О глубине, прозрачности и «силе» ии в текущем моменте

Введение

Активное обучение — это раздел machine learning, где модель взаимодействует с учителем. Она запрашивает у него для тренировки лишь те данные, которые позволят обучиться лучше и, следовательно, быстрее.

Это направление интересно компаниям, которые привлекают асессоров для разметки данных (например, с помощью сервисов Amazon Mechanical Turk, Яндекс.Толока) и хотят удешевить этот процесс. Один из вариантов — использовать reCAPTCHA, где пользователь должен отмечать снимки, скажем, со светофорами, — и заодно получать бесплатную разметку для Google Street View. Другой способ — применять активное обучение.

Некоторые уже сейчас используют его для оптимизации краудсорсинга и делятся опытом. Например, Voyage — компания, которая занимается автопилотируемыми автомобилями. В статье её специалисты рассказали, как активное обучение позволило им не только сэкономить на разметке данных, но и повысить предельную точность модели. Их подход к активному обучению очень похож на тот, о котором расскажем мы.

Компания Amazon в своей работе описывает фреймворк DALC (Deep Active Learning from targeted Crowds). Он раскрывает концепцию активного обучения с точки зрения нейронных сетей, байесовского подхода и краудсорсинга. В исследовании в том числе используется техника Monte Carlo Dropout (о ней мы тоже поговорим в этой статье). Ещё авторы вводят любопытное понятие — noisy annotation. Если в большинстве работ по активному обучению предполагается, что асессор «говорит правду и ничего, кроме правды», то здесь допускается вероятность ошибки в силу человеческого фактора.

Про ещё одно исследование от Amazon можно прочитать здесь. В нём рассматривается концепция иерархической разметки: когда асессор вместо классической одноклассовой разметки объекта должен дать бинарный ответ о его принадлежности к определённому надклассу/классу в иерархии. При этом бинарные вопросы, как и объект для разметки, выбирает сам алгоритм. Таким образом, конечная разметка может получиться неполной: будет определён не конечный класс объекта, а его категория. Однако этого будет достаточно для обучения.

Но хватит говорить про использование парадигмы — пора рассмотреть активное обучение в деталях! У него есть несколько основных подходов, или сценариев. В нашем исследовании модель взаимодействовала с учителем по сценарию pool-based sampling.

Рис. 1. Общая схема pool-based сценария активного обучения

Поясним суть этого сценария. Допустим, есть некоторое количество размеченных данных, на которых модель уже обучена (то есть прошла пассивную фазу обучения). Далее с её помощью уже можно оценивать неразмеченные данные: определять, насколько они пригодятся для дальнейшего обучения.

Наиболее полезные данные отправляются на разметку эксперту, чтобы затем вернуться для дообучения модели — уже в активной фазе. Отправленные на разметку данные называют запросом (англ. — query). Запрос может состоять как из одного объекта, так и из нескольких. Способы выбора объектов пула для запроса к эксперту (иными словами, способы оценить полезность данных) называются стратегиями активного обучения.

Далее опишем, как устроена решаемая задача и набор данных, и рассмотрим конкретные стратегии активного обучения на примере.

Текущее состояние дел

Q-Learning

В чём недостатки?

1. Модель плохо справляется с изменчивой реальностью. Если всю жизнь нас награждали за нажатие красной кнопки, а теперь наказывают, причём никаких видимых изменений не произошло… QL будет очень долго осваивать эту закономерность.
2. Qn может быть очень непростой функцией. Например, для её расчёта надо прокрутить цикл из N итераций — и быстрее не выйдет. А прогнозная модель обычно имеет ограниченную сложность — даже у крупной нейросети есть предел сложности, а циклы крутить почти ни одна модель машинного обучения не умеет.
3. У реальности обычно бывают скрытые переменные. Например, который сейчас час? Это легко узнать, если мы смотрим на часы, но как только мы отвели взгляд — это уже скрытая переменная. Чтобы учитывать эти ненаблюдаемые величины, нужно, чтобы модель учитывала не только текущее состояние, но и какую-то историю. В QL можно это сделать — например, подавать в нейронку-или-что-у-нас-там не только текущее S, но и несколько предыдущих. Так сделано в RL, который играет в игры Атари. Кроме того, можно использовать для прогноза рекуррентную нейросеть — пусть она пробежится последовательно по нескольким кадрам истории и рассчитает Qn.

Model-based системы

1. Ресурсоёмкость. Допустим, на каждом такте нам нужно сделать выбор из двух альтернатив. Тогда за 10 тактов у нас соберётся 2^10=1024 возможных плана. Каждый план — это 10 запусков модели. У если мы управляем самолётом, у которого десятки управляющих органов? А реальность мы моделируем с периодом в 0.1 секунды? А горизонт планирования хотим иметь хотя бы пару минут? Нам придётся очень много раз запускать модель, выходит очень много процессорных тактов на одно решение. Даже если как-то оптимизировать перебор планов — всё равно вычислений на порядки больше, чем в QL.
2. Проблема хаоса. Некоторые системы устроены так, что даже малая неточность симуляции на входе приводит к огромной погрешности на выходе. Чтобы этому противостоять, можно запускать несколько симуляций реальности — чуть-чуть разных. Они выдадут сильно различающиеся результаты, и по этому можно будет понять, что мы находимся в зоне такой вот неустойчивости.

Принцип работы искусственных нейронных сетей

Математические модели, которые создавались аналогично биологическим нейронным сетям, называют Искусственные Нейронные Сети. С помощью обучающего алгоритма, который считывает наблюдаемые данные, достигается адаптивное взвешивание сигналов между искусственными нейронами.

ИНС моделируется с использованием нескольких слоёв нейронов – отдельных вычислительных единиц, которые могут получать входные данные и определять, требуется ли дальнейшая передача этих данных.

В трехслойной модели это выглядит следующим образом – первым слоем заложен ввод, дальше слой скрыт, а в финале имеется слой вывода. В каждом слое – не менее одного нейрона.

Принцип работы искусственных нейронных сетей

Конечно, если слоев будет больше, то и потенциал решения задач ИНС возрастет, но бывает, что модель становится «большой» для заданной задачи, оптимизация до необходимого уровня в данной ситуации невозможна, это есть — переобучение (overfitting).

Основа, составляющая построения ИНС – архитектура, настройка, выбор алгоритма обработки данных. Все эти компоненты определяют производительность и эффективность работы модели.

Теперь поговорим о функции активации, которая используется для преобразования взвешенных входных данных нейрона в его выходные данные.

Искусственные Нейронные Сети – мощнейшее средство решения задач, и при увеличении количества составляющих частей модели нейронной сети, она становится запутанной. Тут приходит на помощь подход — «черный ящик».

Генерация контента

Специалисты по маркетингу тратят десятки часов на то, чтобы подготовить несколько вариаций того или иного контента

Ведь им важно «‎попасть»‎ в нужную аудиторию, отразить фирменный стиль, и, в конце концов, сделать сам контент привлекательным для потребителей. Ещё его необходимо адаптировать для разных каналов (материал для Хабра != пост в Facebook), что также влечет дополнительную трату времени

Как раз с решением этой проблемы связано наше второе исследовательское направление — с помощью поддержки со стороны технологий машинного обучения маркетологи могут сфокусироваться на творчестве и стратегических решениях. А генерацией контента займутся автоматизированные системы.

Генерация контента возможна с помощью генеративных состязательных сетей. Их архитектура состоит из двух основных частей — генератора и дискриминатора. Первый занимается созданием синтетического контента, а второй — определяет, какой перед ним контент — реальный или фейковый. Результаты работы дискриминатора генератор учитывает при каждой следующей итерации. Если дискриминатор не в состоянии отличить синтетическое изображение от обычного фото, это знак, что генератор создает реалистичные синтетические изображения.

GANs — технология будущего для индустрии digital-маркетинга, других профессий и сфер деятельности. Мы используем GANs и в наших коммерческих разработках — например, задействовали одну из вариаций архитектуры при проектировании первого в мире инфлюенсера, работающего на базе системы ИИ, для PUMA Asia Pacific. Мы назвали этого персонажа Maya. Она делает селфи и живёт своей обычной виртуальной жизнью. Чтобы создать её, были сопоставлены миллионы лиц из различных источников, включая Instagram. Это позволило визуализировать несколько версий лица, ставших первым шагом для создания виртуального блогера.

Однако исключительно порождающими состязательными сетями здесь не обойтись. Не могу делиться всеми техническими подробностями, так как проект коммерческий. Но я бы хотел упомянуть об инструменте, который оказался весьма полезен как в этом проекте, так и в других, связанных с профилированием. Это поиск восхождением к вершине (Hill Climbing) — техника поиска оптимального решения путем пошагового изменения одного из элементов решения. Ее используют в качестве стратегии оптимизации невыпуклых моделей-ансамблей. Мы часто применяем Hill Climbing в случаях, когда у нас стоит задача подбора параметров алгоритмов машинного обучения и нет возможности перебирать все комбинации — например, из-за сложности каждого прохода тренировки. В случае с Hill Climbing такая проблема решается за гораздо меньшее количество проходов, тем самым ускоряя процесс тренировки.

Также важно уметь пользоваться небольшой модификацией алгоритма — Hill Climbing with Random Restart. Суть в том, что мы перезапускаем Hill Climbing много раз с различными случайными значениями точек отправления параметров, тем самым увеличивая наш шанс найти не локальный, а глобальный минимум даже для задач невыпуклой оптимизации

Очень полезная эвристика, позволяющая подбирать значения параметров быстро и с высокой вероятностью близкие к оптимальным. Реализацию техники в коде можно посмотреть здесь.

В частности, техника Hill Climbing использовалась в одном из наших первых проектов по профилированию пользователей социальных сетей. Этому проекту посвящена статья Harvesting multiple sources for user profile learning: a big data study. Здесь мы осуществляем слияние данных, моделируя источники как линейную комбинацию предсказаний моделей машинного обучения, натренированных на каждом источнике по отдельности — так называемый Late Fusion Ensemble. Понятно, что соединив источники с весами 1, мы не сможем добиться наилучших результатов. Ведь текстовые данные, например, из Twitter могут быть более полезными, чем те же самые текстовые данные, только из Foursquare (предназначена для обмена точками геоданных). Вот тут-то и нужны подходы вроде Hill Climbing для того, чтобы эффективно и быстро (не перебирая все комбинации источников) найти правильные веса каждой соцсети и модальности данных для достижения хороших результатов скомбинированной модели.

Кому нужен искусственный интеллект

По итогам 2020 г. рынок ИИ в России вырос на 22,4%. Предполагается, что до 2024 г. он будет увеличиваться 18,5% ежегодно. Основными заказчиками таких решений являются крупные компании и госсектор. Последний намерен инвестировать в искусственный интеллект на 26,4% больше каждый год в ближайшие несколько лет. Новость хорошая, однако Юрий Хомутский, директор ИТ-маркетплейса Market.CNews, в своем выступлении отметил: Китай тратит на ИИ в 250 раз больше, чем Россия, при этом его ВВП больше в 10 раз.

Сегодня ИИ активнее всего используется для создания голосовых помощников, в системах безопасности и в здравоохранении для анализа МРТ и рентген-снимков. Однако Юрий Хомутский подчеркнул, что ИИ все же нельзя назвать самостоятельным рынком. Он служит, скорее, дополнением к уже имеющимся решениям. «Для массового рынка вывеска «Продаю искусственный интеллект» не сработает, — говорит он. — Лучше вычленить проблему бизнеса, найти подходящее решение и встроить туда элементы этой технологии».

Куда развивается искусственный интеллект?

Бизнес исходит из того, что в ближайшие годы потребитель будет нацелен получать услуги, затрачивая на это минимум усилий. Это рождает несколько направлений, в которых будет развиваться ИИ.

Тренд №1. Активное использование бизнесом технологии анализа больших данных и предиктивной аналитики. По словам генерального директора технологической группы Rocket Humans Анастасии Усковой, аналитика больших данных помогает компаниям грамотнее выстраивать многие процессы — от маркетинговых активностей до поиска кандидатов. С развитием технологий анализ больших данных и предиктивная аналитика станут ещё доступнее. Будут появляться готовые API-решения в аренду или по лицензии — это существенно снизит их стоимость. Они будут встраиваться в любой бизнес и делать его более эффективным.

Тренд №2. Мультимодальность. В зависимости от ситуации человеку может быть удобно подтвердить операцию с помощью мобильного приложения, голоса или отпечатка пальца. «Фактически провайдеры услуг в борьбе за клиента вынуждены развивать модальность услуг. В идеале любая новая услуга должна быть сразу доступна для клиента во всех каналах, иначе клиентский путь заметно усложняется. Клиенту не нужно думать о том, какие операции он может подтвердить голосом, а какие — через мобильное приложение», — объяснил заместитель руководителя департамента IT-архитектуры ВТБ Михаил Хасин.

Тренд №3. Персонализация предложения. «Фактически это способ получить максимально подходящий клиенту продукт, покупка которого становится для него естественным желанием», — поясняет Хасин. В идеале, если человек обсуждает в чате некоего актёра, наиболее естественно предложить ему купить билет на концерт этого актёра. Именно ИИ в состоянии добиться идеального результата.

Тренд №4. Расширение проникновения ИИ и глубокое внедрение в бизнес-процессы. «Есть варианты использования ИИ в продажах, сельском хозяйстве, он уже используется в банковской сфере и страховании, спектр будет только расти», — считает сотрудник департамента экономических и финансовых исследований CMS Institute Николай Переславский.

Фото: Zapp2Photo / Shutterstock

Тренд №5. Упрощение использования. Если раньше для создания сайта/лендинга или проверки какой-либо гипотезы в онлайн-бизнесе вам нужен был программист, дизайнер и системный администратор, сейчас эти задачи легко решаются с помощью различных визуальных конструкторов. «Наверняка в теме ИИ скоро появятся (а может, уже появляются) подобные решения, когда не нужно будет обладать особыми знаниями или нанимать дорогих специалистов, чтобы собрать из модулей полезное решение для своего бизнеса», — убеждён Шеповалов.

Мультимодальные данные

Наш мировой опыт является мультимодальным: мы видим объекты, слышим звуки, чувствуем текстуру, ощущаем запахи и вкусы. Модальность относится к тому, как что-то происходит или испытывается, и проблема исследования характеризуется как мультимодальная, когда она включает множество таких модальностей. Для того чтобы искусственный интеллект достиг прогресса в понимании окружающего нас мира, он должен уметь интерпретировать такие мультимодальные сигналы вместе.

Например,изображения обычно ассоциируются с тегами и текстовыми пояснениями; Тексты содержат изображения, чтобы более четко выразить основную идею статьи.Различные модальности характеризуются очень разными статистическими свойствами.

Бесплатный курс по технологиям искусственного интеллекта от GeekBrains для новичков

Бесплатные занятия понравятся всем, кому интересна сфера машинного обучения, кто хотел бы дальше развиваться в этом направлении и больше узнать про ИИ. Ведь он, на самом деле, необычайно многообразен и необычные задачи смогут открыться каждому.

На занятиях вы сможете узнать, как начать свою работу в ИИ, устройство проектов данной сферы, и то, какие задачи решают разные направления машинного обучения. Вам будет доступен разбор практических кейсов под руководством настоящих экспертов.

Спикер: Юлия Пономарёва, Machine Learning Engineer в компании Napoleon IT. Она работает в отделе компьютерного зрения, её последний проект — разработка системы распознавания текста прайс-листов. Юлия является выпускницей Высшей школы электроники и компьютерных наук ЮУрГУ.

• Профессии в машинном обучении.
• Области искусственного интеллекта и их различия.
• Классический Machine Learning: классификация, регрессия, рекомендательные системы.
• Обработка естественного языка (NLP): классификация, генерация, вопросно-ответные системы, суммаризация, машинный перевод.
• Компьютерное зрение (CV): классификация, детекция, сегментация, OCR, трекинг, генерация.

В настоящее время происходит подъем технологий искусственного интеллекта, каждому дан шанс создать что-то невероятное и интригующее, полезное и серьезное, при этом не требуются какие-то сверхсекретные технологии и недоступная аппаратура. Требуется мало: современная видеокарта и неугасаемый энтузиазм со жгучим желанием творить.

Возможно, что именно вы совершите прорыв в этой сфере и оставите о себе память в истории современных технологий искусственного интеллекта.

*Facebook — организация, деятельность которой признана экстремистской на территории Российской Федерации.

Возможности искусственного интеллекта

Не секрет, что в современном мире множество задач выполняется с помощью автоматизированных машин. Ученые не останавливаются и продолжают работать в этом направлении, чтобы улучшить нашу жизнь. Все чаще люди, которые не связаны напрямую с наукой, слышат об искусственном интеллекте и о нейронных сетях.

Всё потому, что технологии машинного обучения начинают занимать серьезное место в повседневной жизни. Требуется разобраться в терминологии, в самом процессе новых технологий и решить, как выстроить будущее на взаимодействии с ними.

Конечно, возможности новых технологий искусственного интеллекта несколько ограничены. Как и человек, ИИ имеет свойство ошибаться, однако, за последнее время данная технология продвинулась в своем развитии на достаточно высокий уровень, а всё благодаря обучению на крупных и разнообразных выборках данных.

Возможности искусственного интеллекта

Искусственный интеллект мог бы помочь специалистам с работой над теми задачами, которые не совсем простые в плане понимания, осмысления и имеют зависимость от достаточно большого количества изменчивых факторов. Понять их алгоритм машине будет проще, если создать для этого все условия.

Основная цель в развитии ИИ – упростить выполнение задач, которые строятся на большом количестве переменных факторов, непросты в понимании, подразумевают сложное решение и достаточно тяжело алгоритмизируются вручную.

Ученые и исследователи возлагают большие планы на машинное обучение, велико желание сделать так, чтобы от человека не требовалось постоянно описывать какие-то конкретные алгоритмы.

Только до25 декабря

Пройди опрос иполучи обновленный курс от Geekbrains

Дарим курс по digital-профессиям
и быстрому вхождения в IT-сферу

Чтобы получить подарок, заполните информацию в открывшемся окне

Перейти

Скачать файл

В активной разработке подход — «черный ящик», когда человеку не требуется тратить уйму времени на программирование алгоритмов, на написание кода, а машина сама разберется со сложным программным кодом. Грамотные «тренировочные» данные для систем помогут машинам «программировать», выполняя задачу разработчиков.

Как начать внедрять искусственный интеллект

Фото: SviatlanaLaza / Shutterstock

Основатель TalkBank Михаил Попов советует начать с пересмотра своих процессов с точки зрения их исключения, автоматизации и роботизации

Если же бизнес ещё на этапе идеи, важно сразу заложить бюджет на ИИ.

«Если сейчас ИИ — это преимущество и возможность роста, то через три-четыре года это будут обязательные расходы, без которых ваша компания просто закроется через пару месяцев. Ей будет нечего делать на рынке, где конкуренты активно используют современные технологии».

Михаил Попов,
основатель TalkBank

Попов приводит в пример своего клиента — юридическую компанию, которая с помощью технологии в области финтеха и чат-ботов за год смогла увеличить оборот более чем в сто раз.

Миру нужны новые герои

Одним из открытий конференции стал факт, что медицинские вузы готовят не только врачей, но и программистов. Да и врачам знание ИТ не помешает. «Все наши выпускники должны владеть цифровыми технологиями. Каждый врач, выходя из стен института, должны знать, что такое ИИ и как с ним работать. Мы готовим не только медиков, но и разработчиков цифровых медицинских систем, которые будут их внедрять и поддерживать», — заявил Георгий Лебедев, директор института цифровой медицины, заведующий кафедрой информационных и интернет-технологий Первого МГМУ им. И.М. Сеченова.

В ВУЗе уже вводятся новые дисциплины, такие как e-health, аналитика больших данных в медицине и социологии, нейронные сети, базы данных и основные методы биоинформатики.

Использование ИИ в медицине и здравоохранении

«В здравоохранении на первом месте стоит человеческая жизнь, поэтому в медицине нет резкого взлета ИИ. Плюс надо помнить, что качественная цифровизация медицины возможна только при наличии шикарных каналов связи, — подчеркнул Георгий Лебедев. — Но мы движемся в направлении новых технологий. Проводим научные исследования и сразу привлекаем к ним студентов, чтобы они учились на практике. В любую ИТ-команду включаем и будущих врачей, которые смогут заниматься постановкой задач, и будущих программистов, которых ИТ-компания наверняка захочет забрать себе».

Тему образования в сфере ИИ поднял и Игорь Пивоваров, главный аналитик Центра искусственного интеллекта, МФТИ. Несмотря на то, что каждый год университеты выпускают все новых и новых ИТ-специалистов, область data science испытывает постоянный кадровый дефицит — не хватает, по меньшей мере, 5000 человек.

Беды определены. Что делать?

С рынком самого ИИ тоже не все однозначно. С одной стороны, он растет в 7,5 раз быстрее, чем ВВП России. С другой стороны, инвестиции в стартапы в 2020 г. упали на 46% в количестве сделок и на 63% в объеме инвестиций. За год был всего один «выход» на сумму в 2,5 млн долларов.

Невелик и объем научных публикаций об искусственном интеллекте. «Прогресс в научных исследованиях мы измеряем по числу публикаций, а также по числу патентов и открытых библиотек. В 2020 году позиция России практически не изменилась — она занимает 23 место по числу публикаций», — сообщил Игорь Пивоваров.

Владимир Новоженов: На основе машинного обучения создается большое количество технологических стартапов

Технологии искусственного интеллекта теперь доступны не только крупному бизнесу. Благодаря облакам у команд любого размера появилась возможность создавать, обучать и развертывать модели машинного обучения, рассказал Владимир Новоженов, продуктовый менеджер SberCloud.

Игал Зак: Искусственный интеллект может избавить врачей от рутинной работы

В медицинских учреждениях имеется множество данных о пациенте, но врачи просто не успевают обрабатывать их для того, чтобы точнее ставить диагноз. И здесь на помощь приходит искуственный интеллект. О его возможностях рассказал Игал Зак, генеральный директор «СберМедИИ».

страницы:

ИИ помогает принимать решения в космосе

Рис. 8 ЦУП сегодня.

В качестве киберфизической системы может выступать как отдельный беспилотный летательный аппарат (БПЛА), так и целая группировка таких аппаратов вместе с наземными станциями связи и управления. Хорошим примером является запущенная недавно компанией SpaceX группировка спутников Starlink. В процессе эксплуатации подобных групп БПЛА на околоземных орбитах возникает проблема опасности столкновения с космическим мусором, в связи с чем требуется рассчитывать возможные манёвры и принимать решения по уклонению.

Решение этой задачи для одного единственного БПЛА представляет определённые сложности — решение о манёвре уклонения принимает специальная комиссия из баллистиков ЦУПа за несколько витков до потенциального столкновения. В условиях текущего количества космического мусора это работает. Но эффективных систем по расчистке околоземного пространства пока нет, а эффект Кесслера может привести к тому, что потенциальных столкновений может возникать несколько за один виток. В такой ситуации времени на принятие решения будет критически мало, а из-за сложности ситуации в небе, просчёт потенциальных манёвров уклонения будет представлять чрезвычайно сложную задачу даже для группы опытных баллистиков.

Рис. 9 VR интерфейс ЦУПа будущего.

В процессе реализации проекта TZUP, в котором принимала участие команда PHYGITALISM совместно со специалистами из других компаний и университетов, была создана система моделирования движения спутников в околоземном пространстве с возможностью расчёта вероятностей столкновения с космическим мусором. Эта система была использована в качестве среды для обучения агентов искусственного интеллекта (задача обучения с подкреплением), т.е. цифровой двойник околоземного пространства стал генератором синтетических данных для обучения алгоритма. ИИ здесь выступает в качестве помощника диспетчера ЦУПа будущего. Система предлагает манёвры уклонения и визуализирует их, а специалисту остаётся только принять решение, какой из предложенных манёвров использовать. Получился своеобразный Яндекс.Навигатор в околоземном пространстве.

Рис. 10 Расчёт вероятности столкновения с помощью компьютерного моделирования.

Что такое искусственный интеллект и как он работает?

По словам генерального директора ООО «Лаборатория Наносемантика» Станислава Ашманова, не следует романтизировать искусственный интеллект и сравнивать его с человеческим мышлением или сознанием. Речь идёт скорее об автоматизации — замене труда человека работой компьютера, робота, станка.

«Мы считаем, что ИИ — это любая имитация, любое повторение задач, которые человек умеет выполнять», — поясняет Ашманов и приводит в качестве примера машинный перевод и проверку текстов на ошибки. Эксперт допускает, что операции, которые раньше делал только человек, со временем будут целиком доверены компьютеру.

Руководитель службы диалогово-коммуникационной платформы в банке ВТБ Рафаэл Айрапетян также убеждён, что реальность не имеет ничего общего с образом ИИ, вокруг которого создали хайп пользователи. «Искусственного интеллекта — такого, каким его представляют обыватели, — на самом деле нет. Есть технологии, которые позволяют всё лучше и лучше решать точечные задачи, связанные с обслуживанием клиентов. В частности, мы стали лучше понимать потребности людей. Если раньше мы определяли их с помощью неких паттернов и ключевых слов, то теперь это делают алгоритмы машинного обучения. Но подход, по сути, не изменился», — сказал Айрапетян.

Фото: fizkes / Shutterstock

Выделяют два основных направления развития ИИ: машинное обучение (обучение на примерах) и экспертные системы (знания человека в программе). При машинном обучении нет задачи объяснить машине принцип принятия решений. Алгоритм сам учится, глядя, как это делает человек, после анализа большого количества примеров. При этом наследуются все ошибки и ограничения экспертов, выводы которых были взяты за основу. В экспертных системах ситуация обратная: эксперта просят объяснить принципы его работы, которые закладываются в фундамент программы для машины.

Daily Work

Daily Work разработали сервис, который помогает находить исполнителей для работы. Помимо удобных функций геолокации, скоринга и push-уведомлений, система наделена искусственным интеллектом и способна распознать предметы на изображении, понимать разговорную речь и общаться с пользователями. Программно-аппаратный комплекс создан на основе платформы взаимодействия с пользователем API.ai и сервиса когнитивных функций Microsoft.

Существующий аналог в России — YouDo, но решение Daily Work отличается от него тем, что задачи решается с помощью искусственного интеллекта. То есть заказчику надо просто сказать голосом – «Дэйли, мне нужно заменить кран на кухне, он течет. Вот тебе фото», после чего по значению фразеологизма «заменить кран» нейросеть классифицирует запрос и отправит уведомления лишь тем исполнителям, которые подписались на раздел «Сантехника».

Сейчас проект находится на стадии seed: альфа-тестирование и получение обратной связи от пользователей. База готовых исполнителей на данный момент составляет 35 тысяч человек.

DAILY WORK. Как это работает?