Вариантов применения ИИ масса — от беспилотных автомобилей, систем предиктивной аналитики и распознавания лиц до чатботов, виртуальных ассистентов, систем когнитивной автоматизации и выявления мошенничества. Однако, компании, внедрившие сотни или даже тысячи проектов, замечают, что, несмотря на широкую вариативность сфер применения, все системы ИИ следуют одному или нескольким сценариям: сценарий гиперперсонализации, автономных систем, систем предиктивной аналитики и поддержки принятия решений, коммуникационного взаимодействия и др. Они могут использоваться как в комбинациях, так и индивидуально в зависимости от задачи ИИ. Каждый из них имеет свои стандартные правила.
Гиперперсонализация: индивидуальный подход к каждому клиенту
Гиперперсонализация — это подход к разработке ИИ, основанный на анализе данных клиента для формирования индивидуальных рекомендаций.
Компания Netflix уже использует этот сценарий: ее рекомендательная система предлагает зрителю те фильмы и шоу, которые понравятся ему с большей вероятностью. Эта возможность появилась благодаря анализу истории просмотров и поведения на сайте. Другой пример — Starbucks. Компания использует гиперперсонализацию в коммуникации со своей клиентской базой.
Однако, подход не ограничивается маркетингом. Подобные разработки используются в финансовой и медицинской сферах, для персонализации тренировок и в велнес-приложениях. ИИ такой направленности может оказать значительное влияние на процессы финансирования и кредитования. Например, сейчас в США при выдаче кредитов и одобрении финансирования применяется метод FICO оценки. Проблема метода в том, что он сваливает в одну кучу всех клиентов с хорошей кредитоспособностью, предоставляя им одинаковые условия. В то время как при ином подходе клиенты могли бы рассчитывать на совершенно разные суммы. Также, FICO оценка “наказывает” невыгодными условиями тех, у кого нет кредитной истории. Все эти проблемы можно решить путем перехода к персонализированной системе, т.к. она подразумевает составление более полной картины о каждом клиенте.
Автономные системы: снижение потребности в ручном труде
Автономные системы — аппаратные средства с программным обеспечением, позволяющие выполнять различные задачи и взаимодействовать с окружением при минимальной вовлеченности человека в процесс. В отличие от гиперперсонализации, цель которой в индивидуальном подходе к каждому пользователю, назначение автономных систем — оптимизация процессов с полным или частичным исключением человека. Сценарий автономного ИИ содержит в себе умение анализировать окружающую среду, предсказывать будущее поведение находящихся в ней элементов и планировать действия в условиях этих изменений.
Направления этого ИИ — автономные системы и беспилотные транспортные средства всех видов: автомобили, лодки, поезда, самолеты и т.д. Однако, технология используется и для автоматизации документооборота, процесса накопления знаний и бизнес-процессов. Интеллектуальные системы анализируют данные и принимают решения не хуже человека.
Предиктивная аналитика с ИИ
Другой сценарий искусственного интеллекта — системы предиктивной аналитики и поддержки принятия решений. ИИ устанавливает связи между переменными, выявляет закономерности, прогнозирует будущие результаты. Цель — помочь специалисту принять лучшее решение, предлагая расширенные интеллектуальные возможности.
Варианты применения: системы поиска и извлечения информации, прогнозирование будущего значения данных, прогнозирование поведения, отказов, поиск решения проблем, выявление и подбор наилучшего соответствия, нахождение совпадений в данных, определение действий по оптимизации, предоставление рекомендаций, системы интеллектуальной навигации. ИИ постоянно обучается на новых данных и за счет этого помогает принимать удачные решения.
Коммуникационный ИИ: машины, способные общаться с людьми
Коммуникационный сценарий искусственного интеллекта обеспечивает взаимодействие между человеком и машиной посредством голоса, текста или в форме изображений. Цель этого направления — научить машины общаться с людьми естественными для них способами.
Примерами использования технологии являются всевозможные чатботы, голосовые помощники и системы, анализирующие настроение, психическое состояние. ИИ в этом случае пытается “понять” смысл человеческих взаимодействий. Технология также может быть использована для упрощения коммуникации между людьми, говорящими на разных языках.
Выявление закономерностей и аномалий с помощью ИИ
Машинное обучение — особенно хороший метод для выявления закономерностей, резко отклоняющихся значений и аномалий в данных. Схема “паттерн — поиск паттерна” является самой распространенной среди систем ИИ. С помощью машинного обучения и других когнитивных методов можно выделить закономерности и определить соответствуют ли какое-либо значение существующей модели или является аномалией.
Технология нашла применение в системах для выявления рисков и мошенничества. Другими вариантами использования являются: нахождение закономерностей в данных; уменьшение количества ошибок, возникающих по причине человеческого фактора; системы интеллектуального ввода.
Сценарий распознавания объектов
Одним из самых продвинутых методов в машинном обучении является глубокое обучение. Его появление позволило улучшить точность выполнения задач, связанных с выявлением и определением объектов в датасетах с неструктурированными данными: изображениями, видео, аудио, текстами или др. Цель — научить машину “видеть” и классифицировать объекты.
Примеры использования ИИ этой направленности: системы распознавания лиц, образов, распознавания текстов, написанных от руки, жестов, речи. Сегодня многие компании инвестируют в подобные разработки, так как метод показывает свою эффективность и высокую точность. Sensetime, одна из самых хорошо финансируемых компаний-разработчиков ИИ, сделала упор на распознавание лиц и сейчас Китай инвестирует в нее огромные суммы.
Goal-driven ИИ
Машины уже доказали свою способность адаптироваться к правилам и побеждать человека в созданных им же играх. В прошлом они показали умение играть в шашки, шахматы и находить выходы из лабиринтов лучше нас. Благодаря целенаправленному обучению и наличию более продвинутых вычислительных ресурсов, сегодня ИИ выигрывает в игры Go, DoTa и других играх более высокой сложности. Alpha Go и Alpha Zero создавались DeepMind на основе теории о том, что компьютеры могут обучиться чему угодно через игры. И, возможно, этот сценарий станет отправной точкой на пути к общему искусственному интеллекту.
Игры — не единственная сфера использования сценария ИИ, ориентированного на конкретные цели. Благодаря обучению с подкреплением и другим методам машинного обучения, бизнес может применять ИИ как систему, которая обучается методом проб и ошибок, что является эффективным подходом к поиске оптимального решения какой-либо проблемы. Примерами могут служить ИИ для видеоигр, системы для оптимизации ресурсов, решения проблем итерационными методами, ИИ для торгов и аукционов, проводящихся в режиме реальном времени. Несмотря на то, что случаев применения такого сценария ИИ пока что немного, он стремительно набирает свою популярность.
Комбинация сценариев и успешность проекта
Все эти сценарии могут показаться отдельными, четко разграниченными формами ИИ, реализуемыми индивидуально. Однако, в действительности компании объединяют два или несколько из них для реализации систем под свои нужды. Рассмотрение проектов ИИ с точки зрения этих направлений позволяет бизнесу эффективнее планировать и реализовывать проекты. Например, если вы знаете, что вам нужен ИИ для распознавания, то имеете представление о возможностях этого сценария, необходимых данных, успешных кейсах и примерах внедрения, а также о методах, которые могут ускорить реализацию проекта.
Бизнес, который не тратит ресурсы на “изобретение колеса”, увеличивает шансы на успех.
Источник: https://www.forbes.com/sites/cognitiveworld/2019/09/17/the-seven-patterns-of-ai/#71b1eb4d12d0