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

На рынке ИИ сегодня происходят очень интересные процессы. Чем дальше, тем больше становится очевидным, что первоначальный ажиотаж, вызванный технологическим успехами, начинает понемногу спадать и компании начинают более тщательно считать деньги. Все больше появляется сообщений о неудачах стартапов в сфере AI/ML, а серьезные исследовательские организации открыто сообщают о том, что сегодня ИИ это дорого. К примеру, в свежем отчете Стэнфордского Университета — AI Index Report 2024 сообщается, что затраты на обучение современных моделей ИИ за последнее время, увеличились кратно. К примеру, для OpenAI GPT-4 потребовалось около $78 млн., а на обучение Google Gemini Ultra было потрачено уже не менее $191 млн. И это не предел — затраты продолжают стремительно расти. В то время, как окупаемость инвестиций все еще неочевидна. Конечно еще рано подводить какие-либо итоги, но многие эксперты рынка ожидают, что в нынешнем, 2024 году, вряд ли возврат вложений станет глобальным трендом. Большая часть компаний все еще находится на пути поиска и экспериментов. Поэтому, если вы не мировой ИТ-лидер с безграничными финансовыми возможностями, крайне важно правильно распределить ресурсы на AI/ML сделав акцент на самых важных и/или перспективных направлениях. 

Генеративный ИИ (Generative AI)

Это, возможно, самое популярное, известное и перспективное направление развития AI на сегодняшний день. Генеративный ИИ позволяет создавать новый контент, после обучения на огромных массивах разнообразных данных и определенных шаблонах. В некотором смысле он близок к принципам работы человеческого интеллекта и способен к определенному (пока что очень ограниченному) творчеству.

В упомянутом выше отчете AI Index, генеративный ИИ рассматривается, как одна из наиболее привлекательных областей для инвестиций. В частности, отмечается, что несмотря на общее снижение объема частных инвестиций в ИИ в 2023 году, финансирование Generative AI выросло, увеличившись до $25,2 млрд, что почти в восемь раз больше по сравнению с 2022 годом. В частности, новые крупные раунды финансирования получили крупнейшие игроки в этой сфере — OpenAI, Anthropic, Hugging Face и Inflection. Более общие расчеты, проведенные аналитиками Goldman Sachs говорят о том, внедрение генеративного ИИ в различных сферах мировой экономики может обеспечить общий рост глобального ВВП на 7%, а это ни много ни мало — около $7 трлн. В приведенных примерах важны не столько цифры (которым придется только поверить), сколько общие тенденции, а они говорят о том, что Generative AI сегодня очень востребован.

Судя по всему, здесь мы только в начале пути и способность генеративного ИИ создавать реалистичный и оригинальный контент (тексты, изображения, видео, музыку, программный код), возможно произведет настоящую революцию в целом ряде отраслей. Широко известны способности Generative AI в таких массовых сферах как маркетинг, медиа, развлечения. Такой ИИ создает персонализированный контент на основе предпочтений и демографических данных пользователей, генерирует рекламные тексты, постеры и видеоролики, участвует в разработке новых игр и создании анимация.

В более узких сферах генеративный ИИ помогает в повышении эффективности научных исследований (например, существенно ускоряет моделирование молекул и химических реакций в процессе разработки новых лекарств), повышает качество обслуживания клиентов (например, с помощью «умных» чат-ботов), оптимизирует процесс разработки программного обеспечения и т.д. Спектр областей применения Generative AI постоянно расширяется.

Диалоговый ИИ (Conversational AI)

Среди невероятного разнообразия различных проявлений Generative AI, стоит особо отметить одно крупное, важное и очень перспективное подмножество решений — Conversational AI. Ведь именно диалоговый ИИ позволяет людям взаимодействовать с вычислительными системами, используя язык, естественный для человека. «Умные» бытовые устройства, голосовые помощники, чат-боты нового поколения — все они нуждаются в технологиях Conversational AI. С точки зрения реализации, здесь важны такие технологические направления, как точное распознавание речи, понимание/интерпретация естественного языка (NLU/NLI), генерация естественного языка (NLG), работа с вопросами/ответами, умение строить диалог и т.д. Естественное и увлекательное взаимодействие между «умной» системой и человеком поможет, к примеру, повысить качество обслуживания клиентов в контакт-центрах, расширить возможности виртуальных помощников и вывести чат-боты на новый уровень эффективности. Как и в других случаях, здесь ИИ позволит разгрузить людей от рутинных задач, оставив им только действительно важные вопросы, требующие именно человеческого мышления.

Правильно разработанная и внедренная модель диалогового ИИ должна создавать впечатление общения с живым человеком. Это удается далеко не всегда. Все еще относительно редко система достигает правильного понимания контекста, интонаций, культурных нюансов, «запретных» или неоднозначных тем. Но, исследования и разработки для исправления этих нюансов активно идут, деньги вкладываются, поэтому, очевидно, большинство нынешних проблем удастся решить в ближайшие годы. Пока же здесь огромное поле для развития технологических стартапов, особенно в узких профессиональных нишах.

«Продвинутые» модели машинного обучения (Advanced Machine Learning Models)

Новые задачи и расширение сфер применения, требуют от разработчиков ИИ новых, более продуктивных подходов. В итоге, сейчас активно формируется концепция, которую условно можно назвать Advanced Machine Learning Models. Это не какое-то конкретное направление, но целый пул технологий, позволяющий вывести модели AI/ML на новый уровень эффективности. Выходя за рамки базовой автоматизации, эти модели будут решать более сложные задачи, требующие определенного осмысления и адаптации и даже рассуждений. 

Особенно активно AMLM сейчас развиваются в области Generative AI и Conversational AI (где очевидно требуются серьезные усовершенствования в области обработки естественного языка). К примеру, ученые Стэнфордского Университета отмечают, что хотя ИИ превзошел человека по некоторым направлениям, таким как классификация изображений, визуальные рассуждения (visual reasoning) и даже понимание английского языка. Вместе с тем искуственный интеллект отстает в решении более сложных задач, таких как математика соревновательного уровня, понимание визуальных данных (Visual Commonsense Reasoning) и комплексное планирование.

Успехи в области моделей AMLM могут помочь в деле сокращения разрыва между интеллектуальными возможностями машины и человека. Как следствие, будет возможет прорыв в таких направлениях как машинное зрение, управление беспилотным транспортом, понимание намерений пользователей и клиентов — везде, где необходимо осмысление не только самой информации, но и огромного контекстного поля и где имеется большой выбор альтернативных решений.

Поиск и разработка новых эффективных алгоритмов AI/ML крайне важен, в частности, для развития амбициозных технологических стартапов, которые еще не могут позволить себе тратить десятки миллионов $ на создание таких же больших и универсальных моделей машинного обучения, как у мировых лидеров отрасли (Open AI, Google п др.), но зато способны достичь выдающихся успехов в узкопрофессиональных областях, где нужны специализированные системы ИИ.

Квантовое машинное обучение (Quantum Machine Learning)

Главная особенность квантовых компьютеров — в детали реализации которых мы не будем углубляться — в том, что хотя они и решают очень ограниченный круг задач, но делают это несравнимо эффективнее и быстрее любых других типов вычислительных систем. Как оказалось часть таких задач напрямую связана с AI/ML и, естественно, их сразу же попытались реализовать на квантовых компьютерах. Так, несколько лет назад родилось новое перспективное направление — квантовое машинное обучение (Quantum Machine Learning, QML), которое все еще находится на ранней стадии развития, но уже есть несколько сфер применения, где технология имеет большой потенциал. Это (уже несколько раз упомянутое) моделирование молекул для разработки новых лекарств и материалов с особыми свойствами, моделирование процессов и поиск взаимосвязей внутри сложных финансовых систем для принятия осознанных и эффективных инвестиционных решений, криптография — разработка новых, более безопасных методов шифрования, устойчивых к современным методам взлома и, как ни странно — разработка более мощных алгоритмов искусственного интеллекта, способных решать задачи нового типа.

Пока что в области QML больше проблем, чем реального эффекта — сказывается сложность разработки, склонность квантовых компьютеров к ошибкам и отсутствие эффективных методов отладки программ. Но тем не менее в последние пару лет, когда кантовые компьютеры стали доступны энтузиастам, в т.ч. из облака, множество компаний — как стартапов, так и лидеров ИТ-отрасли — много работают в области квантовых вычислений и в частности QML. Так что эта новая захватывающая область исследований, вполне может привести к революционным открытиям в ближайшие годы.

Этичный ИИ (Ethical AI)

На фоне повсеместного и стремительного проникновения AI/ML во все сферы нашей жизни, особенно остро встает вопрос контроля и этичного использования таких технологий. Главная проблема состоит в том, что мы пока не знаем, до каких пределов могут развиться реальные возможности искусственного интеллекта, кто и с какой целью будет его использовать. Опасения касаются не столько гипотетического «восстания машин», сколько в первую очередь людей, организаций или государств, которые могут использовать ИИ в самых разрушительных целях, особенно при наличии достаточных вычислительных мощностей и квантовых компьютеров. Это реальность и она заставляет задуматься. 

Так опрос, проведенный компанией Ipsos показывает, 2023 году год доля людей, которые полагают, что AI кардинально повлияет на их жизнь в ближайшие три-пять лет, увеличилась с 60% до 66%. При этом 52% выражают опасения относительно внедрения продуктов и услуг на основе искусственного интеллекта (в 2022-м таких было 39%). Аналитики делают вывод, что сейчас подобные технологии скорее беспокоят, чем вдохновляют. В исследовании AI Index 2024, которое мы уже не раз упоминали, отмечено отсутствие стандартизации отчетности в сфере технологий ИИ, что усложняет понимание и систематизацию различных моделей.

В то же время, все ведущие страны мира отчаянно пытаются ввести AI/ML в понятное законодательное поле. В результате растет число законодательных актов в этой сфере, но насколько они эффективны — пока неясно. Так, если в 2016 году в США действовал всего один нормативный акт, связанный с регулированием технологий AI/ML, то на конец 2023 года таких актов было уже 25 (причем большая часть из них принята в прошлом году). 

В марте 2024 года комплексный Закон (Регламент) об искусственном интеллекте (Artificial Intelligence Act или The EU AI Act) принял и Европарламент. Формально Регламент уже вступил в силу, но внедрятся он будет постепенно и в полную силу начнет работать только в 2027 году. 

Критики говорят, что закон в его нынешней редакции будет сдерживать развитие инноваций в рамках ЕС, но европарламентарии считают, что на данном этапе важнее снижение потенциальных рисков, связанных с ИИ, таких как предвзятость, дискриминация, отсутствие прозрачности. Объективность и ответственное использование должно быть в самой основе любых решений AI/ML. Это в свою очередь стимулирует развитие направления Ethical AI, ведь каждая услуга или приложение сейчас или в ближайшем будущем, должны соответствовать критериям определенной этики, а значит потребуются консультанты, специалисты и разработчики с соответствующей экспертизой, которой, пока, чрезвычайно мало.

Сегодня технологии искусственного интеллекта и машинного обучения, несмотря на все достижения, все еще находятся в начале пути и куда этот путь приведет — пока не знает никто. С другой стороны именно сейчас есть огромное поле для экспериментов, поиска прорывных решений и создания революционных разработок в области AI/ML. 

Воплощайте свои уникальные идеи, а компания De Novo обеспечит для этого производительную и надежную технологическую основу. Лучшие в отрасли AI/ML-инструменты уже доступны в наших облаках. Получите в свое распоряжение мощнейшие 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.