AI, ML, IoT и другие

Artificial Intelligence,

который не такой уж и Intelligent

Искусственным интеллектом увлекались технари и философы еще лет 50 назад, но с приходом в каждый дом этот термин совсем потерял первоначальный смысл и стал несколько замыленным. Если вы из школьного или университетского курса по информатике помните, что такое «Тест Тьюринга» — то вот это все еще недостижимо (хотя разработчики подбираются все ближе), так что AI/ИИ называют все подряд.

Из того длинного списка целей, которые ученые когда-то составили для объяснения искусственного интеллекта, часть уже достигнута в очень хорошем качестве, и именно эти разрозненные (пока) кусочки и внедряют в коммерческое использование. Мы уже не удивляемся подсказкам Гугла по поводу маршрута, напоминаниям о регистрации на рейс или о покупках — планирование современным вычислительным системам уже удается неплохо. Оптическое распознавание (от перевода вывесок через камеру телефона до отслеживания лиц в толпе), оптимизация, распознавание естественной речи — худо-бедно, но эти составляющие будущего искусственного интеллекта развиваются, а вот до аргументации, принятия решений, понимания значений в контексте и еще длинного списка необходимых умений пока далеко. Так что оставим Artificial Intelligence ученым и фантастам и посмотрим, что работает уже сегодня.

Machine Learning,

которое все-таки Learning

Каждый раз, когда вашу карту за границей блокируют после покупки в сомнительном месте, или Google подсказывает что вы не успеете доехать до магазина до его закрытия — где-то на другой стороне глобуса алгоритм учится делать это лучше и быстрее (и лишает работы еще одного клерка). Конечно, сначала этот алгоритм нужно придумать, разработать и поддерживать, но некоторое время назад стало понятно, что с этим тоже лучше справляется компьютер, а не бородатые мужчины в очках и свитерах с оленями.

В принципе, алгоритмы — штука несложная. Описываем компьютеру ситуацию и рассказываем, как из нее выходить, в зависимости от внешних признаков («если впереди горит красный свет — машину нужно затормозить, но не резко, а рассчитывая остаток пути до перекрестка»). Проблемы начинаются когда ситуаций и внешних признаков становится слишком много. Сначала пытались упростить варианты решения, например — убрать некоторые «несущественные» внешние признаки — путь оказался тупиковым, алгоритмы начинают выдавать ерунду в самый неподходящий момент, и вообще оказывается, что для человека не существует «несущественных» признаков, мы их просто воспринимаем по-другому (см. «Интуиция»). Постепенно это все превратилось в некую магию под названием Machine Learning, а на самый популярный (но не единственный) способ многие ссылаются как на «нейросети».

Что это значит для рядового пользователя? Алгоритмы сменились с простого «сделай так, если есть это и это» на более сложное, но более универсальное «посмотри, как делают люди, выбери лучшее и повтори». И благодаря возможности использования готовых наработок коллег по несчастью, это стало работать все лучше и лучше. Сначала один гик-энтузиаст создал беспилотный автомобиль на базе обычной «Хонды» и кучи датчиков — и это чудо с проводами ездило лучше, чем разработки известных автопроизводителей. Потом компьютер научили играть в «Го»: игру, где традиционные алгоритмы были бессильны — слишком много комбинаций — и компьютер обыграл всех белковых собратьев. В общем, буквально за несколько лет стало очевидно, что по-другому обучать машины служить своим (пока еще) хозяевам — долго и не настолько качественно.

Но, кроме алгоритма и внешних признаков, для качественного обучения нужны данные. Много данных.

Big Data,

которые действительно Big

У знаменитого теперь компьютера для игры в «Го» проблем со входящими данными не было: просто закачали в память записанные игры между людьми, и машина, помигивая неонками, перелопатила все это в стройный алгоритм у себя в железной голове. Кстати, со второй версией того же компьютера было еще веселее: вместо готовых игр ему скормили только правила игры и заставили играть со своей копией, т.е. люди в процессе обучения вообще не участвовали. Вторая версия обучилась на порядок быстрее и играет лучше первой.

Сложнее иметь дело с реальным миром, который не подчиняется строгим правилам. Как объяснить машине, что эти два не очень похожих друг на друга животных — кошки? Или как объяснять беспилотному автомобилю, что дорожные знаки висят на разной высоте, а велосипедисты выглядят совсем не так, как на картинках? Нейросети, обучение с подкреплением и прочие механизмы позволяют сделать все эти чудеса, но нужно много времени и исходного материала. Каждый раз, когда вы кликаете «Я не робот» на каком-нибудь сайте и отвечаете, «на каких картинках есть автобус», — вы вносите небольшой вклад в развитие машинного обучения где-то в недрах (скорее всего) Google.

Иногда сбор и обработка действительно больших массивов данных выдает совершенно очаровательные результаты. Одна торговая сеть решила проверить корреляции между покупками по картам постоянных покупателей и настроить адресные подсказки типа «советуем вам купить товар Б» для тех, кто купил товар А. Продажи увеличились, лояльность покупателей на высоте, маркетологи открывают шампанское. А через некоторое время руководство одного из магазинов вынуждено объяснять рассерженной матери почему ее дочери советуют купить памперсы и тест на беременность. Оказывается, профиль покупок точно совпал с тем, что покупают романтически настроенные девушки перед свиданием, а самыми частыми следующими покупками в этой же сети оказывались именно тест и подгузники. К слову, бездушная машина оказалась права, тест на беременность пригодился (насчет подгузников — не уверен).

В общем-то, все это вы уже видите в своей жизни вполне работающее: магия прошла, восторги от новинок — тоже, что делать дальше? А дальше интересы потребителей и разработчиков, как ни странно, совпадают. Разработчикам нужно еще больше данных для анализа, а потребителям — хоть какие-то приятные плюшки от взаимодействия со всеми этими данными.

Internet of Things,

или как подружить чайник и холодильник

Слегка идиотская идея о том, чтобы включать чайник через WiFi (какой смысл, если воду все равно надо наливать, ногами дойдя до кухни?), постепенно вылилась в несколько слабо пересекающихся вселенных IoT. Тут вам и умные лампочки, и автоматический свет, и плейлист по утрам, и тот же пресловутый чайник (или кофеварка). К сожалению, для конечного потребителя тут пока полный «дикий запад»: куча несовместимых протоколов; периодически умирающие облачные решения; Apple и Amazon, тянущие одеяло каждый на свою сторону; старички типа Philipps и Osram, высокомерно посматривающие на «эти ваши стартапы».

Что приятного?

• IKEA решила положить конец бардаку и сделала более-менее универсальные решения (гуглите серию TRÅDFRI), да еще и подписала соглашение с Xiaomi, одним из самых быстрорастущих производителей с большой линейкой устройств.
• В борьбе голосовых ассистентов (вот это вот «Ок, гугл, какие новости?») наступило шаткое равновесие между Siri (Apple), Alexa (Amazon) и Home Assistant (Google). Явного лидера нет (точнее, каждый из них лидирует в чем-то своем), поэтому пользователи получают быстрое развитие продуктов, обалденные рождественские скидки и прочие плюшки в надежде производителя затащить их свою экосистему
• Цены на все это новомодное барахло становятся все ниже, и для ближайшего ремонта вам точно стоит задуматься о покупке лампочки которая загорается, когда вы шлепаете ночью в туалет.

При всей кажущейся несерьезности всех этих модных штук мы получаем гигантский объем данных, которые (если отбросить конспирологические теории) позволяют развиваться всей индустрии. В нашем новом автомобиле камера сама распознает знаки на дороге и подсказывает ограничение скорости, но руль еще надо крутить самому. Если для самодвижущейся повозки надо еще понажимать кнопочки «Я не робот» или купить лампочку в IKEA — почему бы и нет?