Самые многообещающие AI/ML-технологии 2024 года. Часть первая

Новые идеи и разработки в сфере искусственного интеллекта и машинного обучения (AI/ML) появляются десятками и сотнями буквально каждый день. Генерируют и продвигают их как небольшие амбициозные стартапы, так и признанные лидеры ИТ-отрасли. Проблема лишь в том, что интересных решений слишком уж много и разобраться в этом потоке бывает невероятно трудно. Еще сложнее понять, какие технологии имеют наибольший потенциал для развития и стоят того, чтобы потратить время на их более глубокое рассмотрение и, возможно, внедрение на предприятии. 

Проанализировав множество различных источников — от научных статей до материалов отраслевых СМИ и мнений отдельных экспертов — предлагаем свой список наиболее перспективных ИИ-технологий, с небольшими объяснениями критериев выбора. 

Объясняемый ИИ (Explainable AI, XAI)

Искусственный интеллект уже сегодня позволяет решать множество задач и быстро находить ответы на сложнейшие вопросы. Однако, тонкий момент состоит в том, что обработка, как правило, происходит по принципу «черного ящика», когда есть вводные данные и результат, а вот сам процесс поиска решения скрыт от глаз наблюдателей. В итоге, может возникнуть недоверие к полученному ответу, особенно, если речь идет о каком-то ответственном деле, например, судебном постановлении, медицинском диагнозе, инвестировании больших сумм. Это существенно ограничивает сферу применения AI-технологий. Целью Explainable AI является создание такой системы, которая бы не только выдавала ответ, но и детально, в понятных человеку терминах, поясняла бы, как он получен. 

Для этого можно использовать, например, такие методы как байесовские сети, деревья решений, линейные модели, системы на основе правил и т.д. — позволяющие продемонстрировать, логически или визуально, ход решения задачи. Но, это в теории. На практике, достижения в этой области, пока что не всегда впечатляют. Главным образом потому, что создать такую «объясняющую» систему очень сложно, к тому же не всегда очевидна достаточная степень детализации объяснения. Тем не менее, спрос на XAI есть и он будет только расти, особенно в контексте того, что многие государства принимают различные директивы относительно этического использования AI, что так или иначе подразумевает прозрачность (объяснимость) процессов принятия решений с помощью искусственного интеллекта. К тому же укрепление доверия к AI имеет решающее значение для широкого внедрения технологии в таких важных областях, как здравоохранение, финансы, государственное управление.

ИИ в здравоохранении (AI in Healthcare)

Это еще одна очень перспективная тема в области AI/ML, которая непосредственно связана с предыдущей. Здесь искусственный интеллект (предпочтительно основанный на XAI) используется для улучшения диагностики, разработки новых лекарств, персонализированной медицины и, в более широком смысле — для улучшения результатов, снижения затрат и повышения доступности здравоохранения.

Уже сейчас ИИ успешно используется для улучшенной клинической диагностики и раннего обнаружения болезней. Особенно выдающихся успехов удалось добиться в сфере онкологии (не в последнюю очередь, потому что именно эта область медицины является приоритетной в самых экономически развитых странах). ИИ позволяет гораздо более тщательно анализировать снимки МРТ и другие анализы, выявляя малейшие изменения и неочевидные, но потенциально опасные тенденции.

Благодаря ИИ уже сейчас удается выявлять на 5-10% больше случаев онкологических заболеваний на ранней стадии — когда шансы на излечение наиболее высоки. Превосходный результат, но, это только вдохновляющее начало — перспективы ИИ в сфере здравоохранения огромны. Еще искусственный интеллект используется для глубоких генетических исследований или составления индивидуальных и максимально эффективных планов лечения пациентов, на основе огромного массива детальных данных (анализы, биометрия с носимых устройств, история болезни). 

Существенную помощь AI способен оказать в деле поиска и разработки новых медицинских препаратов. В современных условиях, к примеру, выведение на рынок одного нового лекарства (если мы говорим о рынках ЕС и США) занимает не менее 10-15 лет и обходится в $5-10 млрд. В то же время, многие стадии процесса здесь можно автоматизировать благодаря ИИ, что, по консервативным оценкам, может дать не менее 20% экономии времени и денег. Поэтому не удивительно, что Big Pharma вкладывает огромные средства в AI-разработки.

ИИ в кибербезопасности (AI in Cybersecurity)

Еще одна сфера, которая больше не сможет обходится без AI — это кибербезопасность. Здесь ИИ уже давно и успешно поможет в обнаружении угроз, распознавании аномалий и проактивной защите от кибератак. Киберугроз в мире появляется все больше, они становится более изощренными и разнообразными — не в последнюю очередь, по причине использования злоумышленниками возможностей ИИ. Обрабатывать огромные массивы данных с достаточной скоростью и реагировать на опасные инциденты без AI уже попросту невозможно. 

Искусственный интеллект помогает, к примеру, снизить количество ложных срабатываний системы ИБ. По разным данным, до массового внедрения механизмов AI системы предотвращения утечек данных (DLP) показывали точность выявления угроз на уровне 70-75%, ИИ позволил поднять этот показатель до 96-99%. Меньше ложных срабатываний — больше времени у специалистов на отражение реальных угроз. 

Также ИИ помогает эффективно выполнять ежедневную рутинную работ, которая с одной стороны, как раз и является самой важной частью обеспечения ИБ, но с другой — часто напрочь убивает энтузиазм специалистов. Система на базе ИИ вовремя обновит конфигурации, актуализирует настройки безопасности, подключит нового пользователя, выявит подозрительные действия инсайдеров и сетевые аномалии и еще много чего. В то же время, ИИ поможет человеку-специалисту быстрее и эффективнее отреагировать на незнакомую атаку, найти эффективное решение проблемы и т.д. 

Поэтому AI in Cybersecurity — это почти бесконечная тема, актуальность которой в обозримом будущем только вырастет (к сожалению, главным образом, из-за растущего количества кибератак). 

Да, и кстати, за пределами профессионального круга, мало кто знает, что существенная (а часто и основная) часть работы специалистов по ИБ заключается в обеспечении соблюдения различных нормативных требований по защите данных. Это вовсе нетривиальная задача, которая требует глубокого понимания различных процессов внутри компании и как они взаимосвязаны с текущим законодательством и все это, естественно, в динамике. Здесь ИИ может помочь не упустить важных моментов и своевременно обеспечить законодательное соответствие, в т.ч. автоматически. 

Автоматизация на основе ИИ (AI-powered Automation)

И здесь мы переходим к еще одной перспективной сфере применения AI/ML — автоматизации. Бизнес-процессы всех современных организаций сегодня включают множество рутинных операций, которые, потенциально можно автоматизировать. Конечно, совсем уже однотипные действия, зачастую, так или иначе уже автоматизированы и без AI, но искусственный интеллект и машинное обучение выводя задачу на новый уровень. Теперь автоматизация может быть более сложной, а главное, динамичной. Очень часто возникает ситуация, когда при смене одного небольшого параметра в цепочках бизнес-процессов, приходится перенастраивать всю систему (она работала автоматически, пока не потребовалось вносить коррекции). 

При этом изменения могут появляться ежедневно, а настраивать всё заново из-за каждой «мелочи» бывает очень хлопотно, долго и, в сущности, дорого. ИИ, по идее должен избавить организации от этой проблемы, обеспечивая тонкие и постоянные настройки на основе анализа огромных массивов данных. Тут, конечно, важнейший момент — получение и очистка актуальных данных, а также понимание того, как эти данные используются (здесь как нельзя кстати будет Explainable AI, о котором мы говорили выше). Но, по идее, настроив такую AI-систему один раз, пересматривать ее параметры придется гораздо реже, чем сейчас. 

Какие конкретно процессы можно автоматизировать? Например, это такие задачи как создание отчетов, управлением службой технической поддержки, анализ бизнес-данных, подготовка пользователей и их включение во все процессы организации, управление доступом к информации и ресурсам, всевозможные обновления ПО и даже автоматизация некоторых типовых процессов разработки и тестирования программного обеспечения. Чем же тогда займутся сотрудники? Они будут выполнять более интеллектуальные и творческие задачи, до которых ИИ, несмотря на все успехи в данной области, дорастет еще не скоро. 

В общем — пусть работают машины, а люди должны думать. Это как раз тот случай. 

Периферийный ИИ (Edge AI)

Он же — «краевой» (граничный/пограничный) ИИ». Очень актуальная тема уже на протяжении как минимум шести-восьми (а то и более) лет — современник и спутник идеи IoT. Идея очевидна — миллионы (в перспектива миллиарды) «умных» устройств не могут ждать, пока информация от них уйдет в далекий ЦОД, обработается там и вернется назад. За это время, скажем, беспилотный автомобиль уже проедет на красный, а контрольный прибор с машинным зрением пропустит бракованную деталь на конвейере. Огромные массивы данных надо обрабатывать за какие-то микро(нано-, пико-)секунды. И чем ближе будет вычислительный узел — тем лучше.

Еще, конечно, нужны соответствующие каналы связи, для обмена данными с конечными устройствами, но этот вопрос решается с помощью беспроводных сетей 5G (которые в будущем, возможно, дополнятся фемтосотами). Часть информации может обрабатываться непосредственно на самих устройствах, как, например сейчас происходит с «умными» камерами охранного видеонаблюдения. Но, управление, например, сетями носимых устройств IoT, требует уже мощных вычислительных ресурсов на периферии сети. 

Да, в этой сфере существует еще множество проблем — сложности со сбором и очисткой данных, вопросы безопасности, технологические ограничения машинного обучения и т.д. Но, все эти сложности постепенно решаются, а сама концепция Edge AI не теряет актуальности, потому что в случае преодоления упомянутых проблем открывает огромные перспективы развития в многих рыночных нишах — от автономного транспорта до «умного» производства в рамках концепции Industry 4.0. 

На этом, первую часть нашего обзора, пожалуй, закончим, другие пять перспективных технологий рассмотрим в следующей статье.

А пока напомним, что мощные AI/ML-инструменты уже доступны в облаках. Компания De Novo предлагает доступ к мощнейшим TPU NVIDIA H100 и L40S непосредственно из окружения Kubernetes в составе новых облачных уcлуг Tensor Cloud (в коллективном облаке) и HTI (сервис класса GPU Private Cloud), а с PaaS-платформой ML Cloud вы получаете еще и готовую полноценную рабочую среду для ML-инженера (класса AWS SageMaker или Google Vertex AI). 

Хотите узнать больше? Обращайтесь за детальной консультацией к нашим экспертам! Они не только ответят на ваши вопросы, но и помогут развернуть пилотный проект или перенести нагрузки в облако De Novo.