инженерия знаний (которая часто предполагает создание графа знаний в определенной области) требуют много времени и сил. Для этого необходима разработка онтологий или моделей отношений между словами и фразами. Хотя создавать семантические модели ОЕЯ нелегко, сегодня этим занимаются несколько систем интеллектуальных агентов.
Производительность систем ОЕЯ следует измерять двумя способами. Первый – оценивать процент произнесенных слов, которые система понимает. Этот показатель возрастает при использовании технологии глубокого обучения и часто превышает 95 %. Второй способ – проверять, на какое количество различных типов вопросов система в состоянии ответить, а также сколько задач она может решить. Как правило, для этого необходима семантическая ОЕЯ, а поскольку в этой сфере нет серьезных технических прорывов, системы, которые отвечают на вопросы или решают конкретные задачи, контекстно обусловлены и требуют тренировки. Компьютер IBM Watson прекрасно справился с ответами на вопросы Jeopardy! но не сможет отвечать на вопросы Wheel of Fortune, если его не тренировать, а эти тренировки часто весьма трудоемки. Возможно, в будущем для ответов на вопросы будет применяться метод глубокого обучения, однако пока этого еще не делали.
В 1980-х гг. экспертные системы на основе наборов правил «если – то» были доминирующей технологией ИИ и долгое время широко использовались в коммерческих целях. Сегодня их обычно не считают последним словом техники, но проведенный в 2017 г. опрос Deloitte об осведомленности о когнитивных технологиях показал, что их по-прежнему используют 49 % американских компаний, работающих с ИИ.
Экспертные системы требуют, чтобы эксперты и инженеры знаний разработали набор правил для конкретной области знаний. Они широко распространены, к примеру, в страховом андеррайтинге и банковском кредитном андеррайтинге, но также используются в нетрадиционных областях вроде обжарки кофе в Folgers или приготовлении супов в Campbell's. Они неплохо работают и просты для понимания. Однако, если количество правил велико (обычно больше нескольких сотен) и правила начинают конфликтовать друг с другом, системы не справляются с задачами. Кроме того, если меняется область знаний, приходится менять и все правила, а это сложно и трудоемко.
Системы на основе правил не слишком усовершенствовались с момента своего раннего расцвета, но представители активно применяющих их отраслей (вроде страхования и банковского дела) надеются, что вскоре появится новое поколение технологий на основе правил. Исследователи и поставщики технологий уже обсуждают возможность создания «адаптивных машин обработки правил», которые будут постоянно модифицировать правила на основе новых данных, или комбинаций машин обработки правил с машинным обучением (но все это пока не получило широкого распространения).
Физическими роботами сегодня никого не удивить, ведь каждый год по всему миру внедряется более 200 000 промышленных роботов. В том или ином качестве физических роботов используют 32 % компаний, руководители которых приняли участие в опросе об осведомленности о когнитивных технологиях. На заводах и складах роботы выполняют такие задачи, как подъем и перемещение грузов, а также сварка и сборка объектов. Ранее они управлялись детализированными компьютерными программами, которые позволяли им выполнять конкретные задачи, но в последнее время роботы более тесно сотрудничают с людьми, а обучать их стало легче, поскольку можно просто пройти с ними весь цикл необходимой задачи. Они также становятся более интеллектуальными по мере того, как в их «мозг» (то есть в операционную систему) встраиваются другие возможности ИИ. Кажется весьма вероятным, что со временем интеллект физических роботов будет улучшен так же, как интеллект других систем.
Эта технология выполняет структурированные цифровые задачи (то есть задачи, связанные с информационными системами) так, как если бы их выполнял человек, следующий сценарию или правилам. Не все согласны, что РАП принадлежит к семейству технологий ИИ и когнитивных технологий, поскольку она не слишком интеллектуальна. Однако системы РАП популярны и автоматизированы, а их интеллектуальность растет, поэтому я включаю их в мир ИИ. Иногда их называют цифровой рабочей силой. В сравнении с другими формами ИИ они не слишком дороги и просты в программировании. При этом их работа прозрачна. Если вы умеете пользоваться мышкой, понимаете графические модели технологических процессов и готовы создать несколько бизнес-правил «если – то», вы в состоянии разобраться в этой технологии и, возможно, даже разработать РАП. Настраивать и внедрять такие системы также гораздо проще, чем разрабатывать собственные программы, используя язык программирования.
РАП не задействует роботов – только компьютерные программы на серверах. Опираясь на сочетание рабочего процесса, бизнес-правил и интеграции «уровня представления» с информационными системами, она функционирует как полуинтеллектуальный пользователь этих систем. Порой РАП сравнивают с макрокомандами электронных таблиц, но я считаю такое сравнение некорректным, поскольку РАП может справляться с гораздо более сложными задачами. Ее также сравнивают с инструментами управления бизнес-процессами, которые могут управлять рабочим процессом, но на самом деле технология была создана для того, чтобы документировать и анализировать процесс, а не автоматизировать его[16].
Некоторые системы РАП уже в определенной степени наделены интеллектом. Они могут «наблюдать» за тем, как работают их коллеги-люди (например, как они отвечают на частые вопросы клиентов), и имитировать их действия. Другие сравнивают процесс автоматизации с машинным зрением. Как и физические роботы, системы РАП постепенно становятся более интеллектуальными, а для управления их поведением начинают использоваться другие типы технологий ИИ.
Я описал эти технологии по отдельности, но все чаще они объединяются и интегрируются. Однако сегодня человеку, принимающему бизнес-решения, очень важно знать, какие технологии какие задачи выполняют. Директор по информационным технологиям Global Inc. Кришна Натан отмечает, что в 2018 г. один из ключевых приоритетов его компании – «помочь акционерам понять, на что способен и не способен ИИ, чтобы использовать его должным образом»[17]. Возможно, в будущем эти технологии окажутся так тесно переплетены, что необходимость в таком понимании исчезнет, а возможно, технологии вообще станут неотделимы друг от друга.
ИИ в сообществе поставщиков технологий
В этой книге я в основном рассказываю об использовании когнитивных технологий крупными предприятиями в таких сферах, как предоставление финансовых услуг, производство и телекоммуникация. Но большая часть работы, выполняемой крупными коммерческими предприятиями, стала возможной благодаря исследованиям и разработкам, проводившимся в тех же местах, где в 2000-х гг. развивались технологии больших данных (включая Hadoop, Pig и Hive). В этот период Google, Facebook и в меньшей степени Yahoo! направляли значительные усилия на развитие технологий ИИ. Эти компании располагали огромным объемом данных для анализа, огромным количеством денег (по крайней мере в случае Google и Facebook) и прочными связями с учеными.
Пожалуй, не стоит удивляться, что компания Google стала самым активным разработчиком и пользователем технологий ИИ среди интернет-гигантов (а возможно, и среди всех компаний мира). Работая в сотрудничестве со стэнфордским профессором Эндрю Ыном, Google начала исследовать ИИ (в частности, глубокое обучение) в лабораториях Google X еще в 2011 г. Этот проект получил название Google Brain. Главным образом в рамках него изучалась технология глубокого обучения, которая использовалась для распознавания изображений и решения других задач. К 2012 г. группа исследователей решила одну из самых важных проблем человечества – как заставить машину распознать фотографию кота в интернете.
В следующем году Google наняла исследователя из Университета Торонто Джеффри Хинтона, который помог возродить нейронные сети. В 2014 г. Google купила лондонскую компанию DeepMind, весьма компетентную в сфере глубокого обучения. Инструменты группы были использованы, чтобы помочь созданной Google программе AlphaGo, играющей в древнюю игру го, победить одного из лучших игроков в мире. В 2016 г. команда Google Brain помогла Google существенно улучшить точность переводов Google-переводчика. К тому году Google и ее материнская компания Alphabet использовали машинное обучение более чем в 2700 проектах, включая разработку алгоритмов поиска (RankBrain), создание беспилотных автомобилей (теперь этим занимается Waymo – дочерняя компания Alphabet) и усовершенствование медицинской диагностики (дочерняя компания Calico)[18]. Как это принято в Кремниевой долине, в 2015 г. Google также открыла бесплатный доступ к своей библиотеке машинного обучения TensorFlow, которая стала проектом с открытым кодом и завоевала популярность среди компаний более узкой направленности, использующих ИИ.
Возможно, Facebook внедряет когнитивные технологии в свои продукты и процессы не столь успешно, как Google, но получается все же довольно неплохо. Вместо Эндрю Ына и Джеффа Хинтона исследованиями ИИ в компании занимается Ян Лекун, который также преподает в Нью-Йоркском университете. Лекун уделяет особое внимание распознаванию изображений, что стало ключевым направлением разработок Facebook. У компании есть приложение для распознавания изображений Lumos, которое анализирует фотографии в Facebook и Instagram и предлагает пользователям персонализированную рекламу на основании их материалов. Lumos также помогает идентифицировать запрещенные порнографические материалы или материалы, содержащие насилие (хотя в этом процессе по-прежнему задействовано и большое количество людей), неправомерное использование брендов и логотипов и материалы террористической направленности.