Автоматизация бизнес-процессов – один из трендов современности. Все больше за нас делают машины, но значит ли это, что компьютер сможет заменить человека полностью? Сегодня говорим с экспертами о том, насколько полезен искусственный интеллект и его составляющие для реального бизнеса.

Никита Журавлев, Deep Learning Engineer, проект OneSoil  

Один из ключевых продуктов нашей компании – платформа (сайт + мобильные приложения iOS и Android), с помощью которой фермеры, агрономы и все вовлеченные в сельское хозяйство могут осматривать свои поля и находить проблемные зоны с помощью индекса вегетации. У нас большой стек технологий, к тому же он динамичный: может расширятся, а может и становиться меньше, когда какие-то методы более не требуются, все зависит от текущих нужд.

 

Для чего мы используем Data Science в нашем проекте:

  • Сегментация границ полей. Чтобы показывать фермеру конкретно его поле, нужно правильно выделять его границы. Это довольно сложная задача, потому что поля бывают абсолютно разной формы и размеров, а в зависимости от времени года границы могут быть видны нечетко, например, из-за снега, или вообще меняться со временем.
  • Удаление шумов со спутниковых снимков (шумы=облака, снег, тени от них). Нам нужно учитывать наличие облаков и сегментировать их. Облака бывают разных видов, например, плотные, с дымкой – их тоже нужно разделять между собой. Шумы могут мешать распознаванию границ, мониторингу самих полей.
  • Прогнозирование. Наша команда работает над предсказанием урожайности: к примеру, сколько тонн зерна на гектар можно будет собрать с поля за сезон, основываясь на динамике изменений поля. Из этой динамики как раз с помощью machine learning можно вычленить информацию о том, какая будет урожайность на этом регионе в этом году.
  • Определение дат посева благодаря анализу спутниковых снимков. В будущем можно будет узнать дату уборки и еще много других показателей (о планах в развитии технологий можно узнать на сайте https://onesoil.ai/ru/technologies). Все это можно автоматически определять по снимкам и предсказывать на основе предыдущей информации.

То, чем мы занимаемся, не является искусственным интеллектом. Мы имеем дело с алгоритмами машинного обучения. До ИИ еще очень далеко. Как минимум, есть одна значимая граница – это постановка задачи. Алгоритм может хорошо справляться с решением какой-то задачи, эффективнее, чем человек: быстрее, затрачивая меньше ресурсов. Он может настраиваться под реальные задачи, обрабатывать более сложную информацию, например, распознавать речь, обрабатывать тексты, выделять в них информацию.

Машинное обучение (machine learning, ML) – одно из направлений методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач.

Обучение с подкреплением (reinforcement learning) – один из способов машинного обучения, в ходе которого испытуемая система обучается, взаимодействуя с некоторой средой.  

Глубокое обучение (deep learning) – совокупность методов машинного обучения (с учителем, с частичным привлечением учителя, без учителя, с подкреплением), основанных на обучении представлениям (feature/representation learning), а не специализированным алгоритмам под конкретные задачи.

Основная цель нашего алгоритма в том, чтобы сегментировать поля. Сделать это классическими алгоритмами очень тяжело и, скорее всего, близко к невозможному. Поэтому используются deep learning – это нейросети и их обучение. Мы знаем какое-то ограниченное количество реальных размеченных полей, и на основе накопленных знаний обучаем распознавать границы наши алгоритмы (считай, нейросети), а они потом детектируют эти поля везде. То же самое с облаками, с прогнозами и пр. Где-то используется deep learning, где-то используется обычный machine learning. Семейство алгоритмов, которое используется, довольно обширное: это зависит от конкретных задач. Задачи меняются постоянно: какие-то закрываются, какие-то появляются с нуля. У нас также есть калькулятор норм для дифференцированного внесения удобрений. Мы строим карты для их внесения на основе информации с поля.

Сколько ресурсов может сэкономить такая программа?

Сто человек разметят 60 миллионов полей за полгода (вся территория Европы и США) – посчитал наш специалист Филипп Кондратенко. И это только поля на один год. А время идет, и поля могут меняться. У нас есть обученный алгоритм для постоянного детектирования полей. Можно поставить его так, что за неделю он распознает границы полей всего мира.

Многие вещи человек вообще не может сделать сам, так как по спутниковым снимкам просто не поймет, что растет на поле. Предсказать урожайность человек сходу не может. В сумме получается огромная экономия человеческого времени.

 

Cмогут ли технологии полностью заменить труд человека?

В ближайшем обозримом будущем они не смогут сделать этого полностью, к счастью или сожалению. Если мы хотим, чтобы ИИ решал задачи вместо людей, тогда он должен это сделать не просто на уровне человека, а лучше. Возьмем для примера self-driving cars (автомобили с автопилотом). На них накладываются гигантские требования и ограничения для использования. Требования намного выше, чем к человеку. Люди попадают в аварии, и никого это не удивляет. Но, если это происходит с самоуправляемым автомобилем, то сразу возникают вопросы. Получается, что он практически никогда не должен попадать в аварию, должен быть супербезопасным. Только тогда люди будут к ним нормально относится и смогут согласиться с тем, чтобы автопилоты заменили труд водителей.

Очень популярно использование ИИ в медицине, например, детектирование опухолей на снимках. Здесь к алгоритмам тоже предъявляются большие требования. Грубо говоря, алгоритм должен распознавать новообразование на снимке не с 95%-ной вероятностью, как среднестатистический врач, а с 99,999%-ной, что выше результата, чем, предположим, у консилиума из докторов медицинских наук. Такой вероятности очень сложно добиться, на это есть разные причины. Поэтому автоматизация процессов идет к тому, чтобы алгоритм мог советовать, а человек на основе этих советов будет принимать решение. Но это, в свою очередь, может привести к тому, что человек потеряет бдительность, будет полагаться только на советы нейросети. Ведь если алгоритм в 1000 случаев из 1000 дал правильный ответ, то человек будет думать, он всегда дает правильный ответ. А в миллионном случае он даст осечку, а человек этого может не заметить из-за сформировавшегося доверия.

Я думаю, что искусственный интеллект не заменит человеческий труд полностью. Сферу услуг, официантов, например, давно могли бы уже заменить на роботов, но никто этого не делает, потому что приятнее общаться с человеком.

Андрей Бондаренко, CEO at BotCube

Мы – агентство по разработке чат-ботов. Помогаем брендам и крупным компаниям выстроить взаимодействие со своими клиентами в мессенджерах. В большинстве случаев ИИ мы используем для автоматизации ответов на вопросы пользователей.

В среднем, качественно можно автоматизировать до 40% вопросов клиентов. Так бизнес может сэкономить до 40% на поддержке за счёт её автоматизации.

Начали работать над своим проектом в 2017 году, когда чат-боты в мессенджерах только зарождались. Мы верим, что бизнес должен общаться со своими клиентами там, где им это удобно, следовательно, постепенно все компании будут увеличивать своё присутствие в мессенджерах, и будут стараться автоматизировать часть работы. Однозначно количество сотрудников служб поддержки в следующие 10 лет значительно уменьшится за счёт автоматизации их работы и внедрения ИИ.

Технологии технологиям рознь. Если какие-то процессы можно полностью доверить машине, то другие без людей не обойдутся. Человек – существо непостоянное, необъективное и склонное к лени. Поэтому цифровой помощник – это именно то, что может уберечь от ошибок, ускорить решение вопросов и облегчить выбор.

Денис Лазаренков, CEO и Co-founder в Smartsub

Smartsub – это AI-маркетинговая система, которая позволяет даже не профессионалам эффективно запускать рекламу Google и управлять ею и аналитикой. Мы помогаем автоматизировать эти процессы малому и среднему бизнесу. У нас есть алгоритмический ассистент, «умный маркетолог», который ведет рекламные кампании, помогает, подсказывает, на каких этапах нужно внимание пользователей, чтобы они в определенный момент выполнили какое-либо действие.

ИИ применяется в нашем ассистенте для общения. Это так называемый natural language processing – использование алгоритмов естественного языка программирования, когда вы можете написать запрос обычным текстом, и алгоритм вас поймет. Мы загрузили порядка 200 вопросов, которые часто задают маркетологам, и научили ассистента давать ответы. В алгоритме используется API Google Analytics и Google Ads, то есть наша программа позволяет получить оттуда данные. Вы можете просто написать помощнику «Сколько у меня кликов/заказов?», а он вам предоставит точный ответ.

Этот проект мы придумали на хакатоне, который был посвящен искусственному интеллекту. Со сцены я сказал, что неплохо было бы сделать AI-маркетолога – такого специалиста 2-в-1 – маркетолога, и менеджера, с которым ты всегда можешь связаться. Мы хотели сделать друга для предпринимателя, потому что иногда ему нужна просто поддержка. У нас все получилось, мы запустились год-полтора назад, уже было более 400 пользователей, прошли первые оплаты. Сейчас мы расширяем функционал на web-версию, но оставляем ассистента.

Смогут ли технологии заменить труд человека? 

Многие data-scientist’ы, программисты машинного обучения говорят о том, что алгоритмы пока что слабы с точки зрения креатива, хотя мы видим, что они уже и клипы создают, и песни пишут, но качество и восприятие – на любителя. Мы используем ИИ только для общения и удобства пользователя, чтобы людям было приятнее и проще выполнять рутинную работу. По сути, это замещение функционала, который сейчас делает агентство, фрилансеры, маркетологи, просто мы это повесили на плечи алгоритмов.

Человек по-прежнему выполняет много функций, есть много вопросов, на которые ассистент не дает ответа, мы до сих пор видим проблемы, которые сервис не может решить, и помогаем это делать вручную. У нас нет полной автоматизации, возможно, мы к ней придем, но, если мы приблизимся к автоматизации хотя бы в 50%, то это уже будет хорошо. Пока что этот показатель на уровне 25-30%, остальное выполняют люди. Поэтому говорить о том, что машины нас поработят, пока рано – это вряд ли.

Все процессы четко прописать невозможно, поэтому невозможно заменить весь человеческий труд технологиями. Ведь кто-то должен говорить роботам, что им делать. Однако уже сейчас на автоматизации некоторых процессов можно значительно сэкономить. ИИ сегодня – большое поле для возможностей.

Читайте нас в Telegram и первыми узнавайте о новых статьях!