в чем причина такой популярности внедрения ai в бизнес процессы
Методы и технологии, основанные на работе с данными/Вопросы тестов
Методы и технологии, основанные на работе с данными
Содержание
Что не является трендом в области ГосТех? [ править ]
вариант 1 [ править ]
Мультиканальное вовлечение граждан
Повсеместное использование аналитики
Создание множества независимых систем по учету трудовых ресурсов в каждом регионе
Цифровая идентификация граждан +
вариант 2 [ править ]
Мультиканальное вовлечение граждан
Рабочая сила в цифровом формате
Уменьшение количества использования аналитических отчетах на всех этапах государственного управления
Цифровая идентификация граждан +
вариант 3 [ править ]
Мультиканальное вовлечение граждан
Повсеместное использование аналитики
Рабочая сила в цифровом формате
Создание неизменяющегося подхода для противодействия киберугрозам
Цифровая идентификация граждан +
Какие типичные типы задач решаются с помощью NLP (Natural Language Processing, Обработка Естественного Языка)? [ править ]
Всё из перечисленного +
Что является примером временного ряда? [ править ]
вариант 1 [ править ]
История в медицинской карточке +
вариант 2 [ править ]
Стоимость биржевых инструментов +
Что важно при обработке данных при цифровой трансформации? [ править ]
вариант 1 [ править ]
Обновить техническое обеспечение компании, используя самую современную технику
Обучить всех сотрудников использовать Excel для обработки данных
Обучить всех сотрудников языкам программирования, способных запускать нейронные сети
Сильная внутренняя экспертиза команды в области подхода управления с помощью данных +
Хранить данные в бумажном виде в архиве
вариант 2 [ править ]
Обновить техническое обеспечение компании, используя самую современную технику
Обучить всех сотрудников использовать Excel для обработки данных
Обучить всех сотрудников языкам программирования, способных запускать нейронные сети
Понимать, какой информацией располагает компания, а чего не хватает +
Хранить данные в бумажном виде в архиве
вариант 3 [ править ]
Обновить техническое обеспечение компании, используя самую современную технику
Обучить всех сотрудников использовать Excel для обработки данных
Обучить всех сотрудников языкам программирования, способных запускать нейронные сети
Определить методы сбора, анализа и интерпретации результатов +
Хранить данные в бумажном виде в архиве
Что является одной из основных проблем цифровой трансформации? [ править ]
вариант 1 [ править ]
Достаточные знания и компетенции
Профицит квалифицированных кадров
вариант 2 [ править ]
Дефицит квалифицированных кадров +
Достаточные знания и компетенции
вариант 3 [ править ]
Достаточные знания и компетенции
Профицит квалифицированных кадров
Задачи, которые касаются жизни каждого гражданина, наболевшие проблемы общества и вопросы о том, как их решать это [ править ]
Задачи цифровой трансформации общества
Социально значимые задачи +
Основной независимый ресурс наборов открытых государственных данных, на котором собраны и структурированы существующие на сегодня в России наборы данных.+
Открытый ресурс, в который выгружают персональные данные граждан с целью продажи и передачи третьим лицам
В терминологии специалистов – историческое событие, после которого было открыто, что можно использовать данные в управлении процессами (продажи, менеджмент и т.д.)
Аналитическая панель, наглядное представление информации о бизнес-процессах, трендах, зависимостях и других метриках в компактном виде, которое позволяет увидеть значения конкретных показателей и динамику их изменений
Способ защиты данных с помощью визуальных решений
Основные функции сбора данных включают [ править ]
Создание информационных систем, создание отчетов, обеспечение финансирования
Накопление данных, анализ данных, первичную обработку данных
Поиск источников данных, извлечение данных, преобразование данных +
Постановку и решение задач, построение графиков, визуализацию
Поиск аномалий, классификацию, восстановление регрессии
Что такое искусственные нейронные сети? [ править ]
Математическая модель, построенная по принципу сигнальной системы живых организмов.
Приложения, помогающие обучаться, создавать образы и обобщать информацию.
Математическая модель, построенная по принципу организации колоний общественных насекомых.
Всемирная система объединённых компьютерных сетей для хранения, обработки и передачи информации
Математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. +
Что является ключевым показателем города при построении модели цифрового двойника города? [ править ]
Что такое суперсервисы? [ править ]
Мобильные приложения крупных компаний
Платформы, которые охватывают все сферы жизни человека и помогают ему получать услуги от бизнеса и государства дистанционно +
Сайты органов государственной власти
Сервисы, запущенные на современных суперкомпьютерах.
Платформы, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
В чем отличия и связь «Искусственного интеллекта» и «Машинного обучения»? [ править ]
Машинное обучение – одно из направлений Искусственного Интеллекта. Данное направление состоит из методов, которые позволяют делать выводы на основе данных.
Искусственный интеллект – одно из направлений Машинного Обучения. Данное направление занимается имитированием поведения человека.
Искусственный Интеллект и Машинное Обучение – это направления Глубокого обучения нейронных сетей.
Искусственный Интеллект занимается задачами имитации деятельности мозга человека. Машинное обучение – это процесс, в ходе которого обучается Искусственный Интеллект. +
Существует ли в России аналог «закона о забвении» США (закон, позволяющий гражданам настаивать на удалении своих персональных данных из сети). [ править ]
Существует и позволяет удалять из сети любые персональные данные
Не существует, но законопроект находится в стадии обсуждения
Существует, но распространяется только на данные в поисковых системах +
Чек-лист: нужен ли вашему бизнесу AI (заодно развенчиваем популярные мифы)
Искусственный интеллект — мощнейший тренд наших дней. Технология уже проникла во многие бизнес-процессы и продолжает совершать революционные изменения на рынках IT, финансов, HR, e-commerce, систем безопасности. Не обходится и без перегибов: все чаще можно услышать о применении искусственного интеллекта в качестве своего рода маркетинговой приманки — например в кофейне. Руководитель технологического консалтинга по AI-решениям Intuition Иван Ильин рассказывает, кому и в каких случаях действительно стоит задуматься о внедрении AI-технологий — и как это лучше сделать.
3 мифа про искусственный интеллект
Внедрение AI гарантирует повышение эффективности конечного продукта в разы.
Нет, это не так. Эксперты Gartner, например, отмечают, что в среднем технология позволяет сэкономить всего 3-5%. На каждую историю успеха внедрения AI и ML (machine learning) приходится множество неудач. Половина финансовых топ-менеджеров, которые планируют ввести предиктивную аналитику к 2020 году, делают это из стадного чувства (panic buying). Аналитики компании советуют тестировать технологию, но избегать крупных вложений. «Путь к AI- и ML-нирване усыпан мертвыми телами неудачных примеров внедрения», — говорит Роб ван дер Мейлен из Gartner.
Количество сфер и отраслей, где можно использовать AI, безгранично.
AI — огромная область Computer Science. Очевидно, что решения на основе алгоритмов искусственного интеллекта многократно эффективнее в работе с изображениями и текстами, чем классические алгоритмы. Они приносят практическую пользу на миллиарды долларов в различных индустриях, но совершенно бесполезны и не несут никакой ценности в слишком «человеческих» областях. IBM может позволить себе создание робота-повара Chef Watson и решить таким образом ряд задач по маркетингу. Но что такая дорогостоящая технология может действительно дать индустрии общепита и гостеприимства, кроме кратковременного эффекта от хайпа?
В Wantful с помощью алгоритмов искусственного интеллекта пытались научить пользователей выбирать удачные персонализированные подарки для конкретных людей; в Teforia — правильно заваривать чай; в Polimobile — общаться с избирателями на политические темы. Все эти стартапы за короткое время прекратили свое существование. Наивно ожидать полного исключения человека из процессов, требующих креатива.
Не обязательно писать AI-модели с нуля — можно взять готовое решение из открытых библиотек.
Да, эффективно использовать готовое решение или собрать простую модель можно и без фундаментального математического образования. Но созданием своих эффективных алгоритмов под конкретные бизнес-процессы могут заниматься только профессионалы. Учитывая задачу и имеющиеся данные, они тонко настраивают алгоритмы компьютерного зрения, понимания естественного языка и классического машинного обучения. Специалисты также умеют составить оптимальный набор из доступных инструментов и правильно строить архитектуру решения.
Рассмотрим на примере торговой сети. Алгоритм кластеризации открытой библиотеки позволяет, не прибегая к услугам квалифицированного инженера машинного обучения, обработать сырые данные и разделить их по признакам, например сгруппировать магазины по товарообороту или проходимости. Но если ретейлер хочет разобраться в полученных данных (провести факторный анализ разбивки на кластеры, оценить корреляцию различных факторов, в том числе с бизнес-показателями, и т. п.), то ему придется нанять AI-специалиста. Последний применит более глубокий подход к обработке данных и напишет соответствующий задачам алгоритм.
Как не поддаться стадному чувству
В ближайшее время технологии AI точно будут востребованы в прогнозировании процессов, связанных с логистикой, загрузкой складов, построением маршрутов. Искусственный интеллект справится с персонализацией любого контента (тексты, видео, товарные предложения) для пользователя. Ретейл заинтересован в использовании AI для тонкой аналитики, проверки корректности чеков, распознавания лиц покупателей или заполненности полок с помощью камер. Вместе с тем, хайп, связанный с AI в творческих областях, будет сходить на нет, — процесс креатива и интеграции уникальных навыков и опыта каждого человека достаточно сложно воспроизвести алгоритмически.
Чтобы не попасть в ту самую половину аудитории, которая готова потратиться на искусственный интеллект из стадного чувства, нужно учесть следующие моменты.
В то же самое время, внедрять AI в кофейне — все равно что покупать атомный микроскоп в школьный кабинет (то есть абсолютно нерентабельно). Средний бизнес в последнее время часто заявляет об использовании искусственного интеллекта в какой-то цепочке действий, где это часто не нужно и не критично. В этом случае целесообразнее говорить о недолговечном маркетинговом эффекте, нежели о полезности самой технологии.
Если компания — AI-стартап, то очевидно, что для нее это ключевая технология. Речь в таком случае идет о полной автоматизации каких-либо областей, кардинальном изменении процессов, в результате чего сокращаются целые блоки, которыми раньше занимались отдельные компании и большой штат сотрудников.
Конечно, здесь нужно учитывать, что AI — это уже мейнстрим, рынок достаточно насыщен, а в некоторых сферах даже переполнен. Начинающей компании сложно выделиться на этом фоне и найти новую, относительно свободную рыночную нишу с существенным коммерческим потенциалом. Крупный бизнес обычно предпочитает выращивать команду разработки в своих стенах, чем прибегать к сторонним сервисам. У AI-стартапов есть будущее, только если они придумают нечто революционное, подобное мультиагентной системе для «Газпрома» (предотвращает миллиардные потери на логистике). Похожую технологию применили в Coca-Cola, сэкономив на транспортных расходах до 20%.
Нужна узкая настройка AI на операции, которые он выполнит лучше человека. Например, искусственный интеллект умеет работать с терабайтами текста, тогда как любой из нас потратил бы на это месяцы. С помощью алгоритмов можно сразу ранжировать и классифицировать печатную информацию, искать ее по интересующему запросу, а также распознавать изображения и выявлять людей по фото на видео. AI успешно внедряется в различных системах безопасности, например Aruba 360 Secure Fabric. Пример среднего бизнеса, где действительно стоит использовать алгоритмы, — частные охранные предприятия. Работу множества охранников, которые ежедневно сидят и вглядываются в мониторы, вполне можно автоматизировать.
Искусственный интеллект: преимущества и сомнения
Эксперты утверждают, что 77% устройств, которые мы используем в настоящее время, имеют встроенный искусственный интеллект. AI-технологии сопровождают людей в медицине, экономике, образовании, науке, розничной торговле, автомобилестроении, производстве и даже в творчестве. Какие же операции мы можем смело доверить искусственному интеллекту, освободив человеческие ресурсы для более важных задач?
RPA 2.0. Оптимизация процесса принятия решений
RPA направлена на автоматизацию бизнес-процессов, управляемых бизнес-логикой. Решения RPA могут варьироваться от простых операций (создание автоматического ответа по электронной почте) до развертывания тысяч ботов, которые автоматизируют выполнение задач на основе различных правил. RPA уже активно внедряется в отраслевых вертикалях, таких как производство, HR и финансы.
Преимущества от внедрения RPA:
По сравнению с RPA первой версии, RPA 2.0 не только выполняет рутинные задачи, но и выводит автоматизацию на новый уровень за счет активного принятия сложных решений, требующих проверки человеком только в случае крайней необходимости.
Гиперавтоматизация и AIOps
Основная цель автоматизации — это обработка повторяющихся задач. Но в ходе этого процесса обнаруживаются различные бизнес-процессы, которые, в свою очередь, сами нуждаются в автоматизации. Это и есть гиперавтоматизация.
AIOps — это AI-приложения, которые используют машинное обучение и анализ больших данных для оптимизации управления ИТ-процессами. AIOps ускоряет и автоматизирует решение различных задач в сложных средах.
Автоматизация бизнес-процессов с помощью AIOps позволяет снизить затраты, повысить скорость работы и уменьшить число ошибок, в то же время высвободив человеческие ресурсы для приоритетных задач более высокого уровня. В 2021 году компании стали активно искать подобные решения для ускорения, оптимизации и перепроектирования процессов.
Расширенные возможности компьютерного зрения
Благодаря внедрению AI, глубокого обучения (Deep Learning) и нейронных сетей компьютер может идентифицировать и находить объекты на изображениях и видео, а затем реагировать на то, что он видит, с относительно высокой степенью точности (иногда даже точнее, чем человек).
Обнаружение изображений и лиц уже используется во многих инновационных сценариях, например:
Разговорный AI и NLP
Чат-боты на базе AI, также известные как разговорный искусственный интеллект, расширяют охват клиентов, повышают скорость реагирования и делают процесс общения с клиентами более персонализированным.
Чтобы лучше понять, что человек говорит и что ему нужно, чат-бот на базе AI использует обработку естественного языка (NLP), автоматическое распознавание речи (ASR) и машинное обучение, обеспечивая взаимодействие на уровне, близком к человеческому.
Растущая популярность NLP может быть объяснена его широким использованием в проектах Amazon Alexa и Google Home. NLP устраняет необходимость писать или взаимодействовать с экраном устройства, так как теперь люди могут общаться с роботами, понимающими их язык.
Ожидается, что в 2021 году значительно вырастет частота использования NLP для анализа настроений, машинного перевода, описания процессов, для создания чат-ботов и автоматической генерации субтитров для видео.
AI в кибербезопасности
В ближайшие годы знания станут более доступными, а цифровые данные будут подвергаться большему риску компрометации и уязвимости для хакерских и фишинговых атак. Искусственный интеллект обеспечит службам безопасности поддержку во всех областях, например, при обнаружении подозрительной цифровой активности или криминальных транзакций.
Ручной поиск угроз — это дорогой, утомительный и трудоемкий процесс. Благодаря внедрению AI в кибербезопасность некоторые атаки, которые ранее могли остаться незамеченными, теперь с легкостью предотвращаются.
Кроме того, традиционная кибербезопасность носит реактивный характер: действия предпринимаются только после того, как произошло нарушение. Благодаря внедрению AI эксперты по кибербезопасности могут прогнозировать атаки до их возникновения и принимать необходимые меры предосторожности.
Разработанные с помощью AI и машинного обучения алгоритмы могут использовать данные, чтобы научиться реагировать на различные ситуации, анализировать угрозы, распознавать закономерности и извлекать уроки из прошлого опыта. Однако существующие алгоритмы необходимо дорабатывать, чтобы избежать создания ложных закономерностей и возникновения ложных тревог.
Границы между AI и IoT становятся все более условными. Хотя обе технологии обладают индивидуальными характеристиками, при совместном использовании набор их возможностей существенно расширяется. Одним из ярких примеров слияния AI и IoT являются интеллектуальные голосовые помощники (Alexa, Siri, Алиса и другие). Gartner прогнозирует, что к 2022 году более 80% корпоративных IoT-проектов будут каким-либо образом внедрять AI.
Например, AI и IoT могут пересекаться при реализации таких концепций, как «умное» здание. Интеллектуальные датчики окружающей среды собирают данные о количестве сотрудников, затем система может соответствующим образом регулировать освещение и обогрев, тем самым повышая энергоэффективность.
AI и облачные вычисления
Одна из основных проблем бизнеса при внедрении AI — это высокие начальные затраты на покупку серверов и обеспечение доступа к наборам данных. Облачные вычисления «демократизируют» доступ к AI, т. к. компании получают возможность использовать искусственный интеллект без необходимости делать большие предварительные вложения.
Основные тенденции AI в отношении облачных вычислений будут связаны с такими моделями, как инфраструктура как услуга (IaaS), платформа как услуга (PaaS) и программное обеспечение как услуга (SaaS).
Автопромышленность и автономный транспорт
Помимо развития беспилотного транспорта, эксперты прогнозируют и рост рынка программ, которые предсказывают ситуацию на дорогах — это стало возможным благодаря модернизации камер видеонаблюдения, которые способны производить аналитические операции и распределенные вычисления непосредственно на самом устройстве.
Второй интересный тренд в этой отрасли — так называемые «умные» рельсы. На данный момент эта концепция активно тестируется в Китае, где она называется ART (Autonomous Rail Rapid Transit — автономные скоростные железнодорожные перевозки). Перемещение поезда не требует дополнительного контроля, поскольку он следует по виртуальной траектории.
Цифровые номерные знаки, созданные с использованием AI, помогут транспортным службам разного уровня как для оповещения в случае аварии, так и для определения местоположения машины по GPS.
Искусственный интеллект поможет производителям лучше прогнозировать возможные поломки машин — специальные алгоритмы будут следить за работой устройств и сообщать о возможных неполадках еще до их возникновения. Компьютерное зрение позволит контролировать производственные процессы и обнаруживать даже самые незначительные дефекты, сложные для отслеживания человеком.
Генерация синтетического контента
Еще один интересный тренд — формирующий искусственный интеллект. Этот вид AI поглощает информацию из разных источников и на ее основе создает новый контент — даже программный код. К этой области относится и генерация такого контента, как музыка, изображения или видео. Формирующий AI уже сейчас, на начальной стадии развития, приносит заметную пользу: он анализирует факторы, которые человек может упустить из виду, и способен к самостоятельному обучению. Например, существуют решения для проектирования 3D-моделей протезов и молекул ДНК (для задач генной инженерии).
MarTech — это сочетание маркетинга и технологий для достижения маркетинговых целей и задач. Сегодня рекомендательные системы, цифровой маркетинг, разговорный искусственный интеллект и чат-боты стали привычным инструментом интернет-продаж. Носимые устройства, IoT, сенсорные технологии, cookie и многое другое помогают компаниям собирать огромные объемы данных от обычных потребителей. Затем они используются для лучшего понимания поведения потребителей и создания новых продуктов и услуг. Но поскольку вопросы конфиденциальности продолжают набирать обороты, компании будут искать новые возможности для достижения своих маркетинговых целей, продолжая максимально легально отслеживать поведение потребителей.
Самостоятельная разработка программного обеспечения
Нельзя сказать, что на данный момент роботы получили способность программировать себя сами. Тем не менее, AI помогает разработчикам обнаруживать и исправлять распространенные ИТ-ошибки при создании программного кода, что повышает скорость разработки.
В некоторых кругах идет обширная дискуссия о том, что мы передаем слишком много полномочий по принятию решений машинам. С одной стороны, AI очень помогает людям в оптимизации логистических операций, в борьбе с мошенничеством, в проведении исследований, выполнении переводов, создании произведений искусства — все это изменило нашу жизнь к лучшему.
Тем не менее, «машинная мораль» — это концепция, изучаемая с тех самых пор, как существует сам AI, и она остается весьма актуальной благодаря таким инцидентам, как аварии беспилотных автомобилей или расистские высказывания чат-ботов.
Несмотря на скорость и возможности AI, нельзя рассчитывать, что робот всегда будет справедливым и нейтральным, так как, в конечном итоге, эти приложения созданы людьми. Если человек, создающий приложение, предвзят, кто виноват в происходящем: машина или человек?
Спрос на этичный AI растет, и по мнению Forrester, в следующем десятилетии ИТ-директора должны будут реагировать на требования цифрового рынка и обеспечивать работу бизнеса с учетом этичности использования AI.
Потребность в быстро развивающихся AI-технологиях стимулирует сочетание самых разных факторов: динамичность жизни, возможности для удаленной работы, повышенное внимание к здоровью в долгосрочной перспективе и обилие доступных данных и информации.
AI будет наращивать проникновение как на уровне инфраструктуры, так и на уровне отдельных компонентов. Производство AI-чипов позволит создавать различные линейки AI-продуктов для разных сфер бизнеса и повседневной жизни.
AI-чипы могут быть использованы в видеокамерах, «умных» ассистентах, биометрических замках и пр., позволяя реализовывать алгоритмы AI непосредственно на устройствах. Увеличение скорости обработки будет особенно актуально при создании беспилотных автомобилей, БПЛА, интеллектуальных систем видеонаблюдения, IoT-систем, промышленных роботов и т. д.
Поскольку компании будут продолжать внедрять AI, будет расти потребность в опытных инженерах по искусственному интеллекту и машинному обучению для разработки и сопровождения этих решений.