Машинный разум в действии
Рынок искусственного интеллекта быстро растет, и бизнес уже извлекает выгоду из «умных» цифровых помощников. Россия пока использует лишь мизерную часть своих возможностей в этой области
Пока общество горячо спорит об этической стороне всеобщей цифровизации, не без оснований опасаясь оказаться в «цифровом концлагере», бизнес молча и упорно ищет пути коммерциализации «цифры», в том числе при помощи машинных «мозгов». Так, занимаясь стратегическим консалтингом и отслеживая новые технологии, которые приходят в экономику, в ГК «Институт тренинга — АРБ Про» последние три-четыре года видят тренд: компании разных отраслей инвестируют и внедряют решения на базе искусственного интеллекта (ИИ), добиваясь при этом различных эффектов — увеличения скорости бизнес-процессов, снижения рисков и потерь, оптимизации затрат, создания новой потребительской ценности, а иногда даже трансформации рынка и предложения. Параллельно бурно развиваются соответствующие подотрасли ИT-индустрии — разработка программного обеспечения (ПО) и услуги по внедрению ИИ.
Парадокс в том, что при достигнутых бесспорных успехах и огромном потенциале «русского» ИИ, о чем говорят, например, сопоставимые с внутренним рынком объемы экспорта «умного» ПО, мы производим ничтожную долю этого продукта в мире — менее 0,5%. Кроме того, в России отсутствует база для производства некоторых новейших продуктов на основе ИИ, из-за чего есть угроза нашего отставания от мирового рынка. За подробными разъяснениями по всем этим вопросам мы обратились к руководителю направления «Стратегическое развитие» ГК «Институт Тренинга — АРБ Про» Роману Копосову.
— Что собой представляет рынок ИИ в цифрах: каковы его объем и динамика?
— Мировой рынок искусственного интеллекта в 2019 году, еще без влияния COVID, составил 36,5 миллиарда долларов и вырос на 30 процентов. Такая динамика, по данным ведущих аналитических компаний и разработчиков, сохранится до 2023 года. По нашим оценкам, это консервативный прогноз, следует ожидать темпов прироста в 40–45 процентов. Здесь мы имеем в виду инвестиции в полные внедренческие решения на основе ИИ, а не только в коробочные продукты. Речь идет о трех-четырех классах решений, которые большая часть людей вкладывает в понятие «искусственный интеллект». Первый класс решений — это машинное обучение (machine learning). Это предиктивная аналитика, интеллектуальный анализ данных, глубокое обучение (deep learning), нейросети. Второй класс решений — это все, что касается компьютерного зрения, когда алгоритмы обрабатывают изображение с камеры, или уже созданных изображений и образов. С помощью систем машинного зрения можно распознать расстояние, преграды, людей. Эти системы являются частью автопилотов автомобилей, позволяют расшифровывать рукописный текст и распознавать внешность людей. Третий класс решений — это обработка естественного языка (natural language processing). Четвертый класс — речевые технологии, хорошо знакомые нам голосовые боты «Алиса», Alexa, Siri и другие, которые, разговаривая с человеком, пытаются вести с ним осознанный диалог.
В России представлены все эти классы решений: на сегмент машинного обучения в 2019 году пришлось 2,7 миллиарда рублей инвестиций, на компьютерное зрение — 800 миллионов, на обработку естественного языка — миллиард, на распознавание речи — 1,4 миллиарда. Общий объем рынка ИИ составил 11,1 миллиарда рублей (172,5 миллиона долларов). Но следует уточнить, что почти половина (48 процентов) российских инвестиций в ИИ — это инвестиции в вычислительные мощности, которые полностью состоят из иностранных компонентов, а российские продукты представлены программным обеспечением — 28 процентов рынка, а также услугами ИTинтеграторов по созданию кастомизированных решений — около 24 процентов. Если говорить о количестве внедрений, то я думаю, что мы упремся в сотню кейсов, где есть ощутимые эффекты от интеграции сложных комплексных решений, — это наша экспертная оценка. Проблема в том, что эта информация практически не собирается.
— В каких отраслях чаще всего используется ИИ?
— Номер один — это реклама и медиа. Исторически сложилось так, что и почтовые сервисы — Google, «Яндекс» и Mail. ru — обладают огромным количеством данных, и они вместе с телеком-сектором первыми начали внедрять различные решения на базе искусственного интеллекта: подстраивать поисковую выдачу и рекламу так, чтобы она была релевантна большей части запросов. На втором месте финансовые услуги: скажем, кредитный скоринг — одна из ключевых задач, которые ставят перед искусственным интеллектом крупные финансовые компании и в мире, и в России. Один крупный банк, например, располагает командой из тридцати человек — программистов, аналитиков и дата-сайентистов, работающих с большими данными с целью найти неочевидные закономерности. Например, они обнаружили, что наименьший риск с точки зрения выдачи кредитов представляют люди, знающие английский язык. Казалось бы, логично: человек со знанием английского быстрее найдет работу, соответственно, дать ему кредит безопаснее. Но это очевидно тогда, когда мы получили эти выводы, и не так очевидно, когда составляется карта рисков относительно заемщика. Алгоритмы на основе искусственного интеллекта позволяют отследить так называемый цифровой след человека в интернете. Сотрудник банка, который принимает решение о выдаче кредита, благодаря продвинутым алгоритмам скоринга на основе ИИ может проанализировать профили человека в социальных сетях (его фотографии, увлечения, тональность сообщений и многое другое), на сайте hh.ru, для того чтобы понять, насколько он благонадежен, нужно ли корректировать ставку. Я думаю, что в будущем нас ждет не стандартная история со ставками по кредиту, а индивидуальный подход к каждому заемщику.
Третьим номером в мировом рейтинге отраслей, использующих ИИ, стоит здравоохранение, затем идут ритейл, логистика и управление цепочками поставок, промышленное производство, сельское хозяйство, замыкает список юриспруденция. В России на третьем месте ритейл, здравоохранение же на последнем месте. Наблюдая за внедрением ИИ в ритейле и банках в России, я бы сказал, что мы здесь не хуже, а в чем-то лучше среднего мирового уровня.
Ритейл хочет избавиться от кассиров
— В чем выражается продвинутость российского ритейла в ИИ?
— Абсолютно серьезно смотрят на применение искусственного интеллекта не только крупные игроки уровня X5Retail Group или «Вкусвилла», но даже региональные, такие как «Слата», работающая в Сибири. В ритейле задач намного больше, чем на производстве: это и тепловая карта движения покупателей (когда нужно понять, где они останавливаются чаще всего, какие продукты берут), анализ количества людей в очереди, контроль персонала, система планирования закупок, запасов, ценообразование и многое другое. Но, самое главное, сейчас большинство розничных сетей нацелены на то, чтобы отказаться от человека на кассе. Задача в том, чтобы без сканирования штрихкодов определять то, что покупатель положил себе в корзину. В Америке это первыми начал делать Amazon, в России это делают несколько компаний. Глеб Харитонов и его компания Briskly предлагают целый ряд решений, позволяющих человеку сканировать с помощью мобильного телефона свою корзину товаров, и расплачиваться, не стоя в очереди. Причем их система позволяет наводить камеру смартфона на товарную упаковку, а необязательно на штрихкод продукта. Аналогичные решения по цифровой трансформации ритейла создает Napoleon IT, чьи ИИ-решения для контроля выкладки, self-cheсk out системы активно пилотируются в крупных розничных сетях.
Еще один кейс — от компании номер один в производстве и дистрибуции крепких алкогольных напитков, с которой мы активно работаем по стратегии. У них за несколько лет накопилось большое количество фотографий полок магазинов с выкладкой алкогольных напитков. Каждый раз мерчандайзер при посещении торговой точки приходит и фотографирует весь стеллаж своей категории. Сейчас приходится анализировать выкладку, цены, скидки на каждой фотографии вручную, что отнимает много времени и усилий. А система компьютерного зрения позволяет распознать всю продукцию нашего клиента, его ближайших конкурентов, посмотреть цену на данный момент, акции (желтые ценники), количество SKU, которое выложено. Задача этой системы — дать очень четкую картинку по рынку, ценам, доле полки, своей и конкурентов. К этому анализу могут добавляться показатели продаж, и на основе этих данных будут приниматься более точные управленческие решения, которые повлияют на выручку, запуск новых продуктов, скорость реакции на действия конкурентов. И все это возможно благодаря решению на основе ИИ, который аккумулирует большую базу данных из анализа фотографий.
— Бывают ли случаи реального прогнозирования спроса на базе ИИ, ведь, если судить по приходящей нам в телефон рекламе, это не прогнозирование, а следование за вчерашними покупками?
— Классический кейс: программа лояльности на основе продвинутых алгоритмов крупной сети Target из США узнала о беременности девушки раньше, чем она сама, потому что у нее изменились потребительское поведение и корзина продуктов. Этот случай был в 2012 году, то есть уже тогда дата-майнинг истории покупок с привязкой к карте лояльности позволял понять, что кое-что в жизни человека меняется, даже если он сам не замечал этих изменений. В России работают аналогичные и гораздо более продвинутые системы, учитывающие не только смену предпочтений, но и передвижения человека. Например, как только система геопозиционирования понимает, что человек находится в роддоме, ему сразу же идет ссылка на интернет-магазин товаров для детей и набор специальных рекомендаций. Но почему нам часто рекомендуют товары и услуги, которые нам не нужны? Дело в том, что многие подобные системы еще несовершенны и ориентируются на ретроспективу, они видят изменения здесь и сейчас, а не в будущем. Маркетплейсы, такие как Ozon, Wildberries, обладающие большими данными о потребителях, постоянно совершенствуются и будут в скором времени рекомендовать товары, максимально подходящие под запрос в нужный момент времени.
Возможности ИИ не ограничиваются предсказанием поведения клиентов или рекомендациями, они создают новую потребительскую ценность. Один из наших клиентов, у которого крупный бизнес по продаже растений, высоко оценил функционал мобильного приложения, позволяющего по фотографиям распознавать болезни растений, получать рекомендации по лечению и купить лечебные средства. Для потребителя возможность получить решение с минимальным количеством действий будет цениться все больше.
— Считается, что ИИ обладает способностью к обучению и даже самообучению. Чему лучше всего обучается ИИ сегодня?
— Если продолжать тему ритейла, то искусственный интеллект превосходно учится предсказывать поведение рынка, решая, скажем, классическую задачку по вычислению эластичности спроса: как наш клиент среагирует на то, что мы повысим или понизим цену. В ручном режиме ее решать весьма трудоемко, а ИИ, обладая и ретроспективой, и пониманием факторов, которые влияют на спрос в данный момент, сделает это легко.
Отдельные решения предсказывают реакцию потребителей на вкусовые качества новых продуктов на базе собранной информации о потребительских предпочтениях. Мы находили такие кейсы в процессе подготовки для группы Danone — обучали их директоров по производству технологиям, связанным с ИИ. Есть отдельный класс решений, которые ускоряют разработку новых продуктов в разы, не говоря о снижении риска при запуске продукта. Такие системы позволяют найти новые уникальные вкусы для будущих продуктов.
— До сих пор вкусы потребителей изучали при помощи фокус-групп, что наверняка намного дешевле, чем ИИ. Что принципиально нового может делать машина?
— С помощью ИИ мы получаем данные совершенно другого порядка. Во-первых, в отличие от фокус-групп, здесь исключается желание быть и говорить о себе лучше, чем ты есть. Например, тебя спрашивают, как ты относишься к ЗОЖ, экопродуктам и диетам, ты отвечаешь: «Отлично, я только ими и питаюсь», — и при этом только что пообедал двойным гамбургером с картошкой. Когда нужно исследовать общественное мнение по поводу какой-то проблемы с помощью ИИ, можно запустить специальный алгоритм по социальным сетям и исследовать реальное мнение аудитории. Мы можем найти всех лидеров мнений, которые стали авторами определенных высказываний в пользу какогото бренда. В 2020 году мы активно взаимодействовали с Иваном Блекановым, ученым-практиком с факультета прикладной математики — процессов управления СПбГУ, создающим подобные алгоритмы и нейросети для бизнеса. Его программа позволяет выделить в социальных сетях паттерны поведения, упоминаемость бренда в негативном, позитивном, нейтральном ключе и автоматически составить отчет о любом бренде, явлении или публичной личности. Аналогичные системы, но в упрощенном виде используют крупные компании. Попробуйте написать что-нибудь негативное про «Аэрофлот», и вы сразу получите ответ представителя компании. Нужно отдать им должное, «Аэрофлот» постоянно работает с негативными отзывами, реагирует довольно быстро, и это круто. Аналогичный подход в работе с негативной реакцией в соцсетях есть у крупных банков — «Тинькофф», Альфа-банк и других.
Во-вторых, решения на базе анализа больших данных позволяют реализовать идею гиперсегментации рынка, когда речь идет не о трех-четырех типах целевой аудитории, а о нескольких десятках.
— Означает ли это, что традиционный маркетинг прикажет долго жить?
— Вовсе нет. ИИ дает дополнительную информацию и пользу. К фокус-группе можно подключить ИИ, и тогда можно анализировать невербальную речь, эмоции участников, сопоставив это с тем, что они говорят. Искусственный интеллект может отслеживать реакцию людей: как меняется темп, тембр, скорость речи, жесты, поза и так далее — и понимать, склонен он ко лжи в момент ответа или нет. И это, скорее всего, повысит ценность фокус-групп и применение техник дизайн-мышления для наблюдения за потребителем.
Кстати, компания Affectiva работает с производителями автомобилей и предлагает следующее решение: внутри машины размещают несколько камер, направленных не на дорогу, а на водителя и пассажиров, и искусственный интеллект отслеживает, анализирует их реакции на ускорение, на замедление, эргономику салона. На основе полученной информации можно уже вносить обоснованные изменения в разнообразную функциональную начинку салона. Эту систему можно адаптировать для других целей, чтобы считывать эмоциональный отклик на свою рекламу. Человек видит рекламу, а камера внутри смартфона или лэптопа позволяет понять, какие чувства он испытывает.
ИИ на производстве: инструмент тотального контроля
— Почему промышленное производство во всем мире занимает весьма скромную — шестую — позицию в рейтинге применения ИИ?
— Это объясняется тем, что крупные глобальные компании в фармацевтике, в пищевой отрасли, автомобилестроении очень сильно автоматизированы, а в отдельных цехах может не быть людей, то есть стадия базовой автоматизации во многом пройдена. К тому же автоматизация дает более ожидаемый финансовый результат и отдачу на инвестиции, чем внедрение искусственного интеллекта. Робот-паллетайзер гораздо более понятный для финансового директора объект для вложений, чем сложное решение с компьютерным зрением по контролю ручной сборки. Если и остаются какие-то задачи на производстве, которые можно поручить ИИ, то они чаще всего связаны не столько с экономикой, сколько с безопасностью, управлением рисками. Есть решения на базе ИИ вроде распознавания лиц сотрудников, измерения температуры и контроля наличия средств индивидуальной защиты, и они уже активно внедряются в таких крупных компаниях, как Mars, Danone, Unilever. То же касается воровства или других нарушений в бизнес-процессах, где еще задействованы люди. В России активно идет интеграция таких систем, а их стоимость может начинаться от полутора миллионов рублей.
В России большинство предприятий еще не прошли этап базовой автоматизации и сбора данных. Хотя есть и исключения. Например, металлургические гиганты — «Северсталь», Новолипецкий и Магнитогорский металлургические комбинаты — по уровню автоматизации более продвинуты, чем иностранные конкуренты, и давно тестируют возможности ИИ. На ММК еще в 2016 году Yandex Data Factory внедряли проект по оптимизации расхода ферросплавов и добавочных материалов при производстве стали. В результате экономия ферросплавов при использовании машинного обучения и анализа больших данных составила в среднем пять процентов, в деньгах за год это получилось 275 миллионов рублей. У «Северстали» система регулирует прокатку слябов с помощью алгоритмов машинного обучения. И в результате рост производительности стана может составлять от шести до девяти процентов.
— Чем отличается использование ИИ на производстве от интернета вещей?
— Обычно они работают в связке: ИИ анализирует данные с датчиков, сенсоров и контролеров, составляющих систему IoT (промышленного интернета вещей). Но иногда ИИ является лучшей альтернативой интернету вещей. Возьмем риск возникновения аварии на производстве: представим, что с конвейера падает бобина стали, а в цеху нет людей, их не должно быть, и этого никто не видит. ИИ позволяет очень быстро зафиксировать такие происшествия и среагировать, оповещая начальника цеха. И зачастую такое решение — камера плюс алгоритм — обходится дешевле, чем большая система из датчиков, сенсоров и других устройств.
— По идее, ИИ должен заблаговременно предсказывать аварии, поломки оборудования?
— Да, на этом некоторые компании уже строят новую бизнесмодель. Среди таких компаний можно выделить Atlas Copco, которая интегрирует системы обнаружения неисправностей в компрессорное оборудование. Есть компания EquipmentShare, сдающая строительную технику в аренду. Их спецтехника подключена к системе интернета вещей и искусственного интеллекта, позволяющей определить запредельные режимы работы и известить клиента, что оборудование может выйти из строя. Это дает хорошую добавленную стоимость, потому что оператор объекта получает больше информации обо всей технике на объекте. Появляется возможность заранее заказать запчасти, осуществить ремонт или попросить удаленной помощи у сервисмена. Уже сейчас развивается большой новый класс решенийкомбинаций: искусственный интеллект плюс интернет вещей, искусственный интеллект плюс роботы и так далее.
— К вопросу о самообучении ИИ, то есть когда нейросеть обучает другую нейросеть: это уже реальность или пока мечты?
— Это реальность для одного из классов нейросетей. Вернемся к компании «Северсталь», которая выделяется из компаний отрасли существенными инвестициями в технологические инновации, проектными отделами и командами, тестирующими и внедряющими решения на базе ИИ. На Череповецком металлургическом комбинате внедрено комплексное решение, и одним из элементов является интеллектуальный агент «Рубан» — это алгоритм глубокого машинного обучения с подкреплением (reinforcement learning, RL), выполняющий функции искусственного интеллекта. Он следит за качеством сырья для непрерывно-травильного агрегата и обучается не по историческим данным, а самостоятельно, исследуя среду цифрового двойника этого агрегата. Цифровой двойник сам моделирует различные производственные ситуации, в том числе такие, которых не было в реальности. Для более эффективного обучения «Рубану» назначена система поощрений и штрафов, и он ищет решение, при котором сумма поощрений максимально превышает сумму штрафов.
— Насколько такие интеллектуальные системы самостоятельны в принятии решений, не создается ли здесь угроза, что машина выйдет из-под контроля человека?
— Нет, такого риска нет. На самом деле ИИ пока обладает правом на принятие решений только в ограниченном контуре области, для которой был создан. Например, на заводе по производству колбасы оценивается проект, который позволяет автоматически определять тип колбасы, идущей по линии, и отсортировать ее с помощью роботов в лоток. Для этой задачи система компьютерного зрения должна повернуть колбасу таким образом, чтобы ее можно было классифицировать. Есть более сложные системы, которые дают рекомендации руководителю. Например, один крупный дистрибутор скоропортящихся товаров смог увеличить свою чистую прибыль на семь процентов за счет рекомендации от ИИ по поводу закупок. Анна Машера, основатель Ingenix.ai, и ее команда смогли создать систему, которая дает закупщикам рекомендации по закупке. В результате у клиента больше информации для принятия решений — когда, по какой цене и у каких поставщиков лучше совершить покупку.
Реальный вред людям и их репутации могут причинить пока только дипфейки. Это методика синтеза изображения, основанная на искусственном интеллекте, она используется для соединения и наложения существующих изображений и видео на исходные изображения или видеоролики. Фактически с помощью этой технологии можно заменить любое лицо человека на видео и использовать его в рекламе, провокации или других целях.
Дайте нам стратегию ИИ, и мы перевернем рынок
— Существует ли разница в функционале российских и зарубежных разработок ИИ?
— Это все очень индивидуально. С точки зрения разработок мы в мировом рынке были с самого начала, хотя в России спрос на решения с применением ИИ сформировался позднее, чем в Америке, Китае, Европе, так что движение, тренды задаются там. Но стоимость российских программистов и способность нетривиальным способом решить ту или иную задачу зачастую позволяют обходить иностранцев. Есть компания NtechLab, к алгоритмам которой подключены камеры наблюдения в Москве. Почему так случилось? Потому что технический директор написал алгоритм компьютерного зрения, распознающий людей лучше, чем алгоритмы Google, Microsoft и большого количества стартапов Кремниевой долины. И вокруг этой уникальной технологической компетенции была построена целая компания.
— Чем конкретно решение NtechLab было лучше для московских камер, чем иностранные аналоги?
— Скоростью и точностью распознавания даже в условиях плохого изображения: например, пешеходов — по их силуэтам. Их сервис FindFace принимал участие в нескольких международных соревнованиях по распознаванию лиц и всегда или занимал первое место, или входил в тройку лучших. Собственно, российские программисты, аналитики и дата-сайентисты очень востребованы у иностранных заказчиков.
— Каков объем экспорта российского ПО?
— К сожалению, такие данные не собираются. Есть данные ВШЭ об экспорте ИКТ — это свыше пяти миллиардов долларов. По нашей оценке, все услуги, связанные с ИИ, занимают дватри процента этого объема.
— Это сопоставимо с объемом внутреннего рынка ИИ. Насколько оправдано такое соотношение, не является ли оно следствием слабости внутреннего рынка, несмотря на сверхвысокие темпы роста?
— Безусловно, в США, в Европе рынок более зрелый, там заказчики понимают, как ставить задачи, и готовы инвестировать в тестирование гипотез. В России все далеко не так. Здесь заказчик говорит: у нас есть большие данные, мы не знаем, что с ними делать, а вы придумайте что-нибудь, как нам заработать на этом деньги. Либо так: у нас есть данные по продажам, давайте, покажите нам лучших поставщиков, которые нас не подведут и не сорвут поставки. Или: у нас нет никакой Big Data, сами как хотите расставляйте камеры, нам нужно выполнить проект по цифровизации.
Рынки развитых стран сами по себе больше — там оправданны серьезные инвестиции в разработки ИИ, на больших проектах и сетевых компаниях возможно собирать большие данные. Поэтому инфраструктура, экосистема и библиотеки для работы — это все объекты иностранной интеллектуальной собственности, и, безусловно, мы в этом отстаем. Нужно признать, что Microsoft, Alibaba, Baidu, Google, Amazon делают действительно намного больше с точки зрения вклада в мировой ИИ, чем крупные российские экосистемы. По этой же причине наши стартапы, наращивающие скорость вычислений в разы, скорее всего, станут объектом поглощения крупных игроков и экосистем.
— Получается, что критика российских экосистем, как недавно критиковали Сбер за то, что он строится преимущественно на иностранной базе, не учитывает рыночных реалий?
— На самом деле это хорошо, что Сбер работает с партнерами типа Huawei, Microsoft, а не изобретает велосипед сам, — это говорит о нацеленности на скорость и надежность в выборе. Кроме того, Сбер инвестирует и покупает работающие проекты: он владеет VisionLabs, который занимается компьютерным зрением и машинным обучением, он помог запуску медицинского стартапа «Третье мнение» — решения, которое по снимкам КТ, МРТ, рентгена рекомендует врачу обратить внимание на определенные отклонения, которые врачи могут не заметить. За последние пять лет Сбер сделал крупные инвестиции в компании, специализирующиеся на решениях в искусственном интеллекте: «Центр речевых технологий», Сognitive technologies и Segmento. Наконец, Microsoft, который мы упоминали в контексте со Сбером, открывает в России ИИ-бизнес-клуб. Это школа для бизнес-лидеров, которые хотят внедрять ИИ-решения в своих компаниях, хотят разбираться в аспектах применения машинного обучения, научиться ставить задачи командам, отделам в своих компаниях и стартапам с точки зрения желаемого результата.
— Почему российские ИT-специалисты, того же Сбера, сами не могут организовать подобную школу?
— В России только формируются образовательные программы, нацеленные на обучение руководителей высшего и среднего звена для работы с задачами, в которых можно использовать ИИ. Таких программ дефицит, кроме Microsoft можно выделить только МГИМО и Высшую школу менеджмента в Санкт-Петербурге. Далеко не все российские руководители понимают, кто такой data analyst, data engineer, data scientist — а это три разные специализации. А глобальные компании уже активно работают в этом направлении: есть, например, команда Data Monsters, ее партнеры те же Microsoft, Amazon, Nvidia, это аккумулятор задач от крупных компаний, она ищет для них кадры программистов, зачастую российских. Есть принадлежащий Google сервис Kaggle, где крупные и средние компании проводят конкурсы и ставят задачи на разработку. Получается такая биржа, консолидация рынка ИИ — и там уже много российских разработчиков.
— Какие еще есть уязвимые места у российского рынка ИИ?
— Скажем, мы отстаем в Edge computing — это очень важное прорывное направление, когда вычисления для искусственного интеллекта, связанные с машинным обучением, распознаванием изображений, идут не в облако, а производятся внутри какогото контура. Условно, это может быть камера с искусственным интеллектом, которая стоит на проходной завода, и вычисления идут прямо внутри камеры или небольшого сервера внутри компании, а не идут в облако. К сожалению, компании, создающие эти решения, в основном не российские, а израильские, американские, и их активно скупают крупные игроки рынка. Я бы отметил только одну компанию — «Макро Групп», разрабатывающую камеру с системой компьютерного зрения: это решение, объединяющее «железо» российской разработки с частично русскими компонентами и ПО.
— Вы сказали, что около половины российских инвестиций в ИИ расходуется на закупку оборудования. Правильно ли мы понимаем, что «железо» является слабым местом нашего ИT-рынка, и в случае с этим новым направлением именно оно тормозит развитие?
— Да, вы правильно понимаете.
— А если говорить про датацентры, неужели они у нас все иностранные?
— Нам неизвестны случаи, когда для коммерческих целей ЦОДы закупали российские процессоры «Байкал» или «Эльбрус». В этой области сейчас работает «Ростех», свои решения были у компании «T-Платформы», которая сейчас выбирается из предбанкротного состояния. Но у разработок этих российских игроков скорость вычислений для ИИ отстает от иностранных вендоров. Так что борьбу за «железо» для вычислительных мощностей мы проиграли, это нужно признать. Задача на глобальном уровне — не проиграть войну за светлые головы и сохранить эти команды программистов на территории России.
— Что, по-вашему, необходимо сделать для этого?
— Самое главное — почему тот же Китай стал державой номер два после США на поле ИИ? У них была принята стратегия развития ИИ на государственном уровне уже несколько лет назад. Такие стратегии есть и у США, и у многих других стран, а в России об этом заговорили только в 2019 году. Дело в том, что благодаря стратегии во всех странах были созданы благоприятные условия для инвестиций в ИИ-стартапы, и появилась масса коробочных решений. А когда решения в ИИ становятся массовыми, они становятся более точными и постепенно удешевляются. Нам не хватает такой стратегии, чтобы инициатива исходила не только от Сбера, «Яндекса», Mail.ru Group, но и от других бизнес-структур. Основная проблема российского рынка в том, что специализированные решения на базе ИИ может позволить себе очень ограниченное количество компаний. Не каждая компания готова отдать полтора-два миллиона рублей для тестирования пилотного проекта.
— Какие именно механизмы поддержки ИИ работают в других странах?
— Ключевые меры поддержки — пониженная налоговая ставка, образовательные программы и национальные программы в области применения ИИ. Речь идет о руководящей роли государства в увеличении инвестиций в НИОКР, обеспечении доступа разработчикам к необходимым массивам данных и вычислительным ресурсам, которые есть в распоряжении государственных структур, снятии регуляторных барьеров, мешающих тестированию и внедрению ИИ.
— Можно ли сформулировать государственную стратегию ИИ в России при нашем уровне развития рынка? Что идет впереди: стратегия или рынок?
— В России впереди идет рынок, но, если государство пересмотрит налогообложение и политику в области госинвестиций, это даст сильный импульс к развитию отрасли. А пока мы рекомендуем бизнесу задуматься о доступных и возможных задачах, которые можно и нужно решать с помощью ИИ, повышая тем самым точность управленческих решений.
Фотографии из личного архива Романа Копосова
Хочешь стать одним из более 100 000 пользователей, кто регулярно использует kiozk для получения новых знаний?
Не упусти главного с нашим telegram-каналом: https://kiozk.ru/s/voyrl