​Искусственный интеллект в РФ: что мешает его развитию?

Одна из интереснейших встреч прошедшей в конце ноября Russian Tech Week 2018 — панельная дискуссия «Перспективы и барьеры в развитии искусственного интеллекта в России».

Тем интереснее стала беседа, когда выяснилось, что вместо троих запланированных экспертов, перед публикой предстанут четверо: человек от науки — Владимир Веселов, человек от бизнеса — Юрий Сирота, «айтишник» Павел Доронин и «безопасник» Рустэм Хайретдинов.

Как уже применяют ИИ в российском бизнесе?

Павел Доронин как представитель «молодых и перспективных» рассказал о «примерах из жизни». Он опросил нескольких сидящих в зале об отраслях их бизнесов и, как фокусник достает кроликов из шляпы, начал предлагать решенные кейсы в соответствующих областях. Энергетикам Павел рассказал об оптимизации распределения электричества среди пользователей сети на основе анализа истории затрат.

В сфере логистики специалист раскрыл опыт решения задачи для компании Сибур. У нее собственный парк железнодорожных вагонов — 3 тыс. единиц. Каждый из них регулярно требует ремонта. Этот процесс ежегодно поглощает огромный бюджет: на логистику вагона до пункта обслуживания, пока вагон простаивает, есть просадка по выработке, и плюс сам ремонт. Человек эту задачу решал на уровне Excel. Провели хакатон: команды разрабатывали алгоритмы, которые не только предсказывают какой вагон где окажется, и когда его нужно отцепить, но и автоматически строят план ремонта по всему парку. Только на старте программа дает прирост в 10-20% эффективности, которые при объемах Сибура — деньги не малые.

Владимир Веселов, заместитель директора ГУ НПК «Технологический центр» МИЭТ

20 лет назад мы занимались проектом, который сейчас существует под названием «Карта москвича». В проект были вложены предложения, которые потом были реализованы в виде патентов: «Способ обеспечения конфиденциальности отношений» и «Способ обеспечения устойчивости информационных систем». Сегодня по сути дела они являются блокчейном и Телеграмом.

В этом отношении тема, которая сегодня заявлена — «Барьеры и перспективы развития Искусственного Интеллекта в России» — они, барьеры, прослеживаются ещё вот оттуда. Сегодня Россия, к сожалению, борется с Телеграмом, хотя то, что собирается сделать Павел Дуров — это по сути дела и было тем проектом, который закладывался в «Карту москвича».

Поэтому если говорить о барьерах, то… да, есть барьеры. Но, в тоже время, можно говорить и о том, что произошло за эти 20 лет. То, что тогда считалось мало возможным и технологически не осуществимым, сегодня уже произошло.

Сегодня под искусственным интеллектом понимается гораздо больше, чем подразумевали мы, создавая карту москвича. Искусственный интеллект во многих сферах сам преодолевает те барьеры, которые государство может попытаться ему создать. Я думаю, что перспективы у ИИ в России очень большие. Посмотрите на тот же блокчейн: доля русскоговорящих программистов существенно больше чем доля российских денег, вложенных в биткоин. Ну, а возможности там кроются очень большие.

В ближайшее время появится новая технология, связанная с аутентификацией пользователя, и в основе нее будут лежать совместные знания информационной системы и пользователя, который с ней взаимодействует.

Юрий Сирота, руководитель дирекции искусственного интеллекта и анализа данных банка Уралсиб

Что мы называем искусственным интеллектом? Определений много. Мне больше нравится название «интеллектуальные системы» — та самая, слабая форма ИИ, которая позволяет решать узкие задачи лучше, чем это делает человек. На данный момент SkyNet пока нет, есть интеллектуальные системы, которые в каких-то случаях превосходят возможности человека.

Прежде чем внедрять какую-то технологию, мы строим финансовую модель. Если финансовый результат этой модели оказывается положительным, эта технология будет внедряться. При разработке любой математической модели, при внедрении любого механизма, который позволяет улучшить операционную составляющую работы банка, рассчитывается прогнозный финансовый результат. Когда он положительный, банк туда идет.

Так или иначе спектр применения машинного обучения для банков известен. Традиционно это был алготрейдинг — туда методы предиктивной математики пришли уже давно, а на западе уж лет как тридцать. Безусловно, пробными центрами компетенции в части предиктивной математики являются департаменты рисков. В розничных департаментах присутствует математическая экспертиза: realtime-системы, best offer, модели склонности оттока, продаж, кросс-продаж, upsell и тому подобное — эти методы математического анализа применяются достаточно давно. Их применяют не только крупные банки, но и средние. Традиционно методы машинного обучения используются в антифрод-делах, в вопросах финансового мониторинга — антиотмывочные модели, модели, которые позволяют выявлять токсичных клиентов.

Недавно у нас был успешный кейс: предложенное решение расширило долю открываемых счетов чуть ли не на 30%. В рамках крупного банка федерального масштаба — это огромные деньги. Вопрос здесь в точности прогноза.

Есть экспертные оценки, на которые обычно полагаются специалисты, а есть математические модели. Да, экспертные оценки они трактуемы, можно объяснить, почему мы открываем счет юридическому лицу или не открываем, но так или иначе человеческий мозг способен мыслить в двух-, трех-, четырех-мерном пространстве.

Когда у вас признаков и характеристик на входе гораздо больше, включаются инструменты искусственного интеллекта — нейронные сети, «деревья» решений, градиентные бустинги и так далее. Они справляются с этой задачей гораздо лучше. Так, благодаря внедрению этой конкретной технологии, мы смогли глубже анализировать клиентов и количество отказов по открытию счетов снизилось. Финансовый результат оказался внушительным. И это сподвигает другие бизнес-подразделения внедрять технологии искусственного обучения. Бизнес идет туда, где можно заработать или сэкономить

Когда я общаюсь с бизнес-подразделениями, я прежде всего говорю: «Вы составляете какую-то отчетность?». Отчетность — она ретроспективна. То есть, мы получили какой-то результат. Он нас порадовал или огорчил, но мы не знаем, что делать дальше. Это — нулевой, первый уровень управления.

Затем, на основании того, что мы наблюдаем в отчете — не важно выручка, открываемые счета, рисковость, любая финансовая сущность, — мы можем к ней задать второй вопрос: «Куда она движется?». Как говорится: «Знал бы куда упаду, соломку бы подстелил». Соответственно, вопрос к предсказательной аналитике — куда эта сущность движется, при текущем уровне управления, действующей стратегии.

Следующий вопрос: «Что надо сделать для того, чтобы эта сущность двинулась в ту сторону, которая нам более интересна — стала более доходна, менее рискованна, менее затратна». То есть тут вступает следующий уровень — предписательная аналитика. И потихонечку бизнес-подразделения свыкаются с этой мыслью: мы совместно вырабатываем эти кейсы и пытаемся анализировать, прогнозировать и монетизировать. Да, идет это совсем не просто, но идет.

Какие барьеры стоят перед ИИ в России? Никаких!

Бизнесу не хватает молодых, но фундаментально подкованных кадров. Молодым кадрам не хватает опытных и заинтересованных заказчиков, наука пеняет на легкомысленность государства и бизнеса в вопросе подготовки и тех и других, а прагматичные безопасники рисуют мрачное будущее поспешных решений, ответственность за которые будет не на кого возложить.

Но общий итог все же видится. То, что мы сейчас называем барьерами, это не барьеры, а временные трудности, без которых, естественно, немыслим прогресс. Значит, нужно просто учиться их преодолевать, учить друг друга и, главное, начать, наконец, думать о будущем.

Юрий Сирота, руководитель дирекции искусственного интеллекта и анализа данных банка Уралсиб

В банковской отрасли искусственный интеллект и его применение достаточно ограничены. Мы знаем, что это, в основном, чат-боты, механизмы оптимизации операционной деятельности, роботизация, распознавание документов, может быть где-то эмоциональное распознавание, но главным образом это, все таки, Data Science.

Появился Data Science относительно недавно в том виде, в котором мы его видим. Это, к примеру, Deep Learning и методы градиентного бустинга. С помощью именно этих методов в основном и идет монетизация технологий, которые мы обсуждаем. Говоря о роботизации какой-то операционной деятельности и ее автоматизации, мы присматриваемся к этим технологиям, наблюдаем за тем, что делают наши коллеги, но в основном это все тот же Data Science.

Трудности мы испытываем прежде всего кадровые. Технологии новые, еще сырые. Много Open Source, но целиком на него полагаться нельзя. Надо понимать, что в основе Data Science так или иначе лежит математика. На рынке сейчас появилось очень много молодых специалистов, стремящихся в популярную и оплачиваемую отрасль, но они не обладают фундаментальными математическими знаниями, необходимыми для правильного использования технологий.

Много людей, которые умеют жать на кнопочки, но при этом, интерпретировать результаты, с точки зрения бизнеса и, даже, с точки зрения математики, разумно использовать их могут совсем не многие.

Хотя на рынке есть и хорошие математики, и хорошие инженеры, и хорошие Data scientists, но отсутствует звено специалистов, которые понимали бы как можно применить к бизнесу те или иные алгоритмы машинного обучения и искусственного интеллекта, как можно их монетизировать.

И второе: существует, к сожалению, огромная пропасть между бизнесом, который привык работать в «эксельке» или, в лучшем случае в BI-инструменте, и современными методами искусственного интеллекта, которые остаются уделом узкой категории специалистов, как правило недавних выпускников института.

Павел Доронин, основатель «AI Community»

Жуткая нехватка специалистов на рынке — это, на самом деле, не только российская специфика. Проблема возникла по одной простой причине: сегодня машинное обучение, как индустрия, как новая технологическая эра, развивается так быстро, что люди не успевают за ней.

Например, в Америке наши ребята провели исследование: опросили тысячу крупных компаний и выяснили, что спрос в 20 раз превышает предложение. Тысяча кейсов есть, приходите, делайте. И в двадцать раз меньше тех, кто может прийти и сделать. У нас пока не так, но будет так через два-три года.

Второй барьер: бизнес не всегда может озвучить задачу, поскольку еще нет понимания, о чем вообще идет речь. Нет опыта взаимодействия с этими технологиями, тем более — опыта внедрения. Даже если есть в компании один человек, который понимает, о чем речь, обычно его ресурса недостаточно. Потому что решения принимаются коллегиально: кто-то со стороны бизнес-юнита заказчика, кто-то со стороны IT.

Это тоже барьер, хотя я бы это назвал просто действительностью: индустрия не поспевает. Или мы пока просто находимся на такой стадии развития индустрии.

Рустэм Хайретдинов, генеральный директор компании Attack Killer

Там, где искусственный интеллект начинает принимать решения, сейчас есть проблема, которая известна разработчикам робота-водителя, — кто будет отвечать, если самоуправляемая машина собьет человека, тот кто учил или тот кто производил? Такие же вопросы есть в законодательстве и в других сферах.

Я был в рабочей группе ЦБ. Там есть проблема: они завалены жалобами на отказ в отмене, например, каких-то операций, блокировки и неправильную оценку какого-нибудь залога, потому что сейчас это все поручили нейросетям, искусственному интеллекту. На самом деле, когда вам в чем-то отказывают в банке, никто в банке не может сказать, почему вам отказывают.

Возможно, вы голубоглазый и триста предыдущих мошенников были голубоглазыми, и вес так распределился, что нейросеть поставила вам повышенный риск, хотя вы в общем-то ни в чем не виноваты. Тоже самое бывает с оценкой имущества и с любым скорингом.

Пока законодательство не может ничего с этим сделать. Потому что, с одной стороны, это точка зрения банка, но вы, как потребитель, лишаетесь права что-то изменить, чтобы улучшить свою оценку, потому что вы не знаете, почему именно вам отказали. Вы заполнили анкету, вам тут же пришел отказ. В случае с классическим скорингом, было понятно: вам недостаточно лет, у вас есть судимости и другие какие-то четкие вещи. Как только все перешло на не четкие критерии, потребители начали страдать, хотя для бизнеса это может быть и эффективно.

Итак, первая проблема искусственного интеллекта — непонятное положение в законодательном поле.

Вторая: пока эффективность большинства методов искусственного интеллекта не доказана. Если бы это приносило бешеные деньги, бизнес бы бежал за технологиями сам. Но сейчас я вижу, что есть целая проблема: как объяснить бизнесу необходимость.

Да бизнесу не надо ничего объяснять. Я сам бизнесмен, покажите мне эффективность, и я сам принесу вам деньги и буду умолять их взять. А вообще при разговорах об искусственном интеллекте, у меня есть хороший маркер. Если в предложении словосочетание «искусственный интеллект» заменить на, например, «нелинейная регрессия», и смысл от этого не меняется, то можно дальше и читать эту статью. Вот, например, в название нашей встречи давайте подставим… «Какие барьеры стоят на пути развития нелинейнойрегрессии?». Никакие.

Потому что математика не знает границ. Это инструмент. А вот то, что мы это не можем эффективно использовать и правильно внести в правовое поле, — вот в этом, наверное, и есть проблема.

Владимир Веселов, заместитель директора ГУ НПК «Технологический центр» МИЭТ

Я представляю тех, кто готовит специалистов и технологическую базу для задач бизнеса. Не могу, к сожалению, ничем порадовать не могу. Существует некое противоречие. Российская математика, с одной стороны считается одной из самых сильных в мире — и на уровне студентов, и на уровне ученых высокого уровня. Вот какой парадокс: в свое время я окончил 18 интернат (школа-интернат имени А.Н. Колмогорова — специализированного учебно-научного центра МГУ — прим.), теорию алгоритмов мне преподавал еще Колмогоров. Мои одноклассники, кто всерьез занялся наукой, практически все сегодня за рубежом. Почему это происходит?

Из ста процентов мировых затрат на создание новых знаний в области искусственного интеллекта, больше половины производится в Китае. На втором месте Соединенные Штаты, а не Российская Федерация. И в этом хорошо видно, кто куда движется, к сожалению. Проблема здесь существует и, наверное, решать её нужно совместными усилиями.

Надо все-таки отличать. То, что мы здесь называем «искусственным интеллектом» — это больше математика в области повышения уровня автоматизации бизнеса. Не надо заблуждаться, здесь мы можем быть на хорошем уровне. А то, что реально называется искусственным интеллектом, в России развито не сильно.

В свое время к нам пришли крупные западные системы, их оказалось купить выгоднее, чем развивать что-то свое. Где-то бизнесу выгоднее купить готовое решение, чтобы получить сиюминутную прибыль. Но могу сказать однозначно — в этом случае мы проигрываем будущее: скоро придется покупать еще более современную систему, но она опять будет не наша.