Круглый стол - Искусственный интеллект диктует условия

10.12.2018

По мере эволюционного развития научных знаний человек получал доступ к новым технологиям и возможностям. Появление машинного обучения, искусственного интеллекта, нейросетей специалисты связывают с технологической революцией. С помощью экспертов попытаемся выяснить, что стоит за этими технологиями, где они находят применение и как трансформируют наше представление о различных сферах деятельности.

В круглом столе принимают участие

  1. Денис Афанасьев, генеральный директор CleverDATA (входит в группу компаний ЛАНИТ)

  2. Александр Казённов, руководитель корпоративной практики ДКИС ALP Group

  3. Андрей Шагалов, директор по качеству Artezio (входит в группу компаний ЛАНИТ)

Как соотносятся понятия «машинное обучение» и «искусственный интеллект»? Что общего между ними, в чем различия?

Александр Казённов

Искусственный интеллект, как я его понимаю, - нечто, что осознает себя как отдельную сущность или цифровой организм. По этой причине, по моему мнению, на текущем этапе нет настоящего искусственного интеллекта, а существуют только продвинутые алгоритмы машинного обучения разной степени сложности. Реализация ML при этом различна и хорошо описана в статье «Машинное обучение для людей».

Принято считать, что до недавнего времени появление новых технологий было следствием эволюционного развития науки. Возникновение технологий искусственного интеллекта - результат технологической революции? Так ли это, по вашему мнению? И если да, то каковы ее основные предпосылки?

Александр Казённов

Скорее, все в совокупности. Думаю, ни для кого не секрет, что структура современных машин во многом копируется «с человека». Все СУБД, способы распознавания («машинное» зрение), устройство по принципу - процессор, ОЗУ, ПЗУ скопированы с нашего мозга и других органов. Большие успехи в исследовании нейронных связей мозга человека в сочетании с наращиванием технологической мощности, как аппаратной (быстрые процессоры, диски, память), так и программной (новые технологии в СУБД, кластеризациях, визуализациях, применении математических алгоритмов в ресурсоемких расчетах) и обеспечивают прогресс. Это логичный и понятный путь эволюции технологий.

В каких индустриях эти технологии нашли применение в первую очередь? Какие примеры реализации теории нейросетей в решениях и продуктах вы могли бы привести?

Денис Афанасьев

С помощью технологий искусственного интеллекта можно выявлять скрытые закономерности в поведении потребителей, определять вероятность отклика на коммуникацию, понимать, кому, когда, что лучше предложить, с какой частотой и на каких условиях, чтобы обеспечить максимально персонализированный подход в коммуникациях. Это позволяет достигать высоких показателей эффективности рекламных кампаний и роста повторных продаж.

Большой поток генерируемых данных о пользователях человек едва ли может проанализировать. А искусственный интеллект, более подготовленный для глубокого анализа данных, быстрее и эффективнее справляется с задачей извлечения новых знаний о потребителях и выявления скрытых закономерностей.

Александр Казённов

Фактически это любые прогнозные модели, любые исследования на базе теории решения изобретательских задач (ТРИЗ), self-driving. Из реальных примеров: все самоуправляемые машины, поиск новых ниш на рынке ритейла (Amazon как крупнейший пример), любые биржевые прогнозы и цифровые брокеры.

Каким образом искусственный интеллект и машинное обучение меняют подходы к обеспечению кибербезопасности?

Александр Казённов

В первую очередь следует отметить анализ моделей угроз. То есть можно создать «базовую» модель вашего ландшафта, описав все составляющие узлы, «натравить» нейронную сеть на анализ всех происходящих в контуре процессов и анализ узких мест. Машина составит модель угроз, исследуя все составляющие узлы и риски. Там, где специалист найдет их порядка тысячи, машина накомбинирует десятки и сотни тысяч угроз, но есть одна беда - фильтрация. На текущий момент алгоритмы недостаточно продвинуты, чтобы самостоятельно сортировать угрозы по критичности. Кроме того, не накоплена достаточная база знаний, чтобы автоматизированно выдавать рекомендации/применять решения по нивелированию рисков.

Андрей Шагалов

Кибербезопасность остается сферой применения новейших технологий и разработок. Широко используются решения для выявления хакерских атак, рассылки спама, вирусной и фишинговой активности на основе машинного обучения и искусственного интеллекта. Спам-фильтры на основе Natural Language Processing, ставшие уже классическими, точно и быстро отличают мусорные письма от полезной корреспонденции. Системы анализа трафика на базе искусственного интеллекта позволяют выявлять как внешние хакерские атаки, так и внутренние подозрительные активности, обнаруживать фишинговые сайты, незаконное использование бренда в сети.

Искусственный интеллект используется и в мобильных устройствах. Например, машинное обучение отвечает за правильность распознавания пользователя в Apple FaceID-системе, которая открывает доступ к персональным данным на смартфоне, сканируя лицо пользователя. При этом не обязательно, чтобы человек сохранял свой внешний вид неизменным.

Аналогичные технологии обучения для распознавания применяют производители другой техники, которая так или иначе связана с получением и хранением персональных данных. Ключевой особенностью технологий с использованием искусственного интеллекта и машинного обучения является возможность обработки и анализа больших объемов данных: там, где человеку понадобились бы тысячи часов, алгоритм справляется за секунду. Если говорить про безопасность банковских систем, то искусственный интеллект (например, автоэнкодеры) уже используется для проверки большого массива транзакций, определения и блокирования подозрительных платежей в автоматическом режиме.

Вероятно, следующим шагом развития систем кибербезопасности станет еще большее объединение существующих систем в комплексное решение с использованием искусственного интеллекта. Оно будет не только защищать от определенных видов атак, но и анализировать ситуацию с учетом множества факторов, трафика, уязвимостей «железа». Именно к этому стремятся разработчики решений для обеспечения безопасности данных.

Как вы оцениваете возможности квантовых компьютеров для создания систем машинного обучения и технологий искусственного интеллекта?

Александр Казённов

Пока рассуждения сугубо теоретические, поскольку мы не обладаем реальным опытом использования квантовых компьютеров, а опираемся на статьи по этой тематике. Если все действительно так, как описывают коллеги, тогда это будет прорыв по производительности. Ведь сама архитектура решения совпадает с принципами работы нейронных сетей. Но остается открытым вопрос относительно применимости таких компьютеров под текущую экосистему - связка операционных систем, учетных систем и СУБД. Пока использование квантовых компьютеров видится как узкоспециализированная область анализа данных. Для рутинных операций по-прежнему хороши классические компьютеры и серверы.

Ваш прогноз развития этих технологий в различных индустриях на конкретных примерах.

Денис Афанасьев

Технологии искусственного интеллекта находят применение в тех областях, где генерируется большой объем данных. Это важно для эффективного обучения моделей машинного обучения, особенно если мы говорим про нейронные сети, точность результатов которых зависит от наличия достаточной выборки данных для обучения. В таких отраслях, как телекоммуникации, онлайн-медиа, финансы, искусственный интеллект уже зарекомендовал себя в обработке данных потребителей для решения задач клиентской аналитики, коммуникаций и онлайн-рекламы.

Стоит ожидать расширения области применения искусственного интеллекта для оптимизации всевозможных бизнес-процессов, которые успели обрасти данными. Такие индустрии, как строительство, сельское хозяйство, из-за длинного цикла развития продукта пока не могут похвастаться большим количеством примеров успешного применения технологий искусственного интеллекта. Однако активная цифровизация этих отраслей и, как следствие, увеличение объема данных наделяют их определенным потенциалом.

Александр Казённов

На мой взгляд, заслуживают внимания четыре перспективных направления. Первое - качественное развитие прогнозных моделей (продажи, котировки и т. д.). Второе - автоматизация рутинных операций (качественное развитие текущих RPA-решений). Третье - автовождение в сочетании с машинным зрением. Четвертое - системы безопасности (в видеосистемах по распознаванию лиц), глобальные системы слежения (агрегация данных по каждой персоне в целях прогнозирования ее последующих действий).

Источник: Connect WIT, 10.12.2018