Искусственный интеллект

Опрос Gartner, в котором принимал участие 451 представитель высшего технического руководства компаний, показал, что 57% ИТ-директоров считают разработку и реализацию стратегии внедрения ИИ на предприятии своей прямой задачей. Но есть четыре фактора, которые мешают им успешно ее решать.

1. Преимущества для бизнеса от использования ИИ не всегда материализуются

Чтобы добиваться хороших результатов, люди должны постоянно использовать в своем рабочем процессе инструменты генеративного искусственного интеллекта. Согласно опросу 5 тыс. пользователей цифровых технологий, проведенному Gartner во втором квартале 2024 года в США, Великобритании, Индии, Австралии и Китае, используя генеративный ИИ, люди экономят в среднем 3,6 часа в неделю. Однако не все сотрудники получают от него одинаковую выгоду. Результат зависит не только от личной заинтересованности и глубины внедрения, но и от сложности работы и приобретенного опыта. Организации, использующие искусственный интеллект, стремятся автоматизировать с его помощью ключевые бизнес-процессы, перепрофилировать роли для работы с чат-ботами, и добиться улучшений, которые меняют правила игры – создавать новые источники доходов и менять предлагаемые предприятием ценности. В такой ситуации управление рисками и преимуществами ИИ следует осуществлять с учетом особенностей имеющегося ресурсного портфеля.

2. Затраты на ИИ могут быстро выйти из-под контроля

В опросе Gartner в июне-июле 2024 года, в котором принимали участие более 300 ИТ-директоров, более 90% респондентов заявили, что управление затратами ограничивает их возможности по извлечению выгод из ИИ для предприятия. Аналитики Gartner полагают, что затраты несут в себе не меньший риск, чем вопросы безопасности и галлюцинации. Если ИТ-директора не понимают, как масштабируются их затраты на генеративный ИИ, при расчетах ошибки могут достигать 500% и даже 1000%. Нужно четко представлять себе компоненты затрат и варианты моделей ценообразования, понимать, каким образом эти затраты можно снизить, и уметь договариваться с поставщиками. ИТ-директора должны продемонстрировать, как масштабируются затраты, не ограничиваясь одними лишь технологическими вопросами.

3. Повсеместное использование данных и ИИ порождает новые проблемы и риски

В условиях повсеместного распространения на предприятии искусственный интеллект и данные больше не являются централизованными активами, которые напрямую контролируются ИТ-службой. Опрос Gartner показал, что при реализации проектов, связанных с искусственным интеллектом, в среднем в организациях используется только 35% его возможностей. Это означает, что нужны новые подходы к управлению доступом к данным и их защите, управлению входящими и исходящими потоками, а также обеспечению необходимой безопасности. Именно здесь возникает концепция «технологического сэндвича». В нижней его части находятся все данные и ИИ-компоненты, поступающие из ИТ-службы, как правило, централизованные. В верхней части – данные и компоненты, поступающие отовсюду, как правило, децентрализованные. А в середине – технологии управления доверием, рисками и безопасностью (TRiSM). Задача ИТ-директора заключается в том, чтобы сформировать «технологический сэндвич», который поможет справиться с неразберихой в ИИ, но сохранит открытость для новых возможностей.

4. На производительности и благополучии сотрудников применение ИИ может сказываться как положительно, так и отрицательно

Некоторые сотрудники могут испытывать сильную привязанность к ИИ. Другие – ощущать угрозу или обиду. Все это может привести к непредвиденным последствиям, обусловленным завистью к тем, кто использует искусственный интеллект, или чрезмерной зависимостью от инструментов ИИ. Но мало кто задумывается об этом. Согласно опросу Gartner, только 20% ИТ-директоров озабочены смягчением потенциального негативного воздействия генеративного ИИ на благополучие сотрудников. А между тем управление поведенческими результатами имеет не менее важное значение, чем управление технологиями и бизнес-результатами, и подходить к этому вопросу необходимо с той же тщательностью.

Инструменты оптического распознавания текста или символов (OCR, Optical Character Recognition) сегодня прочно ассоциируются с технологиями искусственного интеллекта и машинного обучения. При этом их история началась почти сто лет назад. Какие задачи эти инструменты решают сегодня? Скоро ли наступит время, когда по нажатию одной «кнопки» система сможет провести полный анализ текста с любой картинки без участия человека?

Начинать разговор об инструментах OCR и роли технологий искусственного интеллекта и машинного обучения сегодня стоит с уточнения понятий. Широкая аудитория неоднозначно воспринимает эти термины, хоть и слышит их постоянно. Ведь, например, тот же калькулятор, самостоятельно выполняющий определенные операции, уже допустимо назвать искусственным интеллектом. Как и любую базу данных с поисковой системой, которую можно спросить о чем-либо и получить ответ.

ИИ в OCR

Дело в том, что под общим определением ИИ скрывается очень разнообразный стек технологий, которые на верхнем уровне подразделяются на слабый (Narrow AI), сильный (General AI) и продвинутый (Super AI) ИИ. Первый — это достаточно простой алгоритм, запрограммированный на выполнение одной узкой задачи. Второй на основе заложенных в него данных может имитировать человеческое мышление, рассчитывать последовательность задач и принимать решения, в том числе, с применением нейросетей. Третий способен самостоятельно развиваться, мыслить, искать информацию, превосходя человека в любых задачах. Правда, пока он существует только в виде гипотез, так как требует достаточно высоких вычислительных мощностей не только для своего существования, но и для своего рождения. Впрочем, над созданием необходимых дата-центров и прорывных процессоров уже работают лидеры отрасли. При этом новый GPT-5 пока что не будет кардинально отличаться от предшествующей версии. Да, у него больший объем данных и глубже понимание контекста, но в случае с OCR реставрация документов, точное выделение разнонаправленного текста из сильно зашумленных, искаженных документов, распознавание рукописного текста при замусоренности изображений — это по-прежнему отдельное направление для работы. Поэтому сегодня, развивая систему OCR, добавляя в нее новые функции, мы не рассчитываем на ИИ в финальной концепции, а имеем в виду симбиоз «достаточных» технологий, которые позволяют программе взаимодействовать с окружающим миром: получать информацию из разных источников и выдавать ответ.

Само понятие оптического распознавания символов также нуждается в пояснении. Первые аппаратные средства, которые можно охарактеризовать как OCR-системы, появились почти сто лет назад: знаменитая, запатентованная в 1929 году «читающая машина» Густава Таушека на основе готовых шаблонов могла переводить текст на изображениях в печатный вид. По сути, читая любые материалы, каждый из нас занимается оптическим распознаванием: вычленяет в книге или на экране буквы и слова в определенном порядке, сравнивает с имеющейся в голове «базой данных» (например, системой естественного языка), анализирует и сопоставляет со знакомыми символами. Задача разработчиков инструментов OCR фактически заключается в том, чтобы машина могла качественно повторить этот процесс. Искусственный интеллект, разумеется, способствует достижению подобной цели.

Что умеет OCR уже сегодня

Рассматривая типовую функциональность инструмента OCR, мы пройдем по всему бизнес-процессу распознавания — от получения документа до аналитики.

На первом этапе системе необходимо просто понять, что на каком-либо изображении содержится текст — на отсканированном документе, фотографии, на ценнике или этикетке товара в магазине, в видеофайле или где-то еще. Отличить один объект от другого, вычленить потенциальный текст — это простая функция для технологии компьютерного зрения, но она одна из ключевых. Человек также читает не все подряд, а лишь то, на чем акцентирует свое внимание.

Более сложная задача — качественно передать содержание текста в систему, когда на изображении большое количество помех и шумов. Мешать могут дополнительные объекты в кадре, помарки в рукописном тексте, блики или размытия на фотографии, искажения текста, мусорные элементы, дефекты (например, слабо проявленный, смятый и потертый европротокол с множественными помарками нервничающего водителя) и т.д.

Поэтому перед началом анализа к объекту распознавания применяются технологии очистки и предобработки, которые позволяют сделать этот текст более качественным: развернуть, кадрировать, увеличить резкость, убрать шумы и прочие посторонние элементы. Существенную помощь на этих этапах оказывают легкие узконаправленные алгоритмы, которые построены на простых архитектурах и могут, например, детектировать вывеску, затем найти на ней шумы и символы, нормализовать текст и привести его в читаемый вид, пригодный для распознавания. Для этого необязательно перегружать систему сложными нейросетями.

Нормализованное изображение может быть подано на обработку специализированной сети, осуществляющей более точное детектирование текста. При этом важно понимать, что перегружать одну сеть, используя ее для решения всех задач по детекции, — слишком затратно. Поэтому вначале используются классификаторы на определенные виды оставшейся дефектовки и структуры текста, затем применяются сети по определению компоновки документа, далее уже легкие узконаправленные сети решают свои задачи: одна — распознавания очищенного фрагмента с текстом, другая — определения шрифта, языка и т.д.

Ключевой шаг после распознавания — понимание контекста. Система должна определить в документе те атрибуты, которые будут в дальнейшем использоваться в определенных бизнес-процессах: бухгалтерии, логистике, юридической службе и т.д. То есть на изображении начинается поиск определенных ключевых слов: сумм, дат, номеров контейнеров, заказов, договоров. Если документ структурированный (например, паспорт), систему можно настроить на проверку определенных областей. Если неструктурированный — она будет искать нужные сведения по всему тексту, изучая каждое слово.

В дальнейшем распознанные атрибуты возможно анализировать дополнительно, формируя комплекты документов, актуализируя и сверяя данные с информационными ресурсами, а также полностью или частично переносить их в другие системы. Для этого также справедливо использовать как алгоритмику и правила, так и языковые модели. Задав нейросети грамотный промпт, есть шанс получить качественный ответ.

Таким образом, уже сейчас технологии OCR могут полностью или частично автоматизировать рутинные процессы, связанные с обработкой информации в документах самых разных категорий: деловые бумаги и нормативные акты, этикетки, строительные чертежи, судебная документация и многое другое. Наибольшую пользу они приносят в связке со смежными системами — например, с CRM и электронным документооборотом.

Перспективы инструментов распознавания

Все движется к тому, что с расширением возможностей технологий искусственного интеллекта OCR-системы полностью трансформируются или сольются с целевым понятием ИИ, наделенным первоклассным зрением, аналитическим умом и тонким слухом. Главный сдерживающий фактор на пути — недостаток вычислительных мощностей, к тому же существующие дата-центры потребляют колоссальное количество энергии и крайне дороги в обслуживании.

Проблема решается несколькими способами. Производители микроэлектроники вроде Intel, AMD, NVIDIA выпускают процессоры, адаптированные под задачи ИИ, но на данный момент стоимость их очень высока, а мощность по-прежнему недостаточная, несмотря на то, что некоторые показатели новинок впечатляют. Разработчики нейросетей пытаются оптимизировать свои системы, делая их доступными для более слабого «железа». Это «приземляет» текущие сети, но не приближает их к целевому понятию ИИ. Крупный бизнес занимается оснащением мощных дата-центров, а рядовые пользователи и небольшие компании (например, дизайнерская студия или контент-менеджер) могут рассчитывать на облачные сервисы для доступа к нейросетям по модели подписки.

Однако полноценный прорыв в массовом использовании технологий на основе искусственного интеллекта, в том числе выход на новый уровень систем OCR, будет возможен только с развитием квантовых и биокомпьютеров. Соответствующие наработки уже мелькают в новостных сводках и обзорах. В момент, когда квантовые технологии станут массово доступными, мы, скорее всего, и обретем ту самую «волшебную кнопку», позволяющую пользователю дать системе какую угодно интеллектуальную задачу и получить качественный результат. Хотя, конечно, это перспектива дальняя.

Автор — Виктор Горюнов, директор продукта SOICA компании SL Soft

Переизбыток доступных данных способствовал сегодняшнему всплеску внедрения искусственного интеллекта и его генеративных возможностей в большей степени, чем какой-либо другой фактор. Сбор, очистка, систематизация и защита данных фактически превратились для искусственного интеллекта и машинного обучения в самостоятельный проект – процесс управления, в котором важную роль играют сами инструменты ИИ. Результатом всего этого может стать значительное улучшение управления данными, которое принесет пользу всему предприятию.

База данных остается основным хранилищем данных, но экосистема инструментов управления данными на основе искусственного интеллекта (включая продукты стартапов, которым может пока не хватать стойкости и полноценного понимания всех нюансов функционирования баз данных) уже получает повсеместное распространение. Со временем с предлагаемым программным обеспечением для баз данных и облачными сервисами, очевидно, будет интегрироваться все больше функций управления.

Применение ИИ для автоматизации управления данными способно приносить немедленную отдачу. Чем лучше предприятие управляет своими данными, тем лучше сотрудники, занимающиеся машинным обучением, могут использовать эти данные для создания приложений на базе искусственного интеллекта. В более широком смысле добавление искусственного интеллекта к управлению данными оказывает положительное влияние на их аналитику, соблюдение нормативных требований и повышение качества данных в любой отдельно взятой организации.

Рассмотрим подробнее, каким образом ИИ модернизирует процессы, связанные с управлением, и как инструменты, улучшенные с его помощью, способствуют успеху как приложений искусственного интеллекта и машинного обучения, так и процесса обработки данных в целом.

Каталогизация данных

Знаете ли вы, где находятся ваши данные? Для эффективного управления организациям необходима полная инвентаризация всех основных хранилищ данных и понимание того, что в них содержится. Задача идентификации корпоративных данных, доступа к ним и их классификации становится все более сложной в том числе и из-за бесконтрольного распространения облачных хранилищ данных, не говоря уже о наличии полуструктурированных журналов, используемых для выявления операционных тенденций и аномалий. Программное обеспечение для каталогизации данных позволяет составить подробную схему этих хранилищ.

Искусственный интеллект может помочь на всех этапах каталогизации данных организации, начиная с автоматического обнаружения хранилищ данных, имеющих отношение к предприятию. Спектр инструментов каталогизации варьируется в широких пределах. Некоторые используют ИИ в том числе и для определения политик контроля доступа и организации поиска на естественном языке. Каталогизация на основе искусственного интеллекта значительно сокращает объем ручного труда, связанного с классификацией информационных ресурсов, и выявляет происхождение данных, показывая, откуда они берутся и как менялись.

Управление метаданными

Эффективное управление метаданными, то есть информацией, описывающей данные компании, имеет основополагающее значение для успешного управления. Инструменты каталогизации на основе искусственного интеллекта позволяют идентифицировать метаданные для правильной классификации информационных ресурсов. Кроме того, управление метаданными имеет жизненно важное значение для надежной работы с данными. Широкий спектр существующих предложений – от программного обеспечения для интеграции данных до платформ наблюдения за ними – открывает новые возможности и для управления метаданными.

Инструменты управления метаданными, основанные на искусственном интеллекте, облегчают процесс ручной классификации данных и помогают устранять различия в описаниях метаданных. В прошлом предприятия оперировали относительно статичными метаданными, но сегодня инструменты ИИ непрерывно отслеживают и собирают динамическую информацию о хранении, использовании и перемещении потоков данных. Помимо других преимуществ, метаданные, подробно описывающие ресурсы данных, могут использоваться для выдачи на основе ИИ рекомендаций по оптимизации платформ хранения и даже для определения потенциальных путей интеграции данных.

Качество данных

Наибольшее влияние ИИ оказал на качество данных, которое характеризуется шестью основными аспектами: точностью, полнотой, согласованностью, уникальностью, своевременностью и достоверностью. Очевидно, что при отсутствии у данных этих свойств риск катастрофических последствий в результате операционной деятельности заметно возрастает. А специалистам, занимающимся наукой о данных, и аналитикам приходится прилагать титанические усилия к очистке данных, прежде чем их можно будет использовать.

Инструменты искусственного интеллекта и машинного обучения позволяют автоматически находить пропущенные значения, осуществлять нормализацию форматов данных, выявлять аномалии в них и выполнять многие другие функции. Конечно, решения (например, идет ли в случае одинаковых имен речь об одном и том же или о разных клиентах) людям по-прежнему приходится принимать самостоятельно, но общая экономия времени оказывается огромной. По мере того, как инструменты искусственного интеллекта находят все больше закономерностей в обширных объемах данных, выдаваемые ими рекомендации, обнаруживаемые корреляции и вносимые коррективы постоянно улучшаются. Соответствующие критерии используются при организации мониторинга качества данных в режиме реального времени.

Моделирование данных

Структурирование базы данных – или всей архитектуры данных – начинается со сбора и анализа требований к данным, а также с разработки логических и физических моделей, обеспечивающих соответствие этим требованиям. В ряде продуктов искусственный интеллект позволяет архитекторам данных и инженерам легко создавать визуальные представления моделей данных.

Сегодня на многих предприятиях моделирование данных направлено на обслуживание приложений искусственного интеллекта и машинного обучения. Некоторые инструменты обработки данных с использованием ИИ предлагают автоматизированное конструирование признаков (feature engineering), при котором ключевые характеристики извлекаются из наборов данных, предназначенных для подготовки к обучению ИИ. В сочетании с автоматическим машинным обучением это позволяет подбирать модели разных типов, определяя наиболее подходящие для конкретных приложений и прогнозной аналитики. Если данных для эффективного обучения модели оказывается слишком мало, инструменты моделирования на основе искусственного интеллекта могут использовать существующие хранилища и генерировать синтетические данные, которые очень похожи на реальные.

Политика данных и управление их жизненным циклом

Политику обработки своих данных организациям необходимо определять на основе федеральных, государственных, отраслевых и международных нормативных актов, а также внутренних бизнес-правил. На крупных предприятиях создаются комитеты по управлению данными, которые устанавливают соответствующие правила и разъясняют порядок их выполнения. Описывается все это в специальном документе, который дополняется по мере изменения правил и процедур. Поддержка естественного языка генеративным искусственным интеллектом позволяет автоматизировать создание черновых вариантов такой документации и значительно облегчает внесение в нее последующих изменений.

Анализируя шаблоны использования данных, нормативные требования и внутренние рабочие процессы, ИИ помогает организациям определять и внедрять политику хранения, а также автоматически идентифицировать данные, срок службы которых истек. Искусственный интеллект способен инициировать даже процедуры архивации и удаления. Наряду со снижением рисков и обеспечением выполнения нормативных требований автоматизация архивирования данных создает условия для освобождения места и сокращения затрат на хранение.

Готовность данных

Системы аварийного восстановления на базе искусственного интеллекта помогают организациям разрабатывать эффективные стратегии восстановления, прогнозируя возможные сценарии сбоев и принимая превентивные меры для минимизации простоев и исключения потери данных. Системы резервного копирования, основанные на искусственном интеллекте, гарантируют целостность резервных копий и автоматически инициируют процедуры восстановления потерянных или поврежденных данных в случае сбоя.

Системы управления хранением на базе ИИ реплицируют и распределяют данные по нескольким хранилищам, обеспечивая высокий уровень их готовности и низкую задержку. Средства прогнозной аналитики на основе искусственного интеллекта собирают данные с датчиков, из журналов оборудования и архивных записей систем технического обслуживания в целях минимизации потенциальных сбоев или простоев. Для предотвращения снижения уровня готовности данных профилактические меры важны, как ничто иное.

Человек по-прежнему необходим

С управлением данными искусственный интеллект по большей части справляется достаточно легко. Многие задачи (от обнаружения данных и их очистки до управления политиками), связанные с управлением и выполняемые сегодня во многом вручную, не представляют для ИИ особых сложностей и решаются им с более высокой точностью по сравнению с людьми. И это уже большая победа, особенно если учесть, что для операций машинного обучения нужны очищенные и упорядоченные хранилища данных, на основе которых можно создавать и обучать приложения искусственного интеллекта.

Следует, однако, помнить, что искусственный интеллект не обладает в полной мере разумом в том смысле, который мы вкладываем в это слово. Для устранения даже незначительных расхождений в данных может понадобиться анализ контекста и опыт, который способны приобрести только люди. Очевидно, никто не станет сегодня поручать машине создание корпоративной архитектуры данных. Да, искусственный интеллект уже сейчас способен исключить значительную часть ручного труда при управлении данными. Но он не сможет решать за вас все.

Ранняя диагностика заболеваний позволяет значительно повысить шанс на более быстрое выздоровление и сохранение качества жизни пациента. Решения на базе искусственного интеллекта способны помочь врачам как можно раньше диагностировать патологию, начать терапию на ранних стадиях и сократить расходы на лечение. Кроме того, за счет этого снижаются риски возможных врачебных ошибок, которые, по данным Минздрава, ежегодно становятся причиной около 70 тыс. осложнений.

билайн совместно с Сеченовским Университетом (Первый МГМУ им. И. М. Сеченова — Прим. ред.) создал цифровые медицинские продукты с использованием ИИ. Доступ к большим объемам медицинских данных вуза позволяет использовать их для обучения моделей искусственного интеллекта, разработанными командой MedAI билайна. О реализации таких проектов рассказывает Александр Арутюнян, руководитель по продуктам на основе ИИ для медицины «Вымпелком» и номинант на премию Data Award.

- Какова история участия билайна в медицинских проектах, и в каких медицинских направлениях вы работаете?

Мы принимаем участие в медицинских проектах с 2021 года, сотрудничая с одним из ведущих медицинских вузов страны – Сеченовским Университетом, а также работая в партнерстве с другими разработчиками искусственного интеллекта для здравоохранения. Более того, в феврале 2024 мы создали совместное предприятие с университетом – MедТех ИИ. Поэтому можно с уверенностью сказать, что наша команда наработала уже достаточно серьезный опыт в сфере медицинских исследований и разработок.

Сейчас мы продолжаем наши разработки в применении ИИ для помощи врачам в диагностике патологий тазобедренного сустава на снимках МРТ. Также мы активно работаем над задачами использования ИИ в области патоморфологии. На рынке пока предлагается не так много решений для этого вида диагностики, несмотря на то, что применение ИИ может существенно повысить качество гистологических исследований и снизить временные и ресурсные затраты специалистов.

Кроме этого, на нашей повестке – развитие направлений диагностики атрофического гастрита с помощью ИИ и дистанционный мониторинг пациентов, которые мы считаем очень важными и нужными как для самого пациента, так и для развития здравоохранения в целом.

- Каких целей пытается добиться компания? Это коммерческая или социальная история?

Наша цель – разработка ИИ-решений в медицине, которые помогут улучшить качество и доступность медицинских услуг за счет повышения скорости и эффективности диагностических исследований. Известно, что ранняя диагностика заболевания имеет важное значение для сохранения здоровья и жизни пациента, а в масштабах страны – здоровья значительного количества ее граждан, снижая при этом стоимость лечения, затраты для медучреждений и системы здравоохранения. То есть, здесь речь идет об экономическом эффекте от внедрения ИИ технологий в медицинскую практику.

С другой стороны, ИИ сокращает, например, время анализа снимка и подсчета морфологических параметров, помогая специалистам при постановке диагноза. Рутинные задачи передаем современным ИИ системам и получаем сервис «второго мнения», который способен вывести работу врачей на новый уровень.

Ну и, наконец, многим знакома ситуация, когда приходилось долго ожидать результатов биопсии, на основе которых будет поставлен диагноз. И без преувеличения можно сказать, что это один из самых тяжелых опытов, через который проходит человек – в течение 10 или даже более дней ожидать заключение диагностики. ИИ может существенно ускорить анализ, а значит сократит время ожидания результатов для пациента.

Поэтому, отвечая на вопрос, можем сказать, что это и коммерческая, и социальная, и «человеческая» история.

- Какие принципы пытаетесь соблюдать, каковы требования к создаваемым решениям?

В разработке наших ИИ решений для медицины мы придерживаемся нескольких важных принципов. Главный из них – решения должны быть высокоточными и надежными, чтобы использоваться для помощи в диагностике и лечении. Нам важно валидировать результат работы искусственного интеллекта на разных исследованиях для подтверждения точности моделей. Валидация моделей происходит следующим образом: мы проверяем работу моделей вместе с профильными специалистами, при возможности сопоставляем с клиническими данными.

Еще один важный принцип – решения должны повышать эффективность медицинских организаций, сокращая временные и финансовые затраты, и кроме этого подходить для решения широкого круга задач. Кроме того, важно соблюдать удобство для пользователя: решения должны быть интуитивно понятными и удобными в использовании для врачей и пациентов.

Наконец, этичность и безопасность. Решения должны соответствовать этическим нормам, поэтому вне зависимости от результата работы ИИ, диагноз ставит квалифицированный специалист. Кроме того, с учетом чувствительности информации о состоянии здоровья, должна обеспечиваться конфиденциальность данных пациентов и высокий уровень их защиты.

- В чем заключаются основные проблемы в ходе реализации проектов? Как их решаете?

Лучше назовем их вызовами. Во-первых, это доступ к данным. Для разработки эффективных решений нужны высококачественные медицинские данные. Сеченовский Университет обладает большими массивами накопленных данных со снимков МРТ и анализов гистологических препаратов. Вместе со специалистами университета мы создаем размеченные датасеты, которые служат основой для обучения и совершенствования наших алгоритмов ИИ. Для разработки решений используются данные пациентов, которые согласились на соответствующую обработку данных.

Во-вторых, нужна экспертиза в области здравоохранения. Для разработки моделей необходимы глубокие знания в области медицины. Безусловно, эксперты университета дают нам ценные сведения о медицинских практиках, диагнозах и методах лечения. Разработчики и специалисты по работе с данными из нашей команды совместно с коллегами-врачами анализируют и размечают большое количество диагностических исследований.

Приведу пример из жизни, как синергия команд билайна и Сеченовского Университета работает в фокусных областях медицины для создания качественных алгоритмов. Для тренировки модели на распознание структур в гистологическом снимке желудка мы разбирали разницу между бокаловидными клетками желудка и скоплений муцина (который является структурным компонентом слизи) – они очень похожи, выглядят как белое пятно внутри железы, но бокаловидные клетки являются признаком патологии, а муцин – часть здоровой железы.

В гистологических исследованиях почки нужно было научиться различать внешне похожие здоровые и онкологические клетки. Более того, клетки не всегда выглядят как в учебнике, и часто встречаются переходные варианты. С экспертизой врачей мы не только научились различать их, но и разрабатываем точную классификацию для разметки ядер клеток почки.

Резюмируя, можно сказать, что разложить клетки, ткани, или органы на объекты для обучения моделей – очень непростая задача. Но наши разработчики вместе со специалистами Сеченовского Университета вполне успешно справляются с ней.

- Приведите примеры нескольких показательных проектов. Чем они интересны?

Хочу привести примеры, как использование ИИ технологий билайна может помочь выявлять вероятность различных заболевания на ранней стадии, существенно повышая шансы на более быстрое выздоровление.

Первый из них – анализ гистологических исследований почки для определения паттернов фиброза и воспаления. Трансплантация органов – порой единственный способ спасти жизнь пациента и значительно улучшить ее качество. Но трансплантация органа представляет собой очень сложный процесс. Часто он сопряжен с различными осложнениями, в том числе фиброзом тканей и воспалениями, которые сигнализируют об отторжении органа. Технологии компьютерного зрения позволяют сегментировать исследуемую ткань и определять паттерны фиброза и воспаления. Своевременное выявление фиброза и воспаления дает возможность принять меры по предотвращению прогрессирования заболевания и сохранению функции трансплантированной почки. Например, может быть проведена коррекции иммунных терапий, что предотвратит отторжение трансплантата.

Еще один пример – анализ гистологических исследований почки для определения ядрышковой градации (опухолевых клеток). С помощью технологий компьютерного зрения сегментируются ядра клеток и определяются потенциально опухолевые клетки на всем снимке. Раннее обнаружение онкологического заболевания повышает шансы на успешное лечение и увеличивает выживаемость пациентов. Начатая на ранней стадии терапия может предотвратить распространение опухолевых клеток и снизить необходимость радикальных хирургических вмешательств.

- Каких успехов удалось достичь?

Мы создали ИИ-решение для анализа гистологических препаратов почки для определения потенциально опухолевых клеток. Программа разработана для автоматизации определения с помощью ИИ классификации ядер клеток почки в рамках существующей классификации ВОЗ. Модель рассчитывает относительную плотность ядер опухолевых клеток различных типов и предоставляет эту информацию для анализа врачу. Результаты работы программы выражены в форме горячих карт и новых гистологических биомаркеров, обладающих прогностической ценностью.

Разработали ИИ-решение для анализа гистологических препаратов почки для определения вероятности паттернов фиброза и воспаления. ИИ помогает стандартизировать исследования и количественно оценить морфологические характеристики, улучшив воспроизводимость в клинической практике. Наш подход помогает отличить пограничные изменения от отторжения. ИИ-модель глубокого обучения продемонстрировала высокую точность предсказания клинических баллов по классификации Баннфа, что делает ее перспективным инструментом помощи для патологоанатомов.

- В чем роль медицинских проектов для билайна?

Медицинские проекты являются одним из важных направлений для нашей команды MedTech, которая занимается разработками в сфере здравоохранения, и важны для билайна в целом. Создавая такие решения, мы используем наши технологические возможности и ИИ экспертизу для улучшения качества жизни. Наконец, билайн – коммерческая компания, и такие проекты открывают нам возможности для коммерческого роста и новые области для бизнеса.

- Каковы направления развития медицинских инициатив в билайне?

Направления развития наших медицинских инициатив включают разработку, интеграцию и внедрение моделей ИИ в лабораторные и медицинские системы, а также развитие направления дистанционного мониторинга пациентов с использованием речевых технологий. Для этого мы будем расширять сотрудничество с медицинскими учреждениями и научным сообществом.

С точки зрения лабораторных систем важное для нас направление развития – патоморфология атрофического гастрита, который в последние десятилетия стал очень распространенным заболеванием. Своевременная диагностика, включая гистологическое исследование биопсийных образцов слизистой оболочки желудка, играет одну из ключевых ролей в выявлении и оценке степени атрофии. Мы разрабатываем алгоритмы машинного обучения, которые позволят определять вероятность и классифицировать изменения тканей с высокой точностью. Регулярный мониторинг состояния слизистой оболочки желудка позволяет врачам выявлять и контролировать прогрессирование заболевания, что существенно снижает риск развития его осложнений, включая рак желудка.

Что касается дистанционного мониторинга, то мы разрабатываем мониторинг с использованием речевых технологий, который будет обеспечивать эффективное и удобное взаимодействие между пациентами и врачами, а также позволит оперативно реагировать на изменения в здоровье пациентов. Речевые технологии также могут применяться для мониторинга побочных эффектов лекарственной терапии и, соответственно, быстрой коррекции. Дистанционный мониторинг актуален в онкологии, диабетологии, во время реабилитации после операций. В целом, дистанционный мониторинг с использованием речевых технологий представляет собой инструмент для обеспечения качественного медицинского ухода, повышения качества сервиса для пациентов и оптимизации ресурсов здравоохранения.

- Что нужно для развития ИИ-проектов в медицине? Какие шаги необходимы со стороны бизнеса, государства и научного сообщества?

Развитие ИИ-проектов в медицине требует комплексного подхода, объединения усилий со стороны бизнеса, государства и научного сообщества. Со стороны бизнеса необходимы инвестиции в исследования и разработки решений ИИ, которые способны помочь врачам эффективно и своевременно решать сложные медицинские задачи и отвечают реальным потребностям пациентов и системы здравоохранения.

Со стороны государства важно создание гибкой регуляторной среды, которая сможет обеспечить баланс между инновациями и частной жизнью пациентов. В то же время государство может выделять средства на исследования и разработки ИИ в медицине, поддерживая академические учреждения и исследовательские лаборатории. И конечно, необходимы кампании по повышению осведомленности людей о возможностях и преимуществах технологий ИИ в здравоохранении.

Научное сообщество может помочь с профильной экспертизой для разработки новых методов и алгоритмов ИИ, которые будут решать медицинские задачи. Это будет способствовать внедрению ИИ в практику здравоохранения, обеспечивая научное обоснование, данные для датасетов и поддержку для принятия решений.

По нашему мнению, только совместные усилия бизнеса, государства и научного сообщества могут ускорить развитие и внедрение ИИ-проектов в медицине, улучшая результаты для пациентов, повышая эффективность системы здравоохранения и открывая новые возможности для медицинских исследований и инноваций.

Интеллектуальная система цифрового контроля, созданная специалистами Softlogic на базе нейросетей, помогает городским коммунальным службам проводить ежедневный контроль улиц, дворов, множества объектов дорожного и коммунального хозяйства в масштабах всего города. Нейросеть полностью исключает временные затраты на сбор и первичный анализ зафиксированных состояний объектов. При классическом подходе с участием сотрудников это время измеряется часами. Решение предназначено для ведомств, ответственных за состояние дорожной инфраструктуры и содержание городских территорий. О реализации этого проекта рассказывает Александр Колесников, технический директор Softlogic и номинант на премию Data Award.

- Какова история проекта? На решение каких проблем он направлен?

К нам пришел запрос от одного из заказчиков: камеры существуют в городе везде, а что, если поместить камеру в автомобиль? Какой будет результат? Может ли ИИ выявлять ямы, выбоины, стертую дорожную разметку, повреждение бордюра и т. д.? С этого началась разработка продукта, исследования и тестирование.

Мобильный комплекс помогает контролировать благоустройство территорий, а также повысить качество жизни граждан.

- Почему это важно?

При обследовании инспектором в любом случае присутствует человеческий фактор. С помощью ИИ идет автоматическая оценка состояния объектов городской инфраструктуры. При этом автоматизируется работа городских служб, ускоряются и оптимизируются бизнес-процессы в работе госслужащих. С ИИ есть возможность собирать больше данных о нарушениях в содержании территорий в десятки раз. Это помогает быстрее и оперативнее реагировать и устранять нарушения. Мобильный комплекс – это эффективный инструмент, который поможет администрациям городов создавать комфортный город для жителей.

- Какие требования предъявлялись к создаваемому продукту, какие принципы пытались соблюсти?

От продукта требовали мобильность, автономность, надежность и точность. Мы придерживались принципа уникальности продукта, его масштабируемости и отказоустойчивости.

- Что представляет собой созданное решение?

В состав решения входят высокопроизводительный блок автономных вычислений, три камеры, три антенны и облачная платформа для вывода данных. Комплекс устанавливается в транспортное средство, внутри него расположены модули ИИ на базе искусственных нейронных сетей.

Графические процессоры, входящие в комплекс, получают видеоизображения с камер, далее нейросеть проводит оценку состояния попавших на них объектов. Затем с помощью GPS/ГЛОНАСС к кадрам с нарушениями добавляются данные о местонахождении нарушений и времени их фиксации. После этого данные передаются в облачную платформу sl.vision – нашу собственную разработку, позволяющую пользователям без дополнительного обучения использовать ИИ-аналитику в управленческих целях.

- В какие сроки, какими силами реализована система?

В 2018 году началась разработка продукта. В 2019 появилась первая версия мобильного комплекса, в 2021 постепенно началась эксплуатация комплекса в регионах.

- Где уже применяется решение, каких результатов удалось достичь?

Важно отметить операционную эффективность автономного мобильного комплекса нейросетевого наблюдения, в том числе ускоренное решение возникающих проблем и исключение подлогов при проверках. Процесс сбора данных становится фоновым, силы сотрудников перенаправляют на более сложные задачи, достигается полная объективность оценки.

По данным Главного управления содержания территорий Московской области, автомобили, оснащенные комплексами ИИ, в 18 раз чаще выявляют дефекты по сравнению с инспектором и сокращают время реагирования и устранения проблем в содержании городских территорий. Уменьшение человеческого фактора в вопросе отслеживания нарушений позволяет улучшить качество городской среды. В Подмосковье за полгода использования комплекса удалось на 40% снизить количество жалоб со стороны горожан и на 25% снизить количество выявляемых замечаний, так как качество городской среды улучшилось.

- А с финансовой точки зрения?

Возможен рост доходов за счет собираемых штрафов. Средний финансовый поток от штрафов за обнаруженные системой нарушения – 5 млн руб. ежемесячно. К примеру, штраф за нарушение содержания территорий составляет до 100 тыс. руб. для юридических лиц и до 40 тыс. руб. для должностных лиц.

- В чем роль проекта для государства и общества?

Мы уверены, что системы видеонаблюдения и безопасности должны приносить максимальную пользу бизнесу и государству. Поэтому мы создаем программно-аппаратные комплексы нейросетевого наблюдения, которые обеспечивают комфортную и безопасную городскую среду для граждан и успешное функционирование бизнеса разных отраслей.

- Каковы дальнейшие направления развития проекта?

Мы постоянно совершенствуем и дорабатываем программно-аппаратные комплексы нейросетевого наблюдения. В планах охватить ими другие социально-значимые проблемы: обучить нейронную сеть определять сосульки и борщевик, доработать функционал неправильной парковки, а также расширить функционал комплекса для дорожных служб.

В сети «Магнит» создана платформа управления ценностью клиентов (Customer Value Management, CVM), ставшая инструментом, позволяющим провести оптимизацию взаимоотношений с клиентами и сфокусироваться на повышении их лояльности, вовлеченности и, как следствия, максимизации эффектов, которые каждый клиент приносит компании. Платформа позволяет провести анализ и персонализацию взаимодействия с клиентами, улучшить каждый этап их жизненного цикла, а также помогает в формировании стратегии удержания и увеличения ценности клиентов. Главная цель платформы CVM — создание долгосрочных и взаимовыгодных отношений, повышения уровня лояльности и удовлетворенности клиента, что в совокупности способствует устойчивому росту и успеху компании. О реализации проекта рассказывает Максим Горынцев, руководитель управления развития ценностью клиентов сети «Магнит» и номинант на премию Data Award.

- Как исторически решалась задача работы с клиентами (повышения их ценности, маркетинговых коммуникаций) до создания платформы CVM?

До появления платформы CVM компания решала задачи работы с клиентами и повышения их ценности с использованием ограниченного набора бизнес-правил. На начальном этапе отсутствовала централизованная система управления клиентами, и взаимодействие с ними осуществлялось простым набором действий. Например, в рамках программы лояльности внедрение правил, таких как начисление баллов новым участникам, основывалось на стимулировании поведения клиентов и создании мотивации для участия в программе. Использовались персонализированные бонусы – эти действия включали начисление баллов на день рождения клиента, что было направлено на улучшение взаимоотношений и создание персонализированного опыта. Наконец, были рекомендации – довольно однобокие бизнес-правила для оценки потребления клиентов в разрезе товарных категорий, а также стимулирование клиентов покупать те или иные товары на основе отклонений в потреблении от среднего диапазона.

- Чем не устраивала ситуация? Какие задачи требовалось решить?

Реализация платформы CVM была введена с целью улучшения и трансформации построенных процессов взаимодействия, создания более гибкой и централизованной системы управления клиентами, а также более сложных стратегий по взаимодействию и удержанию клиентов на основе анализа данных. Важно понимать, что платформа CVM была разработана на основе убеждения команды в уникальности каждого клиента и необходимости ежедневного анализа его поведения.

- В чем суть созданной системы?

Работа с платформой предоставляет команде несколько важных возможностей. Во-первых, это возможность предугадывать вероятность оттока. Путем систематического анализа данных о клиенте платформа старается выявить сигналы, предвещающие его уход. Это позволяет компании предпринимать меры по удержанию, предлагать персонализированные бонусы или предложения для улучшения клиентского опыта.

Вторая важная задача – понимать желания и ожидания. Платформа активно анализирует данные о потребительском поведении, чтобы понимать индивидуальные предпочтения. Это позволяет предоставлять персонализированные предложения, отвечающие уникальным потребностям клиента.

Третья функция – предоставлять возможность для нового опыта. CVM ставит своей задачей предоставление клиентам возможности попробовать что-то новое. Это может включать в себя предложения по новым продуктам, уникальным акциям или индивидуальным бонусам, направленным на стимулирование интереса клиента и повышение его лояльности.

Наконец, непосредственно повышение уровня лояльности. Это подразумевает создание долгосрочных и устойчивых отношений с клиентами, опираясь на постоянный анализ данных, персонализированные стратегии и предложения, направленные на удовлетворение потребностей каждого из них.

Такой подход позволяет нашей команде эффективно и оперативно адаптировать платформу CVM к изменениям в поведении клиентов, формировать индивидуальные стратегии взаимодействия и, таким образом, повышать общую лояльность клиентской базы.

- На каких технологиях построено решение?

Для обеспечения функциональности и удовлетворения текущих потребностей, мы внедрили передовой стек технологий, который включает в себя множество инструментов и фреймворков. Помимо таких распространенных техно-стеков для работы с большими данными, как MPP GreenPlum, Apache Hadoop, Apache Hive, Object Storage (S3) и Apache Airflow, мы используем широкий набор библиотек и фреймворков для разработки и реализации алгоритмов машинного обучения, анализа данных и создания эффективных вычислительных моделей: Python, PySpark, PyTorch, TensorFlow. Кроме того, используется MlFlow – инструмент для управления жизненным циклом машинного обучения, который обеспечивает отслеживание, воспроизводимость и управление моделями. Использование инструментов контейнеризации Docker и оркестрации Kubernetes обеспечивает гибкость и удобство в развертывании, масштабировании и управлении приложениями нашей платформы. Настроенные CI/CD процессы в разработке (GitLab CI/CD), интегрированные со всей платформой (включая Kubernetes и Airflow) позволяют бесшовно и с минимальными задержками развертывать нужные сервисы, модели и приложения в автоматическом режиме.

Этот стек технологий обеспечивает не только высокую производительность и эффективность обработки данных, но также позволяет использовать передовые методы машинного обучения и анализа данных.

- Что «под капотом»? С помощью каких математических методов обрабатываются клиентские данные? Приведите пару примеров.

Нужно отметить, что команде приходится решать как задачи обучения с учителем, так и без учителя. Поэтому у нас имеется широкий набор алгоритмов. Например, для задач классификации и приводимых к ним – от логистической регресссии до градиентных бустингов, а для рекомендательных систем – от ассоциативных правил до продвинутого uplift-моделирования и рекомендательных систем на нейронных сетях.

Платформа с легкостью позволяет проводить тесты новых механик и в случае успеха внедрять их.

- Поделитесь несколькими примерами реализованных на платформе задач.

Недавно мы внедрили новые стратегии взаимодействия с клиентами: «Напоминание» и «Увеличение трат». В рамках первой из них триггерные события напоминают клиентам о том, что тот или иной товар у них скоро закончится. Очевидной целью в этом случае является стимулирование клиентов приобретать товары с выгодой, не дожидаясь того, как их запасы иссякнут и, как дополнение, купить что-то еще. При реализации второй стратегии проводится расчет среднемесячных трат клиента и устанавливается порог, при превышении которого предоставляются экстра-бонусы. Так мы мотивируем клиентов увеличивать свои траты, обеспечивая им дополнительную выгоду.

- Каких результатов удалось достичь? Как это соотносится с ожиданиями?

О востребованности и успешности платформы говорят показатели прошедшего года: более 350 млн направленных предложений клиентам, более 200 млн коммуникаций через различные каналы связи, более 31 млн уникальных участников, получивших предложения платформы. Нашим специалистам доступно более 500 возможных вариантов предложений на участников программы лояльности, было запущено более 300 персонализированных кампаний.

К сожалению, у нас нет возможности предоставить конкретные экономические показатели, однако мы можем констатировать заметные положительные изменения в ключевых метриках. Так, пенетрация карт лояльности у клиентов, с которыми реализуется взаимодействие через платформу CVM, выше более чем на 5% пунктов. Участники коммуникаций платформы CVM демонстрируют более высокий средний чек по сравнению с контрольной группой. Меняется и частота посещения магазинов: клиенты, участвующие в активностях CVM, посещают магазины чаще по сравнению с теми, с кем взаимодействие не осуществляется.

- А есть ли оценки, касающиеся изменения реальной лояльности клиентов?

Положительные изменения в ключевых показателях свидетельствуют о том, что платформа CVM действительно позитивно влияет на поведение клиентов. Реализуемые с ее помощью активности стимулируют вовлеченность клиентов, увеличивая средний чек и частоту посещений магазинов. Также важно заметить, что показатель открываемости (open rate) коммуникаций CVM более чем вдвое превышает показатели любой другой активности в нашем мобильном приложении. В конечном итоге все это приводит к росту финансовых показателей сети и улучшению ключевых показателей программы лояльности.

- Что дальше? В каких направлениях будет развиваться CVM-платформа?

Планы развития платформы CVM включают в себя внедрение новой функциональности и новых стратегий для более эффективного взаимодействия с клиентами. Например, будут реализованы триггерные события на основе поведения клиента и его покупок как в магазине, так и в мобильном приложении. Это обеспечит точное и контекстное взаимодействие с клиентами в режиме реального времени или хотя бы близко к нему.

Кроме того, получит развитие гиперперсонализация: максимальная персонализация рекомендаций для клиента с учетом его предпочтений, канала связи, товарных групп и размера вознаграждения. Это позволит создавать более точные и релевантные предложения, способствующие увеличению удовлетворенности клиентов и их лояльности.

Подобные новые возможности позволят платформе CVM еще более эффективно адаптироваться к уникальным потребностям каждого клиента, обеспечивая более персонализированный и релевантный опыт взаимодействия.

- В чем роль этого проекта для компании?

Платформа CVM играет критическую роль в достижении бизнес-целей компании, предоставляя необходимые средства и стратегии для эффективного управления отношениями с клиентами и оптимизации их стоимости. Важные аспекты этой роли включают в себя настройку взаимодействия с клиентами в соответствии с их индивидуальными потребностями, улучшение каждого этапа жизненного цикла клиента, повышение прибыльности через эффективное взаимодействие и анализ данных для непрерывного улучшения стратегий. Платформа CVM также способствует созданию более удовлетворительного клиентского опыта, что в конечном итоге содействует укреплению лояльности клиентов и достижению успеха в бизнесе.

В X5 Group запускают AI-RUN Business Platform – платформу, позволяющую внутренним командам быстро внедрять решения на основе искусственного интеллекта. Она предоставляет доступ к широкому спектру ИИ-сервисов, и ее помощью можно создавать, тестировать и масштабировать ИИ-приложения, не тратя время и ресурсы на разработку с нуля. Также пользователи в рамках платформы получают поддержку экспертов в области искусственного интеллекта. О реализации и первых результатах проекта рассказывает Артем Ерохин, ведущий менеджер по работе с большими данными X5 Group и номинант на премию Data Award.

- Как пришла идея создания AI-RUN Business Platform?

Мы давно работаем с продуктами и сервисами, основанными на данных. В X5 Group уже большая экспертиза по различным ML-решениям, создано множество сервисов, построенных на данных. Однако пару лет назад мы стали наблюдать новый взрыв интереса к передовым технологиям, и, в частности, к большим языковым моделям (Large Language Model, LLM).

Сначала мы экспериментировали отдельными командами, но быстро поняли, что для того, чтобы централизованно накапливать экспертизу и помогать компании работать с наиболее современными достижениями в сфере анализа данных, нужна единая точка входа, одно общее решение. Так и родилась идея создания платформы, которая позволила бы работать с самыми актуальными алгоритмами и моделями.

- В чем заключаются основные проблемы, связанные с внедрением ИИ-решений?

Конечно, это зависит от области применения и типов алгоритмов. В компании уже пройден большой путь, и есть экспертиза внедрения решений на основе классического машинного обучения. Но для тех же LLM есть особенности. Например, для самых крупных открытых моделей подойдет не каждая машина. Плюс, есть особенности работы с этими моделями, отдельные «фишки», которые не всегда работают в классическом ML.

Если же брать в целом, то основные проблемы внедрения достаточно типичные. Первое – человека на месте нужно убедить, что ИИ-решение будет лучше, чем «ручной привод». Второе – внедрение новых подходов меняет процессы. Соответственно, появляются новые сущности, новые запросы и новые вызовы, которые нужно решать именно на процессном уровне. И третье – нужна реализация и отслеживание процесса разработки моделей от начала и до конца. В отличие от четко заложенной программистом бизнес-логики, у ИИ-решений все полагается на накопленный опыт и статистику. Оттого возможны предсказания, которые человеку покажутся как минимум необычными. Но модели пока не обладают здравым смыслом в человеческом понимании и не могут сами исправить возможные недочеты.

- Как платформа должна помочь их решать?

Работа ведется по нескольким фронтам. Во-первых, чем проще человеку что-то «пощупать», тем легче для него будет понять, что за инструмент ему предлагают и проще показать преимущества нового подхода. Кроме того, платформенное решение предполагает не только техническую сторону вопроса. Одновременно с разработкой создаются новые и меняются существующие процессы в компании. Люди могут понять, как работают наиболее современные технологии на своем опыте, предложить изменения процессов и подсказать, как именно ИИ будет полезен в их повседневной работе. Наконец, если мы делаем платформенное решение, то сразу охватываем весь процесс разом и, значит, можем его лучше контролировать. Ну, и иметь максимальную скорость реакции и адаптивность, конечно.

- Какой подход был выбран при создании платформы?

Мы решили пойти от частного к общему. Кажется, что именно так мы сможем получить более полную картинку, а не навязывать инструмент сверху. Провели несколько воркшопов, выделили целевые области, в которых можем принести как можно больше пользы компании. Тогда же начали проявляться повторяющиеся запросы. А это как раз одна из целей такого платформенного решения – удовлетворение повторяющихся запросов от совершенно различных бизнес-функций неким автоматизированным решением.

Как только появились первые идеи, мы начали их проработку в техническом плане. При этом, прорабатывали в двух плоскостях: как мы можем сделать это сейчас и как мы видим это в идеальном будущем. Так получилось заниматься и разработкой, и формулировать видение. И даже больше – проложить мостик между тем, что мы делаем сейчас, и куда мы придем в итоге.

- Что представляет собой платформа, в чем ее суть? Какие элементы она включает?

Сейчас это набор сервисов, процессов и экспертизы, которые позволяют создать конкретное решение для заказчика. Пока это только решения, которые требуют LLM, – например, вопрос-ответные системы или системы помощи в создании и редактуре тех или иных документов. Но мы активно работаем над добавлением составляющей, связанной с компьютерным зрением, так как это может дать сильный синергетический эффект.

Ключевыми элементами являются сервис-шина доступа, сервис с моделями, база данных и соединяющие их потоки данных.

- Какие ИТ-инструменты использовались при создании решения?

Сервисы мы реализуем на языке Python, который можно считать своеобразным lingua franca в мире машинного обучения и работы с ИИ. Кроме того, используем достаточно большое множество разнообразных библиотек из области работы с ML. Общаются сервисы между собой с помощью Kafka.

Если рассматривать именно работу с LLM, то для базы данных мы пока выбрали Quadrant, но, возможно, изучим и альтернативы. В качестве моделей используем открытые Llama и Mixtral, а также проприетарные модели от внешних компаний.

- Как фактически изменяются благодаря платформе процессы работы с новыми решениями на базе ИИ?

Если говорить коротко, то сокращается цепочка от автора до итогового решения и упрощается процесс взаимодействия с ИИ-решениями. Например, инициатору уже не нужно пытаться поднимать свою LLM на собственных мощностях, он пользуется готовым решением. Кроме того, единая точка входа позволяет не только создать некое техническое решение, но и получить достаточно редкую и ценную экспертизу специалистов в области ИИ. Ведь не всегда для решения бизнес-задачи требуется самое современное решение, а если и требуется, то вариантов использования такого решения может быть немало. Неспециалисту в этом, конечно, будет сложно разобраться.

- Какие категории сотрудников являются основными пользователями? Это все-таки айтишники или бизнес-заказчики?

Мы стремимся к тому, чтобы пользоваться решением могли не только айтишники, но и люди от бизнеса. Конечно, это скорее целевое состояние, и сейчас некая техническая экспертиза все же требуется. Но мы вкладываем много усилий в обучение бизнес-пользователей, просвещение и упрощение понимания современных инструментов, их особенностей работы и областей применения.

- С охвата каких ИИ-решений решили начать и почему?

LLM в какой-то момент «взорвали» информационное поле, более того, они реально могут быть полезными. При этом решения, которые создаются на базе LLM, для простого пользователя будут восприниматься как магия. Получается, мы решаем сразу несколько целей: не отстаем от рынка (и даже пытаемся идти среди первопроходцев), исследуем новую перспективную технологию и приобщаем пользователей к современным инструментам.

Но работа с данными не ограничивается только LLM. Очевидно, что если привнести и достижения в других доменах (обработка изображений, звука и т.д.), то можно получить синергетический эффект. Например, записанные от руки данные можно будет распознать, обработать и выдать ответ. Или делать гораздо более «живых» виртуальных операторов, которые будут общаться неотличимо от человека. А там, глядишь, и мультимодальные модели еще раз «взорвут» рынок.

- Каких результатов уже достигли? А что ожидается в перспективе?

Думаю, что хорошим результатом можно считать настроенный процесс получения идей от бизнеса и их приоритизации. Если говорить о технических аспектах, то, например, мы весьма неплохо ищем нужную информацию. Например, среди трех верхних найденных документов с вероятностью 95% окажется именно тот, который искал пользователь.

Тем не менее, нам все еще нужно улучшать работу наших моделей. Те же LLM имеют одну неприятную особенность: они очень хорошо пишут абсолютный бред. Соответственно, под это нужно дорабатывать методы детекции некорректных ответов и способы справляться с такими проблемами. Как вариант, запустить так называемый процесс Human-in-the-Loop, где люди участвуют как в обучении, так и в тестировании алгоритма. Его суть заключается в том, что в постоянном циклическом процессе человек корректирует работу моделей, привнося свет человеческого знания в те области, где модель блуждает в потемках.

На данный момент нами обрабатывается 150 входящих идей, из которых 20-30 получили первичную проработку со специалистами. Уже на этапе пилотов находятся 10 идей, которые запускались с конца лета до нынешних времен – то есть находятся в работе около четырех-шести месяцев. Запуск первой версии платформы намечен на конец 2024 года.

- Чем можно гордиться, а над чем еще предстоит поработать?

Думаю, что основные поводы для гордости – это наша команда X5 Tech, а также возникшие новые процессы и, конечно же, скорость получения первых результатов. Идеал недостижим, но, чтобы максимально к нему приблизиться, нам нужно будет улучшить визуальную составляющую платформы. И, конечно же, продолжать доносить до новых пользователей преимущества новейших достижений инженерной мысли.

- Какие первые ИИ-продукты уже родились благодаря новой платформе?

Сейчас мы работаем над вопрос-ответными системами по накопленным в X5 базам знаний, а также сервисами генерации документов и помощи в работе над документами. Мы называем это «умной редактурой».

Но развитие идет динамично. К нам каждый месяц поступает множество идей о применении ИИ в наших процессах. Так что, думаю, продуктов станет кратно больше.

- Каковы перспективы развития AI-RUN Business Platform?

Самые позитивные. Сейчас сфера ИИ развивается очень быстро. Чуть ли не каждую неделю выходят все более «умные» модели, появляются новые подходы, упрощается техническая реализация существующих подходов. И я думаю, что такое платформенное решение позволит как можно быстрее доносить эти достижения до обычных бизнес-пользователей. И, конечно же, чем больше разных доменных областей будет в платформе, тем лучше будет проявляться синергетический эффект от разных источников данных и их объединения для решения единой бизнес-задачи.

Умение слышать своих клиентов и приглядывать за их отношением к конкурентам – очень важный навык для любой компании. И в условиях нынешнего разнообразия и обилия информации из различных источников важно поставить работу с обратной связью «на поток», стандартизовав ее, как операции на заводе Генри Форда. О создании решения «Napoleon IT Отзывы» и его роли в выстраивании процессов работы с отзывами клиентов рассказывает Константин Прайс, коммерческий директор Napoleon IT и номинант на премию Data Award.

- В чем суть решаемой проблемы? Почему это важно?

Работа с обратной связью критически важна на современном рынке. Технология «Napoleon IT Отзывы», основанная на ИИ, помогает понять, какие сильные и слабые стороны есть у продукта, за что его ценят потребители, а что можно исправить или улучшить, чтобы его покупали еще больше. Анализ конкурентов осуществляется таким же путем, как и анализ собственного продукта – можно собрать источники на различных маркетплейсах, картах и т.д. и добавить их в систему. После этого мы начинаем трекинг отзывов и их аналитику, а на выходе компания получает точно такой же дашборд и отчеты.

Также можно провести исследования по конкретному сегменту рынка. Здесь проводится точно такая же работа, как и по отдельному продукту. Но на выходе компания может получить отчеты как по отдельным продуктам, так и срез по всему сегменту.

Для наших клиентов доступно агентское сопровождение. Наша команда аналитики готовит еженедельные резюме об изменениях и рекомендации, а также месячные статусы, в которых делятся анализом ситуации и динамики в области продажи товаров, услуг, работы приложений, магазинов, ресторанов и т.д.

- Какими методами обычно компании решают эту задачу?

Существует три варианта решения проблемы. В первом случае компании вовсе не работают со своими отзывами. Это очень часто встречается в сегментах малого и среднего бизнеса, потому что у таких компаний не хватает времени либо ресурсов. Для них «Napoleon IT Отзывы» – это легкий способ начать анализировать и оценивать обратную связь, обращаясь за рекомендациями и поддержкой к экспертной команде.

Второй вариант применяется в том случае, когда речь идет о больших компаниях и торговых сетях. В основном они работают с отзывами двумя способами. Первый способ – регулярный, и для этого нанимают штат людей напрямую или через агентство. Но наемные сотрудники обрабатывают лишь часть отзывов, так как человек способен качественно изучить не более одного-двух отзывов в минуту, или до 1 тыс. отзывов в день. При этом стоимость разметки одного отзыва для компании обходится в 10-15 руб., и за 2023 год эта сумма увеличилась в результате роста стоимости сотрудников и нехватки персонала. Для таких компаний мы предлагаем возможность мониторить одновременно множество источников и добавлять новые позиции буквально за 30 секунд, а анализ всех отзывов проводится в среднем за 20 минут.

Второй способ «серьезной» работы с отзывами – периодическое проведение количественных и качественных сравнительных исследований своих товаров с товарами конкурентов. В данном случае мы пользуемся аналогичной методикой и позволяем компаниям видеть не только дискретные отрезки, а ежедневные и еженедельные изменения, которые помогают быстрее отловить изменения и нивелировать различные отрицательные моменты: ошибки в логистике и систематические повреждения товаров, брак или нарушения режима доставки, в которых товар теряет основные характеристики, реакцию на рекламу и многое другое.

Третий вариант решения проблемы применим, когда часть компании использует оцифрованную количественную обратную связь для управления контрактами и мотивацией партнеров: дистрибьюторов и сетей, сотрудников и управляющих магазинов или ресторанов и многое другое. Здесь мы выступаем надежным партнером и независимой третьей стороной для предоставления непредвзятой машинной оценки обратной связи с минимальным влиянием субъективного фактора.

- В чем заключается предлагаемый вами подход?

Мы используем, с одной стороны, математический аппарат для количественных исследований и выявления статистически значимых изменений, с другой – нейролингвистический подход анализа данных. Кстати, ИИ в виде лингвистических данных мы начали использовать одними из первых в России. Это позволяет оцифровать и обработать большой объем текстовой информации в числах и предоставить важные данные. На их основе руководитель компании или индивидуальный предприниматель может принимать взвешенные решения и пользоваться всеми преимуществами, которые дает позитивная обратная связь на его товары или услуги и вовремя отслеживать негативную.

- Почему такой подход лучше?

Есть три основных преимущества, которые позволяют нам быть лучше текущей практики. Первая – это стабильность качества интерпретации информации. Здесь можно привести следующий пример. Когда мы делаем разметку обратной связи самостоятельно при помощи асессоров (людей), один и тот же отзыв разные люди могут отнести ко многим факторам, что искажает картину, снижает качество получаемой информации и принимаемых решений. Автоматизация операций и стандартизация, как на заводе Генри Форда, повышает качество и стабильность получаемого результата.

Второе преимущество заключается в том, что автоматизация снижает себестоимость обработки отзывов. Она позволяет небольшим компаниям и предпринимателям использовать все преимущества работы с обратной связью без необходимости больших инвестиций и успешно конкурировать на рынке за внимание клиента и удовлетворение его потребностей.

Третье преимущество состоит в том, чтобы «слышать своего клиента». Оно позволяет большим компаниями единым способом обрабатывать все источники обратной связи и оценивать эффекты из разных каналов: отзывы с карт, отзывы из магазинов мобильных приложений, собственная обратная связь, отзывы с маркетплейсов и других площадок. Автоматизация приводит к снижению временных и операционных затрат, что повышает прибыль компании.

- Что представляет собой созданное решение? Какие технологии применялись?

В «Napoleon IT Отзывы» применяются две технологии. Первая – технология проведения количественных исследований и оценки статистической значимости фактора для анализа. Вторая – прорывная технология, которая вмещает в себя механизмы машинного обучения и лингвистические модели в различной интерпретации для всесторонней обработки отзывов.

- Где именно и с какой целью в решении используется ИИ?

Искусственный интеллект используется для многослойной обработки лингвистической информации и ее классификации – там, где используется до пяти слоев и до трех различных моделей.

- Какие были сложности при создании продукта, и как вы их решали?

Сложностей было несколько. Во-первых, неточность модели. Ее мы решали с помощью ручной кросс-валидации и разметки данных, пользовательского тестирования и дообучения модели.

Вторая сложность была связана со взаимодействием с моделью. Изначально она работала по принципу автогенерации тем, о которых пишут пользователи. Но это во многих случаях не устраивало бизнес, так как компании уже имели внутренние шаблоны тем, по которым привыкли обрабатывать пользовательскую обратную связь в своих BI-системах. В результате было разработано три алгоритма разметки данных: автогенерация без заранее заданных тем, разметка данных по заданным темам и гибридный подход объединяющий первый и второй варианты.

- Что в решении удалось наиболее удачно, чем можно гордиться?

Во-первых, у нас высокое качество разметки данных: 92% точности в определении темы и тональности, 94% покрытия одного отзыва (процент выявления всех упомянутых тем внутри отзыва). Во-вторых, высокая скорость разметки данных. В-третьих, доступная итоговая цена за один обработанный отзыв.

- Каков портрет типичного клиента? Кто может быть заинтересован в решении?

Основное направление для использования «Napoleon IT Отзывы» – это ретейл и FMCG-компании. Также это решение подойдет частным предпринимателям на маркетплейсах и компаниям, проводящим маркетинговые исследования на рынке. Кроме того, продуктом могут пользоваться заведения общественного питания и блоггеры для отслеживания информации о себе и конкурентах, сравнения характеристик своих продуктов и продукции других компаний на основе обратной связи.

- Приведите примеры уже реализованных проектов. Каких результатов удалось достичь, какую пользу бизнесу они принесли?

Мы стараемся сохранять высокий уровень конфиденциальности клиентов, так как чаще всего лучший результат достигается именно в тех случаях, когда подсвечиваем «ошибки» в оказании услуг. Показательный пример – это рост конверсии у одной из компаний в три раза после выявления ключевой ошибки в оказании услуги или выявлении партии брака, где удалось избежать репутационных рисков.

Кроме того, есть публичный кейс с производителем натуральных лимонадов Lapochka. Компания с помощью нашего решения провела конкурентный анализ отзывов за 20 минут и выяснила, что 77% клиентов довольны вкусовым разнообразием и качеством продукции, а 65% положительно оценивают натуральный состав напитков. В то же время основными причинами негативных отзывов являлась упаковка и цена (около 15%), нарушения по срокам доставки (около 26%). Чтобы снизить количество отрицательных отзывов, компания Lapochka взяла в разработку применение более устойчивой к повреждению упаковки товара. Кроме того, на основе анализа отзывов бренд запустил новый вкус лимонада, о котором просили покупатели.

- А каких результатов вообще можно добиться?

С помощью интеллектуального анализа отзывов можно поднять рейтинг товара или услуги, что влияет в свою очередь на конверсию в покупку либо посещение ресторана, центра оказания услуг – салона красоты, парикмахерской и т. д., – и ее выручку. Также наше решение помогает моментально реагировать на качество оказания своих услуг или конкурентов, увеличивает LTV пользователей (lifetime value — «пожизненная ценность клиента»), выручку и прибыль.

- В каком направлении будет развиваться проект?

«Napoleon IT Отзывы» будет улучшать качество анализа отзывов и предоставлять услугу по лучшей цене на рынке. Кроме того, мы планируем сделать наше решение еще более доступным, чтобы даже небольшим предпринимателям в сфере продаж товаров и предоставления услуг можно было эффективно конкурировать на развивающемся рынке.

В Х5 Tech разработали и интегрировали систему по модельному риску, позволяющую эффективно отслеживать и управлять многочисленными ML-моделями, детектировать и реагировать на возможные риски, связанные с моделями. Это позволяет минимизировать потенциальные убытки и улучшать качество принимаемых на основе моделей решений. Модельный риск был встроен в процессы компании, и уже предотвращены реальные случаи, когда модель приносила значительные финансовые убытки. О реализации этого проекта рассказывает Святослав Орешин, руководитель команды модельного риска Х5 Tech и номинант на премию Data Award 2024.

- В чем суть проблемы? Почему управление рисками моделей машинного обучения стало важным для X5?

Чтобы лучше понять проблему, давайте начнем с аналогии. Допустим, вы запускаете стартап и работаете в небольшой компании друзей-коллег. Вы общаетесь каждый день и в курсе всех событий, которые у вас происходят в команде. Но с ростом команды вы нанимаете больше персонала, делаете больше проектов, и у вас возникает естественная потребность в HR-специалистах, менеджерах и системе управления персонала в целом.

Отсюда и возникает проблематика модельного риска – если у вас не так много моделей машинного обучения и на них не завязаны критичные для бизнеса решения, то за модельным риском можно следить и вручную. Однако в случае больших компаний обрабатываются терабайты данных ежедневно, а количество ML-моделей может исчисляться сотнями, и они участвуют практически во всех процессах. Если не поддерживать актуальность моделей и качество входных данных, не следить за динамикой их работы, то вы столкнетесь с финансовыми убытками и нецелевым расходованием бюджета. Контроль за модельным риском направлен на минимизацию возможных убытков и предотвращение нецелевого расходования бюджета.

- Каковы типичные риски, связанные с ML-моделями?

Основной риск – это то, что модель может работать неточно или непредсказуемо. Это может быть следствием некорректности входных данных, необходимости переобучить модель, изменением бизнес-логики или просто влиянием внешних факторов. Далее каждая из «крупных» категорий рисков раскладываются на более частные, которые отражают специфику той или иной модели. Есть ML-модели, которые делают предсказания каждую минуту, а есть те, которые делают предсказания раз в месяц. Соответственно, для каждой из них свойственны разные риски с разной критичностью, исходя из специфики данных, архитектуры и других вводных.

- Приведите примеры случаев, когда «отбившиеся от рук» модели приносили реальные убытки. О каких масштабах потерь идет речь?

Конкретные случаи я привести не могу из-за NDA, однако можем провести теоретическую оценку. Представим, что у нас есть модель Х, стоимость разработки и поддержки которой составляет примерно 10 млн руб. в год. Для простоты расчетов предположим, что все модели приносят компании одинаковое количество выручки и риски распределены нормально. Применим правило «одной сигмы» для распределения рисков и получим, что при оптимистичном сценарии мы несем в среднем около 20% убытков, а при пессимистичном – более 50% убытков. Получается, что если в компании есть 50 моделей со средней стоимостью 10 млн руб. в год на каждую, то компания терпит от 100 до 250 млн руб. убытков каждый год из-за реализации модельных рисков.

Мы рассматривали сценарий, при котором модельные риски приводят только к нецелевому расходованию бюджета, но в реальности компания терпит дополнительные убытки, так как часто предсказания моделей переиспользуются в разных процессах, и убытки могут суммироваться и приводить к дополнительной нагрузке на персонал.

- Что включает управление моделями и их рисками?

Если максимально упростить решение, то в модельном риске мы решаем три основные задачи. Во-первых, это централизация – появляется централизованный верхнеуровневый мониторинг над моделями: все модели регистрируются в единой системе. Во-вторых, актуализация – информирование продуктовых и проектных менеджеров, дата-сайентистов и ML-разработчиков, а также прочих заинтересованных лиц о состоянии и изменениях в работе моделей. Наконец, мониторинг – единое место, где все участники процессов, связанных с моделью, смогут отслеживать все доступные модели и их метрики.

- Что представляет собой созданное в X5 решение?

Решение состоит из разных компонент. Во-первых, это веб-сервис и интерфейс, в котором владельцы модели могут ее зарегистрировать и внести основную информацию о ней. Во-вторых, это ядро системы – ключевая логика для сбора и анализа различных данных, связанных с работой модели, оценкой входных данных, по итогу работы которой рассчитываются и оцениваются риски. И, наконец, это система мониторинга и уведомлений, которая позволяет получать актуальную информацию о работе и состоянии каждой модели и своевременно оповещать всех, кого следует, о возникающих рисках и предлагать возможные действия для их ликвидации.

- Как, по каким признакам, определяется, что модель работает не так, как должна?

Для начала надо четко понимать, на каких данных работает модель, какую задачу решает, как проводится ее валидация, какие у нее целевые значения прокси-метрик и на какие бизнес-метрики влияет работа модели. Далее, совместно с владельцем модели под нее настраиваются риски и оценивается их критичность. Например, для одной модели критично, если она не производила предсказания в течении одного часа, а для другой – в течении одной недели. Наш сервис получает логи работы моделей и протоколирует их, оценивает входные данные и рассчитывает релевантные для модели риски. Затем по совокупности всех выявленных рисков модели присваивается статус. Все это происходит в реальном времени с минимальными задержками.

- Как решение встроено в процессы, кто и на какой основе занимается управлением ML-рисками?

При интеграции подобной системы крайне важно не нагружать команды дата-сайентистов дополнительной работой. Поэтому в ходе разработки мы активно общались с владельцами и разработчиками моделей, а также бизнес-стейкхолдерами, и таким образом приоритезировали функционал, который действительно нужен командам. Оптимизируя нагрузку на команды, мы добились того, что процесс регистрации и подключения модели занимает в среднем не более, чем 15 минут.

Таким образом, мы не просто встраиваемся в процессы, но и решаем задачи команд, снимая с них дополнительную нагрузку, связанную с мониторингом моделей. Помимо этого, мы интегрировались в процесс передачи моделей на поддержку, и все ML-модели, которые передаются и находятся на поддержке подключены к нашему сервису.

Продуктом пользуются как разработчики и владельцы моделей, так и руководители подразделений, заказчики со стороны бизнеса, финансовый отдел и другие команды.

- Как измеряются результаты в случае управления модельными рисками?

Оценить вклад модельного риска в финансовые показатели – достаточно сложная задача. Модельный риск – это превентивное решение, поэтому основные показатели на текущий момент заключаются в уровне покрытия системой мониторинга всех моделей компании, а также количество срабатываний на одну модель. Очень важно оценивать и качественные показатели – получать обратную связь от пользователей системы, а также проводить «работу над ошибками» – анализировать случаи, когда модель работала неточно, и понимать, как сервис может предотвращать такие случаи в будущем.

- Что удалось лучше всего, чем больше всего довольны?

Основной наш результат – это то, что нам удалось найти соответствие созданного решения потребностям внутри компании. Продукт достаточно молодой, мы начали им заниматься только в мае 2023 года, и тогда переживали, что наше решение может стать еще одним «регулятором», создать дополнительную нагрузку на команды ML-разработчиков. Однако за этот год мы смогли найти путь, в котором мы не только разработали и внедрили систему мониторинга рисков, но и решили множество смежных задач.

- Что с финансовыми эффектами?

Модельный риск направлен на предотвращение убытков для уже имеющихся моделей, поэтому даже спустя какое-то время работы системы будет крайне сложно оценить финансовый вклад именно модельного риска.

Мы сейчас развиваем большое инфраструктурное направление по MLOps, и модельный риск – часть этого направления. Ведь модельный риск не только предотвращает убытки от работы самих моделей, но также оптимизирует работу ML-команд за счет предотвращения дублирования работы при решении схожих задач, выполняет задачи мониторинга и интегрируется с внутренней инфраструктурой. Поэтому более корректно будет оценивать общий эффект от совокупности всех решений MLOps.

- В каком направлении будет развиваться проект, на какие результаты рассчитываете?

Проект будет развиваться как «вширь» – будем расширять список возможных рисков и подключать новые модели, так и «вглубь» – сможем учитывать более специфичные риски и предлагать «точечное» реагирование на них. Кроме того, планируем подключать не только отдельные модели, но и полноценные процессы разработки, состоящие из разных шагов по обработке данных и работы разных моделей.

Также мы решаем задачу составления единого реестра всех моделей компании. Таким образом, разработчики смогут делиться опытом не только внутри своей команды, но и с другими командами.

18 января «Ростелеком» и АНО «Цифровая экономика» представили тренды цифровизации на 2023 год, основанные на собственных аналитических отчетах. Эксперты компаний рассказали о своем видении развития цифровых технологий в России и мире.

Для «Ростелекома» исследование глобальных трендов цифровизации стало уже пятым по счету. Как отметил Борис Глазков, вице-президент по стратегическим инициативам «Ростелекома», несколько лет назад перед компанией встала задача актуализации стратегии. Требовалось понять, в каком направлении развивается научно-технический мир, и не зависеть в этом от западных аналитиков.

«Никакими человеческими ресурсами эту амбициозную задачу решить было невозможно. Мы не нашли ничего лучше, как заставить наш искусственный интеллект прочитать все научные статьи, патентные заявки, информацию о венчурных инвестициях и сделках в области ИТ», — рассказал Глазков. Казавшаяся изначально безумием затея оказалась удачной, и уже пятый год «Ростелеком» имеет объективную картину развития научно-технического мира. База исследования, изначально составлявшая 5 млн источников – профессиональных публикаций, уже охватывает более 117 млн источников. Это дает все более достоверные оценки. Глядя на созданную карту технологий, руководство компании оценивает, насколько находится «в тренде» и какие усилия следует предпринять в ближайшем будущем.

Глядя на созданную искусственным интеллектом карту технологий, руководство Ростелекома оценивает, насколько находится «в тренде» и какие усилия следует предпринять в ближайшем будущем

ИИ считает актуальным… себя

В рамках исследования для каждой технологии составляется интегральный рейтинг, включающий интеллектуальный вклад ученых – количество научных статей и патентов, а также объем инвестиций в нее. Бесспорным фаворитом этого своеобразного «чемпионата технологий» в последние четыре года является искусственный интеллект: помимо большого внимания, уделяемого ему, он вдобавок оказывает сквозное влияние на огромное количество других трендов. Среди сфер исследований, вызывающих наибольший интерес ученых, выделяется гибридное глубинное обучение (Hybrid Deep Learning), которое подразумевает объединение двух или более архитектур Deep Learning и обеспечивает более точные результаты, обучение на контрастных данных (Contrastive Learning), а также оптимизация выборок для обучения, в том числе с использованием синтетических данных.

Как отметила Ольга Сквирская, руководитель направления Центра стратегических инноваций «Ростелекома», за прошедший год на рынке искусственного интеллекта состоялось 24 крупных сделки объемом более 1 млрд долл. каждая. Впечатляют не только объемы инвестиций и научных работ, но и то, что результаты начинают находить активное применение на практике, причем зачастую в довольно неожиданных областях. Например, в Китае судьи обязаны консультироваться с искусственным интеллектом по каждому рассматриваемому делу, и в случае несогласия с его рекомендацией по вынесенному решению должны представлять письменное объяснение.

Ольга Сквирская: «Внешний рынок пока не слишком понимает, какая практическая польза может быть извлечена из метавселенных. Однако отмечаются гигантские инвестиции в это направление внутри самих платформ»

Среди других горячих тем, находящихся на пике интереса, в «Ростелекоме» выделяют информационную безопасность, здравоохранение и социальные сети.

Отдельно Сквирская выделила метавселенные – коллективные виртуальные пространства, созданные в результате слияния физического и цифрового мира. Триггером для бурного интереса к ним стала активность в этом направлении компании Meta (признана в России экстремистской организацией и запрещена. — Прим. ред.). Венчурные инвестиции в это направление пока невелики – это свидетельствует о том, что внешний рынок еще не слишком понимает, какая практическая польза может быть извлечена из метавселенных. Однако отмечаются гигантские инвестиции в это направление внутри самих платформ – например, Amazon, Microsoft и Apple.

Интересные изменения в рейтингах

Сравнение данных за разные годы показывает пути развития технологий – какие из них получили наибольший импульс развития и внедрения, а какие перешли в разряд аутсайдеров. По словам Глазкова, за теми, кто оказался «на обочине», следить не менее интересно: выясняется, что одни технологии появились раньше своего времени, а другие были вытеснены новым поколением решений. Например, из числа лидеров неожиданно выпала виртуальная реальность, и ее будущее сейчас под вопросом. «Перегретые» ожидания относительно нее явно не оправдались – не появилось ни дешевого и удобного оборудования, ни качественного контента. Блокчейн, напротив, пережил уже несколько кризисов, и сейчас снова резко поднимается в рейтинге. Можно говорить об очередном витке интереса к нему. Во-первых, это связано с ростом популярности технологии невзаимозаменяемых токенов (non-fungible token, NFT), которая сейчас более всего известна применительно к объектам цифрового искусства. На этот рынок выходят современные художники и известные аукционные дома, а в будущем NFT вполне способна стать основой правообладания в цифровом мире. Во-вторых, отмечается высокая активность национальных правительств по внедрению цифровых валют.

Мария Сайкина: «Возникают вполне ожидаемые вопросы относительно использования результатов работы генеративного ИИ, в том числе прав интеллектуальной собственности»

Интересные изменения отмечаются и среди стран-лидеров в области цифровых технологий — количество переходит в качество. Китай в последние годы обогнал США в интегральном рейтинге стран, став безоговорочным лидером по научным статьям и патентам в сфере цифровых технологий, а США сохраняет лидерство лишь по объему инвестиций. Отрыв двух лидеров от идущей на третьем месте Индии огромен, при этом разрыв между Китаем и США тоже значителен и равен показателю Индии. Россия в интегральном рейтинге занимает 14-е место. Среди других стран в «Ростелекоме» отмечают ощутимую динамику у Саудовской Аравии и Ирана, которые представляются интересными партнерами для технического сотрудничества.

Национальные особенности

Как отметил директор РАЭК Сергей Гребенников, экономика Рунета по итогам 2022 года вырастет на 24% (вместо ожидавшихся ранее 11%) и составит 11,8 трлн руб. Рынок ожидаемо просел в направлениях маркетинга и рекламы, а также контента, что связано с уходом с рынка западных компаний. Однако это падение с лихвой компенсировалось ростом рынка электронной коммерции, который окреп во время пандемии и сейчас готов к дальнейшему развитию.

Мария Сайкина, главный аналитик РАЭК, представила основные технологические и экономические прогнозы для российского рынка на 2023 год. Среди технологий она выделила пять основных направлений. Первыми двумя являются генеративный ИИ и технологии дипфейков, вызвавшие всплеск интереса и со стороны пользователей, и у инвесторов, и (что неудивительно) у регуляторов. Возникают вполне ожидаемые вопросы использования результатов работы ИИ, в том числе относительно прав интеллектуальной собственности, а также правомерности данных, используемых для обучения систем. Кстати, дипфейки, воспринимающиеся большинством людей исключительно негативно – как средство дезинформации, имеют и вполне «мирное» применение. На практике они широко используются в рекламе и при общении роботов с клиентами.

Кроме того, в нашей стране активно развиваются биометрическая идентификация и беспилотный транспорт. Интересно, что главным движителем этих технологий является государство, видящее в биометрии ценный инструмент для безопасности, а в беспилотниках – средство доставки грузов в труднодоступные районы. И, наконец, импортозамещение начало восприниматься как неизбежность. Если раньше оно было задачей госструктур и прочих субъектов критической информационной инфраструктуры, то теперь актуально не только для всех организаций, но и частных лиц. Очевидно, в этом году усилится разработка альтернатив для всех – даже пока доступных – технологий.