От научной фантастики к реальности: путь ИИ в современный энтерпрайз

Произнесите слова «искусственный интеллект», и большинство людей вспомнят Alexa и Siri. Другие подумают о фильмах вроде «Терминатора» или «Космической одиссеи 2001 года».

Правда в том, что искусственный интеллект (ИИ) — это не далекая концепция научной фантастики. На самом деле, он вездесущ — вспомните Netflix, рекомендующий ваш следующий сериал, или Uber, строящий оптимальный маршрут домой.

ИИ — это сложная экосистема современных взаимосвязанных технологий, развивавшаяся десятилетиями — и продолжающая развиваться сегодня. Поэтому неудивительно, что история ИИ также сложна и многослойна. Это история, в которой фигурируют разные инструменты и возможности, накапливавшие ИИ в его современном виде.

Чтобы понять важность ИИ сегодня — и подготовиться к завтрашнему дню — полезно знать, откуда он начал и как эволюционировал, став революционной технологией, какой он есть сейчас.

ИИ XX века: амбициозное доказательство концепции

Современный ИИ родился в академических залах элитных университетских исследовательских отделов, где ученые глубоко размышляли о будущем вычислений. Но его ранние годы оставили его в этих залах, изолированным из-за нехватки данных и вычислительной мощности.

В 1956 году Дартмутский колледж провел Летний исследовательский проект по искусственному интеллекту — семинар, ставший критически важным первым шагом в академическом исследовании ИИ. Во время семинара 20 исследователей стремились доказать гипотезу, что обучение может быть описано настолько точно, «что можно создать машину, имитирующую его».

Год спустя, в 1957 году, американский психолог Фрэнк Розенблатт развил исследования Дартмута с перцептроном — алгоритмом, способным успешно выполнять бинарную классификацию. Именно здесь мы начали видеть многообещающие доказательства того, как искусственные нейроны могут учиться на данных.

И еще через год Джон Маккарти, участник летнего проекта Дартмута, и многочисленные студенты MIT разработали Lisp (новый язык программирования). Десятилетиями позже исследования Маккарти помогли оживить новые и еще более захватывающие проекты, включая программу естественного языка SHRDLU, алгебраическую систему Macsyma и логическую систему ACL2.

Источник

Оглядываясь назад на эти ранние эксперименты, мы видим, как ИИ делает свои первые неуверенные шаги из мира высоких исследований в практический мир вычислений.

1960 год ознаменовался дебютом Simulmatics — компании, утверждавшей, что может предсказать, как люди будут голосовать, основываясь на их демографии.

В 1965 году исследователи разработали так называемые «экспертные системы». Эти системы позволяли ИИ решать специализированные задачи в компьютерных системах, комбинируя набор фактов и механизм вывода для интерпретации и оценки данных.

Затем, год спустя, в 1966 году, профессор MIT Джозеф Вайзенбаум разработал программу сопоставления с образцом под названием Eliza, показавшую пользователям, что ИИ интеллектуален. Пользователи могли передавать информацию программе, а Eliza, выступая в роли психотерапевта, отвечала им открытым вопросом.

К середине 1970-х годов правительства и корпорации потеряли веру в ИИ. Финансирование иссякло, и последующий период получил название «зима ИИ». Хотя в 1980-х и 1990-х были небольшие возрождения, ИИ в основном отходил в область научной фантастики, а термин избегали серьезные компьютерные ученые.

В конце 1990-х — начале 2000-х мы увидели масштабное применение методов машинного обучения, таких как байесовские методы для фильтрации спама Microsoft и коллаборативная фильтрация для рекомендаций Amazon.

ИИ XXI века: дико успешные пилотные программы

В 2000-х годах рост вычислительной мощности, более крупные наборы данных и подъем программного обеспечения с открытым исходным кодом позволили разработчикам создавать продвинутые алгоритмы, которые за относительно короткое время произвели революцию в научном, потребительском, производственном и бизнес-сообществах. ИИ стал реальностью для многих компаний сегодня. McKinsey, например, нашел 400 примеров, где компании сейчас используют ИИ для решения бизнес-задач.

Веб предлагает новые способы организации данных

Веб-революция, охватившая мир в начале и середине 2000-х, оставила мир ИИ-исследований с важными изменениями. Базовые технологии вроде Extensible Markup Language (XML) и PageRank организовали данные новыми способами, которые мог использовать ИИ.

XML был предварительным условием для семантического веба и поисковых систем. PageRank, ранняя инновация Google, еще больше структурировал веб. Эти достижения сделали веб более пригодным для использования и большие массивы данных — более доступными для ИИ.

В то же время базы данных становились лучше в хранении и извлечении данных, а разработчики работали над функциональными языками программирования, облегчающими операцию с этими данными. Инструменты были готовы для исследователей и разработчиков, чтобы двигать технологию ИИ дальше.

Нейронные сети и глубокое обучение демонстрируют потенциал ИИ

В XX веке были большие мечты об ИИ, но вычислительная мощность делала их почти невозможными для реализации. К XXI веку компьютеры стали экспоненциально более мощными в хранении, обработке и анализе больших объемов данных. Это означало, что возвышенные цели нейронных сетей и глубокого обучения могли стать реальностью.

Исследователи разработали наборы данных, специально приспособленные для обучения машин, что привело к созданию нейронных сетей вроде AlexNet. Раньше обучение машин опиралось на наборы данных в десятки тысяч, но развитие графических процессоров (GPU) позволило новым наборам данных достигать десятков миллионов.

Производитель чипов Nvidia запустил свою платформу параллельных вычислений CUDA в 2006 году. Внутри этой платформы Nvidia использовала GPU для ускорения вычислений. Этот прирост производительности помог большим количеству людей запускать большие и сложные модели машинного обучения, написанные в библиотеках вроде TensorFlow и PyTorch.

Источник

В дальнейшем эти библиотеки стали открытыми и вдохновили массовые эксперименты по мере того, как технология становилась более доступной. Эта демократизация ИИ помогла запуститься таким захватывающим новым инструментам, как AlphaGo, Google DeepMind и IBM Deep Blue.

Компьютерное зрение открывает двери к новым отраслевым применениям

До 2000-х ИИ был действительно полезен только для обработки текста. Но на рубеже веков достижения в компьютерном зрении, позволившие компьютерам распознавать и интерпретировать изображения, поднесли кейсы использования ИИ на новую высоту.

На этот раз пионерами не были академики. Они жили в ваших домах и делали уборку (Roomba) и игры (XBox Kinect) проще než когда-либо, принося компьютерное зрение в дома по всему миру.

Мы также увидели использование компьютерного зрения в новых самоуправляемых автомобилях и в больницах для автоматического обнаружения состояний вроде очагов и пневмонии.

Помимо отраслевых кейсов, вариативность компьютерного зрения также помогла зажечь развитие роботизированной процессной автоматизации (RPA). 🎉 Дополненное оптическим распознаванием символов (OCR), роботы RPA могут обрабатывать как структурированные, так и неструктурированные данные, что изменило мир анализа данных, как мы его знаем.

Аналитика данных улучшает бизнес-применения ИИ

Последние два десятилетия показали, что автоматизация и ИИ могут справляться со сложными бизнес-кейсами. А по мере того как ИИ становится еще лучше в анализе данных, компании могут использовать ИИ еще больше, чтобы работать умнее и эффективнее.

Банки используют ИИ для классификации запросов клиентов на разные категории из больших объемов неструктурированных ежегодно поступающих писем. Этот процесс трудоемок вручную или дает плохие результаты при использовании классификации на основе ключевых слов. ИИ позволяет банкам классифицировать эти письма с высокой точностью и сократить среднее время обработки (AHT).

ИИ и автоматизация помогают не только финансовым компаниям. Страховые плательщики в здравоохранении ускоряют выявление высокорисковых беременностей. Программный робот загружает верифицированные данные пациента и обращается к предиктивной модели для оценки рисков пациента, определяет соответствующий план управления заботой. Результаты: 24% увеличение количества точно выявленных беременностей с низким весом плода при избегании 44% таких беременностей — всего экономя 11 млн долларов ежегодно. Читайте полную историю.

Обработка естественного языка и распознавание голоса повышают удобство использования ИИ

Хотя ИИ начинался с анализа текста, он ни в коем случае не освоил его. До недавнего времени текст — даже с OCR — должен был быть структурирован в машиночитаемых форматах. Область обработки естественного языка (NLP) толкнула передовую грань способности программировать компьютеры для понимания естественного языка.

Один из более известных примеров NLP — Generative Pre-trained Transformer 3 (более известный как GPT-3). GPT-3, представленный в мае 2020 года, использует глубокое обучение для генерации текста, тесно напоминающего человеческий. Уже появились интересные применения GPT-3, такие как написание статей (The Guardian, например, поручил GPT-3 написать статью о безвредности роботов) и генерация компьютерных программ.

Применения NLP выходят за рамки GPT-3. NLP можно использовать для преобразования речи в текст, автоматического резюмирования смысла фрагмента текста, перевода текста на другие языки и многого другого.

Хотя NLP часто существует на передовой, он также проник в наши дома. Виртуальные ассистенты вроде Alexa и Google, например, могут обрабатывать запросы на естественном языке и переводить их в исполняемые команды. С простым голосовым запросом эти ИИ-ассистенты могут искать информацию; направлять команды к умным устройствам, таким как свет или замки; и многое другое.

Будущее ИИ: гейм-ченджер для энтерпрайза

По мере перехода в следующее десятилетие технологической зрелости, энтерпрайз-кейсы использования ИИ будут только расти. Прошлые инструменты заложили фундамент для того, что возможно с ИИ, но все еще много земли предстоит освоить, масштабируя эти инструменты.

По мере дальнейшего развития ИИ мы увидим, как компании будут использовать RPA, машинное обучение, процессный майнинг и аналитику данных для создания мощного сквозного набора автоматизации, поскольку эти технологии становятся все более доступными для бизнеса на всех стадиях зрелости. ИИ перестанет быть исключительной областью исследователей и разработчиков; обычные пользователи, поддерживаемые современными инструментами, смогут создавать ИИ-решения для выявленных ими проблем.

По мере того как технология становится более доступной для бизнес-пользователей, мы увидим, как волан автоматизации раскручивается, предоставляя компаниям все больше идей и возможностей для применений ИИ. Эти возможности будут поддерживаться передовой платформой автоматизации и инструментами, которые перезагрузят и революционизируют то, как мы работаем.

UiPath AI Fabric позволяет пользователям легко запускать модель, загружать в нее данные, получать инсайты и оценивать полезность.

Примечание редактора: Поскольку рынок автоматизации продолжает эволюционировать, платформа UiPath также обновляется, чтобы лучше служить потребностям наших клиентов в автоматизации. Таким образом, название продукта AI Fabric изменилось с момента первой публикации статьи. Для актуальной информации, пожалуйста, посетите нашу страницу AI Center.

ИИ сегодня: правильный момент начать

Время автоматизировать. Мы достигли стадии эволюции ИИ, когда он не теоретичен — он императивен и прогнозируется, что он разблокирует сотни миллиардов долларов ценности для компаний, которые его примут.

Узнайте, как ведущие организации используют автоматизацию и ИИ, чтобы превратить видение о становлении полностью автоматизированным предприятием™ в реальность: