При всей широте перспектив, которые открывает искусственный интеллект (ИИ), успешная реализация ИИ-инициатив требует правильного сочетания правильных подходов. Портал InformationWeek анализирует ряд трудностей и ошибок, встающих на пути практического внедрения ИИ.

Возможности ИИ быстро расширяются, однако результаты использования этой технологии вызывают неоднозначные оценки. Хотя чатботы и цифровые помощники в целом улучшаются, выдаваемая ими информация нередко вызывает смех, трудна для понимания, а в ряде случаев даже сбивает с толка.

В этом контексте стоит обратить внимание на недавно продемонстрированную Google технологию естественного речевого общения Duplex, выполняющую свои функции через телефон. Она может нравиться или нет, но совершенно ясно, что, во-первых, этот ИИ не разговаривает с вами старческим языком, и, во-вторых, такие системы реально нужны.

Одной из неожиданных особенностей демонстрации (если считать, что она не была фейком, как заявляли в некоторых статьях) было использование живых междометий, из-за чего речь цифрового помощника звучала как голос человека. Еще больше впечатляет тот факт (опять-таки, если нас не разыгрывали), что Duplex толково соображал на лету, несмотря на расплывчатые, если не путаные ответы администраторши ресторана на другом конце телефонной линии.

Конечно, области применения этой системы довольно узкие. Демонстрация Duplex ограничилась примерами записи к парикмахеру и попытки сделать предварительный заказ в ресторане. Как говорится в сообщении блога Google Duplex от 8 мая с представлением технологии, которое написали главный инженер Янив Левиатан и вице-президент подразделения Google Engineering Йосси Матиас, «одной из главных идей исследования было ограничить Duplex небольшими областями, которые должны быть достаточно узкими для глубокой проработки. Duplex может вести естественные разговоры только после основательной тренировки в таких узких областях. На общие темы эта система разговаривать не может».

Бытует ошибочное представление, что можно создать универсальный ИИ, который сможет работать повсюду. Мол, предоставьте ИИ первичные данные, и произойдут чудеса. На самом деле это не так. «ИИ — не то, что включил, и заработало, потому что для него нужно много ручной настройки и тренировки. Он очень далек от понятия plug-and-play, как его обычно понимают люди, — говорит Джереми Уоррен, директор по технологии Vivint Smart Home, ранее занимавший ту же должность в Министерстве юстиции США. — Успешная реализация ИИ зависит от опыта и искусства поколдовать над системой, и его фундаментом являются данные, а эти вещи плохо переносятся с одного на другое место».

Важность наличия и качества данных

ИИ нуждается в тренировочных данных для обучения и самоулучшения. По словам Уоррена, если у кого-то имеются посредственные модели, невысокая производительность обработки информации и не лучшие специалисты по машинному обучению, но прекрасные данные, конечное решение может получиться очень хорошим. И наоборот, если вы располагается лучшими в мире моделями, высокой производительностью обработки информации и специалистами по машинному обучению, но у вас плохие данные, результат получится неважный.

«Все решают данные — это первое, что важно понять, и следует добавить, что везде надо докапываться до истины, — говорит Уоррен. — Чтобы получить нужные результаты, вы должны реально знать, что у вас работает, а что нет».

Ту же точку зрения разделяет Дэниэл Моррис, директор по управлению продуктами риэлторской компании Keller Williams. Вместе со своей группой он создал виртуального помощника Kelle для агентов компании, используемого как приложения для iOS и Android. Подобно Alexa, Kelle спроектирован как платформа, и поэтому его навыки могут расширяться. Например, Kelle может работать с календарями и упрощать взаимодействие между агентами.

«Мы пользуемся технологией, уже заложенной в устройства, но чтобы все делалось как надо, неизбежно приходится что-то менять или добавлять, — говорит Моррис. — Архиважны смысл и контекст».

Одной из более трудных задач, с которыми столкнулись в Keller Williams при добавлении в свою разработку новых навыков и возможностей, оказалась поддержка длительных процессов. Их примерами является, например, управление потенциальными клиентами, длительная работа с конкретным клиентом, работа со списками предложений о продаже и аренде недвижимости и учебные мероприятия для персонала компании. Агенты также могут спрашивать Kelle определения терминов, используемых в риэлторской отрасли, или специфических терминов, принятых внутри Keller Williams.

Реальность пользовательских ожиданий

При коммерциализации технологий, а коммерциализация ИИ не является исключением, часто возникает извечная проблема завышенных обещаний и несоответствующих им конечных результатов. Вендоры, ориентирующиеся на разные типы проблем, заявляют, что ИИ способен радикально улучшать все на свете, от разработки новых лекарств до предотвращения мошенничества, и в принципе это так, однако реальные решения и их результаты зачастую очень разнятся, даже среди вендоров, сфокусированных на одинаковой проблеме.

«Многие, у кого это действительно получается, имеют доступ к большому количеству первичных данных и могут их контролировать, — говорит Скиппер Сиболд, директор консалтинговой фирмы Civis Analytics, специализирующейся на вопросах принятии решений. — Далее следует отметить тот факт, что внедрение ИИ на самом деле трудная задача. Создание успешного ИИ-продукта — это по существу создание ПО и системы. А для этого нужна группа специалистов разного профиля, включающая исследователей и разработчиков».

Специалистов по работе с данными часто критикуют за то, что они занимаются слишком академической работой. Мерилом труда исследователей является обоснованность идей. Однако коммерческие формы ИИ должны приносить конкретные результаты либо непосредственно в форме доходов, экономии затрат и, в конечном счете, растущей прибыльности, либо косвенным образом, например, через сбор и использование данных и, возможно, продажу этой информации сторонним организациям. В любом случае важно позаботиться, чтобы пользовательские ожидания были адекватными.

«Если вы рассчитываете, что просто натренируете ИИ на первичных данных и все заработает, то вы ошибаетесь, — говорит Сиболд. — Во многих таких проектах необходимо убедиться, что система сможет взаимодействовать с людьми. Только тогда вы поймете, как она работает и что нужно доделывать, включая потребность в дополнительных тестах в реальной среде».

Особенности принятия решений

На принятие решений с использованием ИИ влияет качество данных. Грязные данные могут приводить к ложным результатам. А если они искаженные, то результат скорее всего будет еще более искаженным.

«Причиной плохих решений иногда может быть то, что в них не учитывается этика, — говорит Сиболд. — Кроме того, решения, принимаемые машиной и человеком, могут друг от друга отличаться. Вы можете получать искаженные и необъяснимые результаты».

Очевидно, важно понять, в чем причина искажений, и внести необходимые коррективы.

В принятии машинных решений задействован черный ящик, и поэтому их зачастую трудно, а то и невозможно понять. Еще надо помнить, что человеческий и машинный ум работают по-разному. В качестве примера можно привести чатботы Facebook AI Research Lab, которые, разговаривая между собой, выработали собственный язык, который был непонятен для исследователей. Неудивительно, что этот эксперимент был закрыт.

«Человеческое воображение захватывает идея универсального ИИ, но это не то, над чем мы работаем, — говорит Сиболд. — В реальности индустрия решает инженерную проблему, используя высшую математику и алгебру».

При обучении ИИ также необходимы люди. Например, когда компания Vivint Smart Homes захотела натренировать камеру для входных дверей распознаванию конкретных людей или человека в униформе служб доставки, она наняла людей для просмотра отснятого видео с тем, чтобы они ставили метки к тому, что они видят. «Маркировка данных иногда требует много ручного труда, и если ее не выполнить правильно, все ваши проблемы тренировки данных проявятся в качестве ваших алгоритмов», — говорит Уоррен.

Резюме

Результаты внедрения ИИ сильно зависят от целого ряда факторов, включая степень широты поставленной задачи, данные, на которых базируется ИИ, используемые методы, опыт людей, работающих над системой, и формирование правильных ожиданий от реализации ИИ. Хотя сфера ИИ энергично развивается, этот прогресс не всегда допускает перенос от одного сценария к другому или от одной компании к другой, поскольку многие вещи, включая доступность и чистоту данных, в разных случаях разные.