Война машин: когда машинное обучение доберется до смартфонов и мелких гаджетов

Как машинное обучение защищает банки от махинаций и ожидать ли человечеству "войны машин"

Война машин: когда машинное обучение доберется до смартфонов и мелких гаджетов
pixabay.com

По прогнозам "Делойт", в этом году функцией машинного обучения будут обладать 300 млн смартфонов. Что это принесет пользователям, как машинное обучение защищает банки от
махинаций и ожидать ли человечеству "войны машин". Ответы на эти вопросы у компании IBM и ее руководителя отдела программного обеспечения Евгения Пасичнюка попытался узнать лидер группы по предоставлению консультационных услуг сектора телекоммуникаций, медиа и технологий (ТМТ) "Делойт" в Украине и Беларуси Владимир Юмашев

Евгений, можете объяснить для простого обывателя, чем отличается искусственный интеллект от машинного обучения?

Понятие искусственного интеллекта может казаться пугающим. Это обобщающий термин, который подразумевает возможность компьютерных систем мыслить абстрактно, предполагать, строить догадки и рассуждать в условиях нехватки данных. То есть делать то, что отличает человека от обычной машины. В полной мере научить машину такому абстрактному мышлению пока не получается. Поэтому компании активно работают с так называемым "машинным обучением" — это подход в аналитике, работающий с автоматизацией построения тех или иных аналитических моделей.

Всего есть четыре подхода в аналитике машинного обучения — описательный, диагностический, прогнозирующий и предписывающий. Каждый из них отвечает на свой вопрос. Что происходит? Почему происходит? Что произойдет в будущем? И что я должен сделать в будущем? Машинное обучение — это построение модели, использующей все четыре типа. Технология не только анализирует происходящее, не только предвидит, но и дает рекомендации, что нужно сделать, чтобы достичь тех или иных целей.

С какими данными работает машинное обучение?

Существует три категории задач машинного обучения.

Контролируемое машинное обучение работает только с подготовленными данными, разбитыми по категориям и систематизированными. Компьютерная система изучает эти данные, сопоставляет и прогнозирует или дает рекомендации.

Неконтролируемое машинное обучение работает с большим массивом данных и выявляет среди них взаимосвязи. Например, данные о клиенте: что он покупает, где, когда и в каком возрасте. Машина изучает, "размышляет" и начинает выстраивать связи. Все, что необходимо, это дать данные, а машина уже будет искать пути.

Третья категория — укрепляющее обучение — самая интересная. Подход, при котором машина "учится" за счет обратной связи. Подобная система используется в беспилотных машинах. Автомобиль, обладая своим видением построения мира, изучив его, начинает производить действия и получать ответ. На основе обратной связи машина учится и меняет стратегию.

Какие компании сейчас занимаются разработкой технологий машинного обучения?

Все большие технологические гиганты в той или иной мере работают над задачами машинного обучения. Антивирусные компании также используют у себя элемент машинного обучения. Другой вопрос насколько универсально используется эта технология. Нишевых игроков очень много. Они используют элементы машинного обучения для решения своих задач.

Например, IBM использует машинное обучение для решения определенных нишевых задач по информационной безопасности в финансовом секторе. Изучаются подходы злоумышленников, их методы работы, приемы, инструменты и так далее.

По прогнозам международной сети "Делойт", в 2017 году более 300 млн смартфонов будут обладать функционалом машинного обучения. Смартфон вообще может использовать сервис машинного обучения? Устройства будут достаточно мощными, чтобы работать в области машинного обучения, не через канал отправки запроса и получения ответа от серверов?

Смартфон в себе хранит большое количество информации. Это фотографии, записи, истории, контакты. Те данные, которые могут быть размещены в аппаратной части, могут быть использованы в рамках работы машинного обучения. Но если мы говорим о данных из сети, то существует не так много вычислительных систем, мощность которых позволяет обрабатывать эти данные, используя машинное обучение.

Значит ли это, что увеличение мощности смартфона для машинного обучения необязательно на сегодняшний день?

Дополнительные мощности могут дать очень важные возможности. Работа смартфона заключается в обработке, получении, хранении и трансляции информации, другими словами, в манипуляциях с ней. Смартфоны являются одним из лучших источников данных о человеке.

Смартфоны являются одним из лучших источников данных о человеке

Телеком-операторы обладают, наверное, наиболее полным пакетом данных о любом пользователе. Поэтому смартфоны — это важный источник информации для любой индустрии. У вас может быть простой дешевый телефон, в котором будет не самая лучшая камера, но эта камера может делать снимки. Смартфон может хранить в себе эти снимки и как-то их обрабатывать, хранить данные, передавать их. Если смартфону хватает мощности, он может при работе с данными использовать элементы машинного обучения. А вот что дальше делать с этими данными? Очень интересный вопрос, на который сейчас все пытаются ответить. Возможности машинного обучения огромные.

Кто придумает, тот и выиграет.

Да, это факт.

Телеком-операторы обладают, наверное, наиболее полным пакетом данных о любом пользователе

А для чего сейчас эти данные используются?

Для индустрии ритейла, чтобы иметь представление, что покупает клиент, где и когда. Этих данных достаточно, чтобы прогнозировать продажи и влиять на них. У вас могут быть данные, что определенная категория людей покупает яблоки. Что делать дальше? Продавать больше яблок? А может быть подумать о том, что, если эти люди покупают яблоки, то они покупают и еще что-то, а может быть стоит создать для них потребность? Это элементарные вещи, но, понимая данные, мы можем менять стратегии продаж в режиме реального времени.

Руководитель отдела программного обеспечения IBM Ukraine Евгений Пасичнюк

Как система машинного обучения может защитить персональные данные?

Стоит отметить, что персональные данные это уже четко структурированные данные. Мы знаем, где они находятся, и мы знаем, что с ними делать, а именно обеспечить управление доступом к ним. Данные задачи решаются уже давно и другими методами и решениями. Но если мы говорим про общую информационную безопасность организации, то использование машинного обучения как раз будет уместным.

Наша компания в частности проводит огромную работу с точки зрения исследования и разработки решения для защиты информации. И здесь мы используем элементы машинного обучения.

Вы можете привести пример?

Топ-потребитель решений в сфере безопасности — финансовый сектор. Лучшее место для мошенников, там, где можно украсть деньги. Где их можно украсть? В банке! Соответственно их цель — это банки. У IBM есть технологии, способные проводить анализ, используя огромное количество данных, нарабатывать опыт, искать слабые места в приложениях, мобильном банкинге, и делать это постоянно. В нашей облачной среде мы предоставляем финансовым институтам сервис по обнаружению тех или иных угроз и работаем, скорее, на их предотвращение. Анализируем банковское приложение и возможности его сломать. Эта система использует машинное обучение для того, чтобы постоянно изучать те или иные новые приемы мошенников.

Скажите, а с какими задачами сегодня уже успешно справляется машинное обучение?

Для банков машинное обучение интересно с точки зрения оценки клиентов, анализа данных о них, поиска решений и рекомендации по взаимодействию с клиентами, разработке новых продуктов, услуг и каналов коммуникации. Бизнес активно использует машинное обучение в работе со своими клиентами, чтобы обеспечивать им достаточный уровень сервиса, увеличивать свои продажи и так далее.

Где еще может использоваться машинное обучение в ближайшем будущем? Что может быть полезно и интересно для простого пользователя?

Давайте подумаем, что обычному человеку надо? Каждый стремится облегчить свою жизнь. Как люди упрощают свою жизнь? Либо меньше двигаются, либо меньше думают. Если мы получим инструмент или сервис, который позволит уменьшить нагрузку на мозг — это будет иметь успех. К примеру, нам время от времени приходится выбирать подарки. Уже есть сервисы, которые анализируют данные о друзьях и выдают решение — список вариантов. Меньше думаем, быстрее принимаем решение. Там, где человеку необходимо подумать и принять решение, машинное обучение может быть полезным. В дальнейшем здесь может работать и искусственный интеллект.

Как в будущем машинное обучение коснется самоуправляемых автомобилей? Конечно, в Украине в ближайшее время вряд ли появится инфраструктура, которая позволит развивать это направление, но интересно, как это происходит в мире.

Я бы все-таки не разделял Украину и остальные страны. Наша страна имеет огромный потенциал и огромные ресурсы для развития технологий. Но многие украинцы используют механическую коробку передач, и не желают переходить на автоматическую. Они считают, что при этом потеряют "драйв". Тяжело представить, что такие водители будут ездить на беспилотном автомобиле.

Беспилотные автомобили еще далеки от идеала. Им необходимо учиться

Ведь сегодня беспилотные автомобили еще далеки от идеала. Им необходимо учиться. Учатся они, используя те или иные данные и ситуации. Чем шире они будут использоваться, тем быстрее будут учиться, тем оптимальнее будет поведение беспилотников. Такое авто должно быть оснащено средствами коммуникации с другими автомобилями. Уже существуют технологии, программы, сервисы, приложения для распознавания лиц и голосов. Но насколько эти программы могут предоставить детализацию? Сейчас эти программы — только массив данных. Следующий вопрос. Где эти данные беспилотному автомобилю хранить? Как с ними работать? Какие вычислительные мощности нужны для того, чтобы обработать такого рода детализацию? Пока здесь много нерешенного.

Лидер группы по предоставлению консультационных услуг сектора телекоммуникаций, медиа и технологий (ТМТ) "Делойт" в Украине и Беларуси Владимир Юмашев

Для развития машинного обучения необходимы вычислительные мощности. Куда мы можем передать задачу по обработке данных?

Мы продолжаем совершенствовать возможности передачи данных. Передача и обработка данных должна быть легкой и быстрой. Это отдельная отрасль, которая уже развивается и будет развиваться дальше. В IBM есть когнитивная облачная платформа IBM Watson, у которой хватает вычислительной мощности для обработки и анализа массивов данных, а также неструктурированной информации. Используя такую платформу, мы легко справляемся с задачами машинного обучения.

Где Вы уже применяете IBM Watson?

Компания IBM давно занимается искусственным интеллектом. Начиная с 50-х годов прошлого столетия, когда сам термин только появился в быту. Сейчас мы находимся в списке лидеров развития данной технологии. Мы считаем, что с точки зрения ИТ мы входим в эру когнитивных технологий. Искусственный интеллект является наиболее ярким примером когнитивных вычислений, а наша технология IBM Watson ответом на вызовы данной эры. Возможности IBM Watson с точки зрения машинного обучения впечатляют представителей различных индустрий. И если еще пару лет назад это были только разговоры, то сейчас наши заказчики активно начинают использовать данные возможности в своем бизнесе — будь то финансовые институты, ритейл или промышленность — везде есть пути применения IBM Watson для оптимизации бизнес-процессов, более качественного взаимодействия с клиентами либо же решения вопросов безопасности. Сейчас эта платформа активно используется бизнесом для решения разных задач — это оптимизация логистических и бизнес-процессов, работа с оборудованием в промышленности, поиски оптимальных путей решения вопросов и, естественно, развитие аграрного сектора.

Вы отслеживали эффективность использования технологий?

Производственное использование технологий искусственного интеллекта позволяет добиться экономии себестоимости в 4-5%, но уже есть и более впечатляющие примеры.

Есть применение машинного обучения в промышленности или разведывательных областях?

IBM совместно с канадской компанией, которая занимается добычей золота, уже использует машинное обучение в разведывательных процессах. Наша платформа Watson учится быть геологом — изучает различные породы, информацию о них, трехмерные карты, сейсмическую информацию, биологические данные и так далее.

Когда она обучится, он сможет с достаточно высокой степенью вероятности выдать комментарии о добыче или отсутствии тех или иных ископаемых? Это значит: такая профессия как геолог будет не нужна?

В начале 2017 года на Всемирном экономическом форуме в Давосе гендиректор IBM Джинни Рометти представила манифест IBM, в котором отражены три основных принципа в сфере искусственного интеллекта. Первый принцип — конечная цель. Системы искусственного интеллекта призваны дополнять человеческий интеллект, но не заменять его.

Вопрос ответственности стоит очень остро. Все понимают возможности, все понимают значение, и очень важно, чтобы все понимали и уровень ответственности

Второй принцип — это прозрачность. IBM будет информировать пользователей о том, когда и с какой целью разрабатываются и внедряются решения искусственного интеллекта, не забывая также о рекомендациях пользователям по защите своих данных при внедрении подобных практик. Третий принцип — это получение новых навыков. Внедрение решений должно учитывать человеческий фактор, а руководству компаний и государств следует активно помогать сотрудникам и гражданам развивать те навыки и знания, которые позволят использовать искусственный интеллект. Вопрос ответственности стоит очень остро. Все понимают возможности, все понимают значение, и очень важно, чтобы все понимали и уровень ответственности, которая лежит на каждом из участников процесса.

Со временем распространение машинного обучения коснется не только смартфонов, судя по прогнозам, искусственным интеллектом будет обладать любая вещь — даже стакан. Какие следующие устройства, как Вы думаете, будут содержать машинное обучение?

Первый вопрос — зачем стакану интеллект? С одной стороны, вопрос шуточный, а с другой — поднимает фундаментальную суть. Технологии должны решать те потребности, которые есть у человека или у бизнеса и главное — быть доступными. Реализовывать машинное обучение — достаточно дорого. А тем более, если делать это самостоятельно. Но если ресторан сможет прикрепить сенсор к каждому стакану без особых затрат и получать готовые данные в качестве сервиса, если это позволит получать выгоду и быть прибыльным — тогда да. Это одна из тех задач, к которой стремятся лидеры.

Зачем стакану интеллект? С одной стороны, вопрос шуточный, а с другой — поднимает фундаментальную суть. Технологии должны решать те потребности, которые есть у человека или у бизнеса

Чем для потребителей будет полезно машинное обучение?

Программы повышения лояльности выйдут на другой уровень. Если ритейлер понимает и знает потребности покупателя, он сможет предложить необходимый ему продукт. Представьте, что вы находитесь в магазине, а вокруг вас датчики фиксируют данные и отправляют их на карту лояльности. Пока вы думаете о покупках, данные анализируются, и вы на месте получаете сообщение с информацией об акции, которая релевантна вашим запросам. То же касается и банков.

Машинное обучение позволит получить данные, на основе которых можно более четко, конкретно улавливать настроение, поведение людей, потребителей, реагировать на это поведение, и предоставлять своевременные и необходимые дополнительные услуги.

Если говорить об Украине, какие сферы жизни, на Ваш взгляд, мы можем улучшить, благодаря использованию искусственного интеллекта?

Повторюсь, я не буду разделять Украину и мир. Необходимо открыто смотреть на все предоставляемые возможности. Работая в IBM, мы видим эти возможности и стараемся их использовать.

автор:
Владимир Юмашев Евгений Пасичнюк
по материалам:
"Дело"
раздел:
теги:

По теме:

Бизнес переходит от конкуренции к кооперации — управляющий партнер Deloitte
ТОП100 10 февраля 2017 в 9:00

Бизнес переходит от конкуренции к кооперации — управляющий партнер Deloitte

В новой модели капитализма люди объединяются вокруг миссии, а не прибыли, а конкуренция на рынках не противоречит кооперации

Глобальные тенденции управления персоналом 2017: новые правила цифровой эпохи
Образование и карьера 28 марта 2017 в 17:00

Глобальные тенденции управления персоналом 2017: новые правила цифровой эпохи

Компании сегодня сталкиваются с радикально меняющимся контекстом рабочих мест, управления человеческим капиталом и мира трудовых отношений в целом. Опрос Deloitte, проведенный среди более чем 10 000 лидеров бизнеса и руководителей HR из 140 стран мира, показывает, что бизнесу необходимо сосредоточиться на 10 направлениях для развития организации и нацеливания людей на новые принципы работы в эпоху "цифры"