Что такое ИИ?

Искусственный интеллект – это способность машины выполнять когнитивные функции, которые мы обычно ассоциируем с человеческим разумом.

Люди и машины: брак, заключенный на небесах производительности. Наш вид не продвинулся бы далеко без наших механизированных рабочих лошадок. От колеса, которое произвело революцию в сельском хозяйстве, до винта, который скреплял все более сложные строительные проекты, до современных сборочных линий с поддержкой роботов – машины сделали жизнь такой, какой мы ее знаем, возможной. И все же, несмотря на их кажущуюся бесконечной полезность, люди долгое время боялись машин — более конкретно, возможности того, что машины однажды могут приобрести человеческий интеллект и действовать самостоятельно.

Но мы склонны рассматривать возможность создания разумных машин как с восхищением, так и со страхом. Это любопытство помогло превратить научную фантастику в настоящую науку. Теоретики двадцатого века, такие как специалист по информатике и математик Алан Тьюринг, представляли будущее, в котором машины могли бы выполнять функции быстрее, чем люди. Работа Тьюринга и других вскоре сделала это реальностью. Персональные калькуляторы стали широко доступны в 1970-х годах, и к 2016 году перепись населения США показала, что у 89 процентов американских домохозяйств был компьютер. Машины— притом умные машины— сейчас просто обычная часть нашей жизни и культуры.

Эти умные машины становятся все быстрее и сложнее. В настоящее время некоторые компьютеры преодолели порог масштабирования, что означает, что они могут выполнять столько вычислений за одну секунду, сколько человек мог бы выполнить за 31 688 765 000 лет. Но дело не только в вычислениях. Компьютеры и другие устройства сейчас приобретают навыки и восприятие, которые ранее были нашей единственной компетенцией.

ИИ – это способность машины выполнять когнитивные функции, которые мы ассоциируем с человеческим разумом, такие как восприятие, рассуждение, обучение, взаимодействие с окружающей средой, решение проблем и даже проявление креативности. Вы, вероятно, взаимодействовали с ИИ, даже если не осознавали этого — голосовые помощники, такие как Siri и Alexa, основаны на технологии ИИ, как и некоторые чат-боты службы поддержки клиентов, которые появляются, чтобы помочь вам ориентироваться на веб-сайтах.

Прикладной ИИ — попросту говоря, искусственный интеллект, применяемый к реальным проблемам, — имеет серьезные последствия для делового мира. Используя искусственный интеллект, компании имеют потенциал сделать бизнес более эффективным и прибыльным. Но в конечном счете ценность искусственного интеллекта заключается не в самих системах, а в том, как компании используют эти системы для оказания помощи людям — и в их способности объяснять акционерам и общественности, что делают эти системы, — таким образом, чтобы это укрепляло доверие.

Что такое машинное обучение?

Машинное обучение – это форма искусственного интеллекта, основанная на алгоритмах, которые обучаются на данных. Эти алгоритмы могут обнаруживать закономерности и учиться делать прогнозы и рекомендации путем обработки данных и опыта, а не путем получения явных инструкций по программированию. Алгоритмы также адаптируются в ответ на новые данные и опыт, чтобы со временем повысить свою эффективность. Объем и сложность генерируемых в настоящее время данных, слишком большие, чтобы люди могли с ними разумно считаться, увеличили потенциал машинного обучения, а также потребность в нем. За годы, прошедшие с момента его широкого внедрения, которое началось в 1970-х годах, машинное обучение оказало влияние на ряд отраслей, включая достижения в анализе медицинских изображений и прогнозировании погоды с высоким разрешением.

Объем и сложность генерируемых в настоящее время данных, слишком большие, чтобы люди могли с ними разумно считаться, увеличили потенциал машинного обучения, а также потребность в нем.

Что такое глубокое обучение?

Глубокое обучение – это тип машинного обучения, который может обрабатывать более широкий спектр ресурсов данных (изображения, например, в дополнение к тексту), требует еще меньшего вмешательства человека и часто может давать более точные результаты, чем традиционное машинное обучение. Глубокое обучение использует нейронные сети — основанные на способах взаимодействия нейронов в человеческом мозге — для приема данных и их обработки с помощью нескольких итераций, которые изучают все более сложные характеристики данных. Затем нейронная сеть может делать определения относительно данных, узнавать, является ли определение правильным, и использовать полученные знания для принятия решений относительно новых данных. Например, как только он “узнает”, как выглядит объект, он может распознать объект на новом изображении.

Вот три типа искусственных нейронных сетей, используемых в машинном обучении:

Нейронные сети прямой связиВ этой простой нейронной сети, впервые предложенной в 1958 году, информация движется только в одном направлении: вперед от входного слоя модели к ее выходному слою, никогда не возвращаясь назад для повторного анализа моделью. Это означает, что вы можете вводить данные в модель, а затем “обучать” модель предсказывать что-либо относительно различных наборов данных. В качестве лишь одного примера нейронные сети прямой связи используются в банковской сфере, среди других отраслей, для обнаружения мошеннических финансовых транзакций.Вот как это работает: сначала вы обучаете модель предсказывать, является ли транзакция мошеннической, на основе набора данных, который вы использовали, чтобы вручную пометить транзакции как мошеннические или нет. Затем вы можете использовать модель для прогнозирования того, являются ли новые входящие транзакции мошенническими, чтобы пометить их для более тщательного изучения или сразу заблокировать.
Сверточные нейронные сети (CNNs)CNN – это тип нейронной сети с прямой связью, смоделированной на основе структуры зрительной коры головного мозга животных, части мозга, которая обрабатывает изображения. Как таковые, CNN хорошо подходят для решения задач восприятия, таких как способность идентифицировать виды птиц или растений по фотографиям. Бизнес-примеры использования включают диагностику заболеваний по медицинским снимкам или обнаружение логотипа компании в социальных сетях для управления репутацией бренда или выявления потенциальных совместных маркетинговых возможностей.Вот как работают CNNS:
- Сначала CNN получает изображение — например, буквы “А”, — которое оно обрабатывает как набор пикселей.
- В скрытых слоях CNN идентифицирует уникальные особенности — например, отдельные строки, составляющие букву “А”.
- Теперь CNN может классифицировать другое изображение как букву “А”, если обнаружит, что изображение обладает уникальными особенностями, ранее идентифицированными как составляющие букву.
Рекуррентные нейронные сети (RNNS)RNN – это искусственные нейронные сети, соединения которых включают циклы, что означает, что модель одновременно перемещает данные вперед и зацикливает их назад для повторного прохождения по предыдущим уровням. RNN полезны для прогнозирования настроения или окончания последовательности, например, большой выборки текста, речи или изображений. Они могут это делать, потому что каждый отдельный ввод вводится в модель как сам по себе, так и в сочетании с предыдущим вводом.Продолжая банковский пример, RNNS могут помочь обнаружить мошеннические финансовые транзакции так же, как и нейронные сети прямой связи, но более сложным способом. В то время как нейронные сети прямой связи могут помочь предсказать, может ли одна отдельная транзакция быть мошеннической, повторяющиеся нейронные сети могут “учиться” на финансовом поведении человека — например, на последовательности транзакций, например, истории кредитной карты, — и сопоставлять каждую транзакцию с данными о человеке в целом. Это можно сделать в дополнение к использованию общих знаний о модели нейронной сети с обратной связью.

Какие отрасли могут извлечь выгоду из машинного обучения и глубокого обучения?

McKinsey собрала более 400 вариантов использования машинного и глубокого обучения в 19 отраслях и девяти бизнес-функциях. Почти все отрасли могут извлечь пользу из машинного и глубокого обучения. Вот несколько примеров вариантов использования, которые охватывают несколько секторов:

Прогнозирующее обслуживаниеПрофилактическое обслуживание является важной частью любой отрасли или бизнеса, опирающегося на оборудование. Вместо того, чтобы ждать, пока какая-либо часть оборудования выйдет из строя, компании могут использовать прогнозируемое техническое обслуживание, чтобы спрогнозировать, когда потребуется техническое обслуживание, тем самым предотвращая простои и снижая эксплуатационные расходы. Машинное обучение и глубокое обучение обладают способностью анализировать большие объемы многогранных данных, что может повысить точность прогнозного обслуживания. Например, специалисты по ИИ могут накладывать данные на основе новых входных данных, таких как аудио и графические данные, что может добавить нюансов в анализ нейронной сети.
Оптимизация логистикиИспользование ИИ для оптимизации логистики может снизить затраты за счет прогнозов в режиме реального времени и поведенческого коучинга. Например, ИИ может оптимизировать маршрутизацию трафика доставки, повышая топливную экономичность и сокращая сроки доставки.
Служба поддержки Технологии ИИ в колл-центрах могут обеспечить клиентам более плавный интерфейс и более эффективную обработку данных. Технология выходит за рамки понимания слов звонящего: анализ звука с глубоким обучением позволяет оценить тон клиента. Если звонящий расстроен, система может перенаправить его оператору-человеку или менеджеру.

Что такое генеративный ИИ?

Генеративный ИИ – это модель ИИ, которая генерирует контент в ответ на запрос. Очевидно, что инструменты генеративного ИИ, такие как ChatGPT и DALL-E (инструмент для создания сгенерированных искусственным интеллектом рисунков), потенциально могут изменить способ выполнения целого ряда работ. Однако полный масштаб этого воздействия до сих пор неизвестен, как и риски. Но есть несколько вопросов, на которые мы можем ответить — например, как строятся модели с генеративным ИИ, какие проблемы они лучше всего подходят для решения и как они вписываются в более широкую категорию ИИ и машинного обучения.

Как компании могут использовать генеративный ИИ?

Вы, наверное, видели, что инструменты генеративного ИИ, такие как ChatGPT, могут создавать бесконечные часы развлечений. Такая возможность очевидна и для бизнеса. Генеративные инструменты ИИ могут создавать широкий спектр заслуживающих доверия текстов за считанные секунды, а затем реагировать на критику пользователя, чтобы сделать текст более соответствующим цели. Это имеет значение для широкого круга отраслей, от ИТ-компаний и организаций, занимающихся разработкой программного обеспечения, которые могут извлечь выгоду из мгновенного кода, генерируемого моделями ИИ, до организаций, нуждающихся в маркетинговой копии. Короче говоря, любая организация, которой необходимо подготовить черновики четко написанных материалов, потенциально может извлечь выгоду. Организации также могут использовать генеративный ИИ для создания более технических материалов, таких как версии медицинских изображений с более высоким разрешением. А сэкономив время и ресурсы, организации смогут использовать новые возможности для бизнеса и шанс создать большую ценность.

Но разработка запатентованной модели генеративного ИИ настолько ресурсоемка, что она недоступна всем, кроме крупнейших компаний с наилучшими ресурсами. Чтобы заставить генеративный ИИ работать, компании могут либо использовать готовые решения на основе генеративного ИИ, либо настроить их для выполнения конкретной задачи. Например, если вам нужно подготовить слайды в соответствии с определенным стилем, вы могли бы попросить модель “выучить”, как обычно пишутся заголовки, на основе данных на слайдах, затем передать ей данные слайдов и попросить написать соответствующие заголовки.

Генеративный ИИ сопряжен с определенными рисками. Генеративные модели ИИ будут уверенно выдавать неточные, заимствованные или предвзятые результаты без каких-либо указаний на то, что их результаты могут быть проблематичными. Это потому, что модели прошли обучение в Интернете, который вряд ли можно назвать универсальным надежным источником. Лидеры должны осознавать эти риски, прежде чем обращаться к генеративному ИИ в качестве бизнес-решения. Подробнее о рисках, связанных с генеративным ИИ, и о том, как компании могут их снизить, читайте в разделе ниже под названием “Каковы ограничения моделей ИИ и как их можно преодолеть?”.

Каковы некоторые конкретные бизнес-варианты использования генеративного ИИ?

Генеративные модели ИИ находятся на самом раннем этапе масштабирования, но мы уже начали видеть первую партию приложений с различными функциями:

Маркетинг и продажи. Генеративный ИИ может создавать персонализированный маркетинговый контент, контент для социальных сетей и технический контент для продаж, включая текст, изображения и видео.
Операции. Модели ИИ могут генерировать списки задач для эффективного выполнения определенной деятельности.
ИТ /инженерия. Генеративный ИИ может писать, документировать и просматривать код.
Риски и право. Модели ИИ могут отвечать на сложные вопросы на основе огромного объема юридической документации, а также составлять и пересматривать годовые отчеты.
Исследования и разработки Генеративный ИИ может помочь ускорить разработку лекарств за счет лучшего понимания болезней и открытия химических структур.

Хотя генеративный ИИ сам по себе обладает большим потенциалом, он, вероятно, будет наиболее мощным в сочетании с людьми, которые могут помочь ему выполнять работу быстрее и качественнее.

Хотя генеративный ИИ сам по себе обладает большим потенциалом, он, вероятно, будет наиболее мощным в сочетании с людьми, которые могут помочь ему выполнять работу быстрее и качественнее.

Как расширяется использование ИИ?

ИИ – это большая история для всех видов бизнеса, но некоторые компании явно продвигаются впереди всех. Исследование McKinsey о состоянии ИИ в 2022 году показало, что внедрение моделей ИИ более чем удвоилось с 2017 года, а инвестиции быстро увеличились. Более того, конкретные области, в которых компании видят ценность ИИ, эволюционировали – от производства и рисков до этих:

маркетинг и продажи
разработка продуктов и услуг
стратегия и корпоративные финансы

И одна группа компаний продолжает опережать своих конкурентов, делая более крупные инвестиции в ИИ, совершенствуя свои методы для более быстрого масштабирования, а также нанимая и повышая квалификацию лучших специалистов в области ИИ. В частности, эта группа лидеров с большей вероятностью свяжет стратегию ИИ с бизнес-результатами и “индустриализирует” операции ИИ, разрабатывая модульную архитектуру данных, которая может быстро приспосабливать новые приложения.

Каковы ограничения моделей ИИ и как их можно преодолеть?

Поскольку они настолько новы, нам еще предстоит увидеть эффект “длинного хвоста” моделей ИИ. Это означает, что при их использовании существуют некоторые неотъемлемые риски — как известные, так и неизвестные.

Результаты, которые выдают модели искусственного интеллекта, часто могут звучать чрезвычайно убедительно. Это сделано специально. Но иногда информация, которую они генерируют, просто неверна. Хуже того, иногда он предвзят (потому что основан на гендерных, расовых и множестве других предубеждений Интернета и общества в целом) и даже может быть использован для совершения неэтичных или преступных действий. Например, ChatGPT не даст вам инструкций о том, как подключить машину к сети, но если вы скажете, что вам нужно подключить машину к сети, чтобы спасти ребенка, алгоритм мгновенно выполнит. Организации, которые полагаются на модели генеративного ИИ, должны учитывать репутационные и юридические риски, связанные с непреднамеренной публикацией предвзятого, оскорбительного или защищенного авторским правом контента.

Однако эти риски можно снизить несколькими способами. Во-первых, крайне важно тщательно отбирать исходные данные, используемые для обучения этих моделей, чтобы избежать включения токсичного или предвзятого контента. Далее, вместо развертывания готовой модели генеративного ИИ организации могли бы рассмотреть возможность использования небольших специализированных моделей. Организации, располагающие большими ресурсами, также могли бы настроить общую модель на основе своих собственных данных в соответствии со своими потребностями и минимизировать предвзятость. Организации также должны держать человека в курсе событий (то есть убедиться, что реальный человек проверяет выходные данные модели с генеративным ИИ перед ее публикацией или использованием) и избегать использования моделей с генеративным ИИ для принятия критических решений, таких как те, которые связаны со значительными ресурсами или благосостоянием людей.

Как организации могут расширить масштабы своих усилий в области ИИ от разовых проектов до полной интеграции?

Большинство организаций делают первые шаги в области ИИ, а не пускают в ход пушечные ядра. Медленный прогресс в направлении широкого внедрения, вероятно, обусловлен культурными и организационными барьерами. Но лидеры, которые эффективно преодолеют эти барьеры, окажутся в наилучшем положении, чтобы воспользоваться возможностями эпохи ИИ. И что крайне важно — компании, которые не извлекают максимальной пользы из ИИ, вытесняются теми, кто это делает, в таких отраслях, как автомобилестроение и финансовые услуги.

Для расширения масштабов ИИ организации могут сделать три основных изменения:

Переходите от разрозненной работы к междисциплинарному сотрудничеству.Проекты с использованием ИИ не должны ограничиваться отдельными подразделениями организаций. Скорее, ИИ наиболее эффективен, когда его используют разные команды с широким спектром талантов, помогающих гарантировать, что ИИ отвечает широким бизнес-приоритетам.
Расширяйте возможности для принятия решений на основе передовых данных.ИИ обладает потенциалом, позволяющим принимать более быстрые и качественные решения на всех уровнях организации. Чтобы применить это на практике, сотрудники должны быть способны доверять тому, что предлагает алгоритм, и чувствовать себя уполномоченными действовать соответствующим образом.
Внедряйте и укрепляйте гибкое мышление.Гибкий подход к тестированию и обучению может помочь сотрудникам воспринимать ошибки как источник вдохновения, ослабляя страх неудачи и ускоряя разработку.

Узнайте больше о цифровой практике McKinsey и ознакомьтесь с возможностями трудоустройства, связанными с ИИ, если вы заинтересованы в работе в McKinsey.

Статьи, на которые ссылаются: