ИИ как экосистема, бизнес и рынок

Данные других опросов свидетельствуют также о таких распространенных барьерах на пути реализации ИИ-проектов как трудности в приобретении профильных навыков и знаний, связанных с ИИ, проблемы, связанные с конкуренцией ИИ-проектов с другими проектами в компании, сложности в решении вопросов обеспечения безопасности и защиты систем на базе ИИ, отсутствие лидерства и поддержки инициатив по ИИ со стороны руководства.

Без надлежащего планирования и анализа рассмотренных выше рисков трудно рассчитывать на успех проекта В узкоспециализированных задачах тоже. Например, transfer learning. - Примечание научного редактора .

Следующий этап на рис. 3.1 - это этап подготовки данных, он включает получение сырых данных и их обработку для создания датасета. Иногда могут использоваться готовые датасеты для обучения модели.

Говоря о подготовке данных, обычно различают такие этапы, как очистка данных (обработка пропущенных значений, обработка выбросов и дубликатов), преобразование (масштабирование, стандартизация, изменение частоты дискретизации), отбор признаков включая понижение размерности и обработку сильно коррелированных признаков), извлечение признаков (в том числе извлечение признаков из текстовых данных, из даты и времени), разметка (о которой поговорим чуть подробнее).

Особенно хотелось бы уделить внимание процессу разметки данных. Этот процесс может осуществляться вручную сотрудниками компании либо отдан на аутсорсинг таким сервисам, как, например, Яндекс.Толока. Еще более эффективным может оказаться внедрение операций разметки данных в бизнес-процессы компании, чтобы сотрудники неявным образом были вовлечены в разметку в процессе своих трудовых обязанностей. В некоторых случаях для сокращения потребности в размеченных данных используют генерацию таких данных на основе 3D-моделей или приемы transfer learning, когда используется обучение на больших имеющихся в открытом доступе датасетах, с последующим дообучением модели на данных предприятия.

Подготовка данных во многих случаях требует специальных знаний для определения того, какие характеристики данных являются критичными. Как уже было отмечено ранее, самым трудоемким этапом является сбор данных, их очистка и разметка.

Разработка модели и обучение

Как только получен первый датасет, можно приступать к разработке моделей машинного обучения. Этап включает в себя работы по проектированию метрик качества работы моделей, созданию и обучению моделей машинного обучения (настройку параметров моделей), настройку гиперпараметров Гиперпараметрами в машинном обучении называют параметры алгоритмов, значения которых устанавливаются перед запуском процесса обучения, например к гиперпараметрам в нейронных сетях можно отнести число скрытых слоев и нейронов в них, число итераций обучения, уровень ошибки и долю распознанных примеров, при которых обучение останавливается моделей, сравнение разных моделей друг с другом по качеству.

Развертывание и мониторинг

Модели ИИ должны быть развернуты на оборудовании, оптимизированном под ИИ-нагрузку. Это могут быть внутренние ресурсы предприятия, периферийные узлы или облачная инфраструктура. При этом следует отметить, что обычно специальное аппаратное обеспечение требуется только для обучения, но не для применения. Бывают, конечно, требовательные к ресурсам модели, но это скорее редкость. Особенно в промышленности.

После развертывания модели требуется ее поддержка в условиях производства, где модель взаимодействует с реальными наборами данных. Часть проблем выявляется именно на стадии использования модели. Часто обученные модели деградируют во времени, поскольку найденные в исторических данных закономерности устаревают. Здесь нужно упомянуть такое понятие как Data Drift - ситуация, при которой из-за каких то внешних причин постепенно меняется характер входных данных модели, из-за чего снижаютсяее эффективность и точность прогнозирования. Соответственно, отдельное внимание требуется для обнаружения подобных проблем и их устранения на основе периодического дообучения модели на более свежих наборах данных.

Распределение ресурсов и времени в типовом ИИ-проекте

Для того чтобы представить трудоемкость отдельных этапов типового ИИ-проекта, полезно обратиться к статистическим данным. Подобную статистику можно найти в публикациях аналитической компании Cognilytica, специализирующейся в области изучения ИИ-рынка (см. рис. 3.4).

Как видно из сравнения рисунков (рис. 3.1 - рис. 3.4), пока не существует общепринятой таксономии в описании этапов ИИ-проектов, разные аналитики используют свое деление и наименования, при этом нетрудно наложить одну терминологию на другую.

В отличие от схемы Labelyourdata (рис. 3.1), Cognilytica не рассматривает этап "формулирования проблемы" и "бизнес-анализа проекта", а начинает цикл типового проекта непосредственно со стадии анализа и сбора данных (рис. 3.4).

Первым шагом (согласно рис. 3.4) рассматривается процесс идентификации данных, который, как показано на рисунке, занимает около 5%. На данном этапе идет определение источников данных, которые будут использоваться для обучения разрабатываемой модели.

Говоря о задачах, связанных с распознаванием изображений, можно использовать разные источники. Если область распознавания не является узкоспециализированной, то можно воспользоваться свободно распространяемыми общедоступными датасетами, что позволяет экономить деньги и время.

Если готовых датасетов для рассматриваемой задачи нет - создаются собственные, которые (в случае если речь идет о распознавании изображений) могут быть получены с помощью веб-скреппинга Веб-скрепинг (от англ. web scraping) - технология получения веб-данных путем извлечения их со страниц веб-ресурсов вручную или автоматически. Чаще термин относится к автоматизированным процессам, реализованным с помощью кода, который выполняет запросы на целевой сайт , с помощью фотоаппаратов, мобильных телефонов, камеры видео-наблюдения и т. д. Существуют специализированные компании, которые профессионально выполняют подобные работы на коммерческой основе.

Следующий этап, который занимает около 10%, - это агрегация данных. Поскольку данные поступают из разных источников или находятся в разных местах хранения, то на этапе агрегации, перед тем как с данными можно будет производить какие-то действия, они должны быть объединены в одной базе данных. При этом производится необходимое переформатирование данных, приведение их к единому виду. Работа достаточно рутинная, но необходимая, поскольку требуется разобраться, где какие данные находятся, в каком формате и что необходимо выбрать.

Этап очистки - один из наиболее длительных - 25%. Важность данного этапа характеризует популярная фраза "garbage in, garbage out" (мусор на входе - мусор на выходе). В данных могут содержаться ошибки. Например, пропуски значений, ошибочные записи, выбросы, несогласованные данные. Очистка данных подразумевает выявление и удаление ошибок и несоответствий в данных с целью улучшения качества датасета.

Разметка данных - это процесс идентификации необработанных данных (изображений, текстовых файлов, видео и т. д.) и добавления меток, на основе которых модель могла бы обучаться в терминах задачи обучения с учителем. Данный этап также длительный и требует порядка 25% времени. В рассмотренных нами в первой лекции примерах речь шла про метки, указывающие, изображена ли на фотографии кошка или собака, метки могут указывать, есть ли на рентгеновском снимке опухоль и где она расположена, есть ли на фотографии шлифа трещина, присутствует ли в аудиозаписи определенное слово и так далее. Разметка данных - это трудоемкий процесс. Массив данных может содержать десятки тысяч сэмплов, и вручную произвести процедуру разметки порой просто невозможно.

Проекты, связанные с распознаванием объектов или изображений, в том числе в приложениях для беспилотного транспорта, становятся все более распространенными рабочими нагрузками и требуют все больше усилий по разметке данных. Для выполнения этой работы все чаще используется автоматизация, опять-таки основанная на машинном обучении. По данным компании Cognilytica, к 2024 году более 30% текущих задач по разметке данных будут автоматизированы или выполняться системами искусственного интеллекта. На рынке существуют специализированные программы для разметки данных, позволяющие осуществлять детекцию и сегментацию объектов, классифицировать документы.

Во многих проектах процесс создания обучающих данных - это длительная и затратная процедура. Часто для решения задач подготовки данных имеет смысл обратиться к профильным компаниям, имеющим средства автоматизации, играющие решающее значение для соблюдения сроков проекта Следует отметить, что существуют также работы по интеграции модели в информационную систему. Эти работы могут занимать не меньше времени, чем подготовка данных. - Примечание научного редактора .

Для того чтобы сделать разметку более эффективной, используют модели машинного обучения для автоматической маркировки данных, которые сначала обучаются на подмножестве исходных данных, размеченных человеком, а потом автоматически предсказывают метки для новых данных (рис. 3.5).

В тех случаях, когда модель разметки менее уверена в своих результатах, она передает данные человеку. Созданные человеком метки затем возвращаются обратно в модель разметки, чтобы она могла учиться и улучшать свои возможности по автоматической разметке следующего набора исходных данных. Со временем модель позволяет автоматически размечать все больше и больше данных.

На схеме использован термин "Активное обучение" - это вариант машинного обучения, в котором алгоритм обучения может запрашивать метки новых точек данных с желаемыми результатами.

Количество данных, на которых обучается модель, - это важный фактор. Обучение модели на большом количестве хорошо размеченных данных - это основа для получения точных прогнозов.

Иногда естественно полученных данных бывает недостаточно. Тогда можно сгенерировать новые синтетические данные, которые бы были похожи на исходные с точки зрения решаемой задачи. Если объем данных для обучения ограничен, их можно дополнить возможными вариациями, которые могут встретиться в реальной жизни путем генерации этих вариаций искусственно. Процесс создания дополнительных обучающих данных из имеющихся путем их модификации называется аугментацией данных (data augmentation).

Например, если нам необходимо увеличить в размере датасет с изображениями кошек и собак, то его можно увеличить вдвое просто отзеркалив каждую фотографию. С точки зрения алгоритма машинного обучения, мы получим попиксельно другие изображения, но с тем же самым смыслом. Другимипопулярнымипримерамипреобразований изображений являются: поворот изображения на некоторый угол, добавление шума, смещение относительно центра, изменение угла обзора, преобразования в различные цветовые схемы, размытие и другие приемы. Применение комбинаций этих преобразований позволяет увеличивать размеры датасетов в десятки раз, однако не следует ожидать от данной процедуры такого же роста качества, как если бы использовались дополнительные естественные данные.

Согласно оценкам компании Cognilytica, этап "аугментация данных" составляет около 15% от рассматриваемого цикла Следует отметить, что на других модальностях данных аугментация применяется гораздо реже. - Примечание научного редактора .

После того как данные приведены в пригодный для использования вид, разработчики переходят к разработке ML-алгоритма (на данный этап на рис. 3.4 отнесено всего 3% времени), далее следуют обучение (10%) и этап настройки (5%).

Мы не будем разделять разработку алгоритма, обучение и настройку, поскольку они связаны между собой.

В большинстве случаев на данных этапах процедура сводится к процессу выбора алгоритма, исходя из цели обучения и требований к данным. Разработка принципиально новых моделей и архитектур, как правило, выходит за рамки коммерческого применения ИИ и проводится только большими компаниями, имеющими свои лаборатории ИИ.

Как правило, на этой стадии разработчики пробуют несколько алгоритмов и выбирают лучший по результатам. Это может быть выбор между классическими алгоритмами и нейросетевым подходом или выбор подходящей архитектуры нейросети. На этом этапе происходит настройка гиперпараметров, сравнивается качество работы различных алгоритмов на одних и тех же данных Обсуждаемая схема относится прежде всего к типовой задаче машинного обучения в компьютерном зрении. Там действительно приходится и аугментацией заниматься, и разметкой, проектировать ядра сверток (что можно отнести к разработке алгоритма), но в большинстве других задач нет ни аугментации, ни разработки алгоритмов, ни даже разметки, но могут быть другие особенности, такие как потоковая обработка данных, использование экспертных систем, ансамблирование, оптимизация под железо и т. д. - Примечание научного редактора .

Этот этап требует выбора и применения методов моделирования, обучения модели, установки и настройки гиперпараметров модели.

На данной стадии также возможно привлечение внешних компаний, которые оказывают услуги по разработке моделей машинного обучения.

Алгоритмы машинного обучения учатся на примерах, и чем больше качественных данных предоставляется алгоритму, тем лучше модель будет находить закономерности в данных. Одна из проблем, которой важно избежать, - это так называемое переобучение (overfitting) - ситуация, когда модель может делать точные прогнозы для данных, на которых она была обучена, но не способна обобщать данные, с которыми она раньше не сталкивалась (которые не участвовали в процессе обучения).

Чтобы избежать подобной ситуации, данные разделяют на три части (обучающие, проверочные и тестовые). Данные для обучения модели - это большая часть данных, которые используются для обучения моделей.

Валидационные данные - данные, которые модель не видела. Эти данные служат для настройки модели - для подгонки гиперпараметров. Тестовые данные - это данные, которые не были предоставлены модели ни во время обучения, ни во время настройки и используются для оценки и сравнения настроенных моделей. Эти данные используются для проверки, насколько успешно происходит процесс обобщения модели на тех данных, которые ей ранее не были показаны.

Финальная стадия - это операционализация, которая, согласно рис. 3.4, занимает всего лишь 2% Если это интеграция, то 2% - это слишком мало. Быстро модель можно интегрировать только в существующую отлаженную платформу. В реальности это сложные интеграционные проекты. - Примечание научного редактора . Даже после того, как модель обучена, она не готова к внедрению, пока не будет пройдена стадия операционализации, то есть модель не будет развернута в бизнес-приложении, не начнет анализировать данные и делать прогнозы [116].

Операционализация подразумевает выполнение ряда задач, включая выбор варианта развертывания и обслуживания модели машинного обучения, выбор приемлемого диапазона вероятности для определения прогнозов, расчет потребной вычислительной мощности для модели, оценку модели для проверки правильности ее адаптации к реальным данным, мониторинг производительности модели, анализ результатов и ошибок модели и ее повторное обучение при необходимости.

Если дата-сайнс-команды отвечают за разработку и обучение модели, то ввод в эксплуатацию моделей машинного обучения обычно осуществляется MLOps- командами MLOPS от Machine Learning Operations - набор средств для оптимизации жизненного цикла машинного обучения, который, в отличие от цикла разработки обычного ПО (где заранее известно, какие функции предстоит запрограммировать), требует проверки множества видов моделей, прежде чем выбрать ту (заранее неизвестную), которая позволяет лучше описывать имеющееся распределение данных и инженерами заказчика.

На рис. 3.1 жизненный цикл машинного обучения представлен в виде последовательности действий с одним итерационным циклом на стадии разработки и обучения. Однако даже на стадии операционализации мониторинг модели может показывать ненадлежащие результаты и возвращать разработчиков на более ранние стадии для того, чтобы попробовать различные модели или даже обновить набор обучающих данных. Фактически любой из этапов жизненного цикла может вернуть разработку проекта на более ранний этап.

Мы уже отметили выше, что не существует единой точки зрения по поводу наименований этапов типового ИИ-проекта и стандартного перечня работ на каждом этапе. Например, авторы рис. 3.6 перечисляют примерно те же этапы, что и на рис. 3.1 и 3.4, но используют несколько отличный набор терминов, а также упоминают ряд дополнительных пунктов, связанных со сбором, хранением и очисткой данных.

Сравнение рисунков 3.1, 3.4 и рис. 3.6 позволяет еще раз затронуть вопрос таксономии. На рис. 3.1 и 3.4 речь шла о типовом ИИ/ ML-проекте, где все этапы трактуются как часть ИИ-проекта, а на рис. 3.6 лишь только самый верхний слой пирамиды отнесен к ИИ, в то время как все остальные этапы обозначены как подготовительные. По сути, вопрос о том, какая часть пирамиды рис. 3.6 относится к ИИ/ML-проекту, а какая является подготовкой к нему, остается открытым. Отсутствие общепринятой точки зрения на этот вопрос - это одна из причин того, что разные аналитики по-разному оценивают экосистему компаний, создающих ИИ-решения, и по-разному оценивают объем рынка ИИ.

Сравнение рис. 3.4 и рис. 3.6 наглядно показывает, что набор задач, которые необходимо решить при создании ИИ-проекта, может рассматриваться как в узком, так и в широком смысле.

При этом очевидно, что, трактуя понятие ИИ-проект в широком смысле, мы должны рассматривать не только задачи, решаемые в рамках основных этапов, показанных на рис. 3.6, но также и многие дополнительные, которые, например, иллюстрирует рис. 3.7.

На данном рисунке показано, что разработчики ИИ-проекта должны обеспечить наличие оптимальной ИТ-инфраструктуры (аппаратного и программного обеспечения, которое наиболее эффективно отрабатывает нагрузки, типичные для ИИ). На рисунке 3.7 отмечены специализированные процессоры GPU, TPU TPU(Google Tensor Processing Unit) - тензорный процессор, относящийся к классу нейронных процессоров, являющийся специализированной интегральной схемой, разработанной корпорацией Google и предназначенной для использования с библиотекой машинного обучения TensorFlow , нейропроцессоры и т. п., о которых речь пойдет далее в этой лекции. Необходимо обеспечить безопасность и надежность создаваемого решения, его интерпретируемость, предусмотреть отсутствие предвзятости, нарушения норм этики и т. п. Каждая из этих задач подразумевает наличие отдельной профессиональной экспертизы и соответствующих типов компаний, оказывающих перечисленные сервисы.

Заметим также, что понятие "типовой проект" зависит от масштаба внедрения, от размера компании, от ее зрелости с точки зрения внедрения ИИ-решений, от того, какой есть опыт в организации по выполнению подобного рода проектов (внедряет компания проект своими силами или ориентируется на аутсорсинг).

Выше мы рассмотрели логику построения отдельного ИИ-проекта. Для того чтобы не просто реализовать единичный ИИ-проект, а внедрить практику применения ИИ в обработке данных на предприятии, нужны определенные организационные меры, в ряде случаев требующие привлечения сторонних организаций, которые помогут выработать стратегию внедрения технологий ИИ, выбрать необходимый инструментарий, проработают варианты построения необходимой инфраструктуры, помогут эти решения построить и поддерживать.

На разных этапах построения ИИ-решений на предприятии решаются разные задачи, требующие привлечения компаний с разными компетенциями. В таблице 3.1 показаны основные составляющие, необходимые для внедрения ИИ в организации на разных этапах зрелости построенной ИИ-инфраструктуры.

Мырассмотрелирядсхем,поясняющих,какиетипызадачвозникают при построении ИИ-решений. Это позволяет понять, какие ресурсы нужны для построения подобного рода проектов и какие компании могут привлекаться со стороны рынка для реализации ИИ-проектов. Это позволяет говорить о том, какая экосистема поставщиков необходима для построения ИИ-проекта - консультанты, поставщики данных, поставщики программного и аппаратного обеспечения, системные интеграторы для построения внутренней инфраструктуры, поставщики сервисов из облака и т. п.

Заметим, что понятие "типовой ИИ-проект" в той форме, как его рассматривают на рис. 3.1, 3.4, дает неполное впечатление об экосистеме компаний, занятых в создании ИИ-решений.

Действительно, ИИ-компаниями называют также и научные организации, занятые разработкой теоретических вопросов (например, проект на стыке изучения нейробиологии и ИИ или проект по созданию новых архитектур, ведущих к созданию сильного ИИ), и аналитические компании, занятые консалтингом в области построения ИИ-решений, и компании, занятые внедрением ИИ-технологий в те или иные программные приложения, и компании, занятые в области разработки умной робототехники, созданием программных платформ для разработки ИИ-решений, разработкой, созданием приложений с использованием ИИ для нужд разных отраслей, перечень легко продолжить. В широком смысле большинство компаний, занятых в подобных проектах, могут рассматриваться как участники эко-системы по созданию ИИ.

Мы очертили большой круг задач и компаний, их выполняющих. Естественно, существуют сложности оценки вклада отдельных компаний в ИИ-рынок, и перед аналитиками неизбежно возникает задача выработки критерия отнесения последних к ИИ-компаниям и ответа на вопрос - какие компании должны быть отнесены к экосистеме ИИ, а какие фирмы в этот перечень включаться не должны. И, к сожалению, разные аналитики решают эти вопросы по-разному. Как это делают ведущие аналитические агентства, расскажем в следующем разделе.

Экосистема компаний, занятых в создании ИИ - попытки классификации

Существует целый ряд аналитических компаний, которые пытаются структурировать и классифицировать провайдеров товаров и услуг, так или иначе участвующих в создании ИИ-решений.

Повсей видимости, самое общее и высоко уровневое деление компаний, участвующих в создании ИИ, дают специалисты компании CB Insights (табл. 3.2). Они предлагают разделить всех поставщиков ИИ на три группы по уровням технологического стека: нижний уровень - инфраструктурные и сервисные решения (специализированные вычислительные средства, средства обработки данных, средства развертывания приложений, разметка данных); средний уровень - горизонтальные решения (кроссотраслевые приложения) и верхний уровень - отраслевые (вертикальные приложения, уникальные для каждой индустрии).

Логика данной иерархии исходит из того, что нижний слой является фундаментом для подавляющего большинства решений. Горизонтально ориентированные могут использоваться в разных вертикально ориентированных продуктах, и последние (вертикальные) "заточены" под конкретную узкую отрасль.

Компания Cognilytica дает более подробную структуру подобной иерархии (см. табл. 3.3), при этом выделяет не три, а четыре слоя в технологическом стеке: инфраструктура и сервисы для поддержки ИИ-проектов, опорные технологии для ИИ-проектов, кросс-отраслевые (горизонтальные) приложения и отраслевые (вертикальные) приложения.

Cognilytica заявляет, что в рамках данной классификации она отслеживает деятельность более 5 тысяч компаний. И несмотря на то, что таксономия, используемая в табл. 3.3, не является общепринятой, она дает хорошее представление о структуре ИИ-поставщиков, и на этой классификации и толковании типов поставщиков следует остановиться подробнее.

Поскольку при описании стека технологий пункты, как правило, рассматривают снизу вверх, мы последуем этому принципу и будем описывать компании, отмеченные в таблице 3.3, начиная с нижнего уровня.

Инфраструктурные и сервисные решения для поддержки ИИ

Начнем с уровня аппаратного обеспечения и перечислим основные направления, в которых специализируются компании, занятые в создании ИИ-решений.

Аппаратное обеспечение, оптимизированное под задачи в области ИИ. В данной категории поставщики классифицируются по четырем подкатегориям. Разработчики аппаратного обеспечения (серверы, сетевое оборудование, СХД), оптимизированного под ИИ-нагрузки. Разработчики специализированных процессоров (GPU, TPU и т. п.). Производители периферийных устройств, обеспечивающих ИИ-функциональность.

Как было отмечено выше, в данной классификации к аппаратному обеспечению относят также системы обеспечения интерфейса "мозг-компьютер" - устройства, которые позволяют напрямую передавать электрические сигналы от нейронов к внешнему электронному устройству (компьютеру, экзоскелету, протезу и т. п.). Передача импульсов мозга к исполнительному аппарату происходит минуя нервно-мышечные пути, например, позволяя, парализованному человеку пользоваться курсором. Различают инвазивные (вживляются в мозг), малоинвазивные (располагаются на поверхности мозга) и неинвазивные (помещаются на голове) нейроинтерфейсы. Для реализации данной технологии необходимы специализированные чипы и другие программно-аппаратные средства.

Big Data-платформы, оптимизированные для ИИ-проектов. Большие данные и искусственный интеллект связаны синергетически. Технологии часто работают в связке - аналитика больших данных использует ИИ для более эффективного анализа данных, в то время как ИИ требует огромного количества данных для обучения и улучшения процессов принятия решений. В указанной категории выделяется две подкатегории: собственно платформы Big Data, оптимизированные для ИИ-проектов, и платформы визуализации больших данных.

Дата-сайнс-платформы. Данная категория объединяет поставщиков платформ, предназначенных для решения задач дата-сайнс и при этом имеющих специфические функции для выполнения ИИ-проектов. В упомянутой категории различают собственно провайдеров платформ со встроенной поддержкой ИИ и поставщиков систем управления проектами ИИ.

В первую подкатегорию относят поставщиков платформ, включающих поддержку широкого набора ИИ-алгоритмов, с возможностью оптимизации гиперпараметров, поддержки спектра инструментов и библиотек ИИ, а также возможностью операционализации моделей, определенных в системе.

Ко второй подкатегории относят поставщиков инструментов, обеспечивающих управление процессами, ориентированными на данные, позволяющих управлять моделями, следить в крупных проектах за сотнями экспериментов и десятками наборов характеристик данных.

Вопросы управления проектами становятся все более актуальными по мере создания интегрированных сложных систем. Одним из основных факторов успеха ML-проекта является принятие или адаптация метода управления проектами. Более 80% специалистов по исследованию данных отмечают необходимость более систематического применения методов управления ML-проектами [121].

Подготовка и обработка данных для ИИ. Функции компаний, занятых в выполнении данного вида работ, мы уже достаточно подробно рассмотрели. Отметим лишь, что в данном разделе Cognilytica предлагает делить поставщиков услуг на две группы - это компании, занятые подготовкой данных для повышения их качества и полезности, и компании, занятые разметкой данных.

Опорные технологии для ИИ

Под опорными подразумеваются технологии, позволяющие реализовать определенные решения, на основе которых другие игроки рынка могут создавать свои собственные ИИ-приложения. В данной категории выделяется шесть подкатегорий провайдеров, поставляющих нижеперечисленные решения.

Платформы машинного обучения. В данном разделе рассматриваются поставщики платформ для разработки приложений машинного обучения и операционализации решений ИИ для разных сценариев использования и требований к развертыванию. Эти платформы могут представляться в виде локального или облачного решения. Cognilytica рассматривает шесть подкатегорий поставщиков.

Платформы для разработчиков ML-приложений - средства разработки ИИ-приложений и операционализации ИИ-моделей, ориентированные на разработчиков, производящих обучение моделей в локальных дата-центрах.

Облачные платформы с ИИ-функционалом - средства разработки, предоставляющие широкий набор дата-сайнс-инструментов, средств обучения и развертывания моделей в облаке. Платформы ориентированы на технических специалистов.

ИИ как услуга (MLaaS), шаблоны и low code-инструменты для упрощения разработки и операционализации моделей, ориентированные на нетехнических специалистов.

Платформы для разработки периферийных решений. Инструментарий, предназначенный для разработки и реализации ИИ-решений в периферийных устройствах, имеющих ограниченные вычислительную мощность и объем памяти.

Платформы для автоматизации разработки ML-приложений - решения, направленные на автоматизацию разработки ML-приложений, включая выбор алгоритмов, настройку гиперпараметров и т. п.

Компьютерное зрение. Раздел объединяет следующие типы компаний.

Провайдеры платформ для построения систем полного цикла, включая распознавание, поиск и анализ изображений или видео.

Поставщики, специализирующиеся непосредственно на распознавании изображений и объектов - компании, фокус которых направлен на распознавании лиц и жестов.

Фирмы, предлагающие решения для поиска и извлечения информации на изображениях, которые позволяют классифицировать изображения, создавать подписи или описания изображений и видео-контента.

Поставщики систем оцифровки реального мира, создания 3D-представлений среды, восстановления 3D-сеток по плоским изображениям и т. п.

Понимание естественного языка. Здесь выделяются компании, занятые созданием ИИ-продуктов по нижеперечисленным направлениям.

Разработчики систем генерации естественного языка (генерации контента на естественном языке); NLP-системы, способные понимать естественную речь.

Разработчики систем, способных к пониманию здравого смысла, что включает построения систем машинного рассуждения, онтологий и графов знаний.

Поставщики систем машинного перевода, о технологических основах которого мы достаточно подробно рассказали в первой лекции.

КонтентныеИИ-технологии. В данном разделе подразумеваются компании, использующие ИИ для обеспечения распознавания и понимания содержания документов. Здесь можно выделить поставщиков, разрабатывающих ИИ-решения в трех направлениях.

Захват данных и анализ документов (захват данных в нецифровом формате, распознавание документа и вычленение смысла документа).

Резюмирование контента - получение контента в цифровом формате и составление на его основе резюме. Например, создание протокола по тексту совещания.

Анализ неструктурированных данных - обработка различного рода неструктурированных данных, сбор и выявление взаимосвязи между данными.

Говоря о поставщиках контентных технологий, полезно упомянуть интеграцию последних со средствами RPA (Robotic Process Automation). Речь идет об автоматизации с помощью программных ботов рутинных повторяющихся задач, таких как извлечение текста из документов, перенос данных из одной системы в другую, выставление счетов и т. п. Среди функций RPA можно упомянуть способность открывать электронную почту и вложения, входить в приложения, перемещать файлы, заполнять формы, осуществлять чтение и запись в базы данных, собирать данные из Интернета, извлекать структурированные данные из документов и т. п.

Объединение интеллектуальной обработки документов с RPA позволяют создавать решения, которые могут обрабатывать документы, интерпретировать информацию, принимать решения на основе соответствующих данных.

Опорные технологии для беспилотных аппаратов. В данной категории рассматриваются производители систем, на базе которых создаются беспилотные машины. Эти производители делятся на две подкатегории.

Поставщики аппаратных средств для беспилотников. Имеются в виду системы, позволяющие ориентироваться транспортному средству во внешней среде, распознавать объекты и сцены, а также сетевые решения, на базе которых осуществляется соответствующий инфо

Разработчики платформ создания приложений для беспилотников - поставщики программных и программно-аппаратных систем для разработки приложений для беспилотников.

Умная робототехника. Здесь речь идет о компаниях - разработчиках и производителях интеллектуальных машин, которые могут обучаться и адаптироваться к окружающей обстановке и текущим задачам. Выделяется три подкатегории.

Провайдеры так называемых коботов (Cobots) - интеллектуальных роботов, "осознающих" окружающую обстановку и способных адаптироваться для решения новых задач, не требуя явного программирования.

Поставщики адаптивного оборудования, которое позволяет роботам обучаться в процессе общения с окружающей средой на конкретных примерах задач.

Провайдеры систем управления и проектирования, облегчающих разработку робототехнических приложений.

Кросс-отраслевые (горизонтальные) ИИ-приложения

Деление на вертикальные и горизонтальные приложения подразумевает, что вертикальные приложения не могут быть перепрофилированы для другого приложения ИИ, в то время как горизонтальные могут быть использованы в разных или даже во всех вертикальных отраслях. Например, голосовые помощники - это горизонтальное применение ИИ, поскольку они применимы во многих отраслях. Специфические отраслевые приложения могут создаваться поверх этих горизонтальных приложений, именно поэтому в табл. 3.3 они показаны на вершине технологического стека.

Предиктивная аналитика и поддержка принятия решений. В разделе выделяются разработчики и поставщики по нижеследующим четырем подкатегориям.

Разработчики предиктивной аналитики - поставщики решений для прогнозирования событий, которые могут создать проблемы (нештатные ситуации, аварии) или открыть новые возможности для компании.

Поставщики средств поддержки принятия решений - инструментов, которые позволяют использовать закономерности в данных для обоснования этих решений.

Разработчики средств моделирования с использованием ML. Последние становятся все более актуальны по мере того, как происходит синергия между машинным обучением и традиционным инженерным моделированием для повышения производительности и достоверности моделей, расширяется моделирование на основе данных в рамках создания цифровых двойников разного типа, развивается направление "машинное обучение на основе физики PIML - physics informed machine learning - более подробно об этой технологии речь пойдет в 4-й лекции ".

Производители средств обеспечения ситуационной осведомленности - набора инструментов, обеспечивающих возможность воспринимать и осознавать, что происходит в анализируемой среде с течением времени, обеспечивая способность прогнозирования событий, и одновременно снижать нагрузку на оператора, ответственного за принятие решений Как технический термин появился в 1983 году в связи с разработкой интегрированных дисплеев для коммерческих самолетов. Интегрированные ситуационные дисплеи объединяли информацию от нескольких приборов, обеспечивая более эффективный доступ к критическим параметрам полета, улучшая ситуационную осведомленность и снижая нагрузку на пилота .

Операционный интеллект. В разделе рассматриваются поставщики систем, которые осуществляют интеллектуальный контроль над внутренними бизнес-процессами организации, включая интеллектуальный анализ и агрегирование данных. Эти поставщики делятся на три подкатегории.

Поставщики систем интеллектуальной оптимизации бизнеса (анализ операций для выявления в них закономерностей и минимизации потенциальных проблем).

Разработчики систем когнитивной автоматизации (интеллектуальная и, возможно, автономная автоматизация сложных многоэтапных процессов Следует отметить, что Cognilytica считает, что RPA (средства автоматизации роботизированных процессов) могут быть включены в эту категорию только в том случае, если решения используют ML, чтобы дать программному боту возможность обучаться изменениям в бизнес-процессах ).

Провайдеры систем интеллектуальной агрегации и анализа данных (решения для интеллектуального и, возможно, автономного управления агрегацией и анализом данных из широкого спектра источников).

Интеллектуальная обработка документов. Здесь речь идет о разработчиках и поставщиках систем комплексной обработки документов и обеспечения документооборота. Направление включает две подкатегории поставщиков.

Провайдеры решений для интеллектуального анализа договоров (решения, использующие ИИ для лучшего понимания смысла договоров).

Поставщики систем для интеллектуального управления документами (решения по управлению процессами взаимодействия с документами).

Интеллектуальные ассистенты. В данной категории рассматриваются поставщики приложений, которые выполняют повседневные услуги для человека на основе его команд и отзывов, например, агенты обслуживания клиентов на веб-сайтах или личные помощники, которые помогают управлять планируемыми в календаре событиями.

Программы данного типа понимают голосовые команды и выполняют задачи, которые ранее выполнялись секретарем (печать под диктовку, чтение вслух текстовых сообщений, поиск телефонных номеров, составление расписания, осуществление телефонных звонков и напоминание о назначенных встречах). К этой категории можно отнести такие приложения как Алиса от компании Yandex, Alexa от Amazon, Siri от Apple, Google Assistant и Cortana от Microsoft.

Наряду с виртуальными помощниками (ориентированными на задачу) Cognilytica выделяет также категорию "умные советники", то есть те, которые ориентированы на некоторую конкретную область знания.

Автономные машины и роботы - под этой категорией объединены компании, которые разрабатывают и производят роботов разного назначения, не специализированных под конкретную вертикальную отрасль.

Это логистические роботы (логистика и доставка для разных отраслей).

Домашние роботы (решения для дома, гостиницы, бизнес офиса и т. п.).

Промышленные роботы, пригодные для разных отраслей.

Дроны и беспилотные летательные аппараты (БПЛА), предназначенные для кроссотраслевого применения.

Разговорные системы. В классификации Cognilytica разговорные системы Следует отметить, что отличие разговорных систем от персональных ассистентов не очевидно. В ряде классификаций говорят про разговорные системы и в рамках этого раздела выделяют подраздел персональных ассистентов (как частный случай разговорных систем). - Примечание научного редактора - это конкретные горизонтальные приложения технологий NLP (Natural Language Processing), NLU (Natural Language Understanding), NLG (Natural Language Generation) или платформы разработки, которые позволяют использовать технологии естественного языка для создания конкретных разговорных интерфейсов.

В рамках категории разговорных систем выделяется пять подкатегорий, в которых рассматриваются поставщики соответствующих решений.

Разговорный интеллект - решения и инструменты, позволяющие получить интеллектуальные данные и понимание содержания из разговоров в устной или письменной форме.

Платформы для разработки разговорных интерфейсов - платформы, использующие технологии обработки естественного языка, сторонние API и другие решения для облегчения проектирования, разработки, управления и эксплуатации разговорных интерфейсов.

Чат-боты общего назначения - неспецифические (неотраслевые) разговорные интерфейсы, предназначенные для применения в различных областях.

Интеллектуальные сообщения - решения, позволяющие пользователям получать больше информации из различных форм обмена сообщениями, таких как электронная почта, текстовые сообщения и т. п.

Голосовые помощники - разговорные интерфейсы, предоставляющие доступ к ряду возможностей. Обычно реализуются в виде аппаратного устройства, которое обеспечивает разговорное взаимодействие и поддерживает связь с облачными возможностями ML. Как видно из сравнения табл. 3.2 и 3.3, компании CB Insights и Cognilytica выделяют похожие категории деятельности ИИ-компаний, которые тем не менее отличаются в деталях. Например, обе аналитические компании упоминают разработчиков специализированного аппаратного обеспечения, необходимого для обработки ИИ-нагрузок. При этом Cognilytica в эту категорию включает поставщиков специализированных серверов, сетевого оборудования, СХД, процессоров, периферийных устройств и поставщиков нейроинтерфейсов "мозг-компьютер", а CB Insights указывает только на одну категорию - поставщиков специализированных процессоров.

Конечно, CB Insights и Cognilytica - это не единственные аналитики, которые занимаются классификацией компаний - участниц ИИ-экосистемы.

Свою классификацию компаний, занятых в создании различных ИИ-решений, можно найти в работе [122]. Здесь представлен ряд категорий, которые не рассматриваются в табл. 3.2 и в табл. 3.3. Например, "разработчики open source библиотек" или "компании, занятые научными исследованиями в области ИИ". Достоинством представленной в упомянутой работе карты является то, что по каждому направлению приведен список ключевых компаний - всего более сотни организаций. Следует привести еще одно исследование, направленное на составление карты экосистемы компаний, занятых в создании ИИ-решений. Авторы этого исследования ежегодно публикуют карту "Data and AI landscape" [123], где рассматривается более 500 компаний, сгруппированных по примерно 100 категориям. Авторы карты, по всей видимости, столкнулись с трудностью ответа на вопрос "Где заканчиваются компании из категории датасайнс и где начинаются ИИ-компании?" и вышли из этой ситуации просто - они переименовали карту из первоначального варианта "карта ИИ-компаний" в "Карта компаний, занятых обработкой данных и ИИ" - примерно так можно вольно интерпретировать современное название карты "Data and AI landscape". Под таким названием авторы представляют максимально широкую экосистему, которая включает компании, ответственные за сбор, разметку, хранение и широкий спектр методов интеллектуального анализа данных.

До сих пор мы не прокомментировали классификацию, которую приводит Cognilytica в области вертикально ориентированных решений, и сделали это сознательно. Дело в том, что использование ИИ-решений в различных отраслях (вертикальных индустриях) - это отдельная широкая тема, которая в подробном изложении выходит за рамки данного курса. Желающие могут познакомиться с классификацией вертикальных ИИ-решений в концепции Cognilytica на сайте компании. Мы рассмотрим менее подробную систему классификации - небольшой круг отраслей лидеров по применению ИИ-решений - и сделаем акцент на отрасли атомной энергетики, к которой у авторов есть больший профессиональный интерес.

Отраслевые (вертикальные) ИИ-приложения

Существует целый ряд работ, авторы которых пытались проанализировать, какие отрасли экономики в большей степени являются потребителями технологий ИИ. На рис. 3.8 и рис. 3.9 приведена аналитика со ссылкой на исследования FutureBridgeAnalysis and Insights и на исследования Mckinsey.

FutureBridge делит все отрасли на пять пересекающихся групп по уровню зрелости, с точки зрения внедрения ИИ-решений.

Mckinsey не просто представляет рейтинг отраслей по степени внедрения ИИ-решений, но также показывает, какие типы технологий ИИ доминируют в той или иной отрасли.

К сожалению, напрямую сравнивать данные разных аналитиков нельзя в силу отсутствия общей таксономии не только в плане направлений развития ИИ, но и отсутствия общепринятого деления на вертикальные рынки.

Тем не менее большинство исследователей сходятся во мнении, что одними из наиболее активных потребителей ИИ являются ИКТ и финансовые компании. При этом на рис. 3.8 используется термин ИКТ, а на рис. 3.9 термин "хайтек-компании", который не является тождественным ИКТ, но, очевидно, два эти термина имеют существенное пересечение.

Хайтек

Термин "хайтек", который в последнее время используют многие аналитические компании, имеет весьма расплывчатые границы. Согласно [125], к данному сегменту относятся компании с высокой концентрацией работников, занятых в профессиях STEM STEM (Science, Technology, Engineering, Mathematics) - наука, технологии, инженерия и математика - модель, объединяющая естественные науки и инженерные предметы в единую систему . Очевидно, что подобное определение не совсем удачно для выделения вертикального сектора, поскольку компании, определенные упомянутым образом, есть во многих вертикальных отраслях (в энергетике, финансах и т. п.).

Как следует из рис. 3.9, основной тип ИИ-технологий в данном отраслевом сегменте - это машинное обучение, второе место с равным количеством баллов делят "автоматизация роботизированных процессов" и "интерфейсы виртуальных помощников".

Говоря о хайтек-компаниях как о вертикальном рынке, в эту категорию относят корпорации, занимающиеся в основном ИТ, телекомом и производством электроники, и при этом выделяют крупнейшие компании, имеющие широкую диверсификацию. Лидерами этого рынка, как правило, отмечаются такие гиганты как Apple, Samsung, Microsoft, Google, HP, Dell, IBM, Intel, Panasonic, Alibaba, Amazon, Meta, Nvidiaидр. Таким образом, категория "хайтек", помимо ИКТ-компаний, включает производителей электроники и высокотехнологичного оборудования. И если аналитические компании используют эту категорию, то автоматически она оказывается лидером по объему и зрелости ИИ-решений. И это понятно, перечисленные выше компании-гиганты известны как первопроходцы в разработке и внедрении инноваций в области ИКТ и в области ИИ в частности.

Достаточно назвать лишь несколько примеров. Перечислим, какие ИИ-технологии использует Google в своих приложениях для обслуживания миллиардов пользователей.

Начнем с того, что поисковая система Google работает на основе алгоритмов, использующих глубокое обучение. Google Ads и Doubleclick включают автоматизированную систему торгов на основе машинного обучения. Режим вождения Google Maps оценивает, куда направляется пользователь, и помогает проложить оптимальный маршрут. Youtube Safe Content использует методы машинного обучения для того, чтобы бренды не отображались рядом с оскорбительным контентом. Google Photos подсказывает, какими фотографиями следует поделиться с друзьями. Google Translate использует искусственную нейронную сеть под названием Google Neural Machine Translation (GNMT).

Голосовой помощник Google Assistant использует технологии NLP, Gmail - интеллектуальную блокировку спама, а также способность сгенерировать за человека шаблон ответа на письмо на основе текста входящего письма. У компании есть ведущий в отрасли нейросетевой фреймворк TensorFlow. Помимо использования искусственного интеллекта для улучшения своих услуг, Google развивает подразделение Google Cloud, которое продает предприятиям ряд сервисов в области искусственного интеллекта и машинного обучения.

Отметимтакже, что Google, разработавшая свой Tensor Processing Unit (TPU), относится к ключевым игрокам рынка чипсетов для глубокого обучения наряду с Microsoft, Samsung Electronics и Intel.

Заметим также, что Google активно приобретает компании в области искусственного интеллекта, вкладывая значительные средства в развитие ИИ-технологий на базе наиболее удачных стартапов. Одним из примеров является компания DeepMind, известная по победам в Go и StarCraft, работой по удержанию плазмы в токамаке и работам в области AGI.

Хайтек-компания IBM является первопроходцем и одним из лидеров рынка ИИ. Корпорация сосредоточила свои усилия на развитии знаменитого проекта IBM Watson, предоставления программного обеспечения ИИ как услуги и поставки облачных аналитических и ИИ-услуг.

Практически все компании Apple, Samsung, Microsoft, Google, HP, Dell, Intel, Panasonic,Alibaba имеют как инфраструктурные, так и программные решения в области ИИ.

К хайтек-компаниям можно отнести некоторые российские компании и прежде всего компанию Яндекс, у которой есть целый ряд проектов, базирующихся на технологии ИИ - поисковые сервисы, сервисы таргетирования рекламы, системы рекомендации контента, голосовые помощники, машинный перевод, обработка изображений, прогнозирование пробок, беспилотные автомобили и т. п. Яндекс ведет исследования в области распознавания изображений и видео, классификации и генерации текста, семантического анализа, распознавания речи, машинного перевода, диалоговых систем. Наиболее известные проекты, доступные широкому пользователю, - это поисковый сервис, виртуальный голосовой помощник Алиса и машинный перевод с поддержкой более 90 языков. Более подробно о сервисах компании Яндекс речь пойдет в разделе "ИИ в России".

Финансовые сервисы

Финансовые сервисы названы лидерами с точки зрения отраслей, применяющих ИИ в ряде аналитических отчетов и в частности в материалах FutureBridge Analysis and Insights (рис. 3.8), при этом, например, в версии от Mckinsey (рис. 3.9) отрасль не входит даже в тройку.

Как мы отметили ранее, разница в оценках является следствием отсутствия общепринятой таксономии и согласованных методик структурирования рынка.

Несмотря на разные мнения аналитиков по поводу лидерства той или иной отрасли, мы решили рассмотреть финансовые услуги в первых рядах. Среди многочисленных примеров применения ИИ-технологий в финансах можно назвать автономное выполнение торговых операций на финансовых платформах, технологию обеспечения электронных платежей, интеллектуальные системы для предоставления рекомендаций клиентам по управлению своими финансами и многие другие.

При этом основное направление использования ИИ в финансовых сервисах - это автоматизация банковских услуг. Авторы по-разному классифицируют направления применения ИИ в банковской сфере. Один из вариантов (в концепции Deepsense.ai) показан на рис. 3.10. Здесь технологии группируются вокруг пяти основных направлений: "понимание клиента", "автоматизация обслуживания клиентов", "улучшение продаж", "управление кредитными рисками", "оптимизация работы бэк-офиса".

Понимание клиентов основано на глубоком обучении в анализе клиентов на основе информации из различных источников (транзакций, журналов онлайн-банкинга, взаимодействия пользователей с колл-центром). Это позволяет создать для клиентов интеллектуальных помощников и дать персонализированные рекомендации.

Клиенты часто уходят без явных причин, что затрудняет выработку стратегии борьбы с оттоком. Прогнозирование и оптимизация оттока на базе ИИ включает анализ стоимости потребителя на протяжении его жизненного цикла и помогает сфокусироваться на удержании наиболее ценных клиентов. Данная процедура требует проведения анализа больших наборов данных, меняющихся во времени, включая взаимное влияние поведения одних клиентов на других, и дает возможность распознать закономерности в подобного рода данных. Решения на базе ИИ используются для выявления ценных клиентов, клиентов в зоне риска и выработки для них специальных предложений с целью их удержания.

Глубокое обучение эффективно для анализа взаимодействия клиентов с веб-ресурсами. Понимание поведения пользователей позволяет банку сосредоточить маркетинговую деятельность на потенциальных клиентах и показывать им только персонализированную рекламу, дает возможность банку выбрать правильного покупателя и правильный продукт для перекрестных продаж.

Методы машинного обучения, комбинированные с традиционными моделями скоринга, дают высокие результаты.

ML позволяет практически полностью автоматизировать обнаружение мошенничества, оптимизировать стратегии взыскания долгов, выбирая для каждого клиента оптимальную коммуникацию.

Автоматизация обслуживания клиентов - это та часть работы банков, которая кардинально изменилась при внедрении ИИ-систем. Банковские чат-боты, или виртуальные помощники с искусственным интеллектом, существенно снимают нагрузку с сотрудников. Задачи, которые раньше решались путем непосредственного общения с человеком, теперь выполняются в разговорном интерфейсе с виртуальными помощниками, позволяя финансовым учреждениям общаться с миллионами клиентов одновременно и предупреждать пользователей о потенциальных проблемах или предстоящих платежах.

Чат-бот с ИИ упрощает для клиентов множество задач, позволяя не только получать различного рода информацию, но и осуществлять транзакции. Автоматизация обслуживания в банках кардинально снижает нагрузку на службу поддержки клиентов, решая многие простые вопросы, вообще не привлекая сотрудников. Автоматическая биометрическая идентификация, включая голосовую проверку личности, дает возможность проводить проверку быстро и незаметно для пользователя.

Управление кредитными и операционными рисками позволяет найти баланс между повышением прибыльности и санкциями за несоблюдение различного рода регуляторных требований.

Оптимизация продаж - еще один пример, где используются технологии с привлечением ИИ. На современном рынке банки предоставляют разнообразные депозитные, кредитные и инвестиционные продукты, и при этом значительная часть существующих клиентов может использовать только один из них. Банки регулярно проводят кампании по предложению новых продуктов. Известно, что продать продукт существующему клиенту проще, чем потенциальному. У банков есть ценный актив - данные о клиентах. Финансовые организации используют данные о своих клиентах с тем, чтобы получить представление о возможностях перекрестных и дополнительных продаж. А также для предоставления более персонализированных продуктов и финансовых консультаций.

Машинное обучение активно применяется для интерпретации данных о клиентах, выявляя людей, наиболее открытых для перекрестных и новых продаж. Вместо продаж, основанных на универсальных кампаниях, банки могут персонализировать свои продукты для определенной целевой группы, что позволяет повысить окупаемость кампании, увеличить качество обслуживания клиентов на основе предсказания их потребностей.

Оптимизация работы бэк-офиса подразумевает документирование рабочих процессов (классификации документов, сегментации клиентов) и автоматизацию процессов (кассовых операций, торгового финансирования, обработки кредитных заявок, бухгалтерских процессов). Все это ведет к сокращению объема ручной работы, связанной с организацией обслуживания клиентов.

Говоря о степени внедрения ИИ в различных видах банковской деятельности, полезно обратиться к статистике по рынку США, как наиболее развитому. Аналитики из компании Nuvento попытались провести количественный анализ степени адаптации применения ИИ-технологий в разных направлениях банковской деятельности (рис. 3.11).

Как следует из рисунка, на первом месте находится " оценка рисков", в тройку входят также финансовые исследования/анализ и управление инвестициями и портфелем ценных бумаг. Процесс одобрения кредитов, который часто приводят как пример банковской деятельности, где активно применяется ИИ, находится лишь на пятом месте. Категория KYC и AML расшифровывается как Know Your Customer (процесс получения информации о клиенте, проверки его личности и т. п.) и Anti-Money Laundering (борьба с отмыванием денег - комплекс мер, осуществляемых финансовыми учреждениями и другими регулируемыми организациями для предотвращения финансовых преступлений).

Говоря о применении ИИ в банковской сфере в России, следует привести опыт компании Сбер. В Сбербанке развиваются технологии поддержки принятия решений, компьютерного зрения, обработки языка, речевой аналитики, что позволяет в значительной степени повысить качество сервисов.

Транспорт и автомобилестроение

Автопроизводители по всему миру используют искусственный интеллект практически во всех аспектах процесса создания и эксплуатации автомобилей - на этапе проектирования, виртуального тестирования, на этапе производства в системах планирования цепочек поставки, в роботах, собирающих автомобили, в беспилотных автомобилях, использующих машинное обучение и компьютерное зрение для автономного движения, в системах "помощи водителю", в сервисах предиктивного обслуживания, страхования и т. п.

Условно применение ИИ-технологий в автомобильной промышленности можно разбить на три этапа (рис. 3.12).

Кратко рассмотрим упомянутые этапы. Говоря об этапе проектирования, можно привести пример применения цифровых двойников, которые базируются на сочетании моделирования физических процессов и моделей, основанных на данных с использованием методов машинного обучения. Цифровые двойники позволяют провести большую часть испытаний на виртуальных моделях на стадии проектирования и устранить возможные недочеты до запуска машины в производство.

Задача оптимизации цепочек поставки также является актуальной проблемой для автомобильной промышленности. Современный автомобиль состоит из сотен тысяч деталей. Возможность построить цифровой двойник Цифровые двойники в большинстве случаев создаются с использованием технологий ИИ сложного логистического процесса (включая склады, распределительные центры, перевозку, системы формирования заказа и отслеживания груза, автоматизированные системы учета и маркировки груза и так далее) позволяет получить существенную экономию ресурсов.

Цифровые двойники, которые начинают создавать на стадии проектирования, сопровождают автомобиль на всем этапе его жизни, что дает возможность оптимизировать изделие и сервисы на его основе на всех этапах, включая процессы проектирования, изготовления компонентов, сборку, складирование, продажу, обслуживание и даже утилизацию.

Производство автомобиля - весьма широкая тема. Ее можно рассматривать как с точки зрения создания новой умной производственной инфраструктуры, так и с точки зрения создания умных элементов автомобиля.

В первом случае речь идет о компаниях, занятых в создании так называемого умного производства автомобильной промышленности, которое подразумевает использование ряда интеллектуальных технологий - таких как системы разработки новых передовых материалов, системы быстрого прототипирования, 3D-печати, создания передовых автоматизированных сборочных линий, применения эк-зоскелетов для участников сборочного процесса и других технологий, которые, как правило, используют внутри себя или интегрированы с системами ИИ.

Комментируя тему производства автомобиля, можно также говорить о производстве компонентов автомобиля, имеющих элементы ИИ. Здесь можно упомянуть компании, занятые разработкой инфраструктуры подключенных автомобилей, разработчиков интеллектуальных систем для беспилотных автомобилей.

Технологии ИИ также активно применяются в послепродажном обслуживании транспортных средств. Автопроизводителям важен анализ опыта клиентов по использованию различных функций, информация о сбоях и поломках, данные о предпочтениях пользователей. Сбор и обработка этих данных с использованием методов машинного обучения позволяет получить информацию не только для лучшего обслуживания автомобиля, но и для создания более совершенных его версий в будущем. Упомянутые выше цифровые двойники эффективны и в отслеживании истории изменений в автомобиле на протяжении его жизненного цикла, в том числе и при смене автовладельца. Это особенно актуально в связи с тем, что при смене собственности история обслуживания транспортного средства может потеряться из-за отсутствия интеграции учетных ИТ-систем.

Комментируя тему "оценки рисков мониторинга и помощи водителю", следует отметить провайдеров, занятых разработкой систем планирования маршрутов на базе ИИ, помощи при парковке или таких сервисов, как например, пулинг Основа пулинга - это онлайн-платформа, на которой участники видят расписание перевозок в определенный распределительный пункт и могут разделять перевозчиков, чтобы оптимизировать процесс загрузки транспорта . Здесь также можно отметить разработчиков систем обеспечения безопасности - компании, поставляющие решения в области физической безопасности автомобиля и водителя, включая распознавание эмоционального состояния водителя ( усталость Например, разработаны системы на базе ИИ, которые используются для мониторинга движения глаз водителя и которые могут дать ответ на вопрос - спит ли он/ устал или нет , прием алкоголя), а также системы обнаружения аварий. Кроме того, необходимо упомянуть поставщиков систем диагностики транспортного средства, разработчиков персональных голосовых ассистентов и т. п. Сюда же следует отнести кибербезопасность - отдельное многопрофильное направление, где ИИ играет все большую роль.

Тема беспилотных автомобилей, упомянутая на рисунке 3.12, имеет особое место в вопросах применения ИИ в автомобильной промышленности. И о ней поговорим отдельно далее в этой лекции.

На этапе обслуживания на рис. 3.12 выделено две темы: предиктивное техническое обслуживание и страхование. Согласно данным [128], оптимальное проведение технических ремонтов может повысить время жизни автомобиля почти на 50%. Предиктивное техническое обслуживание, используя технологии машинного обучения, помогает определить, когда машина или деталь автомобиля нуждается в обслуживании, еще до наступления неисправности.

Предиктивное техническое обслуживание может быть использовано для оптимизации работы двигателя, трансмиссии, выхлопных систем и общей стабильности работы автомобиля. При высокой кон-куренции на рынке сервисы в области предиктивного обслуживания являются важным показателем качества услуг.

В качестве примера использования ИИ в области страхования можно привести систему на базе ИИ, позволяющую клиенту загрузить фотографии с места происшествия в приложение, которое распознает поврежденные части автомобиля, сопоставляет их с эталонным состоянием машины, выделяет деформированные участки, тип повреждения и по каждому дефекту подбирает формат ремонта.

Беспилотные автомобили

Тема беспилотных автомобилей непосредственно связана с успехами в области ИИ. Переход на автомобиль без водителя - это логичный этап в развитии автотранспорта на пути автоматизации всех его функций, превращения автомобиля из механического устройства в программное, интеллектуальное. Этот процесс может быть выражен количественно. Так, стоимость приложений, связанных с ИИ в автомобиле, постоянно увеличивается: если в 2019 г. (по данным FutureBridge Analysis and Insights) на долю ПО в стоимости автомобиля приходилось около 10%, а на контент менее 5%, то к 2030 году на долю ПО будет приходиться около 45% стоимости, а на долю контента около 20%.

Действительно, традиционно в автомобилестроении доминировали производители двигателей внутреннего сгорания, их поддерживали производители деталей, поставщики технологий и т. д. Рост числа электромобилей и подключенного транспорта выводит на передний край новых игроков. Как и во многих других отраслях, идет процесс, в результате которого механика постепенно становится вторичной, а программное обеспечение первичным.

Беспилотный автомобиль - это технология, которая кардинально меняет саму концепцию транспортного средства, превращая его из объекта управления в устройство, которое, по сути, берет на себя все когнитивные функции водителя.

Упрощенная функциональная схема автономного транспортного средства состоит из пяти основных компонентов: датчики, восприятие и понимание сцены, планирование поведения и движения, управление автомобилем и общая система управления ( рис. 3.13). Автономный автомобиль - это сложнейший технический объект, который обеспечивает получение данных с помощью широкого набора датчиков и приборов (GPS-данные, IMU- данные Inertial Measurement Unit - инерциальный измерительный блок, то есть набор чувствительных элементов (гироскопов и акселерометров), фиксирующих инерциальные воздействия , видеоданные и т. п.) и на основе синтеза и интеллектуальной обработки этих данных принимает решения, обеспечивающие управление автомобилем. Самоуправляемые автомобили сочетают в себе технологии машинного обучения, навигации, картографии, облачные технологии, которые вместе с различными датчиками, камерами и радарами обеспечивают автомобилям способность автономного движения при различных погодных условиях.

Различают разную степень автономности/автоматизации автомобиля от нулевого до пятого (см. табл. 3.4).

Аналитические компании делают прогнозы процентного соотношения автомобилей, соответствующих разным этапам автоматизации на ближайшее будущее. В частности, согласно исследованиям аналитической компания FutureBridge (см. рис. 3.14), в 2019 году примерно 89% автомобилей относились к 1 уровню, и по прогнозам аналитиков, к 2030 году на автономные автомобили 3 уровня будет приходиться более 40% (большая часть рынка) [129].

По мнению аналитиков, существенным тормозом внедрения автономного транспорта в мире является тот факт, что в настоящее время немногие страны имеют необходимую вспомогательную инфраструктуру

Темой беспилотного транспорта занималось и продолжает заниматься большое число компаний. Представление о том, какие средства ведущие разработчики вкладывали в развитие данного технологического направления, можно получить по данным рис. 3.15.

Примечание: в категории "другие" представлены совокупные минимальные расходы компаний, включая Яндекс, Mobileye, Daimler и Bosch, Audi, Voyage, Optimus Ride, May Mobility, Oxbotica, Wayve Al, WeRide, AutoX, Pony Al, Didi Chuxing, BMW, Zenuity, FiveAl, Nissan, Drive.ai.

Tesla не фигурирует явно на рис 3.15, который приводит данные совокупных инвестиций до 2019 года, но в последнее время Tesla предлагает одни из наиболее передовых решений в области беспилотного транспорта. В частности, исследователи компании специально под задачи беспилотного вождения спроектировали новый нейропроцессор - DOJO. Его особенностями являются пониженная точность вычислений и полное дублирование всех вычислений, обеспечивающее беспрецедентный уровень отказоустойчивости.

В России ряд компаний занимается разработкой беспилотных автомобилей.

В первую очередь в этом отношении следует отметить компанию Яндекс,котораязанимаетсябеспилотнымиавтомобилямис2017года. Яндекс запустил первый в Европе сервис роботакси в 2018 году и первый в России автономный робот доставки Яндекс.Ровер в 2019 году.

В 2020 году компания объявила о выделении этого направления в отдельную компанию Yandex Self-Driving Group Беспилотные автомобили Яндекса испытывались также на дорогах в Калифорнии США. - Примечание научного редактора . У Яндекса есть команда сотрудников в Израиле, где компания получила разрешение на испытания беспилотного автомобиля в 2018 году. В августе 2022 г. появилась информация, что Яндекс планирует перевести из России в Израиль разработку технологий для развития беспилотного такси и роботов-доставщиков. Компания уже начала перевод работы своих сервисов на облачную инфраструктуру зарубежных провайдеров, подчеркнув, что исходный код и технологии беспилотных автомобилей останутся в России, а переход на внешние облачные сервисы необходим для выхода на новые рынки [131].

КАМАЗ разрабатывает беспилотник на основе дизельного КАМАЗ-4308 (проект "Одиссей") и беспилотный "Челнок" 3373. Компания планирует запустить беспилотные фуры по международным магистралям к 2025 году.

В Научном центре ФГУП НАМИ разрабатывают самоуправляемый автобус НАМИ Шатл.

В 2020 году в Сбере создана компания "СберАвтоТех" для развития автомобильных сервисов Сбера.

Темой беспилотных автомобилей занимается в России также компания НПО СтарЛайн, специализирующаяся в области телематики и автоматизации перевозок.

ИИ в атомной энергетике

Говоря о применении искусственного интеллекта в энергетике, мы решили сконцентрироваться на теме применения ИИ в атомной отрасли. С одной стороны, в связи с тем, что данная тема относится к профессиональным интересам авторов, а с другой - по той причине, что с помощью технологий ИИ в данной индустрии решается широкий спектр задач, на примере которых можно раскрыть принципы работы целого ряда технологий.

Применение ИИ в атомной отрасли позволяет снизить затраты на проектирование, получить более безопасные конструкции, оптимизировать производство и строительство установок, оптимизировать эксплуатацию и обслуживание АЭС, сократить расходы, связанные с топливом, с выводом АЭС из эксплуатации, с утилизацией отходов, более успешно конкурировать с другими видами генерации электроэнергии.

Искусственный интеллект и атомную энергетику принято считать новыми технологиями, однако их развитие происходит уже более 70 лет. В известной степени эти технологии можно назвать ровесниками. Действительно, возраст ИИ большинство аналитиков отсчитывают со времен появления теста Тьюринга (1950 год), примерно в это же время (в 50-х годах прошлого столетия) началось проникновение на рынок атомной энергетики. Обе технологии - "мирный атом" и искусственный интеллект - сопровождались интенсивными научными исследованиями и, по сути, стали символами технологического и научного прогресса человечества. Статьи, связанные с использованием ИИ для нужд атомной энергетики, появились более 50 лет назад. Так, например, статья Application of Artificial Intelligence Techniques to Digital Computer Control of Nuclear Reactors ("Применение методов искусственного интеллекта для цифрового компьютерного управления ядерными реакторами") датируется 1975 годом.

Все атомные станции имеют центры мониторинга и диагностики. Атомная энергетика опирается на данные, а следовательно, это именно та область, где перспективы применения ИИ весьма велики.

Компьютерное зрение

В атомной отрасли применяется множество решений, работающих на базе технологий компьютерного зрения. Одно из них связано с мониторингом состояния конструкционных материалов Материалы, из которых изготавливаются различные конструкции, детали машин, элементы сооружений, воспринимающих силовую нагрузку. Определяющими параметрами таких материалов являются механические свойства, что отличает их от других технических материалов (оптических, изоляционных, декоративных и др.) .

Воздействие высоких температур и радиации может приводить кповреждениямответственныхизделий.Небольшая трещина в ядерном реакторе способна привести к катастрофическим последствиям. Инспекция критически важных систем, таких как ядерные реакторы, на наличие дефектов достаточно трудоемкая процедура. Регулярная инспекция компонентов АЭС необходима для обеспечения безопасной эксплуатации. Существующая практика в основном сводится к просмотру видеозаписей инспекций. Это кропотливая работа, требующая высокой квалификации и пристального внимания специалиста во время многочасового просмотра видеозаписей.

Традиционная практика выявления трещин на реакторах является утомительной и субъективной. Обнаружение трещин осложняется в силу наличия шумовых паттернов на поверхности исследуемого материала. Применение компьютерного зрения позволяет автоматизировать работу по выявлению дефектов.

Несмотря на то, что речь идет об автоматизации процесса, ответственность за классификацию дефектов в данном случае все равно берет на себя человек, пользуясь системой поддержки принятия решений, а не системой принятия решений.

В качестве примера можно привести проект, описанный в статье авторов из Университета Пердью, США под названием "Обнаружение трещин на основе глубокого обучения с использованием сверточной нейронной сети и слияния данных по методу Наивного Байеса" [132].

В рамках упомянутого проекта была предложена система на основе сверточной нейронной сети и схемы объединения данных, извлеченных из каждого видеокадра, для повышения общей производительности и надежности системы.

Система предоставляет оператору количественную информацию о трещине, позволяет перейти к конкретным кадрам, чтобы изучить дефекты и определить, какие действия могут быть необходимы. Приложение может использоваться в сочетании с роботизированными комплексами и беспилотниками, которые используются для сбора большого количества визуальных данных, позволяя выявлять и устранять структурные повреждения до катастрофических инцидентов.

В публикации [133] описана разработка национальной лаборатории Ок-Ридж в Теннесси, где создали систему на основе глубокого обучения, которая может оперативно обнаруживать и анализировать радиационные микроповреждения материалов с высокой точностью. По данным авторов, сравнительный анализ показал, что нейронная сеть позволяет выявить и классифицировать около 86% дефектов в исследуемых материалах, при том что люди обнаруживают лишь 80% дефектов.

Новаторским и весьма перспективным следует назвать проект, выполненный международным университетом Флориды (FIU) в рамках сотрудничества с Национальной лабораторией Айдахо (INL) и направленный на изучение использования небольших беспилотников для осуществления обходов внутри помещений АЭС. При пролете дрон видит изображение QR-кода под некоторым углом зрения, восстанавливает изображение в первоначальном виде, распознает его и получает информацию о своем текущем местоположении, определяет свои координаты и обеспечивает навигацию пролетов.

На атомной станции достаточно много работ приходится на так называемые обходы, когда сотрудникам нужно пройти определенные точки и собрать данные. Это могут быть обходы, связанные с проверкой отсутствия дефектов в работе оборудования, контроля безопасности и т. п. В некоторых случаях может возникать необходимость инспекции зон, которые предоставляют угрозу для здоровья. Сотрудниками FIU разработан проект под условным названием ROUNDS ("Route Operable Unmanned Navigation of Drones" - "Маршрутная беспилотная навигация дронов"), в котором роль обходчика выполняют дроны.

Разработчикам проекта пришлось преодолеть ряд проблем, включая отсутствие GPS в закрытых помещениях, отсутствие возможности свободного пролета между помещениями (закрытые двери), ограниченный размер дрона, лимитированный удобством подлета к датчикам (как следствие - ограниченная емкость аккумулятора и время пролета на одном заряде), относительно дорогие запчасти.

Проект показал перспективность использования беспилотников для проведения обходов на АЭС с возможностью снятия показаний с приборов, инспекции опасных мест, проведения радиационного обследования, в том числе на высоте, недосягаемой для человека. В упомянутом проекте дрон осуществляет облет помещения, считывая QR-коды на стенах и элементах оборудования.

Еще один пример применения систем компьютерного зрения на АЭС-это выполненный специалистами FIU проект, в котором методы глубокого обучения позволили реализовать систему автоматизации ручной регистрации показаний аналоговых датчиков, манометров и т. п. Решение позволяет распознавать изображения многочисленных датчиков под разными углами зрения, корректно считывая показатели их значений. Использование системы на базе ИИ для автоматизированного считывания показаний датчиков сокращает время обходов операторами, калибровку датчиков, повышает точность данных для онлайн-мониторинга. Если какой-то большой и дорогой агрегат имеет встроенную панель мониторинга, данные которой сложно получить программно, целесообразно поставить над этой панелью дешевую камеру и считывать данные в режиме 24/7.

Технологии компьютерного зрения уже давно применяются в Госкорпорации "Росатом" - это распознавание и обработка документов, технологии распознавания лиц на контрольно-пропускных пунктах, контроль наличия у сотрудников средств индивидуальной защиты. Подобный проект был выполнен в конце 2019 - начале 2020 годов на Кольской АЭС, где внедрили систему машинного зрения для проверки применения средств индивидуальной защиты, снижая риск травматизма персонала при опасных работах. С помощью стационарных камер видеонаблюдения детектируются люди и контролируется наличие на них касок, перчаток и других средств защиты.

Анализ естественного языка, понимание и синтез речи

АЭС - один из сложнейших технологических объектов. Учитывая огромный объем документации при проектировании, строительстве и эксплуатации атомных станций, в отрасли востребованы многие задачи, связанные с обработкой естественного языка: классификация текстов, маршрутизация документов, выделение требований в нормативной документации и т. п.

В качестве примера использования технологий NLP в атомной индустрии можно привести проект, проводимый в рамках Национальной лаборатории Айдахо, в котором ИИ используется для автоматизации процесса проверки отчетов о состоянии АЭС (анализ и классификация записей по разным категориям, включая степень влияния на безопасность атомной станции). В подобные отчеты попадает информация, полученная при обходах, это могут быть записи о разного рода дефектах (протечке воды, появлении шума или вибрации в оборудовании и т. д.). До внедрения систем на базе ИИ подобные отчеты рассматривались ежедневно комиссией из нескольких человек, что занимало существенный человеческий ресурс, требовало привлечения коллектива специалистов разного профиля.

Использование NLP позволило классифицировать регистрируемые записи по типу неисправности, присваивать записям уровень приоритетности рассмотрения, определять, кому непосредственно должна быть адресована та или иная задача, что существенно экономит ресурсы.

В Госкорпорации "Росатом" накоплено множество текстов, на основе которых можно строить системы поддержки принятия решений, и реализован ряд проектов, связанных с анализом естественного языка.

Один из успешных проектов под названием "Интеллектуальный анализ нормативной документации" выполнен компанией ЧУ " Цифрум Частное учреждение по цифровизации атомной отрасли "Цифрум" создано в 2019 году с целью развития направлений сквозных цифровых технологий в атомной отрасли. В ЧУ "Цифрум" представлены центры компетенций по Искусственному интеллекту, Цифровым двойникам, IoT, AR/VR, Управлению данными и Базами знаний " совместно АО " РАСУ Росатом. Автоматизированные Системы Управления ".

В отрасли актуальна проблематика управления требованиями. Она особенно важна при проектированиии и строительстве АЭС, где объем требований исчисляется сотнями тысяч.

Основные требования заказчика к проектированию и сооружению АЭС формируются в контракте. Помимо этого, для получения лицензии на эксплуатацию АЭС у государственных регулирующих органов проект должен удовлетворять требованиям национальных и международных стандартов. Важной задачей является выделение требований из текстов нормативных документов в качестве отдельных самостоятельных сущностей для организации процесса управления требованиями. Нормативные документы обычно предоставляются в виде электронных документов, в которых требования описаны на естественном языке.

Таким образом, имеется документ, содержащий набор требований к строительству большого объекта, необходимо вычленить требования из документа и корректно занести в систему управления требованиями. Для этого документ нужно разбить на фрагменты и каждый фрагмент классифицировать (требование это или нет). Автоматизация этой задачи позволяет оптимизировать процесс управления требованиями и дает существенный эффект в увеличении производительности. Испытания показали 50% снижение времени на обработку текстов стандартов по отношению к существующему процессу.

Другой пример использования анализа естественного языка в Госкорпорации "Росатом" - это сервис "Атомбот.Закупки" - цифровой сервис, направленный на автоматизацию закупочной деятельности на основе искусственного интеллекта c применением программных роботов, созданных на базе платформы ROBIN RPA - российского разработчика платформы программных роботов и чат-ботов для автоматизации бизнес-процессов.

"Атомбот.Закупки" уже используется на предприятиях топливной компании "ТВЭЛ" в процессах закупочной деятельности и казначейства. Сервис осуществляет формирование и проверку технического задания и проекта договора по нормативным правилам, составляет запрос технико-коммерческого предложения и проводит сбор ценовой информации, формирует начальную и максимальную цену договора. Робот способен осуществлять выгрузку в систему документооборота, сверку отчетов о движении денежных средств, формирование единого реестра платежных поручений, сопоставление заявлений и сертификатов.

Госкорпорация "Росатом" обладает большим опытом внедрения роботов для внутренних задач атомной отрасли, а с 2018 года - появилась практика по предоставлению услуг, связанная с внедрением RPA-решений во внешних компаниях обрабатывающих отраслей, банковского сектора, ритейла, строительства и других.

Так, компанией АО " Гринатом ИТ-интегратор Росатома, который осуществляет разработку ПО, поддержку и развитие корпоративных ИТ-систем, занимается проектным управлением, импортозамещением, применяет ИИ. Реализует проекты, автоматизирующие работу с отсканированной документацией: разработка OCR-моделей, разработка умных сервисов распознавания и интеллектуального поиска в проектах, связанных с закупками, разработка сервиса по распознаванию и контролю химического состава паспортов отходов, разработка умных RPA " создан цифровой продукт Атом. РИТА (Роботизированный Интеллектуальный Технологичный Ассистент). Атом. РИТА - это RPA-платформа для настройки и сопровождения программных роботов, взаимодействующих с корпоративными системами и приложениями через пользовательский интерфейс. Командой разработки создано около 400 программных роботов, которые используются на предприятиях Госкорпорации "Росатом" для повышения эффективности бизнес-процессов. Одна из особенностей платформы - наличие интеллектуальных компонентов, которые помогают в обработке неструктурированных данных, в таких задачах, как например, классификация обращений клиентов. Также платформа умеет обрабатывать данные с отсканированных документов и взаимодействовать с пользователями с помощью обработки голосовых запросов. На момент написания курса (осень 2022г.) система напрямую маршрутизировала примерно 50% всех операционных обращений атомной отрасли. В 2021 году в составе платформы роботизации Атом.РИТА был выпущен сервис Голос - собственный движок распознавания и синтеза речи. Планируется создать на его основе единый отраслевой продукт, аккумулирующий в себе различные технологии работы с голосом и речевой аналитикой, который можно подключать к другим цифровым продуктам Госкорпорации "Росатом".

Близким к анализу естественного языка являются направления понимания и синтеза речи. Одна из областей применения - голосовые интерфейсы управления, позволяющие взаимодействовать с системой посредством голоса. Примером применения речевых технологий является задача протоколирования совещаний, когда присутствующие на совещаниях интеллектуальные агенты не только формируют скрипт произнесенной речи, но и позволяют выполнять голосовые команды вроде управления календарем и адресной книгой, формируют протоколы совещаний по форме. Пилотные испытания подобного решения были реализованы в ЧУ "Цифрум" в 2021 году.

В 2021 г. АО "Концерн Росэнергоатом" и АО "КОНСИСТ- ОС С 1992 года оказывает услуги по сопровождению и развитию информационных технологий и средств связи на АЭС. Работает в области аутсорсинга информационно-телекоммуникационных услуг, являясь внутренним интегратором АО "Концерн Росэнергоатом", а также центром компетенций в области информационных технологий, информационной безопасности и проектного управления " разработали и ввели в эксплуатацию автоматизированную систему маршрутизации запросов на базе машинного обучения. Система помогает операторам первой линии технической поддержки компании распределять поступающие запросы пользователей. Нейросеть была обучена на основе истории запросов и маршрутов перенаправления. Ожидается, что нейросеть будет маршрутизировать не менее 30 000 заявок в год. Данные, использованные для обучения нейросети, собраны в датасеты и размещены в Отраслевом реестре датасетов Госкорпорации "Росатом", который был запущен в 2021 г. для упрощения внедрения подобных систем на других предприятиях атомной отрасли.

Еще одна задача маршрутизации была решена специалистами АО "КОНСИСТ-ОС" в отношении классификации большого потока входящей корреспонденции на адрес электронной почты mailto:info@rosenergoatom.ru" title="Написать письмо">mailto:info@rosenergoatom.ru" title="Написать письмо"> mailto:info@rosenergoatom.ru" title="Написать письмо">mailto:info@rosenergoatom.ru . Было разработано решение, автоматизирующее процесс маршрутизации с использованием технологии машинного обучения для определения ответственного исполнителя на основе текста письма и вложений с изображениями, обрабатываемых с помощью оптитического распознавания текстов.

Рекомендательные системы

Еще один проект Госкорпорации "Росатом", который реализуется в ЧУ "Цифрум", это интеллектуальная система управления "Навигатор". Она включает систему поддержки принятия решений на основании данных, которая обеспечивает оперативный мониторинг и прогнозирование достижения показателей деятельности с учетом внутренних и внешних факторов влияния. "Навигатор" обеспечивает предиктивный анализ корректирующих мероприятий, оценивает влияние принимаемых управленческих решений и проверяет их фактическое исполнение.

Другой проект в области рекомендательных систем, выполненный специалистами АО "Гринатом", - система рекомендаций для обучающего портала РЕКОРД Mobile. Сотрудники госкорпорации "Росатом" регулярно проходят обучение на этой платформе, где представлено свыше 3000 курсов, разделенных на множество тематических рубрик, что делает навигацию достаточно сложной. Чтобы упростить использование платформы, специалисты отдела исследований "Гринатома" разработали рекомендательную систему на основе нейронных сетей, которая позволяет персонализировать подборку курсов. В основе рекомендательной системы лежит разновидность архитектуры рекуррентных нейронных сетей LSTM, которая позволяет выявлять зависимости между длинными последовательностями взаимодействий пользователя с обучающей платформой.

По итогам проведенного А/В-тестирования установлено, что внедрение рекомендательной системы существенно повысило метрики платформы РЕКОРД Mobile, например, на 24% выросло общее количество переходов на курсы на платформе, на 23% увеличился индекс потребительской лояльности к платформе за 2020 год.

Применение умной робототехники

Важным направлением в атомной отрасли является применение интеллектуальной робототехники, в том числе для выполнения трудоемких задач в зонах, где необходимо ограничить доступ людей вследствие высокого уровня радиации. Роботы, способные детектировать радиоактивность, могут помочь в выявлении остаточного загрязнения в помещениях.

В мире существует целый ряд научных центров, занятых в области создания умных роботов для атомной отрасли.

Например, проект RoMaNS (Robotic Manipulation for Nuclear Sort and Segregation) направлен на совершенствование технологий в области автоматизации решения критически важной с точки зрения защиты окружающей среды проблемы сортировки и сегрегации ядерных отходов. Сортировка позволяет минимизировать случаи, когда низкоуровневые отходы занимают дорогое оборудование для высокоуровневого хранения [134]. Огромное количество старых контейнеров с отходами должны быть вскрыты, исследованы, а их содержимое отсортировано. Из-за высокого содержания радиоактивных материалов это можно сделать только дистанционно с помощью роботов. Текущая практика в промышленности состоит в простом телеуправлении с помощью джойстика. Это неудовлетворительно медленный подход, учитывая огромные объемы материала для обработки. Согласно публикации [135], команда RoMaNs еще в 2017 году успешно испытала роботизированную руку с разработанной ими системой управления на базе ИИ в радиоактивной среде на объекте в северной Англии, находящемся в ведении Национальной ядерной лаборатории, и продолжает разработки в данной области.

В том же году сотрудники Далтонского ядерного института Манчестерского университета сообщили о запуске программы по созданию роботов на базе искусственного интеллекта, направленную на очистку ядерных отходов [136]. Центр робототехники и искусственного интеллекта для ядерной промышленности Robotics and Artificial Intelligence for Nuclear (RAIN) получил 12 миллионов фунтов стерлингов для решения таких проблем, как вывод из эксплуатации, утилизация отходов, термоядерный синтез, продление срока службы станций и строительство новых объектов. Центр объединяет специалистов из университетов Оксфорда, Ливерпуля, Шеффилда, Ноттингема, Ланкастера, Бристоля и Управления по атомной энергии Великобритании, а также международных партнеров из США, Италии и Японии.

Проблемами разработки роботизированных систем для очистки ядерных отходов занимаются во многих лабораториях. Например, в лаборатории экстремальной робототехники Бирмингемского университета выполняется проект, в рамках которого изучается проблема категоризации объектов отходов на основе RGBD RGB-D (Red Green Blue-Depth) - цветные 3D-изображения в виде облака точек обнаружения и категоризации отходов для вывода из эксплуатации ядерных объектов [137]. Для обеспечения возможности автономного роботизированного манипулирования при выводе из эксплуатации необходимо обнаружить и классифицировать объекты ядерных отходов. Поскольку большое количество аннотированных данных об объектах отходов в настоящее время недоступно, специалисты разработали подход слабоконтролируемого обучения, который способен обучить глубокую сверточную нейронную сеть на основе немаркированных RGBD видео, требуя при этом очень мало аннотаций.

Интеллектуальная робототехника применяется не только для манипулирования радиоактивными отходами. Говоря о работах, выполняемых в Госкорпорации "Росатом", можно упомянуть проект на Калининской АЭС, где выполняется внедрение робототехнического комплекса противопожарной защиты машинных залов с элементами искусственного интеллекта. Разрабатываемая установка включает комплекс роботизированных лафетных стволов. У каждого робота задан свой определенный сектор, который он сканирует тепловизором, и в случае обнаружения возгорания система передает соответствующий сигнал на блочный щит управления энергоблоком и приступает к тушению в автоматическом режиме либо при управлении оператором [138].

Математическое моделирование

Атомная станция представляет собой сложную многокомпонентную систему, определяемую физическими процессами высокой сложности. Мультифизическое моделирование на основе решения дифференциальных уравнений упомянутых физических процессов требует больших вычислительных ресурсов и, соответственно, существенного расчетного времени. Для управления работой станции в нормальных и аномальных условиях различные системы АЭС (например, компоненты активной зоны реактора) подвергаются непрерывному мониторингу, что приводит к получению огромных массивов данных, которые целесообразно обрабатывать с помощью методов ИИ для прогнозирования поведения подсистем АЭС и принятия оперативных решений на основе фактических и прогнозных данных. Модели на основе данных с использованием машинного обучения в ряде случаев дополняют моделирование физических процессов.

В Госкорпорации "Росатом" разработано программное обеспечение для мультифизического математического моделирования и анализа инженерных данных - "Логос". Комплекс создан на основе цифровых разработок саровского предприятия РФЯЦ-ВНИИЭФ.

В настоящее время "Логос" состоит из пяти программных модулей: "Логос Аэро-Гидро" (для моделирования аэро-, гидро-, газодинамических процессов), "Логос Тепло" (для моделирования процессов теплопередачи), "Логос Прочность" (для решения статических и динамических прочностных задач),"ЛогосГидрогеология"(для решения задач водного баланса территорий и моделирования экологических процессов в сложной геологической среде), "Логос Платформа" (для интеграции в единую вычислительную платформу модулей "Логос" и ПО класса САЕ Computer Aided Engineering - общее название для программ, предназначенных для решения различных инженерных задач: расчетов, анализа и моделирования физических процессов от различных российских разработчиков, а также для решения задач оптимизации методами машинного обучения).

Обучение с подкреплением

Исследователи из DeepMind вместе с коллегами из Швейцарии создали алгоритм машинного обучения для удержания плазмы в токамаке [139]. Они обучили его на высокоточном симуляторе, а затем показали работоспособность подхода на реальном токамаке в Швейцарии [140]. Термо ядерный реактор предполагает создание плазмы, в которой происходит управляемый термоядерный синтез - слияние ядер с выделением огромного количества энергии. Для термоядерных реакторов предлагались разные конструкции, но на данный момент лидирует токамак - эту конструкцию в свое время разработали советские физики Тамм и Сахаров. Она же используется в международном реакторе ITER, который должен начать работу и получить первую плазму в 2025 году. Токамак состоит из тороидальной камеры, вокруг которой расположены магнитные катушки. Они позволяют удерживать плазму с помощью магнитного поля, не давая ей столкнуться со стенками токамака и разрушить их.

Еще в середине XX века стало ясно, что удержание плазмы магнитным полем - крайне сложная задача, потому что в ней не минуемо возникают неустойчивости. В итоге даже лучшие токамаки удерживают ее в течение очень небольшого времени: в прошлом году китайский EAST установил рекорд, удержав горячую плазму (120 миллионов градусов) в течение 101 секунды, а создатели ITER рассчитывают на 400-600 секунд.

Алгоритмы обучались на высокоточном симуляторе токамака, разработанном специалистами Швейцарского центра плазмы. После обучения авторы проверили работу нейросети-исполнителя на реальном токамаке в этом центре и подтвердили, что он способен удерживать плазму и поддерживать разные ее конфигурации, в том числе двойную, при которой в токамаке формируется два отдельных плазменных шнура.

Мониторинг технического состояния и предиктивная аналитика

Одним из важнейших направлений применения искусственного интеллекта в атомной отрасли является предиктивная аналитика. Решения в области предиктивной аналитики позволяют оптимизировать процессы технического обслуживания и ремонта промышленного оборудования, повысить качество решений, принимаемых на основе данных, совершенствовать производственные процессы, снизить брак производимой продукции. К типовым задачам предиктивной аналитики в промышленности можно отнести следующие.

Любое оборудование подвергается износу и требует ремонта. Одна из задач эксплуатирующей организации состоит в том, чтобы собрать исторические данные о его работе и поведении и оценить, сколько есть времени до выхода из строя этого оборудования. Такая задача называется RUL (Remaining useful life estimation), или прогноз остаточного ресурса ( рис. 3.16).

Конструкционные материалы, испытывающие механические нагрузки, со временем начинают изнашиваться, что приводит к наступлению стадии аномальной работы оборудования - такое состояние не обязательно требует полной остановки, но должно рассматриваться как предупреждение о том, что машина находится в неоптимальном режиме работы и требует проведения технического обслуживания.

Одна из проблем, с которой сталкиваются производственные предприятия и АЭС в частности, заключается в сложности ранней диагностики аномалий, поскольку в накапливаемых данных нет примеров для точного описания аномального поведения установок [141]. Промышленная предиктивная аналитика для технического обслуживания, часто с использованием цифровых копий реальных объектов, является одной из центральных областей, где применяется ИИ. Развитие данной экспертизы внутри Госкорпорации "Росатом" важно для создания систем мониторинга технического состояния и оценки остаточного ресурса оборудования, что позволяет оптимизировать проведение обслуживания сложного дорогого оборудования, снизить количество необходимых ремонтов и число внеплановых остановок.

Аварийная остановка турбогенератора на АЭС может обходиться оператору в 1 млн евро за каждый день простоя. При этом использование предиктивного управления техническим обслуживанием и возможность прогнозирования аномального поведения в работе оборудования дает возможность перевести внеплановую остановку в плановую, что позволяет избежать штрафных санкций за недовыработку энергии.

Центры компетенций по предиктивной аналитике в промышленности внутри Госкорпорации "Росатом" есть в компании ЧУ "Цифрум", в АО "Концерн Росэнергоатом" на базе компании АО "КОНСИСТ-ОС", в топливной компании АО "ТВЭЛ", АО "Атом-энергопромсбыт" и других.

В 2022 г. на Нововоронежской АЭС завершился первый этап реализации пилотного проекта по внедрению системы предиктивной аналитики, которая призвана прогнозировать состояние оборудования и вероятность его выхода из строя в будущем, усовершенствовать его работу, избежать простоев, экономических убытков и, в конечном итоге, повысить надежность, безопасность и эффективность производства [142].

В рамках первого этапа на энергоблоке № 6 с реактором ВВЭР-1200 были созданы предиктивные модели генератора, турбины и четырех циркуляционных насосов. Данные о работе оборудования поступают в режиме онлайн в АО "ВНИИАЭС", где с помощью комплекса программ анализируются сотни параметров и выявляются закономерности, которые помогут предсказать, как оборудование будет вести себя в будущем и какие оптимальные решения и действия в связи с этим должны быть предприняты персоналом.

В задаче мониторинга технического состояния очень редко удается поставить задачу в терминах обучения с учителем полноценно, так как примеров разметки (аварийных событий) в реальной практике крайне мало. Более того, если на установке происходит происшествие, которое влечет за собой замену установки или значительной ее части, это может обесценивать накопленные исторические наборы данных.

Таким образом, в рассматриваемом проекте решалась не задача классификации отклонений, а задача поиска аномалий. То есть была описана работа оборудования в нормальном режиме, и все, что от него отклоняется, рассматривается как аномалия и фиксируется для дальнейшего анализа. Информация по отклонениям используется для верификации модели, то есть модель прогоняется через все события, которые известны, и проверяется ее адекватность.

На Нововоронежской атомной станции приступили к реализации второго этапа проекта, который предполагает подключение к системе предиктивной аналитики более 50 единиц оборудования турбинного и реакторного цехов энергоблока № 6.

Отработанные на Нововоронежской АЭС решения войдут в состав так называемого Цифрового шаблона эксплуатации АЭС - интегрированного комплекса цифровых платформ и инструментов, который обеспечивает оптимальное функционирование процессов на АЭС с момента запуска объекта и до его вывода из эксплуатации и который должен быть внедрен на всех российских станциях, а также предложен в качестве нового продукта для АЭС российского дизайна, сооружаемых Госкорпорацией "Росатом" на зарубежных площадках.

Платформенное решение в области предиктивной аналитики "Атом Майнд" в 2022 году также представила топливная компания "ТВЭЛ". "Атом Майнд" - это low-code-платформа, обеспечивающая быструю разработку сервисов и приложений, использующих данные, полученные от устройств, машин и механизмов для повышения эффективности решаемых задач.

В узком смысле "Атом Майнд" - это система для управления качеством изделий и состояния оборудования. В широком - это отечественная платформа цифровизации, с единым интерфейсом и набором интеграционных инструментов для встраивания в ИТ-архитектуру предприятия, позволяющая обеспечить быструю разработку сервисов для увеличения эффективности производственных процессов.

Внедрение решения "Атом Майнд" на предприятии позволяет экономить на техобслуживании до 10% затрат, увеличить производительность оборудования, заметно снизить брак, повысить качество продукции.

В качестве еще одного примера применения предиктивной аналитики в Госкорпорации "Росатом" следует назвать пилотные проекты, выполненные специалистами ЧУ "Цифрум" совместно с Машино-строительным заводом в г. Электросталь, в котором решались задачи мониторинга состояния оборудования и предсказания качества продукции в процессе производства топливных таблеток для АЭС. Целью проекта была проверка состоятельности ряда гипотез на данных, однако в результате реализации было создано несколько моделей машинного обучения, которые продолжают использоваться.

Мониторинг состояния оператора

Нештатные ситуации на АЭС могут произойти не только по причине сбоев оборудования, но и по причине ошибок операторов, работающих в стрессовых условиях. Согласно исследованию [143], человеческий фактор является основной причиной (70-90%) аварий на АЭС. В аномальных ситуациях обученные операторы должны установить неисправность в режиме реального времени, анализируя аварийные сигналы. Во время аварийного события на АЭС типична ситуация, когда возникает ряд сигналов от нескольких систем одновременно, что затрудняет возможность оперативного принятия решений и приводит к перегрузке оператора.

Работа оператора (человека) зависит от множества факторов (здоровье, состояние организма, стрессоустойчивость, настроение и т. п.) и от внешних факторов (температура, давление, нагрузка на внимание, качество интерфейсов "человек - компьютер", нестабильность работы оборудования). В этой связи очевидно, что нужны мониторинг и прогноз поведения не только оборудования, но и опе-ратора. И решения для комплексной оценки состояния и здоровья оператора активно разрабатываются.

Одно из подобных решений - это система "здоровый оператор" Healthy Operator, которая позволяет измерять физические параметры оператора (пульс, температуру тела, положение, движение и так далее) с использованием носимых устройств и датчиков окружающей среды (рис. 3.17). Эти данные интегрируются и могут быть использованы для предоставления предупреждений о состоянии здоровья оператора в режиме реального времени. В результате синтеза данных, связанных со здоровьем, можно извлечь полезную информацию, такую как предупреждения о рисках, предложения и правила для улучшения состояния оператора.

Система обеспечения здоровья, безопасности и эффективности работы оператора может предоставлять информацию о рисках для здоровья в реальном времени, моделировать будущее поведение операторов, прогнозировать изменение их поведения, снижать эмоциональную и физическую нагрузку на человека, повышать уровень комфорта, безопасности и удовлетворенности работой.

Комплексные киберфизические системы

Выше мы рассмотрели вопросы мониторинга и применения предиктивной аналитики применительно к отдельным элементам оборудования. Следующая по уровню сложности задача состоит в объединении различных систем для создания комплексной объяснимой и надежной диагностики на уровне атомной станции, на основе анализа процессов предприятия. Концептуальную схему подобной диагностики можно найти в работе [145] со ссылкой на публикацию Арагонской национальной лаборатории старейшего национального исследовательского центра Министерства энергетики США, занятого в том числе вопросами автоматизации АЭС (см. рис. 3.18).

Подобная система включает не только мониторинг и прогнозирование различных элементов оборудования, но также систему планирования ремонтов и закупок необходимого оборудования. Как видно из рисунка, технологии ИИ здесь являются важными элементами многих подсистем. Среди наиболее актуальных задач выделены подсистемы распознавания изображений, количественная оценка неопределенности Пытается определить, насколько вероятны определенные результаты, если некоторые аспекты системы точно не известны , контроль и принятие обоснованных решений. Отмеченные на рисунке цифровые двойники в большинстве случаев интегрируют моделирование не только физических процессов, но и модели, основанные на данных, использующие технологии машинного обучения.

Выше мы рассмотрели вопросы мониторинга состояния операторов, работа которых в существенной мере определяет надежность функционирования АЭС.

Условия работы оператора (человека) и состояние оборудования (физических систем) взаимосвязаны. Надежность работы оборудования и человека можно и должно прогнозировать комплексно в их взаимосвязи на основе предиктивных моделей, построенных с использованием ИИ.

Объединение двух составляющих (анализ состояния оператора и анализ состояния оборудования) в одной киберфизической системе, управляемой на базе ИИ, - это актуальная тема, которая, в частности, подробно обсуждается в проекте NPPHCPS (Nuclear Power Plant Human-Cyber-Physical System - АЭС как человекокибер-физическая система) - рис. 3.19.

Главная идея концепции - рассмотрение АЭС как киберсистемы, являющейся пересечением двух систем: физической (оборудование, подверженное нагрузкам) и человеческой (оператор как психофизический объект, подверженный стрессу).

Комментируя объем проектов, связанных с использованием ИИ, выполняемых в Госкорпорации "Росатом", следует обратиться к рис. 3.20, где представлено процентное соотношение отраслевых проектов, связанных с различными цифровыми технологиями, по данным доклада компании ЧУ "Цифрум" по состоянию на 2021 г. В то время в Росатоме выполнялось около 200 проектов с использованием технологии искусственного интеллекта. Причем в период 2019-2021 гг. доля проектов, приходящаяся на ИИ-технологии, выросла с примерно 12% до 22%.

Часть упомянутых проектов была связана с использованием ИИ в решении различного рода задач автоматизации, вторая часть - это научно-исследовательские проекты, связанные с перспективными направлениями развития ИИ.

К прикладным следует отнести проекты по автоматизации деятель-ности обслуживающих департаментов. В этой связи можно назвать проект, выполненный специалистами компании АО "КОНСИСТ-ОС" по внедрению предиктивной аналитики для службы управления персоналом, которая помогает анализировать и выстраивать карьерные траектории сотрудников [146]. Для реализации проекта был накоплен массив данных с 2015 года. Модель, построенная с использованием машинного обучения, позволяет прогнозировать карьерные повышения, рекомендовать, на кого из большого числа сотрудников делать ставку, давать рекомендации по номинированию сотрудников в кадровый резерв.

Безопасность и эффективность систем искусственного интеллекта напрямую зависит от качества данных, на которых строятся модели. В марте 2021 года АО "Концерн Росэнергоатом", ЧУ "Цифрум" и АО "КОНСИТ-ОС" создали отраслевой реестр по учету и хранению паспортов датасетов, который позволяет отслеживать использование данных, определять ответственность и вклад разработчиков систем ИИ.

В Госкорпорации "Росатом" накопился существенный объем датасетов в рамках различных проектов. Реестр служит для упрощения повторного использования уже имеющихся датасетов в других проектах, сокращения времени на подготовку данных для создания новых моделей.

Каждый датасет размещается в реестре вместе с описанием его содержания, назначения и истории использования, что позволяет оценить потенциальную пригодность конкретного набора данных для решения других задач. Наличие реестра позволяет в случае сбоев в работе систем с искусственным интеллектом легко найти исходные данные, на которых обучалась данная нейросеть, провести анализ и внести необходимые корректировки в модель.

Среди перспективных проектов можно назвать Нейроморфный проект, выполняемый в компании ЧУ "Цифрум". Работа над концептом проекта осуществляется в рамках соглашения между МГУ, РАН и Госкорпорацией "Росатом", заключенного на Питерском Эконо-мическом Форуме в 2021 году. В ЧУ "Цифрум" создана команда исследователей, которая сфокусирована на проблематике локального обучения в импульсных нейронных сетях.

Вместе с коллегами из МГУ, РАН, ЧГУ, Сколтеха, "Лаборатории Касперского" и ряда других компаний ЧУ "Цифрум" ведет работу над созданием набора прикладных решений с использованием нейроморфных вычислений, имея в виду как реализацию в железе, так и математическое представление в виде алгоритмов, исполняемых на этом железе.

В 2020 году Госкорпорация "Росатом" и Российский квантовый центр (РКЦ) объявили о создании лаборатории по исследованию в области ИИ на квантовых компьютерах для применения этих технологий в атомной отрасли. Проект по созданию отечественного квантового компьютера (и защищенных квантовым шифрованием каналов связи), рассчитанный на срок до 2024 года, реализуется в рамках Соглашения о намерениях между Правительством Российской Федерации и Госкорпорацией "Росатом" о развитии высокотехнологичной области "Квантовые вычисления".

Следует отметить, что Госкорпорация "Росатом" занимается не только вопросами, непосредственно связанными с развитием атомной отрасли. Имея в своем составе сотни предприятий с высоким научным потенциалом, госкорпорация участвует во многих проектах для нужд самых разных отраслей России. Например, на базе платформы "Аврора" компанией АО "Гринатом" ведется разработка "Модуля Дистанционного Зондирования Земли" для нужд судоходства и мореплавания на Северном Морском пути. В платформу входят модуль "Объекты интереса", который позволяет зафиксировать на карте объекты, за которыми требуется вести наблюдение, модуль "Заказ спутниковых снимков", который обеспечивает объекты интереса данными космической съемки, и модуль "Умная аналитика", который применяет технологии искусственного интеллекта для обнаружения на космических снимках бизнесценности, указанной заказчиком. За отображение снимков и аналитических продуктов отвечает собственный ГИС-Портал, разработанный в отделе исследований.

Здравоохранение и медицина

Перед здравоохранением стоит ряд глобальных вызовов, включая резкий рост распространенности хронических заболеваний среди стареющего населения, появление новых пандемий, включая COVID-19.

В большинстве развивающихся стран нехватка медицинских специалистов увеличивает смертность пациентов, страдающих от различных заболеваний. Недостаток медицинских специалистов не будет преодолен в течение ближайшего времени. Использование технологий поддержки принятия решений на базе ИИ позволяет отчасти решить эти проблемы.

В последнее время аналитики констатируют, что рост использования ИИ в здравоохранении один из наиболее высоких. По данным Grand View Research, за период 2021-2028 гг. [147] мировой рынок решений на базе ИИ в здравоохранении будет расти рекордными темпами - около 42% в год.

По данным компании Cognilytica, процент научных публикаций по применению ИИ в радиологии за последние 10 лет вырос на 700%.

Судить о том, в каких направлениях наиболее активно применяется ИИ, можно по данным о количестве публикаций по разным направлениям медицинской науки (см. рис. 3.21).

С существенным отрывом лидируют две области - лабораторные исследования и радиология, изучающая применение лучевых методов для диагностики и лечения различных заболеваний.

В последние годы интерес к решениям на базе ИИ в медицине растет. Объем финансирования в эту область стимулировали исследования, связанные с распространением эпидемий и COVID-19 в частности. В качестве факторов, сдерживающих применение ИИ в медицине, следует назвать проблемы, связанные с отсутствием прозрачности принятия решений на базе ИИ-инструментов (проблема объяснимости ИИ), критический характер медицинских данных и необходимость обеспечения их конфиденциальности, а также нерешенность ряда юридических вопросов в отношении ответственности за неверные решения, принятые на базе ИИ-инструментария.

Решения на базе ИИ применяются в целом ряде направлений, включая мониторинг пациентов, руководство хирургической помощью (включая робохирургию), прогнозирование траектории развития заболеваний, выработку рекомендаций по их лечению и так далее (см. рис. 3.22). Возможность предсказывать заболевания на основе исторических данных о состоянии здоровья, более оперативное обнаружение и диагностика, применение умной робототехники - все это позволяет раньше начать лечение и провести его более эффективно. Системы ИИ помогают врачам в обработке длительных физиологических сигналов, таких как, например, многочасовые записи ЭКГ.

Кратко прокомментируем направления использования ИИ, показанные на рис. 3.22.

Комментируя тему "Поддержка управления здоровьем населения", в первую очередь следует сказать об административных приложениях на базе искусственного интеллекта. Это обработка заявлений, клинической, финансовой и медицинской документации, администрирование претензий и платежей, сопоставление данных в различных базах данных.

Страховщики и поставщики услуг, работающие в здравоохранении, должны проверять правильность миллионов заявлений, подаваемых ежедневно. Автоматизация данного рода задач с применением средств ИИ экономит время, деньги и ресурсы всех сторон. ИИ позволяет автоматизировать повторяющиеся задачи, такие как изучение рентгеновских снимков, анализов, компьютерных томограмм, ручной ввод данных и так далее, автоматизировать низко квалифицированную работу медиков, автоматизировать составление расписания приема пациентов, сбор отзывов пациентов, ответы на организационные вопросы и многое другое через телефон и сообщения ботов на базе ИИ. Говоря о направлении "Мониторинг пациентов", следует отметить, что в принципе задача мониторинга, предиктивной аналитики с целью оптимизации сроков проведения техобслуживания и ремонтов оборудования актуальна и для живого организма, то есть для человека. По сути, задача та же - накопить большой объем данных ("цифровую тень пациента") и на их основе построить модель, с помощью которой можно прогнозировать состояние этого пациента, планировать, когда лучше произвести профилактический осмотр, что и как "отремонтировать".

ИИ в сочетании с интернетом медицинских вещей ( IoMT Internet of Medical Things (IoMT) - интернет медицинских вещей - представляет собой инфраструктуру умных устройств, ПО, систем здравоохранения и отдельных смарт-услуг. IoMT помогает предоставлять помощь удаленно, собирать больше информации о пациенте ) меняют парадигму с "реактивного" здравоохранения на "проактивное".

Дистанционный мониторинг пациентов с помощью подключенных устройств становится эффективным инструментом контроля за развитием хронических заболеваний, позволяет делать это на регулярной основе и без частых визитов к врачу. В последнее время появилось огромное количество бытовых датчиков и приборов, которые измеряют пульс, давление, температуру, отслеживают физическую активность, фазы сна и т. ?п. Традиционные носимые устройства добавляют к базовой функциональности дополнительные возможности мониторинга состояния организма. Так, например, уже появились наушники со встроенными датчиками сердцебиения, доступны устройства, которые имплантируются в тело человека (например, подкожный глюкометр).

Анализ может осуществляться по уже собранным данным. Например, существенная часть взрослых, страдающих диабетом, даже не знают, что он у них есть. Существуют приложения на базе ИИ, способные проанализировать данные пациентов, выявлять группы с похожими признаками, делать предположения о группах риска и проводить обследования целевой аудитории.

Хирургическая помощь с применением ИИ - это тема, которая связана с применением робототехнических комплексов на этапе диагностики (включая режим телеприсутствия), для хирургических операций, для проведения реабилитации и т. п.

С помощью роботов научились проводить минимально инвазивные хирургические процедуры. Роботы обеспечивают лучший контроль над обычными процедурами, позволяют устранять тремор в руках, предотвращать случайные неверные движения. Использование интеллектуальных роботизированных систем позволяет врачам с меньшим опытом по проведению той или иной процедуры выполнять операции на более высоком профессиональном уровне. Роботы с использованием ИИ активно применяются в микрохирургических процедурах.

Существует целая группа так называемых "робопациентов" - тренажеров, имитирующих пациента, есть тренажеры для стоматологов, проктологов, акушеров и т. п. Применяются роботы-тележки для обхода больных, способные вносить данные в истории болезни на основе распознавания речи. Используются роботы, предназначенные для реабилитации пациентов, робопротезы, медицинские экзоскелеты, роботы-сиделки и прочее [149].

Прогнозирование траектории развития заболевания и выработка рекомендаций по лечению - широкая тема. ИИ создает новый подход к диагностике. Опираясь на исторические данные и машинное обучение, позволяет выявить и предсказать возможное заболевание на ранней стадии и провести эффективное лечение. Активно применяются технологии компьютерного зрения для анализа различного рода медицинских снимков, например для распознавания потенциально раковых поражений на радиологических изображениях. Глубокое обучение все чаще применяется при обнаружении клинически значимых особенностей в данных визуализации за пределами того, что может воспринимать человеческий глаз. Кроме того, ИИ позволяет существенно минимизировать степень облучения и оптимизировать точность изображений, устранить технологические погрешности, вносимые в изображения [150].

Сегодня инструменты визуализации в медицинских приложениях генерируют столь большие объемы данных, что последние становятся неуправляемыми для врачей. По данным Немецкого центра исследования рака Deutsches Krebsforschungszentrum, только в 2019 году радиологи сгенерировали в общей сложности 675 экзабайт визуальной информации, что соответствует примерно 13,5 триллионам томографических снимков - и только около 7% этих данных врачи были способны использовать в лечении [151]. ИИ позволяет существенно автоматизировать процесс обработки медицинских изображений.

Однако не следует думать, что в ближайшем будущем алгоритмы ИИ смогут заменить врачей. В отличие от ИИ люди обладают здравым смыслом, эмпатией, моралью и творческими способностями. Все эти качества очень важны в медицине, поэтому ИИ пока может играть только ассистирующую и дополняющую роль, никак не заменяя, а только помогая врачу [152].

Распространенным применением машинного обучения является предсказание того, какие протоколы лечения, скорее всего, будут успешными для пациента на основе различных характеристик этого пациента.

Перспективным является направление использования ИИ для работы с медицинскими текстами на естественном языке для автоматизации ввода извлеченных из текстов данных в медицинские информационные системы.

Кроме того, ИИ применяется для извлечения знаний и закономерностей из больших массивов медицинских текстов. Здесь можно упомянуть датасет CORD-19, собравший весь набор публикаций по теме коронавирусов за последние годы, и ведущиеся на базе него исследования по извлечению и анализу закономерностей [153].

Активно развивается направление по использованию цифровых помощников на базе ИИ, которые позволяют автоматизировать сбор симптомов у пациента с помощью систем распознавания речи, проанализировать историю болезни человека, сравнить новые данные с историческими и выдать рекомендации.

ИИ позволяет автоматизировать процесс сбора, категоризации, анализа и документирования симптомов, истории болезни и отзывов пациентов. Врачи могут сосредоточиться на осмотре пациента, перекладывая часть рутинных функций на интеллектуальные системы. Использование подобных решений во время пандемии помогает избежать коллапса медицинских учреждений, минимизировать риск заражения или инфицирования других людей, поскольку пациенту не нужно покидать свой дом.

Искусственный интеллект в виде умного помощника пациента способен облегчить жизнь пациентам, страдающим хроническими заболеваниями, требующими длительного дистанционного ухода. Существует класс решений для длительного наблюдения за пациентом, сбора жалоб и симптомов пациента с использованием технологий распознавания речи. Подобные приложения используют машинное обучение для составления предложений по лечению и многого другого.

К направлениям, перечисленным на рис. 3.22, можно добавить ИИ-системы для улучшения физической формы и самочувствия, приложения, которые работают с генетическими данными.

Еще одно направление, не упомянутое на рис. 3.22, - это разраотка новых лекарств.

Традиционные способы разработки новых лекарств требуют значительных затрат времени и денег. Борьба со вновь выявленными заболеваниями во многом зависит от способности разрабатывать и производить лекарства в кратчайшие сроки. Использование искусственного интеллекта позволяет резко сократить это время. Решения на базе ИИ позволяют изучать свойства известных лекарств и препаратов, сопоставлять их действия друг с другом и генерировать предложения по созданию новых, которые смогут справиться с ранее неизлеченными заболеваниями.

В России достаточно много организаций занимаются разработкой решений для медицины на базе ИИ. Например, на сайте http://webiomed.ru"> http://webiomed.ru">http://webiomed.ru " type="url"/> [154] представлено описание 28 российских систем поддержки принятия врачебных решений на базе ИИ. Часть из этих систем представлена в табл. 3.5.

ИИ в оборонной индустрии и силовых ведомствах

Многие оборонные и силовые структуры определяют ИИ в качестве одного из главных приоритетов. Беспилотники, автономные транспортные средства, системы наблюдения, аналитические системы обработки больших объемов информации уже сегодня имеют огромное влияние на уровень обороноспособности, на возможности обеспечения правопорядка в стране, на обеспечение общественной и личной безопасности.

ИИ в военных приложениях - это крайне широкая тема, достойная написания отдельной книги. Мы не будем подробно фокусироваться на ней, но и обойти ее, говоря об ИИ, невозможно.

Отметим известный парадокс развития человечества, который состоит в том, что многие технологии, которые служат человечеству и способствуют его выживанию и процветанию в мирной жизни, пришли из военных разработок, в которые были вложены существенные средства из щедрых оборонных бюджетов. ИИ в этом плане не исключение - достаточно вспомнить, что первые технологии развития ИИ в США были активно поддержаны финансированием со стороны недавно организованного тогда агентства DARPA.

Сегодня существует большой набор специализированных решений для различных этапов ведения военных действий от подготовки до реализации боевых операций.

Это прежде всего обработка разведывательной информации, автоматизация управления цепочками поставок вооружений и запасов в кризисных ситуациях с учетом моделирования рисков. Это оценка уязвимостей и неопределенностей, оптимизация маршрутов с учетом оперативной информации. Это умные боевые машины в воздухе, на воде, под водой. Это системы поддержки принятия решений на поле боя и т. п.

Многие гражданские приложения, основанные на ИИ, имеют свои аналоги, заточенные под решение военных задач. Так, например, поиск кадров для предприятия - это направление, где успешно применяется ИИ, и конечно, существуют соответствующие решения для поиска и найма персонала, подбора квалифицированных кандидатов, готовых к той или иной военной службе.

По аналогии с использованием ИИ для оптимизации бизнес-процессов гражданских предприятий существуют специализированные решения для автоматизации аналогичных процессов для военных, которые обеспечивают оптимизацию материальных и финансовых затрат, повышение производительности боевых действий.

ИИ применяется для обучения и проверки знаний, на базе использования современных тренажеров различныхбоевых машин, построенных с использованием виртуальной реальности и ИИ.

Не так давно человечество удивлялось победам ИИ над чемпионами игр в шахматы и Го, сегодня в военных играх и симуляторах боевых действий виртуальные пилоты, основанные на ИИ, начинают уверенно выигрывать у людей-пилотов. Системы, в которых человек работает в паре с ИИ и использует его в качестве поддержки принятия решения, весьма эффективны, но в условиях боя такая система весьма уязвима - тело человека является "узким местом" и по скорости реакции, и по той простой причине, что даже при легком ранении управление миссией может нарушиться, так что тренд на создание все более автономных систем военного применения очевиден.

Отметим, что современный беспилотный летательный аппарат - это сложнейшая высокоинтеллектуальная система, работа которой сопряжена с различными изменениями внешних условий, необходимостью корректировки траектории, адаптации системы при отказах бортовых систем аппарата в результате воздействия противника.

Перспективно использование роя недорогих беспилотников для получения целостной картины окружающей среды, защиты локальных районов, проведения разведывательных операций, для наземных войск и создания сетей связи.

Одна из приоритетных задач для военных и антитеррористических операций - это массовое наблюдение на основе использования спутников, беспилотников или видеокамер для анализа аудио и изображения для распознавания людей, транспортных средств, объектов и событий и принятия соответствующих действий. Для решения обозначенной задачи необходимо использование технологий распознавания образов, распознавания лиц, анализа больших наборов данных, выявления аномалий и т. п.

ИИ является важнейшим элементом в системах анализа разведывательных данных. Здесь используются такие технологии, как обработка естественного языка (включая автоматический перевод сообщений и переговоров, а также анализ настроений по открытым источникам), использование компьютерного зрения для обнаружения и классификации изображений для поддержки разведывательного анализа.

Актуальной задачей является раннее обнаружение секретной информации для информирования военных аналитиков, обнаружение информационных операций, использующих так называемые дипфейки Deepfake - как правило, построены на технологии генеративно-состязательных сетей и могут быть использованы для создания поддельных новостей и вредоносных обманов .

Активно разрабатываются различные интеллектуальные помощники для использования на поле боя, которые выполняют такие функции как определение критических целей, поддержка принятия решений об их поражении, сокращение сроков реагирования, оптимизация приоритетов в операциях иоптимизация распределения людскихресурсов. Подобные системы используются для предоставления бойцам информации о поле боя на основе пилотируемых и беспилотных средств.

Искусственный интеллект также является обязательным компонентом систем поддержки командования и управления. ИИ-системы обеспечивают преимущества благодаря интеграции данных о поле боя, решению задач оптимизации с учетом оперативных возможностей и ограничений.

Особую актуальность для военных объектов и систем представляет киберзащита с использованием ИИ. Подобные решения служат для выявления уязвимостей в системах, осуществляют мониторинг и анализ аномального поведения ИТ-систем, обеспечивают обнаружение и устранение возникающих угроз.

ИИ используется также для осуществления кибератак, которые предполагают определение потенциальных целей, организацию проведения кибератаки и поддержку разведывательных операций.

Системы на базе ИИ применяются также для диспетчеризации служб оперативного реагирования и организации гуманитарной помощи (определение критических целей, оптимизация ресурсов и сроков по оказанию помощи), а также для мониторинга здоровья военнослужащих и проактивного медицинского обслуживания.

В качестве примеров действующих западных проектов можно упомянуть следующие.

В 2017 году под патронажем Разведывательного управления Министерства обороны США (Defense IntelligenceAgency, DIA) была создана команда по разработке стратегии и тактики алгоритмических войн, а также программно-аппаратному обеспечению в области ИИ, именуемая как проект "Marven". Проект называют разработкой средств ведения "алгоритмической войны". По словам руководства, он призван продемонстрировать потенциал ИИ в парадигме алгоритмических войн, кибернетических, финансово-экономических, поведенческих конфликтов и противоборств, а также в области управления и прогнозирования конфликтов в пяти сферах: на земле, в воздухе, в космосе, под водой и в киберсреде [155]. Системы, созданные в рамках проекта, занимаются расшифровкой и анализом больших объемов разведывательной информации с использованием ИИ. Поскольку спонсором проекта является Пентагон, то инструментарий доступен многим разведывательным и оперативным службам США.

Программа Squad X Experimentation (Агентства перспективных оборонных исследовательских проектов DARPA) направлена на проектирование, разработку и проверку новых систем и технологий для оптимизации использования комбинированного оружия боевого отряда, для обеспечения превосходства над противником за счет синхронизации огня и маневра в физическом и киберпространстве.

Проект ATLAS (Advanced Targetingand Lethality Automated System Усовершенствованная автоматизированная система нацеливания и поражения ) направлен на создание автономных транспортных средств для ведения современной войны, это попытка создать боевых роботов, которые могут сражаться рядом с людьми, а возможно, и вместо них.

Мы рассмотрели лишь некоторые вертикальные области с точки зрения применения в них ИИ. Не имея возможности описать все, целесообразно привести краткий перечень использования ИИ-технологий в отраслях, которые мы не охватили в нашем обзоре (см. табл. 3.6).

Экосистема над экосистемой ИИ-компаний

Поставив в заголовок словосочетание "экосистема над экосисте мой ",мы имели в виду, что ИИ-компании существуют не сами по себе, а в определенной бизнес-среде, в определенном государстве с определенным уровнем цифровой грамотности граждан, с определенным уровнем развития инфраструктуры, образовательной системы и т. п. Поэтому, говоря об уровне развития искусственного интеллекта и, главное, о перспективах его использования, мы неизбежно приходим к обсуждению вопроса - в какой среде, в каком окружении формируются ИИ-компании и как эта среда влияет на их развитие. Этим вопросом задавались разные аналитики. В частности, на рис. 3.23 показаны элементы формирования ИИ-экосистемы в концепции Aicoe.ai.

Рисунок 3.23 выделяет набор организаций и процессов, которые необходимы для формирования экосистемы, обеспечивающей развитие ИИ. Авторы диаграммы говорят о том, что прорыв в развитии ИИ в стране невозможен без участия трех составляющих, которые условно обозначены как "организации", "частные лица" и "ресурсы общества".

Здесь под организациями понимаются не только ИИ-компании, но также некоммерческие и правительственные организации, а кроме того структуры высшего образования.

Частные лица подразумевают человеческий ресурс, включая тех, кто собирается учиться ИИ-технологиям (компетенции студентов, которые приходят учиться с определенным уровнем доинститутской подготовки), и потенциал преподавателей - то, насколько эти преподаватели имеют связь с реальными технологиями и способны успевать за уровнем развития ИИ.

И третья вершина - это "ресурсы общества", под которыми подразумеваются уровень развития производственных ресурсов, бизнес-среда, социальные инновации Social innovation - термин, под которым подразумеваются новые идеи, стратегии, технологии, которые способствуют решению задач, приводящих к социальным изменениям в обществе . Например, к социальным инновациям можно отнести новые системы образования, здравоохранения, системы общественных коммуникаций, использующие инновационные подходы или технологии, такие как, например, буткемпы Калька с англ. Boot camp - дословно лагерь загрузки - относительно новый вид образования, который представляет собой курс, который помогает погрузиться в изучаемый предмет и опыт в сфере IT за достаточно короткий период .

Ряд авторов обращают внимание на необходимость формирования среды для развития ИИ в той или иной стране, делая свои акценты. Например, аналитики из AI Forum в перечень важнейших элементов включают собственно ИИ-компании (корпорации и стартапы), поставщиков платформ для построения продуктов, выпускаемых ИИ-компаниями, исследовательские и учебные организации, поставляющие научные разработки и специалистов, компании-поставщики профессиональных услуг для построения ИИ-решений, государственные и правительственные компании, развивающие индустрию и профессиональные сообщества, способствующие обмену компетенций внутри отрасли.

Важным фактором развития ИИ-технологий является формирование научно-технологических центров, аккумулирующих капитал, таланты и идеи где в условиях конкурентной среды наиболее сильные компании выигрывают битву за сотрудников, инвесторов и клиентов и получают шансы стать мировыми лидерами. Наиболее сильные центры по развитию ИИ созданы в Силиконовой долине, в Лондоне, Тель-Авиве, Нью-Йорке, Пекине, Бостоне, Токио, Шанхае, Лос-Анджелесе, Париже, Берлине, Торонто, Шэньчжэне, Сеуле.

Свою иллюстрацию расширенной экосистемы, где показаны организации, которые оказывают влияние на развитие ИИ, дают японские авторы (рис. 3.24). Здесь также выделяются три движущих силы - государство (министерства и ведомства), наука (университеты и НИИ) и промышленность (в виде отраслевых НИИ и высокотехнологичных компаний). При поддержке обозначенных игроков возникают ИИ-стартапы, которые со временем трансформируются в ИИ-компании. На рис. 3.24 как частный случай показано образование ИИ-стартапа на стыке поддержки государственных структур и автомобильной промышленности.

Анализ подобного рода диаграмм и их детализация необходимы при проведении государственного планирования развития ИИ в стране.

Одной из подзадач вышеописанного подхода является планирование потребностей в специалистах и определение траекторий их обучения.

Говоря о классификации типов специалистов, необходимых для работы в ИИ-проектах, можно обратиться к табл. 3.7.

Говоря о передовых мировых университетах с точки зрения качества подготовки студентов в области ИИ, можно обратиться к исследованиям компании Analytics insight [159], которая приводит рейтинг университетов мира, где лучше всего обучают по специальностям, связанным с изучением ИИ-технологий, предлагают обучение попрограммам бакалавриата и магистратуры, а также возмож

Согласно упомянутому источнику, из топ-7 университетов мира пять расположены в США, один в Сингапуре и один в Великобритании:

Отвечая на вопрос о том, в каких российских вузах можно получить подготовку в области ИТ, включая дата-сайнс и ИИ, следует назвать ВШЭ, где создан сильный факультет совместно с Яндексом, МФТИ, МГУ, ИТМО, МИФИ, Иннополис, МГТУ имени Н.Э. Баумана, Новосибирский национальный исследовательский государственный университет.

Другие элементы, которые мы показали на рис.3.23, 3.24, будут рассмотрены в двух нижеследующих разделах "Количественные оценки бизнеса, связанного с ИИ" и "Гонка за лидерство в области ИИ".

Количественные оценки бизнеса, связанного с ИИ

Количественные оценки бизнеса, прогнозы его роста - это тот необходимый инструмент, который позволяет увидеть тенденции в развитии технологии на уровне компании, отрасли, региона, страны. Над исследованием этих тенденций в области ИИ-рынка работают сотни компаний.

Наиболее свежие данные продаются в виде относительно дорогостоящих отчетов, со временем эти данные просачиваются в публичное пространство в форме статей, блогов и прочих публикаций. Существенная проблема состоит в множественности оценок, которые мало стыкуются между собой, отсутствии описания методик, по которым эти данные получены, отсутствии общей таксономии, и как следствие сложности интерпретации, сравнения и анализа этих данных. Задача настоящего раздела не только дать срез и классификацию количественной информации, доступной на момент написания данного курса, но и показать причины множественности оценок рынка ИИ, прокомментировать существующие методики расчетов, помочь в интерпретации данного рода данных.

Проанализировав десятки публикаций посвященных анализу бизнесов, связанных с ИИ, можно выделить три подхода: первый - это попытки определить объем финансирования, выделяемый на создание и развитие ИИ-компаний.

Второй - это попытка определить выручку определенной группы компаний, так или иначе ассоциированной с ИИ-бизнесом. К этому подходу примыкает и задача определения рынка ИИ, которая на практике наталкивается на ряд сложностей, о которых мы поговорим подробнее в данной лекции.

Третий подход - это попытка оценить комплексные показатели, которые зависят от множества параметров и формируют такие категории, как например, "уровень зрелости региона по развитию ИИ" или "уровень зрелости правительства той или иной страны по степени развития ИИ".

Анализ количественных данных показывает наличие существенного разброса в оценках. Попробуем разобраться, с чем это связано. На рис. 3.25 показаны категории, которые фигурируют в разных аналитических исследованиях, связанных с оценкой выручки компаний, ассоциированных с ИИ- бизнесом.

Первая категория "выручка всех компаний, которые увеличивают свой доход под влиянием внедрения ИИ", по сути дела, фигурирует в исследованиях косвенного влияния ИИ на экономику отдельных стран. Такие оценки, в частности, приводят Deloitte, PWC, Mckinsey по мировому рынку и Сбер по российскому. В частности, в 2017 году компания PWC опубликовала отчет [160], в котором была сделана попытка оценить степень влияния технологий ИИ на мировую экономику. Согласно упомянутому отчету, к 2030 году мировая экономика могла бы получить дополнительно 15,7 триллиона долларов, исходя из того, что внедрение ИИ-решений позволит повысить производительность труда, автоматизируя некоторые задачи, что в свою очередь позволит увеличить ВВП мировой экономики. Согласно данному отчету, Китай к 2030 году мог бы добавить к ВВП 0,7 трлн долл., что составило бы 26% его ВВП, а США 3,7 трлн, что составило бы 14% ее ВВП. То есть речь идет о дополнительной выручке всех компаний под влиянием ИИ. Прокомментировать достоверность данных цифр достаточно сложно, поскольку авторы не публикуют методики расчетов, а интуитивно понятной ее трудно назвать. Как можно определить, какие бы были доходы мировой экономики без присутствия ИИ и как, соответственно, определить вклад именно от технологий ИИ, не является очевидным. Тем не менее крупнейшие аналитические компании такие оценки пытались делать, они опубликованы и получили массу цитирований. Об отсутствии единой общепринятой методики оценки степени влияния ИИ на мировой ВВП говорит тот факт, что, например, оценки PWC и Mackinsey степени влияния ИИ на мировую экономику расходятся в разы [161].

Категория "выручка всех компаний, для которых использование ИИ является ключевой технологией в их бизнесе" также используется для анализа объема ИИ-бизнеса в стране. В частности, по такому принципу составлена карта российских компаний [162]. Авторы проекта собрали компании, для которых, по их мнению, ИИ является существенной частью бизнеса, подсчитали их выручку и отслеживают динамику данного показателя во времени Имеет смысл процитировать авторов карты: "В периметр карты вошли компании, которые прямо специализируются на технологиях искусственного интеллекта, или те, у которых технологии ИИ, по нашим экспертным оценкам, существенно влияют на бизнес-модель и выручку" .

Следующая категория - "выручка компаний, которые являются поставщиками компонентов и услуг для построения ИИ-решений". В принципе, данная формулировка близка к той, что определяет понятие рынок искусственного интеллекта. Но попытки оценить эту категорию на практике сталкиваются с большими трудностями, и разные аналитики приходят к разным оценкам с большим разбросом.

Последней категорией является совокупность компаний, которые являются поставщиками ПО для построения ИИ-решений, и, наконец, внутри показаны поставщики платформ для построения ИИ-решений. Комментируя достоверность количественных оценок упомянутых категорий, следует отметить, что методики построения оценок рынка и прогнозов его развития в зависимости от анализируемого рынка, можно разделить на интуитивно понятные (консенсусные) и, назовем их "авторские", неконсенсусные, предложенные тем или иным аналитическим агентством.

Например, если мы анализируем поставки ноутбуков на рынок той или иной страны, то методику можно назвать интуитивно понятной, потому что все, кто будет оценивать данный рынок, будут использовать близкую таксономию и придут примерно к одному и тому же набору лидеров рынка. Потому что есть продукт, который непосредственно определяет рынок. В случае анализа таких рынков, как Big Data или ИИ, нет однозначно определенного продукта, который формирует данный рынок, каждый аналитик вправе предложить свою методику (определить, какие продукты и услуги или бизнес каких компаний он отнесет в данную категорию, а какие нет). Проблема в том, что добиться консенсуса (единой методики) на практике в данном случае очень сложно. Поэтому объемы и лидеры рынка у каждого аналитика могут быть разные. Если общая методология не выработана, каждый из аналитиков будет пытаться продвигать свою методику и свой уникальный отчет на ее основе.

Если понятие рынок ИИ не является консенсусным, то, очевидно, производная от этого понятия, такая как "вклад ИИ в ВВП", также не является общепринятой. Попытки оценить объемы финансирования ИИ-компаний тоже наталкиваются на ряд проблем. Здесь сложность анализа связана с тем, что существуют не только стартапы, которые четко определяют свою принадлежность к разработке той или иной ИИ-технологии, но и высокотехнологичные компании, которые объединяют множественные направления бизнеса. В этой связи многие аналитики решают более частную задачу - пытаются собрать данные именно о финансировании стартапов, подчас называя это объемом финансирования ИИ. Смежными в подобных отчетах являются исследования рынков слияний и поглощений ИИ-компаний с выделением информации о том, какие ИИ-стартапы покупают, кто основные покупатели в мире, в каком объеме и почему, каковы средние размеры сделок, количество раундов инвестиций, на какие технологии охотятся ИТ-гиганты и почему, как ИИ-стартапы распределены по миру (какие страны более активны в развитии ИИ-бизнеса в форме такого рода компаний). Еще один тип количественных исследований, которые следует упомянуть, - это исследования, связанные с построением комплексных коэффициентов "ИИ-зрелости". В этой области существует ряд аналитических сообществ, которые собирают данные и занимаются построением своих коэффициентов по индивидуальной методике и публикуют рейтинги стран по уровню зрелости применения ИИ. Подобные методики учитывают уже перечисленные параметры (количество стартапов, количество ИИ-компаний, объемы финансирования ИИ-бизнеса), а также десятки других - таких как наличие профильных университетов, доступа к данным, привлекательность бизнес-среды, политика государства, наличие ИИ-стратегии в стране и прочее. Часто эти методики берут показатели из международных социальных сетей (такие как число соискателей ИИ-работы), исходя из того, что пользователи разных стран имеют равный доступ к подобным международным источникам. Однако в условиях многополярного мира разные социальные сети тяготеют к тем или иным государствам, и представленность в них разных стран не является равномерной, что в свою очередь приводит к искажениям комплексных страновых показателей. Так, например количество ИИ-специалистов по данным LinkedIn С 2016 года заблокирована на территории РФ за нарушение правил хранения персональных данных российских пользователей нельзя считать объективным, поскольку посещение данной сети в ряде стран ограничено.

Далее мы кратко остановимся на всех перечисленных типах исследований и начнем с анализа инвестиций в ИИ-компании.

Анализ инвестиций в ИИ

Информацию о глобальных инвестициях в ИИ можно найти в целом ряде отчетов.

В частности, на рис. 3.26 показаны данные Tortoise Intelligence.

Согласно отчету Tortoise Intelligence [163], инвестиции в ИИ-компании в мире выросли более чем вдвое в 2021, что стало самым большим годовым ростом инвестиций в ИИ за последние два десятилетия. Общий объем инвестиций в 2021 году достиг 77,5 млрд долларов.

Аналитики объяснили всплеск роста глобального интереса к ИИ со стороны правительств и инвесторов в 2021 г. потребностью в цифровых технологиях для совместной работы во время пандемии.

Интересно отметить динамику инвестиций в ИИ в Китае. Согласно рис. 3.26, до 2015 года ИИ-инвестиции в США были больше, чем совокупные инвестиции всех прочих стран, включая Китай. Однако в 2016 году объем ИИ-инвестиций в Китае получил такой всплеск, что Китай вышел на уровень, сравнимый с аналогичными показателями в США, и в разы превысил инвестиции во всех остальных странах мира, вместе взятых.

Уже упомянутая ранее компания CB Insights дает схожие оценки глобальных инвестиций в ИИ (см. ис. 3.27), отмечая тот же (почти двукратный) рост в 2021 году. Интересным фактом в исследованиях CB Insights является информация о высоком росте вливаний в область медицинских ИИ-решений в 2021 г. в связи с эпидемией коронавируса. Согласно данным аналитической компании, почти пятая часть всех инвестиций в 2021 году пошла на ИИ-разработки в области здравоохранения.

Есть также попытки оценить кумулятивные расходы на отдельные направления в области финансирования ИИ-компаний. При этом, к сожалению, таксономия у большинства аналитических агентств разная. Одни исследования пытаются оценить ИИ-финансирование по ИИ-отраслям, другие, как например исследование, отмеченное в табл. 3.8, использует статьи расходов, не связанные с отраслевым делением. В частности, такая категория как "распознавание, классификация и маркировка статических изображений" может относиться к разным отраслям, а "обработка данных пациентов в медицинских приложениях" и "анализ медицинских изображений", напротив, относятся к одной области.

В развитии бизнеса на базе технологий ИИ участвуют тысячи компаний по всему миру. Это весьма диверсифицированный рынок с организациями разного размера - от технологических монстров типа Google, Microsoft, Amazon или Apple до стартапов в несколько человек. Эти компании находятся во взаимодействии, проходят через процессы слияний, поглощений, конвергенции и дивергенции. От крупных компаний отпочковываются пассионарные личности с новыми идеями, которые трудно запустить внутри неповоротливой крупной корпорации, и наиболее успешные, развивая новые идеи, получают через несколько лет предложения от других супербизнесов и часто продолжают свои новации под новой крышей. Самые успешные выживают на конкурентном рынке и сами становятся крупными компаниями, которые со временем начинают приобретать потенциально опасных конкурентов. Идет ротация кадров, проникновение на рынок новых идей, технологий и решений.

Как мы уже отметили выше, обычно стартапы ассоциированы с конкретной технологией, на базе которой они строят свой бизнес, и по числу стартапов, объему инвестиций в них, по капитализации этих компаний можно судить о том, какие ИИ-направления испытывают наиболее активный рост.

Ряд аналитиков ведут подобную статистику. Например, указанную аналитику публикует компания Venture Scanner, пытаясь показать число компаний, занятых в разных направлениях ИИ [166] (см. рис. 3.28).

Как следует из рисунка, больше всего компаний (более тысячи Речь идет о числе компаний, учтенных в базе данных конкретной аналитической компании, оценка по миру может быть больше ) были заняты в области создания приложений машинного обучения, на втором и третьем месте с небольшим отрывом друг от друга следуют платформы машинного обучения и системы обработки естественного языка, и только на четвертом месте оказались компании, занятые созданием платформ компьютерного зрения.

Аналитическая компания пытается также оценить объем финансирования по всему миру с нарастающим итогом с делением по вышеобозначенным категориям (см. рис. 3.29).

Говоря о динамике слияний и поглощений на рынке ИИ, полезно обратиться к данным CB Insights (рис. 3.30).

По данным CB Insights, с 2010 года по 2021 год было совершено более 1 000 приобретений компаний, работающих в области ИИ, более чем 800 компаниями-покупателями. В 2010 г. бизнес по слияниям и поглощениям находился в зачаточном состоянии (всего 9 сделок), а в 2019 г. он принес уже 242 сделки, то есть вырос более чем в 20 раз.

Интересно также проанализировать динамику рождения единорогов Термином unicorn (единорог) обозначают частные стартапы, капитализация которых превысила миллиард долларов в срок до десяти лет. Впервые термин был применен в 2013 году Эйлин Ли, основательницей инвестиционного фонда Cowboy Ventures , специализирующихся в области ИИ-технологий (см. рис. 3.31).

Особенно впечатляют данные за 2021 г., в этом году появилось 65 единорогов, то есть рост составил более 400%.

Согласно данным отчета GlobalData, компании, специализирующиеся в области ИИ, являются наиболее интересной областью для венчурного финансирования. Как следует из рис. 3.32, количество профинансированных фирм в области ИИ к 2020 г. превысило аналогичные показатели по отношению к другим высокотехнологичным секторам, таким как облачные вычисления, большие данные, интернет вещей и другие.

Представление об объемах инвестиций в наиболее успешные ИИ-стартапы дает также рисунок 3.33. Здесь приведены примеры крупных инвестиций в ИИ-компании в 2019 году.

Как видно из рисунка, в 2019 году крупнейшая инвестиция пришлась на компанию Nuro - американскую робототехническую компанию, расположенную в Маунтин-Вью. Компания была основана инженерами из проекта Google по созданию самоуправляемых автомобилей Waymo. Nuro разрабатывает автономные транспортные средства для доставки грузов и стала первой компанией, получившей разрешение на автономную работу от Национальной администрации безопасности дорожного движения, поскольку ее транспортные средства предназначены для перевозки грузов, а не людей. В конструкции самоуправляемого автомобиля Nuro второго поколения нет руля, зеркал бокового вида и педалей. Nuro вывела своих роботов-доставщиков на рынок в 2018 году, получив финансирование в размере 92 млн долл. В феврале 2019 года было получено дополнительное финансирование в размере 940 млн долл. и в ноябре 2020 года еще 500 млн долл. В качестве китайских стартапов на рис.3.33 фигурирует лишь одна компания - Megvii technology - это технологическая компания, расположенная в Пекине и разрабатывающая программное обеспечение для распознавания образов и глубокого обучения.

Основной продукт компании, Face++, был запущен в 2012 году как первая онлайн-платформа для распознавания лиц в Китае. Megvii привлекла 100 млн долл. в 2016 году, 460 млн долл. в 2017 году и 750 млн долл. в мае 2019 года. В 2019 году компания оценивалась в 4 млрд долларов США.

У ИТ-гигантов нет времени для разработки ИИ-технологий с нуля, но есть ресурсы для инвестиций, поэтому они сочетают стратегию внутренних разработок и покупки стартапов, имеющих перспективные заделы.

По данным CB Insights за 2021 г., Apple лидирует в гонке по присоединению компаний, имеющих компетенции в области искусственного интеллекта (рис. 3.34), опережая таких технологических гигантов, как Facebook, Amazon, Microsoft и Google.

С 2010 по 2021 г. Apple сделала 29 приобретений в области ИИ, что почти в два раза больше, чем у занимающей второе место компании Google, у которой 15 приобретений. За Apple и Google следуют Microsoft с 13 приобретениями, Facebook с 12 и Amazon с 7.

Список компаний, которые покупали гиганты в период 2018- 2020 гг., можно проанализировать, пользуясь данными табл. 3.9.

* покупка патента, ** покупка ИИ-технологии

Анализ рынка искусственного интеллекта

Целый ряд компаний выпускают отчеты, в которых объявляется объем мирового рынка искусственного интеллекта. Подобные оценки приводят такие компании как IDC, Cognilytica, Tractica, CB Insights, Markets and Markets, Gartner, Forrester, Allied market research, Precedence research, Fortune Business Insights и т. п. Увы, разброс в оценках очень большой.

Почему это происходит?

Как мы отметили ранее, чем сложнее дать обще принятое определение той или иной технологии, тем сложнее определить границы, ассоциированного с этой технологией рынка. Понятие "искусственный интеллект" не определяет однозначно некий продукт. Мы можем говорить о стоимости компонентов, необходимых для построения ИИ-решений в виде программного обеспечения, аппаратных систем и ИТ-услуг. Но сама методика отбора этих компонентов не является тривиальной, требует упрощений и допущений, которые аналитики делают по-своему и не всегда афишируют.

Без понимания совокупности условностей при трактовке понятия ИИ-рынок невозможно оперировать ИИ-аналитикой.

Как одну из проблем мы обозначили сложность выбора пула компаний, которые следует причислить к ИИ-компаниям, вторая сложность связана с определением доли выручки компаний, которая ассоциирована с ИИ-бизнесом.

Заметим, что при классическом определении рынка мы должны разделить участников экосистемы компаний, участвующих в создании ИИ, на покупателей и продавцов и оценить объем средств, который потратили покупатели и заработали поставщики. Сделать это непросто, учитывая, что целый ряд компаний являются одновременно и продавцами, и покупателями ИИ-услуг.

При этом, говоря о рынке, мы должны посчитать именно рыночную долю бизнеса. Это означает, что услуги по созданию решений в области ИИ, которые внутренние департаменты оказывают своей же компании (даже если они учитываются количественно в рамках хозрасчета), не являются рыночными, так как оплата идет внутри одной компании. Необходимо исключить двойной зачет при подсчете объема рынка, в том смысле, что если мы, например, говорим о выручке от продажи специализированных процессоров, то мы не должны складывать эту выручку с выручкой от продажи серверов на данных процессорах, поскольку один продукт содержит в себе другой. Кроме того, одна и та же видеокарта может использоваться для приложений ИИ или для обработки графики.

То же самое касается и производителей ПО (когда один продукт строится на основе другого), и ИТ-услуг (когда одна команда работает на субподряде у другой). Учитывая, что на мировом рынке работают тысячи компаний с сотнями тысяч продуктов и услуг, задача оценки ИИ-рынка является весьма нетривиальной.

Еще одна часть проблем связана с тем, что далеко не все участники рынка публично раскрывают информацию о финансовых параметрах своих проектов. Но даже если аналитикам удалось получить полную информацию о стоимости проекта, то открытым остается вопрос, как выделить долю, потраченную на ИИ, и долю, потраченную на смежные технологии. Действительно, современные проекты, содержащие ИИ, это, как правило, комбинация ряда цифровых технологий, как, например, это показано нарис. 3.35 (интернет вещей, цифровые двойники, большие данные, искусственный интеллект работают в связке).

Аналитики, которые пытаются определить объемы рынка, ассоциированные с указанными технологиями, неизбежно сталкиваются с проблемой двойных зачетов одних и тех же проектов в разных рынках. Совокупность перечисленных вопросов аналитики решают по-своему, что и приводит к разным оценкам.

Конечно, в рамках каждой методики серьезной аналитической компании, если эта методика не меняется год от года, можно проследить динамику рынка. Каждая методика отвечает на те или иные вопросы, поставленные клиентом. Кто лидеры рынка? Как они ранжированы по тому или иному параметру? Как быстро растет этот рынок? Насколько велик порог входа на этот рынок и так далее.

В рамках каждой аналитической компании эти сведения могут быть интересны клиентам, однако консенсусной оценки рынка ИИ ожидать не следует. По крайней мере, до тех пор, пока аналитики не договорятся о единой таксономии. Впрочем, для них это не обязательно выигрышная стратегия, поскольку продать несколько отчетов с разными данными выгоднее, чем пытаться продать одни и те же данные несколько раз. Мы продемонстрировали лишь некоторые сложности при оценке рынка, которые показывают, что задача не имеет однозначного решения и каждый аналитик должен принимать свою систему допущений. Поэтому чем более мелкий и четко определенный сегмент рынка выбирается, тем обычно более точные данные можно получить, и чем шире охват сегментов - тем больше расхождений.

Каждая из аналитических компаний работает по своей методике, именно это в первую очередь порождает наличие разных оценок ИИ-рынка. Оптимистичными оценки становятся, если в категорию ИИ включается больше типов продуктов и услуг, и пессимистичными, если методика выбирает более жесткие и узкие границы. Приведем несколько конкретных примеров.

Согласно исследованию IDC Worldwide Semiannual Artificial Intelligence Tracker [174], опубликованному в августе 2021 г., мировые доходы рынка искусственного интеллекта, включая программное обеспечение, оборудование и услуги, составили в 2021 году 341,8 млрд долл., в 2022 году выросли на 18,8% и к 2024 году преодолеют отметку в 500 млрд долларов.

В качестве сегментов рынка выделяются следующие: аппаратное обеспечение (серверы, СХД), программное обеспечение (ИИ-приложения, ПО системной инфраструктуры ИИ, ПО разработки и развертывания ИИ-приложений), услуги (ИТ-услуги, бизнес-услуги).

По мнению IDC, программное обеспечение занимает основную долю (88%) объема рынка ИИ. При этом IDC отмечает, что наиболее быстрыми темпами будут расти сегменты "аппаратные средства ИИ" и "услуги ИИ".

Согласно исследованию Precedence research [174], объем мирового рынка искусственного интеллекта оценивался в 2021 году на уровне 87,04 млрд долларов США, и ожидается, что к 2030 году он достигнет 1 597,1 млрд долларов США с прогнозируемым CAGR CAGR (англ. Compound annual growth rate) - совокупный среднегодовой темп роста. Выражается в процентах и показывает, на сколько процентов за год прирастает изучаемый параметр , равным 38,1% с 2022 по 2030 год. При этом большая часть рынка - 39% - приходится на программное обеспечение. Заметим, что доля ПО во всем рынке ИИ вдвое меньше, чем устанавливается в методике IDC.

Согласно прогнозам отчета Fortune Business Insights [175], опубликованного в сентябре 2022 г., объем мирового рынка искусственного интеллекта вырастет с 387,45млрд долл. В 2022 году до 1394,30 млрд долл. в 2029 году, увеличиваясь с темпом роста 20,1% в течение прогнозируемого периода. Согласно отчету, объем мирового рынка в 2021 году составил 328,34 млрд долларов США, при том что рынок Северной Америки в 2021 г. был равен 143,49 млрд долл. А по данным отчета Allied market research [176], объем мирового рынка ИИ оценивался в 65,48 млрд долл. в 2020 году и будет расти спрогнозируемым CAGR на уровне 38,0% в период с 2021 по 2030 год. Данные перечисленных аналитиков сведены в табл. 3.10 и представлены на рис. 3.36.

Как видно из рисунка, отличие в оценках рынка в 2021-2022 гг.. по фактически полученным (не прогнозным) данным разных аналитиков составляет более 100%. Интересно отметить, что при разных начальных оценках темпы роста рынка разными аналитиками прогнозируются так, что к 2030 году рынок во всех прогнозах выходит примерно на один и тот же показатель - около 1,6 трлн долл.

Рынок программного обеспечения в области ИИ

Известно, что ПО в области ИИ становится все более распространенным, внедряется во все большем числе программных продуктов и услуг, применяется в разных слоях технологического стека, в приложениях различных отраслей. ИИ-технологии встраиваются во все виды корпоративных программных приложений, включая базовые, такие как SCM, ERP, CRM, платформы разработки и интеграции приложений.

Как было отмечено ранее, рынок ИИ определяют как совокупность ПО, аппаратного обеспечения и услуг. По мнению аналитической компании IDC, из указанных трех категорий технологий программное обеспечение занимает наибольшую долю (88%) объема рынка ИИ. То есть в 2021 г. этот рынок в трактовке IDC составлял около 300 млрд долл. По данным IDC, в категории программного обеспечения ИИ основная доля доходов приходится на приложения ИИ - почти 50%. Наиболее высокий рост демонстрируют ИИ-платформы (CAGR - 33,2%), медленнее всего будет развиваться программное обеспечение для системной инфраструктуры (CAGR - 14,4%), на долю которого приходится около 35% всех доходов от ИИ-программного обеспечения. На рынке ИИ-приложений IDC ожидает, что ERM будет расти немного быстрее, чем рынок CRM Отметим, что разработка заказного ПО в таксономии IDC относится не к категории ПО, а к категории ИТ-услуги наряду с такими категориями как ИТ-консалтинг, системная интеграция, внедрение и поддержка аппаратного и программного обеспечения и т. п. .

Комментируя структуру рынка программного обеспечения ИИ, IDC различает "AI-centric" и "AI-non centric" приложения (см. табл. 3.11). В приложениях первого типа ИИ-компонент является основной функцией ПО (без него приложение не может функционировать). В приложениях второго типа ИИ-компонент является вспомогательным, без него программа может работать с некоторым ограничением функциональности, при этом само приложение не обязательно используется для решения ИИ-задач.

В качестве лидера в категории "ИИ-платформы" IDC отметила малознакомую российским специалистам компанию Palantir.

Основанная в 2003 году Palantir - это американская компания, разработчик корпоративного ПО анализа данных, основные заказчики которой американские спецслужбы и инвестиционные банки. До 2008 года ЦРУ было единственным заказчиком компании. Среди ключевых клиентов ЦРУ, ФБР, Министерство обороны США, Военно-воздушные силы США, Корпус морской пехоты США, Командование специальных операций США, Военная академия США.

Компания Microsoft занимает лидирующие места в шести категориях, IBM - в трех.

На рис. 3.37 представлена оценка IDC мирового рынка ПО в области ИИ, с разбивкой на категории ПО.

Интересно отметить, что оценки рынка ИИ-программного обеспечения, представленные компанией Forrester, почти на порядок меньше (см. рис. 3.38).

При этом очевидно, что разница в оценках связана именно с методологией подсчета выручки. Компания Forrester использует свою таксономию, отличную от таксономии IDC. Forrester выделяет четыре сегмента на рынке программного обеспечения.

Согласно прогнозам Forrester, быстрее всего должны расти платформы для создания ИИ, которые достигнут 13 млрд долларов к 2025 году, что поможет довести весь объем рынка до 37 млрд долларов к 2025 году.

Комментируя свои прогнозы о формировании сравнительно небольшого рынка к 2025 г., Forrester отмечает два фактора в развитии рынка программного обеспечения ИИ, которые обеспечили данный вывод. С одной стороны, все больше коммерческих приложений добавляют функции ИИ, но эти функции не используются для получения прибыли. Во-вторых, внутреннее программное обеспечение ИИ, разработанное и используемое этими же предприятиями, не создает рыночного продукта и, соответственно, не должно учитываться как часть рынка.

Следует отметить, что включение в категорию "ИИ-приложения" программного обеспечения, в котором ИИ является неосновной функцией, в некоторой степени размывает границу рынка. Каждая аналитическая компания сама определяет, какая доля вспомогательной ИИ-функциональности позволяет отнести данное ПО к ИИ-рынку. Заметим, что диффузия ИИ-функциональности в ПО разного типа в скором времени позволит говорить о том, что практически все ПО обладает той или иной вспомогательной ИИ-функциональностью.

В 2018 г. компанияTractica оценивала мировой рынок программного обеспечения ИИ на уровне 10,1 млрд долл., прогнозируя его рост до 126 млрд долл. в 2025 г., выделяя в качестве наиболее крупных такие сегменты как автомобильный, сектор финансовых услуг, теле-коммуникаций и розничной торговли. В работе [179] со ссылкой на данные Tractica приводится деление рынка программного обеспечения по 28 вертикальным рынкам.

Похожие абсолютные значения приводит компания Statista По всей видимости, Statista опирается на методологию и исследования Tractica, о чем говорят очень близкие оценки рынка , которая предлагает структуру рынка по регионам (рис. 3.39).

Согласно оценкам (рис. 3.39), доля Северной Америки постепенно снижается, но остается лидирующей в мире. По данным рисунка, в 2025 г. на долю Северной Америки будет приходиться порядка 40% рынка, что составит более 50 млрд долл.

Похожие оценки рынка ПО приводятся в более поздней публикации [181] - согласно которой в 2020 г. объем рынка ИИ-программного обеспечения составил 22,59 млрд долл.

Сравнительный анализ разных аналитических отчетов по рынку ИИ говорит о том, что каждый из аналитиков использует свою таксономию и свои методики подсчета дохода компаний производителей ПО, что не позволяет сравнивать данные разных аналитиков. Разброс в оценках этого рынка в 2021 г. варьируется от 300 млрд долл. (в оценках IDC) до 23 млрд долл. (в оценках Forrester). Столь широкий диапазон объясняется размытыми границами самого понятия ИИ, разной степенью присутствия ИИ-функциональности в решениях и произвольной трактовкой сегментов рынка различными аналитиками. Таким образом, следует признать, что на сегодняшний день не существует согласованной оценки рынка ИИ, несмотря на то, что целый ряд аналитиков выпускают отчеты на эту тему, используя один и тот же термин "мировой рынок ИИ". Ценность отчетов на указанную тему в основном связана с анализом внутри их собственной таксономии.

Рейтинги поставщиков ПО разного типа

Выше было приведено мнение IDC о лидерах рынка программного обеспечения в области ИИ. Конечно, в данной широкой области есть десятки направлений, в рамках которых будут свои лидеры. Формат данного курса не позволяет рассмотреть все эти направления, приведем лишь два исследования - в первом речь идет о рейтинге ведущих поставщиков платформ для разработки систем искусственного интеллекта (ИИ) и машинного обучения ( рис. 3.40), второе посвящено составлению рейтинга поставщиков облачных ИИ-сервисов для разработчиков ( рис. 3.41) [182].

Облачные ИИ-сервисы для разработчиков

Существуют сотни решений в области ИИ. И для большинства компаний доступ к ним осуществляется посредством облачных сервисов, и это самый простой и экономичный вариант запустить и протестировать ИИ-проект.

На рис. 3.40 представлен рейтинг лидеров поставки облачных ИИ-сервисов для разработчиков от компании Gartner.

Здесь по оси абсцисс отложен показатель Completeness of vision - полнота видения технологической стратегии компании. По оси ординат отложен показатель Ability to Execute, что можно интерпретировать как способность компании претворить в жизнь ее стратегию.

Как видно из рис. 3.40, в лидеры попали уже упомянутые ранее технологические гиганты AWS, Microsoft, Google и IBM.

Крупные поставщики могут обеспечить стабильность, доступность сервисов, качество поддержки клиентов и огромные объемы данных для обучения алгоритмов. Крупнейшие ИТ-компании, они же и ведущие провайдеры облачных ИИ-услуг, стараются стать так называемыми One stop shop-поставщиками - "продавцами всего из одних рук", то есть представить как можно более полный набор услуг на базе своей платформы, включая подготовку данных и прочее.

Будучи лидером облачных услуг, Amazon имеет возможность предложить ИИ-инструментарий в виде сервисов своим существующим облачным клиентам и на этой волне получить наиболее высокие показатели в рейтинге. Преимущества AWS особенно заметны в производительности при работе с большими объемами данных. После успеха Alexa компания Amazon продолжает строить свою работу вокруг голосовых, виртуальных помощников и обработки естественного языка. Кроме того, ИИ как услуга AIaaS (AI-as-a-Service) все больше и больше внедряется в среду AWS, чтобы сделать Amazon лидером в области ИИ и машинного обучения.

Второе место делят Microsoft и Google, при этом Microsoft имеет более высокую позицию, с точки зрения способности претворить в жизнь стратегию, и уступает Google по уровню полноты видения технологической стратегии.

Microsoft приближается к Google по количеству приобретений ИИ-компаний (см. рис. 3.34). Корпорация активно развивает Microsoft Azure, добавляя к ней новые платформенные сервисы, такие как Azure Cognitive Services, Azure Data Lake, Azure Data Catalog и Azure Cloud Functions. Gartner отмечает, что Azure с каждым годом приближается к AWS в плане внедрения на предприятиях и вплотную подобралась к Google и IBM в гонке за доминирование в области ИИ, благодаря Azure Machine Learning и широкому набору когнитивных сервисов - предобученных моделей, которые могут использоваться в рамках корпоративных ИИ-проектов как готовые "строительные блоки".

Google предлагает широкий набор инструментов для искусственного интеллекта и машинного обучения. Google Cloud обеспечивает гибкость на ранних этапах проекта и широкую масштабируемость в долгосрочной перспективе. Gartner отмечает, что недостатком использования платформы Google являются ее инструменты для бизнеса и аналитики в реальном времени, которые на момент публикации исследования были недостаточно развиты по сравнению с другими поставщиками услуг. Стратегия Google в области ИИ заключается в создании сильной позиции в области науки о данных с соответствующими патентами и в смежных областях компьютерных технологий, поскольку ее бизнес в значительной степени зависит от машинного обучения. Разработчики Google уже создали ведущую программную библиотеку с открытым исходным кодом в области ML - TensorFlow, что, наряду с огромными инвестициями в приобретение стартапов в области ИИ, свидетельствует о стремлении Google быть ИИ-лидером. Важно также отметить, что Google поддерживает ряд ключевых сервисов, используемых исследователями данных - например, Google Colab, позволяющий производить обучение моделей ИИ в облаке, в том числе бесплатно, а также открытую платформу соревнований Kaggle.

Ведущие поставщики платформ для разработки систем искусственного интеллекта

Компания Omdia в отчете [184] назвала ведущих поставщиков платформ для разработки систем искусственного интеллекта (ИИ) и машинного обучения (рис. 3.41).

Здесь сравниваются поставщики, которые предлагают предприятиям платформы для разработки ИИ и МL, а также решения управления жизненным циклом разработки и развертывания соответствующих решений.

В качестве лидеров названы пять компаний. Помимо ИТ-гигантов IBM и Microsoft (которые уже были упомянуты как лидеры в области предоставления облачных сервисов для разработчиков), это SAS, C3.ai и Dataiku.

SAS - это всемирно известный американский производитель аналитического программного обеспечения, один из старейших разработчиков ПО - компания, которая начиналась как проект по созданию системы статистического анализа данных (отсюда и название - Statistical Analysis System) и выросла в крупную корпорацию, с числом сотрудников около 14 тысяч человек, и оборотом более 3 млрд долл. В портфель компании входят популярные продукты для искусственного интеллекта, аналитики и управления данными. SAS разрабатывает и продает набор аналитического программного обеспечения, которое помогает получать доступ к данным, управлять ими, анализировать их и составлять отчеты, чтобы помочь в принятии решений. Программным обеспечением SAS пользуется большинство компаний из списка Fortune 500.

Dataiku и C3.ai - это сравнительно молодые компании. C3.ai - была основана в 2009 г. и на момент написания курса являлась одним из ведущих поставщиков программного обеспечения для корпоративного ИИ. Платформа C3.ai Platform предоставляет комплексные услуги по созданию приложений ИИ корпоративного масштаба. Платформа применяется в разных отраслях с помощью готовых конфигурируемых приложений ИИ для решения задач выявления мошенничества, борьбы с отмыванием денег, управления энергопотреблением, привлечения клиентов, оптимизации цепочек поставок и т. п. В число клиентов C3.ai входят ВВС США, нью-йоркская энергетическая компания Consolidated Edison и ряд крупнейших в мире компаний из списка Fortune 500.

Компания Dataiku была основана в 2013 г. как разработчик систем ИИ. В 2019 году венчурный фонд CapitalG, финансируемый Alphabet Inc., присоединился к Dataiku в качестве инвестора, обеспечив компании статус единорога (1,4 миллиарда долларов). В 2021 г. в Dataiku работало около 400 человек по всему миру в офисах в Нью-Йорке, Париже, Лондоне, Мюнхене, Сиднее и Сингапуре.

Рынок аппаратного обеспечения в области ИИ

Как было отмечено в табл. 3.2 и табл. 3.3, разные аналитики по-разному определяют категорию "рынок аппаратного обеспечения в области ИИ". Так, например, аналитики CB Insights включают в эту категорию только рынок ИИ-полупроводников, другие, как, например, Cognilytica, рассматривают в данном рынке целый спектр специализированного железа, включая серверы, СХДи даже аппаратные части системы интерфейса "мозг-компьютер". В данном разделе мы ограничимся рассмотрением рынка ИИ-полупроводников и обсуждением ключевых компаний, специализирующихся в данном направлении.

Успех современных методов реализации ИИ все больше зависит от вычислительных возможностей оборудования, на котором эти решения реализуются. Обучение ML-моделей может занять месяц вычислительного времени и стоить десятки миллионов долларов. Требуемая вычислительная мощность обеспечивается чипами, которые оптимизированы для выполнения специфических вычислений, необходимых для реализации ИИ-систем, эти чипы стали выделять в отдельную категорию "ИИ-чипы".

Спектр задач, возникающих при создании ИИ-решений, весьма широк, и нельзя сказать, что существует такое понятие, как "стандартный ИИ-чип". Оптимальные архитектуры чипов различаются в зависимости от функций, которые должны быть выполнены, где они должны быть выполнены и в пределах какого ресурса (времени и мощности).

В области ИИ используются несколько видов чипов, в частности графические процессоры (GPU) хорошо показали себя в обучении нейросетей, FPGA позволяют с высокой энергоэффективностью осуществлять вывод по уже обученной сети. Кроме того, некоторые крупные вендоры создают специализированные чипы ( ASIC ASIC (Application-specific Integrated Circuit, интегральная схема (ИС) для конкретного применения) - ИС, специализированная для решения конкретной задачи. В отличие от ИС общего назначения, применяется в конкретном устройстве и выполняет ограниченные функции, характерные для данного устройства; вследствие этого выполнение функций происходит более эффективно ), например Google TPU (рис. 3.42).

Следует отметить, что чаще всего упомянутые чипы применяются совместно, например GPU всегда дополняют CPU, равно как и FPGA и ASIC - это не самостоятельные процессоры, а скорее сопроцессоры.

Из полупроводников, показанных на рис. 3.42, CPU обладают наибольшей универсальностью и поэтому лучше всего подходят для выполнения вычислений общего назначения. Платформы на базе CPU будут хорошо работать для недорогих устройств, не требующих высокой производительности. GPU обладают высокой параллельной вычислительной мощностью по сравнению с центральными процессорами (большое количество параллельных вычислительных ядер), что дает им значительное преимущество при обучении и использовании ИИ-моделей, однако эти вычислители имеют весьма ограниченный набор инструкций по сравнению с CPU. Графические процессоры совершили революцию в решении ИИ-специфичных задач и, по всей видимости, будут продолжать играть доминирующую роль в задачах обучения моделей в центрах обработки данных. Лидером рынка GPU является компания Nvidia [186].

FPGA (или на русском языке ПЛИС - программируемая логическая интегральная схема) могут использоваться для выполнения специализированных задач в области ИИ. FPGA часто применяются в проектах, где партия конечных устройств ограничена, - тогда экономически не имеет смысл реализовывать решение в формате ASIC (о нем пойдет речь ниже). Другое направление применения FPGA для задач ИИ - это апробация математических алгоритмов в железе, что является обязательным этапом перед проектированием ASIC. По данным отчета Neuromorphic Computing Concepts, actors, applications, market and future trendsApril 2020, ключевыми игроками на рынке полупроводников FPGA являются Intel, Baidu и Xilinx.

Среди ИИ-ускорителей, показанных на рис. 3.42, ASIC демонстрируют лучшую производительность, меньшее энергопотребление и эффективность. Однако разработка специальных ASIC требует больших затрат и не является реконфигурируемой. Google лидирует в этом секторе со своим чипом Tensor Processing Unit (TPU). INTEL инвестирует в ASIC при сотрудничестве со стартапами Nervana и Habana.

Еще в 2017 году аналитикииз компании McKinsey, анализируя перспективы роста доступного рынка полупроводников, сделали прогноз (см. рис. 3.43), то есть предположили, что в период с 2017 по 2025 год рост будет происходить в существенной мере за счет полупроводников с искусственным интеллектом (темпы роста данного сегмента будут в 5 раз выше, чем у всех остальных типов полупроводников). Время показывает истинность этих предположений.

Упомянутые исследования McKinsey были подтверждены более поздними исследованиями и отражены, например, в отчете Neuromorphic Computing.

Аналитики из McKinsey также представили прогноз по поводу развития рынка полупроводников для центров обработки данных и периферийных вычислений на тот же период времени (см. рис. 3.44). Согласно этим данным, наибольший рост рынка будет наблюдаться в области использования ИИ-моделей в приложениях, связанных с периферийными вычислениями.

При том что именно задачи обучения ИИ-моделей требуют большой вычислительной мощности, затраты на ИИ-чипы под использование ИИ-моделей превосходят затраты на чипы под обучение. Это, в первую очередь, связано с тем, что обучается сеть один раз, а применяется многократнона множестве конечных устройств. Другая причина в том, что обучение на устройстве еще очень плохо развито, так как классические подходы к обучению крайне энергозатратны.

Искусственный интеллект с каждым годом играет все более важную роль в национальной и международной безопасности стран, и ИИ-технологии становятся все более важным стратегическим ресурсом.

Как мы отметили выше, специализированные чипы для реализации ИИ-решений позволяют кардинально поменять условия (скорость, эффективность) решения ИИ-задач. Сложные цепочки поставок, необходимые для производства передовых чипов ИИ, в основном сосредоточены в США и небольшом количестве союзных стран, что предоставляет возможность для осуществления политики экспортного контроля.

Согласно данным [188], правительство США активно занимается вопросами контроля распространения технологий, связанных с ИИ, и, поскольку распространение программного обеспечения общего назначения, наборы данных и алгоритмы ИИ проконтролировать достаточно сложно, наибольшее внимание уделяется компьютерному оборудованию, необходимому для реализации современных систем ИИ. В этой связи информация о ключевых игроках рынка ИИ-чипов и о перспективных стартапах в этой области представляет особый интерес.

Согласно исследованиям Markets and Markets [189], стартапы к 2020 году в сегменте рынка ИИ-чипов уже привлекли более 9 млрд долл., а крупнейшие игроки компьютерного рынка, такие как Google, IBM, Intel и Qualcomm, вкладывают значительные средства в исследовательские и коммерческие проекты.

По данным Markets and Markets, объем мирового рынка чипсетов с искусственным интеллектом в 2020 году составлял 7,6 млрд долл. и, по прогнозам, в ближайшие 5 лет будет расти с CAGR на уровне 40%, в результате чего в 2026 году составит около 57,8 млрд долл. Сходные прогнозы можно найти в отчете Tractica и TMT Analytics (рис. 3.45).

Исследование от компании Kbvresearch, посвященное анализу глобального рынка чипсетов для глубокого обучения (рис. 3.46), дает более консервативные оценки.

Рассказ о рынке ИИ-полупроводников был бы неполным без упоминания темы нейроморфных вычислений. Со ссылкой на отчет Neuromorphic Computing. Concepts, actors, applications, market and future trends April 2020 можно сказать, что развитие рынка ИИ-полупроводников происходит в виде трех волн. Первая волна, ориентированная на GPU, начинается до 2018 года и достигает максимума в 2022 году. Вторая, ориентированная на ASIC, выходит на экстремум к 2025 году, и третья, ориентированная на нейроморфные процессоры, зарождается в 2022 году и обещает выйти на массовый режим производства после 2026 года (см. рис. 3.47).

Нейроморфные процессоры - это процессоры, архитектура и принципы действия которых имеют сходство с биологическими нейронными сетями. Как было показано в начале курса, несмотря на то, что Розенблант и Джон фон Нейман вдохновлялись в своих моделях устройством человеческого мозга, классические нейронные сети и архитектуры компьютера довольно слабо соответствуют тому, что мы наблюдаем в биологии. Так, например, энергопотребление человеческого мозга составляет десятки ватт, в то время как компьютеры потребляют в тысячи раз больше.

Биологические системы работают с временными рядами, скоррелированными во времени (например, в естественных временных рядах то, что мы видим в момент времени t+1, очень сильно похоже на то, что мы видим в момент времени t), в то время как компьютеры способны обрабатывать нескоррелированные данные (например, последовательность картинок). В биологических системах нет разделения вычислений и памяти, каждый нейрон представляет собой отдельный физический объект, в то время как на компьютерах мы, как правило, моделируем большое количество нейронов одним вычислителем за счет быстрого переключения контекста. В мозге нет никаких цифровых вычислителей, а свою когнитивную функцию он реализует с помощью аналоговых вычислений. И последнее, но не менее важное свойство - биологические системы не программируются, они непрерывно обучаются.

Так, согласно публикации Neuromorphic artificial intelligence systems, Frontiers in Neuroscience Нейроморфные системы искусственного интеллекта, фронтиры в нейронауке [192], исследователи предлагают принцип классификации нейроморфных систем на основе использования в них следующих нейроморфных свойств.

Нейроморфный процессор является универсальной вычислительной системой для решения широкого класса задач ИИ, превосходящей классические решения по энергоэффективности (в 100-1000 раз), однако уступающей по качеству решения задач и развитости программно-аппаратной экосистемы.

Другими особенностями нейроморфных процессоров являются:

Нейроморфные чипы могут эффективно работать на этапе обучения ИИ-моделей, на этапе их использования и в режиме непрерывного обучения. Yole и TMT Analytics ожидают, что объем рынка нейроморфных чипов может достичь миллиарда долларов к середине 2020-х годов.

Согласно прогнозам отчета "Neuromorphic Computing. Concepts, actors, applications, market and future trends", ожидается, что нейроморфные чипы займут прочное место на рынке к середине 20-х годов и, возможно, достигнут доминирования на рынке к 2030 году, как было отмечено на рис. 3.47.

Среди ключевых игроков на рынке нейроморфных вычислений следует выделить такие компании как Intel, IBM, BrainChip Holdings, Qualcomm, Eta Compute, General Vision, Samsung Electronics, Hewlett Packard Labs, Applied Brain Research и GrAI Matter Labs.

Аналитика по рынку ИИ в виде опросов специалистов

Еще один источник количественных данных о состоянии бизнеса и технологий в области ИИ - это опросы участников этого рынка.

Существуют специализированные отчеты, которые приводят результаты опросов по состоянию внедрения технологий ИИ в разных отраслях и странах. Одно из наиболее полных исследований из этой области - это ежегодный отчет "Глобальный индекс внедрения ИИ" (GlobalAIAdoption Index), который публикуется компанией IBM в партнерстве с Morning Consult.

Данный отчет дает представление об общем уровне внедрения ИИ в мире, о препятствиях и проблемах, которые мешают ИИ-проектам реализовать свой потенциал, а также о случаях использования, отраслях и странах, где ИИ, скорее всего, будет активно развиваться. Данные, полученные по заказу IBM, проливают свет на внедрение ИИ в 7502 компаниях по всему миру: по 500 в каждой стране, США, Китае, Индии, ОАЭ, Южной Корее, Австралии, Сингапуре, Канаде, Великобритании, Италии, Испании, Франции и Германии; и 1000 в Латинской Америке - Бразилии, Мексике, Колумбии, Аргентине, Чили и Перу. Опрос проводился онлайн через собственную сеть интернет-провайдеров Morning Consult в 2022 году.

Отчет 2022г. не только фиксирует общие тенденции, которые показывают, что продолжается рост внедрения ИИ-проектов, что инструменты ИИ становятся более приспособленными для бизнеса и более простыми в использовании, но и дает обобщенные количественные параметры того, как внедряются ИИ-проекты в мире.

В частности, в отчете представлены результаты опросов и данные о том, в какие проекты, связанные с ИИ, компании планируют инвестировать в течение следующих 12 месяцев (рис. 3.48).

В отчете также анализируется, какую облачную среду компании используют для организации доступа к ИИ-проектам (рис. 3.49).

Отмечается, что компании, которые еще только изучают возможности внедрения ИИ-проектов, чаще использует частную облачную среду, в то время как фирмы, уже внедрившие ИИ, чаще использует мультиоблачную среду, что позволяет им снижать издержки на поддержку частной облачной среды.

Интересно, что, по данным исследования, крупные компании на 70% чаще используют гибридную или мультиоблачную среду, чем небольшие фирмы. Исследования также раскрывают данные о том, кто составляет основные группы пользователей ИИ в опрошенных организациях (рис. 3.50).

В отчете также описаны основные барьеры, препятствующие внедрению ИИ, которые, как отмечают авторы, остаются неизменными в последние несколько лет в отчетах IBM Global AI Adoption Index (см. рис. 3.51).

Интересно отметить, что для решения вопросов нехватки ИТ и ИИ-специалистов компании также все чаще обращаются к ИИ для улучшения политики найма и удержания персонала, поиска кадров и расширения возможностей работников за счет повышения квалификации и обучения.

Страновые рейтинги ИИ-зрелости

Помимо попыток оценить рынок ИИ в той или иной стране, используются комплексные методики, исходящие из возможности вывести некий интегральный страновой показатель, который привязан не только к финансовым показателям и вычисляется в форме безразмерного коэффициента, показывая некий уровень зрелости или уровень готовности страны к развитию рынка ИИ.

Наиболее известными в этой области являются три отчета: глобальный индекс ИИ от аналитической компании Tortoise (Global AI Index), глобальный индекс развития ИИ от Stanford Institute (AI Index Report) и глобальный индекс ИИ-готовности правительств разных стран от Oxford Insights (Government AI Readiness Index). Методики расчета данных коэффициентов позволяют представить, из чего же складывается такое понятие как "страновая ИИ-зрелость". Поскольку ИИ становится важнейшим страновым ресурсом и показателем технологического и военного развития - понятен интерес к подобного рода рейтингам и их анализу. Рассмотрим перечисленные рейтинги более подробно.

ГлобальныйиндексИИ-компанийотTortoise(GlobalAIIndex)

Глобальный индекс ИИ-компаний от Tortoise ранжирует страны по степени готовности к ИИ, которая выражается комплексным показателем Global AI Index. Индекс построен на совокупности субиндексов, включая такие показатели, как инвестиции в ИИ, потенциал кадрового резерва страны, качество исследований, суперкомпьютерные ресурсы и т. п.

К достоинствам исследования следует отнести максимальную прозрачность методики построения индекса, подробное описание всех субиндексов, от которых зависит коэффициент Global AI Index.

Субиндексы представлены в семи категориях.

Кадры/таланты - фокусируется на данных социальных сетей, в которых пользователи заявляют о своей принадлежности к ИИ или ищут работу в этой области.

Операционная среда - отражает наличие нормативно-правовой базы для внедрения ИИ и общественное мнение, окружающее искусственный интеллект.

Исследования - отражает масштабы исследований ИИ-специалистов в области ИИ и смежных областях, количество публикаций и цитирований в авторитетных научных журналах.

Инфраструктура - опирается на такие параметры как доступ к интернету, развитие суперкомпьютерных мощностей, импорт интегральных схем.

Правительственная стратегия - отражает глубину обязательств правительства в области развития национальной ИИ-стратегии.

Разработка - количество и качество разработчиков, количество коммитов В системах контроля версий коммит - это операция, которая отправляет последние изменения исходного кода в хранилище, делая эти изменения частью головной ветки хранилища. Количество коммитов неявно показывает активность разработчиков в работе над проектами соответствующей направленности для ИИ-пакетов с открытым исходным кодом, количество патентов в области ИИ.

Коммерческие показатели - присутствие ИИ-компаний в стране, уровень их финансирования, количество стартапов.

Более подробно ознакомиться с субиндексами, на базе которых вычисляется Global AI Index, можно с помощью табл. 3.12.

На рис. 3.52 представлен рейтинг топ 15 стран по уровню Global AI Index. Как видно - значения на диаграмме изменяются достаточно плавно от Люксембурга до Великобритании, и есть две страны, которые резко отличаются от других государств, - это Китай и США. Причем отрыв США от Китая соизмерим с отрывом Китая от Великобритании.

Россия в этом рейтинге оказалась лишь на 32 месте со значением индекса 21,99, уступив таким странам как Польша, Италия и Словения.

На рис. 3.53 представлена лепестковая диаграмма, показывающая, как выглядят отдельные страны в пространстве вышеобозначенных семи категорий на фоне лидера рейтинга - США.

Интересно отметить, что Китай обгоняет США по показателям "правительственная стратегия", "операционная среда" и даже "инфраструктура", существенно проигрывая в категориях "кадры/таланты" и "коммерческие показатели".

Говоря о России, отметим, что (как следует из оценок Tortoise) в категории "правительственная стратегия" показатели России даже опережают аналогичные данные по США, однако в категории "коммерческие показатели" демонстрируется полный провал. Что касается оценки в области категории "кадры/таланты", следует заметить, что в России ограничен доступ к сети Linkedin, показатели которой используются для оценки кадрового потенциала по всем странам.

Глобальный индекс развития ИИ от Stanford Institute (AI Index Report)

Расчет индекса (AI Index) - это независимое исследование, проводимое Stanford Institute for Human-Centered Artificial Intelligence (HAI) [194]. В ежегодном отчете собираются, обобщаются и визуализируются данные, касающиеся искусственного интеллекта в наиболее развитых странах мира.

Основные параметры, на которых базируется индекс, разделены на две категории - категории, связанные с исследованиями и разработкой, и категории, связанные с экономическими показателями (см. табл. 3.13).

В публикации AI Index Report за 2022 г. приводятся данные, которые базируются на показателях за 2021 г. В этом исследовании анализировалось 29 стран. Россия заняла 23 место. На рис. 3.54 представлены данные по 23 странам на основе ключевых индикаторов.

На момент написания курса на сайте разработчика были доступны данные за период 2017 - 2021 гг. Согласно статье [195], где отслеживались более ранние публикации индексов от Stanford Institute, сообщается, что в 2015 году Россия была на предпоследнем, 25-м, месте. В 2016-м опустилась на последнее, 26-е, место и оставалась там в течение пяти лет.

На рис. 3.55 представлены данные по России и США, а на рис. 3.56 - по Китаю.

На рис. 3.54 и рис. 3.55 бросается в глаза нулевой вклад экономических факторов в индекс России. Возможно, по России собраны неполные данные, вернее только данные в категории "исследования и разработка".

Интересно сравнение данных США и Китая. В первую очередь Китай отстает от США по количеству патентов в области ИИ.

Данные, публикуемые в исследовании Stanford Institute, часто цитируются аналитическими компаниями. Например, в публикации компании Knoema за 2021 г. [197] можно найти сравнительный анализ зрелости разных стран со ссылкой на данные Stanford Institute (см. рис. 3.57).

Глобальный индекс ИИ-готовности правительства от Oxford Insights

Правительства разных стран в той или иной мере обращаются к системам ИИ, чтобы улучшить свои государственные услуги и получить стратегические экономические преимущества. Для оценки степени успеха на этом пути аналитики Oxford Insights предложили методику расчета комплексного показателя (Government AI Readiness Index, GARI) - индекса ИИ-готовности правительства.

Субиндексы, на которых базируется данный показатель, представлены в таблице 3.14. Обозначенные в таблице параметры представляют интерес не только как показатели готовности правительства к оказанию услуг на базе ИИ, многие параметры могут рассматриваться как показатели страны к развитию ИИ в принципе. Субиндексы делятся на три больших группы: "правительство", "технологический сектор" и "доступ к данным и инфраструктуре".

В десятку лидеров, по версии отчета, входят следующие страны: США, Сингапур, Великобритания, Финляндия, Нидерланды, Швеция, Канада, Германия, Дания, Республика Корея. Интересно отметить, что ни Китай, ни Япония не вошли в список лидеров. Китай занимает 15 строчку. Япония 12-ю. Россия, по данным аналитиков Oxford Insights, заняла 38 место.

Индексы по 160 странам мира можно найти в упомянутом отчете, мы же представили данные по России на фоне показателей трех стран - США, Китая и Индии (рис. 3.58).

ИИ-гонка - лидеры и претенденты

Мы привели целый ряд количественных данных по уровню развития ИИ в разных странах по различным источникам. Не по всем оценкам есть консенсус, но по ряду мнений аналитики солидарны. В данном разделе выделим некоторые общие тенденции и поговорим про потенциал, динамику и особенности ведущих стран в области ИИ.

В последнее время и ИТ-специалисты, и аналитики, и многие политические лидеры - все высказались на тему повышения роли ИИ для научно-технологического, экономического и военного развития страны. Многими правительствами искусственный интеллект рассматривается как стратегическая технология. Причем если в 40-е и даже 70-е годы все технологии, имеющие решающее значение для обороноспособности стран, создавались в стенах правительственных организаций, то в последнее время ситуация поменялась. Очевидно, что частный сектор стал ведущим производителем этих технологий, и сегодня во всем мире правительства вынуждены полагаться на частные компании в создании программного обеспечения для искусственного интеллекта.

Государства пытаются взять ИИ под контроль. Согласно данным годового отчета Стенфордского центра Institute for Human-Centered AI (HAI) - "2022 AI Index", количество законопроектов по ИИ, принятых в качестве закона, выросло с одного в 2016 до восемнадцати в 2021 году.

Возрастает роль проводимой правительством политики в области НИОКР, иммиграции, антимонопольного законодательства, торговой политики, защитных мер против промышленного шпионажа и нечестной конкуренции.

Наряду с процессами, которые связаны с попыткой национализации исследований в области ИИ, очевидна противоположная тенденция, которая продиктована желанием стран сотрудничества и проведения совместных исследований.

Для успешного создания национальной школы, выбора оптимального направления развития нужно понимание, где в мире осуществляются масштабные проекты в области ИИ, на что они направлены, кто финансирует и реализует эти проекты, какие проблемы пытаются решить разработчики.

США и Китай - сотрудничающие конкуренты

Рассуждая о лидерах ИИ-гонки, многие исследователи анализируют соперничество США и Китая. Несмотря на активные действия Китая по развитию ИИ-потенциала в стране, США пока лидирует по количеству технологических компаний международного уровня, по количеству патентов, по кадровому резерву, серьезным исследовательским инициативам. В США более длительная история развития ИТ и ИИ, большее число престижных университетов и исследовательских центров, привлекающих специалистов со всего мира, более конкурентная бизнес-среда.

В США сформирована зрелая, хорошо финансируемая цифровая экосистема в Кремние войдолине, в Нью-Йорке и Бостоне. Целый ряд правительственных агентств (включая DARPA, ЦРУ и АНБ Агентство национальной безопасности - подразделение Министерства обороны США, входящее в состав Разведывательного сообщества США на правах независимого разведывательного органа, занимается радиоэлектронной, научной и технической разведкой, киберразведкой, военной контрразведкой, защитой электронных коммуникационных сетей госучреждений США ) оказывают финансовую и политическую поддержку ИИ-компаниям. В США расположены ведущие университеты, имеющие мощные исследования в области ИИ, такие как Стэнфорд и Массачусетский технологический институт, а также сильные корпоративные исследовательские центры, такие как, например, Google DeepMind.

Венчурный капитал как индустрия прежде всего развивался в США, и результатом этого стало создание таких технологических гигантов как Amazon, Apple, Facebook, Microsoft, Google, IBM. Частные и государственные инвесторы вложили в эти компании триллионы долларов.

Большинство компаний, которые отмечены как лидеры в области предоставления ключевых ИИ-сервисов (как, например, было отмечено на рис. 3.40 и 3.41), - это американские компании.

Во всех вышеперечисленных отчетах было отмечено, что США имеют пока самые высокие показатели с точки зрения финансирования ИИ, лучшие ученые мира выбирают эту страну для места своей работы.

Это, кстати, признают и китайские аналитики. В 2022 году был опубликован отчет "Analysis Report Of The World's Most Influential AI Scholar (AI 2000) In 2022", который был составлен Zhipu AI Research и опубликован Университетом Цинхуа, где представлен список 2 тысяч наиболее влиятельных ученых мира в области ИИ - "Список AI 2000" [199].

Список сформирован из 100 наиболее влиятельных ученых в каждой из 20 подобластей ИИ из 43 стран мира. США занимает в списке 57% (1146 топовых ученых), Китай отстает в 5 раз (232 топовых ученых - это 12%). Всего два представителя Китая (университет Цинхуа и Alibaba) и лишь по одному из Канады и Сингапура (см. табл. 3.15).

США активно развивает оборонно-стратегические технологии, связанные с использованием ИИ. В 2023 году Пентагон собирается потратить на оборону 773 млрд долларов. При этом на науку и разработки штаб-квартира Министерства обороны США увеличивает расходы сразу на 10% - до 130 млрд долларов. Значительная часть этих средств пойдет на внедрение искусственного интеллекта в системы вооружений, защищенные средства передачи данных между различными видами оружия, платформ и служб. Данные разработки являются частью концепции "объединенного многодоменного командования и управления вооруженных сил США" [200].

Китай пока находится на втором месте, продолжая активно внедрять ИИ-технологии в соответствии со своей амбициозной государственной стратегией.

Интрига состоит в том, что, несмотря на то, что Китай до сих пор отстает по ряду показателей от США, темпы его роста по ряду направлений, впечатляют весь мир. Если до 2015 года США были безоговорочным лидером - страной, которая инвестировала в ИИ больше, чем совокупно все остальные страны мира, то в 2016 году Китай почти сравнился по этому показателю с США, вложив в ИИ больше, чем все остальные страны мира не считая США. По данным [201], в период 2010-2017 годов китайские инвесторы вложили суммарно около 1,3 млрд долларов США, проинвестировав 81 проект по ИИ.

В 2017 году Китай объявил о стремлении стать мировым лидером в области ИИ в своем плане развития "Искусственный интеллект нового поколения", в котором были определены общие цели, которые должны былибытьдостигнуты к 2020, 2025 и2030 годам. Китайпланирует к 2025 году достигнуть "ведущего мирового уровня", а к 2030 году стать "главным мировым центром инноваций в области ИИ". Согласно плану, масштаб основных отраслей Китая, связанных с ИИ, должен увеличиться более чем в три раза по сравнению с 2020 годом, а масштаб смежных отраслей - более чем в пять раз. К 2030 году, согласно государственному плану, ИИ будет внедрен во многие сферы производства, управления и национальной обороны [202]. К 2030 году правительство намерено создать индустрию ИИ стоимостью 1 трлн юаней, а также смежные отрасли стоимостью 10 трлн юаней.

Китай создал прочный фундамент для развития ИИ в стране и внес значительный вклад в развитие ИИ в глобальном масштабе. В 2021 году на долю Китая приходилась почти пятая часть мирового инвестиционного финансирования, что позволило привлечь 17 миллиардов долларов для стартапов в области ИИ [203]. Правительство Китая вкладывает огромные средства в исследовательские центры в Пекине и Тяньцзине, щедро финансирует рынок стартапов.

Кроме того, в Китае появилось множество технологических гигантов, включая Alibaba, Baidu, Tencent и Huawei Technologies, которые вкладывают значительные средства в ИИ.

Говоря о темпах реализации планов, объявленных в 2017 году, достаточно привести данные по количеству стартапов по ведущим странам мира (рис. 3.59). Как видно из рисунка, уже в 2018 году по количеству стартапов Китай уступал лишь только США.

Столь же активно шло и развитие науки в Китае в области ИИ. К 2019 году суммарное количество ИИ-публикаций в Китае уже практически сравнялось с аналогичным показателем во всех странах Евросоюза, вместе взятых (рис. 3.60).

Что касается инфраструктуры, следует привести данные по супер компьютерному соревнованию. Известно, что в последнее время глубокое обучение стало главным направлением в области развития ИИ, а рост сложности обучаемых моделей требует все больше вычислительных мощностей. В результате вычислительная мощность стала главным показателем в соревновании в области ИИ как на уровне исследовательских и бизнес-компаний, так и на уровне отдельных стран. Для сравнения самых высокопроизводительных систем для ИИ используют показатель скорости вычислений с плавающей точкой (Flop/s), как это принято в рейтинге ТОР500. Согласно публикации за 2022 год, где приводится карта суперкомпьютерных ресурсов в разных странах (рис. 3.61), Китай занимает второе место в мире по данному показателю.

США находится на первом месте (149 систем, самая мощная - 149 петафлопс), Китай (173 системы, самая мощная - 93 петафлопс), Россия (7 систем, самая мощная у Яндекса - 21,5 петафлопс).

Говоря о конкуренции США и Китая, следует отметить два противоположных по направлению вектора. С одной стороны, гонка за мировое технологическое лидерство заставляет страны пытаться национализировать исследования в приоритетных направлениях ИИ, ограничить утечку мозгов, инвестировать в национальные проекты, ограничить экспорт стратегических технологий. С другой стороны, логика развития бизнеса стимулирует сотрудничество там, где это выгодно. Поэтому несмотря на то, что Китай и США являются конкурентами в ИТ-сфере и особенно в сфере ИИ, тем не менее уровень сотрудничества между этими странами, судя по числу совместных публикаций в ИИ, самый высокий.

Как следует из отчета HAI "2022 AI Index", уровень кооперации США и Китая в области ИИ-исследований в разы превышает показатели других стран (рис. 3.62).

Такой уровень сотрудничества США и Китая объясняется тем, что эти страны вложили наибольшие ресурсы в искусственный интеллект, а также тем, что многие китайские исследователи прошли обучение в США и сохранили профессиональные связи.

Если посмотреть на динамику развития сотрудничества Китая и США с другими странами (рис. 3.63), то видно, что количество совместных работ Китая с такими странами Европы как Великобритания и Австралия растет, в то время как кооперация США с европейскими странами, показанными на рисунке, в период 2019-2021 гг. находится на спаде.

Кроме того, китайские компании более тесно сотрудничают со своим правительством. Законы в Китае наиболее мягкие в отношении конфиденциальности клиентов и использования таких технологий, как например, распознавание лиц граждан. В Китае нет таких препятствий для внедрения массового использования распознавания лиц, как например, в США.

Технологии ИИ являются одним из главных инструментов в соревновании стран за лидерство, а следовательно, и за лидерство той политической и экономической системы, той системы ценностей, которую эти страны представляют. При этом та политическая и экономическая система, которая превалирует в этих регионах, оказывает влияние на методы, темпы и траекторию развития технологий ИИ, на что обращают внимание ряд аналитиков.

На рис. 3.64 в упрощенной форме показаны вероятные траектории развития ИИ, которые формируются в конкурентной борьбе за лидерство в развитии ИИ ключевых игроков. При этом Китай и США находятся по разные стороны в этой схеме.

Сплошные линии со стрелками на рис. 3.64 символизируют исторический путь каждого региона к его нынешнему состоянию (сочетанию рыночных и регуляторных действий). Траектория развития в США исходит со стороны свободного рынка, в Китае со стороны коллективистского общества. Это два полюса с точки зрения политической платформы, которые принадлежат сильнейшим державам (основным конкурентам с точки зрения развития ИИ).

Траектория к состоянию $А\_1$ соответствует развитию технологий с помощью рыночных сил, в то время как на пути, ведущем к $А\_2$, доминирующим фактором является регулирование. В траектории к $А\_3$ ключевую роль играют законы коллективистского общества. Вероятность дальнейшего развития сценариев обозначается разной толщиной линии.

Так, вероятность конвергенции траекторий развития ИИ в США и Евросоюзе просматривается как сценарий с большой вероятностью. При том, что Китай с его патерналистской практикой создания контроля граждан на основе ИИ-технологий имеет меньшую вероятность сращивания с американо-европейской траекторией. Китай и США опираются на разные политические платформы, на разный набор общественных ценностей. Важно подчеркнуть, что B, C и D не являются четко определенными сценариями. Скорее, они представляют собой набор возможных вариантов развития для стран и регионов, изображенных на рисунке.

Считается, что Китай, наиболее активно продвигает технологию массового контроля и цензурирования населения. Согласно данным [208], по признаку контроля мнений, противоречащих официальной позиции, Китай занимает лидирующие позиции в мире наряду с Вьетнамом, Сирией, Эфиопией и Ираном.

В Китае наиболее высокий уровень видеонаблюдения с распознаванием лиц. По данным People Think Tank (аналитический центр при официальном медиа ЦК КПК "Жэньминь жибао") на июнь 2022: 99,3% сталкиваются с распознаванием их лица в тех или иных сценариях (51,8% при регистрации в отелях и общественных зданиях, 47% на транспорте, 43,9% при контроле доступа и проверке посещаемости на работе и учебе, 33,5% при контроле входа и выхода в жилых домах).

В публикации [209] со ссылкой на исследования Лондонской школы экономики и Гарвардский университет сообщается, что ИИ и автократия взаимно усиливают друг друга в результате симбиоза ИИ и тотального наблюдения. Бизнес получает доступ к большим данным с разрешения властей, поскольку обратная связь между усилением контроля и развития ИИ-технологий устраивает и власть, и бизнес. В США и Европе акцент на правах личности ограничивает степень наблюдения за населением.

Альтернативная точка зрения сводится к тому, что лучшие умы планеты (в том числе в области ИИ) будут выбирать для жизни и работы места, где уровень приватности будет более комфортным, и это в свою очередь будет способствовать более активному развитию ИИ в данном регионе.

Единого мнения на то, какую степень контроля должно осуществлять государство ради создания социальной справедливости и благополучия в обществе, не существует. Так что эксперимент по внедрению ИИ, направленный на создание более совершенного и благополучного общества в рамках модели США и модели Китая, представляет собой не только технологический, экономический, но и социальный эксперимент.

Догоняющие страны со значительными успехами в развитии ИИ

Великобритания

По ряду источников, включая Global AI Index, на третьем месте в мире находится Великобритания - родина одного из основоположников ИИ Алана Тьюринга.

В Великобритании действуют старейшие научные и образовательные центры с развитой школой ИИ, включая такие заведения как Имперский колледж Лондона, Эдинбургский университет, Манчестерский университет.

В Великобритании растет число стартапов и масштабных компаний, разрабатывающих собственные технологии искусственного интеллекта и новые приложения для алгоритмов машинного обучения и науки о данных. По данным [210], в 2022 г. в Великобритании насчитывалось 1 486 компаний в сфере искусственного интеллекта. В совокупности эти фирмы получили 8,48 млрд фунтов стерлингов инвестиций, что делает искусственный интеллект одним из наиболее финансируемых секторов в Великобритании (после финтеха).

Великобритания стремится позиционировать себя в качестве мирового лидера в области этических стандартов ИИ. Страна видит в этом возможность позиционировать себя в рамках данного направления, помогая создавать стандарты, которые со временем могут стать стандартом де-факто для всех.

Канада

Канада занимает четвертое место по данным Tortoise Global AI Index и пятое место в рейтинге индекса развития ИИ от Stanford Institute. Можно назвать ряд показателей, которые обеспечивают столь высокое положение.

Например, в период с 2015 по 2018 год Канада произвела наибольшее количество патентов в области ИИ на душу населения среди стран Большой семерки и Китая, что свидетельствует об относительно высоком уровне инноваций в области ИИ в Канаде [211]. Для поддержки продолжающихся инноваций в Канаде проводится значительное количество академических исследований. Одной из причин передовых позиций страны является высокий научный потенциал, в том числе объясняемый присутствием в стране ведущих ученых в области глубокого обучения - Йошуа Бенджио, Джеффри Э. Хинтон и Янн ЛеКун, выбравших Канаду в качестве своего основного места работы.

Лидирующие позиции Канады также поддерживаются сильной национальной ИИ-стратегией. В 2017 году Канада стала первой страной в мире, выпустившей национальную стратегию под названием "Общеканадская стратегия искусственного интеллекта". Федеральное правительство выделило 125 миллионов долларов на пять лет для развития исследований и инноваций в области ИИ, создания квалифицированного кадрового резерва и укрепления идейного лидерства. Эта стратегия сыграла важную роль в превращении Канады в одного из ведущих мировых игроков в сфере ИИ.

Южная Корея

Следует отметить также сильные стороны в развитии ИИ-индустрии Южной Кореи. Правительство этой страны является крупным инвестором и активным сторонником развития ИИ-технологий, финансирует крупномасштабные проекты в области ИИ, связанные с медициной, национальной обороной и общественной безопасностью.

Южная Корея является родиной многих крупных технологических компаний, таких как Samsung, LG, Hyundai и других, и известна своей автомобильной, электронной и полупроводниковой промышленностью, а также использованием технологий промышленной робототехники. Она также знаменита тем, что в ней состоялся матч, в котором AlphaGo компании DeepMind победил чемпиона мира по игре Go Ли Седоля (уроженца Кореи).

Израиль

Говоря о показателях на душу населения, нельзя не упомянуть Израиль. В этой стране более чем на порядок больше ИИ-компаний на душу населения, чем в США. Одной из причин лидерства страны в области ИИ является тесная связь между израильскими военными и цифровым сектором. В Тель-Авиве есть мощные университеты (включая Технион, Бар-Иллан, Бен-Гурион, Иерусалим) и сильная предпринимательская экосистема.

Очевидно, что отстающие страны, которые не смогут вложить финансовых и организационных усилий в национальные ИИ-проекты, будут занимать зависимую позицию от технологий искусственного интеллекта ведущих мировых центров, и в первую очередь от США и Китая.

ИИ в России

Традиционно историю развития ИИ связывают с разработками в США, уделяя недостаточное внимание пионерским работам, которые велись в СССР в этом направлении. При этом еще в 1945 году, в разгар войны за шифры, Советский Союз поставил перед Институтом математики имени Стеклова в Ленинграде задачу автоматизации решения логических задач. В 1954 г. в МГУ под руководством профессора А.А. Ляпунова начал свою работу междисциплинарный семинар "Автоматы и мышление", который объединил неврологов, лингвистов, психологов и математиков в попытке ответить на вопрос, как заставить компьютеры будущего думать. С этого времени ряд крупных ученых начинают специализацию в области ИИ.

Некоторые советские разработки получили всемирное признание. На 1-м Чемпионате мира по шахматам среди компьютерных программ в августе 1974 года в Стокгольме отечественная программа "Каисса" выиграла все четыре партии и стала первым чемпионом мира среди шахматных программ. Программа "Каисса" была создана в 1971 году сотрудниками Института проблем управления АН СССР Георгием Адельсон-Вельским, Владимиром Арлазаровым и Михаилом Донским.

Метод обратного распространения ошибки, который в большинстве источников ассоциируют с именем Дэвида Румельхарта, впервые был описан в 1974 г. А.И. Галушкиным, а также независимо и одновременно Полом Дж. Вербосом и уже позже существенно развит в 1986 г. Дэвидом И. Румельхартом, независимо и одновременно С.И. Барцевым и В.А. Охониным.

Важнейший вклад в теорию машинного обучения внесли Владимир Наумович Вапник и Алексей Червоненкис, которые создали статистическую теорию восстановления зависимостей по эмпирическим данным.

С 1960 по 1990 год одной из центральных фигур в советской науке по ИИ-тематике был математик Дмитрий Поспелов. В 1965-1980 гг. под его руководством получила развитие новая наука - ситуационное управление. В 1980-1990 гг. проводились активные исследования в области представления знаний, был разработан целый ряд экспертных систем. В Московском государственном университете был создан язык РЕФАЛ, конкурирующий с западными ЛИСП и ПРОЛОГ.

В 1988 г. была организована Ассоциация искусственного интеллекта, и в 1989 году Поспелов стал ее президентом.

В самом конце 80-х - начале 90-х в России стали образовываться коммерческие компании, которые впоследствии стали ключевыми разработчиками ИИ-технологий. В частности, в 1989 была основана компания ABBYY. В 1990 году специалистами НПО "Дальняя связь" была создана российская научно-производственная компания "Центр речевых технологий" (ЦРТ).

В 1991 г. была основана компания PROMT - российский разработчик систем машинного перевода. В 1993 году образована компания Cognitive Technologies, известная впоследствии своими разработками в разных направлениях развития ИИ, включая системы беспилотного транспорта. В 2000 году была основана компания Яндекс.

По данным аналитиков из МФТИ, к 2020 году в России работало около 400 компаний, бизнес которых в существенной мере был связан с технологиями ИИ.

Последние годы российское правительство стало уделять повышенное внимание развитию ИИ-технологий. В октябре 2019 года президент России Владимир Путин утвердил Национальную стратегию развития искусственного интеллекта на период до 2030 года.

Несмотря на то, что в стране был сделан значительный вклад по исследованию ИИ в университетской среде, принята Национальная стратегия развития ИИ, а также запущен федеральный проект "Искусственный интеллект", в промышленности страны не хватает кадров, обладающих компетенциями в области ИИ, наблюдается также дефицит самих компаний, работающих над инициативами, связанными с ИИ. Многие квалифицированные российские ученые и инженеры покидают страну, чтобы работать в зарубежных компаниях, которые готовы платить более высокую зарплату.

Учитывая политическую обстановку, создавшуюся в 2022 г., можно предположить, что международное научное сотрудничество с рядом западных стран в высокотехнологичной сфере, включая ИИ, будет сокращаться, равно как и доступ к западному высокопроизводительному аппаратному обеспечению.

Ряд международных компаний - поставщиков ИИ-решений - закрыли бизнес и исследования в России. Для многих российских компаний и стартапов увеличились барьеры для выхода на зарубежные рынки.

С другой стороны, Россия, столкнувшись с военно-политическим противостоянием, вынуждена наращивать собственные разработки, связанные с созданием новых интеллектуальных систем, востребованных в рамках оборонного комплекса, разработкой систем для ведения информационной и кибервойны, что ведет к более серьезной финансовой поддержке научно-исследовательского комплекса, работающего в интересах создания новых ИИ-систем для оборонной промышленности и расширению сотрудничества в этой области с дружественными странами. То есть в целом потребность в решении задач внутренними силами и с опорой на внутренние разработки и отечественные кадры выросла. Потребность в кадрах (включая задачи подготовки новых кадров и переобучения имеющихся) на отечественных предприятиях тоже увеличилась.

Научные публикации в реферируемых журналах

Несмотря на отмеченную выше проблему утечки научных кадров и невысокое финансирование российских ученых как в НИИ, так и в университетской науке, Россия сохранила определенный научный потенциал и по кумулятивному числу публикаций за период 2017-2021 гг. входит в двадцатку стран (см. рис. 3.65).

Динамика изменения российских ИИ-публикаций в реферируемых журналах показана на рис. 3.66.

Согласно данным рис. 3.66, доля России по числу публикаций в рецензируемых научных журналах с 2010 г. стабильно росла до 2020 г., в 2021 г. несколько снизилась, оставаясь на уровне примерно одного процента от объема мировых публикаций.

Важным параметром в оценке развития ИИ в стране является показатель совместных международных научных публикаций. По данным отчета "2022 AI Index", число совместных международных научных публикаций (проектов) в области ИИ в 2021 г. в России выглядело весьма скромным. Если в США 1200 институтов опубликовали в указанном году результаты примерно 3000 трансграничных совместных ИИ-проектов, в Китае 500 институтов опубликовали результаты трансграничных проектов, то в России таких институтов было только 60.

Анализ ИИ-инвестиций в России

Российские инвестиции в ИИ все еще значительно отстают от аналогичного финансирования в странах с развитым рынком ИИ-продуктов и услуг.

Согласно данным опубликованным аналитической компанией TAdviser (см. рис. 3.67), со ссылкой на результаты исследований Центра компетенций Национальной технологической инициативы на базе МФТИ по направлению "Искусственный интеллект" - общая доля ВВП, которая тратится на ИИ-исследования и разработки в России, примерно в 35 раз ниже, чем в Китае и примерно в 10 раз ниже, чем в США.

Судить о некоторых приоритетах финансирования российских организаций в период 2014-2020 гг. можно на основе данных уже упомянутого информационного агентства Tadviser (см. табл. 3.16), где представлено топ 30 компаний, ранжированных по объемам финансирования, полученного кумулятивно в период 2014-2020 гг.

В таблице представлены компании трех типов. Первые - это ИТ-компании, то есть организации, которые в первую очередь являются разработчиками и владельцами экспертизы в области ИИ. В качестве таких компаний можно назвать "Центр речевых технологий", Cognitive Technologies, АО "ПРОГНО3", ООО "ИБС Экспертиза", ООО "Медиалогия".

Вторая группа - это учебные университеты и академические институты, занимающиеся исследованиями в области ИИ (Университет ИТМО, Сколтех, ВШЭ, МФТИ, университет Иннополис, Институт программных систем им. А.К. Айламазяна РАН).

Третья категория - это крупные организации, внедряющие у себя ИИ-технологии, в том числе при помощи ИТ-компаний, специализирующихся в области ИИ. К последней группе можно отнести такие компании как КАМАЗ и ГПНТБ.

Лидером по общему объему финансирования за весь период, по данным таблицы 3.16, является МФТИ.

Говоря о планах по финансированию ИИ-направления в России, можно сослаться на данные Минэкономразвития [214], согласно которым на период 2021-2024 гг. из федерального бюджета на финансирование мероприятий ФП "Искусственный интеллект" планировалось, в общей сложности, выделить 24,6 млрд руб. ( рис. 3.68, 3.69).

В 2021 г. были отобраны заявки на получение грантов до 1 млрд рублей в рамках федерального проекта "Искусственный интеллект" на создание в стране шести исследовательских центров по ИИ до 2024 года. Общая сумма средств с учетом внебюджетного финансирования должна составить 7 млрд рублей. Упомянутые шесть центров должны стать опорными точками по развитию технологии ИИ.

В качестве победителей было отобрано шесть организаций: Сколковский институт науки и технологий, МФТИ, Институт системного программирования им. В.П. Иванникова, Университет "Иннополис", ИТМО, ВШЭ [217]. Каждая из организаций имеет заделы в области ИИ. Например, Исследовательский центр в сфере искусственного интеллекта НИУ ВШЭ был создан на базе факультета компьютерных наук, и часть проектов Центра реализуется при поддержке его индустриальных партнеров Сбер, Яндекс, Центр искусственного интеллекта МТС.

Анализ рынка ИИ в России

Как мы отметили ранее, при определении мирового рынка ИИ есть разночтения в методиках разных аналитических агентств. Но если есть определенные проблемы по унификации методики определения мирового рынка, то степень неопределенности в отношении подсчетов локальных рынков еще больше.

Западные аналитики, такие, например, как IDC, собирают информацию об ИИ-проектах по всему миру и пытаются определить долю мирового рынка, приходящуюся на отдельные страны и в частности на Россию.

Существует пул глобальных поставщиков аппаратного обеспечения, программного обеспечения и услуг, которые в той или иной мере делятся с IDC тем, какая часть их доходов приходится на построение решений в области ИИ. Обладая аналитиками в большинстве развитых стран мира, IDC пытается собрать данные в разных странах по типовой методике и оценить долю, приходящуюся на отдельные регионы, включая Россию. При этом услуги, оказываемые при построении тех или иных ИИ-решений, оказываемые внутренними ИТ-департаментами сотрудникам корпораций, не учитываются как часть рынка, поскольку рыночными не являются по определению (это бизнес внутри одной компании).

Совсем другой подход встречается при анализе отечественного рынка ИИ российскими аналитиками. Большинство российских аналитиков опрашивают российские компании, пытаясь определить, какая часть их бизнеса связана с проектами, имеющими отношение к ИИ. При этом если посмотреть на те компании, которые именуются в отчетах российских аналитиков как ИИ-компании, то окажется, что многие из этих организаций не подпадают под классификацию табл. 3.2 или табл. 3.3 (которые берут на вооружение западные аналитики), поскольку эти компании преимущественно занимаются внедрением ИИ в свои бизнес-процессы, а не предлагают ИИ-услуги и продукты на внешний рынок.

Оценка рынка ИИ в России от IDC

По данным IDC Worldwide Artificial Intelligence Spending Guide, расходы на решения с применением искусственного интеллекта в 2020 г. выросли в России на 22,4% по отношению к 2019 году до 291 млн долларов США [218]. Учитывая, что средний курс доллара в 2020 году составлял около 71 рубля, речь идет о рынке объемом в 20,6 млрд рублей. При этом аналитическая компания отмечает, что финансовый сектор оставался крупнейшим потребителем на рынке ИИ, наблюдался рост инвестиций со стороны государственных организаций, который продолжится до 2024 года по мере реализации государственной программы в области развития ИИ. По оценкам IDC, к 2024 году рынок ИИ в России составит 555,1 млн долларов.

Учитывая, что мировой рынок в 2020 году IDC оценивало примерно на уровне 270 млрд долл, получается, что, по оценкам IDC, Россия в 2020 г. занимала всего лишь около 0,1% от мирового рынка, что существенно меньше, чем доля, которую ИТ-рынок России занимает от мирового.

Оценка рынка ИИ в России от аналитического центра МФТИ

Выше мы привели оценку российского рынка от IDC на уровне 20 млрд руб. по состоянию на 2020 г. Если же мы посмотрим на оценки российского рынка ИИ, представленные в публикации RSpectr.com со ссылкой на исследования Центра компетенций Национальной технологической инициативы МФТИ по направлению ИИ (рис. 3.70), то увидим, что оценка рынка последнего отчета на тот же 2020 г. составляет более 400 млрд руб. - то есть в 20 раз больше! Согласно данным упомянутого отчета, размер ИИ-рынка в 2021 г. составлял 552 млрд рублей при росте на уровне 28% относительно 2020 г. В публикации дополнительно сообщается, что указанная выручка обеспечена компаниями, из которых 70% расположены в Москве, 10% в Санкт-Петербурге и только 20% - во всех остальных городах России.

Причиной столь существенного расхождения является использование разных методик подсчета рынка.

Как мы отметили, западные компании типа IDC под локальным рынком понимают совокупную выручку, полученную от продажи продуктов и услуг, закупленных потребителями этой страны. То есть под российским рынком ИИ подразумевается объем продуктов и услуг, проданных потребителям в России, и не учитывается объем услуг, оказанных ИТ-отделами внутри компании. А в известных отечественных методиках, и в том числе в той, что использует МФТИ, анализируется выручка отечественных компаний, бизнес которых связан с ИИ. Это два принципиально разных подхода, и, естественно, они будут давать разные значения рынка и разную прогнозную динамику. То есть если при первом подходе политическая ситуация в мире и режим ужесточения экспортного контроля в Россию существенно повлияют на объем рынка, то по второму сценарию это влияние будет значительно меньше.

Существуют разные методики оценки развития рынка. Каждый из подходов имеет право на существование. Для корректного анализа важно понимать, какая методика стоит за той или иной оценкой и какие цифры корректно сравнивать, а какие нет.

Ключевые игроки рынка ИИ в России

Как показал анализ многочисленных источников, подход к определению ключевых игроков российского рынка также выполняется по разным методикам. Используется несколько критериев. Например - существует подход, в котором производится мониторинг количества упоминаний в СМИ, и на основании этого дается статистическая оценка наиболее известных компаний. Недостатком методики является то, что при этом подходе целый ряд разработчиков, которые занимаются созданием военно-стратегических приложений, будут далеко не на передовых позициях.

Другой подход, связанный с анализом выручки компаний, осложнен недостаточной прозрачностью финансовой отчетности и непубличностью многих организаций.

Есть подход, при котором в качестве ключевых отмечаются компании, получившие государственное финансирование, или компании, которые правительство привлекало для выработки стратегии искусственного интеллекта.

Мы собрали аналитику от целого ряда исследователей, которые смотрят на российских игроков с разных точек зрения. На наш взгляд, сравнительный анализ данных источников позволит читателю получить представление об основных игроках рынка, существующих рейтингах и картах анализа российского ИИ-бизнеса.

Рейтинг упоминаний ИИ-компаний в СМИ

По данным Центра НТИ на базе МФТИ [220], лидерами в области ИИ в России, с точки зрения упоминания в СМИ, являются восемь компаний (см. рис. 3.71).

Оценка значимости компаний получена с использованием системы анализа больших данных iFora института экономических исследований и экономики знаний НИУ ВШЭ на основе анализа более 10 млн новостных статей за 2015-2019 годы.

Предоставим краткую информацию об этих компаниях с точки зрения их экспертизы в области ИИ.

1. Яндекс

Яндекс в первую очередь ассоциируется с поисковым сервисом, который существует с 1997 года и популярен в России. В настоящее время сервис обслуживает миллионы пользователей, использующих текстовые и голосовые запросы на различных платформах, предоставляя персонально релевантные результаты, учитывающие время и местоположение каждого отдельного пользователя. В поиске реализован целый ряд ИИ-технологий. Например, поиск изображений на основе контента применяет сверточные сети для поиска изображений, похожих или связанных с образцом, включая измененные версии.

Пользователям также хорошо известен онлайновый сервис машинного перевода от Яндекса (Yandex.Translate), использующий технологии машинного обучения и поддерживающий перевод между почти 100 языками.

Еще одна технология Яндекса - (DeepHD) - основана на использовании генеративно-состязательных сетей и служит для улучшения изображений. В ходе обучения нейронная сеть производит интеллектуальную обработку - восстанавливает изображения высокого качества из изображений с низким качеством.

Яндекс также развивает технологию оптического распознавания символов. Технология OCR Яндекса позволяет находить и распознавать текст на объектах реального мира (вывески, упаковки, меню и т. п.). Компания разрабатывает технологию акустического распознавания речи, которая, в частности, используется в виртуальном помощнике "Алиса", самом популярном голосовом помощнике в России. Разработки Яндекса преобразования текста в речь позволили, в частности, создать уникальный голос "Алисы". Следует так-же сказать, что Яндекс активно работает над созданием беспилотного транспорта, о чем было рассказано в разделе про применение ИИ в транспортной отрасли.

Яндекс занимается не только проектами в области разработки ПО, но также создает ИТ-инфраструктуру для обработки специфических для ИИ нагрузок. Например, в 2021 г. Яндекс запустил три новых GPU суперкомпьютера для ИИ, которые заняли 19, 36 и 40 места в рейтинге ТОП-500 суперкомпьютеров мира. Ряд разработок Яндекса в области ИИ доступны разработчикам в виде интеллектуальных сервисов на платформе Яндекс.Облако.

2. Сбер

Сбер известен прежде всего как крупнейший российский банк, который в последние пять лет сформировал мощную ИТ-команду и развил компетенции в сфере искусственного интеллекта, в том числе привлекая и приобретая компании, имеющие многолетний опыт в области ИИ.

Согласно данным руководства компании, в 2022 году финансовый эффект от внедрения ИИ составил более 230 млрд рублей [222]. Искусственный интеллект в Сбере используют, чтобы создавать новые продукты и улучшать клиентский опыт. ИИ-технологии помогают сотрудникам банка внедрять новые решения на всех уровнях управления. А некоторые задачи искусственный интеллект уже решает лучше человека - например, подсказывает как оптимально выстроить маршрут инкассации и сколько денег положить в каждый конкретный банкомат.

В 2023 году банк планирует ускорить развитие искусственного интеллекта во всем периметре Сбера, прежде всего в таких направлениях как персональные предложения, кредитование, здравоохранение, оптимизация процессов и кибербезопасность.

Из наиболее ярких последних разработок Сбера в области ИИ можно упомянуть следующие.

LightAutoML, или LAMA, - фреймворк для автоматического построения моделей, разработанный командой AutoML Sber AI Lab для эффективного решения ML-задач бинарной / мультиклассовой классификации и регрессии.

Kandinsky - модель генерации изображений по текстовому описанию на русском языке (создание иллюстраций, материалов для рекламы, промышленного дизайна, цифрового искусства).

(SciARTM) - ИИ-модель для обнаружения научных трендов в области ИИ. Для обучения использовался датасет из 73 тыс. научных публикаций, представленных в топовых научных конференциях. Предобученнаямодельдообучаетсянанебольшомпакетеновыхнаучных статей, что позволяет идентифицировать тренды на ранних этапах.

ruGPT-3 - самая большая на сегодняшний день языковая генеративная модель для русского языка.

3. VK (бывшая Mail.ru Group)

Компания VK (бывшая Mail.ru Group) помимо сети "ВКонтакте" объединяет целый ряд сервисов, рассчитанных на массового потребителя и требующих обработки огромного количества данных. В VK входит более 200 проектов, включая сервисы такси и каршеринга ("Ситимобил", "Ситидрайв"), доставки еды и продуктов (Delivery Club, "Самокат"), соцсети ("ВКонтакте", "Одноклассники"), образовательные сервисы (GeekBrains, Skillbox и др.), игровое направление My.Games, VK Музыка, VK Реклама, VK Объявления. Общими элементами сервисов экосистемы стали голосовой ассистент, универсальная учетная запись, платформа мини-приложений и платежная система. Массовые сервисы невозможны без учета потребностей клиентов и обработки огромного количества данных, требующих применения ИИ-технологий - для анализа предпочтений пользователей, поиска информации, анализа паттерна поведения клиентов, предотвращения мошенничества, обеспечения кибербезопасности, выработки рекомендаций, таргетирования рекламы и т. п.

4. Cognitive Technologies

Компания имеет 30-летний опыт разработок в области искусственного интеллекта.

CognitiveTechnologies была создана в 1993 году на базе Лаборатории искусственного интеллекта Института системного анализа РАН. А уже через два года она заключила контракты на использование интеллектуального программного обеспечения для распознавания и обработки документов с такими известными брендами как Corel Corp., Hewlett-Packard, IBM, Oracle, Xerox, Epson, OKI, Olivetti и др.

С 2008 года интересы Cognitive Technologies лежат в сфере создания систем искусственного интеллекта для задач робототехники.

В последнее время основным направлением ее деятельности является разработка ИИ-систем для управления беспилотной сельхозтехникой и рельсовым транспортом, а также инновационных сенсоров для беспилотных транспортных средств.

Компания открыла первую в России роботофабрику по производству начинки для беспилотного транспорта в г. Томске.

В 2019 году совместно со Сбером создала дочернюю компанию Cognitive Pilot - разработчика ИИ для беспилотного транспорта В 2021 г. Cognitive Pilot объявила, что больше не считает разработку автопилотов для автотранспорта своим приоритетом, в связи с отсутствием законодательства, регламентирующего передвижение беспилотников по дорогам, и сфокусировалась на беспилотной сельхозтехнике и рельсовом транспорте .

5. Ростелеком

Ростелеком ведет ряд проектов по созданию прикладных решений, позволяющих достичь экономического эффекта в основной деятельности компании. В организации есть несколько профильных команд из разных подразделений, которые формировались под разные проекты (видеоаналитика, кибербезопасность, микросегментация клиентской базы и т. д.).

Согласно данным [223], в Ростелекоме выполняются проекты для анализа уровня удовлетворенности клиентов, которые помогают понять, насколько эффективно работают контактцентры. Развиваются проекты, связанные с умными городами, - в том числе в сфере видеонаблюдения и видеоаналитики преимущественно в интересах государственных служб. Прорабатываются решения в области превентивного технического обслуживания оборудования и в области кибербезопасности - такие как блокировка или предотвращение DDoS-атак.

Среди дочерних компаний Ростелекома следует выделить АО "Айкумен - информационные бизнес-системы" ("Айкумен ИБС"), которая является разработчиком технологий сбора, хранения и обработки структурированной и неструктурированной информации на различных языках мира, производителем комплексных информационно-аналитических решений на основе собственной интеграционной платформы класса Big Data. "Айкумен ИБС" имеет экспертизу в области комплексного анализа информации, включая полнотекстовый поиск с выделением объектов, связей и сущностей из неструктурированных текстов посредством мультиязычной семантической аналитики.

6. Лаборатория Касперского

Применение ИИ перспективно там, где необходимо обрабатывать огромные массивы информации. По свидетельству основателя компании "Лаборатория Касперского", каждый день Лаборатория обнаруживает порядка 400 тысяч атак, и без самообучающихся алгоритмов работать с таким количеством информации невозможно.

По данным публикации [224] со ссылкой на эксперта Лаборатории - треть мобильных угроз, которые фиксирует "Лаборатория Касперского" ежемесячно, регистрируются искусственным интеллектом. При этом за квартал может быть проанализировано около одного миллиона угроз.

Использование технологии машинного обучения позволяет компании существенно сэкономить время и ресурсы, которые требуются для поиска зловредов. Ярким примером является проект по защите мобильных устройств. Поскольку использование ИИ на мобильном устройстве может снижать производительность и уменьшать время работы от батареи, Лаборатория Касперского использует гибридный вариант: на самом смартфоне производятся операции, которые требуют минимальных ресурсов, после чего данные отправляются в облако и там обрабатываются, что позволяет обеспечить надежность защиты и скорость реакции на новые угрозы.

"Лаборатория Касперского" активно инвестирует в перспективные проекты на базе ИИ. Например, в 2022 г. она приобрела 15% компании - разработчика нейроморфных процессоров "Мотив нейроморфные технологии". Созданный в 2017 году "Мотив НТ" занимается обработкой визуальной информации с использованием глубоких нейронных сетей и созданием программно-аппаратных систем для автоматического визуального контроля. Компания готовится к выпуску первого в России нейроморфного чипа - процессора для аппаратного исполнения нейронных сетей "Алтай".

7. ABBYY

ABBYY - это международная компания, разработчик решений в области интеллектуальной обработки информации и анализа бизнес-процессов, распознавания текстов (OCR) и лингвистики, созданная в России и имеющая существенную часть разработки в России. Компания имеет офисы в России, США и Германии.

Наиболее известные продукты - программа для распознавания текстов ABBYY FineReader, платформа для интеллектуальной обработки информации ABBYY FlexiCapture.

Согласно данным компании Everest Group, в 2019 году ABBYY стала мировым лидером рынка решений для интеллектуальной обработки документов, возглавив список из 16 вендоров [225].

8. Группа компаний ЦРТ

Группа компаний ЦРТ (Центр речевых технологий) является ведущим российским разработчиком в области распознавания речи. Организация c 32-летним опытом создает ИИ-продукты на основе разговорного искусственного интеллекта, машинного обучения и компьютерного зрения. Компания имеет экспертизу в области речевых технологий, лицевой и голосовой биометрии и реализовала более 5 тыс. ИИ-проектов по всему миру.

ЦРТ фокусируется на создании ИИ-решений для сегментов B2B и B2G. В России решения ЦРТ работают в крупнейших банках, телеком-компаниях, ТЭК, госсекторе, их применяют для реализации концепции Safe&Smart Сity. Технологии выявления подделок голоса и распознавания речи от группы ЦРТ занимают лидирующие позиции в мировых рейтингах.

В группу компаний ЦРТ входят три юридических лица-ООО"ЦРТ", ООО "ЦРТ-инновации", ООО "ЦРТ-Софт". В 2011 году группа ЦРТ основала кафедру "Речевых информационных систем" в Университете ИТМО, которая позднее была преобразована в "Корпоративную лабораторию технологий человеко-машинного взаимодействия", и осуществляет подготовку магистров по корпоративной образовательной программе "Речевые технологии и машинное обучение".

Экспертное сообщество по выработке национальной стратегии развития ИИ

Еще один способ взглянуть на авторитет ИИ-компаний - это возможность посмотреть на востребованность их экспертизы. В 2019 году вышла в свет "Национальная стратегия развития искусственного интеллекта на период до 2030 года", посвященная выработке целей и основных задач развития технологий ИИ в России, включая вопросы правового регулирования ИИ. Для рассмотрения проекта было привлечено экспертное сообщество в лице следующих организаций: ПАО "Сбербанк", ПАО "Газпром нефть", АО "УК РФПИ", госкорпорация "Ростех", Госкорпорация "Росатом", ПАО "Ростелеком", ОАО "РЖД", Экспертное управление Президента Российской Федерации, Секретариат Заместителя Председателя Правительства Российской Федерации М.А. Акимова, Правительство Москвы, группа компаний "Яндекс", АНО "АСИ", АНО "Цифровая экономика", ПАО "Мейл.Ру Групп", группа компаний "Лаборатория Касперского", ПАО "МТС", а также ряд министерств.

Карта ИИ России от МФТИ

Одним из проектов, в рамках которого авторы пытаются оценивать рынок ИИ в России, является проект "Карта искусственного интеллекта России" [226].

В версии карты, актуальной на момент завершения данного курса (октябрь 2022 г.), в перечень вошло около 400 компаний, имеющих бизнес, связанный с применением ИИ в 2021 году. Компании представлены в 15 категориях (рис. 3.72).

По свидетельству авторов проекта, основным критерием, согласно которому компании были включены в базу, являлось существенное влияние ИИ-технологий на их бизнес-модели и выручки. На карте присутствуют как крупные корпорации, такие как Яндекс, КРОК, Mail. Ru Group, так и небольшие стартапы. Некоторые компании включены в несколько сегментов карты, в зависимости от их профиля деятельности и применяемых технологий искусственного интеллекта.

Компании на карте отображаются в виде кругов пропорциональных выручке (если выручка нулевая, круг принимает минимальный размер). Если компания активна в нескольких группах, то и на карте она отображается в нескольких группах. С картой можно ознакомиться в интернете по адресу http://airussia.online/#titul"> http://airussia.online/#titul">http://airussia.online/#titul " type="url"/>.

В исследовании отслеживаются динамика (рост количества компаний в каждом сегменте по времени) и география (распределение количества компаний по городам).

Карта ИИ России от Rb.ru

Свой проект по построению карты ИИ в России предоставляют также аналитики независимого издания о технологиях и бизнесе компании RB.RU.

На карте отмечено большое количество отечественных и зарубежных компаний, представленных на Российском рынке своими продуктами. Компании разбиты на десять категорий, отмеченных на рис. 3.73. Размер окружности пропорционален числу компаний данного профиля.

Рейтинг TAdviser-компаний по числу ИИ-проектов

Компания TAdviser ведет базу данных ИТ-проектов в России по открытым данным с учетом профиля выполненных проектов. Это позволяет регистрировать статистику и публиковать рейтинги компаний по числу выполненных ИИ-проектов (см. рис. 3.74, 3.75).

Рейтинг CNews Analytics по декларируемой выручке

Специалисты из CNews Analytics приводят свои данные по игрокам российского рынка ИИ. В частности, аналитическая компания публикует свой рейтинг (см. табл. 3.17).

* - показатели относятся к деятельности компании в сфере ИИ (1) - результаты за 2020 г. скорректированы с учетом НДС

(2) - в прошлом году компания участвовала в рейтинге под брендом Usetech

Комментируя вопрос, почему пересечение между списками лидеров ИИ-рынка в разных отчетах невелико, следует еще раз отметить, что каждая аналитическая компания использует свою методику. Многие аналитические компании строят рейтинги по принципу, согласно которому в отчете отображаются только те компании, которые официально подают о себе данные, заполняя соответствующие анкеты. Те компании, которые не подают данные, в рейтингах не отображаются. По всей видимости, CNews Analytics следуют именно этой логике. Поэтому такие компании как Сбер, Яндекс и VK не представлены в табл. 3.17.

Ведущие отечественные ИИ-организации в области академической науки

Говоря о ведущих организациях в области академической науки, полезно обратиться к данным рис. 3.76, представленным в статье "Как развивается сфера искусственного интеллекта в России".

Ведущие отечественные стартапы в области ИИ

Комментируя вопрос о том, кого следует отнести к ведущим ИИ-стартапам в России, в первую очередь необходимо обратиться к аналитике компании Trcxn, которая отслеживает в России 364 стартапа в области ИИ. Десять наиболее заметных проектов, по мнению Trcxn, представлены в табл. 3.18.

Следует отметить, что финансирование проектов, отмеченных в табл. 3.18, невысокое - только три стартапа получили инвестиции в размере более 10 млн долл. Особенно скромно смотрится данная таблица в сравнении с рис. 3.33, где были приведены данные о вложении в американские стартапы, среди которых, в частности, была компания Nuro (инвестиции более 900 млн долл).

Возможно, часть компаний не попали в список табл. 3.18, поскольку по формальным признакам потеряли, по мнению авторов рейтинга, статус стартапа. Так, например, стартап VisionLabs, который был основан в 2012 году и занимался разработкой проектов в области компьютерного зрения, анализа данных и робототехники, был куплен в 2021 году компанией Intema (дочерняя структура "МТС ИИ") за 95 млн долл. Среди разработок VisionLabs следует назвать модуль распознавания лиц Face Engine и модуль распознавания автомобильных номеров LPR E. Основной продукт компании платформа Luna, позволяет в режиме реального времени анализировать большие данные (в виде фотографий и видео) для распознавания лиц и идентификации людей. В 2016 году Sistema Venture Capital вложила в стартап 5,4 млн долл. В 2019 году компания получила финансирование от Российского фонда прямых инвестиций.

Примеры игроков оборонно-стратегического комплекса и проектов с использованием ИИ

В России достаточно активно развиваются новые системы вооружений, в которых ИИ начинают играть все более важную роль. По данным ТАСС со ссылкой на отечественных экспертов, первое место на рынке вооружения занимают США с долей 39%, при этом Россия, у которой бюджет в разы меньше, имеет устойчивую долю - около 20%. Вооружения и оборонные технологии - это та область, где ИИ будет играть все более значимую роль.

В 2012 году правительство РФ учредило Фонд перспективных исследований (ФПИ), один из ведущих центров, занимающихся НИОКР в области национальной обороны и безопасности с общей целью разработки нового поколения систем вооружений, включая беспилотные и гиперзвуковые транспортные средства [229]. Фонд был создан как аналог Агентства перспективных оборонных проектов (DARPA) в США. Его работа, в целом,строитсявокругряда тем,включая кибероружие будущего. В 2020 году Фонд работал примерно над 40 проектами в сотрудничестве со многими лабораториями и университетами по всей стране [230].

Проекты фонда призваны играть определяющую роль в разработке новых технологий и должны стать основой российской системы вооружения на рубеже 2025-2030 годов как для армии, так и для других силовых структур.

Деятельность ведется по трем основным направлениям: химико-биологическому и медицинскому, физико-техническому, информационному. В конце 2015 года в структуре фонда был создан Национальный центр развития технологий и базовых элементов робототехники. ФПИ имеет прямое отношение к разработкам в области военных приложений на базе ИИ и классифицирует последние по четырем ключевым направлениям: дешифрирование изображений, обработка речи, информационная поддержка жизненного цикла вооружения и военной техники, а также управление автономными робототехническими системами [231].

В 2018 году в Анапе был создан принадлежащий Министерству Обороны Военный инновационный технополис "ЭРА". Технополис был создан для проведения НИОКР в области военных технологий с целью сокращения времени от создания инновационных военных проектов до их реализации в виде вооружения, военной и специальной техники.

"ЭРА" объединяет сотни экспертов из разных областей и сфер деятельности, работающих в технополисе, в попытке укрепить государственно-частное партнерство. В Технополисе находится исследовательская лаборатория ИИ, и он тесно сотрудничает с ФПИ.

По словам сотрудников Технополиса, ИИ является сквозной темой для многих проектов. Большинство проектов носят закрытый характер. Среди рекламируемых разработок Технополиса, продемонстрированных на выставках, следует отметить миниатюрный квадрокоп-терразведчик, импортозамещающие двигатели для экзоскелетов, систему поиска информации и подготовки дайджестов, устройство информационной маскировки командного пункта и противодействия DoS-атакам, отечественный лидар и многие другие достижения [232]. Следует отметить, что ИИ играет все более важную роль в развитии боевой авиации. Уже на рубеже 1990-х годов стало очевидно, что дальнейшее повышение боевых свойств авиационных комплексов требует поиска новых подходов к определению их облика и методов проектирования. Вместо наращивания тактико-технических характеристик требуется новый подход - принятие решений по управлению авиационным комплексом за счет прогнозирования ситуации и реализации групповых действий, возможный только на основе интеллектуализации авиационного комплекса [233].

Если раньше выбор необходимых действий осуществлял пилот, то теперь все больше решений берет на себя ИИ, а скорость их принятия такова, что без ИИ оперативное управление машиной становится просто невозможным По сути, сходные задачи использования ИИ для мониторинга и управления аппаратными системами совместно с системами контроля психофизического состояния человека, управляющего машиной в состоянии стресса, которые мы обсуждали на примере задач, возникающих в атомной энергетике, актуально и при управлении боевыми машинами . Системы на базе ИИ для боевых самолетов активно разрабатываются в ОКБ имени Сухого. Специалисты компании сообщают, что уровень интеллектуализации Су-57 Су-57 - российский многофункциональный истребитель пятого поколения, созданный ОКБ имени П.О. Сухого в рамках комплексной целевой программы "ПАК ФА". Самолет разработан для замены в российских ВКС тяжелого истребителя Су-27 по сравнению с предшественниками увеличился в несколько раз. Согласно упомянутой выше статье, при разработке самолета Су-57 был достигнут новый уровень интеллектуальной поддержки экипажа. В Су-57 реализована комплексная обработка информации, поступающей от всех бортовых обзорно-прицельных систем самолета и от взаимодействующих с ним самолетов и пунктов управления, информируя летчика о внешней обстановке.

ВОКБСухогоактивноработаютнадзадачамиинтеллектуализации беспилотных летательных аппаратов. С применением ИИ построена система управления перспективным БПЛА С-70 "Охотник", разрабатываемого фирмой "Сухой" для ВКС. В настоящее время такой беспилотник проходит необходимые летные и иные испытания, отрабатывается как самостоятельное выполнение задач, так и групповое применение под управлением пилотируемого истребителя [234].

Фирма Сухого - не единственное предприятие, занятое разработкой интеллектуальных БПЛА. Например, компания "Кронштадт", которая считается одним из лидеров национальной беспилотной индустрии, разрабатывает и производит оборудование, программное обеспечение и комплексные решения для беспилотной авиации и оборонной промышленности.

По свидетельству генерального директора компании "Кронштадт",Россияхотьинебылавчислепервыхпроизводителейбоевых дронов, но быстро набирает экспертизу в этой области, и оборонная промышленность в целом сдвинулась в сторону беспилотной авиации и искусственного интеллекта.

Компания "Кронштадт" занимается разработкой БПЛА "Сириус", "Орион" и "Гелиос" [235]. Беспилотные летающие аппараты "Орион-Э" стали одними из самых известных за рубежом. Однако производство не ограничивается вариациями "Ориона". Компания разрабатывает БПЛА "Сириус", который унифицирован с беспилотником "Орион".

К выходу готовится и БПЛА "Гелиос" - универсальная платформа, которая позволяет решать задачи радиолокационного дозора за воздушными целями и за наземными объектами. В Дубне с нуля создается всероссийский центр беспилотных технологий полного цикла. Еще одна отечественная компания, которая специализируетс ZALA AERO, входящая в структуру группы компаний "Калашников". Продукция компании находит применение как в военной, так и в гражданской сфере. Беспилотники ZALA используются МЧС и представителями российского бизнеса. БПЛА ZALA активно используются для мониторинга объектов нефтегазовой промышленности, обследуя каждый год более пяти миллионов километров трубопроводов и объектов сопутствующей инфраструктуры [236]. Одной из разработок компании является высокоточный беспилотный комплекс "ZALA ЛАНЦЕТ" - интеллектуальное многозадачное оружие, которое способно самостоятельно находить заданную цель и поражать ее [237].

В марте 2021г. Председатель Правительства РФ подписал распоряжение о дополнении перечня приоритетных технологических направлений организаций оборонно-промышленного комплекса направлением "Технологии искусственного интеллекта" с определением ФГУП "Государственный научно-исследовательский институт авиационных систем", входящего в состав НИЦ "Институт имени Н.Е. Жуковского", в качестве головной организации по этому направлению.

НИЦ "Институт имени Н.Е. Жуковского" активно работает в направлении ИИ. В частности, создана и испытана "Платформа-ГНС" для разработки программных комплексов, входящих в состав изделий перспективных летательных аппаратов и решающих задачу распознавания наземных объектов на основе нейросетевых подходов. В рамках сотрудничества с МГТУ им. Н.Э. Баумана НИЦ планирует создать Центр компетенций по разработке и внедрению ИИ и инжиниринговый киберполигон для быстрой проверки гипотез, в том числе в варианте специализированного облачного ресурса. Полигон будет реализован за счет объединения функционала ИИ-платформ МГТУ им. Н.Э. Баумана и ГосНИИАС [238].

Военные задачи выполняют не только воздушные БПЛА. В открытой печати сообщается о некоторых машинах, выполняющих боевые задачи с помощью систем ИИ, например робототехнический комплекс "Уран-9" - беспилотное наземное транспортное средство на гусеничном ходу с боевым модулем, оснащенным пушечно-пулеметным и реактивным вооружением. Данный робот, использующий ИИ, способен двигаться по заданному маршруту, вести наблюдение, искать и поражать цели, при том, что решение об открытии огня остается за оператором. Вариант комплекса предлагается