Чему надо научить офисных роботов

В 2018 г. исполнилось 65 лет с появления одной из первых технологий в истории искусственного интеллекта (AI). Мир узнал об ENIAC – первом умном вычислителе. Для чего людям понадобились суперкомпьютеры? Чтобы справиться с огромным и быстро растущим количеством информации: миллионы задач машина решала в сотни раз быстрее людей. Процесс этот продолжается и сейчас, объемы данных в мире растут сумасшедшими темпами.

Но и технологии не стоят на месте. В XXI в. AI научился не только быстро считать, но и видеть, слышать, читать и даже говорить. При этом такие разработки стали вести не ученые, а корпорации в США, Китае, России и других странах. Причина все та же – попытка укротить огромный поток данных, проанализировать зеттабайты информации в электронных письмах, документах, новостях и комментариях в соцсетях. Amazon и Google, которые первыми из международных корпораций стали внедрять AI в свои сервисы, лидируют на мировом рынке. Крупные игроки в банках, ритейле, медицине и других отраслях вдохновились их успехом. Компании стали массово скупать стартапы в области AI, а зарплаты специалистов по машинному обучению перевалили за сотни тысяч долларов в год. Как эти технологии меняют бизнес?

Сегодня AI приносит пользу компаниям и клиентам по всему миру. В банках он помогает проверять информацию для выдачи кредитов. В энергетике – оценивает износ оборудования, в здравоохранении – определяет диагноз пациента. Например, Ozon.ru создает с помощью нейросетей индивидуальные предложения для посетителей интернет-магазина, в «Ак барсе» чат-бот консультирует клиентов по брокерским продуктам, а в банке «Открытие» AI удаленно открывает счета для юрлиц. По данным Infosys, 86% крупных организаций мира уже используют или начинают внедрять AI. Такие пилоты приносят первые результаты: привлекают клиентов, экономят время и деньги компаний.

Для рутинных повторяющихся задач все чаще применяют роботов. В производство они пришли еще в 1960-е, заменив людей на сборочных линиях заводов, особенно в странах, где труд стоит дорого. А теперь роботизированная автоматизация процессов (RPA) захватывает офисы. Причины – рост мировой конкуренции, жесткие требования рынка к скорости и снижению стоимости процессов и одновременно увеличение стоимости труда во всех странах, в том числе и развивающихся. Информации все больше, при этом нужно снижать затраты на ее обработку. Простым наймом тут не обойтись. Что делать? Использовать программных роботов, которые могут автоматизировать до 70% офисного труда.

Что это такое? Программные роботы – это, конечно, не механизмы на колесиках, а виртуальные сотрудники, которые повторяют действия человека в интерфейсе компьютера. В бухгалтерии RPA извлекает данные из счетов и переносит их в нужные поля в учетной системе. В HR заполняет информацию о сотрудниках, бегая курсором по окошкам программ. В маркетинге наполняет CRM данными из разных источников. Не важно, сколько кликов мышкой надо сделать, главное – чтобы это была одинаковая цепочка шагов по регламенту. Долгое время наиболее популярным способом автоматизации этих процессов была интеграция информационных систем. Но по мере роста числа систем в организациях, их устаревания, снятия части систем с поддержки, отсутствия у некоторых интерфейса программирования оказалось, что нередко дешевле отдать обработку данных в этих же интерфейсах роботам, которые не требуют зарплаты, не отдыхают и не устают (а значит, не делают больше ошибок к вечеру) и сидят не в офисе, а на серверах, чтобы экономить еще и на аренде помещений. И в случае изменений или появления новой информационной системы перенастроить некоторые этапы работы RPA зачастую проще и быстрее, чем интегрировать новую систему с 5–7 уже существующими. Нередко такие проекты окупаются всего за 6–9 месяцев. Можно предположить, что в ближайшие 3–5 лет спрос на эти технологии будет расти активно везде, где нужно быстро обработать большой объем информации по заданному алгоритму.

Конечно, пока возможности программных роботов довольно ограниченны: они не умеют анализировать сложные типы данных, особенно неструктурированные. Между тем до 80% бизнес-информации содержится именно в таких источниках: договорах, контрактах, письмах, новостях. На следующем этапе такие роботы поумнеют благодаря AI: появляются новые возможности, которые ускоряют и упрощают внедрение интеллектуальных технологий. Это открытые программные библиотеки наподобие Tensorflow, бесплатные курсы по machine learning, новые виды нейросетей и т. д. А компании объединяют свои силы с разработчиками технологий в области машинного обучения. Какие проблемы им предстоит решить в ближайшем будущем?

В первую очередь – справиться с нехваткой релевантных данных, времени и ресурсов для обучения нейросетей. Как научить AI обрабатывать тендерную документацию? Проанализировать массив документов, на которых специалисты отметили значимые факты: вид закупки, опыт компании, стоимость поставки. Такие данные долго собирать, они быстро устаревают, а постоянно получать свежую информацию дорого и нерационально. Помогут решить эту задачу новые способы машинного обучения. Это конкурентные нейросети, обучение с подкреплением и передача обучения. Пока это отдельные эксперименты, но именно они повлияют на развитие AI в ближайшее время.

Как работают конкурентные нейросети? На входе две машины получают одинаковые данные. Затем одна из них начинает создавать на их основе новую информацию – например, изображения документов, которые выглядят как настоящие. Задача второй системы – оценить, насколько они правдоподобны. Так дети учатся, играя друг с другом в мяч, после того как узнали правила игры и основные приемы. Беспилотные автомобили так изучают опасные дорожные ситуации (иначе не научить машину, как действовать при взрыве на трассе, – не устраивать же его на самом деле), а наши технологии учатся извлекать значимую информацию из разных источников.

В обучении с подкреплением машина анализирует обстановку с помощью виртуальной модели, которая повторяет особенности внешней среды. Так, с нуля научили играть в го и шахматы AlphaZero, которая с огромной скоростью просчитывала комбинации ходов и выбирала наиболее выигрышные. Вскоре такие разработки перейдут из игр в бизнес. Прогнозируют, что они станут большим подспорьем для инвестиционных аналитиков, риск-менеджеров – всех, кому необходимо выбрать самый выгодный вариант развития событий для компании. Наконец, передача обучения – это возможность использовать одну и ту же нейросеть для похожих, но не одинаковых задач. Так работают и наши технологии: например, если решение умеет анализировать трудовые контракты, ту же систему можно научить работать с договорами купли-продажи, что ускоряет и удешевляет разработку.

В ближайшие три года этими способами будут обучать системы во многих крупных проектах, ведь чем проще и дешевле внедрение, тем быстрее компания сможет применить AI в бизнесе. Но наибольшего успеха достигнут организации, которые смогут не только правильно сочетать возможности интеллекта искусственного и естественного, но и функционально объединять RPA, AR, AI и другие ультрасовременные решения, добиваясь синергетического эффекта от их использования. Именно такой подход приведет к созданию систем, которые мы сможем назвать по-настоящему интеллектуальными. Возможно, этому новому поколению машин мы доверим не только сбор информации, но и принятие несложных решений. А пока стоит начать делегировать задачи программным роботам. Они не заменят нас на рабочем месте, но станут нашими послушными руками, чтобы мы могли больше работать головой.

Автор – генеральный директор «ABBYY Россия»