На сегодняшний день у нас есть все необходимые инструменты для того, чтобы переключить ИТ на более высокие обороты и успешно развивать нашу культуру в условиях нового столетия: у нас есть высокоскоростной Интернет, облачные сервисы, интеллектуальные устройства, супермощные серверы и бурно растущий Интернет вещей. Что же в таком случае дальше делать предприятиям, чтобы отыскать свое конкурентное преимущество? А уже и так понятно, что: они добавляют дополнительные функциональные возможности посредством искусственного интеллекта. ИИ нынче является составной частью беспрецедентно большого количества приложений и объектов: носимых устройств, автомобилей, приложений для организации личного и рабочего времени; его используют в армии, здравоохранении, домашнем досуге — список можно продолжить. Тем не менее, на волне роста популярности ИИ шумиха вокруг него может сбить организации с толку, помешав тщательно оценить, какие ИИ-технологии им подходят. Ниже, основываясь на отраслевых данных, полученных старшим научным консультантом фирмы Narrative Science Крисом Хэммондом в рамках подготовки его книги «Practical Artificial Intelligence for Dummies», мы сформулируем ряд советов, которые необходимо держать в уме, пытаясь разобраться в доступных на рынке бизнес-решениях на базе ИИ.
Руководству предприятий, желающих с помощью искусственного интеллекта решать специфические бизнес-задачи, нужно тщательно изучить особенности технологии, чтобы наверняка убедиться, что выбранная ими ИИ-система хорошо подходит для актуальных проблем.
Составьте представление о фактической проблеме, которую нужно решить. Помните, что ваша цель состоит в том, чтобы решать фактические проблемы бизнеса, а не в том, чтобы просто выработать некую ИИ-стратегию. Вы должны осознавать трудности, с которыми на данный момент столкнулся ваш бизнес, знать пути их решения и искать ИИ-технологию, подходящую под этот процесс.
Узнайте, какие у вас есть варианты. Осмотритесь на рынке соответствующих услуг и добросовестно проработайте весь спектр доступных на нем систем. ИИ стал модным словечком, поэтому предложений хоть отбавляй, но нужно как можно раньше выделить среди них подходящие решения. Проведите исследование, чтобы знать, какие варианты есть в вашем распоряжении.
Узнайте ограничения, накладываемые данными. Сосредоточьтесь на имеющихся у вас данных. Возможно, у вас достаточно данных, чтобы сделать некое умозаключение или прогноз, но ни одна система не способна думать за рамками тех данных, которые вы ей скормите.
Разберитесь в потребностях вашего бизнеса. Поймите, что именно вам нужно, и руководствуйтесь этим при поиске соответствующего технического решения. Вместо того, чтобы начинать с вопроса «Как бы мне использовать ИИ?», сначала присмотритесь к насущным задачам. А уж после этого отыщите технологии, которые могут помочь в этом случае.
ИИ и машинное обучение — это два разных понятия. Не путайте машинное обучение с искусственным интеллектом. Этот принцип хорошо сформулировал консультант по большим данным Бернард Марр: «Искусственный интеллект — это более широкое понятие, подразумевающее способность машин выполнять задания методами, которые мы назвали бы интеллектуальными, тогда как машинное обучение является текущей прикладной сферой ИИ, основанной на идее, что у нас, по-хорошему, должна быть возможность просто обеспечить машинам доступ к неким данным, а они уже сами по ним обучатся».
Выясните наиболее компромиссный вариант. Всегда держите в уме плюсы и минусы специализированных и универсальных систем. Широта спектра применения любой системы прямо пропорциональна ее поверхностности. Например, если система понимает все языки, вряд ли речь идет о глубоком их понимании.
Внедрите ИИ в производственный процесс. Придумайте, как встроить вашу систему в производственный процесс и кто будет ею пользоваться.
ИИ все равно требует контроля со стороны человека. ИИ не сможет работать успешно просто потому, что он «умный». Ему нужен кто-то, кто поможет ему обучаться. В связи с этим учтите, что приобретая ИИ-технологию, вы заключаете партнерские отношения между человеком и компьютером.
Внимательно изучите вспомогательные технологии. Всегда продумывайте, как ваши системы будут взаимодействовать изнутри и снаружи. Например, если вы хотите, чтобы выходные данные вашей системы можно было проверять или давать пояснения к сделанным ею заключениям, то одного машинного обучения может оказаться недостаточно. Рассмотрите варианты с другими ИИ-технологиями, работу которых можно отслеживать и проверять, а также автоматически получать пояснения по аналитическим решениям, например, за счет усовершенствованной генерации текста на естественном языке.
Работайте с теми вендорами, которые умеют объяснить суть ИИ. Помните историю о голом короле? Не позволяйте себя запугать вендорам или ИТ-специалистам, уверяющим вас, что их продукты слишком сложны для вашего понимания. Если вы не можете понять, как работает то или иное решение, это потому что продающая его фирма не в состоянии его объяснить, а не потому, что до вас туго доходит.
