2/8/2023
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.
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.
После 2022 года начался массовый отток из РФ привычных нам зарубежных вендоров ПО. Российский бизнес стал массово импортозамещать программное обеспечение, на котором работал десятилетиями. Одними из самых частых вопросов при замещении операционных систем стали: «Какую ОС выбрать? Какая из 15 существующих ОС безопаснее и больше подойдет для решения наших задач?». На вопросы отвечает Максим Фокин, руководитель направления сертификации и безопасной разработки ОС «МСВСфера», преподаватель кафедры ИУ-8 МГТУ им. Н.Э. Баумана.
Параллельный импорт и приобретение серверов у иностранных компаний, которые остались на российском рынке, несут с собой ряд рисков. Они касаются работы службы поддержки, замены компонентов, технического обслуживания. А мы помогаем компаниям перейти с зарубежного оборудования и программного обеспечения на российские решения, чтобы свести подобные риски к минимуму. В этой статье мы расскажем о том, как происходит разработка новых серверов, которые мы собираем в наукограде Фрязино, какие обновления мы вносим по просьбам наших клиентов и как клиенты и партнёры (например, «К2Тех») тестируют серверы.
Допустим, вы попали в 1825 год и пытаетесь объяснить крестьянину, что через 200 лет люди будут общаться через «невидимые волны», а железные ящики станут умнее всех академий. Представили его реакцию? ИТ — это не случайность, а закономерный итог 5 000 лет изобретательства. О том, как мы дошли «от счетных камешков до квантовых процессоров», Мурад Мирзоев, директор по развитию ИТ-вендора «Инферит», рассказал в статье на «Хабре».