В своем выступлении на конференции TED известный исследователь искусственного интеллекта Эндрю Ын (Andrew Ng) представляет концепцию демократизации ИИ-технологий. По его мнению, современная индустрия искусственного интеллекта избыточно сконцентрирована в руках крупнейших технологических корпораций, в то время как истинный совокупный экономический потенциал технологии скрыт в автоматизации малого и среднего бизнеса. Спикер предлагает революционный сдвиг парадигмы: переход от сложного программирования к доступным платформам разметки данных, способным наделить ИИ-инструментами любого предпринимателя.
📜 Исторический прецедент: от монополии грамотности к повсеместной доступности 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 ведением междоусобных войн или выпасом овец, поэтому письменная коммуникация казалась избыточной. Считалось достаточным, чтобы верховные жрецы, жрицы и монахи могли читать священные книги, а остальное население просто посещало храмы и слушало их. Однако со временем человечество осознало, что всеобщая грамотность позволяет построить гораздо более богатое и развитое общество.
По мнению Эндрю Ына, сегодня искусственный интеллект находится в аналогичном положении: он сосредоточен исключительно в руках «верховных жрецов» — высококвалифицированных инженеров, работающих в крупнейших технологических компаниях. Обычные люди имеют доступ только к тем ИИ-системам, которые эти корпорации создали для них. Спикер утверждает, что общество станет значительно богаче, если дать возможность каждому человеку участвовать в написании технологического будущего.
💰 Экономика «одного размера»: почему ИИ застрял в Big Tech 1:03
Концентрация ИИ-технологий в руках ИТ-гигантов обусловлена сугубо экономическими причинами. Традиционные проекты в сфере искусственного интеллекта обходятся чрезвычайно дорого: для их реализации требуются десятки высококлассных инженеров, а стоимость разработки систем может составлять миллионы или десятки миллионов долларов.
Крупные технологические компании, обладающие аудиторией в сотни миллионов и миллиарды пользователей, научились эффективно окупать эти инвестиции. Эндрю Ын объясняет, что для таких гигантов идеально подходит концепция «универсального ИИ» (one-size-fits-all):
- Системы оптимизации веб-поиска или рекомендаций для онлайн-шопинга масштабируются на огромную базу пользователей.
- Такой подход генерирует колоссальный объем выручки, полностью оправдывающий первоначальные затраты.
Однако данная бизнес-модель совершенно не работает за пределами интернет-сектора и ИТ-индустрии. В традиционных секторах экономики практически отсутствуют задачи, которые охватывали бы 100 миллионов человек одновременно или приносили бы сопоставимый доход от внедрения одного алгоритма.
🍕 Проблема «длинного хвоста» ИИ и кейс локальной пиццерии 1:42
Для иллюстрации проблемы Эндрю Ын приводит пример из собственной жизни: локальную пиццерию, где он регулярно покупает гавайскую пиццу. Владелец заведения сталкивается с типичной проблемой неэффективности: у него часто остаются остывшие нераспроданные пиццы, а в другие дни, напротив, определенные вкусы моментально раскупаются и создается дефицит. При этом операционная деятельность пиццерии непрерывно генерирует данные о продажах.
Искусственный интеллект отлично справляется с поиском скрытых паттернов при наличии правильных данных. По мнению спикера, ИИ мог бы заметить, что средиземноморская пицца отлично продается по evenings в пятницу, и порекомендовать владельцу приготовить её побольше в пятницу днем. Для небольшого заведения рост выручки даже на несколько тысяч долларов в год станет огромным достижением, считает Эндрю Ын.
Вопреки распространенному в медиа хайпу о необходимости гигантских датасетов, ИИ может эффективно работать даже на скромных объемах данных, генерируемых одним небольшим магазином. Настоящая проблема заключается не в дефиците данных, а в том, что маленькая пиццерия никогда не сможет обслужить столько клиентов, чтобы окупить наем собственной ИИ-команды. В США насчитывается около 500 000 независимых ресторанов, которые в совокупности обслуживают десятки миллионов клиентов. Однако все они уникальны: у них разные меню, разные клиенты и разные способы учета продаж, поэтому ни одно универсальное ИИ-решение не подойдет им всем одновременно.
Эта ситуация наглядно отражает феномен «длинного хвоста» (the long tail) в ИИ. Если отсортировать все потенциальные ИИ-проекты по уровню их ценности, то на вершине (в «голове» графика) окажутся единичные сверхприбыльные системы:
- Системы таргетинга рекламы в интернете.
- Поисковые движки.
- Рекомендательные системы для e-commerce.
Однако справа от этой кривой находится «длинный хвост» из миллионов уникальных, кастомных задач: прогнозирование спроса для конкретной пиццерии или раскладка товаров в магазине. Сегодня эти проекты остаются нереализованными, хотя их совокупная экономическая ценность огромна. По словам спикера, с этой проблемой сталкиваются даже крупные игроки вне ИТ-сферы: фармацевтические компании, автопроизводители и больницы.
👕 Практическое применение: ИИ на примере фабрики футболок 4:06
Чтобы показать, как именно ИИ мог бы трансформировать традиционный бизнес, Эндрю Ын подробно разбирает гипотетические сценарии для компании по производству и продаже футболок. Внедрение технологий могло бы затронуть сразу несколько ключевых департаментов:
- Бухгалтерия и прогнозирование спроса: Бухгалтер компании мог бы использовать ИИ для анализа трендов в социальных сетях, выявляя популярные мемы для печати на футболках, что существенно подстегнуло бы продажи.
- Мерчандайзинг: Управляющий розничным магазином мог бы сфотографировать текущую выкладку товаров и показать её ИИ, чтобы алгоритм порекомендовал оптимальное размещение продуктов для увеличения продаж.
- Управление цепочками поставок: Алгоритм мог бы подсказывать закупщику ткани, стоит ли платить 20 долларов за ярд материала прямо сейчас или имеет смысл продолжить поиски более выгодного предложения.
- Контроль качества: Инспектор по качеству мог бы использовать ИИ для автоматического сканирования фотографий ткани на предмет наличия разрывов или изменения цвета.
В то время как крупные технологические корпорации рутинно используют ИИ для решения подобных задач, типичная фабрика футболок, автомастерская, школа или локальная ферма сегодня используют ровно ноль таких приложений. Причина прежняя — каждый производитель футболок уникален, универсального софта не существует.
🛠️ Смена парадигмы: от написания кода к управлению данными 6:55
На протяжении последних десятилетий создание ИИ-систем требовало написания огромного количества страниц программного кода. Несмотря на развитие онлайн- и офлайн-образования, далеко не у каждого предпринимателя или сотрудника есть время, чтобы освоить программирование. Решением, по мнению Эндрю Ына, станет появление новых платформ разработки ИИ, которые совершат такой же технологический скачок, какой в свое время совершил переход от каменных табличек и долота к ручке и бумаге.
Новые платформы смещают фокус с программирования на подготовку данных, что гораздо проще для большинства людей. Команда Эндрю Ына активно занимается созданием одной из таких доступных ИИ-платформ. Процесс обучения системы на ней выглядит следующим образом:
- Инспектор по качеству на фабрике загружает фотографии ткани на платформу.
- С помощью мыши он выделяет прямоугольниками дефекты, показывая ИИ, как выглядят разрывы (например, зелеными рамками) и изменения цвета (розовыми рамками).
- Эти размеченные изображения становятся обучающим набором данных.
Если после первого цикла анализа ИИ все еще ошибается в определении изменения цвета ткани, это напоминает поведение младшего инспектора, которому не хватает опыта. Специалист может просто загрузить еще несколько фотографий с аналогичным дефектом, помогая ИИ углубить понимание без изменения кода. По оценкам Эндрю Ына, используя такую платформу и купив подходящую камеру, инспектор может всего за несколько часов или дней создать кастомную рабочую систему контроля качества для всей фабрики.
🌍 Демократизация технологий и справедливое распределение благ 9:20
Аналогичный подход может расширить возможности специалистов в самых разных отраслях. Эндрю Ын уверен, что технология позволит:
- Пекарю — автоматически проверять качество выпекаемых тортов.
- Фермеру, выращивающему органические продукты — сортировать овощи по качеству.
- Производителю мебели — мгновенно оценивать сорт и дефекты древесины.
Потребуется еще несколько лет, чтобы сделать эти платформы настолько простыми, чтобы ими мог воспользоваться абсолютно любой владелец пиццерии. Однако уже сегодня технически подкованные сотрудники могут успешно применять их после минимального обучения.
Спикер подчеркивает, что искусственный интеллект генерирует и продолжит генерировать колоссальное экономическое богатство. Единственный способ гарантировать, что эти блага распределятся повсеместно и справедливо по всему обществу, а не останутся запертыми внутри нескольких корпораций — это радикальная демократизация доступа к ИИ. Точно так же, как сотни лет назад никто не мог предсказать колоссальный кумулятивный эффект от всеобщей грамотности, сегодня трудно в полной мере вообразить масштаб позитивных изменений от предоставления ИИ-инструментов каждому человеку. В наступающую эпоху ИИ создание кастомных систем перестанет быть привилегией избранных, что, по мнению Эндрю Ына, обеспечит невероятно захватывающее будущее.
