Реагирование в кризисных ситуациях

В статье McKensey:

Lessons from the generals: Decisive action amid the chaos of crisis
Inspiration drawn from crisis-management professionals can help decision makers in the COVID-19 pandemic.
May 2020,
by Yuval Atsmon, David Chinn, Martin Hirt, and Sven Smit

https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/lessons-from-the-generals-decisive-action-amid-the-chaos-of-crisis

рассматриваются вопросы управления организацией в услових кризиса.

Среди хаоса также есть возможности. Сун Цзы

Есть три основных вывода, которые мы можем извлечь из военного управления кризисами:

• Военно-командная структура может помочь уменьшить путаницу и позволит быстрее и  лучше принимать решения в организации.
• Одновременное управление на всех временных горизонтах на основе интегрированного стратегического плана действий имеет основополагающее значение для уменьшения хаоса и ускорения принятия решений.
• Вековые принципы войны могут помочь сохранить организацию и повысить ее шансы на достижение поставленных целей.

Военные организации одержимы стремлением к ясности в отношении того, кто что делает, кто и  какие решения принимает. Причина проста: в хаотических ситуациях важно сосредоточить всех на том, что они делают лучше всего, и четко разграничить сферы их ответственности.

В отличие от предприятий, которые склонны поручать реагирование на кризисы одной боевой комнате или группе управления, командование военного времени создает несколько команд, которым поручены разные задачи. Хотя конкретные названия и роли в разных военных организациях различаются, обычно они охватывают четыре области:

• Команда генерации идей (Insights team). Эта команда фокусируется на поиске истины путем сбора разведданных, анализе внутренних и внешних условий, на проверке выдвинутых гипотез.
• Операционная команда. Эта команда концентрируется на достижении результатов, координируя неотложные действия и обеспечивая выполнение приказов.
• Команда планирования. Эта команда отвечает за создание планов, выработку стратегических рекомендаций и действий. Команда планирования часто состоит из нескольких команд. Эти команды проводят анализ обстановки, обсуждение альтернатив,  и затем принимают решения, которые становятся приказами.
• Коммуникационная команда. Эта команда сосредоточена на предоставлении своевременной информации в единой форме широкому кругу внешних и внутренних заинтересованных сторон.

Лица, принимающие решения (ЛПР), взаимодействуют с четырьмя командами.

Команда выработки идей или аналитические команды разрабатывает и предоставляет в распоряжение ЛПР сценарии. На входе команды - гипотезы. Команда собирает информацию, разрабатывает или адаптирует сценарии, использует внешние источники информации, члены команды полагаются на интуитивные догадки и озарения.

Операционная команда отчитывается перед ЛПР. На вход команды поступают решения и данная команда управляет ежедневными активностями, реализацией всех решений и инициатив.

Команды планирования. На входе у этих команд - приоритеты, на выходе - краткосрочные планы.

Коммуникационная команда. На входе - информация от ЛПР, подлежащая доведению и передаче в соответствии с планом коммуникации. На выходе - обратная связь, поступающая по коммуникационным каналам.

Существует множество проверенных временем стратегических принципов управления и усвоенных военными лидерами: от «Искусства войны» Сунь Цзы (500 год до нашей эры) до «Военных изречений Наполеона» Наполеона Бонапарта и Принципов войны Карла фон Клаузевица. Эти доктрины лежали в основе управления крупными организациями во времена хаоса. Их можно описать следующим образом. 

Стратегические принципы

• Выберите главную цель и сосредоточьтесь на ней. Действия, которые не способствуют достижению основной цели, следует приостановить для экономии ресурсов.
• Сохраняйте устойчивость. Выровняйте вероятности потерь с результатами достижения  целей. Это входит в задачи управления рисками, защиты ценных активов и сосредоточения ресурсов на достижимых целях.
• Наступательные действия. Энергичный и проницательный подход к использованию возможностей.
• Добавьте элементы неожиданности и новаторства. Они могут позволить перехватить инициативу, что может быть критически важным условием успеха.
• Примите во внимание тот факт, что концентрация на основных усилиях может потребовать создания резервов, например, за счет экономии. Необходимо обеспечить достаточную боевую мощь в нужное время для преодоления критических моментов.
• Распределение усилий и ресурсов, чтобы выдержать борьбу на протяжении всего кризиса. Лидеры должны уделять первоочередное внимание экономии ресурсов, распределяя их между различными видами деятельности и действиями.

Принципы лидерства

• Поддерживайте боевой дух. Высокий моральный дух характеризуется стойкостью, смелостью, уверенностью и устойчивой надеждой.
• Сохраняйте гибкость. Чтобы в полной мере использовать силу организации, необходим определенный уровень гибкости. Необходимо побудить людей творчески мыслить и проявлять изобретательность. Оценить уровень гибкости можно измерить по скорости действий и реакции отдельных лиц или по тому, насколько быстро командир перехватывает инициативу.
• Стимулируйте сотрудничество. Командный дух и подготовка имеют основополагающее значение для достижения целей. Сотрудничество основывается на трех взаимосвязанных элементах: взаимном доверии и доброй воле, общей цели (или единстве целей) и четко распределенных обязанностей.

Усталость от изменений

Порой организационные изменения - главная причина эмоционального выгорания и стресса сотрудников.

Что такое усталость изменений

Изменения могут быть трудными, поэтому неудивительно, что обычно сотрудники не хотят, чтобы что-то менялось. Но даже, если наоборот, даже те, кто приветствует изменения, когда что-то сильно и быстро меняется, наступает переломный момент, когда сотрудники больше не могут воспринимать изменения. Это то, что называется усталостьб от изменений или "насыщением изменениями" (если переводить буквально).

Точно так же, как губка может впитать определенное количество воды, так и сотрудники могут принять определенное количество информации и определенное количество изменений в течение некоторого периода времени. Это может послужить обоснованием отказа от внесения ряда изменений, проводимых одновременно. Причем, независимо от готовности и возможностей сотрудников принять изменения.

Признаки усталости

Итак, как узнать, достигли ли сотрудники точки насыщения?Для этого следует поискать - нет ли признаков возникновения усталости.

Во-первых, отстраненность и апатия сотрудников - верный признак того, что команда считает, что в организации произошло слишком большие изменения. Вы заметили, что все бегут к двери в 17:00. Сотрудники отключаются во время встреч.

Во-вторых, такие признаки стресса, как возросшее количество жалоб, большее чем обычно, является индикатором насыщенности переменами.

Если вы заметили какой-либо из этих признаков, рекомендуется критически оценить количество одновременно проводимых изменений.

5 советов по предотвращению усталости изменениями

1. Осуществляйте только определенное количество новых проектов или изменений в один момент времени

Если вы замечаете признаки усталости и стресса у своих сотрудников, пора разобраться в ситуации. Возможно, вам удастся перенести некоторые проекты на задний план. 

Какие проекты действительно важны для достижения общих бизнес-целей, а какие являются частными? Что принесет быстрые победы со значительным эффектом, а какие отнимают много времени и менее эффективны? 

По сути, стоит выбрать важные изменения и сосредоточить на их завершении всю энергию, прежде чем переходить к следующим. проектам Это подводит к следующему пункту.

2. Расставьте приоритеты проектов и проводите изменения в соответствие с приоритетами

После того, как определены и спланированы новое инициативы, расставить приоритеты реализации этих инициатив. Дело в том, что если все инициативы важны, но никая из них не является важной.

Члены команды должны знать, на чем следует сосредоточить усилия и определить какое количество усилий неоходимо для достижения целей проекта.

Далее, после того как определен порядок проведения изменений, возможно определить необходимые ресурсы и решить, что нужно в каждом конкретном случае, - нужно ли новое финансирование или нужна координация работ разных отделов?

Зная эту информацию, можно принимать более обоснованные решения о том какие инициативы реализовывать в первую очередь, а какие отложить на второй план.

3. Планируйте сейчас, реализуйте позже

По мере продвижения вперед необходимо знать об управлении новыми возможностями для улучшения работы организации по мере внедрения изменений. Хотя нужды и требования бизнеса - это все, что нужно для обоснования перемен, это не означает, что нужно на все реагировать и немедленно реализовывать все новое, как только оно появляется. Напротив, стоит подождать и спланировать реализацию инициатив. Тогда вы будет готовы к управлению новыми возможностями.

4. Определите сроки завершения инициатив и придерживайтесь их

Некоторые проекты продлятся дольше, чем предполагалось. Однако, если обнаружится, что большинство проектов сталкиваются с задержками, их масштаб и бюджет растут, стоит сосредоточиться, чтобы проверить и, если необходимо, перерассмотреть цели и решения каждой инициативы.

Если цели инициатив неясны, рекомендуется количественно оценить конкретные бизнес-преимущества, которых стремится достичь инициатива. Затем нужно напомнить команде, что нужно сосредоточиться на достижении преимуществ и не отвлекаться на незначительное улучшение проектных решений и лежащих в их основе процессов.

Когда сотрудники видят, что проект приносит ощутимые выгоды, а не затягивается без видимого прогресса, у них меньше шансов утомиться.

5. Внимательно следите за сотрудниками на предмет признаков насыщения переменами

Хотя изменения планируются и делегируются на организационном уровне, они наиболее остро ощущаются на личном и индивидуальном уровне. После старта очередного этапа проекта отдельные сотрудники должны адаптировать свое поведение, также должны быть адаптированы рабочие процессы с учетом результатов проекта. Поэтому следует постоянно следить за признаками усталости у сотрудников. И если такие признаки появились, нужно оценить количество одновременных изменений.

Кстати, тот факт, что реализуется только один проект, не означает, что все хорошо. Дело не в количестве проектов, а в количестве и степени изменений.

Заключение

Наличие усталости не означает, что нужно останавливать намеченные проекты и отказаться от инноваций. Это означает, что нужно расставить приоритеты и задать приемлемый темп изменений. Если подойти к проектам проектам с умом, можно избежать выгорания сотрудников.

Источник.
https://www.panorama-consulting.com/change-saturation/?utm_medium=email&_hsenc=p2ANqtz-_m0b_qacTOXy2w-RG7GcA1sj6NUF4TC-hMY086AER40yf9tYWBAmJlOpcrOYO9hQOAhnskQ5svTQY5Gm5QJahUfEjByg&_hsmi=138626115&utm_content=138624081&utm_source=hs_email&hsCtaTracking=f5896558-5740-4752-b606-e6ace2402ac1%7Cc56098d6-adde-42e5-b8a0-e1d368896eb8

Разница между data scientist и machine learning engineer

Вопрос

В чем разница между специалистом по обработке данных (data scientist) и инженером по машинному обучению (machine learning engineer)? What is the difference between a data scientist and a machine learning engineer?

Ответ

Специалист по обработке данных (Data Scientist) стратегически ориентирован, тогда как инженер по машинному обучению играет в тактическом поле.

Специалист по обработке данных - это бизнес-ориентированная функция. Их основная роль заключается в повышении ценности бизнеса на базе использования научных методов работы с данными. Инженер по машинному обучению - это функция, ориентированная на продукт. Его основная роль заключается в создании определенного алгоритма, соответствующего конкретным требованиям. Но и тут не следует путать с исследователями методов машинного обучения, такие специалисты обычно имеют научную степень.

Специалист по данным решает бизнес-задачи, переводя их на научный язык, с тем, чтобы решать их с помощью статистики и математики. Инженер по машинному обучению решает очень узкую задачу: как обучить модель на конкретном наборе данных, чтобы получить конкретный результат.

Специалист по обработке данных - это архитектор, который выясняет, как использовать в определенной области инструменты машинного обучения. Инженер по машинному обучению реализует определенный класс инструментов (например, нейронную сеть глубокого обучения) для выполнения конкретной задачи, например, распознавания объектов в последовательности изображений.

Специалист по данным может разработать сценарий, в который он может добавить алгоритм для оптимизации конкретного процесса или конкретный алгоритм. Инженер по машинному обучению построит алгоритм, который будет включен в предоопреденный сценарий. Конечно, тут часть функций может быть одинакова, но специалист по данным тратит большую часть времени на моделирование и понимание данных.


Сегодня специалист по анализу данных может заложить основы решения и выполнить некоторые работы по доказательству концепции, которые подтверждают вариант использования и определяют ценность для бизнеса. Затем приходит инженер по машинному обучению, строит и подправляет модель. Инженер по машинному обучению не обязан знать о о бизнесе, результатах или о предметной области. Ему просто нужен спроектированный набор данных, который специалист по анализу данных представил команде инженеров данных, чтобы построить модель для решения очень конкретной задачи.

Специалист по анализу данных имеет широкий спектр входных данных, которые он должен преобразовать в четко определенные и хорошо продуманные выходные данные. Инженер по машинному обучению имеет последовательные входные данные и выдает согласованные выходные данные.

На деле инженеров по машинному обучению просят делать и то, и другое, что не является их настоящей специальностью. Специалистов по обработке данных также просят делать и то, и другое, но это не обязательно то, что они должны делать с точки зрения эффективного использования их времени и квалификации.

С точки зрения обучения инженеру по машинному обучению требуется гораздо меньше фундаментальных знаний - каким бы глубоким не было бы обучения, какой бы сложной не была бы модель. Специалисту по анализу данных, возможно, потребуется большая подготовка и хорошее чувство интуиции в отношении реального мира, потому что его роль кросс-функциональна. Специалист по анализу данных с глубокими знаниями в области количественного анализа данных мог бы выполнить функции инженера по машинному обучению, но инженер по машинному обучению не может с легкостью заместить специалиста по данным.

Проще говоря, специалист по данным переводит бизнес-проблемы в научную область и создает основу для решения, управляемого данными. Инженер по машинному обучению вряд ли будет обучен этому, хотя на деле, это действительно зависит от конкретного образования человека и его сильных сторон.

Если рассмотреть роли «Ученый» и «Инженер», то можно утверждать что роль «Инженер» требует меньше уникальных способностей и навыков по сравнению с ролью "Ученый". И это соображение имеет значение с точки зрения функции поиска и найма талантливых и квалифицированных сотрудников. Правильное соответствие ролей и квалификации с обязанностями и способностями сотрудников определяет эффективность как кадровой так и функциональной работы. Вопреки эгалитарному мифу плоской организации, титулы не являются бессмысленными или произвольными, они выполняют жизненно важную функцию - они объясняют, что вы на самом деле должны делать, что делаете и что способны делать. Согласно Фейнмана нельзя путать знание имени вещи со знанием самой вещи, но в интересах здравомыслия стоит назовать вещи в соответствии с тем, чем или кем они являются на самом деле.

Источник

Pradyumna S. Upadrashta
https://www.quora.com. "What-is-the-difference-between-a-data-scientist-and-a-machine-learning-engineer"

Невозвратные потери

Невозвратные затраты (невозвратные издержки, дословно — «утопленные затраты», невозвратные расходы, англ. sunk costs) — это издержки, которые не имеют альтернативного использования: расходы, понесённые в результате решений, принятых в прошлом, и которые не могут быть изменены последующим решением в будущем.

Другими словами, невозвратные затраты - это сумма, уплаченная в прошлом, которая больше не имеет отношения к решениям о будущем.

Слишком много вложено, чтобы бросить. 

Пример с билетами "из Каннемана".

Вот классический пример: вы по ошибке купили билет в кино не на тот фильм, а поменять или вернуть его нельзя. Это безвозвратные издержки. У вас есть следующий выбор:

1. посмотреть фильм, который вы не хотите смотреть;
2. сказать «Очень жаль!» и использовать время на что-нибудь более интересное.

Таким образом, вам жаль потраченных денег, но ваше решение должно основываться на том, хотите ли вы вообще смотреть этот фильм, независимо от цены.

Тот, кто мыслит рационально, поймет, что второй вариант связан с сожалениями только по одному поводу (о потраченных деньгах), тогда как в первом варианте есть два повода (впустую потраченные деньги и время), так что второй вариант однозначно предпочтительнее.

Это классический случай неприятия потери. Неиспользованный билет — это потеря, более того, это расточительство.

Экономическое мышление: если решения принимаются рационально, то невозвратные затраты не должны учитываются.

Согласно классической экономике и традиционной микроэкономической теории, только предполагаемые (будущие) затраты имеют значение для рационального решения. В любой момент - лучшее зависит только от текущих альтернатив. Единственное, что имеет значение, - это будущие последствия. Прошлые ошибки не имеют значения. Любые расходы, понесенные до принятия решения, уже понесены, независимо от того, какое решение было принято.

Принцип прошлого основывается на ветви нормативной теории принятия решений, известной как теория рационального выбора , особенно в гипотезе ожидаемой полезности. Теория ожидаемой полезности опирается на свойство, известное как аннулирование, которое гласит, что при принятии решений рационально игнорировать любое состояние мира, которое дает один и тот же результат, независимо от вашего выбора. Прошлые решения, включая невозвратные затраты, соответствуют этому критерию.

Агенты должны принимать решения, сравнивая доступные варианты событий, которые все еще могут произойти, независимо от того, как была достигнута текущая ситуация. Если построить дерево решений, то данное правило может быть сформулирована так: выбор агента в конкретном узле дерева не должен зависеть от недоступных частей дерева.

Эти соображения существенны с точки зрения оценки инвестиционных проектов, в частности, с точки зрения расчета NPV и сопуствующих ему показателей для реализуемых, но не завершенных проектов. Для сравнения таких проектов с новыми, еще только планируемые проектами, NPV реализуемых проектов должен рассчитывать без учета уже произведенных и безвозратных затрат, как отрицательных потоков. Но вложения в капитал, который в дальнейшем будет амортизироваться, учету обязательно подлежат.

Таким образом, если NPV реализуемого проекта без учета проведенных инвестиций к моменту расчета станет отрицательным, то проект безусловно стоит прекратить. Но произведенные инвестиции уже будут безвозвратными.

Многие терпеть не могут, когда что-то «пропадает впустую». Многие люди чувствовали бы себя обязанными пойти в кино, хотя им этого не очень-то и хотелось, просто потому, что если не пойти, то билеты «пропадут», а деньги, заработанные потом и кровью, деньги, с которых уже уплачены налоги, окажутся «выкинутыми». Но это и есть заблуждение «невозвратных затрат».

Синдром «невозвратных затрат» ведет к перерасходам.

Психологи установили, что ощущение невозвратных затрат часто влияет на решения из-за человеческого неприятия потери: та цена, которую заплатили в прошлом, становится мерилом ценности в настоящем и в будущем. Так что такое поведение нерационально. Люди попадают в ловушку своего прошлого, они пытаются оправдать неверные решения и возместить потери.

Применение ИИ в геополитике

Геополитика и "оборонные" тенденции ИИ

Национализм ИИ

Правительства вводят новые ограничения на слияния и поглощения компаний, разрабатывающих системы ИИ. 

В 2020 году Германия приняла закон, разрешающий правительству проверять или блокировать инвестиции компаний, не размещенных в ЕС. Это также касается сделок с поглощеним компаний, занимающихся робототехникой, искусственным интеллектом и полупроводниками, фирмами, не расположенными в ЕС. Максимум иностранного участия снижен с 25% до 10%.

Великобритания ужесточила политику в части иностранных инвестиций в области ИИ: любая деятельность по слияниям и поглощениям с участием компаний ИИ, доход от которых превышает 1 миллион фунтов стерлингов, требует проверки и одобрения со стороны правительства. В результате многие сделки отменяются правительством.

В прошлом году Великобритания и США заблокировали поглощение компании Imagination Technologies китайской компанией. Конгресс США расценивает исследования в области ИИ как  гонку между США и Китаем. Также создано новое технологическое управление в Национальном научном фонде с финансированием 100 миллиардов долларов в течение пяти лет и выделяет 10 миллиардов долларов для местных и региональных технологических центров по всей Америке. А в Китае министерство науки и технологий создало пилотные зоны разработок ИИ в 20 городах, которые должны открыться к 2023 году. 

Официальные правительственные документы свидетельствует, что на основе ИИ предполагается проводить социальные и политические эксперименты.

Национальные стратегии разработки ИИ

2021 и 2022 годы характеризуется запуском новых национальных стратегий разработки ИИ.

Исландия, Норвегия, Кения, Чили, Колумбия и Новая Зеландия разрабатывают национальные стратегии. Китай принял План развития искусственного интеллекта нового поколения с агрессивными контрольными показателями, чтобы в течение 10 лет стать доминирующим игроком в области ИИ. Франция приняла национальную стратегию под названием «ИИ для человечества». В Саудовской Аравии имеется как стратегия, так и правовая база для превращения роботов в гражданство. Объединенные Арабские Эмираты разработали широкий набор политических инициатив в области ИИ и назначили Омара Султана Аль-Олама своим государственным министром по искусственному интеллекту.

В США многочисленные общественные и частные группы независимо работают над будущим ИИ от имени нации. Однако этим усилиям не хватает межведомственного сотрудничества и скоординированных усилий по оптимизации целей, результатов, усилий в области НИОКР и финансирования разработок ИИ.

ИИ как критическая инфраструктура

Правительство наняло исследователей для того, чтобы поставить под контроль и возглавить разработки систем ИИ для использования в критически важных областях: в автомобильных, в железнодорожных и в транспортных системах; в производстве и в распределении электроэнергии; в прогнозировании маршрутов для транспортных средств общественной безопасности, таких как машины скорой помощи и пожарные машины. Появился новый интерес использования технологии ИИ для предотвращения бедствий и повышения безопасности окружающей среды.

Национальные ограждения и правила

Опасности искусственого интеллекта - от дорожно-транспортных происшествий с участием беспилотных автомобилей до вмешательства в выборы посредством кампаний дезинформации и политических репрессий, усиленных распознаванием лиц и автоматическим наблюдением. Сейчас существует мало препятствий для технологии, которая затронет все аспекты человеческой жизни, и страны спешат разрабатывать и публиковать свои собственные стратегии и руководства по ИИ. Европейский Союз разработал Альянс ИИ и план сотрудничества между странами-членами, а Эстония разрабатывает свою собственную правовую базу, регулирующую использование ИИ внутри страны. 

Китай занял позицию лидера в разработке первого набора глобальных норм и стандартов ИИ. В 2019 году страна опубликовала отчет о технических стандартах, которые позволят компаниям сотрудничать и сделать свои системы совместимыми. ЕС и Организация экономического сотрудничества и развития аналогичным образом опубликовали свои собственные руководящие принципы, а администрация Трампа подписала распоряжение о стимулировании разработки стандартов в США. Хотя эти усилия могут ввести новые способы защиты от предвзятости и обеспечения доверия, каждая инициатива также пытается создать стратегические преимущества для заинтересованных сторон.

Одна из отличительных черт - глобальное академическое сотрудничество в разработках ИИ - может резко упасть поскольку ИИ начинает развиваться по разным правилам в Китае, ЕС и США.

Регулирование дипфейков

Новые меры по регулированию создания и распространения дипфейков будут введены в течение 2021 года в США и других странах. Законопроект в законодательном собрании штата Гавайи направлен на запрещение приложений и инструментов создания несанкционированных дипфейков. Если это пройдет, дипфейкинг будет считаться уголовным преступлением класса C. Законопроекты также были представлены в Калифорнии, Техасе и Массачусетсе, и обсуждается ряд федеральных законопроектов. Эти инициативы, вероятно, будут встречены аргументами о том, что запрещение дипфейков нарушает права на свободу слова.

ИИ должен научиться объяснять свои решения

Замечено, что порой ИИ становится «черным ящиком» - даже исследователи, работающие в этой области, не понимают, как работают новейшие системы. Это не совсем так.

Однако среди компьютерных ученых, журналистов и ученых-юристов растет беспокойство: системы искусственного интеллекта не должны быть такими секретными, а регулирующие органы уделяют им пристальное внимание.

Вообще говоря, необходимо преодолеть несколько проблем. Требование прозрачности в ИИ может раскрыть коммерческие секреты компании. Если попросить системы объяснить свои процессы принятия решений в процессе работы их функционирования, это может снизить скорость и качество вывода (результатов работы ИИ). Вполне вероятно, что в ближайшие годы различные страны примут новые правила, требующие объяснения процесса принятия решения. Но, представьте, что вы сидите рядом с гениальным математиком, который дает вам правильные ответы в Италии. А во Франции хотят попросить его остановиться и показать свою работу. Но Франция - это не Италия и открытие покидает национальные границы.

Новые стратегические технические альянсы

Новые стратегические технические союзы между странами будут способствовать дальнейшим исследованиям и разработкам, но также могут ослабить существующие геополитические союзы или усилить напряженность. Вероятные партнеры включают США, Германию, Японию, Индию, Южную Корею, Великобританию, Францию ​​и Канаду, а Китай и Россия будут сотрудничать отдельно. Последние две страны уже объявили о техническом альянсе по спутникам и исследованию дальнего космоса.

Новый производственный комплекс в военной области

В последние несколько лет некоторые из крупнейших компаний в сфере искусственного интеллекта в США вступили в партнерские отношения с военными, чтобы продвигать исследования и разработки и повышать их эффективность. Фактически, государственный сектор не может продвигать свои технологии без помощи сторонних компаний. К тому же компаниям хочется заработать много денег. 

Администрация общих служб США и Объединенный центр искусственного интеллекта Министерства обороны недавно заключили с Booz Allen Hamilton пятилетний контракт стоимостью 800 миллионов долларов на разработку продуктов искусственного интеллекта.

Армия США заключила с Lockheed Martin контракт на 75 миллионов долларов на поставку модуля для устранения кибер-помех с машинным обучением, который может быть установлен на Humvee или дронах.

С новым акцентом на оборонные заказы с компонентами ИИ стартапы, работающие со спутниковыми изображениями высокого разрешения, компьютерным зрением и беспилотными летательными аппаратами, привлекают прибыльные венчурные инвестиции. И Amazon, и Microsoft попали в заголовки газет по поводу 10-летнего государственного технологического контракта на 10 миллиардов долларов, который получил название Joint Enterprise Defense Infrastructure, или JEDI. Другие, в том числе IBM, Oracle и Google, также соревновались за преобразование военных систем облачных вычислений. Тем временем ЦРУ заключило с Amazon контракт на предоставление облачных услуг на 600 миллионов долларов, а Microsoft выиграла контракт на 480 миллионов долларов на производство гарнитур HoloLens для армии.

В 2017 году министерство обороны создало кросс-функциональную группу по алгоритмической войне для работы над Project Maven - системой компьютерного зрения и глубокого обучения, которая распознает объекты на неподвижных изображениях и видео. Министерство обороны заключило контракт с Google на обучение систем ИИ для анализа видеозаписей с дронов, но оказалось, что сотрудники, задействованные в проекте, не знали, что они занимаются военной работой. Последовала резонансная реакция: около 4000 сотрудников Google подписали петицию с протестом против Project Maven, и в конечном итоге десятки сотрудников покинули компанию. В конце концов Google заявила, что не будет продлевать контракт по проекту. Компания ввела в действие набор этических принципов, регулирующих разработку и использование ИИ, включая положение, запрещающее использование любых систем для «оружия или других технологий, основная цель или реализация которых заключается в причинении или непосредственном облегчении нанесения вреда людям».

Алгоритмические боевые действия

Будущие войны будут вестись с помощью кода, с использованием данных и алгоритмов в качестве мощного оружия.

Нынешний мировой порядок формируется с помощью искусственного интеллекта, и те же самые страны, лидирующие в мире в области исследований ИИ - США, Китай, Израиль, Франция, Россия, Великобритания и Южная Корея, - также разрабатывают системы вооружений, которые включают в себя по крайней мере некоторые автономный функционал.

Израиль использует автономные дроны для пограничного патрулирования, а Китай разработал стелс-дроны, способные наносить автономные авиаудары. Анализ Future Today Institute показывает, что будущее войны охватывает не только традиционное оружие.

Используя методы искусственного интеллекта, военные могут «победить», дестабилизируя экономику, а не разрушая сельские районы и центры городов.

Источник: https://futuretodayinstitute.com/trends/

Творческие функции, имитируемые ИИ

Креативно-подобные функции

Генеративные состязательные сети (GAN) способны не только на создание Deepfake-видео. Исследователи сотрудничают с художниками и музыкантами, чтобы генерировать совершенно новые формы творческого самовыражения посредством алгоритмов искусственного интеллекта.

ИИ используется для исследования новых идей - от синтеза масок африканских племен до создания фантастических вымышленных галактик. Nvidia запустила GauGAN (названный в честь художника-постимпрессиониста Поля Гогена), генеративную состязательную систему искусственного интеллекта, которая позволяет пользователям создавать реалистичные изображения пейзажей, которых никогда не существовало. Национальный институт информатики в Токио создал автора текстов на основе искусственного интеллекта, а Amazon выпустила свою систему DeepComposer, которая сочиняет музыку «автоматически». Эти ИИ якобы предназначены не для замены художников, а, скорее, для улучшения их творческого процесса.

Генеративные алгоритмы для производства контента

В прошлом году создатели «Южного парка» построили целое шоу, используя дипфейки.

«Sassy Justice», транслировавшаяся на YouTube, показала синтетического репортера Фреда Сасси, который очень похож на бывшего президента Трампа - только с другим голосом и прической, чтобы избежать судебных разбирательств.

В эпизодах использовались дипфейки Эла Гора, Марка Цукерберга, Джареда Кушнера и других. Алгоритм с открытым исходным кодом DeepFaceLab использовался другими художниками и режиссерами. В рекламе Hulu был дипфейк звезд спорта, а в нескольких рекламных роликах Суперкубка 2021 года, включая жуткое появление Винса Ломбарди, использовались дипфейки и синтетические медиа. Алгоритм глубокого обучения OpenAI выпустил нейронную сеть под названием Jukebox, которая генерирует песни во множестве разных стилей и имитирует голоса, которые звучат (вроде) как Элвис и другие.

Создание виртуального окружения из коротких видеороликов

Разработчик чипов Nvidia учит ИИ создавать реалистичные 3D-среды из коротких видеоклипов. Этот метод основан на предыдущих исследованиях сетей GAN. Система Nvidia генерировала графику на основе наборов данных с открытым исходным кодом, используемых в области автономного вождения. Используя короткие клипы, сегментированные по различным категориям - например, здания, небо, автомобили, знаки, деревья или люди - GAN создавали новые и разные версии этих объектов. Спектр возможных приложений огромен. Автоматически сгенерированные виртуальные среды могут использоваться для фильмов в жанрах фэнтези, для генерации супергероев, могут снизить затраты на производство телепрограмм и разработку игр.

Автоматическое управление версиями историй

Журналисты швейцарской компании Tamedia экспериментировали с генеративными методами во время выборов в своей стране в 2018 году. Алгоритм дерева решений Tamedia по имени Tobi генерировал автоматизированные статьи с подробным описанием результатов голосования для каждого муниципалитета, освещаемого 30 газетами частной медиа-группы. Он также производил контент одновременно на нескольких языках.

Всего Тоби опубликовал 39 996 различных версий предвыборных историй, каждая из которых в среднем содержала 250 слов. Статьи были снабжены специальной подписью, предупреждающей читателей о том, что они написаны с помощью алгоритма. Ожидается, что по мере увеличения числа экспериментов, новостные и развлекательные медиа-компании разрабатывают несколько версий одного и того же контента для охвата более широкой аудитории или для создания огромных объемов контента в больших масштабах.

Автоматическое клонирование и дублирование голоса

Любой, кто когда-либо записывал подкаст, знаком с проблемами редактирования и удаления лишних шумов, таких как разговоры гостей друг с другом, звуки сирен и другие фоновые шумы, а также кашель и чихание. Эти моменты портят разговор. А что, если бы вы могли редактировать устную речь так же, как редактируется текстовый документ?

Это обещание компаний, занимающихся ИИ, включая Resemble AI и Descript, основанные на смопособности клонировать голоса. Очевидно, что у этой технологии есть и обратная сторона. В прошлом году хакеры использовали инструменты клонирования голоса, чтобы заставить сотрудника думать, что он разговаривает по телефону со своим генеральным директором; Затем он перевел 243 000 долларов на банковский счет мошенника.

Автоматическая перезапись окружающего шума

Мы обучаем компьютеры смотреть видео и предсказывать соответствующие звуки в нашем физическом мире. Например, какой звук издается, когда деревянная голень стучит по кушетке? Куча листьев? Стеклянное оконное стекло?

В центре внимания исследования, которое проводится в Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института, разработка способности понимания системами того, как объекты взаимодействуют друг с другом в физической сфере.

В настоящее время реализуются многочисленные проекты, упрощающие автоматическую генерацию голоса, видео и даже создание сюжетных линий.

Доходность рынков частного капитала (2020)

Доходность рынков частного капитала согласно материалов "A year of disruption in the private markets" McKinsey Global Private Markets Review 2021.

Несколько графиков, характеризующих доходность рынков частного капитала.
В данном случае на графиках - показатель внутренней доходность - IRR.

Сопоставление доходности рынков по секторам.



Распределение доходности в зависимости от размера фонда. Видно, что "большие" вложения менее подвержены колебаниям IRR, и более того, риск отрицательной ставки очень маленький.




Доходность в недвижимость:

Об абстрациях в ООП

Взято из следующего материала http://www.smashcompany.com/technology/object-oriented-programming-is-an-expensive-disaster-which-must-end .

Что касается этого стремления к абстракции в ПО, Джоэл Спольски написал пародию о постройке полки для специй.

Я решил купить молоток и попросил у продавца молоток.

"Молоток?" он спросил. «Никто больше не покупает молотки. Они немного старомодны ».

Удивленный таким развитием событий, я спрашиваю его, почему.

«Что ж, проблема с молотками в том, что существует очень много разных видов. Кувалды, гвоздодеры, перфораторы. Что, если вы купили один молоток, а потом поняли, что вам понадобится другой молоток позже? Для следующего задания вам придется купить отдельный молоток. Как оказалось, большинству людей действительно нужен один молоток, способный справиться со всеми видами молотковых задач, с которыми вы можете столкнуться в своей жизни ».

«Хммммм. Что ж, я полагаю, это звучит нормально. Вы можете показать мне, где найти универсальный молот ».

«Нет, мы их больше не продаем. Они довольно устарели ».

"В самом деле? Я думал, вы только что сказали, что Universal Hammer - это волна будущего ».

«Как выясняется, если вы сделаете только один вид молота, способный выполнять те же задачи, что и все эти разные виды молотов, то он не очень хорош ни в одном из них. Забивать гвоздь кувалдой не очень эффективно. А если ты хочешь убить свою бывшую девушку, ничто не заменит ударный молоток ».

"Это правда. Итак, если никто больше не покупает универсальные молотки, и если вы больше не продаете все эти старомодные молотки, какие молотки вы продаете? »

«На самом деле, мы вообще не продаем молотки».

"Так…"

«Согласно нашим исследованиям, людям действительно нужен был не универсальный молоток. Всегда лучше иметь молоток, подходящий для работы. Итак, мы начали продавать молотковые заводы, способные производить любые виды молотков, которые могут быть вам интересны. Все, что вам нужно сделать, это укомплектовать молотковую фабрику рабочими, активировать оборудование, купить сырье, оплатить счета за коммунальные услуги и PRESTO… вы получите * именно тот молоток, который вам нужен, в кратчайшие сроки ».

«Но я действительно не хочу покупать молотковый завод…»

"Это хорошо. Потому что мы их больше не продаем ».

«Но я думал, ты только что сказал…»

«Мы обнаружили, что большинству людей на самом деле не нужна вся молотковая фабрика. Некоторым, например, никогда не понадобится перфоратор. (Может быть, у них никогда не было бывших подружек. Или, может быть, они вместо этого убили их ледорубами.) Так что нет смысла в том, чтобы кто-то покупал молотковый завод, который может производить все виды молотов под солнцем ».

«Да, в этом есть большой смысл».

«Поэтому вместо этого мы начали продавать схематические изображения для молотковых заводов, позволяя нашим клиентам строить свои собственные молотковые заводы, специально спроектированные для производства только тех видов молотков, которые им действительно понадобятся».

«Дай угадаю. Вы их больше не продаете ».

"Неа. Конечно нет. Оказывается, люди не хотят строить целую фабрику только для того, чтобы произвести пару молотов. Предоставьте заводское строительство специалистам по заводскому строительству, я всегда так говорю!! »

«И я бы с тобой согласился».

"Ага. Поэтому мы прекратили продавать эти схемы и начали продавать фабрики по производству молотов. Каждая фабрика по производству молотов строится для вас лучшими специалистами в области фабрики по производству молотов, поэтому вам не нужно беспокоиться обо всех деталях, которые входят в строительство завода. Тем не менее, вы по-прежнему получаете все преимущества наличия собственной индивидуальной молотковой фабрики, производящей собственные индивидуальные молотки в соответствии с вашими индивидуальными конструкциями молотков ».

«Ну, на самом деле это не так ...»

«Я знаю, что ты собираешься сказать !! … И мы их больше не продаем. По какой-то причине не так много людей покупали фабрики по производству молотов, поэтому мы придумали новое решение проблемы ».

"Ага."

«Когда мы отступили и посмотрели на глобальную инфраструктуру инструмента, мы определили, что люди были разочарованы необходимостью управлять и управлять заводом по производству молотов, а также заводом по производству молотов, который он производил. Такие накладные расходы могут стать довольно обременительными, когда вы имеете дело с вероятным сценарием, когда вы также работаете с фабрикой по производству рулеток, фабрикой по производству пил и фабрикой по производству уровней, не говоря уже о холдинговой компании конгломерата по производству пиломатериалов. Когда мы действительно посмотрели на ситуацию, мы определили, что это слишком сложно для того, кто действительно просто хочет построить стойку для специй ».

«Да, без шуток».

«Итак, на этой неделе мы представляем универсальную фабрику по производству инструментов, чтобы все ваши различные фабрики по производству инструментов могли производиться на одной объединенной фабрике. Фабрика-фабрика-фабрика будет производить только те инструментальные фабрики, которые вам действительно нужны, и каждая из этих фабрик-фабрик будет производить одну-единственную фабрику на основе ваших индивидуальных спецификаций инструмента. Окончательный набор инструментов, который появится в результате этого процесса, станет идеальным инструментом для вашего конкретного проекта. У вас будет именно молоток, который вам нужен, и именно та рулетка, которая идеально подходит для вашей задачи, и все это одним нажатием кнопки (хотя вам также, возможно, придется развернуть несколько файлов конфигурации, чтобы все это работало в соответствии с вашими ожиданиями."

«Так у вас нет молотков? Вовсе нет?"

К построению метрик инвестиционного проекта

Данный материал к вопросу построения шаблонов инвестиционных проектах в системе РРМ (Portfolio and Project Management).

В статьях нашлись интересные схемы систематизации показателей проекта, что важно при построении метрик проекта.

В частности, для технологических проектов аналитика управления технологиями включает в себя показатели планирования, показатели процессов и показатели способности (это один из вариантов перевода слова Talent). Способности можно обозначить также как показатели квалификации персонала.

Показатели успешности выполнения проекта можно разделить на три категории:

• Планирование.
• Соблюдение параметров выполнения проекта.
• Способности.

Каждая категория делится на подкатегории.

Категория "Планирование" делится на подкатегории с соответствующими переменными (входящими):

• Размер проектной команды.
• Оптимальный размер команды.
• Влияние команды на качество и график выполнения проекта.
• Распределение нагрузки.
• Количество персонала на каждую задачу.
• Руководители/архитекторы/разработчики проекта.
• Многозадачность и степень распараллеливания проекта.
• Количество задач на человека.
• Количество одновременно выполняемых задач на человека.

Категория "Соблюдение параметров выполнения проекта" делится на подкатегории с соответствующими переменными (входящими):

• Документация.
• Проектная документация, требования и другая документация.
• Оценка времени.
• Смета и календарный график проекта.
• Структурирование задач проекта.
• Структурирование с точки зрения видения, концепции, задач и подзадач.

Категория "Способности" делится на подкатегории с соответствующими переменными (входящими):

• Наличие квалификаций.
• Оптимальное укомплектование персоналом.
• Сочетание командных навыков.
• Оптимальное укомплектование навыками и способностями.
• Сочетание источников и расположения способностей.
• Количество локаций проектных команд.
• Количество часовых поясов проектных команд.
• Состав внутренних и внешних сотрудников.

Внешние (выходные) переменные:

• Скорость.
• Соблюдение графика.
• Качество.
• Клиентская удовлетворенность.
• Использование

Графически эти показатели выглядят следующим образом:

Данная схема взята из статьи McKensey: 
A new management science for technology product delivery

Может пригодится и такая стратегическая схема для разработки показателей проекта:




Данная схема взята со статьи McKensey:
COVID-19: Implications for business

Тенденции в исследованиях ИИ (2021)

Закрытый исходный код ИИ

Код важен для воспроизводимости, подотчетности и прозрачности решений ИИ, и это ключ к развитию ИИ. Исследователями зачастую приводится причина закрытия кода: код смешан с с другими проприетарными исследованиями, и поэтому он не может быть раскрыт в силу отсутствия разрешений на публикацию. Менее 15% всех научных работ по ИИ публикуют полный код, а некоторые - DeepMind и OpenAI - вообще не планируют этого делать, ссылаясь на собственные соображения.

Консолидация фреймоворков разработки ИИ

TensorFlow от Google и PyTorch от Facebook - два популярных фреймворка, используемых исследователями, и относительная популярность различных фреймворков обычно отражает тенденции в ландшафте коммерческих приложений. За последние четыре года Facebook приобрел известную популярность, что вытекает из цитирования на конференциях.

Стоимость обучающих моделей

Обучение модели обходится дорого. На эти затраты влияют несколько факторов и их влияние все больше увеличивается в последнее время. Например, имеется такая оценка - 1 доллар за 1000 параметров (можно отождествлять это с узлами сети). OpenAI насчитывает 175 миллиардов параметров и, вероятно, обучение будет стоить более 10 миллионов долларов. Для небольших исследовательских групп и компаний такие затраты недосягаемы. Кое-кто в сообществе ИИ позволит крупным технологическим компаниям предварительно обучать и публиковать большие модели, которые могут быть для малых компаний отправной точкой для дальнейшего совершенствования модели.

Тесты

Тест General Language Understanding Evaluation (GLUE) - это набор ресурсов для систем понимания естественного языка, позволяющий обучать, оценивать и анализировать модели. Набор включает в себя эталонный тест из девяти задач на понимание языка. Задачи содержат предложения или пары предложений, построенные на существующих наборах данных. Данные охватывают разнообразные текстовые жанры, характериризуемые разной степенью сложности. Имеется набор диагностических данных, предназначенный для оценки и анализа производительности модели для широкого спектра лингвистических явлений, встречающихся в естественном языке.

Тест оценивает спосообности к пониманию языка в баллах, и базовый балл человека составляет 87. Стоит отметить, что в период с мая 2018 года по август 2020 года балл систем ИИ в обработке естественного языка увеличился с 60 до 90,6.

Машинное чтение тестов (MRC)

Машинное чтение (MRC) позволяет системам читать, делать выводы и немедленно давать ответы, просматривая огромные наборы данных. В 2019 году китайская Alibaba превзошла людей по результатам тестирования на наборе данных Microsoft Machine Reading Computing (или сокращенно MS MARCO). Этот тест оценивает способность ИИ использовать естественный язык для ответа на реальные вопросы, задаваемые людьми.

Обобщение и подведение итогов

Новая модель ИИ может обобщать научную литературу, в том числе исследования о самом себе. Институт искусственного интеллекта Аллена (AI2) использовал модель в Semantic Scholar, - в системе поиска научных статей на базе ИИ. ИИ предоставил краткое изложение статей по ИИ. Что впечатляет, так это то, что ИИ способен сжимать длинные документы, не теряя точность передачи содержания.

Для ИИ не  требуется переподготовка

Обучить роботов выполнять более чем одну задачу сложно, но новая модель ИИ реализует задачу многозадачного обучения, основанную на модели глубокого обучения. В этой модели машины осваивают различные навыки по мере своего развития. Таким образом, такие модели позволяют боту решать новые задачи, не требуя переобучения.

Графические нейронные сети

Мы воспринимаем запахи, используя миллионы сенсорных нейронов в нашем мозгу, запахи многогранны, и предсказать, как что-то будет пахнуть, невероятно сложно. Например, как бы вы описали запах апельсина? Сладкий? Яркий? Травяной? Каждый дескриптор уникален. Классифицировать запах сложно, потому что для этого требуется система с обработкой множества меток. Графические нейронные сети (GNN) представляют собой особый тип глубокой нейронной сети, которая работает с графами в качестве входных данных. GNN используются для обнаружения запаха, для прогнозирования запахов на молекулярном уровне, для широкого спектра химических и биологических процессов. Например, исследователи из Института Броуда использовали их для открытия соединений антибиотиков, не обладающих токсическими побочными эффектами.

Федеративное обучение

Федеративное обучение - это метод, позволяющий распространить машинное обучение на периферию. Представленная исследователями Google в 2016 году, это новая структура, которая позволяет алгоритмам использовать данные на таких устройствах, как мобильные телефоны и умные часы, без ущерба для конфиденциальности пользователей. Исследования в этой области резко увеличились.

Модели гауссовских процессов

Гауссовские процессы являются "золотым" стандартом решения многих реальных задач моделирования, особенно в тех случаях, когда успех модели зависит от ее способности точно отражать прогнозируемую неопределенность. Гауссовские модели становятся более точными благодаря использования их в нейронных сетях.

Влияние языковой модели GPT-3 обработки естественного языка от OpenAI

ИИ, генерирующий человекоподобный язык, GPT-3, был выпущен OpenAI в прошлом году. Генератор текста написал сообщения и код в блоге. Он был выставлен в конкурсе на написание эссе вместе со студентами, а анонимные работы оценивались профессорами. GPT-3 в основном получали четверки - столько же, сколько студенты-люди. Но ИИ продемонстрировал сильную антимусульманскую предвзятость. Исследователи из Стэнфордского университета и Университета Макмастера исследовали нейронную сеть и обнаружили, что предвзятость мусульманского насилия проявляется последовательно и творчески во многих случаях использования модели. Это еще один пример того, как предвзятость проникает в автоматизированные системы. Если не работать с этим явлением, то это вызовет проблемы во всем обществе по мере становления ИИ.

Вокенизация - попытка совместить языковые модели с компьютерным зрением

Такие модели, как GPT-3, обучаются синтаксису и грамматике, а не творчеству или здравому смыслу. Поэтому исследователи из Университета Северной Каролины в Чапел-Хилл комбинируют языковые модели с компьютерным зрением. Люди учатся многоуровневым, многомерным способом. Новый метод, называемый вокенизацией, экстраполирует данные о языке путем контекстного сопоставления языковых «токенов» или слов с изображениями, тем самым формируя модели, называемые «вокалами». Например, автоматически сгенерированные подписи к изображениям часто не могут определить контекст, которому должна соответствовать подпись. Вокенизация позволит машинам не только распознавать объекты, но и действительно их «видеть».

Дорисовка или восстановление изображений машиной

Если компьютерная система имеет доступ к достаточному количеству изображений - скажем, миллионам и миллионам - она ​​может исправлять и заполнять дыры в изображениях. Эта возможность имеет практическое применение для профессиональных фотографов, а также для всех, кто хочет сделать лучшее селфи. Вскоре, если передний план горы окажется не в фокусе или если на вашей коже есть неприглядный изъян, их можно заменить, чтобы получить идеальное изображение. Но тут есть и подводные камни. Например, алгоритмы создания изображений могут неудачно дополнять изображения и не учитывать этические, религиозные или национальные особенности.

Прогнозирование изменения изображений на основе отдельных изображений

Системы компьютерного зрения становятся умнее. Нейронные сети могут предсказывать геометрию по одноцветному изображению. В 2019 году команда DeepMind разработала генеративную состязательную сеть (GAN), которая создает видео из изображений. Например: представьте себе фотографию человека, держащего баскетбольный мяч. Основываясь на его позе, лице и других данных на изображении, GAN выясняет, что, вероятно, произошло дальше, и генерирует видеоклип с изображением этого действия. Ранее исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) обучили компьютеры предсказывать, что люди будут делать дальше, используя видеоролики YouTube и телешоу, такие как «Офис» и «Отчаянные домохозяйки». Система CSAIL предсказывает, будут ли два человека обниматься, целоваться, обмениваться рукопожатием или давать пощечину. SinGAN - генеративная схема, которая может манипулировать изображениями и улучшать их, и это дает реалистичную синтетическую фотографию. Это исследование когда-нибудь позволит роботам легче ориентироваться в среде обитания людей и взаимодействовать с нами, людьми, ориентируясь на язык нашего тела. Особенно важными применения - розничная торговля, производство и образование.

Безмодельные подходы к обучению с подкреплением

Dreamer - это агент обучения с подкреплением (RL), который использует модель мира для построения протяженных предсказаний. Он может создавать модели из необработанных изображений и параллельно учиться на тысячах предсказанных последовательностей с помощью графического процессора (GPU). Этот новый подход решает долгосрочные задачи, используя воображаемый мир.

Машинное обучение в реальном времени

Одна из больших проблем в области искусственного интеллекта - создание машин, которые могут заблаговременно собирать и интерпретировать данные, выявлять закономерности и учитывать контекст и, в конечном итоге, обучаться в реальном времени. Новое исследование машинного обучения в реальном времени (RTML) показывает, что можно использовать непрерывный поток данных и корректировать модели в реальном времени. Это сигнализирует о больших изменениях в том, как перемещаются данные, и в том, как мы получаем информацию. Национальный научный фонд запустил программу грантов в размере 10 миллионов долларов для стимулирования исследований в этой области, хотя все крупные технологические компании также тесно работают над продвижением RTML.

Автоматизированное машинное обучение (AutoML)

Некоторые организации хотят отойти от традиционных методов машинного обучения, которые требуют много времени и трудностей и требуют специалистов по данным, специалистов в области искусственного интеллекта и инженеров. Автоматизированное машинное обучение, или AutoML, - это новый подход: процесс, в котором необработанные данные и модели сопоставляются вместе, чтобы выявить наиболее актуальную информацию. Google, Amazon и Microsoft теперь предлагают множество продуктов и услуг AutoML.

Гибридное зрение человека и компьютера

ИИ пока не может полноценно функционировать без помощи человека. Системы гибридного интеллекта объединяют людей и системы искусственного интеллекта для достижения большей точности. Исследовательская лаборатория армии США имеет систему, которая использует интерфейс мозг-компьютер, оснащенный технологией компьютерного зрения, и позволяет человеку быстро видеть и сортировать изображения в пределах его прямой видимости. CloudSight, технологическая компания, специализирующаяся на субтитрах к изображениям, работает над гибридной краудсорсинговой системой компьютерного зрения. Исследователи Microsoft предложили Pandora, набор гибридных человеко-машинных методов и инструментов для понимания сбоев системы. Pandora использует наблюдения как человека, так и системы, чтобы объяснить сбои, связанные с входным контентом и системной архитектурой.

Нейросимволический ИИ

С 1950-х годов развитие ИИ шло по двум концептуальным направлениям: символическому (машины, использующие базу знаний и правил, представляющих концепции) и несимволическому (машины, использующие необработанные данные для создания своих собственных паттернов и представлений концепций). Классическим ИИ является первым, потому что он более точно отражает то, как мы понимаем человеческое мышление, и первоначальная цель заключалась в том, чтобы научить машины думать, как мы. Исследователи работают над новыми способами сочетания обучения и логики с помощью нейронных сетей, которые будут понимать символы, а не всегда полагаться на людей-программистов для сортировки, пометки и каталогизации данных. Символьные алгоритмы помогут процессу, что в конечном итоге должно привести к созданию надежных систем, для обучения которых не всегда требуется человек.

Общие алгоритмы обучения с подкреплением

Исследователи разрабатывают единые алгоритмы, которые могут изучать несколько задач. DeepMind, команда AlphaGo, которая научилась играть в Го на уровне гроссмейстера, разработала новый инновационный алгоритм: AlphaZero. Он способен достигать сверхчеловеческих результатов не только в Го, но и в других играх, включая шахматы и сёги (японские шахматы). Этот алгоритм со знания только правил игры, и в конечном итоге разрабатывает свои собственные стратегии. В январе 2020 года DeepMind опубликовала новое исследование, показывающее, как можно использовать методы обучения с подкреплением для улучшения нашего понимания психического здоровья и мотивации.

Непрерывное обучение

В настоящее время методы глубокого обучения помогают системам научиться решать сложные задачи способом, который напоминает используемый людьми метод. Эти задачи по-прежнему специфичны, а не просто победить человека в игре. И они требуют жесткой последовательности действий: сбор данных, определение цели, развертывание алгоритма. Этот процесс требует участия людей и может занять много времени, особенно на ранних этапах, когда требуется обучение с учителем. Непрерывное обучение больше касается автономного и постепенного наращивания и развития навыков ИИ, и исследователи будут продолжать расширять границы возможного в этой области.

Распространение Франкен-алгоритмов

Алгоритмы - это просто правила, которые определяют и автоматизируют обработку данных. Они построены с использованием логики «если это, то то», которую компьютер может понять и обработать. Вот простой пример: если IP-адрес читателя веб-сайта находится в Балтиморе, правила разрешают этому читателю свободный доступ к сайту; если IP-адрес находится в Бельгии, то правила сначала показывают экран GDPR с указанием политики конфиденциальности и файлов cookie. Хотя единый алгоритм можно легко описать и развернуть, как и ожидалось, все системы алгоритмов, работающие вместе, иногда могут создавать проблемы. Разработчики не всегда заранее знают, как один алгоритм будет работать вместе с другими алгоритмами. Иногда несколько команд разработчиков работают независимо над разными алгоритмами и наборами данных и видят работу друг друга только после ее развертывания. Это было причиной недавних сбоев на фондовом рынке и нестабильности веб-сайтов электронной коммерции. Это создает проблемы для крупных компаний, таких как Facebook, у которых миллиарды алгоритмов работают вместе в любой момент времени.

Языки искусственного интеллекта

Python - ведущий язык с множеством встроенных библиотек и фреймворков. Язык Julia, разработанный Массачусетским технологическим институтом, представляет собой язык с открытым исходным кодом, ориентированный на числовые вычисления. И, конечно же, есть Lisp, созданный прародителем современного ИИ Джоном Маккарти в 1958 году. Сейчас компании начинают создавать и выпускать свои собственные программные пакеты, а также уникальные языки программирования для приложений ИИ. Uber выпустил свой собственный вероятностный язык программирования Pyro, написанный на Python. Это шаг, который сигнализирует о вероятной фрагментации в будущем экосистемы ИИ, в отличие от нынешнего соперничества iOS / Android или длительной войны Mac / PC. Предприятиям будет все труднее и дороже переключаться между фреймворками ИИ и языками.

Источник: https://futuretodayinstitute.com/trends/

Тенденции развития ИИ (2021)

Вводная часть - характеристика ИИ

Искусственный интеллект представляет третью эру вычислений, обычно определяемую как способность машины выполнять когнитивные функции, присущие человеку. К таким функциям относятся восприятие, обучение, рассуждение, решение проблем, контекстное понимание, создание умозаключений и прогнозов, а также проявление творческих способностей.

Машинное обучение

Пионер искусственного интеллекта Артур Самуэль популяризировал идею машинного обучения в 1959 году, объяснив, как компьютеры могут учиться без программирования.

Это означало бы разработку алгоритма, который когда-нибудь сможет извлекать закономерности из наборов данных и использовать их для автоматического прогнозирования и принятия решений в реальном масштабе времени. Потребовалось много лет для воплощения идеи Самуэля, и сегодня машинное обучение является основной движущей силой развития ИИ.

Машинное обучение использует данные для прогнозирования и выработки рекомендации по достижению поставленных целей. Типы машинного обучения:

• обучение с учителем (supervised learning),
• обучение без учителя (unsupervised learning),
• обучение с подкреплением (reinforcement learning).

При обучении с учителем люди контролируют, настраивают и корректируют системы во время их обучение на данных и во время работы. Контролируемое обучение используется, когда команда обучения знает, как классифицировать входные данные, знает что должен предсказывать алгоритм.

При обучении без учителя данные предоставляются алгоритму без определенных выходных параметров. Например, если исследователь не совсем понимает, что делать с большим набором данных, алгоритм может определять закономерности, классифицировать данные и давать рекомендации без участия человека-руководителя.

При обучении с подкреплением алгоритм учится выполнять задачу, многократно выполняя вычисления, пытаясь достичь поставленной цели.

Глубокое обучение (Deep Learning)

Глубокое обучение - относительно новая ветвь машинного обучения. Программисты используют специальные алгоритмы глубокого обучения вместе с огромным массивом данных - обычно это много терабайт текста, изображений, видео, речи и тому подобного. Часто эти системы обучаются самостоятельно, они могут сортировать неструктурированные данные, будь то текст, аудио или видео. С практической точки зрения появление глубокого обучения означает, что все больше и больше человеческих процессов будет автоматизировано, включая программирование.

Существуют разные типы моделей глубокого обучения. Наиболее распространенные типы включают сверточные нейронные сети, рекуррентные или рекурсивные нейронные сети, нейронные сети-трансформеры, генеративные состязательные сети (GAN).

В бизнесе сверточная нейронная сеть (CNN) обычно используются для распознавания: аномалий в медицинской визуализации, дефектных продуктов на производственной линии, заражения сельскохозяйственных культур.

Рекуррентные нейронные сети (RNN) - это многослойные нейронные сети, которые обычно используются для прогнозов. В бизнесе они используются, когда последовательность данных имеет значение, например, для распознавания речи и языкового перевода. RNN используются в цифровых помощниках для создания подписей к изображениям и создания повествовательных отчетов с использованием структурированных данных. 

Генеративные состязательные сети (GAN) - это системы глубокого обучения, состоящие из двух конкурирующих нейронных сетей - генератора и дискриминатора, которые обучаются на одних и тех же данных. Сети конкурируют друг с другом за выполнение задачи,  что приводит к оптимизации общей производительности. Сети GAN полезны, когда у исследователей недостаточно данных для обучения алгоритмической модели. Они также используются для создания новых синтетических данных. В частности, они используются дл создания дипфейков (deepfakes), которые могут генерировать неотличимые от реальных источников изображения или видео. Они могут генерировать и изменять голоса, лица и даже жесты.

Трансформер - нейронная сеть, которая изучает, что означают слова, когда они появляются в определенном контексте. Используя «механизм внимания», трансформер смотрит на входную последовательность и на каждом шаге определяет, какие части последовательности важны. На сегодняшний день трансформеры в основном используются при обработке естественного языка или генерации текстов.

Слабый и сильный ИИ (Weak and Strong AI)

Есть два вида ИИ: слабый (или «узкий») и сильный (или «общий»). Слабые системы ИИ принимают решения в рамках решения специализированных и узких задач. Такие ситемы уже используются: антиблокировочная система тормозов автомобиля, фильтрация спама, функции автозаполнения в электронной почте, функции обнаружения мошенничества для операций по кредитной карте.

Общий (сильный) искусственный интеллект (AGI) описывает системы, способные принимать решения за пределами узких специальностей.

Не существует единого стандарта, который проводил бы различие между слабым и сильным ИИ. Это проблема и для исследователей, занимающихся разработкой ИИ, и для менеджеров, которые должны принимать решения в сфере ИИ. В качестве реальных примеров функционирования общего искусственного интеллекта можно упомянуть заявления от том, что ИИ сам научился играть в шахматы, сёги (японская версия шахмат) и го (настольная игра с абстрактной стратегией) - и все это без вмешательства человека.

Корпоративные тенденции (2021)

Расцвет MLOps

По мере развития машинного обучения и появления новых прикладных бизнес-решений разработчики смещают акцент с создания моделей на их эксплуатацию. В программном обеспечении набор передовых практик, известный как DevOps, основан на инструментах автоматизации и снижения сложности рабочих процессах создания и сопровождения приложения, позволяя разработчикам сосредоточиться на функциях, решаемых приложениями. Подобный подход стал использоваться в машинном обучении. В 2020 году одними из самых быстрорастущих проектов GitHub были MLOps, или проекты, связанные с инструментами, инфраструктурой и операциями машинного обучения. В дальнейшем MLOps будет описывать набор передовых практик, сочетающих машинное обучение, традиционный DevOps и инженерию данных.

Машинное обучение без кодирования или с небольшим уровнем кодирования

Машинное обучение находится в процессе перехода. Благодаря тому, что новые платформы позволяют предприятиям использовать создавать мощные системы ИИ не используя навыки и умения программирования, расширяются и сфера применения ИИ, и темпы создания ИИ в различных областях.

Компании могут превратить свои неуправляемые наборы данных в структурированные наборы, на которых они могут обучать ИИ, создавать и развертывать модели, обладая минимальными навыками в программировании.

Примеры.

• Create ML, инструмент Apple, позволяющий пользователям создавать собственные модели, такие как механизмы выработки рекомендаций, системы естественной обработки текста, классификаторы текста.
• AutoML от Google включает в себя классификацию изображений, обнаружение объектов, перевод и всевозможные инструменты распознавания образов.
• MakeML позволяет создать приложение для обнаружения объектов. В частности, приложение имеет функцию слежения за теннисными мячами во время матчей или автоматическое изменение цвета объектов (например, цвета платьев) на изображениях. 
• В 2020 году Amazon запустила конструктор мобильных и веб-приложений без кодирования для Amazon Web Services (AWS). 
• Microsoft Power Apps - среда разработки приложений с низким уровнем кодирования в Azure.

Анализ содержимого в масштабах веба

Благодаря алгоритмам расширенного обработки естественного языка, и на этой базе сбору и классификации данных стал намного проще интеллектуальный анализ больших неструктурированных наборов.

Специальные алгоритмы, обученные распознавать ключевые слова, могут быстро сортировать, классифицировать и маркировать информацию для обнаружения заданных шаблонов. Например, модель, обученная поиску враждебных высказываний, может обнаруживать злоумышленников в социальных сетях. Другие модели могут использоваться для классификации финансовых преступлений и мошенничества.

Имитация эмпатии и эмоций

ИИ может измерять биомаркеры, которые указывают на эмоциональное состояние человека, например, на возбуждение, грусть или головокружение.

Точно определить человеческие эмоции сложно, но компании с достаточно большим набором данных разрабатывают все более точные модели. 

API Amazon Rekognition позволяет определять эмоции с помощью распознавания лиц и внешнего вида.

Replika использует ИИ для оценки голоса и текста и со временем позволяет охарактеризовать пользователя.

AI Affectiva Human Perception анализирует сложные состояния человека с помощью речевой аналитики, компьютерного зрения и глубокого обучения.

Например, автомобилестроение использует технологию Affectiva для определения эмоционального состояния водителя, в частности, сонливость или злость, что в режиме реального времени позволяет вносить предложения по улучшению практики его вождения.

Искусственный эмоциональный интеллект

Исследовательские группы Loving AI и Hansen Technologies обучают машины безусловной любви, активному слушанию и сочувствию. В будущем машины будут убедительно демонстрировать человеческие эмоции, такие как любовь, счастье, страх и печаль. 

Возникает вопрос: что такое настоящая эмоция?

Модель психики человека ("теория разума") говорит о способности воспринимать как свои собственные переживания, так и переживания других людей. Долгое время это считалось уникальной чертой человека и некоторых приматов. 

Исследователи искусственного интеллекта работают над обучением машин для построения собственных теоретических моделей разума. Эта технология может улучшить существующие приложения ИИ для терапии, такие как WoeBot, чат-бот для клинической терапии. 

Создавая машины, способные реагировать с сочувствием и заботой, цифровые помощники, такие как Алекса, будут все больше и больше становиться частью семьи. Эта технология может в конечном итоге применяться в больницах, школах и тюрьмах, обеспечивая роботами эмоциональной поддержки для пациентов, студентов и заключенных. По данным организации здравоохранения Cigna, уровень одиночества в США за последние 50 лет удвоился. Два года назад бывший премьер-министр Великобритании Тереза ​​Мэй создала новую должность в кабинете министров, став первым в мире министром одиночества. В нашем все более взаимосвязанном мире люди жалуются, что чувствуют себя все более изолированными.

Правительства, столкнувшиеся с серьезным кризисом в области психического здоровья, могут обратиться к роботам эмоциональной поддержки для масштабного решения подобных проблем.

Бессерверные вычисления

AWS, Alibaba Cloud, Microsoft Azure, Google Cloud и Baidu Cloud развертывают новые предложения и пакеты для разработчиков и стартапов с целью упростить и сделать более доступным вывод идей на рынок в в области искусственного интеллекта. AWS Lambda позволяет запускать приложения или серверные службы без выделения ресурсов сервера и без необходимости администрирования и управления серверами. Архитектура функций Azure поддерживает множество языков программирования, масштабируется по запросу и взимает плату только за активное время вычислений. Хотя некоторые инженеры опасаются, что такие бессерверные системы в итоге потребуют большого контроля.

ИИ в облаке

Поставщики ИИ, размещаемого в облаке, организуют экосистемы вокруг искусственного интеллекта и конкурируют за облачные ресурсы с тем чтобы стать надежным поставщиком ИИ, размещенного на удаленных серверах.

Корпоративные клиенты, уже развернувшие ИИ с помощью некоторого выбранного ими поставщика, будут по прежнему придерживаться решений этого поставщика. К тому, чем больше данных накапливают системы машинного обучения, тем лучше они становятся. Все это усиливает конкуренцию на рынке решении ИИ.

На Западе лидируют Amazon, Microsoft и Google, за ними следуют такие компании, как Apple, IBM, Salesforce, SAP и Oracle. На азиатских рынках Alibaba и Baidu доминируют в сфере облачных решений искусственного интеллекта. Туда же стремится и производитель телекоммуникационного оборудования и смартфонов Huawei. Это быстрорастущая отрасль с оборотом 250 миллиардов долларов по состоянию на 2020 год.

ИИ на "кромке"

Обработка и принятие решений на основе ИИ, которые размещается не в облаке, а как можно ближе к источнику генерации данных - это метод, известный как «периферийные вычисления».

Интернет вещей и его миллиарды устройств в сочетании с сетями 5G плюс возросшая вычислительная мощность сделали возможным крупномасштабный ИИ, размещаемых на переднем крае.

Обработка данных непосредственно в устройствах-датчиках будет важна для приложений здравоохранения, автомобилестроения и производства, поскольку это делает решения потенциально более быстрыми, а решения более безопасными. Apple потратила 200 миллионов долларов на приобретение Xnor.ai, стартапа в области искусственного интеллекта из Сиэтла, специализирующегося на программном и аппаратном обеспечении для машинного обучения с низким энергопотреблением. Microsoft предлагает комплексный набор инструментов под названием Azure IoT Edge, который позволяет перемещать рабочие нагрузки ИИ на периферию.

Расширенные наборы микросхем ИИ

Современные нейронные сети уже давно требуют огромных вычислительных мощностей, требуют много времени на обучение и полагаются на центры обработки данных и компьютеры, потребляющие сотни киловатт энергии. 

Все начинает меняться. Введите в поисковой системе "SoC" или «система на кристалле». Крупные технологические компании, включая Huawei, Apple, Microsoft, Facebook, Alphabet, IBM, Nvidia, Intel и Qualcomm, а также стартапы Graphcore, Mythic, Wave Computing, SambaNova Systems и Cerebras Systems, все работают над новой системной архитектурой и предлагающие электронные схемы, выполняющие функции целого устройства и размещенные на одной электронной схемой. Некоторые из "систем на кристалле" проходят предварительную подготовку.

Короче говоря, это означает, что чипы смогут работать над проектами AI, а это обещает более быструю и безопасную обработку данных. То есть, проекты, которые в противном случае могли бы занять недели, могли быть выполнены за считанные часы. 

Cerebras построила микросхему AI с 1,2 триллионом транзисторов, 400000 процессорных ядер, 18 гигабайтами SRAM и межсоединениями (крошечными узлами подключения), которые могут перемещать 100 квадриллионов бит в секунду. Это поразительное количество компонентов и мощности. По состоянию на ноябрь 2020 года собственный AI-чип Amazon AWS Inferentia теперь поддерживает внутренние сервисы Alexa, а не чипы, разработанные Nvidia. 

По данным исследовательской компании Tractica, рынок микросхем искусственного интеллекта увеличится в четыре раза до 6,7 млрд долларов в 2022 году с 1,66 млрд долларов в 2018 году. Маркетинг предварительно обученных чипов ускорит коммерциализацию, дальнейшие исследования и разработки.

Но если все производители устройств начнут создавать уникальные протоколы, разработчики могут столкнуться со слишком большим количеством различных фреймворков. Ожидается возможная консолидация, в которой всего несколько компаний - с их системами SoC и языками - будут противостоять друг другу.

Цифровые близнецы

Цифровые двойники - это виртуальные представления реальных сред, продуктов или активов. Могут создаваться для различных целей. 

Производители используют цифровых двойников для управления производительностью и эффективностью машин и заводов, в то время как градостроители используют их для моделирования воздействия новых разработок и дорог. Siemens MindSphere поддерживает создание цифровых двойников в ряде отраслей.

Поскольку системы с низким уровнем кодирования или без кодирования становятся все более распространенными, компании будут иметь возможность создавать и развертывать цифровых двойников для моделирования широкого спектра процессов.

Обнаружение фейков

Продемонстрировано, как ИИ можно использовать для составления текста, настолько качественного, что люди не могут сказать, что он написан машиной. 

Команда OpenAI представила множество резонов, которые демонстрирует проблематичность идентификации человеком тестов, созданных машиной для разного рода текстов: от массового создания непристойных постов в социальных сетях и фальшивых обзоров до подделки документов мировыми лидерами. 

Оказывается, ИИ также можно использовать для определения того, был ли текст сгенерирован машиной, даже если мы, люди, не можем обнаружить подделку. Это связано с тем, что эссе, написанное ИИ, обычно основывается на статистических закономерностях в тексте и не имеет особых языковых вариаций. 

Исследователи из лаборатории искусственного интеллекта MIT-IBM Watson и Гарвардского университета разработали программу Giant Language Model Test Room (GLTR), которая ищет слова, которые могут появляться в определенном порядке. Эта технология может использоваться для обнаружения подделок, преднамеренной фальсификации записей, фишинговых кампаний по электронной почте и корпоративного шпионажа.

Обработка естественного языка для критериев ESG (environmental, social, and governance) устойчивого развития

Компании переходят к новым критериям устойчивого развития - экологическим, социальным и корпоративным критериям (ESG). ESG - набор стандартов, которые все чаще используются инвесторами для оценки своих инвестиций с точки зрения долгосрочных перспектив развития корпораций.

Стандарты ESG должны быть строго описаны и количественно определены, но измерение производительности может быть затруднено, поскольку в их формировании задействован ряд нематериальных активов или абстрактных концепций. Обработка естественного языка используется для идентификации, маркировки и сортировки документации из различных источников с целью верификации репутации компании в области ESG.

Интеллектуальное распознавание символов

Постоянной проблемой является обучение машин распознаванию различных способов письменного самовыражения. 

Оптическое распознавание символов (OCR) работает в фиксированных, распознаваемых форматах, таких как дорожные знаки и текст из книги. Но часто OCR недостаточно умен, чтобы распознавать разные шрифты, уникальные обозначения или сложные таблицы, например, используемые всего лишь одной компанией.

Исследователи обучают системы ИИ распознавать закономерности, даже если они появляются в необычных местах. Например, система AWS Textract теперь распознает как текст, так и контекст, характерный для той или иной компании или того или иного бизнес-подразделения.

Роботизированная автоматизация процессов

Роботизированная автоматизация процессов (RPA) может автоматизировать определенные задачи и процессы в офисах и позволить сотрудникам тратить время на более важную работу. Это наиболее распространенная технология искусственного интеллекта, применяемая корпоративными компаниями. 

Duplex от Google - хороший тому пример; это бот, предназначенный для обычных телефонных звонков. Amazon использует RPA для анализа резюме и определения лучших кандидатов. В банковском деле Blue Prism и Automation Anywhere помогают сотрудникам выполнять повторяющиеся рабочие функции. 

В конечном итоге RPA будет применяться все шире и повысит производительность труда.

Массовые системы перевода

В 2020 году Facebook запустил новую языковую модель ИИ с открытым исходным кодом под названием M2M-100, которая может переводить 100 языков.

Лаборатория искусственного интеллекта Facebook обучила модель с использованием 7,5 миллиардов пар предложений, автоматически собранных из Интернета. (Удивительно, но Facebook не использовал свои собственные данные для этого проекта.) Языковая модель FastText идентифицировала язык, а модель обучения без учителя сопоставляла предложения по их значению. Целью - улучшить синхронный языковой перевод.

Прогнозирование сбоев систем и сайтов

Компьютерное зрение может предвидеть и идентифицировать сбои физических объектов. Высокотехнологичные предприятия, производители авиакомпаний и строительные площадки используют системы распознавания изображений для отслеживания проектов и автоматического предупреждения о проблемах. Это достигается путем сравнения данных из реального мира с данными цифрового двойника.

Страхование ответственности выводов ИИ

Кто виноват, когда машины плохо себя ведут? 

Когда система машинного обучения в беспилотном автомобиле Uber вышла из строя и убила пешехода в Аризоне, компания, вероятно, не была застрахована в рамках традиционной киберстраховки. 

Поскольку компании спешат создавать и внедрять продукты и процессы ИИ, они должны заранее планировать возникающие риски. Например, что произойдет, если машинное обучение сделает компанию уязвимой для злоумышленников, которые вводят в систему поддельные данные обучения? Что, если ИИ медицинской компании неверно интерпретирует данные и не выявляет рак у определенных пациентов? 

Проблемы такого рода могут поставить компанию под угрозу судебных исков. Новые модели страхования помогут решить эти проблемы. Андеррайтеры начинают включать ИИ в планы киберстрахования. Специализированные страховые компании, такие как LaPlaya Insurance, теперь предлагают страхование приложений искусственного интеллекта.

Манипулирование системами ИИ для получения конкурентных преимуществ

Amazon, Google и Facebook за последние несколько лет подверглись критике за манипулирование своими поисковыми системами с целью определения приоритета вывода результатов, которые являются более прибыльными для их компаний. Например, Google обвиняли в понижении рейтинга веб-сайтов и продвижении новостей от предпочтительных партнеров. В конце 2019 года исследователи обнаружили, что Amazon оптимизировала свой алгоритм поиска, чтобы повысить узнаваемость собственных брендов Amazon. 

Изменения алгоритмов поиска существенно влияют на то, что видят интернет-пользователи, будь то новости, продукты или реклама. Это привело к продолжающимся антимонопольным искам против компаний.

Глобальное стремление финансировать ИИ

Существует глобальная гонка за финансированием исследований ИИ и приобретением стартапов в области ИИ. По данным Национальной ассоциации венчурного капитала, в первом квартале 2020 года 285 американских стартапов в области ИИ привлекли 6,9 миллиарда долларов.

Инвестиции пошли на убыль, поскольку Covid превратился в глобальную пандемию, но технологические гиганты, включая Apple, Google и Microsoft, по-прежнему приобретают компании ИИ, в то время как нетехнические компании поглощают стартапы ИИ: McDonald's приобрела платформу персонализации Dynamic Yield, а Nike - компанию по управлению запасами Celect и управляемая платформа для покупок Invertex.

Торговые площадки алгоритмов

В 2010-х годах крупные технологические компании, стартапы и сообщества разработчиков использовали торговые площадки алгоритмов, чтобы делиться своими работами и продавать их.

В 2018 году Microsoft заплатила 7,5 млрд долларов за покупку популярной платформы разработки GitHub, позволяющей любому размещать и проверять код, сотрудничать с другими разработчиками и создавать всевозможные проекты. У AWS есть собственная торговая площадка, предлагающая модели и алгоритмы для компьютерного зрения, распознавания речи и текста, а в ее базу продавцов входят Intel, CloudSight и многие другие. (Думайте о AWS Marketplace как об Amazon для алгоритмов и моделей.) 

Существуют торговые площадки для универсалов, такие как GenesisAI и Algorithmia, где разработчики могут загружать свои приложения и получать оплату за доступ к этип приложениям. 

Существуют специализированные торговые площадки для конкретных случаев использования программного кода: Nuance AI Marketplace разработала единый API для подключения своих алгоритмов к радиологам в 6500 медицинских учреждениях. Quantiacs позволяет разработчикам создавать алгоритмические торговые системы, и это сопоставляет их алгоритмы с капиталом институциональных инвесторов. Bonseyes - это европейская торговая площадка для покупки и продажи инструментов искусственного интеллекта.

100-летнее программное обеспечение

Традиционное программное обеспечение имеет короткий и непредсказуемый срок годности по сравнению с другими инструментами разработки. Это приводит к головной боли и дорогостоящим обновлениям, часто вызывающие простои. В результате компании и правительственные учреждения вынуждены поддерживать свои устаревающие системы одновременно пытаясь идти в ногу с развитием технологий.

Библиотеки, форматы данных и протоколы могут быстро устареть, создавая уязвимости в критически важных системах. 

С 2015 года Агентство перспективных оборонных исследовательских проектов (DARPA) финансирует исследования, чтобы сделать программное обеспечение жизнеспособным на протяжении более 100 лет. Эти системы будут использовать ИИ для динамической адаптации к изменениям в окружающей среде и ресурсах. Они требуют нового подхода к проектированию с использованием ИИ для обнаружения и визуализации операций приложения, одновременно взаимодействуя с другими системами.

Источник: https://futuretodayinstitute.com/trends/