Искусственный интеллект — мощнейший тренд наших дней. Технология уже проникла во многие бизнес-процессы и продолжает совершать революционные изменения на рынках IT, финансов, HR, e-commerce, систем безопасности. Не обходится и без перегибов: все чаще можно услышать о применении искусственного интеллекта в качестве своего рода маркетинговой приманки — например в кофейне. Руководитель технологического консалтинга по AI-решениям Intuition Иван Ильин рассказывает, кому и в каких случаях действительно стоит задуматься о внедрении AI-технологий — и как это лучше сделать.
3 мифа про искусственный интеллект
1. Внедрение AI гарантирует повышение эффективности конечного продукта в разы.
Нет, это не так. Эксперты Gartner, например, отмечают, что в среднем технология позволяет сэкономить всего 3-5%. На каждую историю успеха внедрения AI и ML (machine learning) приходится множество неудач. Половина финансовых топ-менеджеров, которые планируют ввести предиктивную аналитику к 2020 году, делают это из стадного чувства (panic buying). Аналитики компании советуют тестировать технологию, но избегать крупных вложений. «Путь к AI- и ML-нирване усыпан мертвыми телами неудачных примеров внедрения», — говорит Роб ван дер Мейлен из Gartner.
2. Количество сфер и отраслей, где можно использовать AI, безгранично.
AI — огромная область Computer Science. Очевидно, что решения на основе алгоритмов искусственного интеллекта многократно эффективнее в работе с изображениями и текстами, чем классические алгоритмы. Они приносят практическую пользу на миллиарды долларов в различных индустриях, но совершенно бесполезны и не несут никакой ценности в слишком «человеческих» областях. IBM может позволить себе создание робота-повара Chef Watson и решить таким образом ряд задач по маркетингу. Но что такая дорогостоящая технология может действительно дать индустрии общепита и гостеприимства, кроме кратковременного эффекта от хайпа?
В Wantful с помощью алгоритмов искусственного интеллекта пытались научить пользователей выбирать удачные персонализированные подарки для конкретных людей; в Teforia — правильно заваривать чай; в Polimobile — общаться с избирателями на политические темы. Все эти стартапы за короткое время прекратили свое существование. Наивно ожидать полного исключения человека из процессов, требующих креатива.
3. Не обязательно писать AI-модели с нуля — можно взять готовое решение из открытых библиотек.
Да, эффективно использовать готовое решение или собрать простую модель можно и без фундаментального математического образования. Но созданием своих эффективных алгоритмов под конкретные бизнес-процессы могут заниматься только профессионалы. Учитывая задачу и имеющиеся данные, они тонко настраивают алгоритмы компьютерного зрения, понимания естественного языка и классического машинного обучения. Специалисты также умеют составить оптимальный набор из доступных инструментов и правильно строить архитектуру решения.
Рассмотрим на примере торговой сети. Алгоритм кластеризации открытой библиотеки позволяет, не прибегая к услугам квалифицированного инженера машинного обучения, обработать сырые данные и разделить их по признакам, например сгруппировать магазины по товарообороту или проходимости. Но если ретейлер хочет разобраться в полученных данных (провести факторный анализ разбивки на кластеры, оценить корреляцию различных факторов, в том числе с бизнес-показателями, и т. п.), то ему придется нанять AI-специалиста. Последний применит более глубокий подход к обработке данных и напишет соответствующий задачам алгоритм.