В США, Японии и Китае технологии искусственного интеллекта являются уже не просто трендом, а де-факто обязательным стандартом для многих крупных компаний. В России крупные компании также ведут или планируют проектную деятельность по внедрению технологий искусственного интеллекта. Однако передовой зарубежный опыт перенимается с опозданием. Процесс тормозится из-за дефицита квалифицированных кадров, нехватки необходимой ИТ-инфраструктуры и недостатка успешных практических кейсов.
- Введение
- Мировые тренды в области машинного обучения
- Практический опыт западных стран
- Актуальные проблемы российского рынка
- Выводы
Введение
В современном мире данные являются одним из важнейших ресурсов для развития и для достижения стратегических целей в любом сегменте бизнеса. На сегодняшний день в большинстве крупных российских компаний либо ведется, либо анонсируется и планируется проектная деятельность по внедрению технологий искусственного интеллекта. Тренды, несомненно, растут, и современные компании готовы тратить ресурсы на интеграцию машинного обучения в свои бизнес-процессы, однако на отечественном рынке наблюдается дефицит успешных практических кейсов, демонстрирующих преимущества внедрения соответствующих технологий.
На зарубежном же рынке во многих странах, в частности — США, Японии и Китае, технологии искусственного интеллекта являются уже не просто трендом, а де-факто обязательным стандартом для крупных компаний. В данной статье мы проанализируем опыт западных стран в области машинного обучения, рассмотрим актуальные проблемы, препятствующие более активному развитию технологий искусственного интеллекта в России, а также оценим возможности применения зарубежного опыта в реалиях российского рынка.
Мировые тренды в области машинного обучения
Роль и значимость обработки и анализа больших данных неуклонно возрастает. Данная тенденция определяется повсеместной информатизацией и цифровизацией, а также жесткой конкуренцией в различных сегментах бизнеса. В такой ситуации применение технологий машинного обучения и искусственного интеллекта является необходимым условием для любой крупной компании, которая хочет развиваться и успешно конкурировать на рынке.
Для оценки текущего положения и перспектив развития машинного обучения на мировом рынке информационных технологий обратимся к актуальным статистическим данным. Согласно отчетам McKinsey & Company и Tractica, развитие машинного обучения, ставшего общепризнанным ключевым драйвером цифровых технологий, к 2021 году привлечет инвестиции в размере 58 миллиардов долларов. Кроме того, на текущий момент среднегодовой темп роста, достигнутый индустрией машинного обучения и искусственного интеллекта, составляет 42%, и в дальнейшем, по прогнозам, он будет только расти. Согласно отчету «Notes from the AI frontier», к 2030 году 70% компаний будут использовать в своей деятельности технологии искусственного интеллекта. Все эти показатели свидетельствуют о том, что передовые разработки в области анализа данных скоро станут обязательным и массовым инструментом по выстраиванию бизнес-процессов в современных организациях. Именно поэтому одной из наиболее заметных тенденций в машинном обучении сейчас является стремительное и активное совершенствование инструментов AutoML, которые позволяют сделать машинное обучение новым классом решений, доступным массовому сегменту рынка.
Наиболее популярными отраслями, где машинное обучение уже нашло свое применение и развивается наиболее интенсивно, являются следующие:
- банковский и финансовый сектор;
- ритейл;
- социальные сети и медиа;
- медицинский сектор;
- телеком;
- логистика.
Данный список можно дополнить еще целым множеством отраслей, где успешное применение технологий машинного обучения становится одним из важнейших факторов, отвечающих за развитие и рост компании. Специфика этих рынков заметно отличается, но их объединяет то, что везде машинное обучение используется для схожих целей: повысить качество обслуживания клиентов и оптимизировать бизнес-процессы.
Рисунок 1. Ранжирование отраслей по количеству успешно реализованных проектов в области машинного обучения
Количество успешных проектов, научных организаций и стартапов в области машинного обучения и искусственного интеллекта на мировом рынке стремительно растет. Однако стоит признать, что отечественный рынок существенно отстает по данному показателю от зарубежных коллег (в первую очередь в лице США и Китая). Согласно отчету WIPO Technology Trends 2019, наиболее активной страной с точки зрения количества научных публикаций и зарегистрированных патентов являются США; они же возглавляют рейтинги по количеству успешных проектов / стартапов. Ниже представлена графическая иллюстрация текущих лидеров мирового сообщества в области машинного обучения.
Рисунок 2. Страны, лидирующие по количеству проектов в области машинного обучения
Рисунок 3. Страны, лидирующие по количеству научных публикаций и патентов в области машинного обучения
Практический опыт западных стран
Если на российском рынке, как мы уже отметили, наблюдается дефицит успешных проектов, то за рубежом практического опыта существенно больше, и этот опыт зачастую может быть полезен для отечественных компаний. Ярким примером успешного становления data-driven компании является Uber Technologies Inc., которая за весьма короткий промежуток времени продемонстрировала, к каким впечатляющим результатам можно прийти, если использовать машинное обучение почти во всех бизнес-процессах:
- прогнозирование спроса и предложения (алгоритм направляет водителя в ближайшие зоны с повышенным числом клиентов еще до того момента, как они появляются);
- оценка эффективности рекламных акций, сезонных трендов, активности конкурентов и прочих динамических показателей для выстраивания наиболее эффективной маркетинговой политики;
- прогнозирование будущих финансовых показателей, позволяющих провести планирование и корректное бюджетирование для тех или иных задач в компании.
В сфере финансов одним из наиболее показательных и успешных кейсов могут поделиться коллеги из JPMorgan Chase — крупного финансового холдинга. Еще в начале 2017 года холдинг представил платформу Contract Intelligence (COIN), на которую были возложены задачи по обработке и анализу юридических документов, по извлечению из них ключевой информации, а также по сегментации клиентов на категории, в соответствии с которыми планировалось разрабатывать таргетированные предложения и оказывать услуги. В течение двух лет платформа показала свою состоятельность, позволив существенно сократить трудозатраты на ручной анализ коммерческих документов и повысить качество услуг. На текущий момент JPMorgan Chase оптимизировала с помощью машинного обучения подавляющее большинство своих процессов, инвестировав в соответствующие технологии более 11 миллиардов долларов.
Взглянув на успешные проекты в сфере медицины, нельзя не отметить компанию PathAI, которая создает системы поддержки принятия решений для медицинских учреждений, позволяющие более быстро и точно диагностировать заболевания. PathAI использует технологии машинного обучения для того, чтобы оптимизировать процесс и сокращать количество ошибок врачей при постановке диагноза, а также выявлять пациентов, которым могут быть полезны новые виды лечения или терапии. В период с 2017 по 2019 год компания инвестировала более 35 миллионов долларов в подобные разработки и стала одной из самых успешных в своем сегменте.
Актуальные проблемы российского рынка
Более активному развитию машинного обучения на территории нашего государства препятствует не только недостаток практического опыта, о котором мы упоминали выше. Ряд крупных компаний уже давно осознал значимость и практическую результативность применения технологий искусственного интеллекта, но определенные барьеры не позволяют организациям достигать желаемых темпов роста и развития.
Одним из основных ограничивающих факторов является отсутствие ИТ-инфраструктуры, которая позволяла бы интегрировать машинное обучение в бизнес-процессы компании. Для корректной работы технологий искусственного интеллекта необходимо соответствующее программное и аппаратное обеспечение, направленное в первую очередь на распределенную обработку и анализ больших массивов данных. На практике подобных готовых инфраструктур в отечественных компаниях нет, и их приходится выстраивать практически с нуля, попутно перенося существующие бизнес-процессы в новую экосистему.
Кроме этого, остро ощущается нехватка квалифицированных кадров, с помощью которых можно не только разработать прорывной алгоритм машинного обучения, но и успешно интегрировать его в существующие сложные бизнес-процессы компании. На практике большинство стартапов, конференций и хакатонов в России направлены на обсуждение и решение бизнес-задач «в вакууме». При попытке интеграции полученного алгоритма в реальные условия компания сталкивается с отсутствием инженеров, способных сделать это.
Решение предыдущей проблемы порождает новую — нехватка бюджетов на дорогостоящее прикладное программное обеспечение и на высокооплачиваемые вакансии профильных специалистов. Компании пока что не готовы меняться так быстро; следовательно, согласование бюджетов на модернизацию ИТ-инфраструктур, введение новых ставок сотрудников и прочие сопутствующие расходные операции протекают сложно и неохотно. Для оптимизации необходимы понимающие эти процессы и современный рынок ИИ люди, которыми руководит ответственный за это направление директор по данным (Chief Data Officer).
Выводы
Несмотря на многочисленные проблемы и не самое передовое положение в мировом сообществе искусственного интеллекта, Россия все же имеет успешно реализованные проекты в данной сфере. Учитывая стремительные темпы роста сферы машинного обучения, нужно помнить об актуальных проблемах на отечественном рынке, препятствующих более активному развитию технологий ИИ. Крупным компаниям необходимо интенсивно развивать ИТ-инфраструктуру, адаптированную для работы с большими данными, обеспечивать комфортные и выгодные условия труда для профильных специалистов, а также создавать подразделения, отвечающие за все связанные с искусственным интеллектом процессы. Кроме этого, нельзя забывать, что отечественному рынку необходимо более тесно взаимодействовать с западными коллегами, перенимая полезный практический опыт. Решение этих и других сопутствующих задач позволит приблизиться к мировым лидерам в данной сфере, и, возможно, в обозримом будущем опыт будут перенимать уже у нас.
