Как применять искусственный интеллект в бизнесе


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


Добавить комментарий

Arduino

Что такое Arduino?
Зачем мне Arduino?
Начало работы с Arduino
Для начинающих ардуинщиков
Радиодетали (точка входа для начинающих ардуинщиков)
Первые шаги с Arduino

Разделы

  1. Преимуществ нет, за исключением читабельности: тип bool обычно имеет размер 1 байт, как и uint8_t. Думаю, компилятор в обоих случаях…

  2. Добрый день! Я недавно начал изучать программирование под STM32 и ваши уроки просто бесценны! Хотел узнать зачем использовать переменную типа…

3D-печать AI Android Arduino Bluetooth CraftDuino DIY IDE iRobot Kinect LEGO OpenCV Open Source Python Raspberry Pi RoboCraft ROS swarm ИК автоматизация андроид балансировать бионика версия видео военный датчик дрон интерфейс камера кибервесна манипулятор машинное обучение наше нейронная сеть подводный пылесос работа распознавание робот робототехника светодиод сервомашинка собака управление ходить шаг за шагом шаговый двигатель шилд юмор

OpenCV
Робототехника
Будущее за бионическими роботами?
Нейронная сеть - введение