Ажиотаж вокруг искусственного интеллекта (ИИ) заставляет смотреть на мир под определенным углом, но восприятие и реальность расходятся: каждый считает, что все остальные уже используют его, однако лишь малая часть имеет реальный опыт взаимодействия с «умной машиной». Более того, с уверенностью можно сказать, что практически никто не использует его достаточно хорошо.

Это уже третий цикл в долгой истории искусственного интеллекта — первая конференция по ИИ состоялась ровно 60 лет назад — но дисциплина, которая сейчас именуется как машинное обучение (или ML), еще очень юна, тем более если речь заходит о ее реализации. И хотя многие из нас сталкиваются с машинным обучением всякий раз, когда используют помощников вроде T9, Siri или Google, подавляющему числу компаний лишь предстоит узнать о своей роли во всеобщем процессе технологизации.

На основании решений крупного и малого бизнеса, который использует машинное обучение в своих целях, мы составили пять ключевых советов, которые необходимо учесть, прежде чем обратиться к машинному обучению.

Гораздо важнее задачи, которые вы решаете, а не сам факт применения машинного обучения. ML не так далеко ушло от «общего искусственного интеллекта» — оно остается специализированным инструментом, а вовсе не панацеей.

Например, Deep Knowledge Ventures, венчурная фирма из Гонконга, ввела алгоритм машинного обучения VITAL еще в 2014 году, чтобы анализировать рыночные данные на предмет инвестиционных возможностей.

Для глобальных сервисов, экспериментирующих в этом пространстве, машинное обучение позволяет глубже и быстрее анализировать документы. Энергетические компании, в свою очередь, хотят эффективней использовать данные о производстве и транспортировке, чтобы принимать более взвешенные решения о подборе штата, тогда как один военный подрядчик внедряет «мудрый» анализ клиентов в конфликтных зонах для поиска новых заказов.

Несмотря на то, что существуют расхожие опасения по поводу ИИ, который должен создать острую нехватку рабочих мест, подавляющее большинство компаний, по крайней мере, на данном этапе, экспериментируют с машинным обучением, чтобы дополнить, а не заменить человека.

Поэтому важно определить, какие процессы и решения для вас выгоднее: более контекстная осведомленность, т. е. поиск новых партнеров, или более эффективное понимание собственных данных, т. е. оптимизация внутренних ресурсов компании? Чем точнее вы ответите на этот вопрос, тем проще будет превратить экспериментальные исследования в практический опыт.

Машинное обучение зиждется на данных, больших и малых. Если ваша модель предполагает глубокий или более оперативный анализ собственных данных, то, скорее всего, сначала вам следует разобраться с этими данными.

Это означает не только внедрение новых баз данных и повышение их «гигиены», но и новые материалы, новые технологические процессы, новые информационные онтологии и все остальное. Вот что нуждается во внимании, прежде чем вы начнете строить систему, которая будет прогнозировать те или иные исходы при принятии решений.

Не забудьте также уделить пристальное внимание стратегии кибербезопасности, если данные теперь появляются из новых источников.

Ум — это не дешево. Сервис по поиску работы Glassdoor подсказывает, что средняя зарплата data scientist в Пало-Альто, штат Калифорния, составляет $ 130 000. Но даже если вы не планируете конкурировать с гигантами Кремниевой долины, придется попотеть. Помните, что великие специалисты в 50 раз ценнее одного компетентного сотрудника, а это означает, что нанять и удержать его будет сложно.

Конечно, этот вопрос можно вынести на аутсорсинг, однако опыт других компаний подсказывает, что машинное обучение требует значительных инвестиций, если вы собираетесь аккумулировать новые знания.

Еще одна проблема — это боты, т. е. интерфейсы прикладного программирования (API), которые используют машинное обучение для выполнения специальных задач, таких как синтез речи, оценка настроений или анализ тегов. Сейчас ботов можно рассматривать как небольшую и несовершенную часть машинного обучения, но если создатель Siri окажется прав, сформируется целая экосистема API для машинного обучения, которая самостоятельно будет писать код для удовлетворения ваших потребностей.

Такие техногиганты как Salesforce уже начали интегрировать машинное обучение в свои платформы, чтобы упростить процесс входа для новичков. По мере развития экосистемы машинного обучения компании смогут найти интересные способы объединить свой собственный опыт с диапазоном готовых инструментов и алгоритмов с открытым исходным кодом для создания высококастомизированных решений.

Технологии не свободны от заблуждений. Все инструменты, которые мы разрабатываем, в том числе системы искусственного интеллекта, отражают ряд ценностей, предубеждений и домыслов, встроенных их создателями. Все это находит отражение в итоговых данных, которые могут иметь половой, расовый или социальный уклон.

Тот факт, что для рядовых наблюдателей машинное обучение является достаточно сложной наукой, лишь усугубляет ситуацию. Проколы и неудачи, которые случаются в дисциплине, практически лишены контроля. Никто не может оценить реальный ущерб или защитить пострадавших. Все вместе это ведет к так называемой «власти непостижимого».