Контакты
Подписка 2024

Как технологии искусственного интеллекта трансформируют бизнес

Евгений Колесников, 12/07/19

Евгений Колесников, директор центра машинного обучения «Инфосистемы Джет»

КолесниковДля начала надо определиться с терминологией. В среде дата-сайентистов есть шутка: “Как отличить искусственный интеллект от машинного обучения? Если написано на Python, то это машинное обучение, а если в power point — то искусственный интеллект”. На сегодняшний день ИИ превратился в маркетинговый термин, объединяющий слишком много понятий, затрагивающих как программные продукты, так и биоинженерию и робототехнику. Однако в своих производственных процессах мы в первую очередь работаем с машинным обучением и определяем его как набор методов из линейной алгебры и математической статистики, которые позволяют нам анализировать и прогнозировать закономерности в объемных данных.

Звучит довольно скучно, но тем не менее именно такой набор дает очень широкие возможности в повышении эффективности бизнеса. И к началу 21 века программисты и аналитики данных уже активно его используют. Первый и самый яркий пример использования технологий на базе машинного обучения — это поисковые системы: Яндекс, Google, Yahoo, — словом, все те сервисы, через которые мы ориентируемся в интернете. 

Второй пример — это реклама. Наверняка люди, близкие к индустрии, слышали про programmatic-платформы, через которые происходит автоматизированная закупка показов онлайн-рекламы в сети на базе собираемых  данных о целевых аудиториях. Задача искусственного интеллекта сделать показываемую потребителю рекламу наиболее релевантной. 

В общем, уже сейчас все сервисы, напрямую соприкасающиеся с клиентом, в своей работе используют те или иные ML-алгоритмы. Будь то интернет-магазины, медиа-платформы, приложения по вызову такси, социальные сети — все они интегрируют технологии на базе машинного обучения и уже сейчас позволяют нам как потребителям получать наиболее полезные услуги по оптимальной стоимости, а бизнесу — экономить на издержках. 

Зачем ИИ крупному бизнесу

Это все иллюстрации более-менее близких к ИТ-отрасли компаний. Глобальная причина, из-за которой крупный бизнес стал смотреть в сторону ИИ, заключается в изменившейся экономической реальности, в которой уже невозможно масштабироваться только за счет развертывания новых мощностей. Любой крупный завод больше не может поставить рядом еще один крупный завод для того, чтобы удвоить свою выручку. Решение — оптимизация существующего производства, которая возможна только после тщательного аудита всех бизнес-процессов.  А как я сказал ранее, самый лучший способ обработки большого количества данных — использовать машинное обучение. Анализируя все этапы создания продукта, ML-алгоритмы находят так называемые “зоны роста”, улучшая которые можно оптимизировать каждый процесс на 3-5%. Однако в итоге эти единицы дают и более серьезный экономический эффект. 

Однако, не все предприятия готовы к внедрению: некоторые из них были построены десятилетия назад с использованием устаревших технологий. Поэтому, они может быть и выполняют свою функцию, но емкость их оптимизации очень ограничена. А там, где нет возможности банально оцифровать производство, собрать данные с датчиков, консолидировать информацию в единой системе, — нет возможности улучшить процесс целиком.

Кстати, после первой волны автоматизации на предприятиях стало понятно, что реальная перспектива применения ИИ — не замена человека (распространенное заблуждение), а оптимизация его труда. Например, благодаря системе трекинга деятельности сотрудников на площадках можно проводить справедливую оценку объема и качества выполняемой работы, следить за их безопасностью, корректировать технологические процессы. Кстати, именно этот тезис я привожу, отвечая на тревожные вопросы “не лишит ли искусственный интеллект работы большинства людей?”. Нет, не лишит, а улучшит условия их работы. 

Инвестиции в ИИ за рубежом и в России

За рубежом в силу экономическим причин действительно больше инвестируют в машинное обучение. Начнем с того, что именно там находятся компании-драйверы этой технологии — Google, Facebook, Amazon. Также за рубежом исторически очень технологичная нефтехимическая промышленность: Schlumberger, BP, — все они используют передовой опыт применения алгоритмов на базе искусственного интеллекта. Например, чтобы перейти к новым методам работы, компания Schlumberger разработала новую когнитивную среду для разведки и разработки месторождений под названием DELFI. В ней используются AI/ML-технологии, высокопроизводительные вычисления и интернет вещей — все это работает в комплексе для максимального увеличения эксплуатационной эффективности и оптимизации производства. China Petroleum and Chemical (Sinopec Group) работает над созданием десяти новых перерабатывающих заводов, которые почти полностью управляются ИИ. Несколько лет назад компания объединила усилия с Huawei в создании интеллектуального центра управления данными. Его цель — снизить эксплуатационные и производственные затраты примерно на 20%. А компания ExxonMobil тратит миллионы на разработку управляемых искусственным интеллектом роботов для работ на морском дне и при поисках труднодоступной нефти. 

Но когда речь заходит про тяжелую и легкую промышленность, добычу полезных ископаемых, ритейл, финансовый сектор — то объективно Россия тут далеко не в отстающих. И наши проекты зачастую оказываются более инновационными благодаря сильной математической школе, хорошей научной базе и желанию наших предприятий вкладывать деньги в перспективные технологии.

Финансовый сектор

Банки с помощью алгоритмов предиктивной аналитики на базе искусственного интеллекта решают проблемы скоринга, анализа рисков и финансового контроля. В прошлом году, например, Сбербанк создал сервис для оценки недвижимости, где процедуру оценки коммерческой недвижимости, которая зачастую фигурирует в различных сделках в качестве залога, проводит нейронная сеть. Вся процедура будет занимать несколько минут (против нескольких дней в старой модели оценки). 

“Бинбанк” одним из первых на рынке внедрил технологии машинного обучения в работу с просроченной задолженностью в розничном бизнесе.  В ходе проекта специалисты “Бинбанка” использовали принципиально новый подход —  построение uplift-моделей, которые основываются на прогнозе реакции каждого клиента на конкретные действия в рамках взыскания. Первые результаты проекта показали существенный прирост качества в сравнении с используемыми ранее моделями на основе логистической регрессии: произошел прирост коэффициента Gini с 65% до 88%.

Страховые компании используют технологии на базе искусственного интеллекта для  работы с рисками и мошенниками. Благодаря компьютерному зрению анализируются фотографии с ДТП, а работа с большими данными позволяет прогнозировать убытки и в соответствии с этим регулировать стоимость страховых полисов. Например, “Ренессанс Страхование” с помощью ИИ снижает убыточность по КАСКО . Технология позволяет выявить “рисковых” клиентов и может отказать им в заключении договора или же корректно оценить стоимость ОСАГО и более точно сформировать резервы. А вот Allianz в России внедрил машинное обучение в процесс медицинской экспертизы и  андеррайтинг крупных корпоративных клиентов по ДМС. Алгоритм позволяет автоматически проверять каждый счет, поступающий из медицинского учреждения, отбирая страховые случаи, которые могут содержать потенциально мошеннические действия или имеют признаки отклонений от общепринятых норм ведения пациентов.

Ритейл

Ритейл благодаря машинному обучению прогнозирует спрос на те или иные товары, решает задачи маркетинга, логистики.  Например в прошлом году наша команда разработала систему предсказания поведения покупателей для сети “Рив Гош”. С помощью методов машинного обучения удалось добиться 33% точности персональных товарных рекомендаций по конкретным артикулам. Более того, анализируя поведение покупателей, удалось определить “золотой сегмент” держателей карт лояльности и сделать по ним точечную маркетинговую рассылку с рекомендуемыми к покупке товарами. За время тестирования проекта именно эта группа покупателей принесла компании порядка 7% дохода, составляя всего 1% от общей клиентской базы.

Промышленность

Вишенка на торте — это тяжелая промышленность, а именно добывающий и перерабатывающий сектор. Кейсов использования ML-технологий тут очень много. Например, еще в 2016 году Yandex Data Factory разработала рекомендательный сервис для Магнитогорского металлургического комбината для оптимизации расхода ферросплавов и добавочных материалов при производстве стали. По оценке самого комбината экономия от внедрения составила более 275 млн рублей в год. 

Компания “Северсталь” вокруг себя собрала большую группу дата-сайентистов, которые ищут наилучшие решения по оптимизации основных процессов: работы с материалами, сокращение потребления электроэнергии, прогнозирования поломок,  анализ видеопотока работы конвейерной ленты. А в конце 2018 года компания “Евразхолдинг” рассказала, как с помощью киберфизических систем на базе ИИ и машинного обучения ей удалось оптимизировать работы доменной печи и снизить итоговую себестоимость стали. 

Сумма технологий

Если говорить про технологический стек, то он делится на три большие части:

  1. Проприетарные платформы, такие как IBM Watson, General Electric Predix, Microsoft Azure, SAP Leonardo, платформа Oracle AI и так далее (рынок очень насыщен).
  2. Приложения с открытым исходным кодом, которых бесчисленное множество, но с ярко выраженными лидерами: Hadoop и Cloudera Hortonworks. 
  3. Нишевые игроки, решающие конкретные задачи: российский разработчик систем компьютерного зрения VisionLabs, “Центр речевых технологий”, занимающийся распознаванием и преобразованием голоса, и так далее.

В своих проектах дата-сайентисты чаще всего объединяют несколько продуктов, как платформы от крупных вендоров, так и open source-решения. 

Современная трансформация бизнеса уже началась и связана с внедрением технологий на базе машинного обучения, робототехники. Это стало возможным благодаря постоянному росту вычислительных мощностей и возможности хранить и обрабатывать колоссальные объемы данных. Именно это ключевое отличие “сегодня” от “вчера”. Извлекать ценность из данных — крайне тяжелый и сложный процесс, но те компании, которые начинают сегодня, завтра выиграют в конкурентной борьбе, ведь современные технологии это в первую очередь про изменения процессов, и только потом — про сами технологии. А изменять процессы во все времена было делом долгим и затратным, всегда об этом помните!

Темы:Искусственный интеллект"Инфосистемы Джет"

Инструменты и решения для защиты информации и предотвращения кибератак
Конференция | 2 апреля 2024

Жми для участия
Обзоры. Спец.проекты. Исследования
Участвуйте в обзорах / исследованиях проекта "Информационная безопасность"!
Станьте автором журнала!
Статьи по той же темеСтатьи по той же теме

Хотите участвовать?

Выберите вариант!

КАЛЕНДАРЬ МЕРОПРИЯТИЙ 2024
ПОСЕТИТЬ МЕРОПРИЯТИЯ
ВЫСТУПИТЬ НА КОНФЕРЕНЦИЯХ
СТАТЬ АВТОРОМ
Персональные данные
4 апреля. Персональные данные в 2024 году: регулирование, практика, тенденции
Участвуйте!

More...
Обзоры. Исследования. Спец.проекты
Обзоры и исследования проекта "Информационная безопасность"
Жми, чтобы участвовать