искусственный интеллект

На главную

Гений или двоечник? Почему ИИ справляется с закономерностями и теряется в связях

Любой человек, если на него со всех сторон и крайне интенсивно начнет сыпаться информация быстро скажет: «Хватит!» Специально обученный профессионал, привыкший изучать данные, продержится дольше. Но время играет против него: он начнет ошибаться, уставать и тоже сдастся. Быстро разбираться с огромными массивами данных — вот то, с чем ИИ справляется на пятёрку. Однако не всё так гладко. У ИИ есть одна большая проблема — он туповат.

ИИ, подключенный к непрерывному источнику данных, перерабатывает их быстро и без остановки. Именно поэтому возникла идея объединить две технологии: AI и IoT, в надежде, что такое слияние даст ещё лучший результат для бизнеса. Лет пять назад интернет вещей делал свои первые шаги, искусственный интеллект развивался по своей собственной траектории, и объединение этих двух понятий большинству менеджеров не приходило в голову, а если приходило, то казалось немыслимым. Оказалось, что это работает. Терабайты данных, передаваемые всевозможными датчиками и сенсорами, по факту остаются «невидимы» для людей, но хорошо читаются и анализируются искусственным интеллектом.

В исследовании, которое провела компания SAS еще в прошлом, 2019 г., говорится, что технология AIoT оказывает более быстрое и значительное влияние, чем ожидалось. В опросе участвовали 450 компаний из разных стран, лидеры из разных бизнес-сфер. Трое из четырех респондентов заявили, что ценность от использования двух технологий вместе превзошла их ожидания. Компании, использующие ИИ и IoT вместе, более конкурентоспособны, чем те, кто использует только IoT.

«Мы видим, что бизнес начинает понимать: для успешного извлечения пользы из IoT нужен искусственный интеллект и аналитика. Справедливо будет сказать, что большинство успешных проектов IoT на самом деле являются проектами AIoT, когда интернет вещей идёт в тесной связке с искусственным интеллектом», — сообщили представители SAS.

Ремонт налету

Приготовьтесь, теперь этот термин — AIoT — будет звучать часто. Хотя бы потому, что его взяли на вооружение гиганты автопрома. Две «дочки» шведской компании AB Volvo: Volvo Trucks и Mack Trucks — дистанционно диагностируют свои машины. Платформа искусственного интеллекта от SAS анализирует поток данных, которые передают датчики грузовиков, и делает прогнозы: когда им нужно пройти техническое обслуживание, чтобы не чинить то, что сломалось, а подкрутить нужные гайки заранее. Состояние 175 тысяч грузовых автомобилей мониторится удаленно, благодаря чему время на диагностику снизилось на 70%. Искусственный интеллект сопоставляет данные и составляет разные варианты сценариев. Например, он может связать данные о температуре масла в двигателе с информацией от системы охлаждения (на которую, кстати сказать, приходится до 30% всех неполадок двигателя и, соответственно, дорогостоящие ремонты), с версией ПО, которое стоит на блоке управления двигателем, а затем сопоставить все это с тем, на какой высоте и при какой влажности прямо сейчас работает конкретная машина. На основе этих данных ИИ строит несколько сценариев развития событий и прогнозирует вероятности поломок. Самое главное для клиента — это сколько времени его грузовик прослужит безотказно. Никому не хочется внезапно снимать машину с дороги, чтобы поставить обновления на софтверную часть или провести очередной мелкий ремонт. Платформа позволяет обновляться удаленно, а время ремонта сокращается на 25%.

Ремонт — это только полдела. Аналитическая мощь искусственного интеллекта направлена и на то, чтобы в целом изучать конструктивные особенности той или иной модели, сопоставлять, насколько хорошо грузовик справляется в определенной среде, куда его поместили, и делает выводы о разумности изменений и дополнений. Потоковая передача данных в реальном времени позволяют выявить недостатки до того, как они начнут влиять на работу машины.

ИИ анализирует поток данных, которые передают датчики грузовиков и на основе их строит несколько сценариев развития событий, прогнозируя вероятности поломок

Эйнштейн поможет

Там, где люди не могут разобраться, искусственный интеллект выполняет задачу с легкостью. Но есть и обратная зависимость: он совершенно слеп там, где человеку понятно всё. Речь о причинно-следственных связях. Наш мозг с самого детства тренируется искать и понимать, в чем причина и где её следствие. Общество поощряет этот поиск, а тех, кто слабо понимает причинно-следственные связи, подозревают либо в неразвитости, либо попросту в глупости. Если руководствоваться такими определениями, то можно смело сказать: искусственный интеллект глуп.

Что плохого в том, что он глуп? Честно говоря, плохо всё. Такому интеллекту нельзя доверять беспрекословно: например, он не сможет правильно определять способы лечения больного, ведь ему непонятно, что является причиной болезни, а что — её следствием. Машинное обучение легко выявляет корреляции: одна величина растет, вторая уменьшается, и наоборот, но плохо справляется с определением правильной последовательности событий. Человек точно знает: собака виляет хвостом. Для ИИ всё равно, кто чем виляет, может, и хвост собакой. Ему хорошо видно только одно: есть два объекта, и они разнонаправленно движутся друг относительно друга. Да, один объект движется сильнее, но что с того? Правдоподобная последовательность событий управляется правилами причины и следствия. Эти правила не могут быть легко выведены из конечного обучающего набора, на котором тренируется искусственный интеллект. И в этом смысле искусственному интеллекту нужен стоящий за ним data scientist, который будет его наставлять, поправлять и пестовать.

Группа ученых из Лондонского имперского колледжа решила поработать над этой проблемой и предложила новую теоретическую основу для того, чтобы научить ИИ причинно-следственному мышлению. На помощь пришли Эйнштейн, специальная теория относительности, пространство Минковского и световые конусы. Вот здесь математические выкладки, а результат попытались продемонстрировать, скармливая интеллекту последовательности видеокадров.

Обычно, если ИИ анализирует видео, допустим, машина едет по прямому шоссе, и должен на основе отсмотренной картинки спрогнозировать, что будет дальше, то ему для обучения выдают миллион похожих видеороликов. Существующие подходы обучают модель машинного обучения кадр за кадром распознавать закономерности в последовательностях действий. Сначала всё идет хорошо, ИИ вспоминает, что он видел, и пытается предсказать, что же будет в конкретном видео, которое надо достроить. Получается, что он выводит среднее арифметическое, подставляя результаты своего обучения, и с каждым новым кадром незначительные ошибки накапливаются. Их может и не быть, но стоит случайно ошибиться в самом начале на 1 пиксель, и всё идет не так. Точность падает уже после 10 кадров, а это меньше секунды. В результате ИИ может продемонстрировать картинку, которая полностью лишена смысла. На самом деле, мы все видели, как это выглядит на практике, когда ИИ пытается достроить пейзаж или лицо. Иногда получается отлично, а иногда сплошной сюрреализм.

Команда из Лондонского имперского колледжа подошла к делу иначе. Взяв два датасета, они обучили ИИ генерировать кадры, которые выглядели бы аналогично кадрам в наборе данных. Но важно отметить, что кадры в обучающем наборе данных не были показаны последовательно, и алгоритм не учился завершать серию. Затем они попросили ИИ выбрать, какой из новых кадров с большей вероятностью будет следовать за другим. Для этого ИИ сгруппировал сгенерированные кадры по сходству, а затем использовал алгоритм светового конуса, чтобы провести границу вокруг тех изображений, которые могут быть причинно связаны с данным кадром. Несмотря на то, что он не был обучен продолжать последовательность, ИИ смог сделать хорошие предположения о том, какие кадры были следующими. «Мы подчеркиваем агностическую природу нашего алгоритма, — сказано в статье. — Наши предсказания ограничены во времени, но носят вероятностный характер. Предложенный алгоритм способен производить несколько правдоподобных вариантов будущего. Мы считаем, что это очень важная особенность для будущих методов прогнозирования и экстраполяции последовательностей, поскольку она может быть использована в качестве метода обнаружения аномалий. В частности, если один из вариантов будущего включает в себя опасную ситуацию, автоматизированная система может адаптироваться, чтобы избежать плохого исхода».

Аномальные ульи

Возможности поиска искусственным интеллектом аномалий используются уже сейчас в платформе от SAS. Здесь аномалии ищутся так: есть целевой набор данных и историческое поведение паттернов внутри него. ИИ смотрит, нет ли паттерна, который отличается от заданных параметров «хорошего» поведения. Если что-то идет не так, он это отмечает. «Обнаружение аномалий — это жизненно важная функция, которая важна для каждой отрасли: для бизнеса, увеличивающего производительность оборудования, для медицинских организаций, решающих проблему усталости персонала в больницах, для железнодорожных компаний», — отметили представители SAS.

Недавно платформа SAS была применена, чтобы следить за аномалиями в ульях. Пчелы тоже болеют. Иногда их лечат сахарным сиропом, иногда тетрациклином. Но если они заболели чем-то очень заразным и плохо поддающимся медикаментозному лечению, то начинается эпидемия, а эпидемию пчеловод лечит сожжением зараженного улья вместе со всеми его жильцами. Просто, эффективно, жестоко. Это тот самый случай, когда болезнь лучше предотвратить, чем лечить. Холод, сырость, слишком высокая температура, лишний сор в улье — всё это вредные факторы, за которыми нужно следить, так как нарушения условий содержания и кормления пчел приводят к проблемам с их здоровьем. Если в воде или пище будет слишком много минеральных солей, то пчелы станут вялыми. Если в улье грязно, то в соре заводится моль. Уследить за всем довольно сложно, особенно если ульев много. Решение от SAS анализирует потоковые данные из улья, пытаясь обнаружить аномалии в весе, температуре и влажности, чтобы пчеловоды быстро узнали о них и смогли без промедлений принять меры.

Получается, что даже тот искусственный интеллект, которыей не со всеми «предметами» справляется на отлично, приносит бизнесу существенные выгоды. Главное, это найти ему правильное применение, дать понимающих наставников, использовать его сильные стороны и объединять с другими технологиями, чтобы получить решение, которое покроет все потребности компаний.

Электронная книга
Создание успешного бизнес-плана внедрения ИИ

  • Что дает внедрение ИИ в процессы компании?
  • Как привлечь дополнительное финансирование и создать добавленную стоимость?
  • Как получить полную вовлеченность команды?
Скачать книгу

Другие статьи

Какие преимущества дает технология потоковой аналитики для решения задач по обеспечению безопасности

Какие преимущества дает технология потоковой аналитики для решения задач по обеспечению безопасности

Пользовательские устройства ежесекундно генерируют триллионы событий, данные о которых оседают в хранилищах. Накапливать такого рода информацию бессмысленно и дорого. Компании ищут способы монетизации сведений, собранных, например, о клиентах. Крупные игроки, инвестирующие в дата-центры и персонал, научились анализировать колоссальные объемы информации, делать выводы и даже составлять прогнозы. Анализ больших объемов данных в режиме реального времени позволяет мгновенно реагировать на происходящее, как того требует ситуация. 

Александр Миронов, SAS: Индивидуальные предложения не придумать заранее: их формируют алгоритмы прямо при общении с клиентом

Александр Миронов, SAS: Индивидуальные предложения не придумать заранее: их формируют алгоритмы прямо при общении с клиентом

Эффективность маркетинговых кампаний может колебаться в широком диапазоне. Многие клиенты воспринимают звонки и сообщения с предложениями услуг как спам. Изменить ситуацию мог бы индивидуальный подход, когда клиенту предлагают именно то, что ему в данный момент необходимо. Как это сделать, в интервью CNews рассказал Александр Миронов, руководитель практики по клиентской аналитике и CRM, SAS Россия и СНГ.

Как работает экосистема сервисов в облачной аналитике

Как работает экосистема сервисов в облачной аналитике

Аналитика и большие данные, как и другие компоненты ИТ-ландшафта компании, переходят в облако. Чтобы полностью раскрыть потенциал облачных платформ, требуется глубокая интеграция с базовой инфраструктурой и сопутствующей экосистемой сервисов. С мая текущего года аналитическая платформа SAS Viya обеспечивает возможность такой интеграции для трех ведущих облачных поставщиков IaaS — MS Azure, AWS и Google Cloud.

Новости

Когда ИИ наделят машинным воображением

Команда исследователей из Университета Южной Калифорнии (USC) разработала технологию, помогающую искусственному интеллекту представить себе несуществующий объект. Это можно считать аналогом воображения. Новый метод поможет в разработке лекарств и, очевидно, найдет применение в сфере автономных транспортных средств.

02/08

Читать полностью

Компания SAS получила награду в сфере защиты экологии

SAS в очередной раз получила признание за инновации в социальной сфере. В День защиты тропических лесов, компании присуждены премии Fast Company 2021 World Changing Ideas Awards и PRNEWS CSR & Diversity Awards 2021 за вклад в совместный проект с Международным институтом прикладного системного анализа (IIASA) по отслеживанию воздействия человека на тропические леса Амазонии.

28/07

Читать полностью

Чат-боты начинают объединяться в команды и разговаривать между собой

Практически каждая крупная организация уже обзавелась собственным чат-ботом. Он общается с клиентами, выполняет рутинные операции, помогает найти информацию или правильно задать вопрос. Будущее — за сообществами ботов-специалистов, управлять которыми будет мастер-бот. Об этом говорили участники организованной CNews Conferences онлайн-конференции «Чат-боты 2021: на пути к интеллектуальному помощнику».

28/07

Читать полностью
Все новости
Вернуться на главную