Многие приложения, используемые в современной корпоративной среде, не созданы для того, чтобы помогать организациям в понимании или улучшении приемов действий их пользователей. Новые типы искусственного интеллекта — в форме внешне невидимого машинного обучения — могут помочь использовать данные для усовершенствования взаимодействия пользователей с компьютерными системами (user experience, UX).
Об этом говорил аналитик Forrester Майк Гуалтьери, выступая на недавней учебной конференции IBM по машинному обучению в Нью-Йорке. В своей презентации он призвал к более тесной связке между конструкторами UX и специалистов по данным. «Большинство конструкторов приложений мыслит очень старомодно, потому что когда они конструируют корпоративное приложение, их интересует внешнее оформление взаимодействий с пользователем, они смотрят на то, как разместить кнопки, — отметил он. — Они не думают про то, какая прогнозная модель должна быть заложена в создаваемый интерфейс или в бизнес-процесс, который надо сделать более эффективным».
Мировые лидеры Интернета — Google, Amazon и им подобные — собрали вместе конструкторов приложений и специалистов по данным для усовершенствования форм взаимодействия с пользователями через прогнозную аналитику. «Google и другие гиганты Интернета озабочены. UX-специалисты могут быть великолепными мастерами своего дела, но они не думают о том, как создать когнитивную логику внутри приложений, и их не интересует создание интеллектуальных приложений», — сказал Гуалтьери.
По его словам, сегодняшняя цель организаций в отношении своих клиентов — сделать так, чтобы они чувствовали свою исключительность. Хотя их число может доходить до миллионов, задача в том, чтобы создать для каждого из них специальный UX на основе «режима машинного обучения, непрерывно строящего модели. Однако необходимо, чтобы группы конструкторов ПО реализовывали это в своих проектах».
Машинное обучение, развил тему Гуалтьери, является частью искусственного интеллекта (ИИ), но отличается от традиционных представление о ИИ. «Существует два типа ИИ: первый, „чистый ИИ“, подражает поведению людей, и его можно видеть во всех научно-фантастических фильмах. Это не то, о чем мы говорим. Прагматический ИИ содержит элементы машинного обучения, которые являются его блокообразующими технологиями для встраивания в приложения крупиц интеллекта. Все это формируется из данных, работа с которыми является фундаментальным предварительным требованием».
По опросам Forrester, сегодня около 58% компаний исследуют возможности ИИ, причем 14% имеют связанные с ним практические решения в пилотных проектах или продуктивной среде, добавил Гуалтьери.
Машинное обучение является вероятностным процессом, пояснил он, отметив, что оно включает в себя алгоритмы, анализирующие данные, чтобы найти прогнозную модель. По этой модели далее генерируется вероятность события, например, что покупатель откажется от продолжения контакта или, наоборот, расширит его объем.
Хотя специалисты по изучению данных играют ключевую роль в инициативах машинного обучения, существуют и публично доступные API, которые тоже могут обеспечивать такие возможности. «Постепенно появляются доступные для использования готовые модели типа Google API и IBM Watson Services, — сказал Гуалтьери. — Так что разработчики, не знающие, что такое „случайный лес“ (Random Forest) или нейронная сеть, могут задействовать в своих приложениях эти готовые модели».
Серьезной проблемой для предприятий, пытающихся поставить себе на службу машинное обучение, является масштабируемость, считает Гуалтьери. Каждый вопрос бизнеса генерирует свою собственную модель: «клиентам нужны тонны этих моделей, и одной-двумя никак не обойтись. Будущее потребует очень многих моделей в расчете на одного клиента. Скажем, у вас есть миллион покупателей. А вы хотите спрогнозировать 10 характеристик, сгенерировать 10 вариантов поведения и 10 пожеланий в реальном времени. Это потенциально 30 когнитивных моделей на одного покупателя. Если все эти модели индивидуализированы, вы вероятно будете иметь множество когнитивных моделей — потенциально 30 млн. Значит, встает проблема создания этих моделей и оперирования ими на практике. Это потребует большого объема вычислений и большого труда специалистов по данным для обслуживания этих моделей».
В конечном счете, здесь понадобится более высокий уровень автоматизации, «которая увеличит производительность труда специалиста по данным. При дефиците квалифицированных кадров мы должны тысячекратно повысить их полезную отдачу. Мы провели исследование и выяснили, что это вполне возможно при использовании того, что мы называем массивной автоматизацией машинного обучения».
