Анализ рынка искусственного интеллекта в 2021 году

В августе 2021 года аналитическая платформа Statista выпустила подробный отчет о состоянии рынка ИИ в 2021 году. Это вызвано увеличением доли технологий ИИ в различных отраслях и венчурных инвестиций в стартапы.

В последние десятилетия развитие ИИ развивалось в основном в области логических, математических и лингвистических способностей ИИ к рассуждению.

Текущая экосистема ИИ стремится к созданию эмоционального интеллекта, формированию когнитивных способностей и возможности искусственного интеллекта к управлению ситуациями. В частности, глубокое обучение позволяет ИИ приобретать несколько навыков и понимать физический мир. А увеличение вычислительной мощности и объема больших данных1 Ежегодно объем данных растет со скоростью 40% и к 2025 г. составит 163 трлн гигабайт способствуют совершенствованию алгоритмов ИИ.

Главным трендов развития искусственного интеллекта остается автоматизация процессов. Использование ИИ согласно исследованию улучшает производительность по сравнению с другими технологиями практически во всех отраслях и вносит существенный вклад в ВВП стран. Например, прогнозы доли ИИ в ВВП Китая к 2030 году составляют 26,1%, Северной Америки 14,5%, ОАЭ – 13,6%. При этом, в бизнесе ИИ начинает рассматриваться с точки зрения категорий выручки и доходов. В частности, для промышленного производства ИИ может увеличить валовую добавленную стоимость почти на 4 трлн долл. США (около 372 трлн руб.) к 2035 г., для оптовой и розничной торговли рост составит 2,2 трлн долл. США (около 205 трлн руб.), для отрасли информации и связи 1 трлн долл. США (около 93 трлн руб.).

Среди компаний-лидеров в области разработок ИИ называются Google, IBM и Microsoft, следом идут Baidu, Facebook и Salesforce.

Технологические тренды в ИИ на ближайшие годы связаны с:

развитием технологий эмоционального интеллекта. Среди крупнейших разработок можно назвать создание аналога полиграфа канадской компанией Nuralogix. В основе лежат алгоритмы трансдермальной оптической визуализации и машинного обучения, позволяющие наблюдать за кровотоком в лице человека для раскрытия эмоций;

технологией последовательного обучения. Она основана на исследованиях нейробиологии животных, которые постоянно учатся, сохраняя мозговые связи, используемые для различных навыков, приобретенных в прошлом;

технологией обучения с подкреплением, которая не только обеспечивает распознавание образов, но и помогает алгоритмам ИИ находить новые и наиболее оптимальные способы завершения задачи. Таким образом, ИИ не прогнозирует событие, а совершает действие, которое завершит задачу быстрее или эффективнее;

технологией трансферного обучения, которая позволит тренировать ИИ на меньшем количестве данных. Так, например, стартап, реализуемый Uber разработал ПО XProp, которое требует меньше данных для изучения новой визуальной задачи. В ходе демонстрации программному обеспечению для распознавания рукописных цифр понадобилось всего 150 примеров для достижения точности в 98%, в то время как другим ПО для аналогичной задачи необходимо до 700 примеров;

политика Китая в отношении внедрения ИИ считается отдельным трендом, которая заключается в минимальном количестве времени от идеи до запуска продукта и поддержании высококункурентной экосистемы. В частности, стратегия крупнейшего инвестора Китая Baidu в ИИ заключается в постоянном увеличении процента от выручки на дальнейшие исследовании, так в 2015 году он составил 15%, а в 2020 году – 21% от доходов Baidu.                                                                                                                

Кроме технологических трендов исследование определяет 4 основных драйвера развития ИИ:

корпоративный венчурный капитал. Среднегодовой темп роста в 2020 году составил 47%, количество сделок увеличилось с 211 до 437.

В 2020 году наблюдалось незначительное снижение активности в отрасли ИИ, однако в Азии доля сделок выросла с 36% до 38%. По количеству инвестиций в ИИ лидирует Китай, США и Япония. Россия, согласно исследованию, по количеству инвестиций в ИИ занимает 8 место в мире;

увеличение вычислительных мощностей обусловлено экспоненциальным ростом больших данных и усложнением аналитических возможностей. Так, в 2020 году Google выпустила TPU2TPU (Tensor Processing Unit) – это матричный процессор, созданный для работы с нейросетями, может обрабатывать огромное количество умножений и сложений для нейросетей с невероятной скоростью, потребляя меньше энергии и умещаясь в меньшем физическом объёме.четвертого поколения, которые почти в три раза быстрее, чем предыдущее поколение. В конце 2021 года Intel начинает запуск продаж AI-чипа следующего поколения Keem Bay, который будет потреблять в пять раз меньше энергии по сравнению с предыдущими процессорами для распознавания образов;

создание новых платформ с открытым кодом для совместного обучения. Характеристика основных существующих платформ приведена в расширенной справке;

рост количества больших данных согласно данным IDC составляет 40% ежегодно, ожидаемое количество к 2025 году достигнет 163 трлн Ггб.

Ведущими отраслями для развития ИИ в исследовании отводится автомобильной промышленности, здравоохранению, образованию, финансовой сфере и индустрии развлечений.

Оглавление

Введение

Основные тренды

Экономика

Технологии

Драйверы развития

Развитие ИИ в стартапах

Заключение

Введение

В августе 2021 года аналитическая платформа Statista выпустила подробный отчет о состоянии рынка ИИ в 2021 году. Это вызвано увеличением доли технологий ИИ в различных отраслях и венчурных инвестиций в стартапы.

В последние десятилетия развитие ИИ развивалось в основном в области логических, математических и лингвистических способностей ИИ к рассуждению.

Текущая экосистема ИИ стремится к созданию эмоционального интеллекта, формированию когнитивных способностей и возможности искусственного интеллекта к управлению ситуациями. В частности, глубокое обучение позволяет ИИ приобретать несколько навыков и понимать физический мир. А увеличение вычислительной мощности и объема больших данных способствуют совершенствованию алгоритмов ИИ.

Основные направления включают машинное обучение, робототехнику и искусственные нейронные сети (далее – ИНС) и направлены на удовлетворение потребностей автомобилестроения, здравоохранения, образования, финансов, развлечений и других отраслей. Например, беспилотные транспортные средства, индивидуальное обучение, персонализация в сфере финансов и пр. Несмотря на то, что ИИ не обладает человеческим «здравым смыслом» в некоторых областях он начинает побеждать человека. В частности, проект DeepMind компании Google и Оксфордского университета применил глубокое обучение к набору данных программ BBC для создания системы чтения по губам и превзошел профессионального лип-ридера; в мае 2021 года компьютер с искусственным интеллектом под названием «Доктор Филл» обыграл около 1300 человек в ежегодном Американском турнире по кроссвордам, набрав наивысший балл.

На рынке появляется больше стартапов, работающих в области приложений машинного обучения и обработкой естественного языка. В этой связи в документе представлен список стран по количеству инвестиций в НИОКР в области ИИ (см. Рис.1).

Лидерами среди компаний, разрабатывающих ИИ и связанные с ним приложения в исследовании названы Google, IBM и Microsoft, следом идут Baidu, Facebook и Salesforce.

Рис.1. Топ 12 стран по количеству инвестиций в исследования ИИ и расходам на развитие в млрд долл. США.

Основные тренды

Экономика

В анализе Statista отмечается значительное влияние ИИ на все отрасли и представлены наиболее перспективные направления развития. К ним относится рынок коллаборативных роботов3 Коллаборативный робот — робот, созданный для совместной работы с человеком, спроектированный так, чтобы не подвергать опасности находящегося рядом работника. , который по прогнозам Statista вырастет более, чем в два раза к 2026 году (Рис.2); автоматизация бизнес-процессов на основе ИИ4 Robotic Process Automation (RPA) – это новая форма технологии автоматизации бизнес-процессов, основанная на понятии программных роботов или искусственного интеллекта. (Рис.3); беспилотный транспорт и обработка естественного языка. В целом влияние ИИ к 2035 году на экономический рост в различных отраслях будет колебаться от 1,6% до 4,8% (в области информации и коммуникаций.).

Рис. 2. Прогноз роста рынка коллаборативных роботов 2020-2026г.
Рис.3 Сферы автоматизации бизнес-процессов согласно проведенному опросу общественного мнения IBM

В исследовании показаны расчеты по влиянию ИИ на увеличение объемов производства. В частности, для промышленного производства ИИ может увеличить валовую добавленную стоимость почти на 4 трлн долл. США к 2035 г., для оптовой и розничной торговли рост составит 2,2 трлн долл. США, для отрасли информации и связи 1 трлн долл. США. Кроме этого, использование ИИ улучшает производительность по сравнению с другими технологиями практически во всех отраслях и вносит существенный вклад в ВВП стран. Например, прогнозы доли ИИ в ВВП Китая к 2030 году составляют 26,1%, Северной Америки 14,5%, ОАЭ – 13,6%. Также, согласно прогнозам исследования доходы от мирового рынка обработки естественного языка увеличатся к 2026 году на 20,3% (Рис. 4.).

Рис. 4. Доходы от мирового рынка обработки естественного языка

Технологии

Кроме тенденций, связанных с влиянием ИИ на мировую экономику, в исследовании Statista представлены основные технологические тренды на ближайшие 5-10 лет.

Последнее десятилетие развитие ИИ было сосредоточено на продвижении лингвистических, математических и логических способностей к рассуждению. ИИ способен к вычислениям и обработке больших объемов данных для выявления закономерностей. Сегодня перспективной областью считается способность распознавать и отображать человеческие эмоции.

Эмоциональный интеллект (Emotional intelligence, далее – EI), как пошаговый последовательный процесс ИИ может быть запрограммирован на проявление разных эмоций и достижение разных уровней сознания. EI улучшает способность системы ИИ в понимании вводимых данных и позволяет адаптироваться и импровизировать для предоставления человеческих ответов в режиме реального времени. Согласно данным исследования Statista существует прямая корреляция между EQ (коэффициентом эмоциональности)5 Концепция EQ представлена Р. Бар-Оном в 1985 году для обозначения эмоциональной и социальной компетентности. и эмоциональным интеллектом. Высокий EQ соответствует низкому EI, что соответствует контролю над импульсами и подавлению сильных эмоций для рациональных действий и минимизации эмоционального вмешательства. Так, например, канадская компания Nuralogix разработала на основе EI более точную технологию, чем полиграф. В основе лежат алгоритмы трансдермальной оптической визуализации и машинного обучения, позволяющие наблюдать за кровотоком в лице человека для раскрытия эмоций. Так как кровоток в лицевой части не подлежит физическому контролю, правоохранительные органы смогут использовать новую технологию для выявления лжи. В то же время американская компания BRAIQ сосредоточена на изучении взаимодействия автономного автомобиля с пассажирами и отслеживании их эмоций. Английская компания CrowdEmotions разработала технологию, которая учитывает движение 43 лицевых мускулов для выявления эмоций. В настоящее время используется BBC.

Последовательное обучение представляет еще одно перспективное направление развития технологий ИИ. Сегодня ИИ анализирует прошлый опыт и использует его для поиска наилучшего решения проблемы. Однако он не имеет возможности создавать несколько навыков одновременно. То есть, нейронные сети могут достичь совершенства в отдельной задачи, например, в игре в шахматы, но уже не могут обучиться другой игре не перезаписав свои навыки для игры в шахматы. Этот недостаток называется «катастрофическим забыванием»6 Катастрофическое забывание ‑ это тенденция искусственной нейронной сети полностью и внезапно забывать ранее изученную информацию при изучении новой информации. .

Однако в марте 2017 года компания Google DeepMind разработала технику искусственного интеллекта, называемую последовательным обучением, которая помогла компьютерам сохранить нейронные связи, которые были наиболее важны для изучения конкретной задачи, прежде чем перейти к чему-то другому. Этот метод основан на исследованиях нейробиологии животных, которые постоянно учатся, сохраняя мозговые связи, используемые для различных навыков, приобретенных в прошлом.

В ходе испытаний с последовательным обучением ИИ смог рассматривать каждую новую настройку как отдельную задачу, но результативность была хуже, чем у ИИ созданного под конкретную задачу. Новый ИИ не понимал важность определенных связей. В настоящее время исследованиями в области последовательного обучения занимаются такие компании, как NNaisense, SwiftKey, Microsoft Research и Facebook AI.

Еще одним технологическим трендом в развитии ИИ является обучение с подкреплением. Такое обучение позволяет алгоритмам выйти за пределы распознавания образов. Алгоритмы ИИ в основном основываются на способности распознавать закономерности в больших наборах данных для создания прогнозов. Однако ученые ИИ работают над новой технологией, называемой обучением с подкреплением, которая не только обеспечивает распознавание образов, но и помогает алгоритмам ИИ находить новые и наиболее оптимальные способы завершения задачи. Таким образом, ИИ не прогнозирует событие, а совершает действие, которое завершит задачу быстрее или эффективнее. Этот способ разрабатывается программой ApphaGo Deepmind (Google) на примере игры в «го». Алгоритм учился не на прошлых примерах чемпионов, а играл против себя. В настоящее время эта технология ограничивается отраслями образования, видеоигр и робототехники. Также ее начали использовать Netflix и Spotify.

Еще одним трендом является дальнейшее совершенствование глубокого обучения ИИ. В настоящее время глубокое обучение используется в различных отраслях для таких задач, как обнаружение аномалий генов, прогнозирование погодных условий и выявление ложных страховых случаев. В том числе для обеспечения кибербезопасности. В этой области работают компании Deep Instinct и Alotros, которые используют глубокое обучение не только для выявления новых, но и для ранее не обнаруженных угроз. Они собирают данные и запускают тестирование для классификации файлов как вредоносных. На основе этого ИИ делает прогнозы. Deep Instinct показывает наиболее точный прогноз в 99,8%.

Следующий тренд связан с направлением трансферного обучения ИИ7 Трансферное обучение – это подраздел машинного обучения, целью которого является применение знаний, полученные из одной задачи, к другой целевой задаче. . Это позволит тренировать ИИ на меньшем количестве данных, позволит снизить затраты и время. Так, например, стартап, реализуемый Uber разработал ПО XProp, которое требует меньше данных для изучения новой визуальной задачи. В ходе демонстрации программному обеспечению для распознавания рукописных цифр понадобилось всего 150 примеров для достижения точности в 98%, в то время как другим ПО для аналогичной задачи необходимо до 700 примеров.

Примечательно, что в анализе отдельным трендом выделена политика Китая в отношении внедрения ИИ, которая заключается в минимальном количестве времени от идеи до запуска продукта и поддержании высококункурентной экосистемы. В частности, стратегия крупнейшего инвестора Китая Baidu в ИИ заключается в постоянном увеличении процента от выручки на дальнейшие исследовании, так в 2015 году он составил 15%, а в 2020 году – 21% от доходов Baidu. Кроме этого, компания является лидером по количеству продаваемых патентов в области ИИ, число которых в 2020году составило 9 тысяч и привлекает к работе ведущих специалистов в области ИИ в мире.

Текущие проекты Baidu в области ИИ включают:

лабораторию глубокого обучения, которая создана при поддержке правительства с целью объединения лидеров отрасли и академических кругов для продвижения НИОКР в области визуального восприятия, распознавания речи, распознавания биометрических данных и взаимодействия человека с машиной;

исследовательский центр в Вашингтоне;

разработки домашнего робота;

разработки в области массового выпуска автономных автомобилей на базе ИИ. Запуск автомобилей планируется на конец 2021 года.

Кроме Baidu в число крупнейших инвесторов в ИИ входит компания Tencent со своим лозунгом «Создавайте ИИ повсюду». В частности, в мае 2020 года компания объявила об инвестиционном плане в размере около 70 млрд долл. США (около 6,5 трлн руб.) на следующие пять лет в облачные вычисления и искусственный интеллект. Среди основных инвестиций компании выделяют компьютерное зрение Qting Vision, интеллектуальные транспортные средства Sinoits Tech и производство полупроводниковых чипов для ИИ Enflame Technology. В настоящее время усилия компании в области ИИ в основном сосредоточены на трех областях: ИИ в здравоохранении, робототехника и автономные автомобили.

В то же время наблюдается серьезный рост аппаратных средств для рынка ИИ. В среднесрочной и долгосрочной перспективе доходы от оборудования будут расти более быстрыми темпами (Рис.5). Для удовлетворения потребностей ИИ компании Nvidia, Intel, Qualcomm, AMD нацелены на разработку микросхем и графических процессоров, которые должны стать катализатором прогресса ИИ. Это связано с их возможностью одновременно обрабатывать несколько задач. Проблема графических процессоров заключается в возможностях пропускной способности памяти и данных. Компании Google, Graphcore, Intel и Scortex занимаются разработкой микросхем с большой памятью.

Рис.5. Ожидаемый рост доходов от аппаратного оборудования для ИИ

Драйверы развития

Среди ключевых драйверов развития отрасли ИИ выделяют 4 основных.

Корпоративный венчурный капитал как один из основных факторов влияния на рост ИИ. В 2019 году объем финансирования сектора ИИ составил 11,5 млрд долл. США (около 1 трлн руб.). А среднегодовой темп роста в 2020 году составил 47%, количество сделок увеличилось с 211 до 437.

В 2020 году наблюдалось незначительное снижение активности в отрасли ИИ, однако в Азии доля сделок выросла с 36% до 38%. Наибольшее снижении финансовой активности в отрасли отмечено в Северной Америке.

Крупнейшей сделкой в отрасли с участием корпоративного венчурного капитала стало инвестирование 319 млн долл. США (около 30 млрд руб.) в американо-китайскую фармацевтическую компанию XtalPi.

Самые активные инвесторы в 2020 году в области ИИ:

компания Alphabet и ее приобретении технологии DeepMind за 600 млн долл. США (около 56 млрд.руб.), компания инвестирует в медицинские технологии, компьютерное зрение аналитику данных и обработку естественного языка;

Apple приобрела ряд технологий, в частности, Novarius по обработке естественного языка, Perception по распознаванию изображений, Emotient по распознаванию выражения лица, RealFace по распознаванию лиц и др.;

Facebook также сделал ряд важных приобретений, в том числе. Технологии по переводу устной речи Jibbigo и компьютерному зрению Zurich Eye. Среди других купных игроков называют Intel, Microsoft, SoftBank.

Увеличение вычислительных мощностей – еще один драйвер развития ИИ. Следующий драйвер развития ИИ – это быстрое увеличение вычислительных мощностей.

Экспоненциальный рост больших данных и усложнение аналитических возможностей обуславливают прогресс в сфере вычислительных мощностей. В частности, по словам соучредителя стартапа Vicarious8 Vicarious ‑ стартап по созданию умной автоматизации, в него инвестировали Илом Маск, Марк Цукерберг, Билл Гейтс и др. около 80% последних достижений в области ИИ обусловлены достижениями в области вычислительной мощности. Например, в 2020 году Google выпустила TPU четвертого поколения, которые почти в три раза быстрее, чем предыдущее поколение. Эти микросхемы предлагают более чем в два раза больше терафлопов матричного умножения, чем микросхемы третьего поколения.

В конце 2021 года Intel начинает запуск продаж AI-чипа следующего поколения Keem Bay. Согласно данным Intel в Keem Bay удалось снизить энергопотребление в пять раз по сравнению с предыдущими процессорами для распознавания образов.

В 2020 года компания выпустила процессор POWER10 с мощностью в три раза большей, чем у системы предыдущего поколения для повышения производительности фреймворков искусственного интеллекта, таких как Chainer, TensorFlow и Caffe.

В 2020 году Microsoft объявила о создании суперкомпьютера. Система будет содержать более 285 тыс. процессорных ядер (CPU core), 10 тыс графических процессоров (GPU) и имеет скорость подключения 400 Ггб/с для каждого сервера.

Продвижение платформ с открытым кодом делают возможным совместное обучение. Начало положено в 2015 году компанией Google, которая сделал фреймворк TensorFlow с открытым исходным кодом для обучения ИИ моделей с использованием потоковых графов9 Потоковый граф – вид графа, который формализует разнотипные данные. . Далее последовала платформа DeepMind Lab, которая создана для экспериментов с универсальными системами ИИ, которые могут решать любые сложные задачи без предварительного обучения как именно решать эту задачу. Библиотека Theano может обеспечить модели ИИ высокой точности вычислительных операций с большими массивами данных. Theano поддерживает платформы Linux, Mac OS X и Windows, позволяет определять и оценивать многомерные массивы. Caffee – это фреймворк, который способен обработать более 60 миллионов изображений за один день, используя всего одну NVIDIA K4010 NVIDIAK40 ‑ самый мощный в мире ускоритель из когда-либо созданных, который обеспечивает экстремальную производительность в широком спектре научных, инженерных, корпоративных и HPC-приложений. . TensorFlow ‑ это библиотека программного обеспечения с открытым исходным кодом, предназначена для глубокого обучения и позволяет пользователям создавать нейронные сети и модели вычислений с использованием потоковых графов. Доступна на C ++ и Python. Torch ‑ вычислительная среда с открытым исходным кодом для алгоритмов машинного обучения, которая предлагает графический процессор для числовой оптимизации и линейной алгебры. Поддерживает основные платформы Linux, Android, Mac OS X, iOS и Windows. Microsoft CNTK Microsoft Cognitive Toolkit (CNTK) —это стандартизированный инструментарий для проектирования и развития сетей разнообразных видов, применяет искусственный интеллект для работы с большими объёмами данных путем глубокого обучения, использует внутреннюю память для обработки последовательностей произвольной длины. фреймворк работает быстрее, чем TensorFlow и поддерживает распределенное обучение с помощью встроенных средств чтения данных, поддерживает Windows и Linux. Deeplearning4j ‑ библиотека глубокого обучения с открытым исходным кодом для Java (JVM). Azure ML Studio используется для разработки более крупных моделей машинного обучения в облаке благодаря широкому набору вариантов и алгоритмов моделирования. Его можно использовать с программами R и Python. MLlib ‑ инструмент машинного обучения, который включает в себя различные алгоритмы машинного обучения для классификации, регрессии, деревьев решений, рекомендаций, кластеризации, тематического моделирования и пр.

Рост количества больших данных согласно данным IDC составляет 40% ежегодно, ожидаемое количество к 2025 году достигнет 163 трлн Ггб. Такой рост обусловлен распространением умных устройств и интернета вещей и социальных сетей, которые необходимы для роста приложений ИИ в различных отраслях. Системы искусственного интеллекта становятся «умнее» прямо пропорционально объему потребляемых данных.

Развитие ИИ в стартапах

Решения AI все чаще настраиваются для удовлетворения потребностей в автомобильной промышленности, здравоохранении, образовании, финансах и индустрии развлечений.

В автомобильном секторе ИИ в основном используется для управления автономными автомобилями. С помощью этих систем ожидается, что в среднесрочной и долгосрочной перспективе он станет стандартом для новых автомобилей. Лидерами в данной области являются Google и Tesla. В здравоохранении передовое направление принадлежит приложениям в области диагностики, индивидуального лечения и роботизированного ухода за пациентами.

Ожидается, что годовые продажи беспилотных автомобилей достигнут

примерно 33 миллиона единиц к 2040 году и почти 76 миллионов автомобилей с частичным уровнем автономии будет продано к 2035 году.

В исследовании предложено условное деление на пять уровней автономности, при котором 1 уровень – низкая автоматизация, включает например, рулевое управление или ускорение /замедление. Уровень 2 подразумевает частичную автоматизацию, при которой водитель должен сохранять контроль, но отстраняться от некоторых задач. Третий уровень подразумевает условную автоматизацию, при которой водитель должен взять вождение на себя в случае необходимости. Четвертый уровень включает высокую автоматизацию, при которой автомобили могут выполнять все функции для обеспечения безопасности в критических ситуациях. Требуют минимального вмешательства человека. Пятый уровень – это полная автоматизация автомобилей, при которой отсутствует необходимость присутствия человека-водителя. Среди лидеров беспилотных автомобилей, которые достигли 4 уровня можно назвать Audi, Baidu, Porsche, Jaguar, Toyota, Volkswagen и др.

В здравоохранении ИИ способствует переходу от назначения лечения, анализов и содержания в больницах к превентивному лечению. Примерами этого перехода являются такие стартапы, как KenSci (США) для отслеживания начала и развития болезни и прогнозирования хронических и критических заболеваний в группе пациентов; Pathway Genomics ‑ лаборатория генетического тестирования, которая разрабатывает приложение на базе искусственного интеллекта для индивидуальных профилактических советов по здоровью, основанных на генетическом анализе данных пациента; IBM и Under Armour разрабатывают систему по обработке данных 200 млн человек с целью индивидуальных рекомендаций по питанию, фитнесу и сну.

Кроме этого, ИИ создает новые рынки в сфере здравоохранения. Например, норвежская компания Your MD разработала мобильное приложение на базе искусственного интеллекта, которое позволяет сопоставить симптомы пациента с общедоступными данными из различных источников, и предлагает персональные советы относительно болезней конкретного человека. Это привело к созданию нового рынка здравоохранения под названием «допервичная помощь», на котором пациент в конечном итоге делает больше для себя и способствует поведенческим изменениям.

В сфере образования активно используются Интеллектуальные системы обучения (ITS), которые собирают подробные данные об уровне учащихся и используют их для оценки уровня прогресса и предложений обратной связи для повышения продуктивности, включая повышение саморегуляции и самоконтроля. В настоящее время ИТС широко используются в школах и колледжах США.

Среди программ ИТС можно выделить следующие:

Cognitive Tutor ‑ программное обеспечение, разработанное Carnegie Learning, используется в средних школах США для изучения математики с 9 по 12 класс. Оно включает два основных аналитических компонента: Skillometer и отчеты учителя. Skillometer использует данные, полученные от ученика при взаимодействие с программным обеспечением для визуального обозначения текущего и будущего уровней владения языком по конкретному предмету.

Учителям также предоставляется подробная информация об успеваемости каждого ученика.

Программное обеспечение SHERLOCK используется для обучения технических специалистов ВВС США по диагностированию проблем с электросистемой самолетов.

Институт информационных наук Университета Южной Калифорнии создал учебные модули на основе аватаров для обучения военнослужащих, отправляемых на международные посты, по нормам поведения при общении с людьми из разных стран, информировании о культурных традициях и пр. Другие ИТС используются в таких дисциплинах, как география, медицинская диагностика, компьютерная грамотность и программирование, генетика и химия. В этом же Университете разрабатывается программа SimSensei, которая представляет собой попытку создания социально-интеллектуального виртуального человека. Эта автономная система может интерпретировать настроение человека по направлению взгляда, наклонам головы, или если кто-то хмурится. Она записывает и анализирует поведение для формирования личных отношений с людьми.

Среди ключевых разработок в финансовой сфере с помощью ИИ можно выделить Bridgewater Associates ‑ крупнейший в мире хедж-фонд создал систему искусственного интеллекта для автоматизации функционирования компании и устранения человеческой эмоциональной неустойчивости. Система получила название «Книга будущего».

Aladdin (BlackRock) основан на технологии с открытым исходным кодом и использует NLP для анализа больших объемов данных из таких документов, как новости и отчеты брокеров. Например, анализирует данные о торговой активности, чтобы выявить сложные закономерности и предсказать, какие транзакции с наибольшей вероятностью потерпят неудачу. Он также может собирать спутниковые изображения, чтобы увидеть, насколько заполнена стоянка розничного продавца, а затем соотносить эти данные с выручкой компании и курсом акций.

Kensho (Goldman Sachs) использует машинное обучение для поиска корреляции между движением цен на акции и валюты. Механизм отвечает на такие вопросы, как «Как оборонные компании реагируют на террористические инциденты в Европе?» или «Как популистские голоса влияют на местные валюты?».

Sqreem (Wells Fargo, BlackRock, UBS и Deutsche Bank) использует глубокое обучение для анализа данных о цифровой активности людей, чтобы предсказать, какие продукты и услуги они захотят приобрести. Он также защищает компании от финансовых преступлений с помощью алгоритмов, которые могут обнаруживать аномалии, связанные с незаконным поведением.

В отрасли развлечений ИИ анализирует предыдущую активность и поведение зрителя при просмотре, историю подписок, взаимодействие с контентом, типы устройств пользователей и время суток при использовании для создания персонализированных домашних страниц. Кроме этого, ИИ используется для создания непрерывного просмотра даже при медленном интернете. Система Dynamic Optimizer просматривает каждый кадр видео и сжимает его без ущерба для качества изображения. Предыдущая технология сжимала весь поток, что вызывало нечеткое или пиксельное изображение.

В игровой сфере использование ИИ ограничивалось персонажами, которые следовали заранее определенному сценарию. Однако сейчас разработчики пытаются создать на базе искусственного интеллекта персонажи, которые действительно думают, учатся и имеют потенциал развивать свои собственные личности.

Большинство стартапов связаны с приложениями машинного обучения и обработкой естественного языка. К 2020 году было зарегистрировано более 2600 стартапов в области ИИ в 13 категориях. В течение 2014-2020 годов они в совокупности привлекли около 110 миллиардов долларов США.

Ежегодное глобальное финансирование стартапов в области ИИ увеличилось в среднем на 34% с 4,3 млрд долларов США (около 400 млрд руб.) в 2014 году до 25 млрд долларов США (около 2,3 трлн руб.) в 2020 году.

Заключение

Искусственный интеллект сегодня играет огромную роль в укреплении и преобразовании отраслей по всему миру. В 2021 бизнес-результаты инициатив ИИ оцениваются с точки зрения традиционных показателей, таких как выручка, отток, лояльность клиентов и т. д.

Наиболее перспективными направлениями остаются трансферное обучение, беспилотные транспортные средства, обработка естественного языка, создание эмоционального интеллекта.

Для обеспечения развития ИИ необходимо разрабатывать аппаратные средства и оборудование для ИИ. 

Драйверами развития ИИ выделяют корпоративный венчурный капитал и инвестиции в стартапы, увеличение вычислительных мощностей, увеличение платформ с открытым кодом и наличие больших данных. Отдельным драйвером развития ИИ рассматривается Китай, как с точки зрения инвестиций, так и внедрения технологий ИИ.

  • 1
    Ежегодно объем данных растет со скоростью 40% и к 2025 г. составит 163 трлн гигабайт
  • 2
    TPU (Tensor Processing Unit) – это матричный процессор, созданный для работы с нейросетями, может обрабатывать огромное количество умножений и сложений для нейросетей с невероятной скоростью, потребляя меньше энергии и умещаясь в меньшем физическом объёме.
  • 3
    Коллаборативный робот — робот, созданный для совместной работы с человеком, спроектированный так, чтобы не подвергать опасности находящегося рядом работника.
  • 4
    Robotic Process Automation (RPA) – это новая форма технологии автоматизации бизнес-процессов, основанная на понятии программных роботов или искусственного интеллекта.
  • 5
    Концепция EQ представлена Р. Бар-Оном в 1985 году для обозначения эмоциональной и социальной компетентности.
  • 6
    Катастрофическое забывание ‑ это тенденция искусственной нейронной сети полностью и внезапно забывать ранее изученную информацию при изучении новой информации.
  • 7
    Трансферное обучение – это подраздел машинного обучения, целью которого является применение знаний, полученные из одной задачи, к другой целевой задаче.
  • 8
    Vicarious ‑ стартап по созданию умной автоматизации, в него инвестировали Илом Маск, Марк Цукерберг, Билл Гейтс и др.
  • 9
    Потоковый граф – вид графа, который формализует разнотипные данные.
  • 10
    NVIDIAK40 ‑ самый мощный в мире ускоритель из когда-либо созданных, который обеспечивает экстремальную производительность в широком спектре научных, инженерных, корпоративных и HPC-приложений.
Поделиться