В сфере искусственного интеллекта есть множество захватывающих реалий, не осознаваемых большинством людей. Почему последствия его влияния на человечество гораздо глубже, чем мы себе представляем? Почему в некоторых областях знаний — в маркетинге, продажах, обслуживании клиентов и аналитике — его воздействие вскоре окажется таким глубоким и всепроникающим? Почему это не всего лишь еще одна область программирования? Почему масштаб, в котором мы можем (или должны) решать проблемы, уже выходит далеко за пределы фундаментальной стратегии большинства компаний, звучащей примерно так: у нас есть возможность получения большего дохода, но мы не знаем, как воспользоваться преимуществами, так купим же еще колес для хомяков, наймем больше хомяков и научим их бежать быстрее!
Хотелось бы пролить свет на все эти «почему» и даже пойти дальше. Цель данной статьи — заставить грани вашего сознания повернуться таким образом, чтобы вы решились действовать проактивно и воспользовались открывающимися возможностями как на личном, так и на профессиональном уровне.
В блоге уже выходила статья на похожую тему, называлась она «Искусственный интеллект: применение в маркетинге, аналитике и вашей жизни». Из нее вы могли узнать о глобальном максимуме, получить толкование таких понятий, как «искусственный интеллект», или «ИИ» (Artificial Intelligence, AI), машинное обучение (Machine Learning, ML), глубинное изучение (Deep Learning, DL), а также прочитать об их применении в нашей повседневной работе.
Сегодняшний же пост организован вокруг следующих 6 пунктов:
- В чем, собственно, преимущество?
- Стоп! Так мы все «обречены»?!
- AI: беседа со скептиком.
- Ладно, ладно, но что с настоящим? (В профессиональном плане.)
- Ладно, ладно, но что с настоящим? (В личном плане.)
- Выводы.
Вы можете перепрыгивать между разделами, но сначала прочтите ту часть, что идет сразу же после данного параграфа — не пожалеете. И если вы готовы размять свой ум, то вперед!
В чем, собственно, преимущество?
Говоря о появляющихся AI-решениях, необходимо подчеркнуть два особенно мощных концепта: непрерывное коллективное обучение (Collective Continuous Learning) + всеобъемлющее знание с первого дня (Complete Day One Knowledge). Они имеют решающее значение для усвоения глубины и размаха революции и того, почему сильные стороны AI становятся причиной радикального сдвига за пределы человеческих возможностей.
Большинство роботов являются чересчур «машинными», потому что они следуют парадигме «чувство-план-действие». Это ограничивает круг доступных им действий — вы наверняка замечали, насколько преднамеренными выглядят их движения. Команда Google приняла для себя стратегию создания робота, который будет изучать сам себя (вместо программирования с предварительно сконфигурированными моделями поведения).
Следуя этому подходу, их исследователи «поручили» однорукому роботу самому научиться поднимать объекты.
Поначалу механизм хватания носил абсолютно случайный характер. Представьте ребенка, едва понимающего, что в конце плеча у него начинается рука. В видео чуть ниже вы увидите, что роботы редко преуспевают в выполнении этой задачи. ;)
В конце каждого дня собирались данные, использовавшиеся затем для обучения глубинной сверточной нейронной сети (Convolutional Neural Network, CNN) умению прогнозировать результат каждого хватательного движения. Далее эти знания возвращались к роботу, улучшая его шансы на успех.
Для усвоения интеллектуального поведения потребовалось всего 3 000 роботочасов практики.
Что такое интеллектуальное поведение для однорукого робота, поддерживаемого CNN? Среди прочего, возможность изолировать один объект (степлер) для успешного захвата части конструктора Lego, что можно наблюдать на 15-й секунде этого видео:
Это также распознавание способов хватания различных типов объектов (губки для мытья посуды, стирателя с доски или стакана для воды).
Дух захватывает, когда представляешь себе вещь, которая ничего не знала и вдруг чему-то научилась. Остановитесь на мгновение. Подумайте об этом. Эти роботы начинали с нуля — как ребенок, — а потом сами взяли и разобрались. И довольно быстро! Это не может не поражать.
Отсюда мы можем извлечь 2 урока. Первый относится к глубинному изучению в чистом виде во всей его удивительной мощи, и о нем мы уже знали. Второй открывает нечто новое. В эксперименте было задействовано 14 одноруких роботов. Небольшое число. Все 14 с самого начала коллективно поставляли данные, включая фиксацию множественных неудач. В конце дня знания, полученные сверточной нейронной сетью, использовали все 14 роботов. И на следующий день все 14 начинали с этого нового уровня коллективной мудрости.
Чтобы четко запечатлеть этот урок в вашем сознании, назовем его коллективным обучением. Мощный инструмент.
Подумайте о том, как 14 человек изучают новую задачу. Снятие кожуры с яблока. Или прокладку пути для железной дороги. Или программирование нового, еще более скучного меню развлечений для телевизоров на бортах самолетов Air Canada (у них худшие развлекательные программы, известные человечеству).
Каждый человек будет делать это по отдельности, насколько это возможно, и в итоге мы получим нормальную колоколообразную кривую компетентности. Вполне возможно, что при наличии соответствующих стимулов люди, показывающие наилучшие результаты в группе, будут пытаться учить других. Ситуация значительно улучшится, если задача станет повторяться и не будет требовать работы воображения / творческой жилки / внутреннего интеллекта. Если задача не будет повторяться и потребует работы воображения / творческой жилки / внутреннего интеллекта, то улучшение, скорее всего, будет небольшим.
В любом случае у людей не будет ничего похожего на коллективное обучение. Нам также не свойственен непрерывный замкнутый циклический алгоритм «Сделать что-нибудь → Проверить результат (успех или неудачу) → Активно учиться или улучшать себя → В следующий раз сделать это лучше».
Непрерывное коллективное обучение. Невероятное преимущество, не до конца осмысленное нами.
Перейдем ко второму преимуществу.
Машинное обучение уже меняет много сфер, и особенно интересно происходящее в здравоохранении, от способности приблизить открытие новых лекарств до невероятной скорости, с какой методы машинного обучения становятся полезными в диагностике (анализы крови, рентген, исследование раковых опухолей и т.д.).
415 миллионов пациентов с диабетом во всем мире подвержены риску диабетической ретинопатии (ДР), самой быстрорастущей причины слепоты. При ранней диагностике болезнь полностью поддается лечению. Проблема состоит в том, что немногие специалисты способны обнаруживать ДР, и их еще меньше в тех частях света, где диабет особенно распространен.
Используя набор данных из 128 000 изображений, форсированная научная группа Google обучила глубинную нейронную сеть обнаруживать ДР, анализируя фотографии сетчатки. Результаты, полученные алгоритмом (черная кривая), были немного лучше, чем у экспертов-офтальмологов (цветные точки).
Вертикальная ось — чувствительность, %. Горизонтальная ось — специфичность, %
В частности, алгоритм имел F-критерий, равный 0,95, а средний F-критерий восьми экспертов-офтальмологов составлял 0,91.
Поскольку для обучения нейронной сети стали доступны более богатые наборы данных и поскольку технологии создания 3D-изображений, такие как оптическая когерентная томография, позволяют более детально просматривать сетчатку, несложно представить, насколько преобразующим будет воздействие использования алгоритма. Миллионы людей, подверженные риску ослепнуть, получат доступ к технологиям с искусственным интеллектом, обещающим совершенно другой исход их жизней — и жизней их семей.
Недавно в журнале New Yorker вышла невероятная статья на эту тему, «Искусственный разум против врачей» (A.I. VERSUS M.D., от 3 апреля 2017 года). Одна из частей поражает воображение.
Алгоритм, созданный Себастьяном Труном, Андре Эстева и Бреттом Купрелом (Sebastian Thrun, Andre Esteva, Brett Kuprel), может обнаружить кератиноцитовую карциному (тип рака кожи), глядя на различные кожные проявления (акне, сыпь, родинку и т.п.). В июне 2015 года он давал правильные ответы в 72% случаев, в то время как два дипломированных врача-дерматолога отвечали верно относительно тех же изображений в 66% случаев.
С момента публикации отчета ученых в престижном журнале Nature алгоритм стал еще умнее, научился определять другие типы рака кожи и последовательно показывает результаты лучше, чем у дерматологов.
Большинство видов рака являются фатальными, если они обнаруживаются слишком поздно. Представьте, какие изменения может внести в нашу жизнь этот алгоритм, когда на базе облака он станет доступным для всех людей через их пять миллиардов смартфонов. Осуществленная мечта: недорогой универсальный доступ к жизненно важной диагностической помощи.
Есть одна недооцененная грань всего этого. Алгоритмы для области здравоохранения (включая тот, о котором мы говорили, но не ограничиваясь им) проявляют себя невероятным образом в патологических случаях с редкими аномалиями, поскольку они не забывают то, что видели лишь однажды или «редко».
Вот немного контекста для поддержания этого положения.
Дерматолог, практикующий полный рабочий день, увидит около 200 000 разных случаев в течение своей жизни. Каждым новый случай в идеале добавит ей или ему дополнительные знания и повысит диагностические навыки.
Однако наша проблема как людей заключается в том, что каждый новый представитель медицинской науки начинает почти с нуля. Одни учебники обновляются, другими могут пользоваться десяток лет. Врачу могут стать доступны новые методы — машины и аналитические стратегии. Но глубина и широта знаний, приобретенных дерматологом к концу карьеры после знакомства с 200 000 случаев, будут почти полностью недоступны новоиспеченному дерматологу. Даже если он пройдет интернатуру и несколько лет практики в больнице, даже если он будет работать вместе со старым, опытным дерматологом, молодой доктор будет немногим лучше предыдущего, когда тот едва покинул университет.
Теперь обдумайте следующее. Упомянутый выше алгоритм обработал 130 000 случаев за 3 месяца! И каждый день он становится только умнее, поскольку получает все больше новых данных. А вот самая волшебная часть. Каждый новый алгоритм, присоединившийся к уже существующим в сети, будет иметь полный доступ ко всем знаниям из предыдущих алгоритмов! Назовем эту отправную точку «всеобъемлющим знанием с первого дня».
Поскольку он обладает большим количеством данных для обучения и более высокой вычислительной мощностью, он будет становиться все умнее и продолжит наращивать новое понимание поверх этого всеобъемлющего знания. Следующая версия алгоритма начнет развиваться с этой новой высокой отметки.
В случае с нами нет ничего похожего на всеобъемлющее знание с первого дня. Совместите этот концепт с непрерывным коллективным обучением (сетевое оборудование или программное обеспечение, все звенья которого обучаются в одно и то же время) и через 5 секунд вы поймете, что мы находимся в новом времени и новом мире.
Независимо от формы AI, он всегда будет иметь доступ к полному знанию. С помощью сети каждый экземпляр будет делать своих «собратьев» умнее каждое мгновение своего существования.
Люди просто не могут конкурировать.
И это чертовски серьезное преимущество.
Остановитесь. Подумайте. Если вы хоть чуть-чуть не согласны, прокрутите страницу вверх и снова прочитайте этот текст.
Крайне важно, чтобы вы поняли все происходящее — но не из-за того, что произойдет через 10 лет, а из-за того, что сегодня происходит с вашей работой.
Стоп! Так мы все «обречены»?!
Зависит от того, что вы имеете в виду под «обречены», но да. Нет. Да, абсолютно точно.
Искусственный интеллект будет иметь огромное преимущество перед людьми в ближайшие годы.
Благодаря непрерывному коллективному обучению и всеобъемлющему знанию с первого дня (не говоря уже о достижениях в области методов глубинного обучения и разработки аппаратных частей ЭВМ), AI будет лучше справляться с повторяющимися задачами большого объема.
Отсюда первое «да».
На данный момент Neuralink, имплантируемый интерфейс «мозг-компьютер», — это всего лишь концепция. Но многие эксперты (например, Рэй Курцвейл, Ray Kurzweil) считают, что какой-то тип связи между человеческим мозгом и «интеллектом, данными, вычислительной силой в облаке» станет доступным людям.
Можно предположить, что к тому моменту, когда это произойдет, в течение следующих нескольких десятилетий (году, эдак, к, 2050-му), люди смогут добиться паритета с тем AI новой эпохи. У нас даже может быть преимущество в течение некоторого времени (все-таки тяжело расстаться с мыслью о том, что наш мозг особенный!).
Отсюда ответ «нет».
Ближе ко второй половине текущего столетия, AI снова вернет лидерство — и сохранит его навсегда. Нельзя сказать, будет ли это общий искусственный интеллект (Artificial General Intelligence, AGI) или некий Суперинтеллект (Superintelligence) или какой-либо другой вариант. Но учитывая то, что все связанные с компьютерами факторы меняются с экспоненциальной скоростью, невозможно, чтобы ИИ не превзошел людей и человеческий мозг, со всеми их ограничениями (включая и версию людей, работающих с Neuralink).
Вот только одно наблюдение от специалиста по AI Юргена Шмидхубера. Нейронные сети, используемые нами для глубинного обучения, в настоящее время имеют около миллиарда нейронных связей. В коре человеческого мозга их примерно 100 000 миллиардов. Компьютеры становятся в 10 раз быстрее каждые 5 лет, и если эта тенденция не нарушится, то всего через 25 лет появится нейронная сеть, сравнимая с мозгом человека. Всего 25 лет.
Отсюда ответ «да, мы обречены, абсолютно точно».
AI: беседа со скептиком
Конечно, некоторые из вас думают, что все, что тут написано, мягко говоря, немного нереально. Вы уже слышали обо всей этой «шумихе» раньше и настроены глубоко скептически (в конце концов, ИИ прошел длинный путь через два десятилетия, в течение которых ему не удалось выполнить ни одно обещание). Вам говорили, что технология Programmatic — это AI, однако ей удалось лишь более эффективно и в большем масштабе выполнять всякую ерунду.
Ваш скептицизм оправдан.
Все мы имеем разное мировоззрение. Но цель той статьи — с помощью примеров и сравнений помочь вам в путешествии, требующем мыслить более широко, в том числе, подключая скептический взгляд на вещи.
Ладно, ладно, но что с настоящим? (В профессиональном плане)
Несмотря на все вышесказанное, в целом общий взгляд на будущее оптимистичен (даже если человечеству осталось лет 150). Но стоит поговорить о перспективах машинного и глубинного обучения в настоящем. Они будоражат. Столько еще существует вещей, которые нам трудно делать, столько возможностей, о которых мы и не подозреваем, столько перспектив выполнять изнурительную работу быстрее, легче, лучше…
Поделимся несколькими рекомендациями о том, чем вам стоит заняться уже сейчас, надеемся, они побудят вас как можно скорее приступить к использованию машинного обучения.
Поговорим о Саудовской Аравии. Это страна, наблюдавшая в последние годы невероятно быструю модернизацию. В течение нескольких лет она перешла от верблюдов к автомобилям. Поразмыслите об этом. Между этими двумя средствами передвижения не было ни велосипедов, ни паровых двигателей. Саудовцы просто взяли и сразу поменяли верблюдов на автомобили! Оцените последствия нововведения.
Именно такой момент мы сейчас переживаем в мире бизнеса. Искусственный интеллект и его применение в маркетинге и аналитике — это как пересесть с вьючного животного на автомобиль. А может даже на ракету.
Найдутся руководители компаний, с гордостью говорящие о том, как они внедряют ИИ. Но если копнуть, в большинстве случаев оказывается, что они лишь заставляют своих верблюдов идти немного быстрее.
Это само по себе неплохо — они, безусловно, движутся быстрее. Проблема в том, что полностью упускается возможность сесть за руль машины (а ведь их конкуренты уже едут в ней).
Важно знать разницу между этими двумя вариантами развития событий — ради сохранения работы и выживания компании.
Вот несколько примеров, способных помочь по-настоящему усвоить различие между двумя стратегиями.
Если вы переходите от атрибуции по последнему клику (Last-Click Attribution) к экспериментам с первым кликом (First-Click) или оценке взаимодействия относительно его времени (Time-Decay), то вы пытаетесь заставить верблюда идти быстрее. Использование атрибуции на основе данных и машинного обучения и связывание этой атрибуции с аккаунтом AdWords, для автоматического решения о принятия действий в зависимости от DDA-рекомендаций (DDA, Data-Driven Attribution — атрибуция, управляемая данными), — вот это езда на современном автомобиле. (Подробнее о маркетинговой атрибуции можно прочитать здесь.)
Если вы занимаетесь экспериментированием с каждой кнопкой, о которой только можно узнать в AdWords, для того чтобы понять, как все работает и доказать увеличение конверсий, при этом узко фокусируясь на нескольких ключевых словах, — вы просто погоняете верблюда. Переход к интеллектуальному таргетингу с использованием ML (Smart Targeting), интеллектуальной рекламе (Smart Creative), интеллектуальным торгам (Smart Bidding), берущим прибыль компании в качестве критерия успеха, и автоматической идентификации алгоритмом каждого релевантного ключевого слова — это то же, что ехать на машине.
Набор новых сотрудников колл-центра в ожидании звонков от потенциальных клиентов — это верблюд. Создание нейронной сети, анализирующей все данные компаний, находящиеся в открытом доступе для определения тех, кому может понадобиться долговое финансирование, и проактивное обращение к ним с предложением ваших чудесных услуг по финансированию задолженностей — это автомобиль.
Вручную отбирать сайты для показа вашей дисплейной рекламы (Display Ads) с помощью таблички, с которой вы любовно возитесь и у которой, между прочим, появились новый шрифт и новая колонка по просматриваемости, — это тащить верблюда. Обращению к машинному обучению для алгоритмического вычисления того, где должна показываться ваша реклама, с помощью 5 000 сигналов в реальном времени для каждого присутствующего в сети человека на основе механизмов понимания человеческого поведения (умрите, кукис! умрите!) — значит ехать на быстрой машине.
Просить своего аналитика перестать попросту изрыгать данные (простите, мы имели в виду, автоматические отчеты) и вместо этого отсылать выводы, полученные путем объединения различных наборов данных, — ехать на верблюде чуть быстрее. Просить аналитика присылать вам только те данные, что касаются действий и влияния этих действий на бизнес, — водить автомобиль. Попросить его перейти на продукты, включающие машинное обучение, вроде интеллектуальной аналитики в Google Analytics (Analytics Intelligence), с целью определения неизвестного неизвестного (Unknown Unknowns) в комбинации с автоматизированными решениями — это уже уровень ракеты.
Если вы тщательно программируете чат-боты, продумывая 10 разных случаев использования и фиксированные пути улучшения клиентского сервиса для каждого из этих случаев, — вы заставляете верблюда двигаться быстрее. Если, ища способы решения возникающих у клиентов трудностей, вы берете наборы данных своей компании, касающиеся продуктов, проблем, решений, успешных услуг, предлагавшихся ранее, продуктов ваших конкурентов, сведений о пользователях и т.д., и внедряете их в алгоритм глубинного изучения, способного учиться без кропотливого программирования, — вы едете на автомобиле.
Можно привести еще 25 подобных примеров… Но вы уже поняли мысль.
Спросите себя, чем из этого занимаетесь лично вы. Это нелегко, но такое размышление принесет один из двух положительных результатов:
1. Вы получите разрешение от управленческой команды прекратить тратить время на то, чтобы заставить верблюда ехать быстрее, и сделаете что-то действительно значимое. Или…
2. Вы поймете, что компания будет высасывать лучшие соки из вас и вашей карьеры, и спокойно начнете искать новое место работы, на котором ваша жизнь наполнится смыслом и материальными стимулами.
Беспроигрышная ситуация.
Так что будьте предельно честны с собой. Сопоставьте набор текущих приоритетов и самые современные возможности. Затем ответьте на вопрос: пытаетесь ли вы заставить верблюда пойти быстрее или запрыгиваете в машину?
В то время как машинное обучение не решило проблему голода в мире, а до всеобщего внедрения AGI еще много лет впереди, на рынке уже сегодня существуют решения для изменения бизнеса. Используйте их для обеспечения себе устойчивого конкурентного преимущества.
Ладно, ладно, но что с настоящим? (В личном плане)
Если эта статья не внушила вам тревогу относительно вашего профессионального пути, то это полная неудача. В конце концов, нельзя думать, что может произойти такое огромное количество изменений, а ваша работа / карьера не будут глубоко затронуты.
В запасе у людей еще есть несколько лет, в течение которых у нас есть шанс сделать резкий поворот, активно вложив в это наше время и энергию и переосмыслив вещи. Если мы упустим эту возможность, то выбор будет сделан за нас.
Посмотрите на слайд из презентации на эту тему Авинаша Каушика (Avinash Kaushik):
Машины — повторяющиеся задачи большого объема. Люди (на данном этапе) — берутся за новые задачи (творческая работа, профессии, ориентированные на эмпатию и этическое восприятие вещей, должности, где крайне важно уметь проводить тонкую грань между качественными и некачественными данными)
Этот слайд кратко резюмирует, для каких функций в ближайшем будущем лучше всего подойдут «машины», а для каких — люди. Повторяющиеся задачи большого объема против решения ранее не существовавших задач.
Советуем вам держаться голубой границы между тем, что суждено роботам и нам, и выходить за нее. Это будет придавать актуальность вашим умениям еще лет 10, возможно, чуть больше. Дальше этого срока все пока неопределено.
Выводы
Надеемся, вы встречаете новое с позитивом. Инновации, происходящие вокруг нас, и широта их применения не могут не вдохновлять. Впереди открывается целый ряд возможностей для нас, для решения проблем личного и делового характера, для ответов на вопросы, касающихся как людей, так и нашей драгоценной планеты.
Что касается сфер маркетинга, аналитики, услуг и продаж, сейчас можно определенно сказать, что изменения уже имеют место быть, и еще большие предстоят в ближайшем будущем.
Высоких вам конверсий!
По материалам: kaushik.net Источник картинки: Aoda Jordan
