На пути к интеллектуализации: важные нюансы

Многие часто упоминают искусственный интеллект (AI) и машинное обучение (ML) как синонимы, однако важно понимать различия между ними, особенно в контексте предиктивной аналитики.

Машинное обучение – это алгоритмы и математические формулы, которые можно проверить и контролировать. Они работают как линейные последовательности, зависимости или деревья решений и в каждом случае приводят к одному и тому же результату. Именно ML обеспечивает решение более 90% задач предиктивной аналитики. Более того, этот подход предпочитают сами клиенты.

Искусственный интеллект, в свою очередь, носит вероятностный характер и может вести себя менее предсказуемо. Нейронные сети AI производят огромное количество вычислений и предлагают результаты, которые могут меняться в зависимости от поданного входного сигнала.

Преимущества нейросети – в способности работать с большим количеством параметров. Если оборудование – например, чипы – зависит от погоды, можно наложить множество данных на его поведение. В этом случае возможно одновременно работать с параметрами влажности, температуры, атмосферного давления, объёма воздуха и газов, запылённости, данными от систем охлаждения и вентиляции.

Для примера можно взять батарею ноутбука. Алгоритмы ML способны предсказать, через какой промежуток времени батарея откажет. Для этого они используют такие данные, как скорость зарядки и разрядки. А искусственный интеллект можно использовать для анализа, поиска ответа на вопрос «Почему это происходит?» Возможно, ноутбук находится под прямыми солнечными лучами. Для этого нейросети нужны дополнительные данные с разнообразных датчиков.

В нашей практике был следующий опыт: кассовые терминалы в торговых точках выходили из строя в осенне-зимний период. Удалось выяснить, что причина – в пыли, которой забивались кулеры. Интересно, откуда она была, и почему проблема возникала в это время года. Механизм следующий: дороги на улицах посыпают хлоридом натрия для борьбы с гололёдом, посетители приносят снег на обуви в магазин, он тает, соль высыхает, и вот уже посетители ходят по сухому полу и поднимают эту пыль. Результат – неспособность кулера охлаждать оборудование, что в итоге приводит к нарушению работы компонентов.

Мы предоставили клиенту предиктивную аналитику в виде сервиса. Наша система собирала параметры по скорости вращения кулеров, дисков, температуры дисков и процессора, скорости интернета и другие. Дерево решений отслеживало изменение каждого из этих параметров, а на выходе мы получали линейную регрессию. Она с точностью в 99% показывала, где произойдёт сбой.

Предиктивная аналитика позволила сети снизить затраты на 40%. Раньше сбой происходил внезапно, после чего сотрудник (а это один человек на несколько магазинов) должен был искать компоненты на замену, производить ремонт оборудования, которое на время теряло работоспособность – так компания теряла деньги. Наша платформа помогает избегать сбоев, ведь если знать, что и где сломается, можно заранее принять необходимые меры.

В подобных случаях возможно использование нейросети, которая в теории давала бы такие советы: «Переместите кассовые аппараты на 5 метров дальше от входа». Также она могла бы предложить график мытья полов с использованием прогноза погоды. Например, если 10 декабря выпадет снег, после чего его посыпят солью, то 11 декабря мыть пол нужно раз в 30 минут, а 12 декабря – уже один раз в час. Кроме того, вероятность запыления кулеров можно снизить, если положить коврики определенного типа на входе и добавить ковры в кассовой зоне.

ИИ используют для исследований, когда не понятен алгоритм появления результата:

• Во-первых, ИИ помогает выявлять причинно-следственную связь. В процессе построения алгоритма ML какой-либо из параметров может меняться по неочевидным причинам. В этом случае ИИ применяется для классификации и категоризации – он помогает найти необходимую ML-формулу.
• Во-вторых, нейросеть используется, когда нет чёткого параметра, чёткой регрессии. ИИ помогает определить вероятность результата, особенно когда приходится с огромным количеством различных данных.

Ритейлеры активно используют нейросети для задач мерчендайзинга. При планировании акций специалисты могут использовать нейросети для прогнозирования потока покупателей и оптимизации маршрутов их передвижения по магазину. Модель может учесть такие факторы, как состав семьи, покупательские предпочтения и привычки, время года, день недели. На основе этих данных товары размещаются таким образом, чтобы максимально удовлетворить потребности клиентов и стимулировать их на дополнительные покупки.

Введение новых параметров в алгоритмы машинного обучения также может значительно повлиять на общую эффективность магазина. Это может быть, например, информация о том, какие товары становятся популярными в определенное время года или при определенных условиях – так ритейлер получает возможность оперативно реагировать на изменения на рынке и учитывать их при планировании ассортимента.

В итоге рост чека может составить и 20% и более, а ведь благодаря большому масштабу торговой сети изменение суммы даже на 2% существенно повлияет на прибыль.

Также искусственный интеллект и ML активно применяют в агропромышленности – ещё одной отрасли, где малейшее изменение может повлиять на конечный результат из-за огромных масштабов. Внедрение этих технологий в агропромышленность позволяет управлять всем процессом от высадки до сбора, повышать продуктивность, снижать затраты. Они помогают оптимизировать расходы на удобрения и другие сельскохозяйственные ресурсы, прогнозировать, когда и в каких количествах следует применять удобрения, определять оптимальный объем воды для полива, учитывая погодные условия и состояние почвы. Кроме того, AI и ML помогают выявлять и контролировать заболевания растений, обнаруживать вредителей. Прогнозирование погодных условий и изменений климата позволяют аграриям лучше подготовиться к возможным трудностям и минимизировать возможные потери.

Однако, при работе с искусственным интеллектом необходимо помнить и о рисках. Ошибки во входных данных могут привести к серьезным проблемам в работе модели AI. Например, если мы используем датасет на английском языке для обучения модели, а затем переводим его на русский язык для применения запросов, могут возникнуть искажения и артефакты. Это связано с различием в структуре языков, контекстуальными и культурными различиями, которые машина не может полностью учесть. Поэтому при работе с искусственным интеллектом необходима особая осторожность и тщательная подготовка данных.

Применение AI и ML в предиктивной аналитике позволяет существенно повысить эффективность бизнес-процессов и уровень предсказуемости развития ситуаций. Это дает нам возможность принимать своевременные и обоснованные решения, повышая тем самым конкурентоспособность вашего бизнеса.

Василий Гурьев, Директор «Инферит ИТМен», для журнала IT-Manager.