Благодаря последним достижениям в области машинного обучения искусственный интеллект сейчас сотрясает рынки как самая революционная технология четвертой промышленной революции, пишет доктор фармацевтических наук Клаудио Буттиче на портале Techopedia. В 2019 и 2020 гг. его использование резко расширилось. В деловом мире говорят, что ИИ навсегда изменит наш мир, и во многом это уже произошло.

Новейшие исследования показывают, что 67% руководителей компаний видят в ИИ полезное средство автоматизации процессов и повышения эффективности. Рядовые потребители считают эту технологию мощным инструментом укрепления социальной справедливости. Свыше 40% из них верят, что ИИ расширит доступ малоимущих к наиболее важным услугам — медицинским, юридическим, транспортным.

Быстрота этой невероятной трансформации процессов автоматизации могла бы быть еще больше, но в настоящее время ее тормозят некоторые трудности. Каковы главные препятствия на пути распространения ИИ и машинного обучения?

Высокие цены

Темпы освоения машинного обучения и ИИ растут во многих отраслях. Отчасти потому, что эти новые технологии позволяют последовательно экономить, упрощая решение проблем, снижая операционные расходы и повышая эффективность процессов. Однако новые решения на базе ИИ довольно дороги. Цены находятся в диапазоне от 6 тыс. до 300 тыс. долл. в год за полностью адаптированные решения. И хотя со временем цены на новые решения снижаются, для большинства компаний такие затраты являются значительным препятствием.

В частности, большинство компаний малого и среднего бизнеса не обладают достаточно большим оборотным капиталом, чтобы позволить себе первоначальные затраты, необходимые для приобретения решения на базе ИИ.

Даже препятствия в виде косвенных расходов способны замедлить проникновение ИИ в отдельные сектора. Например, несмотря на изумительную эффективность и инновационный потенциал приложений на базе ИИ, во многих странах цена неограниченных мобильных данных все еще несколько завышена. Однако неизбежное распространение 5G может решить эту проблему. По мере того, как технологии ИИ будут превращаться во все более эффективные и массовые, их цена начнет становиться все более и более доступной.

Недостаточные знания

Машинное обучение — новая и в то же время давняя технология. Рудиментарный ИИ восходит к началу 1980-х, но разработка современных алгоритмов глубокого обучения позволила данной технологии совершить качественный скачок. Настоящие специалисты в этой области, обладающие достаточно глубокими знаниями, в большом дефиците. Несмотря на то, что в 2019 г. количество специалистов высшей квалификации по ИИ выросло на 19%, предложение все еще не соответствует спросу.

Многие организации сознают пределы своих возможностей. Не более 20% считают, что их собственные ИТ-специалисты обладают знаниями, необходимыми для работы с ИИ. Спрос на специалистов по машинному обучению быстро растет, а те, что имеются, являются просто звездами. Многие, получившие достаточную подготовку по алгоритмам глубокого обучения, не имеют официального свидетельства вроде магистерской степени.

Помните, что это все еще новая область. Многие сегодняшние первопроходцы стали программистами в те времена, когда ученых степеней по машинному обучению просто не существовало. Специалистов по ИИ часто находят за рубежом. Почти треть исследователей, имеющих степень доктора, получили ее не в той стране, в которой работают.

Сейчас многие специалисты по HR испытывают трудности с подбором подходящих кандидатов на должности, который требует более глубоких знаний, чем те, которыми они обладают. Неспециалистам сложно понять различие между инженером по машинному обучению, специалистом по данным и разработчиком клиентской части. Впрочем, подбор кадров с помощью ИИ, возможно, облегчит жизнь менеджеров HR.

Недоступные данные и защита конфиденциальности

Прежде чем ИИ сможет чему-то научиться с помощью передовых алгоритмов машинного обучения, его необходимо насытить данными. Огромным количеством данных.

Однако в большинстве случаев данные не готовы к использованию, особенно неструктурированные. Процессы агрегирования данных сложны и требуют времени, особенно, если данные хранятся раздельно или обрабатываются разными системами. Все это требует внимания целенаправленно подготовленной команды, состоящей из экспертов разного профиля.

Извлечение данных часто бесполезно, если они содержат большой объем конфиденциальной или личной информации. Хотя засекречивание либо шифрование такой информации позволяет ее использовать, эти обременительные операции требуют дополнительного времени и ресурсов. Чтобы подобная проблема не возникала, конфиденциальные данные, которые необходимо анонимизировать, должны сразу после сбора помещаться в отдельное хранилище. Однако даже в 2020 г. данный процесс не избавлен от рисков нарушения конфиденциальности. Когда пересекаются данные различных типов, преступники могут идентифицировать людей. Анонимизация все еще представляет собой очень сложную задачу.

Доверие и правдоподобие

Не все люди обладают гибкостью. И если не удастся простыми словами объяснить тому, кто не является программистом или инженером, как работает алгоритм глубокого обучения, число желающих использовать ИИ при поиске новых возможностей для бизнеса может начать сокращаться. Это особенно верно применительно к некоторым старым отраслям. В большинстве случаев исторические данные отсутствуют, и для проверки эффективности алгоритма его необходимо тестировать на реальных данных. Легко понять, что в некоторых отраслях, например, в нефте- и газодобыче, далекий от оптимального результат способен привести к возникновению значительных нежелательных рисков.

Многие компании, отстающие в области цифровой трансформации, для осмысленного применения ИИ могут нуждаться в революционном изменении всей своей инфраструктуры. Видимые результаты появятся нескоро, поскольку данные должны быть собраны, потреблены и переварены, прежде чем эксперимент принесет плоды. Запуск масштабного проекта в области машинного обучения без гарантии окупаемости вложенных средств требует определенной гибкости, ресурсов и храбрости, которых может не быть у руководителей многих предприятий.

Первым шагом должно стать определение владельца проекта в области машинного обучения, который будет руководить его имплементаций в компании. В тех организация, где несколько зарекомендовавших себя команд специалистов по данным и аналитике должны синхронизировать свои действия, многие из них нередко просто разделяют свою работу на мириады мелких проектов. Такие пилотные проекты могут способствовать общему пониманию науки о машинном обучении, но часто не позволяют основному бизнесу достичь эффективной автоматизации.

Заключительные соображения

Любопытно, что многие препятствия на пути совершенствования ИИ созданы человеческой природой и действиями людей, а не ограниченностью технологии.

Не существует готовых ответов для тех, кто все еще сомневается в потенциале машинного обучения. Здесь приходится идти непроторенным путем, поэтому на этапе разработки необходимы эксперименты. Пришла наша очередь использовать ту особенность человека, благодаря которой стали возможны его наивысшие достижения — нашу способность адаптироваться. Только теперь необходимо обучить этому наши интеллектуальные машины.