Мы наш, мы новый ИИ построим: перспективы России в области искусственного интеллекта

Александр Тютюнник, заместитель генерального директора, директор по развитию бизнеса ГК Luxms, считает, что в России достаточно ресурсов (интеллектуальных, вычислительных, финансовых) для серьезного прорыва в области ИИ. «Точками опоры» для этого станут активное импортозамещение, передовой уровень цифровизации в ряде секторов, а также высокий уровень развития математики, статистики и их использование в различных прикладных областях на протяжении десятилетий. Ключевым направлением прорыва может стать решение задач, в которых традиционные подходы математики не сработают (в силу объема, многоплановости и многофакторности этих задач), но могут быть использованы отдельные статистические и математические методы или методы моделирования данных. Примерами таких задач могут служить, например, прогнозирование кредитоспособности клиентов и оценка вероятности дефолта заемщиков в банках, борьба с мошенническими операциями и т.д.

«Россия может выйти на уровень глобального игрока в области прикладных интеллектуальных решений, сочетая в едином контуре классические бизнес-приложения и новые возможности, которые открывает нам ИИ, — уверен Иван Крот, руководитель продаж Polymatica (входит в SL Soft). — Россия по основным параметрам входит в число наиболее продвинутых в области ИИ стран мира». Крот предлагает сконцентрировать усилия на тех направлениях, которые входят в число глобальных технологических трендов и одновременно позволяют максимально использовать наиболее продвинутые отечественные технологии ИИ: обработку естественного языка и математическую лингвистику, моделирование данных и процессов, обработку изображений и видео.

На российском рынке есть множество направлений использования ИИ, на которых возможен если не прорыв, то, по крайней мере, успех, уверены эксперты. Этому способствует не только уход западных игроков с российского рынка, но и активная поддержка со стороны государства в сочетании с высоким интересом к ИИ-решениям и инвестициями в них со стороны бизнеса.

«Успешные российские разработки есть во всех направлениях развития ИИ — от компьютерного зрения до обработки сообщений на естественном языке, от сильных финтех-продуктов до образовательных технологий (EduTech), — добавляет Светлана Вронская. — Чтобы ИИ-продукт “выстрелил”, должно сойтись много факторов, включая государственную поддержку исследований и разработок в ИИ, инвестиции в стартапы и инновационные компании, а также сотрудничество с ведущими научными и образовательными центрами». Вронская особо отмечает активную господдержку разработок в области ИИ — от финансирования исследований до создания инфраструктуры и инвестиций в перспективные решения.

Сопоставляя векторы развития ИИ с глобальными тенденциями, Иван Крот особо выделяет как перспективные использование моделей машинного обучения с целью выявления закономерностей и прогнозирования, применение механизмов машинного обучения для анализа неструктурированных данных (текстов, аудио и видео) и расширение возможностей обработки пользовательских запросов на естественных языках (Natural Language Processing, NLP) при работе с BI-системами. «Машинное обучение значительно повышает качество прогнозов в системах бизнес-аналитики. По мере поступления новых данных прогнозные модели могут корректироваться, обеспечивая актуальность выводов, — поясняет Крот. — Кроме того, Алгоритмы ML очень эффективны в обнаружении различных аномалий и ошибок. Хорошие перспективы есть и при сочетании разных подходов к ИИ — например, при использовании моделей машинного обучения и систем, основанных на экспертных правилах, для принятия решений».

По мнению Александра Тютюнника, на любом производственном предприятии, даже не очень крупном, найдутся десятки направлений, где модели машинного обучения могут дать быстрый эффект. Например, построенные на базе ИИ предиктивные модели для технического обслуживания и ремонта (ТОРО, ТОиР) производственного оборудования помогут заблаговременно выявлять узлы и агрегаты, которые могут вскоре выйти из строя. «Модель расходов и оптимизации операционной деятельности нефтедобывающего предприятия одного из наших клиентов охватывает более 8 тыс. параметров. При таком объеме показателей даже относительно простая математика становится достаточно сложной, поэтому решение этой задачи разумнее “отдать” искусственному интеллекту», — рекомендует Тютюнник.

Еще один очень интересный класс задач, на который он обращает внимание, — так называемое федеративное обучение, представляющее собой интеграцию и совместное использование нескольких моделей, ориентированных на разные задачи. Например, если интегрировать предиктивную модель для ТОРО с моделью физического мира, отражающую влияние температуры, вибрации, погодных условий и других внешних факторов на производственное оборудование, то можно получить значительно более точное прогнозирование возможных неполадок и сбоев с учетом конкретных условий эксплуатации. Если же добавить к ним, например, логистическую или процессную модель, способную прогнозировать сроки поставок и проведения работ ТОРО, то появится возможность оптимизировать график таких работ с учетом текущих обстоятельств. Широкие возможности для успеха ИИ имеются и по различным направлениям безопасности — промышленной, экономической, финансовой, информационной, например, с целью предотвращения мошеннических и других вредоносных воздействий, анализа инцидентов и пр.

Эксперты приводят и множество других примеров того, как с помощью механизмов ИИ российские компании решают свои задачи.

В частности, по словам Александра Тютюнника, Департамент здравоохранения Москвы использует предиктивную аналитику для построения прогнозов заболеваемости по разным срезам, контроля загрузки больниц, стационаров и поликлиник. А одна крупная производственная компания встраивает языковую модель интеллектуального поиска, чтобы помогать техническим экспертам быстро находить нужную информацию во внутренних документах, регламентах и нормативах. «Подобный языковой поиск, производимый по огромному массиву технической, конструкторской, иной внутренней информации, призван не просто изменить работу, а кардинально повысить ее эффективность», — поясняет Тютюнник.

По наблюдениям Светланы Вронской, системы прогнозирования спроса и оптимизации ценообразования базе ИИ работают в компаниях «Лента» и «Самокат». В шахтах «Норникеля» ИИ предоставляет данные о работе самоходных буровых установок, повышая эффективность использования оборудования. Кроме того, практически все крупные телеком-операторы используют ИИ для анализа диалогов в контакт-центрах и для анализа данных об абонентах с целью предотвращения их оттока.