Будущее ИИ, прогнозы и перспективы

Как было отмечено ранее, методы машинного обучения, и искусственные нейронные сети в частности, сталкиваются с ограничениями в плане объяснения причинноследственных связей. Отсутствие прозрачности и интерпретируемости моделей ИИ известно как узкое место для широкого внедрения этих технологий в производство. Подходы PIAI позволяют преодолеть эти проблемы.

Модели, построенные на данных, определяются этими данными. Например, такие события, как неисправности работы оборудования, которые происходят редко, подчас не отражаются в данных, и модели, построенные на указанных типах данных, могут привести к ошибочному представлению о поведении этого оборудования в критической ситуации.

Понимание принципов работы модели определяет степень доверия к ней. Вместо того чтобы рассматривать все отношения данных как "черныйящик",интегрированныйподходпозволяетналожитьнаданныене которые физические уравнения, например закон сохранения энергии, чтобы алгоритм машинного обучения балансировал между закономерностями, заложенными в данных, и законами, определяемыми физикой. Говорят, что подобный подход позволяет превратить "черный ящик" в "серый ящик".

На рисунке 5.3 схематично показаны три возможные категории физических проблем и соответствующие доступные данные.

Рис. 5.3. Сценарии использования физического моделирования при разном объеме данных. Источник: [261]

В режиме малых данных предполагается, что имеется физическая модель процесса, и данные предоставляются для определения (задания) начальных и граничных условий, а также для определения параметров дифференциального уравнения. Наиболее частым является режим (средний на рисунке), когда известны некоторые данные и некоторая информация о физике процесса, но, возможно, отсутствуют некоторые значения параметров в дифференциальном уравнении. И наконец, существует режим с большими данными, когда можно не знать никакой физики и где подход, основанный на данных, может быть наиболее эффективным. Машинное обучение на основе физики может интегрировать данные и управляющие физические законы, включая модели с частично отсутствующей физикой.

ИИ-инженерия

ИИ-инженерия (AI engineering) - это область исследований и практика, в которой сочетаются принципы системной инженерии, программной инженерии, информатики и проектирования для создания систем ИИ, обеспечивающих достижение результатов решаемой задачи.

По мере внедрения систем ИИ предприятия все чаще сталкиваются с проблемами масштабируемости и операционной эффективности ИИ-решений. Инжиниринг ИИ обеспечивает операционную эффективность и экономию от масштаба за счет надежности, воспроизводимости и возможности повторного использования ИИ-моделей.

Технологии с горизонтом выхода на плато продуктивности более 10 лет

Машины-клиенты

Машина-клиент (Machine Customer) - это экономический субъект, который не является человеком, действует от имени клиента (человека) или организации, запрашивает и получает товары или услуги и производит их оплату. В качестве подобных клиентов могут выступать виртуальные персональные помощники, умные бытовые приборы, подключенные автомобили и другое оборудование с поддержкой eIoT. Как видно на кривой рис. 5.2 (верх), на момент публикации (в 2021 г.) технология "машина-клиент" находилась на стадии запуска, оценивалась компанией Gartner как способная выйти на плато продуктивности не ранее чем через 10 лет. По состоянию на 2022 г. подобные сервисы были немногочисленны. В качестве примера можно привести сервис Amazon Dash Replenishment ^{7Amazon Dash Replenishment - это служба Amazon, интегрированная с Alexa, которую пользователь может добавить в свои подключенные устройства, чтобы упростить заказ расходных материалов или запасных частей для машин-клиентов} или автомобили Tesla, которые представляют собой первую стадию эволюции систем типа "машина-клиент", то есть действуют от имени владельца-человека по правилам, установленными людьми (рис. 5.4).

Рис. 5.4. Три стадии эволюции машин-клиентов. Источник: Gartner

На третьей стадии машины-клиенты становятся полностью автономными (по прогнозам аналитиков Gartner, это произойдет к 2036 г.). Пример сценария работы подобных клиентов можно описать следующим образом: в умном автомобиле произошла неисправность, машина-клиент находит ближайшую ремонтную мастерскую, заказывает услугу, отправляет в магазин все необходимые данные об автомобиле и производит оплату.

По мере роста числа машин, подключенных к Интернету, число сервисов по схеме "машина-клиент" будет расти, а степень их автономности и способности к принятию решений - увеличиваться: машины будут все больше выступать как клиенты, способные запрашивать, покупать и продавать различные услуги.

Автономные автомобили

О технологии автономных автомобилей уже было достаточно подробно рассказано во второй лекции.

На цикле ажиотажа Gartner технология находилась во "впадине разочарований" как на основе данных за 2021, так и за 2022 год. Продвижение по кривой минимально, а прогноз выхода на плато продуктивности Gartner предполагает не ранее чем через десять лет. Говоря о прогнозах развития технологий беспилотных авто и практики их применения, полезно обратиться к аналитическим материалам Bain and company, которая дает более подробные прогнозы, учитывая разные сценарии использования беспилотного транспорта (см. табл. 5.1). Согласно прогнозам аналитиков данной компании, широкое коммерческое использование беспилотных авто ожидается уже к 2026 году.