Начало пути к глубокому искусственному интеллекту - реальный опыт. Обзор секции на конференции «Умные решения – умная страна»

Уже практически во всех отраслях есть проекты, связанные с искусственным интеллектом, отметила Ольга Андрианова, менеджер по AI-проектам корпорации Intel. Это такие вертикали, как финансы, телеком, ритейл, здравоохранение, образование, сельское хозяйство и другие. Под искусственным интеллектом (Artificial Intelligence, AI) Intel понимает различные алгоритмы. Что касается классических алгоритмов (основа Machine Learning), то они в основном используются в серверном сегменте, а нейронные алгоритмы (Deep Learning) чаще встречаются в конечных устройствах.

Далее Ольга Андрианова остановилась на пути формирования клиентского опыта (понятие AI-Journey, согласно Intel). Реализуя AI-проекты, заказчики переживают четыре основных этапа. Первый этап – открытие, когда компания изучает возможности искусственного интеллекта и оценивает свои шаги на пути внедрения соответствующих решений. Второй этап – работа с данными (настройка, загрузка, очистка и т.д.). Третий этап – пилотирование, с целью проверки архитектуры и гипотез использования аналитических моделей. Четвертый этап – развертывание, ввод готовых решений в эксплуатацию. Основа цепочки данных AI – это конечные устройства (компьютеры, смартфоны, устройства умного дома, дроны и т.д.). Затем данные аккумулируются на Edge-устройствах, которые представляют из себя небольшие дата-центры, локальную ИТ-инфраструктуру и отдельные организации. Далее все эти данные аккумулируются в ЦОДах крупных облачных провайдеров.

Особый интерес аудитории вызвал разбор конкретных примеров использования технологий искусственного интеллекта. Один из кейсов – систему прогнозирования качества процесса переработки нефти при помощи машинного обучения - представила Ольга Миндлина, Data Scientist компании Artezio. Для формирования предиктивной модели заказчиком были предоставлены данные производства за 10 месяцев. С целью «тренировки» модели использовались данные за первые 6,5 месяцев, а данные за последующие 3,5 месяца служили для тестирования модели. С точки зрения циклов, данные первых 500 циклов использованы для тренировки модели, а данные с оставшихся 100 циклов использованы для тестирования модели. В ходе решения задачи команда Artezio пришла к выводу, что качество модели улучшает учет целевого параметра как части временного ряда.

Виталий Тукмаков, ведущий консультант компании HPE в России, рассказал об оптимизации процессов машинного обучения с помощью программной платформы HPE Ezmeral ML OPS. Понимая всю боль владельцев бизнеса и разработчиков, компания HPE выступила с идеей создания единой платформы для всего жизненного цикла решений Machine Learning и Deep Learning - от разработки моделей, обучения, развертывания прикладных решений до мониторинга и непрерывной оптимизации.

Функционал программной платформы HPE Ezmeral ML OPS позволяет устранить существующие сложности при разработке и, самое главное, при внедрении решений в промышленную эксплуатацию, а также предоставляет заказчикам возможности реализации новых перспективных идей, которые ранее казались неосуществимыми. При этом развертывание прикладных решений проходит контролируемо и единообразно во всех средах заказчика - ЦОД, удалённые офисы, технологические площадки, и заказчику не надо ломать голову над поиском, конфигурацией и интеграцией ресурсов.

Платформа предоставляет весь необходимый инструментарий для совместной работы аналитических команд, разработчиков ИИ и МО, включая репозитории моделей и кодов. Таким образом, происходит формирование общего командного поля для взаимодействия различных ролей внутри существующих команд, а также появляются возможности для более эффективного формирования и старта новых команд, новых проектов с использованием уже наработанных материалов.

Виталий Тукмаков перечислил ключевые выгоды при внедрении подобной платформы: сокращение времени реализации прикладных решений, повышение производительности работы команд разработчиков и аналитиков, обеспечение эффективности, гибкости и эластичности ресурсов предприятия, сокращение рисков потери функциональности и работоспособности решений в промышленной эксплуатации. В заключение представитель HPE рассказал об опыте обучения систем автономного вождения в автомобилях Mercedes-Benz.

Однако выявление пациентов высокого риска работает плохо, врачи перегружены, а у существующих методов низкая точность оценки. Нужен сервис, который автоматически, точно и с учетом персональных особенностей оценит риск заболеваемости пациента. Нужна прогнозная аналитика на основе ИИ как для врачей (увидеть прогноз состояния здоровья и предпринять точечные меры), так и для руководителей в сфере здравоохранения (возможность выделить проблемные места и действовать на опережение). Чтобы добиться роста доверия к моделям прогнозирования, необходимо на местах адаптировать эти модели в реальной практике.

Платформа Webiomed для поддержки принятия врачебных решений позволяет автоматически анализировать обезличенную электронную медицинскую карту, выявлять подозрения на пропущенные врачом заболевания, выявлять факторы риска, прогнозировать возможные негативные события в здоровье пациента, комплексно оценивать риски пациента, давать персональные клинические рекомендации для врача и пациента. Уже есть впечатляющие результаты использования платформы. Так, через полгода после внедрения Webiomed в Кировской области более чем вдвое выросло выявление факторов риска у пациентов.

Сергей Сорокин, основатель и генеральный директор проекта Botkin AI, рассказал об опыте создания и использования платформы искусственного интеллекта для анализа медицинских изображений. Основными проблемами развития технологий ИИ для анализа таких изображений эксперт назвал нестабильные результаты анализа изображений в разных клиниках, на разном оборудовании, при разных условиях получения исследований, сложности с обеспечением бесшовной интеграции с имеющимся ПО и техническими средствами, а также сложности со встраиванием технологий искусственного интеллекта в имеющиеся процессы в клиниках.

По мнению Сергея Сорокина, технологии ИИ позволяют существенно повысить чувствительность оборудования, но при этом снижают специфичность, очень важно использовать AI-решения в тандеме с самим врачом. Экосистема Botkin.Ai используется для повышения эффективности работы рентгенологов и для стопроцентного контроля качества описания диагностических изображений (это особенно важно, ведь в более чем 70% случаев рентгенологи пропускают рак легкого на КТ-исследованиях, согласно данным I-ELCAP).

Увеличить количество выявляемых онкологических заболеваний на больших выборках позволяет ретроспективный анализ с использованием искусственного интеллекта, отметил Сергей Сорокин. Еще одной перспективной сферой применения медицинских приложений на основе искусственного интеллекта специалист назвал телерадиологию, то есть удаленную диагностику на основе переданных изображений.

Об использовании технологий компьютерного зрения в системе здравоохранения города Москвы сообщил Илья Просвиркин, ИТ-директор компании «ФтизисБиоМед». Основная задача продукта - улучшить качество анализа флюорограмм, уменьшить время анализа и сократить влияние человеческого фактора. Создатели продукта стремятся к тому, чтобы первое чтение исследования делал искусственный интеллект.

В 2020 г. участники команды «ФтизисБиоМед» приняли участие в эксперименте по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы. Суть эксперимента – использование существующей радиологической системы столичного здравоохранения во взаимодействии со сторонней системой искусственного интеллекта. Для этого был разработан интерфейс. В 2021 г. эксперимент продолжается, расширен перечень модальностей.

Заключительное выступление было посвящено применению голосовых помощников в финансовой сфере. Михаил Овсянников, начальник отдела настройки и сопровождения автоматизированных агентов компании «АктивБизнесКонсалт», рассказал о создании робота-коллектора для Сбербанка. Запущенный в продуктивное использование в конце 2017 г., сегодня этот робот совершает 85% коммуникаций по 22 направлениям Сбербанка, охватывая более 400 тыс. должников ежедневно. Точность фиксации результата составляет 98%.

С внедрением роботизированного обзвона затраты банка на взыскание каждого рубля для банка снизились на 17%. Услугами робота пользуются уже более 50 других компаний.

В рамках круглого стола участники секции поделились взглядами на текущее состояние искусственного интеллекта и представили свои взгляды на перспективы использования этих технологий. Спикеры сошлись во мнении, что ИИ развивается бурными темпами и уже давно перешел от «хайпового» статуса в плоскость реальных внедрений с ощутимыми результатами. Искусственный интеллект массово позволяет автоматизировать рутинные операции и постепенно решает все более сложные задачи.

При этом технологии ИИ вовсе не призваны заменить человека, а позволяют человеку выполнять работу быстрее и качественнее, заявил Андрей Саликов. По его словам, мы все пока находимся лишь в начале пути к глубокому искусственному интеллекту. Задача любой технологии – во-первых, упрощать и ускорять то, что он делает сейчас, а во-вторых, позволяет открывать новые идеи, добавил Виталий Тукмаков.

По словам Ольги Андриановой, в последнее время изменился подход к данным: благодаря развитию средств машинного обучения наибольшую ценность представляют не сами данные, а модели, которые «тренируют» на основе данных.

Сергей Сорокин отмечает, что за последнее время снизились ожидания рынка от искусственного интеллекта, все понимают, что это пока далеко не «серебряная пуля». В свою очередь, Ольга Миндлина коснулась этической стороны использования ИИ. Она считает, что эти технологии могут приводить к деградации человека: когда за него многое решают, это препятствует взрослению личности. Продолжая этическую тему, Михаил Овсянников, высказал опасение, что голосовых роботов могут запретить или как-то ограничить их использование.