Возможности машинного обучения (machine learning, ML) лаконично описал глава Amazon Джефф Безос (Jeff Bezos): «За последние десятилетия компьютеры автоматизировали многие процессы, которые программисты могли описать через точные правила и алгоритмы. Современные техники машинного обучения позволяют нам делать то же самое с задачами, для которых намного сложнее задать четкие правила».
Twitter научил нейросети публиковать изображения так, чтобы в центре оказался самый важный и интересный элемент. Apple Watch намерены рекомендовать плейлисты из iTunes, которые будут учитывать сердечный ритм владельца гаджета. Виртуальные ассистенты Siri, Cortana или Google Now уже давно помогают в решении повседневных вопросов, например, какой фильм посмотреть.
Секрет прост: на основе ваших оценок других картин и путем сопоставления ваших предпочтений со вкусами других пользователей система рекомендует наиболее релевантные варианты. Эти частные случаи применения машинного обучения лишь одна капля в океане технологических возможностей. На что же еще способны машины?
Кризисное реагирование
Техногенные катастрофы, поисково-спасательные миссии, вспышки заболеваний – в таких условиях нужно действовать максимально быстро. Задача «умных машин» – спрогнозировать ситуацию, например, динамику и территорию распространения лесных пожаров. Это позволит спасательным службам подготовиться и направить основные силы туда, где помощь нужна больше всего. Кроме того, снизится риск ошибки из-за человеческого фактора.
Новые перспективы для сельского хозяйства
С развитием технологий в последнее время возникла новая модель сельского хозяйства – точное земледелие. Российские специалисты учат роботов анализировать данные, полученные с 2D- и 3D-камер, и прогнозировать рост растений любого вида. При этом 3D-изображения достаточно получить всего один раз, а потом можно использовать самые обычные камеры.
Еще по теме: Как дроны помогают решать экологические проблемы в России
Белорусский проект OneSoil позволяет контролировать состояние растений и работу механизаторов прямо из офиса. Программы анализируют спутниковые снимки, распознают тени, облака, снег, выделяют границы полей с точностью до 5 метров, рассчитывают нормы удобрений. Это не только экономит деньги (хотя бы на обслуживании угодий), но и уменьшает вредное воздействие на окружающую среду.
Решение экологических проблем
Уже сейчас роботы помогают бороться с истощением природных ресурсов и загрязнением окружающей среды. Сервис Rainforest Connection с помощью аудиосенсоров (разработчики назвали их «хранителями») записывает звуки леса и загружает их в облачный сервер в реальном времени. А искусственный интеллект анализирует данные и ищет подозрительные шумы: звуки бензопил и работающих грузовиков.
Еще по теме: Николай Золотых: могут ли машины мыслить, и как их этому научить
По мнению эксперта Комитета гражданских инициатив Сергея Устинова, машинное обучение сейчас больше всего востребовано именно в таких глобальных проектах. «Сервис Global Forest Watch использует данные со спутников для отслеживания незаконной вырубки лесов. То есть машины сравнивают места вырубки с разрешениями на такие работы», – говорит специалист.
С помощью этого сервиса, например, можно узнать, что с 2001 по 2017 год Россия потеряла 54,8 млн га древесного покрова, что на 7,2% меньше, чем в 2000 году. Наиболее сильная потеря древесного покрова наблюдается в Бурятии: 16% по сравнению со средним по стране показателем 4,3%.
Здравоохранение и медицинское обслуживание
Watson от IBM, который представители компании назвали «усилителем естественного интеллекта человека», ускоряет клинические обследования. Он анализирует записи из историй болезни различных пациентов и, исходя из успешной статистики лечения, подбирает наиболее эффективную терапию в каждом конкретном случае.
«Технологий ML, связанных с диагностикой рака, болезни Альцгеймера и других заболеваний, сейчас достаточно. Это масштабные проекты и обширная тема для изучения, – комментирует основатель и руководитель фонда «Открытый город» Виталий Власов. – Сфера социального обслуживания граждан также перспективна. Мне кажется, надо работать над экспертными системами. То есть на входе какая-то информация, а на выходе, на основе какой-то сформированной базы знаний, конкретные результаты. Чат-боты могут выступать, например, в роли виртуальных помощников. Ту же станцию «Алиса» от Яндекса можно приспособить к нуждам инвалидов».
Управление городской инфраструктурой
Современные технологии позволяют создать более комфортные и безопасные условия для жизни. Теплица уже писала про петербургский проект АнтиДТП, ставший победителем хакатона Теплицы в 2018 году. Сервис позволяет выявлять очаги ДТП, координироваться местным жителям и экспертам, вырабатывать аргументированные запросы на изменение схем дорожного движения на конкретных участках.
«Мы еще только в начале пути, – рассказывает Лев Крыленков, координатор проекта. – ГИБДД располагает данными по авариям, где были пострадавшие. Они не всегда полные и зачастую неточные, но это уже дает возможность как-то применять ML. Если на двух одинаковых по многим параметрам перекрестках происходит разное количество ДТП, с чем это связано? Допустим, аварии происходят в темное время суток. Значит, имеет смысл посмотреть, все ли в порядке с освещением».
Решение проблем равенства и инклюзивности
Искусственный интеллект способен помочь в адаптации людям с ограниченными возможностями. Например, распознавать и интерпретировать эмоции при расстройствах аутистического спектра. Саммит Emotion AI Summit 2018 доказал, что ключевым условием доверия между людьми и машинами является именно «эмоциональный интеллект».
В России известен Smooth – петербургский проект, ставший победителем хакатона Open Data Hackathon в 2014 году. Он позволяет построить маршрут по городу на общественном транспорте или пешим ходом с учетом доступности транспорта и пешеходных зон для людей с ограниченной подвижностью.
«С точки зрения реализации это достаточно простой проект, но в плане технологий ребята решали очень сложные задачи. Суть в том, что у нас есть низкопольные автобусы, подходящие для людей, передвигающихся на колясках. Однако далеко не все маршруты ими оборудованы. Используя открытые городские данные о том, где и когда эти автобусы ходят, формируется база маршрутов. Кроме того, люди самостоятельно добавляют информацию о препятствиях на дорогах, знаках, высоких поребриках. Таким образом, система, используя разные источники знаний, на основе тех алгоритмов, что в нее заложили, прокладывает наиболее удобные маршруты», – комментирует Виталий Власов.
Решение социальных проблем
Борьба с терроризмом – одна из приоритетных областей применения современных технологий. В США действует TrapWire, глобальная система слежения с функцией распознавания лиц. Она была создана для обнаружения потенциальных террористов, фотографирующих «важные объекты» (high value targets, HVT), такие как станции метро и городские площади. Как только кто-то делает фотографию важного объекта, система составляет отчет о подозрительной активности и регистрирует его в общей базе данных. Далее ищутся совпадения по персоналиям, номерам автомобилей и другим похожим инцидентам.
В России, по словам Сергея Устинова, идет разработка проекта, который позволит анализировать анкеты заключенных и данные о преступлениях с целью прогнозирования возможности рецидивов.
Пока сложно сказать, насколько широки возможности ML и искусственного интеллекта в принципе. Грядет ли главенство «верховного алгоритма», как и о чем будут «думать» машины будущего? Теплица предлагает подумать над этим вместе – делитесь своими мыслями в наших соцсетях.
