус, цвет, текстуру, а затем запоминаете, что именно этот объект имеет право называться яблоком. Так и методологии глубокого обучения нацелены на то, чтобы дать машинам возможность получать знания благодаря опыту. Алгоритм обучения выглядит так: одно и то же задание представляют неоднократно, и каждый раз компьютерная система получает отзыв, как выполнена задача. В следующий раз задача выполняется аккуратнее, и таким образом удается корректировать точность вычислений.
В чем же разница между машинным и глубоким обучением? Алгоритмы машинного обучения запрограммированы на выполнение точных задач. Например, вам нужно классифицировать информацию, предположить, какие цены будут в следующем сезоне. Чем больше сведений выходит в свободный доступ, тем лучше качество рабочих процессов. Однако эти улучшения всегда выполняет человек. В случае с глубоким обучением уровень вовлеченности человека в процесс выполнения задачи снижен.
Давайте посмотрим на следующий пример. У вас есть термостат, контролируемый голосом. Он запрограммирован на реакцию, в случае если вы командуете: «20 градусов». Если в основе лежит машинное обучение, через некоторое время термостат будет реагировать на более сложные команды, например: «Пожалуйста, установи температуру 20 градусов в доме». Но если термостатом управляет модель глубокого обучения, он отреагирует на смысл сказанного. Вы можете сказать: «О Боже, как холодно» либо «Я замерзаю» – и термостат тут же активируется. Получается, что в случае с глубоким обучением, девайс словно использует мозг – вернее, искусственные нейронные сети.
Что такое нейронные сети?
По мнению Тима Хулихена, директора отдела Data Science и Аналитики в DialogTech, глубокое обучение используют в случае, если базы данных слишком огромны. В этом случае одних нейронных сетей будет мало. А глубокое обучение позволит обработать больше информации – и сделать это с невероятной точностью. В тоже время, DialogTech делает выбор в пользу нейронных сетей, чтобы классифицировать входящие звонки по категориям и рассортировать их по задачам.
Нейронные сети выполняют эти нехитрые действия, основанные на записи звонка и ключевых словах, звучащих в процессе разговора. Тим Хулихен приводит пример: «Так, потенциальный клиент, который разговаривает с администратором в стоматологии, может попросить «записать его на конкретное время». Нейронная сеть примется искать, найдет и классифицирует эту фразу в разговоре, предложив маркетологам варианты действий, которые следует сделать вслед за звонком.
В то же время, Анна Кнежевич, директор финансово-консультационной компании M&A Solutions, утверждает, что нейронными сетями стоит воспользоваться, составляя предположения о том, как будет выглядеть срочная структура процентных ставок через три месяца. Более того, Нир Бар-Лев, CEO платформы глубокого обучения Allegro.ai уверен, что нейронные сети позволяют решать более сложные задачи, чем глубокое обучение. Так, гиганты технологий, такие как Google, Microsoft и Amazon в данный момент инвестируют именно в нейронные сети, потому что эти компании убедились в способности быстро составлять категории и распознавать огромное количество информации.
Кроме того, известно, что лучшая деловая соцсеть LinkedIn пользуется нейронными сетями, а также линеарными текстовыми классификаторами, чтобы определить наличие спама или оскорбительного контента. А также нейронные сети позволяют ранжировать все новости, статьи, вакансии и даже тренинги, чтобы лучше составлять рекомендации для завсегдатаев сети LinkedIn.
Итак, нейронные сети выполняют следующие функции:
– постоянное оценивание показателей продаж, нынешних трендов рынка;
– создание разных сегментов целевой аудитории, основываясь на демографической информации, поведении в Интернете и предпочтениях, выраженных конкретными пользователями сети;
– оптимизация процессов, например, расчет лучшего маршрута в случае с грузоперевозками, основываясь на таких параметрах, как время доставки и расход топлива;
– усложненные рекомендации, допустим предложение послушать песню или купить товар со стопроцентной точностью, чем не могут похвастаться другие алгоритмы;
– кризисный менеджмент, например, нейронная сеть в состоянии определить, что сейчас происходит с конкретным рынком в стране и оценить, когда будет спад или подъем производства – и выработает рекомендации, какие действия следует предпринять;
– разработка самостоятельных решений на основании увиденных примеров – так, искусственный интеллект может даже создать произведение искусства, просмотрев несколько художественных работ.
Использование нейронный сетей в предприятиях
Нейронные сети идеально подходят людям, которым по долгу службы необходимо решать сложные задачи. В результате, нейронные сети в состоянии принять решения в следующих сферах:
– оптимизация логистики транспортных сетей
– кредитные операции и предотвращение (а также определение) финансовых преступлений,
– распознавание голоса,
– постановка диагноза в медицине
– таргетированный маркетинг,
– финансовые предложения цен, валютных процессов, банкротства,
– системы роботехники,
– электрическая загрузка и потребление энергии,
– контроль процессов и качества,
– идентификация химических веществ в атмосфере,
– оценка работы экосистемы,
– компьютерное «зрение», интерпретирующее фотографии и видео (например, при распознавании лица).
Функционалом нейронных сетей стоит воспользоваться тем, кто беспокоится о кибербезопасности на предприятии. Так, более сложными стали не только системы, но и хакерские технологии, позволяющие кибермошенникам совершать преступления в Интернете. С одной стороны, тем, небольшим фирмам будет достаточно средств онлайн-защиты, таких как VPN, чтобы не дать преступникам получить доступ к корпоративной информации. С другой стороны, в случае с огромным предприятием необходимо подумать о глубоком обучении, ведь алгоритмы, в основе которых находятся нейронные сети, способны предугадать попытку взлома и не допустить ее.
Согласно подсчетам МакКинзи, благодаря глубокому обучению и нейронным сетям, каждая из вышеуказанных сфер имеет возможность увеличить суммарный доход от $3.5 млрд до $5.8 млрд ежегодно.
Помогают ли нейронные сети улучшить показатели производства?
О.Рэлли провел исследование, чтобы выяснить, помогают ли нейронные сети улучшить показатели производства. И попросил сотрудников различных предприятий указать, на сколько процентов улучшились показатели работы, и объяснить, какие программы использовались при этом. Получилась следующая картина:
– Компьютерное «зрение» – 13 проц.
– Интеллектуальный анализ текста – 11 проц.
– Анализ информации – 9 проц.
– Финансы – 3 проц.
– Прогнозы – 3 проц.
– Здравоохранение – 2 проц.
– Речевые технологии – 2 проц..
Неудивительно, что алгоритмы нейронных сетей привлекли внимание разнообразными функциями, обеспечивающими как машинный перевод, так и работу беспилотных автомобилей. Предприятия начинают использовать нейронные сети для того, чтобы обнаружить мошенников, оптимизировать промышленную работу, заниматься техническим обслуживанием и ремонтом, составлять рекомендации для поисковых систем. Становится ясно, что нейронные сети способны полностью перестроить процессы в ведущих индустриях. Главными игроками в последующие годы станут те предприятия, которые будут использовать нейронные сети, а те, кто не сочтет нужным работать с ними, проиграет. По крайней мере, так считают Терадата и О. Рэлви.
Одна из главных проблем, возникающих при работе с глубоким обучением – это интенсивность моделей, ведь их запуск требует специальных ресурсов аппаратного и программного обеспечения. На данный момент лучшим решением для обучения компьютерных систем является графический процессор, разработанный в игровой индустрии и подходящий для параллельных вычислений, принятых в глубоком обучении.
Кроме того, нейронные сети периодически кажутся непонятными. Они используют скрытые слои, которые помещают в секретное место информацию, обработанную машиной для принятия решения. В некоторой степени, их работу невозможно понять полностью, и рядовому сотруднику приходится полагаться на тот выбор, который совершают нейронные сети. Тем не менее, в некоторых индустриях такая вариативность является неприемлемой. Например, в Европе по закону о защите персональных данных, любое финансовое предприятие обязано объяснить, как используются данные, переданные в компанию ее целевой аудиторией. В противном случае, использование информации и передача ее третьим лицам является незаконной.
Конечно, чтобы избежать проблем с законом, многие предприятия пользуются системами, помогающими устранить такую вариативность. Один из известнейших методов был разработан в Университете Вашингтона – и носит название «Локальные интерпретируемые модельно-агностические объяснения» (LIME). Эта модель позволяет вычислить алгоритм в момент принятия решения и предложить информацию, которую сможет прочитать человек. В случае если имело место мошенничество, знание данных сведений обеспечит безопасность предприятия, так как его руководство легко поймет, почему случилась утечка информации или была зафиксирована финансовая кража.
Вывод – как применяют нейронные сети в бизнесе
Приведем несколько примеров, как применяют нейронные сети в работе предприятий различной направленности.
Транспортная компания может обучить модель распознавать по фотографии, был ли поврежден груз. Этого можно добиться, предварительно показав системе множество фотографий битых и целых коробок с грузом.
Магазин воспользуется нейронными сетями, чтобы обучить модель предпочтениям клиентов. Модель наблюдает за потенциальным покупателем, а именно, за тем, какие товары он рассматривает и ставит на полку. Сканируя все детали, модель способна предложить маркетологам рекомендации, как стать более интересными для покупателей.
Производственная компания может научить модель распознавать, не повреждены ли детали, используемые во время рабочего процесса.
Нейронные сети сделают так, что вы никогда не останетесь без материала для продуктов, с одной стороны. И каждый произведенный товар понравится покупателю, с другой стороны. Кроме того, рекуррентные нейронные сети помогут минимизировать экономический излишек, который придется оставить на складе, что может привести к убыткам.
Таким образом, машинное обучение, в комплексе с глубоким обучением и нейронными сетями способно самостоятельно принимать решения, оптимизировав работу на производстве. Более того, если вы – собственник предприятия, ваш доход и конкурентоспособность также будут зависеть от того, внедряете ли вы нейронные сети.
Автор статьи: Анастасия Шкуро, популяризатор идей кибербезопасности, techwarn.com
