Рассказываем об ML в повседневной жизни
Человек - венец творения!)) Но, даже он уже захлебывается в потоке информации, несущейся со всех сторон. И тут на помощь приходит искусственный интеллект. И чем дальше, тем активнее. Машинное обучение становится не модным трендом, а жизненной необходимостью. Мы выделили несколько направлений, где искусственный интеллект уже сейчас придает известной сущности новое качество.
Облака
Облачные сервисы, в которых раньше можно было просто хранить и сортировать данные на основе простых алгоритмов, отходят на второй план. Набирает обороты тренд на облачные сервисы с интегрированным машинным обучением. Машинное обучение в облаке помогает разработчикам и исследователям быстро создавать приложения на основе глубокого обучения без приобретения, конфигурирования и поддержки собственной инфраструктуры. Плюсом к экономии средств идут преднастроенные сервисы для обучения нейронных сетей. А сами среды обучения идут в виде образов, что позволяет разработчикам использовать популярные инструменты и фреймворки без трудоемких настроек.
Правда, есть один нюанс. Покупая конечную услугу-сервис в облаке (к примеру, у Сбербанка), бизнес отдаёт ему свои весьма чувствительные данные, которые могут в дальнейшем быть использованы облачным провайдером для своих нужд (в том числе и против интересов поставщика данных). Поэтому, для собственной безопасности, рекомендуется использовать частное облако. Именно для этого и предназначено одно из наших платформенных решений, 7TECH ML. Наша Cloud Native платформа разработки моделей машинного обучения гарантирует конфиденциальность ваших данных, а также обеспечивает полный цикл анализа данных, разработки, развертывания и мониторинга ML-моделей.
MLOps
Классический DevOps отлично зарекомендовал себя и позволил намного быстрее и безболезненнее интегрировать и развертывать отдельные части приложения. При этом, развертывание машинного обучения в продакшн – задача нелегкая, а по факту, на порядок тяжелее разработки обычного программного обеспечения. В результате, чтобы модели обучались корректно, а продукты и сервисы выходили в срок, применение принципов DevOps для создания ML приложений просто необходимо. Мы в своем подходе по разработке AI-сервисов тоже применяем DevOps-инструменты, чтобы решение задач для бизнеса происходило как можно быстрее и качественнее.
Персонализация
Времена, когда рынок строился от предложения, давно канул в лету. Сейчас покупатель - король. Его привычки, желания формируют те предложения, которыми нас заваливает каждый интернет-магазин или бренд. Но не всё так просто, иначе Amazon не был бы там, где он сейчас (да и куда ооочень стремится тот же Ozon). Имея на руках историю покупок и предпочтений, современные интернет-гиганты могут фактически формировать спрос, подсовывая будущему потребителю удачно всплывший баннер или персональное предложение. При этом покупатель думает, что это-то он и хотел, а продавец получает свою прибыль. Все счастливы). Этой идиллии не было бы без технологий машинного обучения, которые всё больше применяют продавцы, собирая и анализируя данные о тысячах покупателей и миллионах транзакций. В результате у них имеется цифровой профиль каждого их “бывшего” и “будущего”. Ну а наши разработки, например, позволяют Российскому экспортному центру создавать цифровой профиль экспортера, который помогает персонализировать предложения и выдавать индивидуальные рекомендации по экспорту за рубеж. Но об этом в следующем пункте.
Рекомендательные системы
И из предыдущего пункта вытекает следующий. Одним из продуктов более эффективной обработки данных является рекомендательная система, использующая машинное обучение. Например, Netflix применяет у себя подход, при котором его подписчикам предлагаются фильмы и сериалы, отсортированные по сотням(!) категорий. Как вам название категории “спокойное кинцо на вечер пятницы” или “кринжовый фильм про маньяка из 80х”? :).
Наша рекомендательная система еще не “заточена” под стриминговые сервисы, но вполне может подобрать товар или услугу на основе истории пользования и еще нескольких сотен метрик.
Умные поисковые системы
В Интернете можно найти все, что угодно. Но зачастую, нужно еще суметь правильно сформировать запрос, очистить его от лишнего или проявить креативность и подобрать синонимы. И это понятный и правильный путь найти желаемое. Но прекрасно то, что появились системы, которые теперь могут делать это за вас). Например, наш “умный” поисковый движок, используя данные из цифрового профиля и сопоставляя их с контекстом (пользователь, время, предыдущие запросы и т.п.), способен выдавать хирургически точный результат на запросы, написанные бездумно, с ошибками и даже делает это с учетом синонимов :).
Умные чат боты и голосовые ассистенты
Помните первых чат ботов, особенно на сайтах банков или сотовых операторов? Они были устроены по принципу дерева ответов и их ответы действительно напоминали Грута из Стражей галактики). Внедрение машинного обучения в их “корневую систему” радикально поменяло ситуацию). Теперь некоторые чат боты не просто отвечают по заготовленным скриптам, а обучаются, адаптируются, шутят и дают максимально ситуативный ответ (ну кто не болтал с Алисой, а?). Ну а наши же чат-боты заточены под то, чтобы используя машинное обучение, по загруженным в них изображениям определять их тематику и, например, распознавать заболевания растений или запрещенный контент.
Big Data в ГИС
Раньше прогнозирование урожаев строилось на основании мнений старожилов и данных из архивов про посевные. Потом еще требовалась целая лаборатория специалистов, чтобы эти данные проанализировать и сделать вывод о качестве прогнозируемого урожая, сроках его сбора и переработки. Сейчас, используя дронов с высококачественными камерами и машинное обучение, можно составить, например, карту прогноза урожая, предсказать природные события, погоду и даже катаклизмы. Прототип подобной системы мы делали для Министерства сельского хозяйства. А еще наша система используется в ФАДН, где помогает предупреждать межнациональные и межконфессиональные конфликты, подсвечивая очаги напряженности на карте региона.