Пройти мимо: почему в России катастрофически мало применяется искусственный интеллект
В своем недавнем прогнозе Gartner предсказывает объем глобального рынка искусственного интеллекта (ИИ) на уровне $1,2 трлн к концу 2018 года, что на 70% больше показателя прошлого года. Бурный рост ждет отрасль и в среднесрочной перспективе — к 2022 году вложения в ИИ составят почти $4 трлн.
Российские аналитики более сдержанны в прогнозах. Например, согласно результатам исследования «Актуальные тенденции рынка искусственного интеллекта и машинного обучения» по итогам 2017 года сегмент ИИ в нашей стране ограничивался 700 млн рублей. Причем и эта небольшая сумма включает в себя в том числе стоимость приобретенных лицензий на комплексные решения, в состав которых среди прочего входит и функциональность ИИ, но при этом необязательно используется.
В исследовании PwC Digital IQ отмечается, что к 2017 году только 35% российских компаний инвестировали в развитие ИИ, тогда как в мире 54%. Но уже к 2020 году эти показатели прогнозируются на уровне 74% для отечественного сегмента и 63% для зарубежного. Доля России на рынке машинного обучения в ближайшие годы будет расти, и признаки этого мы уже наблюдаем.
Точки роста
Пока западные компании (по мнению того же Gartner) называют управление клиентским опытом одной из основных бизнес-задач, решаемых с помощью ИИ, в России технологии находят более широкое применение в оптимизации производственных процессов. Например, промышленные корпорации используют машинное обучение для выявления брака на производстве. Для предприятий с высоким оборотом повышение эффективности производства даже на 5–20% представляют собой огромный потенциал. Кстати, тенденция повышения спроса со стороны промышленников четко отражена в исследовании компании «Цифра» и Российского союза промышленников и предпринимателей, согласно которому объем российского рынка ИИ в промышленности к 2021 году достигнет $380 млн (нельзя напрямую сравнивать с вышеприведенным исследованием по ИИ, так как возможно применение различных методик).
Расширение применения систем ИИ происходит благодаря появлению новых инструментов, которые повышают точность и снижают требования как к специалистам по Data Science, так и к вычислительным мощностям. Становятся все более доступными и сами вычислительные мощности, и средства сбора информации, в частности, решения в области интернета вещей.
Растут и возможности по подготовке специалистов: например, в 2017 году 5 из 10 топ-курсов образовательной платформы Coursera были посвящены машинному обучению (Mary Meeker, Internet trends 2018). На рынке появляется все больше экспертов с соответствующим опытом, и они дешевеют (это немаловажно с учетом того, что сейчас их зарплаты порой в 10 раз выше, чем у других IT-специалистов).
Совокупность всех этих факторов ведет к тому, что отрасль за отраслью входит в зону окупаемости применения ИИ. К примеру, отечественный рынок разговорного ИИ (чат-боты и интеллектуальные ассистенты) будет увеличиваться почти в 3 раза ежегодно, вплоть до 2023 года, по прогнозам Just AI.
Барьеры для внедрения
Даже если применение ИИ может быть результативным, далеко не всегда компании оказываются готовы к внедрению новых технологий. Исходя из практики, я вижу несколько основных причин, замедляющих распространение новых технологий, несмотря на их рентабельность.
Во-первых, организациям действительно нужно измениться самим и быть готовыми потратиться на новые статьи расходов. Дорогостоящее ПО, высокооплачиваемые вакансии, новые механизмы принятия решений и бизнес-процессы по итогам — согласование всего этого может длиться довольно долго. Причем часто в западных компаниях как раз эти вопросы решаются проще: там уже назначен ответственный за направление (Chief Data Officer), есть бюджет и есть поддержка этих изменений на уровне центрального офиса.
Во-вторых, искусственный интеллект встречает серьезное сопротивление со стороны своих «человеческих конкурентов». Например, опытному инженеру, который 40 лет работает в цехе и прекрасно знает, «что и как должно быть», требуется пересмотреть отношение к своей работе, согласиться с коррективами в механизме принятия решений, научиться взаимодействовать со специалистами по Data Science. Последние не заменят реальных экспертов, которые досконально знают свою предметную область, могут правильно поставить задачу, интерпретировать полученные данные и, главное, применять созданную модель для достижения конкретных бизнес-результатов. Специалисты по Data Science станут их помощниками и партнерами. Но для понимания этого требуется время, а также стимулирование со стороны руководителей и владельцев бизнеса.
В-третьих, многие стартапы, готовые создать прорывные решения, часто оказываются неспособны завершить проект и внедрить реально работающую систему. Побеждая в популярных хакатонах, молодые команды решают задачи бизнеса в том числе с помощью машинного обучения, однако в большинстве случаев самостоятельно провести интеграцию, подготовить методику испытаний, протестировать системы, оценить возможность сбора дополнительных данных и т. д не могут. Эту трудность можно разрешить, привлекая опытные компании, имеющие опыт по интеграции решений в сложные и неповоротливые бизнес-процессы корпораций.
Эти препятствия характерны не только для России. В недавнем исследовании Fujitsu и Pierre Audoin Consultants (PAC) по Европе отмечается: самыми серьезными факторами, тормозящими внедрение ИИ, считаются отсутствие его доступности в готовых решениях (61%), а также внутренняя культура и процессы предприятия, которые серьезно затрудняют внедрение технологии (52%).
Перед прыжком
Машинное обучение и искусственный интеллект применимы в массе областей деятельности любого крупного предприятия — от борьбы с промышленным браком, оптимизации производства, управления складскими запасами и информационной безопасностью до управления персоналом, маркетинга и электронной коммерции. И это разнообразие в областях применения успешно реализуется уже сейчас.
— Бинбанк использует искусственный интеллект в маркетинговых коммуникациях, что позволило компании в три раза снизить стоимость привлечения новых клиентов, по собственным данным фирмы.
— Росбанк с помощью ИИ выбирает оптимальное расположение розничных отделений.
— В банке ВТБ запущена кросс-канальная система противодействия мошенничеству на базе методов машинного обучения и углубленной аналитики.
— В сети «Рив Гош» по итогам нашего проекта, представленного на конференции Forbes, искусственный интеллект с точностью до 47% оценивает шансы прихода в магазин того или иного держателя карты лояльности и в 33% случаев угадывает, какие два товара из десятков тысяч он приобретет в ближайшие две недели.
— Сеть гипермаркетов «Лента» работает над усилением клиентоориентированности, используя аналитику Revionics и машинное обучение.
— В «М.Видео» с помощью искусственного интеллекта мы с коллегами сегментируем брошенные в интернет-магазине корзины, выявляем, по каким причинам покупки не доведены до конца.
— Новолипецкий металлургический комбинат выделил десятки производственных процессов, в которых возможно применение ML-технологий, и теперь предприятие последовательно отрабатывает каждый из них совместно с нашими специалистами.
— Компания «Химпром» заявила о внедрении рекомендательной ИИ-системы, которая будет определять оптимальные технологические режимы и позволит увеличить производительность на 5%.
Не только коммерческий сектор активно тестирует возможности искусственного интеллекта: в проектах поддержки государственных инициатив технологии также апробируются. Например, в программе «Умный город» автоматизируется поиск преступников в московском метро и инновации в образовании.
Оптимизация конкретного бизнес-процесса с помощью ИИ может заработать или сэкономить всего 3–5%, но раз таких бизнес-процессов десятки, при грамотном подходе регулярная работа по внедрению технологии может дать гигантский общий эффект. И чем раньше компания начнет на практике внедрять искусственный интеллект, учиться на ошибках, меняться и наращивать свои компетенции в использовании этой новой технологии, тем сложнее потом будет ее догнать конкурентам.