Прогноз развития искусственного интеллекта в 2019 г.

Можно ожидать дальнейшего прогресса во многих направлениях, от регулирования защиты персональных данных до обучения на моделях и самообслуживания искусственного интеллекта (ИИ), пишет ведущий аналитик Wikibon в области науки о данных, глубокого обучения и разработки приложений Джеймс Кобиелус на портале InformationWeek.

В 2018 г. ИИ был главной технической темой. Даже не аналитику трудно было избежать шумихи по поводу ИИ и таких персональных технологий, как Alexa, в массовой культуре, СМИ и политике.

ИИ настолько многоаспектен, что когда дело касается перспектив его развития, одного хрустального шара мало. Поэтому приводимый ниже прогноз несколько многословен.

Как безвредные, так и опасные формы ИИ будут все глубже проникать в нашу жизнь. Генерируемый с помощью ИИ голос стало невозможно отличить от речи человека, чтобы было продемонстрировано с помощью технологии цифрового помощника Google Duplex. Созданные по технологии подмены (deepfake) аудио- и видеофайлы быстро избавляются от любых зацепок, позволяющих отличить их от подлинных аудио- и видеозаписей.

В 2019 г. эти и другие технологии «порождающего ИИ» будут еще более усовершенствованы. Еще важнее, что они будут встроены в растущее число продуктов и сервисов ИИ и в наборы инструментов разработчика ИИ по методу DevOps. Развитие этой технологии вызовет зубовный скрежет в мировой культуре, распалит новые политические дискуссии и снабдит сценаристов Голливуда богатым материалом.

Грядет регулирование ИИ. Распознавание лиц — одно из самых распространенных применений ИИ и в то же время одно из наиболее спорных. В 2019 г. в связи с повсеместным распространением данной технологии в смартфонах, «умных» видеокамерах и онлайновых медиа во многих странах, несомненно, появятся новые нормы ее использования, касающиеся права потребителей отказаться от нее, знать цели ее использования, получать полную информацию об управлении данными распознавания лиц и требовать их удаления из корпоративных баз данных.

Одни нормы будут регулировать любое применение распознавания лиц, другие применяться в контексте существующего регулирования работы правоохранительных органов, здравоохранения, электронной коммерции, социальных сетей, автономных транспортных средств и т. д.

В открытой отраслевой экосистеме среды разработки ИИ становятся взаимозаменяемыми. Стандартные уровни абстракции при разработке ИИ по методу DevOps позволяют большему числу разработчиков писать код на любом языке по их выбору и компилировать его для оптимизации исполнения в любой среде, на сервере или в облаке. За последние два года получили распространение высокоуровневые API ИИ, такие как Keras, совместно используемые модели представления ИИ, такие как ONNX, и кроссплатформенные отладчики моделей ИИ, такие как NNVM и TensorRT. В 2019 г. использование этих абстракций расширится и откроет возможность создания экосистемы разработки, в которой каждый связан с каждым, что снизит вероятность привязки к определенному провайдеру решений ИИ.

Автоматизированная сквозная разработка ИИ по методу DevOps станет стандартной практикой. На многих предприятиях ИИ превратился в промышленную систему, породив высокий спрос на инструменты, позволяющие автоматизировать любой процесс, начиная с подготовки данных и заканчивая моделированием, обучением персонала и обслуживанием. В 2019 г. инструменты ИИ позволят распространить автоматизацию на решение тех задач, которые прежде требовали участия экспертов (например, инжиниринг функций), а также демократизировать доступ к автоматизации, предоставив специалистам по определенным вопросам возможность создавать и развертывать модели ИИ с помощью декларативных функциональных спецификаций.

ИИ превращается в операционную бизнес-функцию. На предприятиях ИИ проникает повсюду в результате сквозной автоматизации. В 2019 г. пользователи будут применять такие функции корпоративного уровня, как встроенные операционные эксперименты, автоматизированное тестирование моделей, A/B-тестирование 24×7, для оценки предлагаемых изменений в продуктах и сервисах, непрерывное развертывание по методу «чемпион-претендент», ускоренное ансамблирование (turbopowered ensembling) и управление жизненным циклом моделей. В свою очередь, поставщики будут различаться по выпускаемым ими инструментам ИИ.

Оркестрированные с помощью Kubernetes контейнеры становятся интегрированной частью ИИ. Сейчас многие поставщики инструментов ИИ поддерживают создание и развертывание статистических моделей в контейнерах в облачных средах. К концу 2019 г. большинство производителей в этом быстро растущем сегменте будут поддерживать развертывание моделей ИИ в контейнерах для оркестрирования в кластерах Kubernetes, причем вычислительные среды будут становиться все более гетерогенными. На протяжении года данная тенденция усилится, и большинство производителей инструментов станут использовать проект Kubeflow для поддержки потоков работ в области науки о данных по методу DevOps независимо от применяемых сред разработки, платформ и облаков.

Доминирующие среды разработки ИИ будут подвергнуты реинжинирингу для достижения высочайшей производительности системы «облако-периферия». Достоинства ИИ отчасти связаны с тем, что он реализуется на самых быстрых движках, доступных на соответствующей платформе разработки, операций и периферийных вычислений. Ожидается, что в 2019 г. большинство провайдеров облачных платформ выпустят версии основных сред разработки ИИ, созданных так, чтобы ускорить все функции ИИ с помощью графических процессоров (GPU) и других важнейших аппаратных ускорителей в своих системах «облако-периферия».

Google продолжит стимулировать эволюцию промышленного набора инструментов, складывающегося вокруг ее расширяющейся библиотеки TensorFlow. В 2018 г. расширилось использование открытой библиотеки Google TensorFlow разработчиками ИИ. Компания приложила значительные усилия для ее дальнейшего развития и вовлечения в этот процесс участников сообщества ИИ. TensorFlow занимает лидирующие позиции в разработке ИИ. В 2019 г. эта библиотека, вероятно, будет передана отраслевой группе, чтобы формализовать ее развитие и управление ею. TensorFlow будет все больше сливаться с экосистемой управления контейнерами Kubernetes, пересекаясь с ней в таких проектах разработки ИИ по методу DevOps, как Kubeflow.

Большинство специалистов по данным будут покупать через Интернет сертифицированные высокопроизводительные алгоритмы ИИ, обученные модели и данные для обучения. Инициативы в области ИИ осуществляются быстрее, когда разработчики могут с самого начала воспользоваться лучшими алгоритмами, моделями и данными, предназначенными для соответствующей сферы применения. В 2019 г. многие производители создадут торговые площадки, возможности для монетизации при использовании разработанных ими активов ИИ в других целях и публикации эквивалентных активов, разработанных их партнерами.

Маркировка данных для обучения ИИ будет в основном автоматизирована посредством облачных сервисов по запросу. В обучении ИИ по-прежнему преобладает метод контролируемого обучения, который требует трудоемкой и отнимающей много времени маркировки данных человеком. Ожидается, что в 2019 г. предоставляемые по запросу сервисы маркировки данных для обучения станут стандартными компонентами всех инструментов DevOps для работы с данными.

Обучение с подкреплением станет основной методологией ИИ. Контролируемое обучение превращается в один из многих подходов, включаемых в стандартные потоки работ с данными. В 2019 г. отрасль ИИ начнет инкорпорировать наиболее распространенные системы обучения с подкреплением (такие, как Intel Coach и Ray RL) в свои инструментальные средства. В ближайшее десятилетие потоки работ при разработке ИИ по методу DevOps станут включать наряду с контролируемым и неконтролируемым обучением также обучение с подкреплением, чтобы питать более изощренный встроенный интеллект в производственных корпоративных приложениях.

ИИ ускорит демократизацию бизнес-аналитики. ИИ перестраивает рынок бизнес-аналитики. За последние несколько лет одной из основных тенденций развития бизнес-аналитики была конвергенция традиционной ориентации этой технологии на исторический анализ с новым поколением основанных на использовании ИИ инструментов предсказательной аналитики, поиска и прогнозирования, которые позволяют любому бизнес-пользователю делать многое из того, что прежде было доступно только опытным специалистам по данным. В 2019 г. больше производителей средств бизнес-аналитики будут интегрировать в них значительную порцию ИИ для автоматизации очистки предсказательных знаний от сложных данных. Они станут предлагать эти усовершенствованные функции в составе решений, которые будут отличаться простым самообслуживанием, взаимодействием в оперативной памяти и управляемыми рекомендациями по выбору следующего лучшего решения.

Средства смягчения рисков на базе ИИ станут стандартными компонентами инструментария работы с данными. ИИ сопряжен со многими рисками. Часть из них возникает из-за накладываемых на дизайн ограничений в специфических вариантах данной технологии. Другие — из-за ошибок в управлении работой приложений ИИ. Третьи — из-за сложности технологии, представляющей собой «черный ящик». В 2019 г. расширится число коммерческих инструментов разработки ИИ, включающих стандартные потоки работ и шаблоны, смягчающих риск хищения персональных данных, социально-экономической тенденциозности, использования уязвимостей во враждебных целях, неточной интерпретируемости и другие риски, которые могут возникать в поставляемых приложениях.

Инструментарий разрабатывающих ИИ специалистов по данным будет обеспечивать воспроизводимость всей последовательности разработок. Соблюдение требований регуляторов, прозрачность и другие запросы общественных институтов заставят обеспечить воспроизводимость работы алгоритмов ИИ. Чтобы встроить воспроизводимость в потоки работ, специалисты по данным будут все чаще применять инструментарий, поддерживающий надежный контрольный журнал процессов, используемых при разработке приложений ИИ. В 2019 г. увеличится число производителей платформ с расширенной поддержкой контрольных журналов моделей, данных, кода и другой информации, необходимой для воспроизводимости последовательности разработок приложений ИИ.

Кристаллизуются и получат распространение системы тестирования ИИ. Очень трудно провести сравнительный анализ производительности ПО, оборудования и облачных сервисов ИИ. По мере смещения ИИ в сторону оптимизированных под задачи архитектур растет потребность в стандартных системах тестирования, которые помогут практикам определять, какой набор больше всего подходит для обучения, логического вывода и других задач. В 2017 г. отрасль ИИ быстро перешла к разработке открытых, прозрачных и независящих от конкретного производителя систем для сравнительного тестирования и оценки производительности различных сочетаний оборудования и ПО при выполнении разнообразных задач. Наиболее многообещающей из этих инициатив является MLPerf, если судить по степени участия в ней отрасли, масштабу ее миссии, широте охвата аппаратных и программных средств и достигнутому ею прогрессу в объединении полезных систем тестирования основных из имеющихся сегодня трудностей ИИ.

Ожидается, что в 2019 г. пакет для тестирования MLPer будет включен в наборы инструментов, предлагаемые многими производителями оборудования и ПО, а также провайдерами облачных сервисов ИИ. Для значительной их части публикация результатов тестирования MLPerf станет стандартной практикой при выпуске новых релизов.

Расширится применение GPU в иммерсивных (с эффектом присутствия) применениях ИИ. На протяжении многих лет GPU были главной движущей силой происходящей под влиянием ИИ революции. В 2019 г. ускорение обработки изображений с помощью GPU начнет играть даже еще более важную роль в приложениях ИИ в связи с распространением интеллектуальной смешанной реальности, «умных» видеокамер, игр и других устройств и приложений, для которых необходимы высокая точность воспроизведения в реальном времени и иммерсивная обработка изображений. Анонсированный недавно GPU Nvidia Turing станет предпочтительной технологией аппаратного ускорения благодаря трассировке лучей в реальном времени, масштабированию разрешения, изменяемым степеням шейдинга, обнаружению объектов и другим особенностям обработки изображений.

Среди аппаратных ускорителей ИИ будут преобладать «системы на кристалле». Аппаратные ускорители ИИ начинают проникать на все уровни распределенных архитектур высокопроизводительных вычислений «облако-периферия», гиперконвергированных серверов и облачного хранения. В 2019 г. на рынок хлынет непрерывный поток аппаратных инноваций (в области GPU, процессоров с тензорными ядрами, программируемых пользователем вентильных матриц и т. д.) для поддержки более быстрой, эффективной и точной работы ИИ. В этом году и в дальнейшем производители оборудования будут объединять растущее число технологий ускорения ИИ в «системах на кристалле» (SoC), предназначенных для решения специфических задач встраиваемого ИИ в таких сферах, как интеллектуальная робототехника и мобильных приложения.

Тренинг на стороне клиентов станет обычным явлением. До сих пор организация тренинга на стороне клиентов представляла нишевый подход к оптимизации приложений ИИ. Традиционно подобный тренинг не мог создавать такие модели ИИ, которые были бы столь же точны, как обученные в централизованных средах. Но тренинг на стороне клиентов хорошо подходит для новых периферийных приложений, поскольку может непрерывно обновлять модели ИИ для каждого устройства, основываясь на специфических данных, собираемых конкретным узлом. В 2019 г. тренинг на стороне клиентов превратится с основу обучения моделей ИИ для приложений, предназначенных для автоматизации периферийных, мобильных и роботизированных вычислений. Обучение на уровне устройств уже является стандартным для многих приложений ИИ для iOS. Например, Face ID обучается правильному распознаванию лиц, Photos — точной группировке фотографий людей. Производится настройка предугадывающей нажатия клавиш клавиатуры iPhone. Apple Watch автоматически выявляет шаблоны поведения владельца на основе анализа его действий.

ИИ стимулирует применение к ИТ-операциям управления с обратной связью. За последние несколько лет ИИ стал неотъемлемой частью управления ИТ-операциями. Это способствовало тому, что встроенные инструменты машинного обучения смогли автоматизировать и ускорить решение многих задач лучше, чем это делает человек. В 2019 г. данная тенденция, которую некоторые именуют AIOps, проявится в решениях для создания гиперконвергированной инфраструктуры, с помощью которой операторы связи и предприятия создают среды высокопроизводительных вычислений. В ближайшие годы многие специалисты по данным перейдут в команды, разрабатывающие архитектуры объединительных шин управления на базе ИИ, которые будут самостоятельно обеспечивать в ЦОДах оптимизацию систем хранения, вычислений и других аппаратных и сетевых ресурсов по формуле 24×7.

Блокчейн проложит себе путь в экосистему ИИ. Сообщество ИИ приступило к изучению различных способов применения блокчейна. За последние годы выросло число стартапов, которые создают платформы для предоставления ИИ вычислительной мощности, осуществления децентрализованного обмена данными для обучения, формирования промежуточной шины, ведения журнала аудита и создания озер данных. Пока ни одна из этих разработок не достигла зрелости и не получила широкого распространения в экосистеме ИИ. Весьма вероятно, что в 2019 г. основные провайдеры публичных облаков, в первую очередь AWS, Microsoft Azure, Google Cloud и IBM Cloud, поглотят некоторые из наиболее многообещающих стартапов и расширят таким образом свой инструментарий разработки ИИ. Это позволит им удовлетворить некоторые специфические потребности экосистемы, касающиеся создания целевых заслуживающих доверия распределенных суперреестров.

***

Приведенный перечень, разумеется, не полон. В нем не затронуты такие сегменты, как чатботы, умные видеокамеры, автономные средства передвижения и т. д. ИИ является настолько плодородной почвой для инноваций в любой сфере нашей жизни, что бесполезно пытаться предсказать все возможные пути его развития. Всего за несколько лет ИИ проник повсюду, и его распространение будет только ускоряться.