Почему развитие искусственного интеллекта невозможно без облаков

Читать в полной версии

Волны оптимизма и разочарования в возможностях искусственного интеллекта, которые человечество переживало в XX веке, остались позади. Сегодня технологии ИИ — это не что-то, что будоражит сознание, а часть обыденной жизни. Однако бурный рост этой технологии был бы невозможен без роста облачного рынка. Многие ИИ-сервисы, с которыми вы сталкиваетесь каждый день — разговаривая с голосовым помощником, переводя тексты или обрабатывая фотографии с помощью нейросетей — не живут прямо в ваших гаджетах. Сложные вычисления, необходимые искусственному интеллекту, происходят на облачных серверах, а на смартфон или компьютер отправляется лишь результат.

Компании, запускающие масштабные проекты с применением искусственного интеллекта, как правило, делают это в партнерстве с облачным провайдером. Например, Shell запустила ИИ-платформу для анализа бурения и добычи совместно с Microsoft Azure, а 20th Century Fox разработала ИИ-сервис для анализа трейлеров к фильмам в партнерстве с Google Cloud.

Экономическая выгода облачных решений

Десять лет назад запускать модели машинного обучения было очень затратно, потому что необходимо было тратиться на владение, эксплуатацию и обслуживание вычислительного оборудования. Как правило, у моделей ИИ есть стадия обучения, которая требует очень много вычислительных мощностей. Если у вас нет большого запаса виртуальных машин, то модель будет обучаться очень и очень медленно.

Десять лет назад вы бы стояли перед выбором: либо обучить модель быстро, но при этом потратить внушительную сумму на закупку и установку серверов, которые будут простаивать после обучения, либо сэкономить на оборудовании, но очень медленно обучать нейросеть. Благодаря облакам появилась возможность экономить, но не проигрывать в скорости: можно арендовать огромные мощности на время обучения модели, а сразу после отключить лишние ресурсы одной кнопкой и перестать за них платить. Теперь обучать ИИ могут не только корпорации, которые исторически инвестировали в ЦОДы, но и компании любых размеров из любых индустрий.

Облака демонстрируют выгоду и в случае хранения данных. Некоторые типы моделей ИИ приносят тем больше пользы, чем больше информации они обработали. Благодаря аутсорсингу хранилищ данных компании экономят на капитальных и эксплуатационных расходах. В итоге сегодня вы за несколько тысяч долларов можете обучить мощные системы искусственного интеллекта, которые 10-15 лет назад стоили бы сотни тысяч или даже миллионы.

Более высокая скорость разработки ИИ

Для создания решения с использованием машинного или глубокого обучения нужно несколько шагов:

• построение моделей;
• подготовка наборов данных;
• обучение моделей на этих наборах;
• оценка производительности моделей;
• «донастройка» моделей для достижения оптимальных результатов.

Каждый из этих этапов может быть трудоемким и потребовать от специалистов по анализу данных принятия нескольких решений. Облачные сервисы для разработки искусственного интеллекта ускоряют этот процесс. Cloud-сервис может сам выбрать наиболее надежную модель и настроить ее быстрее, чем человек.

Сегодня компаниям, планирующим внедрять ИИ, не нужно «изобретать чат-бот». Благодаря высокой конкуренции между облачными провайдерами на рынке появляются много решений, облегчающих и ускоряющих разработку ИИ под разные задачи и ниши. Google Cloud недавно анонсировал три облачных ИИ-сервиса, заточенных на определенные бизнес-функции, такие как HR и маркетинг, и планирует запустить еще больше.

Среди российских примеров — сервис Model Training (AI Cloud) от SberCloud. Недавно сервис позволил быстро обучить модель, анализирующую потребление электричества на крупном инфраструктурном объекте.

Развитие аппаратного обеспечения

Высокая конкуренция на рынке облачных услуг заставляет провайдеров инвестировать не только в программные, но и в аппаратные решения. Среди тенденций — использование процессоров и сопроцессоров, заточенных на вычисления в области машинного обучения. Оборудование для работы с ИИ-алгоритмами уже выпускают Cisco, Nvidia, Intel и др. К тому же появляются узкоспециализированные микросхемы — например, отдельно для обработки изображений или для синтеза речи. Провайдеры не только закупают эти чипы, но и разрабатывают собственные решения, чтобы снизить свою зависимость от производителей.

Google анонсировала процессор для машинного обучения — Tensor Processing Units — еще в 2016 году. Сегодня воспользоваться вычислениями на TPU могут клиенты Google Clouds. Amazon Web Services в прошлом году представила микросхему AWS Inferentia, разработанную специально под задачи машинного обучения.

Благодаря тому, что клиенты облачных провайдеров могут арендовать вычислительные мощности на время, у них появляется быстрый и недорогой доступ к узкоспециализированным серверам для разработки ИИ.

Еще один пример — от SberCloud, который предлагает продукты для полного цикла разработки машинного обучения с использованием не просто облака, а облачного суперкомпьютера. Сегодня компании из любой точки мира могут позволить себе вычисления на суперкомпьютере, в то время как раньше это было доступно только крупным корпорациям или исследовательским центрам. Это очень сильно ускоряет работу с ИИ — с нескольких недель до нескольких секунд. Такую скорость любят использовать в нефтяной и фарм-отрасли, потому что для них скорость вычислений важнее, чем суммы, которые они на это потратят.

Вызовы, с которыми столкнется бизнес

Если раньше, говоря о предприятиях, использующих искусственный интеллект, подразумевали технологических гигантов вроде Google, Amazon или Microsoft, то сегодня в таком контексте можно говорить о любой компании из любой отрасли. Большинство руководителей организаций, внедривших ИИ в разных областях бизнеса, сообщают о росте доходов в этих областях, а 44% указывают на то, что искусственный интеллект позволил снизить затраты.

В будущем все корпоративное программное обеспечение будет включать хотя бы некоторые элементы ИИ. Перед компаниями встанет вызов — обучать сотрудников «последней мили» (менеджеров и специалистов) работать с решениями на основе искусственного интеллекта каждый день. Сложность этого процесса в том, что люди не чувствуют себя комфортно, когда не понимают, как было принято решение — ИИ в этом плане — «черный ящик».

Ситуация с кадровым голодом постепенно начинает усугубляться — индустрии не хватает компетентных специалистов, которые могут работать с новейшими технологиями. Но решения «ИИ в облаке под ключ» помогут забыть проблему дефицита специалистов, они станут проще в использовании для «не-технарей». Китайский гигант Baidu, к примеру, выпустил платформу обучения искусственного интеллекта под названием EZDL, которая не требует опыта программирования и работает даже с небольшими наборами данных. Data-scientist как сервис есть и в России, среди продуктов облачной компании SberCloud.

Еще один вызов — работа с регуляторами. Зарегулированным отраслям, таким как банкинг или медицина, постепенно разрешают все больше использовать cloud-технологии. Но если говорить про ИИ, то все чаще поднимаются вопросы сохранения конфиденциальности данных. В частности, крупнейшие технологические компании США — Apple, IBM, Amazon, Microsoft — ограничили использование распознавания лиц в своих продуктах.

Очевидно, что обществу и бизнесу во всем мире предстоит дискуссия и выработка норм использования искусственного интеллекта. И здесь облачные провайдеры выступят подспорьем для ИИ-решений. Когда в разных странах будут приняты нормативы по хранению и использованию персональных данных для ИИ, бизнес-модель облачных провайдеров позволит им быть в числе первых, кто получит соответствующие аттестаты. Это облегчит работу с искусственным интеллектом для остальных компаний.

---

Подписывайтесь также на Telegram-канал РБК Тренды и будьте в курсе актуальных тенденций и прогнозов о будущем технологий, эко-номики, образования и инноваций.