Шар предсказаний? Для бизнеса есть более мощное решение!
Искусственный интеллект предсказывает изменения критически важных для бизнеса данных, предупреждает о выходе оборудования из строя, выполняет рутинные задачи с ювелирной точностью и постоянно самосовершенствуется. Но это только верхушка айсберга.
В широком смысле машинное обучение (machine learning, ML) — то, с чего начинается предотвращение катастроф, как природных, так и производственных. В статье расскажем, каких перспектив развития ML ожидать в ближайшем будущем, глобально и в бизнесе.
Мы в NLABTEAM работаем с ML-технологиями и разрабатываем сложное программное обеспечение уже более 20 лет. В наших рядах — инженеры, которые занимаются машинным обучением со времен выхода первого «Терминатора». И за время своей работы мы сталкивались с разными мнениями об ML — от опасений на тему «восстания машин» до восхищения. Поэтому и решили написать статью, где разбираем: друг ли нам искусственный интеллект или враг.
Как технологии помогают делать мир безопаснее
📍Предотвращают чрезвычайные происшествия
Человечество создает суперкомпьютеры и отправляет ракеты на Марс, строит скоростные поезда и спорткары, осваивает новые виды получения энергии. Приручать природу и законы физики непросто, и люди научились это делать лучше всех.
Однако пока это не дает нам той степени контроля над происходящим в мире, какой мы хотим. И вот почему.
Использование технологий требует интеллектуального контроля, но опыт показывает, что человеческий интеллект и внимание сильно зависят от усталости, дефицита времени и других факторов, поэтому дальнейший технологический прогресс должен идти рука об руку с прогрессом интеллектуальным. А именно — развитием ИИ как помощника человека в мониторинге технологических и бизнес-процессов.
Если вспомнить крупнейшие аварии, главными их причинами почти всегда были человеческий фактор или непредвиденные сложности с оборудованием. Вот лишь несколько громких примеров:
- Авария на Саяно-Шушенской ГЭС (2009 г.) произошла из-за технических повреждений узлов крепления — их состояние не контролировали должным образом.
- Кыштымская авария на АЭС (1957 г.) случилась из-за случайного взрыва отходов, которые неправильно утилизировали.
- По поводу катастрофы на Чернобыльской АЭС (1986 г.) до сих пор нет единого мнения, но одними из причин эксперты называют нарушения техники безопасности со стороны персонала.
- Крушение самолета А330 компании Air France (2009 г.), где погибло 228 человек, было вызвано, в том числе, ошибками в действиях пилотов.
- Взрыв нефтяной платформы Deepwater Horizon (2010 г.), который стал крупнейшей в истории США техногенной катастрофой, произошел из-за неожиданных технических неполадок и неправильных действий персонала.
В результате этих аварий погибли тысячи людей.
Можно ли было предотвратить эти аварии?
В то время, когда они произошли — едва ли. В конце прошлого и начале текущего века автоматизация процессов еще не была так развита, как сегодня, и человек мог полагаться скорее на собственную внимательность и навыки. Но люди — не роботы, они не могут самостоятельно просчитать абсолютно все варианты развития событий и предотвратить все нежелательные исходы.
Зато сейчас у нас в руках есть то, что поможет автоматически контролировать все процессы, вовремя сообщать о проблеме и предлагать варианты решений. На диаграммах ниже видно, в каких сферах и для каких целей компании уже начали активно внедрять ИИ.
👾 Как работает машинное обучение
Представим, что мы хотим обучить нейросеть распознавать наличие открытого огня по видеозаписи. Для этого она должна уметь отличать открытый огонь от других объектов красного и оранжевого цвета.
Чтобы запустить процесс обучения нейросети, мы загружаем в нее данные о том, как выглядит огонь и в чем его отличительные черты.
Самые простые детекторы можно построить на различении цвета, далее — добавить в отличительные признаки: характерные колебания пламени, наличие сопровождающих эффектов типа дыма или гула пламени.
Каждый новый признак требует усложнения процесса разметки обучающих данных и более сложных структур нейронных сетей.
Сначала точность распознавания огня на видео будет невысокой, и это нормально. Со временем нейросеть «научится» выделять дополнительные параметры для классификации данных, и выборка будет все точнее.
Еще один пример. Мы хотим отказаться от фиксированных ограничений скорости автомобиля и создать динамическую систему управления движением. Причем такую, которая будет оперативно реагировать на окружающую обстановку.
Чтобы реализовать этот план, мы:
— Загружаем в нейросеть данные о скоростных ограничениях, а также о том, как на скорость влияют погодные условия, время суток, состояние дороги и другие параметры.
— После — моделируем различные условия, чтобы нейросеть постепенно училась определять верную предельную скорость, основываясь на полученных данных.
Со временем нейросеть учится точно определять нужную скорость и предупреждать водителя, если она превышена.
В реальных проектах используются более сложные схемы, но эти примеры в общих чертах показывают, как работают ML-технологии.
📍Помогают бороться с лесными пожарами
Мы в команде часто обсуждаем перспективы глобального развития ML-технологий. Вернёмся к пожарам.
Как-то мы озаботились проблемой ежегодных лесных пожаров и порассуждали, как искусственный интеллект мог бы помочь искоренить риски природных катастроф. Пришли к выводу, что современных технологий вполне достаточно для предупреждения и борьбы с пожарами — остается только найти достаточные ресурсы и воплотить их в жизнь.
📍Помогают избежать критических состояний у пациентов
Искусственный интеллект можно использовать не только для предотвращения глобальных проблем, но и для адресной помощи людям. Так, развитие ML-технологий позволило создать модель EXAM, предназначенную для прогнозирования клинических исходов больных Covid-19. Проанализировав тысячи случаев лечения Covid-19 из нескольких больниц, модель «научилась» предсказывать динамику состояния пациентов и необходимое им количество кислорода.
a. Карта мира с указанием 20 сайтов, участвующих в исследовании EXAM b. Количество случаев, представленных каждым учреждением или сайтом c. Распределение интенсивности рентгенографии грудной клетки на каждом сайте d. Возраст пациентов (звёздочки — минимальный и максимальный, треугольники — средний возраст, горизонтальные полосы — стандартное отклонение)
Еще один пример — использование ML-технологий для повышения качества жизни людей с ограничениями по слуху. В 2014 году российский «Центр речевых технологий» разработал технологию для автоматической генерации субтитров. Тогда сочинская Паралимпиада была впервые показана с субтитрами искусственного интеллекта: комментарии давал человек, а вот в текст они преобразовывались и компоновались автоматически. Руководил проектом Кирилл Левин, CEO NLABTEAM. А Кирилл Семёнов, наш тимлид отдела разработки, занимался реализацией решения: так субтитры появлялись на экране в заданном месте и в нужное время.
Сейчас ИИ используется не только для генерации субтитров, но и для озвучивания написанного текста — для людей с особенностями зрения.
Конечно, нельзя сказать, что искусственный интеллект скоро придет на смену реальным людям — за любой технологией нужен контроль, и финальное решение остается за человеком. Но уже сейчас ML-разработки способны значительно облегчить жизнь и поспособствовать развитию любой сферы — от глобальных инициатив до частного бизнеса.
Как ML помогает бизнесу сосредоточиться на движении вперед: примеры из нашей практики
В бизнесе довольно сложно полностью контролировать процессы — особенно если дело касается обработки больших массивов данных. Вручную это требует огромного количества времени и отсутствия ошибок в расчетах. В результате у нас вызывают затруднения самые банальные, но очень важные для бизнеса процессы — например, прогнозирование расходов или планирование загрузки персонала. И тут мы снова обращаемся к ML-технологиям.
Вот несколько примеров из нашей практики.
📍Прогнозирует выход вагонов из строя
Запрос: компания по ремонту железнодорожных вагонов столкнулась с ошибками в прогнозировании загрузки вагонов. Из-за этого стало сложно планировать прибыль и составлять отчетность для руководства.
Решение. Мы предложили внедрить модель, которая будет анализировать амортизацию вагонов и прогнозировать степень их износа. На основе этого мы продумали веб-сервис, куда можно загружать данные по пробегу, вводить определенную дату и запрашивать, какие вагоны могут прийти на ремонт в ближайшее время.
Исходя из полученных данных можно формировать список ресурсов, необходимых для ремонта, и в дальнейшем — планировать загрузку на весь год вперед. Это поможет прогнозировать прибыль и привлекать инвесторов.
📍Предсказывает риски оттока клиентов
Запрос: наш заказчик из сферы банкинга столкнулся с неконтролируемым оттоком клиентов. Важно было понять и проанализировать, почему они уходят, чтобы исправить ошибки в удержании и спрогнозировать риски ухода каждого клиента.
Решение. Мы разработали систему оценки лояльности клиентов SmartCubes. На дашбордах можно было наглядно увидеть, как меняется лояльность, и заметить, когда она падает, чтобы принять меры. Оценивалось это на основе количества транзакций, наличия кредитов в других банках, количества открытых и закрытых услуг и продуктов и т. д. — всего во внимание принималось более 30 параметров, на их основе нейросеть формировала рейтинг лояльности каждого клиента.
Графики можно сопоставить с датами проведения маркетинговых мероприятий, экономическими и политическими событиями, чтобы увидеть закономерности. Все это помогло заказчику сократить отток клиентов на 5% благодаря своевременному прогнозированию рисков.
В банковской сфере такой процент экономии фактически выражается в миллионах.
📍Повышает точность медицинских исследований
Запрос: часто ошибки в исследованиях ЖКТ происходят из-за человеческого фактора — врач может не заметить атипичные клетки или недостаточно тщательно исследует некоторые участки тканей и органов. Сеть медицинских клиник попросила нас разработать ПО для более высокой точности в диагностике.
Решение. Мы обучили нейросеть на основе больших массивов данных пациентов и интегрировали ее с камерами эндоскопов для исследований кишечника. Полученная система INENEX смогла давать подсказки врачам в реальном времени и следить, все ли отделы ЖКТ пройдены эндоскопом.
👾 Как взять от ML максимум пользы для вашего бизнеса?
Чтобы найти ответ, подписывайтесь на наш блог — в нем будем много говорить об искусственном интеллекте, делиться показательными кейсами из практики и развеивать мифы по теме.
В наших кейсах ML-технологии одержали победу над главными врагами бизнеса — неопределенностью и ошибками по причине человеческого фактора. На их примерах мы видим, что программное обеспечение на основе искусственного интеллекта может обрабатывать и классифицировать огромные массивы данных, что просто не под силу человеку. Это высвобождает для линейных сотрудников время, которое они могут потратить на свои непосредственные обязанности, а руководители в это время будут заниматься стратегическим планированием.
Коротко о главном
Любой бизнес — это риски, но всегда хочется хоть немного их минимизировать, и это можно сделать с помощью ML-технологий. Важно помнить, что:
- Искусственный интеллект — это мощный инструмент для оптимизации, ускорения и аналитики любых технологических процессов. Но он принимает решения только на основе предварительно изученных данных, и их важно качественно собирать и систематизировать, чтобы ИИ помогал делать правильные выводы.
- ML-технологии востребованы везде — от глобальных проектов до локального бизнеса. Они позволяют вовремя предотвратить самые распространенные причины проблем — неожиданные поломки оборудования и человеческий фактор.
- ML-модели способны значительно оптимизировать бизнес-процессы. Пока они «возьмут на себя» рутинные процессы и аналитику, руководители бизнеса смогут заняться стратегическим планированием, креативными задачами и масштабированием.
- ML-технологии имеют огромные перспективы в будущем, потому что они экономят время и делают процессы точнее. Со временем бизнес просто не сможет выдерживать конкуренцию, если не будет применять искусственный интеллект.
В следующих статьях мы продолжим разговор о пользе ML для человечества в целом и бизнеса в частности, а также поделимся свежими кейсами из практики.
Будем рады ответить на ваши вопросы в комментариях!
В NLABTEAM мы уже более 20 лет внедряем технологии машинного обучения в бизнес-процессы и помогаем компаниям расширять свой масштаб быстрее.
🚀 Чтобы получить бесплатную консультацию по вашему проекту, пожалуйста, свяжитесь с нами по телефону 8 (800) 550-8-365 или напишите нам на sales@nlabteam.com
Расскажем, как взять от ML максимум для вашего бизнеса.