Несмотря на все разговоры о том, как технологии искусственного интеллекта трансформируют целые отрасли, реальность такова, что большинству предприятий сложно получить реальную пользу от ИИ. Согласно опросу 2019 года, проведенному MIT Sloan Management Review и Boston Consulting Group, 65% организаций, инвестировавших в ИИ в последние годы, еще не получили ощутимой прибыли от этих инвестиций . И четверть предприятий, реализующих проекты ИИ, видят, что по крайней мере 50% этих проектов терпят неудачу, причем «нехватка квалифицированного персонала» и «нереалистичные ожидания» являются основными причинами неудач, согласно исследованию IDC.
Основным фактором, стоящим за этой борьбой, является высокая алгоритмическая сложность моделей глубокого обучения. Алгоритмическая сложность относится к вычислительной сложности построения и использования этих моделей в производстве. Столкнувшись с длительными циклами разработки, высокими затратами на вычисления, неудовлетворительной производительностью вывода и другими проблемами, разработчики часто оказываются застрявшими на этапе разработки внедрения ИИ, пытаясь усовершенствовать модели глубокого обучения с помощью ручных проб и ошибок, и нигде не приближаясь к производственной. сцена. В качестве альтернативы специалисты по обработке данных полагаются на факсимиле других моделей, которые в конечном итоге оказываются плохо подходящими для их уникальных бизнес-задач.
Если алгоритмы, созданные человеком, неизбежно сталкиваются с препятствиями, связанными с затратами, временем, рабочей силой и бизнес-соответствием, как индустрия ИИ может преодолеть эти барьеры? Ответ кроется в алгоритмах, созданных с помощью алгоритмов — феномен, который до сих пор был ограничен академическими кругами, но который откроет передовые приложения в различных отраслях, когда он будет коммерциализирован в ближайшие годы.
Этот новый подход позволит специалистам по обработке данных сосредоточиться на том, что у них получается лучше всего — на интерпретации и извлечении информации из данных. Автоматизация сложных процессов в жизненном цикле ИИ также сделает преимущества ИИ более доступными, а это означает, что организациям, не имеющим больших технических бюджетов и персонала по разработке, будет легче использовать истинную преобразующую силу технологии.
Больше искусства, чем науки
Поскольку задача создания эффективных моделей глубокого обучения стала слишком сложной задачей для людей, чтобы решать их в одиночку, организациям явно нужен более эффективный подход.
Поскольку специалисты по обработке данных регулярно увязли в алгоритмической сложности глубокого обучения, команды разработчиков изо всех сил пытались разрабатывать решения и были вынуждены вручную настраивать и оптимизировать модели — неэффективный процесс, который часто идет за счет производительности или качества продукта. Более того, создание таких моделей вручную увеличивает время вывода продукта на рынок в геометрической прогрессии.
Означает ли это, что единственное решение — это полностью автономные модели глубокого обучения, которые строятся сами по себе? Не обязательно.
Рассмотрим автомобильную технику. Популярная дихотомия между полностью автономным и полностью ручным вождением слишком упрощена. Действительно, эта черно-белая рамка скрывает значительный прогресс, достигнутый автопроизводителями во внедрении более высоких уровней автономных технологий. Вот почему инсайдеры автомобильной промышленности говорят о разных уровнях автономии — от уровня 1 (который включает в себя технологии помощи водителю) до уровня 5 (полностью автономные автомобили, которые остаются далекой перспективой). Вполне вероятно, что наши автомобили могут стать намного более продвинутыми без необходимости достижения полной автономности в процессе.
Мир ИИ может (и должен) развить подобное мышление. Практикам искусственного интеллекта требуются технологии, автоматизирующие громоздкие процессы, связанные с проектированием модели глубокого обучения. Подобно тому, как Advanced Driver Assistance Systems (ADAS) (системы автоматического торможения, адаптивный круиз-контроль) прокладывают путь к большей автономии в автомобильной промышленности, индустрии искусственного интеллекта нужна собственная технология, чтобы делать то же самое. И именно ИИ является ключом к достижению этой цели.
ИИ создает лучший ИИ
Обнадеживает то, что ИИ уже используется для упрощения других задач, связанных с технологиями, таких как написание и проверка кода (который сам создается ИИ). Следующий этап революции глубокого обучения будет включать аналогичные дополнительные инструменты. Ожидайте, что в течение следующих пяти лет такие возможности постепенно станут коммерчески доступными для населения.
До сих пор исследования того, как развивать эти превосходные возможности ИИ, оставались ограниченными передовыми академическими институтами и, что неудивительно, крупнейшими именами в сфере технологий. Ключевым примером является новаторская работа Google по поиску нейронной архитектуры (NAS). Описанный генеральным директором Google Сундаром Пичаи как способ « нейронных сетей для проектирования нейронных сетей », NAS — подход, который начал привлекать внимание в 2017 году — включает поиск алгоритмов среди тысяч доступных моделей, процесс, который завершается созданием алгоритма, подходящего для конкретного случая. проблема под рукой.
На данный момент NAS — это новая технология, которая не получила широкого коммерческого внедрения. С момента его создания исследователи смогли сократить время выполнения и уменьшить количество вычислительных ресурсов, необходимых для выполнения алгоритмов NAS. Но эти алгоритмы по-прежнему нельзя обобщать для различных задач и наборов данных — не говоря уже о том, чтобы их можно было использовать в коммерческих целях, — потому что для каждого отдельного варианта использования нужно вручную настраивать пространство архитектуры для каждой проблемы, а этот подход далеко не масштабируемый.
Большинство исследований в этой области было проведено технологическими гигантами, такими как Google и Facebook, а также академическими институтами, такими как Стэнфорд, где исследователи приветствовали появление автономных методов как «многообещающее направление» для продвижения прогресса ИИ.
Но поскольку инновационные разработчики ИИ, опирающиеся на уже проделанную в этой области работу, эксклюзивность таких технологий, как NAS, должна уступить место большей доступности, поскольку концепция станет более масштабируемой и доступной в ближайшие годы. Результат? ИИ, который создает ИИ, раскрывая тем самым свой истинный потенциал для решения самых сложных мировых проблем.
В 2021году эта область, созрела для инноваций, и эти инновации будут только порождать новые инновации.
