29 апреля 2019

Искусственный интеллект: Winter is coming? (Зима близко?)

Многие эксперты указывают на высокую вероятность серьезного разочарования от ИИ в краткосрочной перспективе. Что может привести к «третьей зиме искусственного интеллекта» и почему это происходит, объясняет Антон Епишев, Digital Industry X.0 Lead российского офиса компании Accenture.

Сразу 40% всех стартапов в Европе, развивающих технологии в области искусственного интеллекта (ИИ), на практике не имеют к ИИ никакого отношения. Многие эксперты указывают на высокую вероятность серьезного разочарования от ИИ в краткосрочной перспективе. Что может привести к «третьей зиме искусственного интеллекта» и почему это происходит, объясняет Антон Епишев, Digital Industry X.0 Lead российского офиса компании Accenture.

Тревожные цифры содержатся в исследовании компании MMC Ventures, построенном на изучении деятельности 2830 европейских компаний-стартапов, указавших в качестве основного профиля работы ИИ-технологии. Почти в половине из них исследователи не нашли ни малейших признаков присутствия таких технологий в предлагаемых или развиваемых ими продуктах.

Более того, исследование предполагает, что дальнейшее тестирование остальных 60% компаний, более похожих на подлинные ИИ-стартапы, может показать, что и они не используют ИИ-технологии. Эксперты полагают, что реальных «деятелей» в области ИИ будет менее 10% из них. В перспективе это означает высокую вероятность очередной «зимы искусственного интеллекта». Уже третьей по счету.

Зима тревоги нашей

ИИ развивается как отдельное направление хай-тек инноваций с 1960-х годов. В 1973 году специальная комиссия парламента Великобритании составила отчет о состоянии ИИ, раскритиковав технологию за неспособность обеспечить рынок обещанными на заре своего развития решениями.

«Отчет Лайтхилла» особенно подчеркивал преимущества человека при выполнении тестовых задач перед тогдашними образцами искусственного интеллекта и делал вывод об отсутствии перспектив практического применения в реальном мире. 

Прямое следствие отчета и многих научных статей того времени – отказ в финансировании ИИ-инициатив правительством Великобритании, а затем и США. Слишком высокая цена исследований и тестов, дисбаланс обещаний, ожиданий и практических результатов. Так случилась первая «ИИ-зима». Фактически многие перспективные исследования и разработки в этой области были заморожены, или их развитие сильно замедлилось.  

Оживление направления в 1980-х было коротким и завершилось второй «зимой» с 1987 по первую половину 1990-х годов. Когда один за другим произошли крах рынка экспертных систем и LISP-машин, а затем и проект по созданию компьютеров пятого поколения не смог достичь поставленных целей. Это снова привело к массовому сокращению финансирования расходов на искусственный интеллект. 

К концу 1990-х само понятие ИИ стало носить статус ругательства в научном сообществе, а общим местом было положение о том, что «ИИ на практике не работает».

Оттепель

Софтверные компании, которые в те годы выпускали свои продукты на рынок, при их описании постоянно использовали термины «алгоритмы умного поиска», «программный движок», «паттерны эффективного траблшутинга» и многие другие. Они возникли из исследований в области ИИ и перекочевали в менее громкие и менее глобальные технологические сегменты.  

Ситуация начала меняться с 2010 года. Снова вырос интерес к ИИ как самостоятельному направлению в ИТ и научных исследованиях. Кремниевая долина и компании гиганты накопили к этому моменту огромные массивы данных, и впервые в истории использование нейронных сетей смогло приносить ощутимую практическую пользу. 

К 2015 году направление ИИ-исследований появилось у множества компаний списка Fortune 500. Зачастую это рвение объяснялось боязнью отстать от конкурентов, нежели проработанным видением ИИ-программы для бизнес-задач. Именно этот эффект – FOMO (Fear of missing out - боязнь упустить важный тренд) лежит в основе возможной третьей «ИИ-зимы», симптомы которой обнаруживаются в исследовании MMC Ventures.

Зерна от плевел

Важный отличительный симптом современного направления ИИ: необходимость развивать эффективные механизмы категоризации все большего количества типов данных, включая изображения и естественные языки. В зависимости от способности адекватно осознавать, ставить и решать задачи категоризации данных, можно разделить современные ИИ-компании на три основные группы:

  • Практикующие специалисты -  это организации, по-настоящему фокусирующиеся на расширении границ практического применения ИИ. Именно они создают решения, обеспечивающие долгосрочные конкурентные преимущества на основе ИИ. К сожалению, их крайне немного – из 2830 компаний в исследовании MMC Ventures таковых нашлось не более 170 (6%).
  • «Притворщики» - компании, широко использующие в своей практике статистику и данные, а также продвинутые алгоритмы аналитики, и называющие все это ИИ. Такой подход совершенно не означает, что такие компании «плохие», «мошеннические» и т.д. Просто термин ИИ в их словаре применительно к своей деятельности не должен вводить в заблуждение. Никакого disrupt-потенциала в их деятельности нет, на рынке они смогут продвинуться за счет высокой скорости внедрения своих решений и репликации успешных моделей. 
  • «Шулеры» - фирмы (особенно – стартапы), откровенно вводящие в заблуждение, когда за громкими заявлениями об ИИ-разработках в основе продуктов и сервисов не лежит никакой фактической ИИ-составляющей. В исследовании таких компаний 1132 – 40%. Обычная стратегия использования «хайпа» вокруг популярной технологии для набивания цены, привлечения шальных инвестиций и других методик ловли рыбы в мутной воде

Нерешенные вызовы и парадокс Моравека

Все это дает основания для скептицизма по поводу ближайшего будущего ИИ: текущая картина слишком сильно напоминает преддверие первых двух «зим». «Хайп» и спекуляции вокруг технологии, развитие же идет крайне медленными темпами.

Нерешенными остаются три главных задачи ИИ:

  • Возможность эффективно развивать ИИ, используя небольшие, по сравнению с текущими, объемы данных;
  • Создание модификации ИИ, которая умеет конвертировать полученные в одной предметной области навыки и знания для дальнейшего использования в других;
  • Разработка модификации ИИ, которые умеет создавать собственные модели обучения, не полагаясь в этом на человека.

Бонусом здесь можно добавить решение «парадокса Моравека». Сложные задачи для ИИ являются легкими для человека, и наоборот – человек не может справиться с тем, на что у ИИ уходят доли секунд. По всем этим задачам прогресс в лучшем случае можно назвать довольно скромным (с учетом вливаний ресурсов и хайпа).

Действительно рабочими disrupt-решениями могут похвастать считанные компании. Например, Google со своим DeepMind – его алгоритмы дают более высокую производительность при игре в шахматы или Го по сравнению с остальным рынком даже при использовании менее 1% доступных ресурсов (CPU и данных для обучения). Это достижение действительно имело реальное применение – позволило адаптировать некоторые возможности ИИ для использования в смартфонах и умных колонках/

Но, увы – too little, too late. И потом – все это уже было: первые компьютеры громили людей в шашки в 1950-х годах, изумляли публику. Прорыв технологий, казалось, был на расстоянии вытянутой руки. Журналисты и писатели грезили о неотличимых от человека андроидах в перспективе ближайшей пятилетки. Выяснилось же, что достигать сверхчеловеческой производительности при выполнении некоторых специфических задач – вовсе не означает, что воссоздание человеческого интеллекта в «железе» и софте уже реально.

Ренессанс? Средневековье!

Между тем, большинство современных нейронных сетей по-прежнему требуют для своего развития огромные массивы данных, а данные – конечная величина/

Кроме того, многослойность нейросетей зачастую делает понимание их работы сложным даже для собственных разработчиков. Самое главное: комплексные нейронные сети все еще неэффективны для решения задач в предметных областях, для которых они не разрабатывались – сеть, гениально играющая в покер, не сможет справиться с задачей поиска котиков на изображениях». Тогда как человек запросто её решает.

Да, со временем, при условии постоянного обучения и тренировок в решении задач, ИИ становится лучше, но это процесс требует постоянной подпитки через использование энергии и ИТ-инфраструктуры. А это требует значительных вливаний ресурсов, которые доступны не для всех компаний.

Прогноз: вероятно, зима

В 2018 году вышло огромное количество статей, интервью, постов в соцсетях и на форумах, обрисовывавших ограничения для развития ИИ. У некоторых игроков наступает осознание, что при отсутствии бюджета на исследования в ИИ, сопоставимого с тратами Google, а также штата экспертов уровня MIT и массивов данных калибра Amazon, оперативно получить реальные результаты от ИИ – крайне тяжело.

Начало каждой ИИ-зимы сопровождалось: серьезными преувеличениями ближайших перспектив технологии по сравнению с реальным уровнем ее возможностей, необоснованными проекциями успеха в одном направлении на остальные, и даже на перспективу создания «общего ИИ», подобного человеческому уму. Так и сегодня, стоит кому-то сообщить об удачном ИИ-алгоритме, который смог снять короткометражку, как в СМИ начинается вал заголовков в духе «Роботы идут!».

Все это, конечно, помогает росту инвестиций в проекты, но диспропорция между их объемом и выхлопом только растет.

Winter is coming?

Антон Епишев

Источник: Fast Salt Times

Konica Minolta нарастила мощности Типографии ВШЭ

20 августа 2019

Типография Высшей школы экономики расширила парк печатного оборудования: в основном корпусе типографии введена в эксплуатацию производительная промышленная машина Konica Minolta AccurioPress C6085. Устройство принадлежит к флагманской серии цветных печатных машин, и позволяет печатать даже крупные тиражи со скоростью 85 страниц в минуту. Поставку оборудования произвела группа компаний «ТЕРРА ПРИНТ», специализирующаяся на работе с печатным, постпечатным и упаковочным оборудованием.

 

Как научиться писать тестируемый и сопровождаемый код — отвечают эксперты

20 августа 2019

В вакансиях практически всегда есть требование «писать тестируемый и сопровождаемый код», но начинающие программисты далеко не всегда понимают, что это такое. Как начинающему программисту научиться писать качественный код, который будет легко сопровождать и тестировать?

 

Компания «АйДи – Технологии управления» завершила стартовый этап программы подготовки SAP-консультантов

19 августа 2019

Компания «АйДи – Технологии управления», системный интегратор и разработчик программных решений в области информационных технологий и корпоративного управления, сообщает о первых итогах стажерской программы по подготовке консультантов SAP.

 

Konica Minolta обновила систему видеонаблюдения на предприятиях Rector Lesage

19 августа 2019

Konica Minolta, ведущий поставщик решений для обеспечения безопасности, модернизировала системы видеонаблюдения на объектах Rector Lesage Group, производителя напольных и стеновых строительных конструкций. Реализованные на промышленном предприятии решения основаны на современных технологиях компаний Konica Minolta и Mobotix.

 

Реальный кардинг: как сделать онлайн-платежи безопасными

19 августа 2019

Кардинг – это любые мошеннические операции, связанные с пластиковыми картами. Какие виды кардинга существуют и как с ними бороться, рассказывает Сергей Прохоров, эксперт «КОРУС Консалтинг».