Искусственный интеллект в услугах интермодальных перевозок_ прак. 1. Что такое ии и почему это важно для большинства современных организаций
 Скачать 41.23 Kb.
|
|
Вступление Искусственный Интеллект (ИИ), роботы, беспилотники… Многие из нас уже и не осознают того, что ежедневно пользуются продуктами и приложениями, содержащими ИИ. Помните повсеместное появление баз данных? Они делали нашу жизнь удобной и потому распространялись быстрее любого некомпьютерного вируса. То же самое происходит сегодня с ИИ. Потому что он может и должен приносить большую пользу всем отраслям: потребительскому сектору, логистике, промышленности. Подобно тем же базам данных, ИИ сегодня становится неотъемлемой частью практически любого программного обеспечения. Интегрируется настолько органично, что вскоре нам больше не нужно будет называть его отдельным словом ИИ. Об этой аббревиатуре мы забудем так же, как забыли про то, что такое «СУБД». Логистика не остается в стороне от этих трендов. И вот основные вопросы о которых нужно обязательно поговорить: 1. Что такое ИИ и почему это важно для большинства современных организаций? 2. Какие практические примеры внедрения ИИ из других отраслей можно применить к логистике? 3. Как ИИ можно использовать в логистике для переосмысления бизнес-процессов, операционной деятельности и работы с клиентами? 1. Что же такое искусственный интеллект? Происхождение термина Поживший и потворивший европейский мыслитель на рубеже XIII и XIV столетий уверовал так сильно, что решил учить арабов как им правильно верить. На их же территории. Великолепно зная арабский язых, старец в очередной раз отправился к берегам Северной Африки. В тот день за очередную открытую пропаганду Евангелия его закидали камнями тунисцы. Генуэзский купец подобрал его и увез на своем корабле на родину. Старцем был каталонский миссионер и ученый Райму́нд Лу́ллий (лат. Raymundus Lullius). Он все-таки умер на борту корабля принадлежащего Стефану Колумбу — предку того самого Христофора. За свою долгую, насыщенную жизнь Раймунд успел написать ряд научных трудов, благодаря которым сегодня он небезосновательно считается родоначальником комбинаторики. Вскоре его разработки подхватывают и развивают Лейбниц, Паскаль и Бернулли. В Англии происходят две революции одновременно: промышленная и сельскохозяйственная. Всё это становится плодотворной почвой для развития теорий использующихся сегодня в проектировании искусственного интеллекта. Итак, комбинаторика, теорема Байеса, Никола Тесла с первым в мире пультом дистанционного управления, Карел Чапек со словом «робот», Алан Тьюринг со своим знаменитым тестом… Все они постепенно приближали момент, когда в 1956 году Джон Маккарти, стэнфордский (вспоминаем Фей-фей Ли) профессор информатики придумал термин «искусственный интеллект». С тех пор тема ИИ прошла череду взлетов и падений, вызванных технологическими прорывами и ограничениями соответсвенно. В 1997 году, когда Гарри Каспаров проиграл ИИ-компьютеру Deep Blue. После этого технология «пошла в гору», являя миру вполне осязаемые результаты. Такие, как: 1. Персональный ассистент в смартфонах — Siri; 2. YouTube начал распознавать котиков; Много десятилетий ушло у человечества на то, чтобы сформулировать задачу ИИ. Зачем он нам нужен? Что мы можем от него ожидать, а чего, наоборот, ожидать не стоит. Постепенно было решено, что ИИ хоть и является искусственым по своей природе, но должен: а) решать проблемы, которые решают люди; б) взаимодействовать с людьми и миром подобно людям; в) создавать идеи, подобные людским. Другими словами, люди ставят перед ИИ задачу достаточно амбициозную — быть «неотличимым» от человеческого и даже превзойти человеческий разум. Как известно, шахматы — это достаточно просчитываемая игра. Стоило нарастить вычислительные мощности IBM-компьютера и вот уже он побеждает величайшего программиста в мире. Но есть настольная игра, преимущество в которой можно получить только если мыслить стратегически. В 2016 году ИИ-машина побеждает действующего чемпиона мира по игре в Го! Суть тут в том, что никакую победу в Го просчитать нельзя в принципе. На традиционной Go-доске количество комбинаций, которые необходимо просчитать перед каждым ходом превышает общее число атомов на планете Земля. AlphaGo, компьютер научившийся побеждать чемпионов Го, фактически должен был развить чувство рассуждения, стратегическое мышление и даже… интуицию. Так что, сам подход к тактическим шагам в этой игре имеет нейронную природу. Важным результатом победы ИИ в данном случае является то, что он может научиться побеждать и нечто более легкое, чем Го. А это уже просто несметное количество кейсов. «Хайповый» шум вокруг ИИ может быстро запутать обывателя терминами и определениями. Между тем, для настоящего понимания темы Искусственного Интеллекта важно усвоить два более точечных и практических термина: 1. машинное обучение (machine learning), которое является подмножеством ИИ 2. глубокое обучение (deep learning), которое является подмножеством машинного обучения ИИ — это системы или устройства предназначенные для работы с интеллектом. Машинное обучение — это «просто» более специфический термин характеризующий системы спроектированные для сбора информации в определенной области и обучения на основе полученной информации. Такие системы могут оперативно оценивать, категоризировать поступающую информацию и делать из неё выводы. Результатом такой работы обычно являются: инсайты, решения или заключения.
Таблица 1: Схематичная иллюстрирующая работы нейро-сети; Источник: Nielsen, M. В таблице 1 показаны три приложения, основанные на машинном обучении. Глубокое обучение продвигает концепцию машинного обучения намного дальше. Глубокое обучение — это постоянное обучение. Цель такой системы — учиться в реальном мире и корректировать модель обучения по мере поступления новой информации и формирования нового понимания обрабатываемых данных. Рис. 4: Глубокое обучение выходит за пределы классического распознавания информации; Источник: Stanford В упрощенной форме на рисунке 4 показано, как алгоритмы глубокого обучения могут различать компоненты картинки, а также то, где элементы изображения связаны друг с другом. Человеческое зрение делает это постоянно без нашего осознания, но для компьютеров это целый вызов. Системы глубокого обучения ориентированы на действительно очень большие и быстро меняющиеся наборы данных, которые могут генерироваться социальными сетями или автономными транспортными средствами (беспилотными автомобилями). Глубокое обучение выполняется с помощью нейронных сетей. Нейронные сети — лучшая на данный момент попытка человечества имитировать структуру и функции человеческого мозга. Когда новые данные поступают в нейронную сеть, связи между узлами устанавливаются, усиливаются или ослабляются аналогично тому, как это происходит в мозге живого человека. В случае с искусственным интеллектом человек может тонко настраивать каждую такую связь. Получается, что в этом ИИ уже превзошел человеческий. Нам с вами остается только научиться извлекать из этого выгоду! 2. Как же машины обучаются? Три компонента ИИ Возможно, вы будете удивлены тем, что искусственный интеллект, сам по себе, единой технологией не является. Не смотря на попытки популярной прессы всё всегда упрощать, в действительности ИИ представляет собой набор взаимосвязанных, но абсолютно разных технологических компонент. Конечно, их можно комбинировать под решаемую задачу. Итак, базовые «кубики» ИИ это: 1) сенсоры, 2) модули обработки 3) обучающие системы. Сенсоры — топливо Искусственного Интеллекта Чтобы ИИ мог «ощущать» реальный мир, он должен воспринимать информацию в любых проявлениях: текст, видео, звук, двоичные сигналы и даже показатели внешней среды: температура, скорость ветра, влажность и т. д. Системы ИИ могут учитывать контекст, в котором были распознаны произнесенные человеком слова, и, имея доступ к достаточно большим наборам данных, содержащим похожие и связанные фразы, могут преобразовать эти некогда непригодные данные в ценную информацию. Сегодня уровень «понятливости» голосовых помощников, управляемых ИИ, превосходит способности человека. В типичном взаимодействии между двумя людьми средний процент неверно понятых каждым из собеседников слов составляет 6%. А лучшие голосовые помощники с искусственным интеллектом способны достигать менее 5% ошибок в своих словах. Большую часть данных для ИИ генерирует интернет вещей (Internet of Things, IoT). IoT собирает разнородные наборы данных в огромных объемах из несметного парка разнообразных устройств, количество которых постоянно растет. Компоненты обработки и обучения Учитель искусственных интеллектов Итак, мы, люди, постепенно добиваемся того, чтобы структурно интеллект искусственный все больше походил на человеческий. В вопросах обучения машинного мы, недолго думая, пошли тем же путем. Дети, как правило, учатся у своих родителей и учителей через высоко структурированную информацию. Взрослые же особи человека разумного, как правило, хорошо приспособлены к тому, чтобы искать свои собственные каналы информации. Аналогичным образом, системы ИИ используют контролируемое, неконтролируемое и подкрепляющее обучение, чтобы воспринимать и обрабатывать информацию об окружающем мире. Контролируемое обучение (или «обучение с учителем») — это такое обучение, которое происходит, когда система искусственного интеллекта напрямую информируется людьми. Например, врач, который оценивает рентгеновские снимки для выявления риска возникновения рака, может аннотировать изображения с помощью своего экспертного мнения, а затем вводить его в систему искусственного интеллекта, чтобы облегчить контролируемое обучение. Другим примером контролируемого обучения является случай, когда система ИИ сортирует рентгеновские изображения, чтобы врач мог их рассмотреть и одобрить. В результате ИИ-система постоянно улучшается. Обучение без присмотра (неконтролируемое) происходит, когда ИИ-система способна идентифицировать кластеры или измерения в самих данных без дополнительных указаний от человека. Этот метод обучения иногда приводит к совершенно неожиданным результатам. Ярким примером неконтролируемого обучения служит то, как YouTube в 2014 году смог распознать кошачьи мордочки просто по загруженным в него десяти миллионам видео «котиков». Обучение с подкреплением происходит, когда системе ИИ поручено не только обрабатывать доступные входные данные, но также изучать «правила игры». Человек не влияет на такую систему. Вместо этого она сама воздействует на окружающую среду и черпает обучающие данные из соответствующих откликов. Аналогом обучения с подкреплением является то, как младенцы изначально учатся ходить: сначала они наблюдают за окружающими, пока не обнаружат способность попробовать сделать первый свой шаг. Затем они много раз безуспешно пытаются ходить самостоятельно, но каждый раз улучшают свои способности, пока не научатся перемещаться на двух ножках без посторонней помощи. Ровно таким же образом машина AlphaGo использовала методы обучения с подкреплением, поглощая большое количество завершенных и идущих в момент обучения партий Го, чтобы одновременно выяснить, каковы правила этой игры, как нужно играть и побеждать любого конкурента. В настоящее время существует множество фреймворков для различных типов машинного обучения, каждый из которых обладает своими собственными функциональными возможностями глубокого обучения, основанными на нейронных сетях. Исследователи данных и разработчики программного обеспечения вольны выбирать из всего этого многообразия инструментов именно те, которые лучше всего подходят для решения стоящих перед ними задач. 3. Тенденции ускоряющие ИИ Почему сегодня? Развитие базовых технологий искусственного интеллекта достигло сегодня небывало высокого уровня. Спрос на ИИ постоянно растет. Как следствие, увеличиваются объемы венчурных инвестиций в эту область. Есть все основания полагать, что такая тенденция сохранится и в будущем. Технологические достижения можно разделить на три обширные категории: повышение скорости и мощности компьютерной обработки, расширение объемов доступа ИИ-систем к большим данным и усовершенствование алгоритмических возможностей для решения всё более сложных задач. Вычислительная мощность и скорость: ИИ относится к интенсивным технологиям компьютерной обработки данных. Прорыв в области вычислительной мощности и эффективности позволил расширить и усложнить приложения ИИ. В технологических отраслях закон Мура используется для демонстрации взаимосвязи между стоимостью и скоростью вычислительной мощности компьютеров с течением времени. До недавнего времени центральный процессор (CPU) вычислительных устройств выполнял основную функцию обработки данных. Но в последние годы графические процессоры (GPU) начали «перетягивать» на себя рабочие нагрузки компьютерной обработки, что еще больше подстегивает рост повсеместного использования ИИ. GPU изначально разрабатывались для больших и сложных вычислительных нагрузок, то есть для компьютерных игр. Поэтому немудрено, что графические процессоры, предназначенные для параллельной обработки сотен задач, сегодня успешно используются ИИ-системами. Большие данные. Обилие легкодоступных данных — явление не новое. Чтобы продемонстрировать свою полную силу, ИИ необходимо много, очень много данных. Парадоксально, но факт: не смотря на свои «аппетиты», ИИ сегодня потребляет лишь незначительную часть накапливаемых во всём мире данных. То есть у искусственному интеллекту есть куда расти! Алгоритмические улучшения. ИИ развивается не только благодаря растущему количеству данных, но и в следствие их широкого разнообразия. В то время как для традиционных систем рост данных является «тормозящим их работу злом», для ИИ это наоборот — рычаг роста. Чем разнообразнее данные, тем быстрее ИИ обучается! На рисунке 5 изображен Hype Cycle новых технологий (по версии Gartner). Рис. 5: График Hype Cycle показывающий эволюцию технологий с искусственным интеллектом и без; Источник: Gartner Как видно из этого графика, одновременно с ИИ развиваются и другие важные технологии, которые дополняют его: облачные вычисления и связь (connectivity). Облачные вычисления постепенно становятся новым отраслевым стандартом и, как следствие, позволяют централизованно обрабатывать большие наборы данных. А по мере увеличения возможностей связи (через Интернет и сотовые сети нового поколения) обеспечивается передача и управление большими наборами данных в режиме реального времени. Это означает, что все больше данных доступно «из облаков» и возможность подключения к этой информации больше не ограничивает общую производительность системы. В результате ускоряющийся прогресс в области хранения, доступности и скорости передачи данных является катализатором дальнейшего развития ИИ. Таланты и опыт. Интерес молодежи к ИИ, изучение этой темы аспирантами, спрос на ИИ-навыки со стороны корпораций — всё это, несомненно, подстегивает развитие искусственного интеллекта. С 1996 года количество ежегодных научных публикаций на тему ИИ увеличилось в девять раз — до 20 000 статей в год. В 2017-м году научная конференция Системы Нейро-Информационной обработки (NIPS) собрала 8 000 участников! Стэнфордский университет под руководством Fei-Fei Li (помните как мы начали с неё наш рассказ?) реализовал проект ImageNet — открытый репозиторий изображений, используемых частными и коммерческими разработчиками для обучения систем машинного обучения на основе распознавания изображений. Сегодня точность классификации объектов такими системами достигла 97,3%, превосходя способности человеческого восприятия. Академический прогресс в области искусственного интеллекта характеризуется двумя взаимодополняющими тенденциями: зачисление на курсы машинного обучения в ведущих университетах с 2000 года увеличилось в четыре раза, и рост числа ученых в области искусственного интеллекта переходящих в коммерческие компании. Например, Фей-Фей Ли сегодня совмещает профессорство в Стэнфордском университете с должностью главного ученого в команде Google Cloud. Хотя в исследовательских лабораториях и академических организациях создано множество интересных инноваций, именно коммерческие интересы стремятся ускорить изменения, формирующие мир, в котором мы с вами с таким интересом сегодня живем. В 2017 году глобальное распространение смартфонов превысило 2,5 миллиарда пользователей, а проникновение интернета достигло 3,58 миллиарда пользователей или чуть более половины населения мира. Технологические гиганты Amazon, Apple, Facebook, Google, IBM, Microsoft, Alibaba, Baidu и Tencent при разработке своих продуктов и услуг используют стратегии, ориентированные на ИИ. Например, Google заявил недавно о переходе от идеологии Mobile first («прежде всего — мобильные устройства») к идеологии AI first («прежде всего — ИИ»). Сегодня в развитых странах, да и во всем мире ИИ стал настолько вездесущ, что многие люди не осознают того, что сами они ежедневно пользуются приложениями, поддерживающими обсуждаемую нами сегодня технологию. Каждый наш поиск в Google, просмотр в Facebook и посещение того или иного веб-сайта запускают модели обучения предназначенные персонально для каждого из нас. ИИ помогает решить, какие посты, страницы и рекламные объявления нам показывать. И кстати такая задача неподвластна возможностям даже очень большого коллектива людей! Инвестиции в ИИ Вкладывайте в интеллект Всплеск обывательского интереса к ИИ все чаще стал подогреваться резкими скачками венчурных инвестиций. Только в 2017 году около ста ИИ-стартапов привлекли 11,7 миллиардов долларов США совокупного финансирования по 367 сделкам, что способствовало шестикратному увеличению инвестиций с 2000 года (рисунок 6). Вдумайтесь: только двумя технологическими корпорациями — Baidu и Google — в 2016 году было потрачено от 20 до 30 миллиардов долларов на ИИ. Из которых 90% было выделено на НИОКР и развертывание, а 10% - на приобретения перспективных бизнесов. Наконец, в 2017 году компании IBM было выдано 9 043 патента США, более 3300 из которых были связаны с искусственным интеллектом или облачными технологиями! Беспрецедентные объемы инвестиций указывают на ажиотаж вокруг ИИ и подчеркивают ценность, которую ИИ может принести человечеству. В то время как текущее развитие ИИ-систем сосредоточено главным образом в США и Китае, рост ИИ-активностей является поистине глобальным явлением. Появление когнитивных предприятий. «Нетехнологичные» компании также начали движение в сторону ИИ. В 2017 году генеральный директоры упомянули термин «искусственный интеллект» в трехстах ежеквартальных отчетах о доходах. Компании всех отраслей начинают цифровую трансформацию. По мере продвижения по этому пути они все активнее используют ИИ, охватывая этой технологией всё большее количество бизнес-процессов. Сегодня более 60% корпораций Forbes Global 2000 либо тщательно оценивают, либо продуктивно используют ИИ. Согласно опросу McKinsey, проведенному среди 1300 генеральных директоров в 2016 году 20% предприятий уже используют технологии искусственного интеллекта в продуктивном режиме. Очевидно, что отраслями лидирующими в освоении искусственного интеллекта, являются сегодня те, чьи основные продукты или услуги основаны на технологиях. Телекоммуникационные компании, банки и теперь уже автопроизводители — лидеры этой тенденции. Отстают от них те, кто пока что не уверен в преимуществах ИИ. По мере увеличения успешных внедрений ИИ всё больше «сомневающихся» смогут убедиться в том, что решения ИИ жизнеспособны, дают значительные конкурентные преимущества и… представляют собой достойные инвестиции! 4. Вызовы и риски С точки зрения потенциала роста, ИИ все еще находится в зачаточном состоянии, чего нельзя сказать об уровне популярности этой технологии в популярных СМИ. И не смотря на столь «хайповый» пиар, люди пока еще не доверяют ему. Что не удивительно, ибо большая часть описаний ИИ сосредоточено на концепции «сверхчеловеческой машины». SI представляет некий мифический мир, в котором ИИ способен радикально обогнать человеческий интеллект. Элон Маск и известный шведский философ Ник Бостром утверждают, что ИИ, или, точнее, SI, может иметь катастрофические последствия для человечества, если его оставить без присмотра. Многие похожие и невероятно далекие теоретические страхи связаны с ИИ, и хотя эти идеи заслуживают изучения, они далеки от того, чтобы быть достаточно близкими, чтобы о них беспокоиться. Исследователь ИИ и лидер мысли Эндрю Энджи остроумно прокомментировал такие высказывания: «Я беспокоюсь о суперинтеллекте так же сильно, как о перенаселении Марса». Это означает, что SI может появиться в отдаленном будущем, но все еще существуют значительные технические, социальные, и коммерческие препятствия, которые нужно преодолеть задолго до того, как это станет актуальным. Корпоративные приложения еще не доросли не только до SI, но и до GI. Поэтому утопические опасения не должны отвлекать «цифровых лидеров» от задачи повышения производительности бизнеса с использованием ИИ. Гораздо «практичным» беспокойством сегодня могли бы стать опасения по поводу того, что ИИ не справится с возлагаемыми на него узко специализированными задачами. По оценкам McKinsey, 49% всех работ, за которые люди получают сегодня зарплату, могут быть в скором будущем полностью автоматизированы. Рутинные, повторяющиеся, предсказуемые работы потенциально могут быть заменена автоматизированными системами. Отсюда вытекает другой риск. Назовем его «профсоюзным». Так как автоматизация на основе ИИ, вероятно, заменит большое количество людей с низкой и средней квалификацией, отдельным общественным организациям и правительствам необходимо уже сейчас разрабатывать механизмы адаптации к таким изменениям. Разумеется, есть и обратная сторона якобы угрожающей всем нам безработицы. Эксперты по человеческому капиталу считают, что только 9% рабочих мест исчезнут полностью. Остальные просто потребуют более высокой квалификации. Более того, появится масса совершенно новых, не существовавших ранее профессий. Пример — наметившийся уже сегодня спрос на менеджеров управляющих парками гибких, непромышленных роботов Еще одним побочным эффектом повышенной автоматизации будет увеличение ценности человеческих отношений. По мере того, как ИИ будет освобождать людей от рутинного труда, работа более высокого порядка, требующая заботы, эмпатии и профессионализма в области взаимодействия «человек-человек», станет более важной и востребованной. 5. Почему логистика? Почему сейчас? Сегодня технологии искусственного интеллекта уже вполне готовы к применению в логистике. Еще никогда прежде ИИ не был таким проработанным и доступным к использованию. Если он уже «во всю» применяется в потребительской сфере, то промышленный сегмент уже совсем «не за горами». Сетевой характер самой логистической отрасли обеспечивает естественную основу для реализации полномасштабных ИИ-проектов. Компании, которые откажутся от внедрения ИИ, рискуют отстать от конкурентов в долгосрочной перспективе. Постоянное усложнение бизнес-процессов, растущие объемы и вариативность данных приводят к тому, что человеку с такими реалиями справляться всё сложнее и сложнее. Одновременно с этим, мы будем наблюдать «феномен накопления», под действием которого ИИ-системы, получая всё больше обучающих данных, будут развиваться еще быстрее! Одним из незаслуженно мало используемых активов в отрасли является большой объем данных, которые производятся в логистике ежедневно. Эти данные — уникальный шанс логистических компаний извлечь выгоду из применения ИИ сегодня. |