Искусственный интеллект: сегодня и завтра

Никита Худов

---

Исполнительный директор – начальник Центра AI-трансформации Сбера

Тренды в ИИ

Искусственный интеллект – не единый тренд, а явление, состоящее из множества частей.

Если говорить про генеративный ИИ (Generative AI), пик его популярности прошел, начинается плато полезного применения. Вместе с этим проявляется ряд новых трендов в области ИИ. Например, Embodied AI (роботизация), Quantum AI (квантовые вычислители, квантовые компьютеры) и Sovereign AI (возможность страны создавать искусственный интеллект с использованием собственной инфраструктуры, данных, рабочей силы и бизнес-сетей)

Но сейчас, как уже было упомянуто, особенно в ходу генеративный ИИ. Это тип системы искусственного интеллекта, способный генерировать текст, изображения или другие медиаданные в ответ на подсказки.

Существуют языковые, картиночные и прочие модели генеративного ИИ. Они выпускаются регулярно, практически через день. Это указывает на большую активность и конкуренцию в этой сфере. Что касается типов, то 2023 был годом языковых моделей. Все начали активно работать с текстом. И достигли неплохого прогресса. Теперь в этой сфере сложно кого-то удивить.

2024 год – революция других модальностей. Мультимодальные фундаментальные модели (MFM) – больше чем просто языковые модели. Это объединение нескольких типов данных – текст, аудио, картинки и видео в том числе, но этим список модальностей (информации, с которой ИИ работает) не ограничивается. Мы двигаемся в сторону новых направлений.

Новые направления, с которыми одновременно научатся работать модели:
- 3D (анализ и визуализация объектов);
- Обоняние (обучение модели распознавать запах);
- Геном человека;
- Структура белка;
- Жесты;
- Музыка.

Если в работе с текстами мы достигли уже определенного уровня, то здесь – бескрайние просторы для развития. Поэтому призываю вас за всем этим внимательно следить: вполне вероятно, что скоро мы увидим новые, не менее удивительные направления. Это подтверждается тем, что рынок ИИ растет колоссально, причем мы говорим как про оценку самих компаний, которые этим занимаются, так и про объемы инвестиций. Ни один другой рынок не развивается так стремительно, как Gen AI. Ожидается высокий ROI (процентное соотношение между доходом и инвестициями в бизнес. Чем выше процент — тем эффективнее инвестиции).

Прогнозируется подъем мирового рынка Gen AI в 3 раза к 2030 году. Это подтверждается ростом капитализации производителей чипов. Nvidia, крупнейший из них, выросла за 10 лет в 226 раз (2014-2024). В 6 раз увеличилась доля выручки компании от дата-центров для ИИ вследствие развития генеративного ИИ (2019-2024). 60% выручки Nvidia приходится на процессоры вследствие бума нейросетей.

При этом ИИ активно внедряется в бизнес. Из опрошенных 70-ти крупнейших в мире компаний 100% применяли ИИ: чат GPT – ожидаемо, – а некоторые предприятия тестировали у себя в бизнесе несколько моделей сразу.

Генеративный ИИ уже применяется в бизнесе, преимущественно как побочный ассистент для сотрудников. Это значит, что он не взаимодействует с клиентами – пока зрелость внедрения в бизнес еще не настолько высока. ИИ не общается с человеком, а лишь помогает оператору поддержки делать это эффективнее. Также используется поиск по базе знаний – ИИ может извлекать оттуда интересные и полезные факты. Такую рутинную работу легко заменить.

Говоря про то, на каких сферах ИИ сфокусирован, пока речь идет в основном о маркетинге и развитии продуктов. Это ожидаемо, потому что там, как минимум, меньшая степень риска. Можно ошибаться, но скорее всего потери не будут так критичны, как в сферах, связанных с жизнями людей – здравоохранении, например.

Благодаря внедрению генеративного ИИ бизнес может сократить расходы до 37%. Достаточно впечатляющие цифры для компаний. По оценкам Всемирного экономического форума, в ближайшие 10 лет будет модернизирован 1,1 млрд рабочих мест по всему миру. Эффект окажется колоссальным.

А что с кадрами?

Часто возникают опасения о том, что машины заменят людей. Но надо сказать, что у ИИ есть только три опции.

Первое, конечно же, это автоматизация. Когда мы внедряем ИИ в процессы для того, чтобы действительно заместить какой-то функционал.

Второе – имитация. Когда мы не заменяем, а дополняем наших сотрудников при помощи ИИ. Мы делаем их эффективнее, продуктивнее, быстрее. Это дает нам новые возможности. И это даже более интересно, чем автоматизация, потому что мы даже не до конца представляем весь потенциал, а он может быть крайне велик.

И третье направление – новые профессии. Кстати, сейчас уже востребованы тренеры, которые улучшают работу нейорсетей.

Как итог: вас скорее заменит не ИИ, а человек, который этот ИИ применяет. Причем это может происходить независимо от роли. Нет ни одной индустрии, где применение ИИ неактуально. Могут быть отрасли, которые еще не готовы, но в ближайшем будущем это будет нужно абсолютно всем.

Внедрение ИИ в бизнес

Теперь поговорим про то, как мы развиваем ИИ на примере нашего портфельного управления проектами.

Наш эффект от ИИ за 2023 год – + 300 млрд рублей.

Когда мы внедряем в бизнес разные ИИ-инициативы, всегда держим в фокусе достижение бизнес-результатов. Это отслеживается по трем факторам.

1.Финансовый эффект: рост доходов, сокращение расходов, резервы и капитал.
2. Клиентский опыт: улучшение качества взаимодействия с пользователями.
3. Повышение производительности.

Сейчас в нашем портфеле уже более 70-ти инициатив. Большая их часть направлена на дополнение наших сотрудников. Но при этом у нас уже есть часть кейсов, когда мы внедряем коммуникации с клиентами: например, рекомендации каких-то сервисов и товаров.

У нас есть 5 шагов интеграции ИИ-инициатив в бизнес:

- Приоритезация кейсов;
- Определение параметров пилотной версии;
- Выбор модели и тестирование;
- Дообучение модели;
- Интеграция и масштабирование.

Подробно:

Приоритезация кейсов. Мы взвешиваем две части: текущие обстоятельства и возможные инвестиции в реализацию инициативы. Смотрим, насколько это критично для бизнеса. Например, у нас есть логистическая компания по управлению цепочкой поставок. И мы видим, что сейчас там наблюдаются проблемы с задержками. Отталкиваясь от этого, думаем: а как мы можем использовать ИИ, какие инициативы нужны, чтобы эту проблему решить?

И дальше мы уже оцениваем ситуацию с условием возможных инвестиций, смотрим, насколько наша модель готова к реализации, насколько сложно ее будет внедрять.

Когда мы идем в новый кейс, то тестируем его сначала на какой-то небольшой группе пользователей, либо на части продуктов. И дальше если «пилотная» версия удается, то мы ее масштабируем.

У нас есть также этап выбора модели: потому что разные нейросети могут быть успешны в разных кейсах, и пока не попробуешь – не поймешь.

Вот несколько вариантов работы с большими языковыми моделями:

Можно использовать модели из Big Tech (от крупнейших компаний в IT-сфере, охвативших почти все сферы деятельности). Это удобно: берешь уже готовую модель и тестируешь. Но при этом появляется сильная зависимость от ее создателя, а обслуживание таких моделей недешевое.

Вторая опция, намного более простая, – Open-source. Покупая лицензию, ты можешь скачивать модель и использовать ее в любых коммерческих целях абсолютно законно. Качество таких моделей пока невелико, но уже дотягивает до минимально-приемлемого, чтобы у нас был какой-то выбор.

Конечно, у нас появляются и собственные разработки. Это может дать независимость и конкурентоспособность. Но мало кто решается на такой ход: это колоссальные усилия на обучение своих моделей и большой бюджет. Порой смысла просто нет.

После того, как мы провели сравнение моделей и выбрали что-то одно, у нас есть этап дообучения (опциональный). Это дорогостоящий и долгий процесс, но он сильно поднимет качество работы модели. Однако для начала нужно протестировать и оценить, повлияет ли дообучение на итоговый результат, нужно ли оно вообще.

На финальном этапе мы подводим итоги эксперимента и рассчитываем лимит экономики, а затем принимаем решение: нужно ли масштабировать этот проект?

Прогнозы в развитии ИИ

Развитие моделей сильно расширяет периметр их использования. Во-первых, модели «из коробки»: они становятся умнее и могут использоваться в большем числе бизнес-кейсов. Во-вторых, появляется возможность давать персонализированные (подходящие под людей или ситуацию) ответы на базе ИИ. Эти ответы только начинают расти, но в эту сторону мы все-таки движемся.

Рассмотрим потенциал на примере обоняния. Зачем нам учить модель слышать запахи? Недавно я встречал интересный кейс из сферы виноделия: люди обучили модель на базе ароматов определять, в каком регионе производят то или иное вино. С точностью 100%! В будущем этот кейс при должном развитии и увеличении способностей позволит бороться с подделками на винном рынке.

При этом важно понимать, что растет и доступность ИИ. Да, пока модели с открытым кодом по качеству отстают от «закрытых», где выше и качество, и стоимость. Это логично, но при этом разрыв между ними уменьшается.

С другой стороны у нас растет качество «маленьких» моделей. Что это значит? Модели измеряются в миллиардах параметров. Отсюда – колоссальная разница в стоимости их обучения. Раньше маленькие модели плохо справлялись с бизнес-кейсами. Но если говорить про текущую ситуацию, то сейчас даже самые маленькие нейросети стали более способными. Рост их функционала делает этот рынок более доступным.

Конечно, не менее важной остается работа с данными, это критично для обучения моделей и их дальнейшего использования. Здесь нам помогает качество собираемых данных: чем оно выше, тем лучше собираемые модели.

Синтетические данные. Новый тренд, когда мы на основе настоящих, фактических данных создаем новую базу информации. Она имитирует реальную, и это большой тренд. По прогнозам, уже к 2030 году внедрение синтетических данных будет распространено больше, чем работа с настоящими.

Сейчас это дает топливо для обучения моделей. Работает так: имея у себя в компании 100 реальных клиентов, по образу их данных вы создадите еще 1000 виртуальных клиентов, и на этой базе обучите вашу модель.

Также из-за популярности трансформеров-моделей развиваются исследования альтернативной архитектуры. Появятся и мультиагентные модели. Это целая система из большого количество агентов (разных процессов распознавания), которые взаимодействуют между собой, и каждый агент специализируется на конкретной задаче. Это дает прирост качества.

Interactive AI. Часто его противопоставляют генеративному ИИ, который работает в одну сторону: пользователь задает вопросы и получает ответы. А интерактивный работает в обе стороны: получает вопросы, отвечает и начинает спрашивать пользователя, больше взаимодействовать с ним.

Self-reflection. Модель, которую мы учим осознавать, что она делает и почему. По сути, даем возможность саморефлексии.

Super Aligment. Эти модели учатся быть этичными, существовать с людьми, не нарушать правила, но при этом самостоятельно осознавать и регулировать себя.

Emboodied AI – роботы. Это тренд на слияние ИИ и робототехники.

К чему нас это ведет?

К тому, о чем мы говорим достаточно давно. Если лет 20 назад то, что ИИ может превосходить человека, было некой теорией, то сейчас все поменялось. Это уже не что-то далекое и непонятное. Мы примерно понимаем, как туда идти, как реализовывать модели, каким способностями ИИ должен обладать. В будущем нейросети будут иметь способность генерализации задач, обучать себя самостоятельно и показывать при этом когнитивные человеческие способности.

Когда это наступит? Скорее всего достаточно скоро. Кто-то считает, что после 2030, кто-то (Илон Маск, например) что даже раньше: что в течение пяти лет мы уже сможем увидеть такой развитый ИИ.

Завершить хотелось бы такой фразой: независимо от того, появятся у нас в ближайшие пять лет новые модели и концепции или нет, уже ясно: ИИ – самая прорывная технология за очень большой период времени. Сейчас он влияет на все сферы и будет влиять еще больше.

Дарья Табакова

За предоставленный материал благодарим организаторов IT-фестиваля ULCAMP’24 .

Опрос: покупка недвижимости в Ульяновске

Поделитесь с нами своими взглядами на расположение, стоимость и другие вещи, которые важны для вас при покупке квартиры или дома! Результаты опроса мы опубликуем в конце месяца

Электрическое будущее

В России предложили обязательное создание парковочных мест для электромобилей. Решение уже не удивляет: во всем мире электрокары набирают все большую популярность. Но как обстоят дела в нашей стране?

Телеком стал самой кибератакуемой отраслью

Количество прецедентов выросло в 10 раз в первом полугодии 2024 года