ИИ как экосистема, бизнес и рынок
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 33 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 34Калька 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.
Специализация | Ориентировочный профиль работ | Сравнительная зарплата (в долях от максимальной Инженер/ архитектор больших данных) |
---|---|---|
Инженер/архитектор больших данных | Разработка систем, позволяющих предприятиям собирать и анализировать большие наборы данных. | 100% |
Инженер по машинному обучению | Использование данных для проектирования, создания и управления программными приложениями ML | 97% |
Специалист в области аналитики данных | Поиск значимых закономерностей путем анализа исторических данных, чтобы помочь сделать прогнозы на будущее. | 86% |
Инженер по искусственному интеллекту | Работа по созданию модели ИИ с нуля, а также помощь менеджерам по продукту и заинтересованным сторонам трактовать получаемые результаты. | 78% |
Специалист по изучению данных (дата-саентист) | Сбор, анализ и интерпретация наборов данных. | 76% |
Специалист в области обработки естественного языка | Работа в проектах, связанных с такими приложениями как чатботы или виртуальные помощники | 72% |
Ученый-исследователь | Эксперт в области прикладной математики, машинного обучения, глубокого обучения и вычислительной статистики. Предполагает наличие научной степени в области компьютерных наук или в смежной области, подкрепленной опытом. | 66% |
Исследования в области компьютерных наук и ИИ. Исследование возможностей совершенствования технологии ИИ.Исследователь | 62% | |
Разработчик систем бизнес-аналитики (BI) | Работа по анализу сложных наборов данных для выявления тенденций в бизнесе и на рынке. | 61% |
Инженер-программист | Разработка программ, на основе которых функционируют инструменты ИИ. | 58% |
Специалист в области датамайнинга и анализа данных | Поиск аномалий, закономерностей в больших массивах данных для прогнозирования результатов. | 51% |
Специалист в области пользовательского опыта | Работа с продуктами, чтобы помочь клиентам понять их функции и легко использовать их. Понимание того, как люди используют аппаратные и программные приложения и как разработчики могут применить это понимание для создания более совершенного программного обеспечения. | 51% |