Будущее ИИ, прогнозы и перспективы

"Композитный ИИ"

Согласно Gartner, композитный (составной, гибридный) ИИ (CompositeAI) означает сочетание различных методов ИИ для достижения наилучшего результата в реализации ИИ-проекта.

Наиболее заметные успехи в области искусственного интеллекта в последнее время были реализованы в области глубокого обучения, которое достигло больших успехов в сфере компьютерного зрения, генерации текстов и т. п., что отчасти привело к заблуждению, что передовой ИИ в значительной степени равен машинному обучению. Организации сталкиваются с тем, что обучение массивной нейронной сети отнюдь не всегда подходит для решения стоящих на предприятиях задач [259]. Помимо глубокого обучения, существует множество других типов ИИ.

Как концепция "композитный ИИ" говорит о том, что ни одна методика ИИ не является универсальным решением на все случаи жизни, в этом смысле композитный ИИ - это платформа, которая обеспечивает эффективное решение максимально широкого круга бизнес-задач.

"Композитный ИИ" может представлять собой объединение коннекционистских подходов ИИ, таких как глубокое обучение, с символьными подходами ИИ, такими как рассуждения на основе правил, анализ графов, позволяя решать широкий спектр бизнес-задач.

ИИ, ориентированный на данные

ИИ-решение может быть усовершенствовано не только путем улучшения модели, но и путем более качественной подготовки и обогащения данных, используемых для обучения. "ИИ ориентированный на данные" - это концепция и совокупность инструментов, которые делают акцент на работе с данными для обучения, а не на алгоритмы.

За последнее десятилетие была разработана масса подходов к применению ИИ-алгоритмов, многие алгоритмы машинного обучения доступны для коммерческого использования и имеют имплементации в библиотеках с открытым исходным кодом. Аналитики полагают, что последнее время фокус разработчиков в большей степени был устремлен на разработку алгоритмов и приложений на их основе, при том, что часто в проектах процесс обработки данных выполнялся с недостаточной степенью автоматизации и зависел от навыков отдельных специалистов.

Ряд аналитиков, включая специалистов Gartner, полагают, что пришло время сделать акцент на подготовке данных, которые являются источником для обучения и выделяют это направление в отдельную категорию.

Таким образом, ИИ, ориентированный на данные (Data centric AI), - это процесс сбора дополнительных данных для обучения, их генерации, обогащения, который оказывает значительное влияние на итоговое качество решения прикладной задачи. Инновации в области ИИ, ориентированного на данные, включают синтетические данные, графы знаний, разметку и аннотирование данных.

Умные роботы

Умный робот (smart robot) - это машина (как правило мобильная), управляемая ИИ и предназначенная для автономного выполнения одной или нескольких задач.

Наличие в системе искусственного интеллекта позволяет роботу учиться на основе окружающей среды и своего опыта взаимодействия с внешним миром, наращивать свои возможности на основе этих знаний ^{5Отметим, что большинство умных роботов работают только в режиме применения модели, а обучается она предварительно в большом дата-центре. On-device learning, конечно, существует, но это пока очень маленькая ниша. - Примечание научного редактора}. Умные роботы могут работать рядом с людьми и учиться на их поведении.

Умные роботы могут быть разделены на различные типы в зависимости от решаемых задач (персональные, логистические, промышленные). Повышение интеллектуальности устройств позволяет наращивать степень их автономности. Например, поисковый дрон, умеющий определять тропинки в лесу, может искать заблудившихся туристов.

Технологии с горизонтом выхода на плато продуктивности 5-10 лет

Ответственный ИИ

Ответственный искусственный интеллект (Responsible AI) - это технология, включающая комплекс мер, направленных на минимизацию предвзятости, увеличение объяснимости, безопасности, конфиденциальности и соблюдение нормативных требований при разработке и использовании ИИ.

Чем более кардинальные изменения предлагает технология, тем обычно и большие потенциальные риски она в себе несет. В полной мере это можно сказать об ИИ. Упомянутые технологии (увеличение объяснимости, безопасности, конфиденциальности) мы рассмотрели в третьей лекции, здесь же отметим, что поскольку эти задачи часто рассматриваются вместе, то логично их представлять в виде комплексного сервиса, что и приводит к появлению зонтичного термина "ответственный ИИ".

Языковые модели на основе трансформеров

Тему трансформеров мы подробно рассмотрели в первой лекции. Gartner отмечает, что языковые модели на основе трансформеров достаточно быстро вытесняют системы рекуррентных нейронных сетей, позволяя существенно улучшить решение целого ряда задач в домене NLP, включая машинный перевод, продвинутую аналитику текстов, разговорные пользовательские интерфейсы, интеллектуальных виртуальных помощников и автоматизированную генерацию текстов.

Интеллектуальная сборка приложений по требованию

Интеллектуальная сборка приложений по требованию (AI-Generated Composable Applications) - это процедура использования искусственного интеллекта для автоматической автономной сборки компонентов приложений (из отдельных блоков) под конкретный запрос бизнеса. В 2020 году Gartner оценивала выход на плато продуктивности данной технологической возможности через 6-8 лет и отмечала, что последняя зависит от развивающейся тенденции, когда поставщики технологий переходят от предоставления больших и в основном статичных бизнес-приложений к предложению небольших приложений, подготовленных клиентом с надежными интерфейсами прикладного программирования (API). Большинство компонентов этой технологий уже существует (например, API, микросервисы, непрерывная интеграция, контейнеризация), однако объединение всего этого в экосистему составных приложений со стандартами, способствующими взаимодействию, еще далеко не завершено.

Управление доверием, рисками и безопасностью ИИ

Управление доверием, рисками и безопасностью ИИ (AI TRiSM - сокращение от AI trust, risk and security management).

Мы уже отметили, что ИИ порождает новые вызовы и предъявляет новые требования к управлению доверием, рисками и безопасностью, которые не учитываются традиционными средствами контроля, используемыми на предприятиях. Приложения могут работать неадекватно, из-за ошибок внутри модели или злонамеренного воздействия на ИИ-системы, что может приводить к необъективным, неправильным, неэтичным решениям и, в свою очередь, вести к финансовым и репутационным издержкам. Низкий уровень контроля над системами ИИ приводит к проблемам, что, в частности, показывают данные отчета FICO и Corinium за 2021 год [260]. Кроме того, ошибки в моделях ИИ сложнее находить, поскольку источники ошибок могут находиться не в алгоритме, а в больших объемах данных.

Согласно данным отчета упомянутых компаний "The State of Responsible AI" - "Состояние ответственного ИИ" - большинство компаний внедряют ИИ со значительным риском. При этом 65% компаний-респондентов не могут объяснить, как принимаются конкретные решения или прогнозы на основе моделей ИИ. Только пятая часть (20%) активно контролирует свои модели в производстве на предмет справедливости и этичности.

AI TRiSM-приложения обеспечивают управление моделями ИИ, их достоверностью, надежностью, эффективностью, безопасностью, а также обеспечивают защиту данных. Данная категория включает решения и методы для интерпретируемости и объяснимости моделей, защиты данных ИИ, эксплуатации моделей и противодействия атакам противника.

Умное биоусовершенствование

Одним из наиболее обсуждаемых направлений в области био-усовершенствования является использование чипов, вживляемых в нервную систему для придания животному или человеку новых когнитивных возможностей. В основе технологии лежит нейрокомпьютерный интерфейс - система, позволяющая мозгу и компьютеру обмениваться информацией.

Аналитики сходятся во мнении, что люди захотят не только устранять свои недуги с помощью интерфейса "мозг - компьютер", но также пожелают усовершенствовать свои физические и ментальные способности сверх биологической нормы. Новые интерфейсы позволят людям оперировать огромными массивами информации, взаимодействовать напрямую с машинами и друг с другом принципиально новыми способами. Мы уже обсуждали возможности данной технологии в разделе, посвященном этическим проблемам, связанным с развитием ИИ-систем. Здесь лишь отметим, что на рис. 5.2, представленном в 2020 г., данная технология обозначена как выходящая на плато через 6-8 лет.