ИИ, IoT и машинное обучение: от экспериментов к практике

Кирилл Корнильев

Сергей Монин

Елена Семеновская

Владимир Слинько

На сентябрьском форуме MERLION IT Solutions Summit целая сессия была посвящена теме искусственного интеллекта (ИИ), Интернета вещей (IoT) и машинного обучения. Это было сделано неслучайно. Судя по сообщениям аналитиков, вендоров и интеграторов, эти технологии уже переходят от экспериментальной стадии к практической и оказывают растущее влияние на мировой и российский ИТ-рынок. В своих выступлениях докладчики на конкретных примерах показали, как с помощью искусственного интеллекта, Интернета вещей и машинного обучения организации решают свои насущные задачи.

Перемены на рынке ИТ

По данным IDC, которые привела Елена Семеновская, директор по исследованиям IDC Russia/CIS, доля инновационных технологий на рынке ИТ растет. По прогнозу, в ближайшие пять лет мировой ИТ-рынок будет расти в среднем на 4%, а сегмент Интернета вещей – на 20%, облачных технологий – на 15% и аналитики больших данных – на 11%.

Рассматривая наиболее активный сегмент Интернета вещей, компания IDC выяснила, что основной спрос наблюдается со стороны домашних пользователей, а также отраслей транспорта, производства, розничной торговли и госсектора. Что же движет заказчиками? Опрос предприятий показал, что в первую очередь они инвестируют в Интернет вещей ради повышения эффективности внутренних бизнес-процессов, снижения операционных затрат и улучшения качества продукции, т. е. для решения задач, которые непосредственно относятся к их деятельности.

В России Интернет вещей тоже на подъеме. По словам Елены Семеновской, рынок перешел от «хайпа» к ровному, стабильному развитию и в первой половине 2019-го вырос на 8%: «Спрос обеспечен тем, что это одна из технологий, которые объединяют ИТ и операционную деятельность, т. е. действительно решают задачи бизнеса». Правда, есть и сдерживающие факторы, такие как безопасность, ограниченная масштабируемость и нехватка специалистов, особенно в аналитике данных.

А ведь аналитика имеет огромное значение для принятия решений. «Какие бы средства Интернета вещей ни применять, но если не научиться обрабатывать полученные данные и извлекать из них пользу, толку не будет», – сказала Елена Семеновская.

Так что мировой рынок аналитики больших данных стабильно растет, и сейчас его объем достигает 190 млн. долл. При этом больше половины (53%) приходится на ИТ- и бизнес-услуги. В России картина примерно такая же. Обработку данных компаниям облегчает то, что аналитика больших данных быстро уходит в облака: по прогнозу IDC, в ближайшие пять лет сегмент традиционных продуктов вырастет на 4%, а облачных решений – на 30%.

Стремительное увеличение объема данных способствует спросу на технологии искусственного интеллекта, которые помогают справиться с лавиной информации. Недавний опрос показал, что более 30% российских компаний уже ведут проекты с использованием ИИ, направленные на повышение эффективности сотрудников и бизнес-процессов, а также на автоматизацию управления ИТ-инфраструктурой, которая становится все более сложной. «Но говорить про темпы роста российского рынка ИИ еще рано, так как он еще слишком мал, и появление нескольких крупных проектов может кардинально изменить картину», – сказала Елена Семеновская.

Данные – это наше все

Данные составляют основу всех инновационных технологий, поэтому на их качество нужно обратить пристальное внимание. По словам Кирилла Корнильева, вице-президента по инфраструктурным решениям IBM в странах Центральной и Восточной Европы, самое главное – это создание правильной архитектуры данных, потому что от этого зависят результаты любого алгоритма ИИ, и большинство провалов проектов ИИ связано не с неправильной моделью, а с низким качеством данных: «Путь к ИИ начинается с качественных данных, а про это зачастую забывают. Успех массового внедрения ИИ невозможен без информационной архитектуры, которая включает людей, данные и ИТ-инфраструктуру».

Про новинки в области ИТ-инфраструктуры для работы с ИИ и большими данными рассказал Александр Шумилин, менеджер по серверным продуктам Hewlett Packard Enterprise в России. По его словам, традиционно для накопления и анализа больших данных используется симметричная архитектура на базе одинаковых серверов с большими дисками. Но появляются новые инструменты для анализа, серверы с еще большим числом дисков, с графическими ускорителями, со специфичными узлами и т. д. Все это дает возможность эффективнее строить неоднородные кластеры.

Для построения таких кластеров HPE предлагает архитектуру Elastic Platform for Big Data Analytics, которая, по словам Александра Шумилина, на тестовых задачах на 10–20% превосходит по производительности симметричную архитектуру, притом что стоимость не увеличивается. Но это в случае исполнения одной задачи. Если же запустить несколько задач, то прирост производительности может превосходить 75%, хотя цена кластера с эластичной архитектурой будет несколько выше, чем с симметричной.

Роботы наступают

Широкий спектр продуктов и решений, представленных на сессии, указывает на больший интерес вендоров и интеграторов к темам искусственного интеллекта, Интернета вещей и машинного обучения. В своих выступлениях они единодушно отметили высокий спрос на эти технологии, подкрепив это утверждение примерами практического внедрения.

Так, компания ОТР, которая занимается разработкой ПО, его сопровождением и проектами, решила использовать искусственный интеллект для оптимизации техподдержки. В результате была создана система, использующая ИИ на разных этапах жизненного цикла обращения.

Виртуальный диспетчер Игорь позволил автоматизировать нулевую линию поддержки и тем самым освободить сотрудников от выполнения рутинных операций. За счет работы экспертной системы AI-ДА, которая дает специалистам подсказки и рекомендации, удалось ускорить обработку обращений на первой линии и улучшить качество принимаемых человеком решений. А интеллектуальный чат-бот Бoрис послужил в качестве дополнительного канала взаимодействия пользователей с ИИ-системой.

По словам Анатолия Безрядина, технического директора компании ОТР, за первые два месяца работы удалось оптимизировать первую линию поддержки на 30% и сократить скорость обработки заявок с нескольких минут до десятых долей секунды. В связи с этим выросла лояльность пользователей, так как теперь они могут сразу получать информацию об исполнении запроса и готовое решение проблемы.

Анатолий Безрядин уверен, что в будущем все составные элементы этой схемы будут заменены на ИИ, а роль человека сведется к более интеллектуальному труду по нетиповым, сложным заявкам и разработке новых решений.

ОТР внедряет ИИ не только у себя, но и у заказчиков. Евгений Шевяхов, заместитель руководителя департамента сопровождения компании ОТР, привел в качестве примера один из недавних проектов для российского коммерческого банка, направленный на роботизацию процесса проверки потенциальных заемщиков для предоставления автокредитов. Программный робот собирает информацию о заемщике, его работодателе и предмете залога с более чем 30 внешних сайтов, анализирует полученную информацию и готовит отчет для эксперта департамента. По словам Евгения Шевяхова, в результате возросло число обрабатываемых заявок, а время на их проверку сократилось с нескольких часов до минут. Он уверен, что у роботизации большое будущее: «По разным оценкам, робот позволяет заменить от 4 до 10 полных штатных единиц в зависимости от индустрии».

Увидеть и распознать все

Владимир Слинько, менеджер компании Intel по развитию проектов искусственного интеллекта и Интернета вещей, обратил внимание аудитории на системы машинного зрения, для которых Intel производит дополняющие друг друга элементы.

Набор элементов включает аппаратное обеспечение и ПО. Так, камера глубинного зрения Realsense строит карту глубин на самой камере, освобождая компьютер. Похожий на флэшку сопроцессор служит для исполнения нейронных сетей. Он отличается низким энергопотреблением и может работать от солнечных батарей. И наконец, маленький, но полноценный компьютер Intel NUC может использоваться в разных средах, в том числе промышленных и уличных.

В пакет продуктов для машинного зрения также входят два программных элемента. Один из них служит для декодирование видео, а второй – набор библиотек OpenVINO – предназначен для распознавания объектов с помощью порядка 40 заранее обученных моделей. Эти программные продукты выпускаются с открытым исходным кодом, поэтому разработчики систем машинного зрения могут их самостоятельно дорабатывать.

«Мы выбрали направление машинного зрения, потому что сейчас эти системы приносят все больше пользы», – сказал Владимир Слинько и привел несколько примеров внедрения в России. Так, на транспорте эти технологии применяются для проверки наличия билетов у пассажиров, на дороге – для контроля за соблюдением правил дорожного движения и оценки объема трафика, на предприятиях – для систем доступа, в банках – для обслуживания в банкомате и магазине без карты, а в рознице – для сбора статистики о покупателях и отслеживания, правильно ли товары расставлены на полках.

В аналогичном направлении действует и компания Hikvision, поставщик средств видеонаблюдения и систем безопасности. По словам Антона Голубева, директора департамента управления проектами, несколько лет назад Hikvision начала развивать направления глубокого обучения и нейронных сетей. В России компания продвигает целый ряд решений на основе таких алгоритмов. Например, IP-решение на технологии AcuSense позволяет уменьшить количество ложных тревог. Растет спрос на технологии распознавания лиц. Так, в ритейле они служат для защиты от воров, анализа посетителей по гендерному признаку для целенаправленной рекламы, контроля за наличием очередей для повышения качества обслуживания и т. д. В системах контроля доступа эти технологии позволяют заменить традиционные карточки, причем решение Hikvision не только распознает лица, но и измеряет температуру, чтобы исключить использование фотографии вместо человека.

Антон Голубев указал, что решения на базе глубокого обучения могут пригодиться для проектов «умного» города, таких как анализ перегрузки общественного транспорта, сбора подробной информации об автомобилях, оперативного получения данных о состоянии дорог и пробках и т. д.

Зачем заказчикам ИИ, Интернет вещей и машинное обучение

Исходя из своего опыта, Сергей Монин, эксперт в области решений по промышленному Интернету вещей группы компаний Softline, выделил три основные причины интереса российских заказчиков к инновационным технологиям. Прежде всего, это экономическая выгода, затем выполнение требований регуляторов, например в области охраны труда, и иногда автоматизация ради автоматизации для демонстрации успехов в цифровизации.

В качестве одного из примеров он привел проект на базе решения «Умная каска», разработанного SoftLine для контроля соблюдения правил технической безопасности и уже внедренного на одном из предприятий «Росатома».

Проблема заключалась в том, что работники зачастую не носили каски, а видеонаблюдение здесь не помогало. «Умная каска» регистрирует события, когда человек надевает или снимает каску, измеряет его температуру, определяет, не упал ли он, и позволяет его найти с помощью интеграции с системой позиционирования.

Анализируя полученные от «Умной каски» данные, система составляет прогнозы и автоматически принимает некоторые решения. По словам Сергея Монина, всего за один месяц система так хорошо обучилась с помощью нейронной сети, что позволила предсказать на следующий месяц примерно 25% событий, связанных с охраной труда. В компании полагают, что с помощью данных, собранных за полгода, можно будет прогнозировать более 90% событий.

Но это далеко не единственный проект на базе ИИ. Так, производитель высокотехнологичных сплавов, компания «ВСМПО Ависма», использует автоматизированную систему статистического контроля технологических процессов, которая выполняет прогноз выхода станков из строя, оценку потенциального брака, статистический контроль характеристик продукции и т. д.

Омский НПЗ, входящий в «Газпром нефть» использует ИИ для экспресс-контроля компонентов бензина, отгружаемого заказчику. РЖД применяет систему управления техническим состоянием электровоза на основе проведения плановых осмотров. «Мосводоканал» внедрил решение, которой дает возможность строить прогнозы потребления воды в Москве и составляет предварительный план подачи для станций водоподготовки.