Технологический прогресс в сфере искусственного интеллекта (ИИ) долгое время оставался прерогативой крупнейших ИТ-корпораций из-за колоссальной стоимости разработки и нехватки редких специалистов. Известный эксперт в области ИИ Эндрю Ын в своем выступлении на конференции TED предлагает кардинально изменить эту парадигму. По его мнению, переход от написания сложного кода к доступным платформам разметки данных позволит миллионам малых предприятий создавать собственные кастомные ИИ-решения, что приведет к масштабной трансформации всей мировой экономики.
📜 От кастовой монополии к массовой грамотности 0:00
Несколько веков назад, на заре распространения грамотности, в обществе преобладало мнение, что умение читать и писать необходимо далеко не каждому. Большинство людей занимались сельским хозяйством или пасли овец, поэтому письменная коммуникация казалась избыточной. Считалось, что читать священные книги должны исключительно высокопоставленные священники и монахи, а остальным достаточно приходить в храмы и слушать их. К счастью, со временем человечество осознало, что всеобщая грамотность способна построить гораздо более богатое и развитое общество.
Сегодня, как отмечает Эндрю Ын, искусственный интеллект находится в аналогичном положении: он сосредоточен в руках своеобразных «верховных жрецов» — высококвалифицированных ИИ-инженеров, работающих преимущественно в технологических гигантах. Рядовые пользователи имеют доступ только к тем системам, которые эти корпорации создали для них. Спикер убежден, что для построения по-настоящему процветающего социума необходимо дать возможность каждому человеку участвовать в формировании технологического будущего.
💰 Экономика ИИ: почему технологии застряли в Big Tech 1:03
Основная причина концентрации ИИ-технологий в крупнейших технологических компаниях кроется в жесткой экономике ИТ-сектора. Разработка современных интеллектуальных систем требует участия десятков высококлассных инженеров и обходится в миллионы или десятки миллионов долларов. Технологические гиганты, обладающие аудиторией в сотни миллионов и миллиарды пользователей, способны эффективно окупать эти инвестиции.
Для Big Tech идеально подходит стратегия «универсального решения» (one-size-fits-all), при которой одна ИИ-система выполняет масштабную задачу:
- Оптимизирует механизмы глобального веб-поиска;
- Формирует более точные рекомендации товаров для онлайн-ритейла.
Подобные алгоритмы масштабируются на сотни миллионов пользователей и генерируют колоссальную выручку. Однако, по словам Эндрю Ына, эта бизнес-модель полностью перестает работать, как только мы выходим за пределы ИТ- и интернет-индустрии. В традиционных секторах экономики практически нет проектов, которые охватывали бы 100 миллионов человек и обеспечивали бы сопоставимый уровень маржинальности.
🍕 Проблема «длинного хвоста» и специфика локального бизнеса 1:55
Для иллюстрации проблемы спикер приводит пример из личной жизни: локальную пиццерию, где он регулярно покупает гавайскую пиццу. Владелец заведения делает качественный продукт, но часто сталкивается с неэффективностью — часть готовой пиццы остывает и остается нераспроданной, в то время как другие популярные вкусы быстро заканчиваются. Эндрю Ын отмечает, что даже такая небольшая точка ежедневно генерирует ценные коммерческие данные.
Если бы у владельца был доступ к ИИ, алгоритмы могли бы выявлять скрытые паттерны в продажах. Например, система могла бы обнаружить, что средиземноморская пицца демонстрирует резкий рост продаж по пятницам, и рекомендовать приготовить ее в большем объеме именно в пятницу днем. Для малого бизнеса оптимизация процессов, способная увеличить годовую выручку всего на несколько тысяч долларов, является огромным достижением.
Спикер развенчивает популярный миф о том, что искусственному интеллекту обязательно требуются гигантские массивы данных. Вопреки расхожему мнению, современные технологии способны эффективно работать со скромными объемами информации, которые производит даже одиночная пиццерия. Настоящая проблема заключается в том, что локальный бизнес никогда не сможет нанять собственную команду ИИ-разработчиков, поскольку затраты на нее несопоставимы с доходами заведения.
В масштабах экономики ситуация выглядит следующим образом:
- В одних только США насчитывается около 500 000 независимых ресторанов;
- Совокупно они обслуживают десятки миллионов клиентов;
- Каждое заведение уникально: у них разные меню, разные профили покупателей и разные форматы учета продаж.
Из-за этого разнообразия невозможно создать единую универсальную ИИ-систему, которая подошла бы всем ресторанам сразу. Это классическое проявление проблемы «длинного хвоста» (the long tail) в ИИ. Если распределить все потенциальные ИИ-проекты по уровню их ценности, то на вершине окажутся рекламные алгоритмы, поисковые движки и рекомендательные системы ритейла. Однако в «хвосте» этой кривой находятся миллионы уникальных нишевых задач. Каждая из них требует кастомной сборки, но их совокупная экономическая ценность огромна.
👕 Потенциал ИИ в традиционных секторах экономики 4:06
Эндрю Ын подчеркивает, что с трудностями внедрения ИИ сталкивается не только малый бизнес, но и крупные игроки из традиционных отраслей — фармацевтические компании, автопроизводители и медицинские клиники. Спикер описывает гипотетические сценарии использования ИИ на примере компании по производству одежды, где автоматизация могла бы качественно изменить ключевые процессы:
- Прогнозирование спроса: Бухгалтер компании мог бы использовать ИИ для анализа трендов в социальных сетях, чтобы определять, какие мемы стоит напечатать на футболках для максимизации продаж;
- Выкладка товаров (мерчандайзинг): Управляющий розничной точки мог бы загружать фотографии торгового зала в нейросеть, чтобы получать рекомендации по оптимальному размещению продукции;
- Управление цепочками поставок: Специалист по закупкам мог бы сверяться с ИИ, стоит ли соглашаться на текущую цену ткани в 20 долларов за ярд или рынок позволяет найти более выгодное предложение;
- Контроль качества: Инспектор по качеству мог бы задействовать компьютерное зрение для автоматического сканирования полотна на предмет разрывов и дефектов окрашивания.
В то время как технологические корпорации рутинно используют ИИ для решения подобных задач, обычные фабрики, автомеханики, школы или фермерские хозяйства сегодня используют ИИ ровно в ноль процентов случаев. Причина та же — кастомная разработка под нужды конкретного предприятия остается неподъемно дорогой.
🛠️ Переход от кода к данным: новые платформы разработки 6:41
На протяжении последних десятилетий создание ИИ-систем требовало написания сотен страниц программного кода. Несмотря на развитие онлайн- и офлайн-образования, далеко не у каждого сотрудника традиционного бизнеса есть время и ресурсы, чтобы освоить программирование. Решением проблемы, по мнению спикера, становится появление нового класса платформ разработки, которые меняют саму логику взаимодействия с технологией.
Подобно тому, как ручка и бумага стали более эффективной технологией по сравнению с каменным зубилом и способствовали распространению грамотности, новые платформы переносят фокус с написания кода на предоставление и разметку данных. Собрать ИИ-систему на базе готовых шаблонов становится посильной задачей для неспециалиста. В настоящее время над созданием подобных инструментов работают сразу несколько технологических компаний.
🔍 Кастомный ИИ за несколько дней: как это работает на практике 7:49
Эндрю Ын демонстрирует работу такой системы на примере платформы, разрабатываемой его собственной командой. Инспектор фабрики, желающий автоматизировать поиск брака на ткани, может сделать серию снимков текстильного полотна и загрузить их в интерфейс. Далее пользователь вручную размечает изображения:
- Выделяет зелеными прямоугольниками места разрывов ткани;
- Выделяет розовыми прямоугольниками зоны изменения цвета.
Эти размеченные фотографии становятся массивом обучающих данных. После первичного анализа алгоритм может указать, что он успешно научился распознавать разрывы, но ему все еще не хватает примеров изменения цвета ткани. Спикер сравнивает это с обучением начинающего инспектора, которому нужно помочь скорректировать профессиональные суждения. Загружая дополнительные точечные снимки, пользователь помогает системе дообучиться.
Используя доступную no-code платформу и стандартную камеру, инспектор способен всего за несколько часов или дней создать работающую кастомную систему контроля качества для всей фабрики. Данная технология может быть легко адаптирована под нужды других профессий:
- Пекари смогут контролировать качество выпекаемых тортов;
- Фермеры, выращивающие органическую продукцию, смогут сортировать овощи;
- Производители мебели смогут оценивать сортность древесины.
Платформам потребуется еще несколько лет, чтобы стать настолько простыми, чтобы ими мог воспользоваться абсолютно любой владелец пиццерии. Однако уже сегодня технически подкованные сотрудники после минимального обучения могут успешно применять их на практике. Демократизация ИИ, по мнению Эндрю Ына, позволит распределить создаваемые технологии и доходы от них среди всего общества, а не аккумулировать их исключительно в ИТ-секторе.
