AI

Растежът на индустрията за изкуствения интелект (ИИ) преобладаваше в повечето технологични новини тази година. От алгоритмите, които играят ГО без предварително заложени стратегии и ходове, през Илън Мъск и Марк Зукърбърг, които обсъждаха опасностите и ползите от ИИ за човечеството, до Русия и Китай, които обявиха ИИ за топ приоритет. Ако обърнем поглед напред, 2018-а ще бъде година за развитие и задълбочаване на всички вече същестуващи ИИ технологии. Дълбокото учене се оказа една от най-важните и обещаващи подразделения на изкуствения интелект. Ето и нашата визия относно най-ключовите моменти от развитието му.

Генералната цел на изкуствения интелект е да направи компютрите по-умни от хората, като им предоставя подобни на човешките способности да мислят и да се обосновават. Съществуват много начини за постигане на тази цел, но машинното учене е основната техника, която се използва широко във всички индустрии. Интригуващо е, че започват да се разпространяват също и по-сложни методики.

Една от тях е именно дълбокото учене – иновативен клон от машинното учене, което имитира много точно функционирането на човешкия мозък при обработка на данни и при създаването на модели за вземане на решения. Тази година дълбокото учене се превърна в задължителна технология в много области (най-вече – медицина и безпилотни автомобили). От маркетингова перспектива, дълбокото учене вече оказва огромно влияние върху цялата рекламна индустрия.

Научи ме какво искам!

Дълбокото учене е вдъхновено от невронните мрежи в човешкия мозък и дава възможност на машините без човешка намеса да създават по-надеждни и по-богати описания за потенциала за покупка на всеки потребител. Например, наскоро в RTB House анализирахме мащабен набор от данни, за да покажем, че метод, основаващ се върху изкуствен интелект, може да доведе до 35% по-добър коефициент на конверсия отколкото естествените инстинкти на маркетинг специалист. Но алгоритмите с дълбоко учене могат да постигнат и повече. Тази технология може да предскаже уникалните навици и желания на потребителя в рекламната индустрия. Това опростява ежедневния ни контакт с клиентите и позволява създаването на задълбочено таргетирани реклами. Те не съдържат само продуктите, които най-вероятно бихме купили, но и тези, които още не сме виждали, или продукти, за които не сме и мислили.

Много търговски марки виждат ползите от въвеждането на технологии с изкуствен интелект и дълбоко учене в продуктите, или инструментите си. И през следващата година тепърва ще виждаме водещи компании, фокусирани в тази посока.

От „учене под контрол“ до нови области

През 2017 г. видяхме постепенно изоставяне на т. нар. „учене под контрол“ – стандартен подход при машинното учене. То се основава на подадени от човек инструкции, които компютърът трябва да усвои, като се вземат предвид модели от предварително съществуващи примери, набори от данни и отговори.

През 2018 г., изследванията върху ИИ ще се концентрират върху по-сложни области, като т.нар „трансферно учене“. Това е вид дълбоко учене, при което машината се самообучава при разнообразни симулации. Тя взима решения, като използва знанието, събрано от големия брой симулации, вместо да разчита на данни от реалността. Това улеснява процеса и го прави по-бърз и по-евтин. При ползването на този метод, машината се научава да взема сама решения с логически заключения, аналогия и дедукция.

Например, при обучителните модели на по-старите машини, един самоуправляващ се автомобил под контрола на човек в него ще шофира милиони километри, докато данните за шофирането се записват. Тези данни след това се внедряват на дадена машина, която се научава как да шофира, като ползва решенията на шофьора. Но благодарение на „трансферното учене“, няма да има повече необходимост от физически шофьор. Вместо това, данните могат да се генерират от стотици хиляди симулации, като игра за шофиране. Симулирайки милиони часове шофиране, машината се научава сама как да кара автомобил и може да пренесе това знание в реалния свят.

Вторият подход се нарича „учене с утвърждения“. Целта му е да накара машината да взема най-добрите решения въз основа на обратната връзка, която получава от околната среда и от действията си. Това например може да се прилага от специалистите по реклама, когато наддават на RTB търгове за закупуването на реклама. Системите за наддаване са много сложни. Дори специалистите често срещат проблеми при определянето на оптималния коефициент, който ще им позволи да постигнат желаните резултати при най-ниска цена. Една машина би се изправила пред същите проблеми в началото на пътя си. Но, за разлика от човек, тя може да работи и да наддава 24 часа на ден в симулирана среда. Тя също може да се обучи много по-бързо от човек. Въз основа на резултатите от симулациите на рекламните търгове, тя може да научи как да залага най-ефективно, и следователно – как да спечели търга.

Нови професии и нови задачи

Разбира се, алгоритмите за дълбоко учене се развиват по същия начин, по който и хората. Но за разлика от хората, машината учи несравнимо по-бързо и е способна да анализира невъобразими количества от данни. На тях не им се доспива и не правят твърде много грешки. Тук именно факторът за свръхчовешко представяне влиза в играта. По много прост начин, изкуственият интелект ще се стреми да надмине хората във всяка възможна област. Днес самообучаващите се алгоритми са способни да разпознаят по-добре от човека даден образ.

Дали това означава, че машините, докато надминават хората, ще завземат също и техните професии? Не точно. Според Световния икономически форум, 65% от децата в началното училище ще практикуват професии, които още не съществуват. Сегашният етап на развитие на ИИ ще даде възможност на повече компании да търсят повече IT специалисти, анализатори на данни, програмисти. Следващата година вероятно ще има бум на нови обяви за работа за т.нар. data scientist – позиция, която не беше особено известна досега.

Иновациите от 2017 ще бъдат подсилени през 2018

Крайната цел на дълбокото учене е да улесни живота ни и да направи работата ни по-ефективна. Следователно, използването на ИИ вече не е въпрос на определен стандарт, а е необходимост за компаниите, които искат да останат конкурентноспособни на световния пазар. Не става дума само за способността да се персонализира или да се подобрят качествата на краен продукт, но и за набор от други, индиректно свързани с крайния продукт дейности, като събирането и анализирането на данни. Компаниите в момента разполагат с толкова голямо количество от данни за анализиране, че не успяват да ги обработят. Това директно влияе на решенията на работещите в тях и, съответно, и на финансовите им резултати на компаниите. Фирмите, които специализират в събирането и анализирането на данни за различни бизнеси, ще играят все по-важна роля. Компаниите с по-големи бюджети ще използват ИИ на свой ред, за да им дава идеи какво да предлагат на клиентите, за препоръки за предлаганите условия на доставчиците, както и за инструкции към служителите по отношение на това какво да казват и вършат – в реално време. Трябва да се предположи, че много нови старт-ъпи ще се появят скоро, като те ще предлагат решения, базирани на самообучаващи се алгоритми, тъй като тази технология ще се разпространява все повече.

Изкуственият интелект през 2017 г. стана част от ежедневието ни и от обществените дискусии. Предстоящите години ще се фокусират върху развитието на ИИ-базирани технологии, които ще заместят хората в голям брой трудни задачи, и в крайна сметка ще ни улеснят значително живота. Но все още има доста работа пред нас.

***

Автор: Каталин Емилиан, регионален директор за България и Румъния на RTB House – технологична компания, която предлага модернистични ретаргетинг технологии за най-големите търговски марки в над 100 световни пазара

Pin It on Pinterest

Shares
Share This