В новом выпуске подкаста Eye on AI Стивен Д'Анджело, президент компании Enterra Solutions, обсуждает возвращение к истокам искусственного интеллекта — символическому ИИ и логическому выводу. В эпоху доминирования «черных ящиков» глубокого обучения его компания предлагает прозрачный «стеклянный ящик» для управления сложнейшими динамическими системами глобальных корпораций.
🧠 Символический ИИ против глубокого обучения 1:00
Стивен Д'Анджело описывает подход Enterra Solutions как «автономную науку о принятии решений» (Autonomous Decision Science). В отличие от популярных сегодня нейросетей, работа которых часто остается непрозрачной, платформа Enterra базируется на трех фундаментальных столпах :
- Семантические рассуждения и символическая логика. Использование баз знаний и механизмов логического вывода для имитации человеческого мышления.
- Вычислительный интеллект. Собственный движок машинного обучения «стеклянный ящик» (Glass Box), основанный на представлении моделей высокой размерности.
- Нелинейная оптимизация. Инструменты для автоматического исполнения решений и обучения на результатах.
Д'Анджело подчеркивает, что цель компании — преодолеть разрыв между способностью машины рассуждать и её способностью обрабатывать огромные массивы данных .
База знаний: здравый смысл как фундамент 3:22
Основой системы является репозиторий «здравого смысла», содержащий около 25 миллионов аксиом, правил и утверждений . По словам спикера:
- Система понимает контекст: например, что «красный» может означать цвет, ярость или опасность на бирже .
- Поверх общей базы строятся отраслевые онтологии (потребительские товары, медико-биологические науки) и функциональные блоки (маркетинг, цепочки поставок) .
- Для вывода используются методы прямой и обратной логической цепочки. Д'Анджело сравнивает это с Шерлоком Холмсом: «Если я съел торт, значит, ранее существовали предикаты: я его купил, испек или получил в подарок» .
🧪 «Стеклянный ящик» и математика высокой размерности 7:33
Критическим отличием Enterra от стандартных ML-провайдеров является использование проприетарного движка HDMR (High Dimensional Model Representation).
Пример из фармацевтики: Одна крупная компания обратилась к Enterra для стабилизации формулы нового препарата. Датасет содержал 2700 переменных .
- Математический движок выявил «семимерное многообразие» — комбинацию всего 7 переменных, которые объясняли 84% вариативности данных .
- Добавление еще нескольких взаимодействий довело точность описания системы до 93% .
- В результате клиенту не нужно было следить за всеми 2700 параметрами — достаточно было контролировать 7 «ручек настройки» для обеспечения стабильности лекарства при хранении .
Д'Анджело утверждает, что типичные алгоритмы глубокого обучения находят паттерны, но не выдают явную математическую функцию. Технология Enterra устойчива к мультиколлинеарности и «спутанным» переменным, обеспечивая полную прозрачность принятия решений .
🍔 Кейс McCormick: цифровой отпечаток вкуса 12:10
Одним из наиболее ярких примеров применения платформы является проект FlavorPrint для компании McCormick.
- Задача: Создать многомерное представление вкусового опыта.
- Решение: Enterra оцифровала знания ученых-диетологов, создав уникальный «отпечаток» для каждого ингредиента и рецепта.
- Масштаб: Учитывается около 3000 измерений вкуса, аромата и текстуры, которые накладываются на образ жизни потребителя (веганство, отношение к ГМО и т.д.) .
- Результат: Персонализированные рекомендации продуктов, которые максимально точно попадают в предпочтения конкретного домохозяйства .
🏢 Концепция «Автономной компании» 17:45
Д'Анджело продвигает идею «самоуправляемой компании» (Self-driving company). По его мнению, стандартные ERP-системы вроде SAP были спроектированы для точного учета транзакций, чтобы «не совершать ошибок», но они не умеют динамически думать .
Enterra предлагает «систему инсайтов», которая:
- Поглощает данные из озер данных (Data Lakes).
- Анализирует их со скоростью рынка.
- Генерирует инструкции для систем исполнения.
- Автоматически корректирует уровни запасов или маркетинговые стимулы .
Во время пандемии COVID-19 эта система помогла глобальным клиентам управлять ажиотажным спросом (pantry loading). Анализируя региональные данные в реальном времени, ИИ рекомендовал, где усилить, а где притормозить торговые акции, чтобы сбалансировать нагрузку на цепочки поставок .
⚔️ Конкуренция и будущее технологий 22:54
Стивен Д'Анджело прямо называет своих главных конкурентов в области продвинутой аналитики:
- Palantir
- C3 AI
Однако он уточняет, что большинство конкурентов решают узкие задачи (только цепочки поставок или только ценообразование), в то время как Enterra стремится к «сквозной оптимизации» всей цепочки создания стоимости .
На вопрос о глубоком обучении Д'Анджело отвечает прагматично: компания не собирается конкурировать с Google, вкладывая миллиарды в нейросети. Вместо этого Enterra планирует интегрировать специализированные инструменты глубокого обучения как «топливо» для своих онтологий .
По мнению гостя, будущее за гибридными системами: «fusion» глубокого обучения и семантических рассуждений позволит ИИ действовать с тонкостью и рассудительностью человеческого эксперта .
