Еще в 1996–1997 годах российский гроссмейстер Гарри Каспаров сыграл матч из 6 пар против лучшего суперкомпьютера IBM с искусственным интеллектом Deep Blue. ИТ-компания потратила более 100 миллионов долларов на проект, в котором было 32 процессора, которые могли вычислять более 200 миллионов шахматных позиций в секунду за 3 минуты, отведенные на один ход в шахматной партии.

Deep Blue против Каспарова. Последний не очень доволен своим выступлением
Источник: Разговор

Хотя это была важная веха в эволюции ИИ, оглядываясь назад на «основанный на правилах» подход Deep Blue (где он искал миллионы потенциальных ходов), он был относительно простым в своем подходе, особенно по сравнению с сегодняшними подходами, которые часто полагаться на нейронные сети. Тем не менее, он служит полезным примером для понимания того, как технология ИИ эволюционировала от зарождающихся стадий до более зрелой и сложной. Также полезно понимать будущее искусственного интеллекта. Давайте посмотрим, почему:

Более быстрая и дешевая вычислительная мощность

Вычислительная мощность возросла в геометрической прогрессии (в значительной степени согласно закону Мура). Еще в конце 90-х средний домашний компьютер мог работать на одноядерном процессоре с частотой 100–200 МГц; в настоящее время домашние процессоры могут обрабатывать 6 ядер на частоте 3,4 ГГц. Помимо роста скорости, вычислительная мощность стала намного доступнее.

Эволюция вычислительной мощности операций с плавающей запятой в секунду (FLOPS)

Источник: Визуальный Капиталист

Увеличение вычислительной мощности было экспоненциальным. Завораживает мысль, что управляющий компьютер Apollo 1969 года имел такую ​​же вычислительную мощность, как две Nintendo 1983 года.

Все чаще предприятия обращаются к облаку при создании и развертывании приложений на основе ИИ. Ведущие поставщики облачных вычислений, такие как Amazon Web Services (AWS), IBM Cloud, Microsoft Azure и Google Cloud, предоставляют услуги, позволяющие ИТ-командам использовать преимущества последних разработок в области машинного обучения и искусственного интеллекта. Они также позволяют организациям использовать такие услуги без необходимости нанимать высококвалифицированных специалистов по данным или инженеров по машинному обучению.

В будущем, вместо использования существующих вариантов облачных вычислений, мы вполне можем увидеть появление децентрализованных вариантов, таких как Golem: децентрализованная сеть с открытым исходным кодом на основе блокчейна, где люди могут делиться своими компьютерными мощностями.

ИИ стал «умнее»

По сравнению с технологиями и инструментами, доступными сегодня, Deep Blue от IBM был относительно примитивен. Шахматный проект ИИ был создан специально для этой задачи и использовал подход, основанный на правилах. Проблема с такими ранними подходами к ИИ заключается в том, что его трудно масштабировать, и он будет бороться с более сложными ситуациями.

Сегодня исследования в области ИИ и, в частности, разработки в области нейронных сетей заложили новую основу для организаций, желающих создавать более сложные приложения. Практические приложения таких «интеллектуальных» вариантов использования машинного обучения включают чат-ботов и личных помощников. Они уже нашли популярное применение, например, агенты по обслуживанию клиентов, которые генерируют автоматические ответы на домашних страницах бизнеса. Чат-боты полагаются на машинное обучение, потому что оно позволяет им создавать разговорные данные из предыдущего «опыта» чата.

Главные преимущества чат-ботов – круглосуточное обслуживание (64 %), мгновенные ответы на запросы (55 %) и ответы на простые вопросы (55 %).

Источник: Отчет о состоянии чат-ботов в 2018 году

Доступность данных

Входные данные являются основой эффективности машинного обучения — как для данных обучения, так и для тестовых данных. Инженерам по машинному обучению необходимо иметь большие наборы данных для обучения своих моделей. К счастью, сегодня компаниям доступно больше данных, чем когда-либо прежде, и, как упоминалось ранее, они могут использовать службы облачных вычислений для хранения этих данных с относительно низкими затратами, а также извлекать выгоду из значительно большей вычислительной мощности.

Однако дело не только в количестве данных, но и в их качестве. Как отмечает Мишель Гетц, главный аналитик Forrester Research: «Большинство организаций просто не признают это проблемой». «Когда нас спросили о проблемах, ожидаемых от ИИ, в конце списка оказалось наличие тщательно отобранных коллекций данных для обучения ИИ».

60 % лиц, принимающих решения в компаниях, внедряющих ИИ, называют качество данных либо сложным, либо очень сложным — это их главная задача при реализации возможностей ИИ.

Источник: Форбс

Вывод: талант будет иметь ключевое значение для обеспечения успеха вашей инициативы в области искусственного интеллекта.

Более быстрый и простой доступ к вычислительной мощности, более совершенные инструменты ИИ и высокая доступность данных — вот три основные причины, по которым предприятиям легче внедрять ИИ.

Однако успех вашей инициативы в области искусственного интеллекта будет в значительной степени зависеть от того, сможете ли вы найти высококвалифицированных специалистов с опытом разработки таких решений. В исследовании, проведенном Белатрикс, мы обнаружили, что одной из основных причин, по которой организации не могли внедрить машинное обучение, было отсутствие доступных навыков.