Интересное выступление Александра Хайтина (исполнительный директор Yandex Data Factory) на конференции «Искусственный интеллект в управлении непрерывным производством», совместно проводимой компаниями Yandex Data Factory и «Газпром нефть».
Тезисы выступления
Теперь уже стали неактуальны вопросы о возможности применения систем искусственного интеллекта в бизнесе и системах управления, так как актуальными стали вопросы:
— С чего начать?
— Как подойти к внедрению?
— Как избежать известных проблем?
Ещё нет никаких гарантий успеха и не сложилось никаких лучших практик (рынок ещё не сформировался).
Крайне непросто подойти к внедрению систем на базе ИИ из-за организационных и психологических барьеров.
ИИ для производства — это автоматизация рутинных операционных решений.
для процессов:
— важных и затратных (отдача от внедрения должна компенсировать усилия по его выполнению),
— высокой сложности,
— с измеримым KPI,
— регулярно повторяемых,
— позволяющих эксперимент,
— для которых накоплены исторические данные.
ИИ можно рассматривать, как узконаправленный предмет, который нужно правильно применять.
Автоматизация решений приносит новые риски и проблемы:
— кто ответит за решение?
— как избежать неверных решений?
— как вести бизнес, если решения принимает модель, рекомендации которой не интерпретируемы?
— хорошая модель может давать «странные» решения там, где данных недостаточно.
Можно рассматривать AI-решения, как сотрудника. Этого сотрудника нужно сначала обучить, затем его работу нужно контролировать вручную (оператор), а потом контролировать автоматически (вторая AI-система). Рано или поздно его придётся уволить (дообучить, переобучить, заменить).
При контроле работы модели со стороны оператора, необходимо адаптировать модель с учётом психологии и постепенного накопления опыта.
При работе модели там, где данных мало или они недостаточно корректны, чтобы избежать ошибок (и потери доверия) нужно:
— комбинировать модели «на знаниях» и AI,
— ручной и автоматизированный контроль.
С чего начать внедрение системы на базе искусственного интеллекта:
— первый этап: рекомендации,
— интеграция с существующими системами,
— неизбежно: набивание шишек и сбор грабель (на любом этапе: постановка задачи, метрика, неучтённые ограничения),
— разделение функций оптимизации и обеспечения безопасности,
— постепенный переход к автоматизации.
Происходит насыщение интеллектом рутинной операционной деятельности (от упрощённых правил, переходим к принятию решений на основе данных).
В данный момент, занимаемся точечной оптимизацией процессов, следующим этапом будет оптимизация отдельных частей, а затем и комплексная оптимизация всей цепочки процесса.
При точечной оптимизации, возможен риск «ложной оптимизации», когда затраты переносятся на смежные процессы.
Требуется пересмотр взаимодействия предметных экспертов и data scientist’ов.
Что нужно делать для внедрения решения на базе искусственного интеллекта?
— выбрать конкретную задачу (и получить опыт),
— рассматривать модели, как узких специалистов,
— AI — это простой оператор,
— только после внедрения одного AI, можно думать о внедрении следующих.
Примеры внедрения:
— оптимизация работы оборудования за счёт машинного обучения и IoT,
— рекомендательная система для сокращения расходов и повышения производительности,
— оптимизация скорости бурения (подбор оптимальных режимов позволяет сократить время бурения,
— оптимизация процесса переработки руды (определение оптимального объёма и концентрации реагента)
Модель AI — это скорее сотрудник, чем софт:
— требует постоянного измерения результатов и периодического обучения,
— это сервис, так как меняется вместе с процессом,
— за работу AI придётся платить (затраты на разработку, контроль, переобучение).
Искусственный интеллект — это совокупность алгоритмов, программного и аппаратного обеспечения, которое позволяет принимать прикладные решения в условиях высокой неопределённости.
«Белковый оператор» — человек, который контролирует правильность работы автоматизированной AI-системы.
Модель не имеет внутри себя причинно-следственных связей (поэтому она и не интерпретируема). Упрощенно — это сложная комбинация корреляций.
По теме
Особенности применения машинного обучения в промышленности, индустрии моды и банковских услугах
Проблемы применения машинного обучения для решения реальных задач
Глубокие нейронные сети как следующий этап развития программного обеспечения