Краткий обзор
В последние время, 5-15 лет - благодаря росту скорости работы компьютеров, объема вычислений и доступной информации технологии искусственного интеллекта (ИИ) развиваются с беспрецедентной скоростью.
Новый виток популярности технологий в последние 2–3 года связан с генеративным ИИ, с появлением которого стало возможным решать задачи принципиально нового класса. При этом базовые модели генеративного ИИ активно разрабатывают всего около десяти стран, в том числе и Россия.
Развитие этой технологии обеспечило доступ к ИИ широкому кругу пользователей и сделало возможным получение практической пользы от него в том числе для малого и среднего бизнеса. Это послужило стимулом для масштабного внедрения решений на основе ИИ во всем мире. Российские игроки не исключение. Согласно опросу технических директоров (Chief Technology Officers, СТО) 100 крупнейших компаний РФ в 15 индустриях, проведенному «Яков и Партнёры», более 40% компаний находятся на этапе внедрения ИИ-решений в различные функции.
По оценке «Яков и Партнёры», полный экономический потенциал ИИ в России к 2028 г. составит 22–36 трлн руб. в номинальных ценах, а реализованный эффект к 2028 г. может достичь 4,2–6,9 трлн руб., что эквивалентно влиянию на ВВП до 4%. В абсолютном выражении около 70% потенциала приходится на шесть ключевых для российской экономики отраслей (транспорт и логистика, банковская отрасль, ритейл, добывающая промышленность, производство потребительских товаров, ИТ-отрасль). На генеративный ИИ приходится около 20% Реализованный эффект от ИИ в России может достичь 4,2–6,9 трлн руб. к 2028 г. от реализованного эффекта – 0,8–1,3 трлн руб. При этом совокупная выручка компаний от продажи ИИ-решений для В2В, которую можно определить как российский рынок решений на базе ИИ, в 2022 г. оценивается в 30–50 млрд руб. в год; в позитивном сценарии к 2028 г. эта цифра может вырасти до 0,3–0,6 трлн руб. (CAGR – около 50%)
Благодаря накопленной технологической базе и сильной инженерно-математической школе Россия активно участвует в развитии области генеративного ИИ и базовых моделей. Так, одни из крупнейших технологических компаний России – Яндекс и Сбер – разрабатывают собственные модели генеративного ИИ (YandexGPT, YandexART, GigaChat, Kandinsky) и решения на их основе. За счет лучшего понимания русского языка эти решения пользуются большим спросом на российском рынке. Уже сегодня 20% компаний-респондентов используют генеративный ИИ для своих задач в различных бизнес-функциях. И хотя все они пользуются решениями от OpenAI (GPT-4, GPT-3.5), более 90% применяют и российские модели – в частности, YandexGPT для задач по работе с текстами и Kandinsky для работы с изображениями.
Топ-менеджеры российских компаний отмечают, что самые популярные бизнес-кейсы применения генеративного ИИ – маркетинг и продажи (создание креативных материалов), клиентский сервис (подсказки операторам поддержки и диалоговые ассистенты), ИТ (ассистент написания кода для разработчиков) и внутрикорпоративные функции (генерация тренингов, проверка документов, автоматический скоринг интервью в массовом найме сотрудников).
Ускоренное развитие ИИ открывает новые возможности, в том числе через трансформацию рынка труда: повышение продуктивности сотрудников, высвобождение времени, которое ранее отводилось на выполнение рутинных задач, появление новых профессий. Эксперты сходятся во мнении, что будущее за системами, состоящими из нескольких моделей, где каждая из них выполняет выделенную функцию (мультиагентные системы). В перспективе ИИ будет не только эффективно взаимодействовать с окружающей средой, но и ставить себе задачи самостоятельно по результатам выполненных команд человека.
Для полной реализации экономического потенциала ИИ компаниям потребуется экспериментировать с технологией для оптимизации бизнес-процессов, инвестировать в привлечение квалифицированных кадров и объединять усилия – с другими компаниями, научно-исследовательскими лабораториями и государством – для ускорения прогресса. А государству, в свою очередь, стоит позволять технологиям развиваться за счет поддержки науки и образования, а также фасилитации взаимодействия между бизнесами.
Предисловие
Скорость развития искусственного интеллекта за последние 10–15 лет существенно повысилась по сравнению с предыдущими 50 годами, во многом благодаря значительной активизации ключевых драйверов:
— Максимальная скорость работы компьютеров с 1993 по 2022 г. выросла в 10 млн раз – со 124 млрд операций в секунду до 1,1 квинтиллиона операций в секунду.
— Объем вычислений, которые используются для обучения моделей ИИ, начиная с 2010 г. и по настоящее время удваивается каждые 6 месяцев, в то время как всего 50 лет назад такое удвоение происходило лишь раз в 20 месяцев.
— Объем доступной информации вырос: по данным International Data Corporation, размер глобальной дата сферы к 2025 г. достигнет 175 ЗБ против всего 33 ЗБ в 2018 г. : если бы мы могли хранить такие объемы данных на DVD-дисках, то их укладки хватило бы, чтобы обогнуть Землю 222 раза. Вклад в рост объема данных вносит и появление генеративного ИИ: эксперты Gartner оценивают, что с 2022 по 2025 г. доля данных, созданных технологией, вырастет в общем объеме дата сферы с 1 до 10%
Благодаря такому развитию технологии стало возможно получать от ИИ практическую пользу для бизнеса, с чем связан активный рост ее применения. Это отражается в росте инвестиций в отрасль: за последние 10 лет только частные мировые инвестиции в ИИ выросли в 30 раз, примерно до 90 млрд долл. США в 2022 г. К 2025 г. эта цифра может достигнуть около 160 млрд долл. США. Внедрение ИИ в бизнес идет повсеместно: так, согласно данным McKinsey, с 2017 г. доля компаний, внедривших ИИ хотя бы в одну бизнес-функцию, выросла в 2,5 раза, с 20% более чем до 50% . В России, согласно опросу СТО, 68% компаний, внедривших ИИ, за последний год получили реальный финансовый эффект на EBITDA в размере до 5%.
Недавний опрос лидеров российского бизнеса, проведенный «Яков и Партнёры», показал, что 63% из них ожидают, что развитие искусственного интеллекта повлияет на их компании уже на горизонте 1 года. Эта доля оказалась еще выше среди лидеров банковского сектора, сектора технологий и ИТ, розничного бизнеса и среди производителей потребительских товаров. При этом только 7% бизнесменов видят в искусственном интеллекте риски для своего бизнеса.
Дополнительным фактором роста использования ИИ в бизнесе может стать генеративный ИИ, благодаря которому стало возможно решать задачи принципиально нового класса – писать длинные связные тексты и получать развернутые ответы на вопросы, суммаризировать и сравнивать текст, создавать изображения, анализировать видео и т. д.
Согласно оценкам Gartner:
процессов продуктовой разработки будет предполагать использование генеративного ИИ к 2025 г.
- 80% организаций, осуществляющих клиентскую поддержку, внедрят генеративный ИИ для роста продуктивности специалистов
- 80% поддержки и улучшения клиентского опыта к 2025 г.
- 60% В2В-продаж будет осуществляться при помощи генеративного ИИ к 2028 г.
Скорость развития генеративного ИИ имеет беспрецедентный масштаб и существенно превышает скорость развития технологий прошлого цикла. Именно поэтому важно оценить, какой эффект будет иметь внедрение генеративного ИИ или комбинации разных видов ИИ на бизнес, чтобы принимать правильные управленческие решения в новой технологической реальности.
Для оценки текущего уровня развития, выявления ключевых трендов в области применения технологии и перспектив ИИ в России, в том числе генеративных технологий, «Яков и Партнёры» опросили более 100 CTO крупнейших компаний РФ в 15 индустриях (нефть и газ, металлы и горная добыча, электроэнергетика, FMCG, e-commerce, телеком, медиа, ИТ и технологии, банковская отрасль и страхование, транспорт и логистика, химия и нефтехимия, машиностроение, автомобили, ритейл, сельское хозяйство), а также провели глубинные интервью с 15 представителями компаний.
Результаты этого анализа, а также детальный разбор истории и глобальных трендов в сфере ИИ легли в основу данного исследования, и мы надеемся, что оно позволит внести определенный уровень ясности в столь важную и в то же время не до конца реализовавшую свой потенциал сферу российской и мировой экономики.
Авторы:
- Дмитрий Масюк СЕО бизнес-группы Поиска и рекламных технологий Яндекса
- Яков Сергиенко руководитель консалтинговой компании «Яков и Партнёры»
Введение: обзор технологии
Искусственный интеллект: взаимосвязь понятий и примеры внедрения
Искусственный интеллект (ИИ) – это системы и сервисы, в основе которых лежат модели машинного обучения; в свою очередь, машинное обучение (ML) – системы, которые самостоятельно формулируют правила принятия решений в процессе обучения на данных на основе заданной человеком архитектуры такой системы. Построение моделей машинного обучения возможно тогда, когда возможна формулировка задачи для модели – предсказание числового значения, категоризация данных и т. д.
Существуют три метода обучения моделей машинного обучения, использующихся в моделях разного типа в зависимости от конкретной задачи:
Обучение с учителем
Модель обучается на базе данных с целевыми значениями ответов, которые модель должна определять на основании признаков данных. В основном используется для задач регрессии (предсказания неизвестных данных на основании известных, связанных с ними) и классификации (определения категории данных).
Обучение без учителя
Модель обучается на данных без целевого результата и должна сама найти в них закономерности. Пример такого метода – задачи кластеризации (разбиение данных на несколько заранее не известных категорий по принципу наибольшей «похожести»); так, банки используют кластеризацию для нахождения аномальных категорий транзакций, выявляя таким образом мошеннические.
Обучение с подкреплением (Reinforcement Learning)
Модель учится на обратной связи на основании правил или оценки тренера: за разные характеристики результатов она получает штраф или вознаграждение, в ходе обучения стараясь максимизировать число последних. Часто используется в задачах, где отсутствует четкое определение правильного ответа (например, для обучения модели играм – шахматы, го и т. д.).
Предиктивные модели
Тип моделей, которые активно используются в финансовой функции для выявления мошеннических транзакций, в операционной функции для предиктивной аналитики ремонтов, в коммерции для предсказания спроса.
Оптимизационные модели
Тип моделей, которые активно используются в медицине для нахождения лучшего способа проведения операций, в логистике – для оптимизации маршрутов, в закупках – для сокращения расходов.
Кроме определенных типов моделей, существуют также области технологий, которые объединяют класс решений в одной области.
Компьютерное зрение (CV)
Область технологий, объединяющая решения для распознавания объектов реального мира. Решения на основе компьютерного зрения встречаются повсеместно – к ним относится распознавание лиц камерой смартфона, сканирование штрихкодов в магазинах, распознавание номеров машин камерами на дорогах, видеоаналитика на производстве; кроме того, технологии компьютерного зрения используются для улучшения качества фотографий. Согласно опросу СТО, проведенному «Яков и Партнёры», технологию используют почти 70% опрошенных крупных российских компаний, преимущественно в отраслях машиностроения, ГМК и логистики.
Обработка естественного языка (NLP)
Область технологий, позволяющая компьютерным системам анализировать и интерпретировать человеческий язык. Используется, например, в чат-ботах в клиентской поддержке, в поисковых системах при поиске текстов, для задач машинного перевода, в голосовых или текстовых ассистентах. Согласно опросу СТО, проведенному «Яков и Партнёры», технологию используют почти 60% крупных российских компаний респондентов; ее используют все опрошенные компании в медиа отрасли, банковском секторе и отрасли телекоммуникаций.
Речевые технологии
Позволяют работать с человеческой речью, состоят из двух блоков – распознавание речи (Automatic Speech Recognition, ASR) и синтез речи (Text-to-Speech, TTS). Зачастую работают в связке с NLP, используются в голосовых ассистентах, таких как Siri или Алиса.
Рекомендации и персонализация
Эти технологии позволяют сделать пользователю наилучшее предложение исходя из его характеристик, в том числе на основе кластеризации. Используются в маркетинге, рекламе и продажах, преимущественно в цифровых отраслях.
Помимо приведенных выше групп технологий, существует еще одна большая группа, которую в последнее время выделяют отдельно, – генеративные модели. Это модели, которые при помощи данных, использовавшихся для обучения, создают новые данные разных модальностей. Недавно прогресс в области глубокого обучения позволил разработать генеративные модели, качество которых стало достаточным, чтобы использовать их для разного типа задач в бизнесе, преимущественно связанных с генерацией текста или изображений, а главное – кардинально снизило порог входа в технологию, которая ранее была доступна только крупным корпорациям с большими бюджетами, вычислительными мощностями и штатом ИТ-специалистов, до уровня, когда создать сервис или продукт при помощи ИИ может любой человек без навыков программирования.
Большие языковые модели (LLM)
Применяются для генерации, суммаризации (краткого изложения содержания) или изменения текста – примером таких моделей являются GPT-4 (OpenAI), Llama 2 (Meta9 ), YandexGPT (Яндекс), GigaChat (СБЕР). Спектр задач, для которых могут применяться модели, очень широк, и на сегодняшний день до конца не известны все возможные сценарии использования; наиболее очевидное применение данных моделей на текущий момент – повышение продуктивности сотрудников за счет выполнения их рутинных задач моделью. Согласно данным опроса СТО, проведенного «Яков и Партнёры», 20% компаний-респондентов уже используют генеративный искусственный интеллект для своих задач в различных бизнес-функциях. Все они пользуются решениями от OpenAI (GPT-4, GPT-3.5), а более 90% применяют российские модели – в частности, YandexGPT для задач по работе с текстами и Kandinsky для работы с изображениями.
Для создания изображений, видео, звука применимы модели других модальностей – например, для изображений это Midjourney (разработка одноименной компании), Stable Diffusion (Stability AI); в России – YandexART (на ней работает Шедеврум Яндекса), Kandinsky (Сбер). Эти нейросети используются бизнесом для создания визуального контента – например, в маркетинге или искусстве.
Зачастую наибольший эффект дает совместное использование генеративного и негенеративного ИИ: в частности, генеративные модели позволяют улучшать результат работы или расширять функционал продуктов на базе традиционного машинного обучения.
Хотя большинство моделей, приведенных выше, представляют собой самые передовые разработки в сфере ИИ, для решения задач в бизнесе лучшие по качеству работы модели не всегда являются оптимальными. Как отмечают эксперты в области машинного обучения, зачастую более простые модели могут давать сравнимый по качеству результат с кратно меньшими затратами на разработку и использование. Кроме того, в части индустрий есть специфические ограничения на используемые модели, в частности по сложности: к примеру, в некоторых из них важна интерпретируемость результатов работы модели (например, риск менеджмент в банках), которую невозможно обеспечить для таких архитектур, как нейросети.
Авторы: Яков и Партнеры х Яндекс