Найбільш перспективні AI/ML-технології 2024 року. Частина перша

Нові ідеї та розробки у сфері штучного інтелекту та машинного навчання (AI/ML) з'являються десятками та сотнями буквально щодня. Генерують та просувають їх як невеликі амбітні стартапи, так й визнані лідери ІТ-галузі. Проблема лише в тому, що цікавих рішень дуже багато і розібратися в цьому потоці буває неймовірно важко. Ще складніше зрозуміти, які технології мають найбільший потенціал для розвитку і варті того, щоб витратити час на їх глибший розгляд і, можливо, впровадження на підприємстві.

Проаналізувавши багато різних джерел — від наукових статей до матеріалів галузевих ЗМІ та думок окремих експертів — пропонуємо на ваш розгляд свій огляд найперспективніших ШІ-технологій з невеличкими поясненнями щодо критеріїв вибору.

Пояснювальний ШІ (Explainable AI, XAI)

Штучний інтелект вже сьогодні дозволяє вирішувати безліч завдань та швидко знаходити відповіді на найскладніші питання. Однак тонкий момент полягає в тому, що обробка, як правило, відбувається за принципом «чорної скриньки», коли є вхідні дані та результат, а ось сам процес пошуку рішення прихований від очей спостерігачів. У результаті може виникнути недовіра до отриманої відповіді, особливо, якщо йдеться про якусь важливу справу, наприклад, судову постанову, медичний діагноз, інвестування великих сум. Це суттєво обмежує сферу застосування AI технологій. Метою Explainable AI є створення такої системи, яка б не лише видавала відповідь, а й детально, у зрозумілих людині термінах, пояснювала б, як вона отримана.

Для цього можна використовувати, наприклад, такі методи, як баєсівські мережі, дерева рішень, лінійні моделі, системи на основі правил тощо — які дозволяють продемонструвати, логічно чи візуально, перебіг розв'язання задачі. Але, це теоретично. На практиці досягнення в цій галузі поки що не завжди вражають. Головним чином тому, що створити таку систему, що «пояснює», дуже складно, до того ж не завжди очевидним є потрібний рівень деталізації пояснення. Однак, попит на XAI є й він тільки зростатиме, особливо в контексті того, що багато держав приймають різні директиви щодо етичного використання AI, а  так чи інакше передбачає прозорість (зрозумілість) процесів прийняття рішень за допомогою штучного інтелекту. До того ж зміцнення довіри до AI має вирішальне значення для широкого впровадження технології в таких важливих галузях, як охорона здоров'я, фінанси, державне управління.

ШІ в охороні здоров'я (AI in Healthcare)

Це ще одна дуже перспективна тема в галузі AI/ML, яка безпосередньо пов'язана з попередньою. Тут штучний інтелект (краще, коли він ґрунтується на XAI) використовується для покращення діагностики, розробки нових ліків, персоналізованої медицини та, у широкому сенсі – для покращення результатів, зниження витрат та підвищення доступності охорони здоров'я.

Вже зараз ШІ успішно використовується для покращеної клінічної діагностики та раннього виявлення хвороб. Особливо помітних успіхів вдалося досягти у сфері онкології (не в останню чергу, тому що саме ця галузь медицини є пріоритетною в економічно розвинутих країнах). ШІ дозволяє набагато ретельніше аналізувати знімки МРТ та інші аналізи, виявляючи найменші зміни та неочевидні, але потенційно небезпечні тенденції.

Завдяки ШІ вже зараз вдається виявляти на 5-10% більше випадків онкологічних захворювань на ранній стадії — коли шанси на лікування найвищі. Чудовий результат, проте, це лише наснажливий початок — перспективи ШІ у сфері охорони здоров'я величезні. Ще штучний інтелект використовується для глибоких генетичних досліджень або складання індивідуальних і максимально ефективних планів лікування пацієнтів, на основі величезного масиву детальних даних (аналізи, біометрія з натільних пристроїв, історія хвороби).

Істотну допомогу AI здатний надати у справі пошуку та розробки нових медичних препаратів. У сучасних умовах, наприклад, виведення на ринок одного нового препарату (якщо ми говоримо про ринки ЄС і США) займає щонайменше 10-15 років й коштує $5-10 млрд. Водночас багато стадій процесу можна автоматизувати завдяки ШІ, що, за консервативними оцінками, може дати не менше 20% економії часу та грошей. Тому не дивно, що big pharma вкладає величезні кошти в AI-розробки.

ШІ в кібербезпеці (AI in Cybersecurity)

Ще одна сфера, яка більше не зможе обійтися без AI – це кібербезпека. Тут штучний інтелект та машинне навчання вже давно й успішно допомагають у виявленні загроз, розпізнаванні аномалій та проактивному захисті від атак. Кіберзагроз у світі з'являється дедалі більше, вони стають складнішими та різноманітнішими — не в останню чергу через використання зловмисниками можливостей ШІ. Обробляти величезні масиви даних із достатньою швидкістю та реагувати на небезпечні інциденти без AI вже просто неможливо.

Штучний інтелект допомагає, наприклад, знизити кількість помилкових спрацьовувань системи ІБ. За різними даними, до масового впровадження механізмів AI, системи запобігання витоку даних (DLP) показували точність виявлення загроз на рівні 70-75%, ШІ дозволив підняти цей показник до 96-99%. Менше хибних спрацьовувань — більше часу у фахівців на боротьбу з реальними загрозами.

Також ШІ допомагає ефективно виконувати щоденну рутинну роботу, яка з одного боку, якраз і є найважливішою частиною забезпечення ІБ, але з іншого — часто геть-чисто вбиває ентузіазм фахівців. Система на базі ШІ вчасно оновить конфігурації, актуалізує налаштування безпеки, приєднає нового користувача, виявить підозрілі дії інсайдерів та мережеві аномалії та ще багато чого. Разом з тим, ШІ допоможе фахівцеві швидше та ефективніше відреагувати на незнайому атаку, знайти ефективне розв'язання проблеми тощо.

Тому AI in Cybersecurity — це майже нескінченна тема, актуальність якої в найближчому майбутньому тільки зросте (на жаль, головним чином, через збільшення кібератак).

До речі, за межами професійного кола мало хто знає, що істотна (а часто й основна) частина роботи фахівців з ІБ полягає у забезпеченні дотримання різних нормативних вимог щодо захисту даних. Це зовсім нетривіальна задача, яка потребує глибокого розуміння різних процесів усередині компанії і як вони взаємопов'язані з поточним законодавством і все це, звісно, в динаміці. Тут ШІ може допомогти не прогаяти важливих моментів і вчасно забезпечити законодавчу відповідність, у т.ч. автоматично.

Автоматизація на основі ШІ (AI-powered Automation)

І тут ми переходимо до ще однієї перспективної сфери застосування AI/ML – автоматизації. Бізнес-процеси всіх сучасних організацій сьогодні включають безліч рутинних операцій, які потенційно можна автоматизувати. Звичайно, зовсім вже однотипні дії, часто так чи інакше вже автоматизовані й без AI, але штучний інтелект і машинне навчання виводячи завдання на новий рівень. Тепер автоматизація може бути складнішою, а головне, динамічною. Дуже часто виникає ситуація, коли при зміні одного невеликого параметра в ланцюжках бізнес-процесів доводиться переналаштовувати всю систему (вона працювала автоматично, доки не потрібно було вносити корекції).

При цьому зміни можуть з'являтися щодня, а налаштовувати все знову через кожну «дрібницю» буває дуже клопітно, довго і, по суті, дорого. ШІ, по ідеї повинен позбавити організації цієї проблеми, забезпечуючи тонкі та постійні налаштування на основі аналізу величезних масивів даних. Тут, звичайно, найважливіший момент — отримання та очищення актуальних даних, а також розуміння того, як ці дані використовуються (в цьому разі якнайкраще підійде Explainable AI, про який ми говорили вище). Проте налаштувавши таку AI-систему один раз, переглядати її параметри доведеться набагато рідше, ніж зараз.

Які саме процеси можна автоматизувати? Наприклад, це такі завдання як створення звітів, управління службою технічної підтримки, аналіз бізнес-даних, підготовка користувачів та їх включення у всі процеси організації, управління доступом до інформації та ресурсів, всілякі оновлення ПЗ і навіть автоматизація деяких типових процесів розробки та тестування програмного забезпечення. Чим займуться співробітники? Вони виконуватимуть більш інтелектуальні та творчі завдання, до яких ШІ, попри всі успіхи в цій галузі, дотягнеться ще не скоро.

Загалом, нехай працюють машини, а люди повинні думати. Це саме той випадок.

Периферійний ШІ (Edge AI)

Він же «крайовий» (граничний/прикордонний) ШІ». Дуже актуальна тема вже протягом щонайменше шести-восьми (а то й більше) років – сучасник і супутник ідеї IoT. Ідея очевидна — мільйони (у перспективі мільярди) «розумних» пристроїв не можуть чекати, доки інформація від них піде в далекий ЦОД, обробиться там і повернеться. За цей час, скажімо, безпілотний автомобіль уже проїде на червоний, а контрольний прилад із машинним зором пропустить браковану деталь на конвеєрі. Величезні масиви даних треба обробляти за якісь мікро(нано-, піко-) секунди. І що ближче буде обчислювальний вузол — то краще.

Ще, звичайно, потрібні відповідні канали зв'язку для обміну даними з кінцевими пристроями, але це питання вирішується за допомогою бездротових мереж 5G (які в майбутньому, можливо, доповняться фемтосотами). Частина інформації може оброблятися безпосередньо на самих пристроях, як, наприклад, зараз відбувається з «розумними» камерами охоронного відеоспостереження. Але, управління, наприклад, мережами пристроїв IoT вимагає вже потужних обчислювальних ресурсів на периферії мережі.

Так, у цій сфері існує ще безліч проблем — складнощі зі збиранням та очищенням даних, питання безпеки, технологічні обмеження машинного навчання тощо. Але всі ці складності поступово вирішуються, а сама концепція Edge AI не втрачає актуальності, тому що у разі подолання згаданих проблем відкриває величезні перспективи розвитку у багатьох ринкових нішах – від автономного транспорту до розумного виробництва в рамках концепції Industry 4.0.

На цьому першу частину нашого огляду закінчимо, інші п'ять перспективних технологій розглянемо в наступній статті.

А поки що нагадаємо, що потужні AI/ML-інструменти вже доступні в хмарах. Компанія De Novo пропонує доступ до найпотужніших TPU NVIDIA H100 і L40S безпосередньо з оточення Kubernetes у складі нових хмарних послуг Tensor Cloud (у колективній хмарі) та HTI (сервіс класу GPU Private Cloud), а з PaaS-платформою ML Cloud ви отримуєте ще й готове повноцінне робоче середовище для ML-інженера (класу AWS SageMaker або Google Vertex AI). 

Хочете дізнатися більше? Звертайтеся за детальною консультацією до наших фахівців! Вони не лише нададуть відповідь на ваші запитання, але й допоможуть розгорнути пілотний проєкт або перенести навантаження в хмару De Novo.