— Здравствуйте, Константин. Давайте начнем с классического образования. Где и на кого вы учились после школы? 

После школы я поступил в Сибирский государственный университет телекоммуникаций и информатики (СибГУТИ) на факультет «Экономика и управление по отраслям». На тот момент казалось, что быть экономистом очень хорошо и перспективно. Ну и родители подсказали.

— С чего началась и как развивалась карьера?

Начинал я менеджером по продажам в компании «Телетрейд». Но быстро понял, что продаю услугу по законному отъему денег у доверчивых людей, и ушел из компании. 

Изначально хотелось связать жизнь с финансовыми рынками, числами и красивыми графиками, но в своем городе найти работу мечты не удалось. В итоге устроился менеджером по продажам в компанию «Лабатон», она занималась продажей и сервисным обслуживанием офисной техники. Спустя некоторое время я стал ее директором и учредителем.

— Как она изменилась с тех пор?

Та компания, в которую я устраивался, и текущая — это, как говорится, две большие разницы. Я начал развивать оказание IT-услуг, создание инфраструктурных проектов. Добился высокой степени автоматизации компании, и это сказалось на численности и составе персонала — его стало заметно меньше. Сейчас в компании работает 5 человек.  

— Что за IT-проекты, расскажите, что делаете и для кого?

Один из первых наших проектов был для Новосибирского монтажного техникума. Для них была внедрена инфраструктура на базе MS Windows 2008R2: два доменных контроллера, DHCP. Файрвол — Allied Telesis, фильтрация контента — UserGate Web Filter. 

Cтуденты техникума — это довольно агрессивная среда в плане информационной безопасности, так что мы реализовали групповые политики, сильно ограничивающие действия студентов. Для разных студентов — разные политики.

Сейчас мы запускаем свой сервис облачного видеонаблюдения с сильной видеоаналитикой. Например, распознаванием лиц и объектов, подсчетом посетителей, распознаванием автомобильных номеров.

Даже продажи многофункциональных печатающих устройств с системами управления документами (доступ к МФУ по карте, квотирование печати, подсчет затрат на печать) становятся иногда емкими ИТ-проектами, потому что включают развертывание инфраструктуры на базе MS Windows Server 2016, MDS и программного обеспечения для автоматического распознавания текста и таблиц.

— Вы сильно изменили профиль компании. Наверное, многому приходилось учиться в процессе?

Да, постоянно приходилось что-то осваивать. Например, я прошел группу курсов Microsoft на получение сертификата MSCA — Microsoft Certified Solutions Associate (этот статус подтверждает наличие основных базовых навыков работы с технологиями Microsoft - прим. ред.).

В 33 года я прошёл курс повышения квалификации в НГТУ «Программист за 1 год». Помимо программистских навыков, в 2015 году получил степень MBA в Московской бизнес-школе, где также прошёл много небольших курсов, в том числе по интернет-маркетингу, HTML и CSS. 

— Ваша компания была на «Цифровом прорыве» в Казани. Какой проект там представляли?

Мы показывали там проект для «Газпрома» — прогнозирование ширины стенки трубы нефтепровода, исходя из показаний датчиков дефектоскопа. В финале в Казани мы заняли седьмое место в своей категории, а на региональном этапе до этого были победителями. Для участия построили прогнозную модель аварийности в ЖКХ. Взаимодействие с моделью производилось через web-сервис, созданный нами. И в финале, и на региональном этапе конкурса я был лидером команды и специалистом по машинному обучению.

— Интересный опыт! А какие у вас повседневные рабочие обязанности?

Я директор. Директор – человек, который может компанию вырастить, сделать прибыльной или убить. Чтобы принимать правильные решения, необходимо анализировать рынок, пытаться его прогнозировать. Не все проходит гладко — были две неудачные попытки запустить новое направление на пустом рынке.  Последствия были печальны, компания понесла финансовые потери, пришлось распустить персонал.

Также для тестирования тех или иных бизнес-идей необходимо задействовать инструменты интернет-маркетинга. Сайты я делаю сам. Часто и инструменты продвижения выбираю, и настраиваю их самостоятельно. Ну и конечно, на мне управление персоналом: планирование, организация, мотивация, контроль.

— Хм, вас можно назвать профессионально состоявшимся человеком. Зачем тогда вы пошли учиться в GB?

Мне работать до пенсии еще 29 лет. За 29 лет изменится вся наша жизнь — как трудовая, так и личная. Когда я учился в 2000 году на первом курсе, самым современным средством коммуникации был пейджер. А сейчас уже мало кто вспомнит, что это вообще такое.

Я хотел бы возглавить изменения, происходящие в нашей жизни. Мне нужны были знания в области искусственного интеллекта, ведь он будет внедряться в личной и корпоративной жизни все больше и больше. Именно поэтому я выбрал именно это направление для обучения. GeekBrains я предпочел из-за фундаментального подхода к обучению, здесь одинаково хорошо даются азы и продвинутая часть материала.

— Раньше самостоятельно что-то изучали в области искусственного интеллекта? 

Я начинал самостоятельно изучать статистику, комбинаторику, теорию вероятностей. Прошел курс Python для Data Science на Coursera. Последний хоть и позиционировался для всех, но математику там давали очень поверхностно, упор делался уже на прикладную часть. Обучение шло долго и не очень результативно. Но статистику я хорошо освоил.

— Что было самым интересным во время обучения в GeekBrains, какие задания нравилось выполнять?

Больше всего нравилось выполнять задания, привязанные к жизни. Например, прогнозирование цены квартиры, исходя из определенных параметров.

— Руководители компаний обычно заняты весь день. Как удавалось совмещать работу и учёбу?

Иногда обучение проходит иногда вечерами, но чаще я просыпался на 1,5 часа раньше и слушал лекции или выполнял задания. Из-за разницы во времени я почти никогда не слушал преподавателей в реальном времени. Только в записи.

— Какие приёмы помогали справляться с нагрузкой?

Самые продуктивные часы – это утренние часы. Старайтесь сложные задания или лекции выполнять именно в часы наивысшей продуктивности. Если задача не решается вообще, оставьте её на день, решение обязательно придет.

— Что и как из новых знаний вы применяете в своей компании?

Сейчас я использую методы машинного обучения в анализе внутренних и внешних данных компании для прогнозирования спроса на продукцию и услуги. Создаю системы для автоматического сбора информации.

У нас небольшая компания, и когда дело касается сбора информации, ее анализа и построения прогноза, я все делаю сам. Собираю информацию, анализирую движение товаров у поставщиков (благо у многих есть API). Соотношу эту информацию с отгрузками в своей компании. 

Есть ещё один проект, который пока не реализован в полной мере. Я собираю информацию о продаже коммерческой и некоммерческой недвижимости и обобщаю её. Веду мониторинг количества вакансий в регионе, а также мониторинг экономических показателей региона. Имея всю эту информацию, можно искать зависимости с целью прогнозирования спроса. 

Машинное обучение я также использую на финансовых рынках для статистических арбитражных стратегий, прогноза цен активов, исходя из большого количества факторов.

Вообще, при появлении нового бизнес-процесса в компании я в первую очередь думаю, как его реализовать без или с минимальным участием человека. И в этом мне очень помогают инструменты ИИ.

Начать свое дело

Пять лет назад я решил основать собственный бизнес. До этого с момента окончания вуза я работал программистом 1С, прошел путь от рядового сотрудника до руководителя проектов. За несколько лет в этой сфере я изучил подводные течения рынка, проблемы и потребности клиентов. Из-за медлительности исполнителей, лишней функциональности ПО и банальных сбоев системы крупные компании за одну ночь могли лишиться миллионной прибыли. Со временем у меня сформировалась идея, как автоматизировать типовые процессы в финансовом учете. Чтобы заняться этим, надо было перестать быть наемным сотрудником — лоббирование идей часто отнимает больше сил, чем их воплощение. 

Я хотел начать собственный бизнес, связанный с 1С, не столько из-за финансов, сколько из желания предоставлять качественные услуги и идти в ногу со временем. Поэтому и получилось развить свое дело, нанять штат специалистов, сотрудничать с крупными клиентами. Этот же подход и высшее образование программиста всегда помогали мне следить за трендами в IT и управлении бизнесом. Я заинтересовался технологиями интеграции машины и человека, мобильными приложениями, интерфейсами и автоматизацией.

Понять, чему учиться дальше

Этот интерес привел меня к тому, что пару лет назад я увлекся разработкой приложений на iOS. Изучая материалы в интернете, наткнулся на портал GeekBrains. Посмотрел несколько вебинаров, изучил блог и описания курсов. В итоге начал обучение по профессии «iOS-разработчик». Вскоре отметил, насколько качественно и быстро сегодня можно получить специальность в IT.

В итоге получилось несколько мобильных приложений для клиентов. Одно из них для сети кофеен — помогает принимать товар с завода через мобильный, быстро отмечать информацию о расхождениях, а также фотографировать брак, данные о котором тут же отправляются в базу завода.

Наша компания специализируется на автоматизации финансового и управленческого учета, бухгалтерском и управленческом аутсорсинге. Поэтому мне хотелось разобраться, куда движется сфера финансов. Основные тренды сводились к оптимизации и автоматизации процессов. Так я погрузился в блокчейн-технологии, а затем и в Data Science. 

В стратегию бизнеса на ближайшие пять лет я включил внедрение в делопроизводство машинного обучения. Мне это интересно не только как человеку из IT — я действительно вижу в этом возможность для бизнеса перейти на качественно новый уровень.

Мы занимаемся корпоративным сопровождением — у наших клиентов (каждый — от 20 пользователей) ежедневно возникают вопросы и задачи. И большинство из них — типовые, которые можно легко сортировать и решать без участия человека. Это может здорово сэкономить время и ресурсы, необходимые для расширения клиентской базы, улучшения качества услуг. А в итоге — увеличить прибыль. 

Я начал читать книги и статьи. Но в этой области без фундаментального образования не обойтись. А в GeekUniversity как раз стартовал факультет искусственного интеллекта. Я планировал отправить на обучение нескольких сотрудников, но захотелось сначала попробовать самому. Так в апреле 2019 года я снова стал студентом, на этот раз в онлайне.

Просыпаться и заниматься

Имея свой бизнес, невозможно выделять время на обучение каждый вечер. Так что я сдвинул режим сна и стал заниматься по утрам. Теперь ложусь в 23 часа и встаю в 5. Есть очевидный плюс: когда занимаюсь, голова свежая и никто не беспокоит. Вебинары просматриваю на удвоенной скорости — удобно при дефиците времени.

Больших сложностей в обучении нет, мне хватает 4–8 часов в неделю, в том числе на практические задания. Но иногда требуется намного больше — особенно когда берешься за задачи «со звездочкой». Скорее всего, дальше будет сложнее, так как пока мы прошли только вводную часть. Но польза от обучения уже есть. По подаче и актуальности курс мне нравится. Уже думаю над тем, кого из сотрудников наградить поступлением в GeekUniversity.

И сразу использовать знания 

Изученные возможности я уже внедряю в бизнес. В компании мы запустили процессы DevOps. Много времени уходит на организацию совместной разработки и загрузки изменений в продакшн у клиента. Особенно когда клиент работает с раннего утра до 23 часов — тогда возможность внести изменения в его базу есть только ночью. Внедрение Git и сопутствующих технологий позволило автоматизировать процесс и разгрузить разработчиков.

На Python пишем нагрузочные тесты для веб-сервисов. Получается хорошо — благодаря простому и удобному синтаксису, а также богатым библиотекам. 

По мотивам курса по Linux и облачным вычислениям меняем свою инфраструктуру. Мы разрабатываем свой сервис для корпоративной поддержки клиентов, поэтому задача по организации базы для этого сервиса очень кстати.

Вообще мне кажется, что технологии искусственного интеллекта и машинного обучения рано или поздно проникнут во все сферы и любой бизнес. И это не страшилка о том, что роботы заменят людей, — напротив, спрос на человеческие ресурсы только вырастет.

Но что произойдет точно, так это улучшится качество услуг. В 1С вижу огромный потенциал для развития как на стороне клиентов, так и на нашей — у интегратора. Сейчас много времени тратится на однотипную работу. Внедрение машинного обучения в работу по обращениям пользователей — наш следующий шаг. Далее — онлайн-отслеживание ошибок на стороне клиента.

Делать предсказания — занятие неблагодарное. Во все времена находились скептики, которые презирали пророков и ясновидцев. Когда подключились ученые, делающие прогнозы на основе тщательного анализа и статистических расчетов, отношение общественности к предсказаниям немного изменилось, хотя доля скептицизма сохранилась. Кое-кто припоминает с треском провалившиеся пророчества Билла Гейтса о том, что 640 Кб памяти будет достаточно для любого компьютера, или Кена Олсена, утверждавшего в 1977 году, что никому не придет в голову купить себе домашний компьютер.

Есть множество примеров того, как не сбылись предсказания экспертов о будущем научно-технического прогресса и о будущем IT индустрии в целом. Но ведь это вовсе не означает, что делать прогнозы — бессмысленно! GeekBrains собрал ряд прогнозов развития направлений в IT на ближайшие десятилетия.

Облака сгущаются, и это хорошо

Уже сегодня ясно, что облачные сервисы будут развиваться быстрыми темпами. Сейчас облака получают решающее преимущество: быстродействие и оперативное получение результата становятся важными критериями качества ПО.

В облаках можно хранить не только данные, но и сами исполняемые программы. Программное обеспечение, работающее в облаках, не зависит от того, каким компьютером располагает пользователь. У вас может быть устаревший процессор, маленький жесткий диск и смешной объем оперативной памяти — от компьютера требуется только тянуть браузер. Остальное сделают серверы облака: запустят программу, обработают данные, вернут результат.

Чтобы ускорить работу большой задачи, облако может задействовать свои внутренние резервы мощности — подключить дополнительные процессоры, выделить больше памяти. Когда необходимость в этих ресурсах отпадет, они будут перекинуты на обслуживание иных задач, выполнение запросов других пользователей.

Облака хороши тем, что позволяют работать с любым программным обеспечением и любыми объемами информации, не заморачиваясь созданием собственной сложной IT-инфраструктуры, а порой даже не имея в штате компании системного администратора!

Данные рулят

Давно известно: кто владеет информацией — владеет миром. С появлением цифровых носителей, а тем более интернета, ее накопление и обмен стали простыми, удобными и быстрыми как никогда. Количество цифровой информации удваивается каждые 18 месяцев. Ее не только много — она еще и доступна большинству жителей Земли. В будущем этот тренд, видимо, сохранится.

Обработка данных, их анализ и прогнозирование становятся уже сегодня важной частью нашей жизни и превращается в одно из самых перспективных направлений в IT сфере. Специальность Data Scientist считается одной из самых перспективных и высокооплачиваемых. И это неудивительно — чтобы отловить в мутном информационном океане нужные факты, очистить их, проанализировать и правильно интерпретировать, требуется немало знаний и навыков.

Можно с уверенностью говорить о том, что в последующие годы востребованность специалистов по Data Science будет расти экспоненциально, а внутри профессии появятся узкие направления. 

Машины продолжают учиться

То, что еще недавно называли расплывчатым термином «искусственный интеллект», сегодня находит практическое воплощение в машинном обучении и нейросетях.

Обучать нейронные сети пытались уже давно (первый перцептрон был создан еще в 1957), однако особых успехов они не показывали. Прорыв в этом направлении произошел в середине нулевых, и с тех пор нейросети «загорелись желанием» учиться. 

Сегодня они незримо окружают нас повсюду. Искусственный интеллект находит в кадре фотокамеры лица и выделяет их рамкой, переводит тексты, в беспилотном автомобиле распознает изображения с камер в режиме реального времени и ведет машину, автоматически подстраиваясь под режим дорожного движения. Всякий раз, когда мы говорим смартфону «Окей, Гугл!» или «Привет, Сири!», мы обращаемся к искусственному интеллекту, который способен распознать речь, перевести ее в понятные машине символы, запустить задачи, отыскать и озвучить сведения. Возможности нейросетей впечатляют — а ведь это далеко не самые продвинутые!

Сложно сказать, увидим ли мы искусственный разум, равный человеческому, но уже сейчас ясно, что для специалистов по машинному обучению в будущем найдется работа. 

Фотографируем на утюг

Возможно, в будущем эта шутка приблизится к реальности. Мог ли кто-нибудь 30 лет назад предположить, что мы будем фотографировать с помощью телефона, смотреть на нем кино и играть в игры?

Устройства, окружающие нас, становятся не только универсальнее, но и интеллектуальнее. Язык Java, изначально предназначенный для разработки программ для бытовой техники, существует и активно используется уже долгое время. Сегодня никого не удивить домашней системой видеонаблюдения или умным холодильником, подключенными к Всемирной паутине. Технологии в IT продолжают развиваться, и не за горами день, когда интернет будет буквально в каждом утюге и зубной щетке, а пользователи на форумах будут обмениваться идеями, как получить root-доступ к кофеварке или офисному креслу.

Для всей этой электроники потребуется софт. Серьезной проблемой может стать взаимодействие разных устройств и их интеграция в систему умного дома. Для этого потребуется выработка единых для всех производителей стандартов — как самого «железа», так и обмена данными между девайсами. Будем надеяться, что уже в ближайшее время станет возможно позвонить домой и попросить домашний ИИ, чтобы он проверил, выключен ли утюг. А еще пусть включит подсветку в аквариуме и покормит кота!

Безопасность под угрозой

Увы, далеко не всегда разработчики умных устройств способны защитить свой продукт от хакеров. Любой девайс может подвергнуться кибератаке. От момента изготовления прибора на заводе до покупки и установки в доме могут пройти месяцы, а то и год-полтора. Почти наверняка к тому моменту, когда владелец подключит устройство к своей домашней сети, его прошивка уже устареет. Обновление и постоянный контроль за версиями нескольких десятков умных устройств может стать настоящей головной болью для их владельца. Рядовой пользователь (да и большинство продвинутых) никогда не может быть уверен, что в устройстве используется последняя версия программного обеспечения, что в нем исправлены все недочеты и «дыры», которыми может воспользоваться злоумышленник.

Учитывая, что производителей техники много и у всех разные подходы, можно с уверенностью сказать, что забота о безопасности умного дома ляжет на плечи его владельца, а проблемы обязательно будут расти, как снежный ком.

Мир закрывающихся возможностей

Разница между персональными компьютерами и умными устройствами — это вопрос не только форм-фактора, но и используемого программного обеспечения. Создавать и распространять программы для компьютера несложно: достаточно овладеть любым подходящим языком программирования и выложить готовый продукт в интернет.

Но ПК постепенно отходит на второй план. Играть куда удобнее на игровой консоли или смартфоне. Серфить по интернету или смотреть фильмы можно с планшета. Согласно данным TAdviser, продажи десктопов и ноутбуков сокращаются уже 7 лет подряд — их попросту вытесняют мобильные и консольные устройства.

При этом разработка ПО для них может стать проблемой. К примеру, чтобы выйти на рынок мобильных приложений, потребуются финансовые вложения в регистрацию разработчика в Google Play Market или App Store — и не факт, что доходы от продаж или рекламы в приложениях отобьют уплаченные суммы. Разработка для игровых консолей также сопряжена с трудностями и тратами. И даже успешно преодолев все препятствия, разработчик будет постоянно ощущать давление со стороны владельцев этих платформ: как минимум они подвергают цензуре приложения и контролируют их соответствие внутренним стандартам качества. Это делается, чтобы не допустить распространения плохо написанных, глючных, вредоносных программ. Но это цензура, и программист вынужден прыгать через обруч, который протягивает ему платформа. Все несогласные вынуждены покинуть официальные магазины, что фактически означает запрет на распространение приложения.

Кроме того, существует большой сегмент устройств (например, бытовой техники со встроенным ПО), в котором разработка узурпирована создателем девайса, а приложения не могут быть ни доработаны, ни заменены сторонним разработчиком.

Впрочем, и свободное распространение программ для ПК уже становится не таким, как прежде. Онлайн-сервисы типа Steam, предназначенные для дистрибуции программ, специализированные магазины приложений (Microsoft Store и т. п.) — все это закрытые системы, требующие от разработчика дополнительных усилий или затрат.

Автономный транспорт

Транспорт — еще одна отрасль, где сегодня программисты мало задействованы, но которая уже скоро будет нуждаться в квалифицированных специалистах. Мы едва-едва привыкли к новостям о беспилотных автомобилях и самолетах, используемых ВВС. Но наступит день, когда и транспортная, и пассажирская авиация перейдут на такой режим. Сейчас автоматика способна поддерживать практически весь полет, включая посадку. Amazon и другие компании уже несколько лет разрабатывают систему беспилотной доставки посылок с помощью дронов, которая в перспективе обещает произвести настоящую революцию в работе почтовых и курьерских служб — кстати, кое-где такая доставка уже работает! А за пределами Земли беспилотные космические корабли исследуют Солнечную систему.

В дальнейшем беспилотными станут и другие виды транспорта: поезда, метрополитен, трамваи и троллейбусы, морские суда. И всем им потребуется программное обеспечение. Сейчас его разрабатывают первопроходцы, но в будущем это направление может развиться в полноценную сферу занятости. 

Dura lex

Новые реалии потребуют соответствующих изменений в законодательной базе. К примеру, в России требования, относящиеся к беспилотным летательным аппаратам, таковы, что для запуска обычного дрона для фотосъемки требуется пройти семь кругов бюрократического ада: сперва зарегистрировать аппарат, а затем еще и получить целый ряд разрешений. Из-за этого большинство владельцев предпочитают использовать их нелегально, несмотря на риск нарваться на штраф. Не существует и законов, регулирующих эксплуатацию беспилотных автомобилей.

Киберпреступления — мошенничество в интернете, фишинг, создание вирусов и несанкционированный доступ — становятся все более распространенными. Но в большинстве случаев преступники не только не попадают на скамью подсудимых, но и вообще де-факто не преследуются законом. Несовершенство законодательства позволяет им оставаться невидимками и ускользать от правосудия.

Передовые технологии в IT, при всех своих плюсах, открывают новые возможности не только для порядочных граждан, но и для злоумышленников. Порой законодатель, пытаясь оградить общество от реальной или вымышленной киберугрозы, встает на пути прогресса и запрещает технологию в целом или блокирует ее частично. Пример — проект «Золотой щит», более известный под неофициальным названием «Великий китайский файрвол». Эта система фильтрации интернет-контента задумывалась как часть системы безопасности, ограждающей китайских пользователей от потенциально опасной информации. В результате она превратилась в инструмент жесткой цензуры и пропаганды. Другой пример — попытка законодательного запрета VPN в России в 2017 году и мессенджера Telegram в 2018, которая нанесла удар по множеству ни в чем не повинных веб-сервисов и компаний. Никаких положительных результатов эти действия не дали.

Требуется время, чтобы новые технологии перестали восприниматься как угрозы, а законодательство выработало нормативы, которые будут поддерживать развитие и оперативно пресекать злоупотребления в этой сфере. 

Будущее туманно, и сделать точные прогнозы удается не всегда. Но мы верим в одно: оно будет таким, каким мы его сделаем сами.

Искусственный интеллект — одна из самых захватывающих тем фантастики XX века — делает невероятные успехи. Мы постоянно используем ИИ в повседневной жизни, зачастую сами того не подозревая. Тем не менее и сегодня искусственный разум не сходит со страниц фантастических романов и экранов кинотеатров. Кто-то из авторов рисует страшные картины порабощенного машиной человечества, а другие, напротив, видят в ИИ верного помощника и друга человека. 

Где истина и что такое на самом деле искусственный интеллект? Превзойдет ли он когда-нибудь возможности человеческого разума? Или это уже произошло? GeekBrains готов ответить на самые популярные вопросы об искусственном интеллекте и перспективах его использования.

Что такое искусственный интеллект?

Искусственный интеллект (сокращенно — ИИ) — размытое понятие, и общепринятого определения у него до сих пор нет. В середине XX века, когда на Дартмутском семинаре впервые прозвучал этот термин, авторы вкладывали в него значение, существенно отличающееся от современных. Тогда ученые полагали, что искусственный интеллект — это система, которая будет способна переводить тексты с одного языка на другой, распознавать объекты по фото или видео, улавливать смысл произнесенных фраз и адекватно на них отвечать. Нынешние ИИ умеют все это! Но можем ли мы считать, что цели достигнуты и искусственный интеллект уже создан?

Вряд ли. Ведь чем дальше мы продвигаемся по пути создания искусственного разума и чем более впечатляющих успехов достигаем, тем больше требований выдвигаем к ИИ. 

Некоторые ученые строят сложные теории на стыке философии и информатики, пытаясь определить, что же такое ИИ и каковы должны быть характеристики системы, чтобы считать ее разумной. Не вдаваясь в подробности, можно сказать, что интеллект определяется как способность к обучению, осознанию и применению знаний на практике. Следовательно, от искусственного интеллекта мы тоже вправе ожидать умения учиться, осознавать свои знания и использовать их. С первой и последней задачами современные ИИ вполне справляются!

Летом 1956 года в Дартмуте ученые собрались на семинар, посвященный вопросам искусственного интеллекта (там и был сформулирован этот термин), а уже в следующем году появилась концепция первой искусственной нейросети — перцептрон. В 1960 году Фрэнк Розенблатт создал на основе этой концепции компьютер «Марк-1». Первый в мире нейрокомпьютер учили распознавать буквы латинского алфавита. Но несовершенство техники 60-х и сложность процессов не позволили довести технологию до ума, а ее разработчик вскоре погиб. О нейрокомпьютерах забыли на 20 лет.

Лишь в 1980-е концепции нейросетей снова принялись изучать всерьез. Техника уже была достаточно мощной, да и критиков поубавилось: умная электроника быстро делала успехи. То, что два десятилетия назад казалось мечтой, стало выглядеть вполне реальным и достижимым. Впрочем, чтобы найти правильные подходы к обучению нейросетей, потребовалось еще 20 лет. Только в середине 2000-х ученые нащупали верный путь и искусственные нейросети начали свое победное шествие по планете.

Но прежде чем описывать их успехи, разберемся, как устроены эти сети.

Описание искусственного нейрона

Искусственные нейронные сети создавались как математическая модель человеческого мозга. Для этого ученым Уоррену Мак-Каллоку и Уолтеру Питтсу пришлось выработать теорию деятельности человеческого мозга. 

В нем отдельные нейроны представляют собой живые клетки со сложным устройством. У каждого нейрона есть дендриты — разветвленные отростки, способные обмениваться сигналами с другими нейронами через синапсы, а также один аксон — более крупный отросток, отвечающий за передачу импульса от нейрона. Часть синапсов отвечает за возбуждение нейрона, часть — за торможение. От того, какие сигналы и через какие синаптические связи придут на «вход» нейрона, будут зависеть и те импульсы, которые он передаст другим нейронам. 

Для искусственного нейрона физический носитель не нужен. По большому счету, он представляет собой математическую функцию. Ее задача — получить информацию (например, сигналы от множества других искусственных нейронов), обработать ее определенным образом, а затем выдать результат на «аксон» — выход. В искусственной сети нейроны принято делить на три типа:

• входные — каждый из этих нейронов получает на «вход» элемент исходной информации (например, одну точку изображения, если сеть распознает фотографии);
• промежуточные — обрабатывают информацию;
• выходные — выдают результат (при распознавании фото результатом может быть идентификатор изображенного объекта).

Сама нейросеть создается слоями, как пирог. Один из внешних слоев содержит входные нейроны, другой — выходные, а между ними могут располагаться один или несколько промежуточных. Каждый нейрон промежуточной сети соединен с множеством нейронов из двух окружающих слоев. Общение между нейронами обеспечивается с помощью весов — числовых значений, которые каждый нейрон вычисляет на основе данных, полученных от предыдущего слоя сети. 

Создавая искусственные нейронные сети, ученые ориентировались на устройство человеческого мозга. Поэтому принципы поведения рукотворных нейронов не так уж сильно отличаются от настоящих, живых. Может быть, и разум, который сможет развиться на основе таких нейросетей, будет приближен к человеческому?

Отличие искусственного интеллекта от естественного

Вопрос, чем ИИ отличается от естественного интеллекта, на самом деле лежит скорее в философской плоскости, чем в строго научной. И дело даже не в том, что мы не можем представить себе, на что будет похож (или не похож) искусственно созданный разум. Вообразить мы как раз способны что угодно — и писатели-фантасты многократно это доказали. Дело в том, что ни один искусственный интеллект, существующий на сегодняшний день, не достиг достаточно высокого уровня развития, чтобы состязаться с человеком на равных.

Существует точка зрения, высказанная философом Джоном Серлом еще в 1980-е годы. Он ввел термины «сильный ИИ» и «слабый ИИ». Сильный искусственный интеллект, по мнению ученого, может осознавать себя и мыслить подобно человеку. Слабый на это не способен. 

Сегодняшние ИИ, если классифицировать их по Серлу, однозначно относятся к слабым, поскольку ни у одного из них пока не зародилось самосознания. Наши искусственные нейросети распознают лица и рисуют странные, невероятные картины, читают рукописный текст и даже складывают стихи — но они и создавались исключительно для этих целей. Ни одна из этих нейросетей не способна передумать и выбрать для себя другую «специальность». Они делают лишь то, чему их обучили, и в некотором смысле их можно считать запрограммированными на выполнение этих задач. Подлинного понимания, что стоит за этими вещами, у них нет. Серл утверждал, что построение сильного ИИ в принципе невозможно.

Еще один философ, Хьюберт Дрейфус, также полагал, что компьютерные системы никогда не смогут сравняться с человеком — так как в своей разумной деятельности он опирается не только на усвоенные знания, но и эмпирический опыт. Компьютеры им не обладают по определению — следовательно, не судьба им развить собственный разум.

Но эти самоуверенные утверждения были сделаны во времена, когда нейросети делали только первые шаги. Сегодня, глядя на их успехи в обучении, нетрудно поверить в реальность ИИ, который сможет стать равным человеку, а то и превзойти его.

 Как сравнить человеческий и компьютерный интеллекты?

Постойте, а как мы вообще можем определить, достиг ли искусственный интеллект человеческого уровня или нет?

Можно предположить, что один из критериев — наличие чувств и эмоций, а также креативность. Если машина начала испытывать страх или любовь, если она вдруг решила написать стихотворение или нарисовать картину — разве это не будет проявлением разума?

Вполне возможно. Однако чувства есть и у животных, и у птиц. При этом на вопрос об их разумности (тем более — равенстве их разума человеческому) мы чаще отвечаем отрицательно. К тому же, чувства можно и запрограммировать — в большинстве они являются реакцией на конкретные внешние раздражители. Наконец, у нас попросту нет данных о том, смогут ли компьютеры когда-нибудь испытывать эмоции, сравнимые с человеческими. Но должны ли их чувства быть похожими на наши?

Может, более надежный критерий — самосознание? Если машина задается вопросом «Кто я?» — это и есть момент появления разумности? Но самосознание присутствует и у животных. При этом большинство людей вполне способны прожить свой век, не вникая в глубокие философские вопросы.

Существуют ли более точные и строгие методы для сравнения интеллектов? Ведь есть же коэффициент IQ, с помощью которого можно оценить умственные способности человека. Почему бы не использовать его для машины?

 У компьютерных программ есть IQ?

Измерить интеллект даже у человека невероятно сложно — к когнитивным и мыслительным способностям нельзя приложить линейку. Более того, IQ — показатель не абсолютный, а относительный. Некоторые ученые вообще считают, что тесты IQ измеряют не интеллект как таковой, а способность проходить такие тесты. Ее можно натренировать и получить блестящий результат — но интеллект при этом, разумеется, не изменится. Так что показатель IQ — не более чем число, которое связано с интеллектом, но не может дать его объективную оценку. 

В некоторых IQ-тестах преобладают задачи на наблюдательность или логику, в других — на комбинаторику, в третьих — на математическое мышление. Результат будет зависеть от того, что дается человеку легче и в чем он компетентнее. Значение имеют скорость прохождения тестов и специализация задач. 

ИИ тоже можно «натаскать» на решение определенных классов задач, и на IQ-тест у машины уйдет куда меньше времени, чем у человека. Так что нейросеть сможет набирать немыслимые для гениальных людей баллы, но при этом будет не способна ответить на простейшие вопросы, к которым ее при обучении не подготовили.

Так существуют ли вообще критерии, по которым можно объективно судить о машинном интеллекте? Одним из первых исследователей, попытавшихся выработать их, стал известный британский математик Алан Тьюринг. 

Что такое тест Тьюринга?

В 1950 году Тьюринг опубликовал статью «Вычислительные машины и разум», в которой обсуждал вопросы теоретической возможности мышления у машин. Это было не первое исследование на тему искусственного интеллекта и даже не первая подобная работа Тьюринга, но именно она стала отправной точкой серьезных научных дискуссий и споров. 

Тьюринг начал с определений, чтобы уточнить вопрос о том, может ли машина думать, — он показался ему слишком размытым. Что за машина имеется в виду? Что вообще означает «думать»?.. Было очевидно, что такой вопрос изначально несет в себе иррациональное зерно, которое не позволит дать на него правильный ответ. Результатом размышлений ученого стал тест Тьюринга — эксперимент, в котором человеку («судье») предлагается общаться с двумя собеседниками: человеком и компьютером. Задача судьи — понять, кто есть кто. Если в результате он не уверен, который из его собеседников — программа, или ошибся в оценке, считается, что машина прошла тест.

Суть теста Тьюринга не в создании «машины-обманщика», способной притвориться человеком. Он помогает убедиться в том, что конкретная машина или программа обладает разумом, который трудно отличить от человеческого. Такой компьютер Тьюринг назвал «интеллектуальным» — этому определению уже более 60 лет, и оно остается актуальным.

Процессоры для ИИ

Технологии ИИ не ограничиваются программными решениями. Сегодня активно разрабатываются электронные чипы, в которые поддержка ИИ встроена на аппаратном уровне. Микропроцессоры такого типа называют нейронными процессорами. Они применяются в беспилотных автомобилях и летательных аппаратах (дронах), промышленных роботах и автоматах, а также для решения специализированных задач — распознавания голоса или изображений, создания поисковых систем и машинных переводчиков.

Среди таких девайсов — тензорный процессор Google (TPU), созданный специально для систем машинного обучения. В свободной продаже этого устройства пока нет: его использует только сама компания Google — для оптимизации поисковой выдачи и обработки фотографий. TPU оперирует 8-битными числами (что чрезвычайно мало для точных вычислений), и имеет чуть более десятка команд (другие современные процессоры могут располагать сотнями). Но это не мешает тензорному процессору эффективно выполнять расчеты, связанные с искусственным интеллектом и нейросетями. Процессор быстро развивается — Google каждый год выкатывает новую версию. 

Тензорный процессор Google Tensor Processing Unit 3.0 (TPU)

Есть и другие разработки подобных чипов. Многие из них — узкоспециализированные: к примеру, предназначены ускорять программы ИИ для компьютерного зрения.

Рынок технологий искусственного интеллекта

Технологии искусственного интеллекта применяются практически во всех сферах человеческой деятельности, так что у искусственного интеллекта большое будущее. Рынок продуктов, использующих ИИ, стремительно растет.

Мировой рынок

К 2022 году прогнозируемый объем рынка ИИ достигнет 52 миллиардов долларов. Возможно, это не такая уж большая цифра — к примеру, рынок компьютерных игр к этому же году превысит 130 миллиардов, а рынок смартфонов уже в 2018 был в 10 раз больше — 520 миллиардов. 

Но рынок ИИ показывает беспримерно высокий рост — по некоторым оценкам, он увеличивается примерно на 30 % ежегодно (аналогичные показатели для игр и смартфонов — около 5 %). Если такие темпы внедрения технологий сохранятся еще несколько лет, можно ожидать, что скоро искусственный интеллект будет буквально повсюду.

Свой вклад в развитие ИИ вносят крупнейшие мировые IT-компании: Google, IBM, Intel, Nvidia. Среди стран лидируют США, Китай и Великобритания. 

В России

Если в 2017 году проектов с использованием ИИ в России было всего несколько десятков, то в 2018 — уже сотни. По прогнозам экспертов, к 2020 году объем рынка достигнет 28 миллиардов рублей (примерно 450 миллионов долларов). Активнее всего новые технологии используются в финансовой сфере, а также телекоммуникациях, ритейле и энергетике. Некоторые компании нанимают команды специалистов, занимающихся исключительно вопросами разработки и внедрения систем ИИ.

Несмотря на то, что рост рынка идет в целом даже быстрее, чем в мире, есть проблемы. Главной бедой остается нехватка специалистов по машинному обучению. Значит, самое время заняться изучением ИИ, чтобы получить востребованную специальность и высокооплачиваемую работу.

Влияние искусственного интеллекта на рынок труда

Уже сегодня существуют области, где ИИ может заменить человека. Например, приложения могут отвечать клиентам по телефону или в чате на несложные вопросы. Это позволяет оптимизировать нагрузку операторов call-центров и даже сократить их штат. 

На производстве ИИ способен управлять автоматикой и промышленными роботами. Искусственная нейросеть, постоянно контролирующая показатели множества датчиков, сумеет быстрее человека среагировать на нештатную ситуацию и предпринять правильные меры — отключить конвейер или остановить механизмы. Во многих случаях такие системы могут заранее предсказать неполадки и предотвратить ЧП. 

ИИ будет вытеснять людей с рабочих мест. Он обходится дешевле и допускает меньше ошибок. Не умеет лениться, прокрастинировать и зависать в фейсбуке, не нуждается в отдыхе, сне и отпуске, не грустит и не устает. Идеальный работник.

В первую очередь искусственные нейросети потеснят человека в выполнении рутинных операций, возьмут на себя сложные расчеты, оценку рисков, сбор информации, моделирование ситуаций по заданным параметрам. ИИ можно задействовать на опасных и вредных производствах.

Но люди по-прежнему будут нужны там, где роботы еще долго не сумеют составить им конкуренцию. И речь не только о творческой сфере. ИИ пока способен выполнять только узкоспециализированные задачи, на которые его натренировали, поэтому заменить людей могут в той же мере, что калькулятор — математика. При этом развитие технологий ИИ открывает огромный рынок труда для специалистов, связанных с машинным обучением и обслуживанием интеллектуальной техники.

Где используется ИИ?

Говоря кратко — почти везде! 

Не так уж много осталось сфер человеческой деятельности, совсем не затронутых технологиями ИИ. Рассмотрим только самые важные области, где ИИ уже используется.

ИИ в интернете

Всякий раз, когда вы произносите «Окей, Гугл» или «Привет, Сири», вы обращаетесь к искусственному интеллекту в вашем смартфоне. Он способен распознать в сигнале с микрофона обращенную к нему речь. Он записывает ваш вопрос и пересылает на серверы Google или Apple. Там к делу подключается второй ИИ, который распознает речь и переводит вопрос в понятный компьютеру формат. А затем третий выполняет поиск ответа по гигантским базам данных. Наконец, ответ возвращается на ваш смартфон, где ИИ, генерирующий человеческий голос, озвучивает его для вас. И все это за доли секунды.

ИИ на транспорте и в логистике

Впечатляющее применение искусственных нейросетей — беспилотные автомобили. За последнее десятилетие разрабатывать машину, которая была бы способна самостоятельно перемещаться по дорогам, взялись многие автопроизводители — General Motors, Nissan, BMW, Honda, Volkswagen, Audi, Volvo, а также компании Google и Tesla. Беспилотники пока не стали массовым явлением на улицах наших городов, но они явно делают успехи. 

Компания Amazon с 2013 года разрабатывает идею доставки товаров и почтовых отправлений с помощью дронов. Впервые посылка прибыла к получателю с беспилотным летательным аппаратом еще в декабре 2016. В некоторых регионах дронами доставляют еду, лекарства и даже портативные дефибрилляторы. Система пока не идеальна, но она продолжает развиваться. К сожалению, дроны могут служить и противозаконным целям: зафиксированы случаи доставки запрещенных предметов в тюрьмы с помощью беспилотников, а также использование дронов для перевозки наркотиков.

ИИ в финансах

В финансовой сфере ИИ применяют для прогнозирования рисков, выявления мошенничества. Корпорация MasterCard, создавшая международную платежную систему, несколько лет назад внедрила сервис Decision Intelligence. Он призван повысить точность подтверждения подлинных транзакций и снизить вероятность ложных отклонений платежей — это ошибочное срабатывание встроенной системы безопасности, которая не позволяет совершить корректную транзакцию, принятую за мошенническую. Подобные ошибки наносят вред как продавцу, теряющему клиента, так и покупателю, не получающему товар. Убытки получаются даже выше, чем ущерб от мошенничества. 

Система, работающая на искусственной нейросети, использует информацию из множества источников, чтобы на лету оценивать, насколько транзакция «нормальна». Учитывается не только надежность и история транзакций продавца, но даже типичность покупки для покупателя и его местоположение, а также время суток. Все это помогает надежнее защитить людей от мошенничества и минимизировать ложные срабатывания.

ИИ в медицине

В здравоохранении ИИ развивается в первую очередь в области диагностики заболеваний. Искусственные нейросети научились распознавать раковые опухоли на рентгеновских снимках, КТ, маммографии и МРТ. Опытному врачу на изучение снимка требуется около 20 минут, а нейросети — считаные секунды. Так что пациент может узнать результаты обследования практически мгновенно. Особенно приятно, что такие разработки ведутся и в России.

Диагностирующие ИИ способны выявлять не только рак, но и ранние стадии болезни Альцгеймера, пневмонию и другие заболевания. 

В обороне и военном деле

В 2018 году стало известно, что в армии США разрабатывается ИИ, способный распознавать человеческие лица в темноте и даже сквозь стены — с помощью тепловизора. Ожидается, что технология поможет выявлять главарей банд в местах военных действий. 

Другой ИИ — ALPHA — создан для управления беспилотными истребителями и ведения воздушного боя. В одном из сражений на симуляторах компьютер победил, управляя одновременно четырьмя самолетами против двух противников-людей. 

Разрабатываются также системы прицеливания для танков, способные заметить закамуфлированные цели.

В военно-промышленном комплексе ИИ поможет повысить обороноспособность стран, но может стать и оружием террора.

В бизнесе и торговле

В ритейле ИИ производит революцию. Искусственные нейросети улучшают качество сервиса и обеспечивают индивидуальный подход к каждому потребителю. Умные технологии выявляют мошенничества с банковскими картами, дают персональные советы и помогают подобрать товар.

Согласно данным TAdviser, в 2018 году свыше трети всех доходов ритейла было получено благодаря рекомендациям на основе ИИ! 

ИИ в спорте

Здесь ИИ-технологии используют для прогнозирования результатов матчей — такие системы созданы компаниями UBS, Commerzbank и Microsoft. Учитывается опыт команды и отдельных игроков. Порой прогнозы оказываются верными, но зачастую искусственный интеллект серьезно просчитывается. Человеческий фактор способен опровергнуть любые предсказания.

ИИ в культуре

Машина не может заниматься творчеством, потому что у нее нет воображения! Или все же может?

Как ни странно, искусственные нейросети способны проявить креативность, и даже достигают определенных высот в сфере культуры. 

Музыка

Как звучала бы флейта, если бы была ситаром? Синтезатор NSynth Super от Google использует нейронную сеть, чтобы создавать совершенно новые звуки на основе разных инструментов.

Проект Sony Flow Machines идет дальше. Анализируя подборку песен, электронный композитор вырабатывает собственную оригинальную мелодию. В 2016 году компания представила сингл Daddy's Car, основанный на музыке The Beatles. 

Alice, разработанная в рамках стартапа Popgun, умеет «подыгрывать» человеку, создавая музыкальные импровизации. Американская певица Тэрин Саузерн выпустила альбом в соавторстве с нейросетью Amper. А проект Endel способен по нажатию одной кнопки создавать композиции, созвучные настроению пользователя. 

Живопись

Нейросеть DeepDream создавали с прицелом на распознавание лиц, а у нее обнаружились способности к сюрреалистической живописи. Разработчики открыли сайт, на котором любой желающий может в сотрудничестве с ИИ создать удивительное полотно. Нейросеть пишет картины в разных стилях.

Правда, придумывать сюжеты она пока не умеет — просит помощи человека. 

Видео

С помощью ИИ, разработанных Google и Facebook, можно «заставить» человека на экране произнести любые слова, изобразить весь спектр эмоций. И отличить такие ролики от настоящих бывает непросто. Нейросети могут даже заменить одного актера на другого в отснятом кино. А это открывает возможности не только для кинематографистов, но и для создателей фальшивок. 

Литература

Нейросеть от Facebook умеет писать стихи, идеально выдерживая размер и ритм, подбирая хорошие рифмы. Читатели лишь в половине случаев сумели распознать сгенерированные компьютером строки, но до настоящих поэтов ИИ далеко. Машина пока не научилась передавать эмоции и вкладывать смысл в стихотворные произведения.

Яндекс тоже запустил «Автопоэта», который создавал стихотворения из поисковых запросов пользователей. Некоторые невозможно читать без улыбки. Трудно поверить, что их сочинила нейросеть, лишенная чувства юмора!

А компания Narrative Science разработала электронного журналиста. Пока статьи, написанные ИИ, просты по содержанию, но руководство компании с оптимизмом смотрит в будущее и верит, что к 2025 году до 90 % текстов в интернете будут написаны с помощью машинного интеллекта.

В 2016 году книга «День, когда компьютер напишет роман» вышла в финал японской литературной премии имени Хоси Синъити. Это произведение почти полностью создал искусственный интеллект.

Игры

В компьютерных играх нейросети используются для управления противниками и игровыми ботами. Но ИИ можно научить играть и «по другую сторону экрана» — то есть считывать визуальную информацию с экрана и управлять игровым персонажем, как это делает человек. 

В 2016 году между ИИ даже проводился чемпионат по Doom. А система Deep-Q-Network обучена играть на классических аркадных автоматах Atari. Зачастую она показывает результаты до 30 % выше, чем у опытных игроков.

В XX веке считалось, что искусственный интеллект можно будет считать достаточно мощным и развитым, когда он сумеет обыграть чемпиона мира по шахматам. Этот этап компьютеры прошли уже давно — еще в 1997 году Deep Blue одержал победу над Гарри Каспаровым (причем это была алгоритмическая программа, а не искусственный интеллект). 

После этого внимание публики обратилось к более сложным тактическим играм, например го. Сложность вычислений хода здесь на порядок выше, чем в шахматах, поэтому создать алгоритмы, которые перебирали бы возможные варианты, практически невозможно. Но обученные нейросети сумели справиться и с этой игрой. Уже в 2015 году разработанная Google сеть AlphaGo выиграла матч у профессионального игрока в го. 

Перспективы развития искусственного интеллекта

Научные исследования ИИ ведутся более полувека, но до сих пор далеко не все понимают суть технологии. В фантастических романах и фильмах писатели и режиссеры изображают, каким опасным может быть искусственный интеллект. И у многих представление об искусственном разуме формируется именно таким.

Ответим рационально на вопросы, связанные с далекими перспективами развития ИИ.

Цель ИИ — поместить человеческий разум в компьютер?

Нет, это не так. Даже теоретически подобная ситуация не так уж невероятна. Искусственные нейросети создаются по образу человеческого мозга, хотя и в очень упрощенном виде. Может быть, однажды станет возможно просканировать все разделы мозга живого человека, составить «карту» его нейронов и синаптических связей и воспроизвести ее копию в компьютере. От такой скопированной нейросети можно ожидать не только разумного поведения — она буквально будет двойником человека, сможет осознавать себя, принимать решения и совершать поступки, как он. Скопируются даже воспоминания. Теоретически, можно будет поместить такую нейросеть в искусственное тело (в робота), и тогда человек — копия его сознания — сможет жить практически вечно.

На практике осуществить такой перенос будет невероятно сложно: нет технологий, которые позволили бы «прочитать» живой мозг и создать его «карту». И мы пока очень далеки от создания искусственной нейросети, которая была бы столь же мощной, как мозг.

ИИ стремится достичь человеческого уровня интеллекта?

Цель ИИ — помогать людям и брать на себя сложные или рутинные задачи. Для этого ему вовсе не обязательно поддерживать беседы на философские темы или сочинять поэмы. 

Тем не менее, если искусственный интеллект однажды сможет достичь уровня человеческого мышления, это будет важной вехой для цивилизации. Мы получим дельного и умного помощника — и сможем по праву гордиться тем, что это творение наших рук.

Когда искусственный интеллект достигнет человеческого уровня?

Мы успешно создаем сравнительно небольшие нейросети, способные распознать голос или обработать изображение. Никакой ИИ пока не обладает такой же пластичностью, как наш мозг. 

Человек может сегодня заниматься музыкой, а завтра взяться за программирование на C++ — благодаря невероятной сложности мозга. В нем 86 миллиардов нейронов и бесчисленное количество синаптических связей между ними. 

Искусственным нейросетям пока далеко до этих показателей: у них от нескольких тысяч до миллионов нейронов. Есть технические ограничения на размеры нейросетей: даже суперкомпьютеры не «потянут» нейросеть, сопоставимую по масштабам с человеческим мозгом. Не говоря о том, что ее обучение будет нетривиальной задачей. 

Скорость компьютеров позволяет им обладать интеллектом?

«Мощность» интеллекта связана не со скоростью вычислений, а со сложностью нейронной сети. Человеческий мозг пока превосходит по мощности любую искусственную нейросеть, несмотря на то что скорость процессов в нем существенно ниже, чем в компьютерах. 

Искусственные нейронные сети состоят из отдельных нейронов, которые группируются в слои. Два внешних слоя служат «входом», на который подается исходная информация, и «выходом», с которого считывается результат. Между ними могут располагаться от одного до нескольких десятков, а то и сотен, промежуточных слоев из нейронов. Причем каждый нейрон в слое соединен с множеством других в предыдущем и следующем слоях. 

Чем сложнее устроена сеть, чем больше в ней слоев и нейронов, тем более масштабные и серьезные задачи она может выполнять. 

Может ли нейросеть развиваться естественным путем?

Разберемся, вероятно ли, что ИИ сможет получать опыт и обучаться естественно, как ребенок. Человеческий разум формируется под воздействием множества факторов. Мы получаем информацию о внешнем мире благодаря органам восприятия — наблюдая, осязая, пробуя на вкус. Взаимодействуя с окружающей средой, получаем жизненный опыт, знания о свойствах мира, социальные навыки. Наш мозг постоянно совершенствуется и физически меняется, наращивая новые синаптические связи и «прокачивая» существующие.

Если мы сумеем создать нейронную сеть, достаточно сложную, чтобы она могла развиваться подобным образом, и снабдим ее «органами чувств» — видеокамерой, микрофоном и подобным, — возможно, спустя время она сможет приобрести «жизненный опыт». Но это дело далекого будущего.

Риск для человеческой цивилизации — есть ли он?

Риски, связанные с новыми технологиями, всегда существуют. Вопрос — в чем они заключаются. 

Может оказаться, что искусственные нейросети, достигнув определенного порога, выйдут на «плато» эффективности и не будут развиваться дальше. Или не оправдают надежд, если окажется, что ИИ в принципе не способен справиться с тем или иным классом задач, например творческого характера. Это может обернуться потерями трудозатрат и финансовых вложений.

Если же под риском понимать техногенные катастрофы или восстание машин — пока это нам вряд ли грозит. Говоря простыми словами, современные нейросети не способны обратиться против создателей — как нейроны в мозге, управляющие движением руки, не способны осознать себя как личность и нанести удары по собственному телу.

Тем не менее мы должны помнить, что ИИ — наша разработка. Мы их проектируем, создаем, обучаем, вкладываем «мысли». Значит, и ответственность за их поведение — на нас. 

Четвертая революция

Как бы мы ни относились к искусственному интеллекту, придется принять тот факт, что он уже существует. Отказаться от него — значит сделать шаг назад в развитии. Ведь ИИ — это важная часть нашего прогресса. Многие ученые связывают с искусственными нейросетями начало четвертой промышленной революции и заявляют о том, что грядет новая эпоха — когда рядом с нами появится рукотворный разум, всегда готовый прийти на помощь. 

Все новое пугает и вызывает недоверие — это нормальная человеческая реакция, и многие люди с опаской относятся к ИИ. Про ужасы, которые принесет нам искусственный разум, не говорил разве что ленивый фантаст. Но подобное в свое время сочиняли о каждом технологическом новшестве. Люди боялись паровозов, потому что они «распугают коров, отравят птиц дымом, а при скорости свыше 15 миль в час пассажиров разорвет на части». Вероятно, потомки тоже будут посмеиваться над нашими страхами, о которых узнают из фильмов и книг XX и XXI веков.

В 2019 году исполняется 20 лет концепции интернета вещей (Internet of Things, или IoT). Она уже не нова, но не всем известно, какое изобилие технологий и инженерных решений под ней скрывается. Расскажем, как интернет вещей и связанные с ним технологические новшества изменят нашу жизнь уже в самом скором будущем.

Что такое интернет вещей, как работает и зачем он нужен

Еще один интернет? Неужели нам не хватало старого?!

Нам — хватало. Но мы в этом мире уже не одни. Эксперты прогнозируют, что к 2020 году к Сети будет подключено около 28 миллиардов устройств, причем лишь треть из них — компьютеры, смартфоны и планшеты. Остальные ⅔ приходятся на другие девайсы: телевизоры, платежные терминалы, фитнес-браслеты, автомобили, бытовую электронику, производственное оборудование, всевозможные датчики и контроллеры. Прежде мы не видели необходимости предоставлять им доступ ко Всемирной паутине. В самом деле, для чего может понадобиться интернет розетке или жалюзи?.. Но теперь мы знаем, что это открывает новый мир невероятных возможностей.

Ваш ноутбук способен не только запускать видео на дисплее, но и транслировать его через сеть на телевизор или проектор, а они умеют принимать этот сигнал и воспроизводить. С помощью смартфона или планшета вы можете подключиться к видеокамере, установленной у вас дома, чтобы выяснить, чем занят питомец, пока вы на работе. Фитнес-браслет не только вычислит количество потраченных калорий, но и опубликует ваши достижения в социальной сети. Умный телевизор умеет показывать не только телепередачи, но и ролики с YouTube, а если захотите позвонить друзьям — к вашим услугам встроенный Skype.

Наши девайсы с каждым годом становятся все более сложными и продвинутыми, они берут на себя все больше задач, освобождая нас от рутины. Но чтобы электроника выполняла их самостоятельно или с нашим минимальным вмешательством, множеству устройств необходимо обмениваться данными, взаимодействовать. Сеть, с помощью которой гаджеты связываются друг с другом или с внешним миром, и называется интернетом вещей.

Физически это могут быть ИК-сигналы, связь по радио, стандарту Bluetooth или даже обычный Wi-Fi. Когда эти протоколы связи используются для передачи информации между устройствами, они становятся частью интернета вещей.

В информационном обмене может участвовать не только умная электроника, но и книги, письма и посылки, одежда и многие другие бытовые вещи.

К примеру, RFID-метка на упаковке дорогого товара или ценной библиотечной книги не позволит злоумышленнику незаметно вынести предмет из магазина или читального зала. Считывающее устройство, встроенное в RFID-ворота, подаст сигнал, когда метка попадет в область считывания — а продвинутые системы могут заблокировать выход из здания, сфотографировать злоумышленника или отправить охраннику сообщение с описанием похищенного предмета. 

QR-коды и штрихкоды помогут роботам быстрее сортировать почтовые отправления. Автоматические погрузчики ориентируются на складе благодаря наклеенным на коробки этикеткам с QR-кодами или RFID-метками.

Благодаря маркировкам электронные устройства способны «познавать мир», определяя, какие физические объекты их окружают, обрабатывая эту информацию и при необходимости передавая ее. Все это — устройства интернета вещей.

Применение всем этих технологиям находится буквально везде — в наших домах, офисах, транспорте, промышленности, здравоохранении и даже в путешествиях.

Умный дом, который построим мы

При словах «умный дом» в голову приходят образы из фантастических фильмов и сериалов, в которых жилище, оборудованное невероятными приспособлениями и устройствами интернет вещей, способно не только заботиться о человеке, но и поддерживать с ним беседу или делиться новостями. Сложно сказать, станут ли такие дома реальными в скором будущем, но первые шаги к этому мы уже делаем. 

Сегодня умный дом — это комплекс устройств и программных решений, которые контролируют (автоматически или под частичным управлением человека) освещение и микроклимат в помещениях, заботятся о безопасности, управляют мультимедийными устройствами. Если у вас дома установлена видеокамера, подключенная к интернету, или детектор в уборной автоматически включает свет, когда вы открываете дверь, — можете считать свой дом умным. Интеллектуальных гаджетов для жилища с каждым годом становится все больше. 

Зачем нужен интернет вещей — кратко

Например, компания Samsung выпустила холодильник Family Hub, помогающий заказывать продукты с доставкой, не выходя из кухни: с помощью сенсорного экрана на дверце холодильника. На него можно вывести каталог магазина и выбрать товары. Холодильник может отслеживать сроки годности каждого продукта и напоминать о них хозяевам. И при каждом закрытии дверцы Family Hub делает фотографию своего содержимого и отправляет ее хозяину на смартфон. Так что не приходится вспоминать, есть ли дома молоко, йогурт или помидоры — достаточно заглянуть в телефон!

Китайская компания Xiaomi выпускает ряд устройств для умных домов. Это и смарт-электрика (розетки, выключатели, удлинители), и беспроводные контроллеры для управления другими гаджетами, и всевозможные датчики — движения, протечки воды, открывания дверей и окон, температуры, влажности и давления. Для большинства девайсов можно настроить сценарии поведения. К примеру, кнопка Xiaomi Smart Wireless Switch предлагает задать разные действия при одиночном щелчке, двойном или долгом нажатии, а Xiaomi Mi Magic Cube Controller, выполненный в виде кубика, можно повернуть, встряхнуть, постучать или сдвинуть — в зависимости от действия он умеет выполнять шесть команд, которые можно запрограммировать самостоятельно. Кнопка дверного звонка пришлет вам на смартфон сообщение, если кто-то придет к вам в ваше отсутствие, а при наличии камеры — еще и покажет фотографию гостя.

Умный термостат сможет постоянно поддерживать идеальную «погоду» в доме. В холодный день он автоматически поднимет потребление теплоэнергии, а в теплый, напротив, снизит, сокращая ваши расходы на 30 %. Умное освещение включится, когда в комнате станет слишком темно, а утром технологичные жалюзи прикроют окно, чтобы солнечные лучи не разбудили вас раньше времени. Умная плита на кухне поможет найти в интернете рецепт вкусного завтрака и выведет его на экран прямо в зоне готовки.

Ванная комната, оборудованная интеллектуальными девайсами, поможет экономить воду. Система снизит напор в кране, когда вы бреетесь или чистите зубы, и выдаст полную мощность, когда вам понадобится принять душ или набрать ванну. В Японии и Китае уже разработаны умные унитазы, которые умеют проводить анализы, чтобы отслеживать состояние здоровья хозяина, — например, выявлять сахарный диабет или определять группу риска. В перспективе развития этих технологий можно ожидать, что у нас появятся персональные врачи, сопровождающие каждого в режиме 24/7. Результаты анализов, информация с фитнес-браслетов, данные о питании и режиме сна, занятиях спортом, показания электронных весов — все эти сведения будут объединяться и обрабатываться, чтобы формировать рекомендации по поддержанию здоровья или напоминать обратиться врачу, если появятся тревожные сигналы.

Интернет вещей помогает в работе

Прогресс не обойдет стороной офисы и рабочие места. Время, когда вкалывать будут только роботы, наступит еще не скоро, но уже сегодня умная электроника помогает нам строить это будущее.

Одно из подразделений компании General Electric, GE Renewable Energy, сумело снизить расходы на техническое обслуживание на 10 %, а расходы на внеплановый ремонт — на 20 %, внедрив систему мониторинга данных на своем полевом оборудовании. Филиал занимается выработкой энергии из возобновляемых источников и производит ветрогенераторы, электростанции на солнечной энергии, гидроэлектростанции. Специальные датчики в непрерывном режиме контролируют работу этого оборудования, передавая данные телеметрии в единый центр. При малейших отклонениях в работе специалисты GE готовы оперативно выполнить профилактические работы или срочный ремонт, предотвращая поломку и экономя средства на восстановление техники. Та же телеметрия позволяет предсказывать будущие объемы выработки энергии и планировать, как эффективнее использовать генераторы. Все это снижает эксплуатационные расходы и минимизирует финансовые потери компании.

Датчики температуры, давления, влажности — такие же, как в умных домах — могут использоваться и на предприятиях или складах, где эти показатели важны для технологического процесса или условий хранения. Автоматический климат-контроль поможет предотвратить появление брака и порчу готовой продукции. Электронике можно доверить и отслеживание сроков годности продуктов и товаров на складах. Системы управления могут отключать освещение после того, как последний сотрудник покидает рабочее место, включать охранную сигнализацию и отдавать команду на запуск робота-пылесоса.

Системы физической и кибербезопасности уже сегодня активно используют интернет. Камеры с датчиками движения автоматически включаются, когда в их поле зрения попадают перемещающиеся объекты, и отправляют видеозапись на серверы. Отчеты о событиях и подозрительной активности могут быть моментально направлены на email или смартфоны ответственных лиц. 

Еще одна область использования интернета вещей — это системы мониторинга автопарка, которые уже сберегают финансы компаний. Установка нескольких датчиков и навигационного оборудования GPS или ГЛОНАСС позволяет практически полностью исключить злоупотребления служебным транспортом: хищение топлива, нецелевое использование и многое другое. Такая система способна контролировать буквально каждое движение водителя: маршрут передвижения, пройденное расстояние, точки заправки, объемы залитого и израсходованного топлива, стоянки и их продолжительность, соблюдение скоростного режима.

Интернет вещей позволит связать устройства, работающие на разных участках производства, в единый «организм», который поможет оптимизировать и упростить работу человека, возьмет на себя значительную часть производственных и административных задач.

Устройства интернет вещей для здоровья

Домашние приборы могут выполнять несложные анализы и контролировать физические показатели людей. А что, если вся информация с этих девайсов будет поступать непосредственно в электронную карту пациента и станет доступна лечащему врачу? Это не заменит полноценного анамнеза, но предоставит медикам сведения для ранней диагностики и профилактики, поможет уточнить диагноз и подобрать правильное лечение.

В клиниках уже сегодня можно увидеть много устройств, использующих интернет вещей. Стоматолог направляет вас на рентген, а по возвращении вы обнаруживаете, что врач уже изучает ваш снимок на компьютере.

Возможно, скоро исчезнет и необходимость в бумажных рецептах — их удобнее будет отправить на смартфон пациента, где они не потеряются и всегда будут написаны разборчиво. Программа подскажет адрес ближайшей аптеки, где нужное лекарство есть в наличии.

В России и по всему миру внедряются «кнопки жизни» — миниатюрные индивидуальные устройства с кнопкой для вызова экстренных служб. Девайс внешне напоминает наручные часы, но умеет не только показывать время, но и напоминать о приеме лекарств и даже делать телефонные звонки. Современные модели способны измерять пульс и давление, а также оснащены встроенным датчиком падения. Если пожилому человеку станет плохо, гаджет самостоятельно сможет вызвать скорую помощь. Система GPS поможет точно определить местонахождение пострадавшего.

Браслет Embrace пригодится людям, страдающим эпилепсией, — он способен предсказать приближение припадка и отправить сообщение родственнику или врачу. А французские разработчики создали специальную одежду — кофту и шапочку Wemu, которые оснащены специальными датчиками. С помощью Bluetooth одежда обменивается данными мониторинга со смартфоном и предсказывает приступы эпилепсии.

Технологии в области здравоохранения будут развиваться, и множество умных устройств будут отслеживать состояние нашего здоровья круглосуточно и ежедневно. Связь через интернет позволит им обмениваться данными и накапливать их в облаках и дата-центрах для более детального анализа, диагностики и рекомендаций по профилактике и лечению. 

Зачем нужен интернет вещей в школе и вузе

Учебные заведения будут оснащены теми же устройствами, что и дома или офисы — экономичными розетками и сантехникой, гаджетами для безопасности. Но могут ли девайсы, подключенные к интернету вещей, помочь лучше учиться?

Несомненно! 

Система электронных пропусков определит точное время, когда школьник или студент переступил порог учебного корпуса и когда покинул его, а заодно не пропустит в здание посторонних. Эта полезно не только для контроля за посещаемостью, но и в интересах безопасности. 

Не первый год в сфере образования бродят идеи об «электронных учебниках»: устройствах типа планшета или ридера, в которых можно будет хранить всю учебную литературу. И они могут оказаться даже полезнее, чем простая замена учебникам. К примеру, помогут вести дневник, автоматически подгружая расписание со школьного сервера, а задания — с компьютера учителя. Выполненную домашку можно будет пересылать на проверку. Разумеется, к школьной или вузовской системе будут подключены и родители — они смогут получать сообщения об успеваемости ребенка и другие важные оповещения.

Интернет делает удобнее и удаленное обучение. Если ребенок не может посещать школу, он будет заниматься с классом, присутствуя «виртуально» — подключаясь к занятиям по видеосвязи. 

Рано или поздно на смену школьной доске и мелу придут умные доски — сенсорные экраны, ведь мультимедийного и интерактивного контента все больше в образовании. Визуализация сложных абстрактных концепций и мгновенный доступ к новой информации обеспечат более качественное обучение.

Интернет вещей помогает путешественникам

Приходилось ли вам терять багаж при перелете? В 2016 году авиакомпания Delta Airlines разработала систему отслеживания багажа, которая отправляет пассажиру на смартфон сообщение о местонахождении его чемоданов. Если пассажир опаздывает на стыковочный рейс или его багаж по ошибке отправляют в Каир вместо Нью-Йорка, система помогает быстро исправить ошибку. Впрочем, некоторые чемоданы и сами способны отслеживать свое местоположение по GPS и сообщать владельцу координаты.

Крупные аэропорты напоминают лабиринты, в которых запросто можно заблудиться, особенно если вы редко путешествуете по воздуху. Интернет вещей помогает преодолеть этот хаос. В аэропорту Майами установлено более 500 устройств-«маячков», по которым специальное приложение в смартфоне пассажира определяет, где человек находится, и выдает персональные указания, куда ему следует направиться, чтобы добраться на регистрацию рейса или к выходу на посадку. 

Аэропорт Хитроу в Лондоне одним из первых начал рассылать пассажирам сообщения о задержках рейсов и времени ожидания. Эту технологию приняли на вооружение аэропорты по всему миру.

В Дубае проходит тестирование новая система биометрии, распознающая пассажиров по сетчатке глаза. Процедура регистрации на рейс с использованием этой системы может сократиться до минуты и менее. Даже не придется доставать из кармана паспорт!

Сразу несколько компаний проводят эксперименты по отслеживанию биометрических данных в полете. Каждый пассажир будет находиться под пристальным взглядом умной электроники, которая будет контролировать температуру, пульс и даже потребность в воде. Все это поможет стюардессам мгновенно реагировать на еще не высказанные просьбы путешественников или оперативно оказывать медицинскую помощь.

Всякий раз, вызывая через смартфон такси Uber, оплачивая проезд в метро транспортной картой или открывая номер отеля без ключа, вы используете интернет вещей. Эти простые действия прочно вошли в нашу жизнь. Интеллектуальные технологии работают за кадром, чтобы сделать наши путешествия безопаснее, проще и дешевле.

Умные и безопасные города

Все происходящее на улицах наших городов попадает в объективы множества видеокамер, установленных почти повсеместно. И это не только стационарные устройства, фиксирующие нарушения ПДД или снимающие парковку рядом с домом. Почти в каждом автомобиле есть видеорегистратор, и любой смартфон оснащен видеокамерой (чаще даже двумя). 

Можно ожидать, что в будущем видео со всех этих устройств будет автоматически передаваться в облачные сервисы и анализироваться мощными компьютерами. Искусственные интеллекты, обученные распознавать лица, смогут мгновенно выявлять в толпе разыскиваемых преступников и передавать информацию об их местонахождении ближайшим полицейским. Другие нейросети смогут опознавать противоправные действия, устанавливать личности участников и сохранять все связанные видеозаписи — на случай, если они понадобятся в качестве доказательств. 

Видеокамеру, подключенную к интернету, можно встроить даже в очки, поддерживающие технологию дополненной реальности. Достаточно будет посмотреть на человека, чтобы в линзе очков появилось его имя и вся необходимая вам информация о нем. 

Подобные технологии выглядят как часть сюжета фантастического романа, но они уже существуют. В Китае с 2015 года действует проект по созданию системы национального масштаба по распознаванию лиц. К 2020 году планируется использовать более 600 миллионов камер для контроля за гражданами страны. Система сможет с высокой точностью узнавать в лицо каждого жителя Поднебесной всего за 3 секунды.

Еще один китайский проект запустила компания LLVision Technology Co. Она выпустила смарт-очки для полицейских, также оборудованные системой распознавания лиц. Правда, этому гаджету требуется около 3 минут, чтобы выяснить имя и адрес человека. Тем не менее проект уже показал свою перспективность. Полицейские, использовавшие очки во время дежурств на железнодорожном вокзале города Чжэнчжоу, сумели за короткий срок арестовать 7 человек, подозреваемых в нападениях и похищении людей. Еще 26 нарушителей были задержаны за менее серьезные преступления. 

Для борьбы с преступностью используются и технологии распознавания голоса: в том же Китае такая система помогает противодействовать распространению наркотиков, мошенничеству и другим правонарушениям.

Умные технологии продолжают развиваться

Порой интернет вещей рассматривают как развитие межмашинного взаимодействия — концепции, которая на доброе десятилетие старше. Machine-to-Machine, или М2М, тоже подразумевало обмен или одностороннюю передачу информации между двумя и более электронными устройствами. Так, беспроводное считывание показаний датчиков температуры или давления можно считать примером М2М. Однако важным отличием интернета вещей становится интеграция показаний сенсоров и датчиков с компьютерными приложениями. Они позволяют не просто отображать показатели в режиме реального времени, но и сравнивать данные, анализировать их и выявлять закономерности, делать прогнозы и управлять поведением устройств.

Интернет вещей, если кратко — это еще один логичный шаг к той среде обитания, которую человек строит для себя, к миру комфорта и безопасности, в котором люди будут освобождены от тяжелого физического труда миллиардами механизмов и полезных девайсов.

По определению, данному компанией Goldman Sachs, ключевые особенности интернета вещей, которые отличают его от обычного интернета и М2М, описываются аббревиатурой SENSE: 

• Sensing (чувствующий) — большая часть информации, которая передается через интернет вещей, поступает от датчиков и сенсоров либо генерируется самими девайсами, а не человеком;
• Efficient (рациональный) — интернет вещей использует умные алгоритмы для достижения максимальной эффективности и продуктивности в работе всех устройств;
• Networked (сетевой) — интернет вещей использует сети для «общения» устройств;
• Specialized (специализированный) — в отличие от компьютеров или смартфонов, большинство устройств, задействованных в интернете вещей, узко специализированы и созданы для конкретной сферы: энергетики, здравоохранения, нефтедобычи;
• Everywhere (повсеместный) — устройства интернета вещей можно встретить буквально везде: в домах, офисах, в городской среде. А некоторые девайсы даже сопровождают человека, куда бы он ни направлялся.

Эти признаки определяют направление, в котором интернет вещей и гаджеты, использующие его, будут развиваться в ближайшие десятилетия. 

За чем дело стало?

Сегодня микроэлектронные технологии переживают бурный рост, датчики и сенсоры постепенно дешевеют, а новинки на рынке умных устройств появляются едва ли не еженедельно. Так почему же мы все еще не живем в домах будущего, оборудованных по последнему слову техники?

Причина 1. Мы не можем договориться

Чтобы связать тысячи и миллионы устройств, окружающие нас, требуется выработать единые стандарты и протоколы связи, по которым они будут обмениваться данными. На сегодняшний день таких стандартов нет, хотя работа над ними ведется. Крупнейшие компании рынка — General Electric, Intel, IBM, AT&T и Cisco — объединили усилия и создали Консорциум индустриального интернета (IIC). С 2014 года в консорциум вошли сотни компаний по всему миру: Boeing, Hitachi, Microsoft, Huawei, Bosch, Mitsubishi, Nokia, Siemens и многие другие. В задачи этой организации входит в том числе выработка единых протоколов интернета вещей, но эта работа все еще очень далека от завершения. Производители устройств, создавая новые гаджеты для наших домов и офисов, вынуждены изобретать собственные протоколы и интерфейсы, что затрудняет взаимодействие между электроникой разных компаний. 

Причина 2. Безопасно ли это?

Интернет вещей будет ежеминутно пересылать и обрабатывать колоссальное количество информации с бесчисленного количества источников. И увы, на данный момент не так просто обеспечить безопасность этих данных. Любой из домашних девайсов, к которому получит доступ злоумышленник, может стать источником угрозы — и не только нашему комфорту, но и здоровью, и даже жизни.

Однако самой большой проблемой безопасности становится не хакер, успешно «взломавший» электронные замки вашей двери и отключивший сигнализацию, чтобы украсть ваш телевизор, и даже не промышленный шпион, внедрившийся в систему видеонаблюдения завода. Чтобы обеспечить взаимодействие, устройства интернет вещей разных производителей будут обмениваться данными и обрабатывать информацию, полученную друг от друга. И фактически это означает, что множество компаний и корпораций (производителей техники) будут получать доступ к безбрежному морю сведений о вас, вашей семье, работе и личной жизни. Эту информацию можно монетизировать — к примеру, персонализируя рекламу. И это станет непреодолимым искушением для многих корпораций. Кроме того, интернет вещей предоставляет практически неограниченные возможности для тотальной слежки и контроля за людьми. 

Интернет вещей позволяет цифровому миру еще глубже проникнуть и укорениться в мире физическом. Это означает, что любая угроза, возникающая в интернете, будь то вирус, хакерская атака, утечка данных или любая брешь в безопасности, ставит под удар реальных людей и их жизни. Чтобы предотвратить возможные кибератаки, потребуются беспрецедентные превентивные меры. 

Мы стоим на пороге новой эпохи: интернет вещей открывает невероятные возможности, для которых сегодняшняя умная электроника — лишь первая ласточка.

Но эти нововведения несут и угрозы. Производителям предстоит договориться, как соединить миллиарды девайсов с помощью интернета вещей и обеспечить безопасность информации. 

Но если смотреть в будущее с оптимизмом, можно представить, как совсем скоро мы откроем дверь своего дома и скажем: «Привет, дом! Сделай мне чай и набери ванну». И услышим в ответ: «Добрый вечер! Все будет готово через минуту».

Студенты GeekUniversity соревнуются в разработке наиболее успешной модели ИИ на Python. Правда, бояться бунта машин рановато: все, что модели умеют — это предсказывать цены на недвижимость. О том, как проходят эти соревнования, почему для обучения ИИ используется язык программирования Python и о других интересных вещах нам рассказал специалист по Data Science Сергей Ширкин. Сергей имеет богатый профессиональный опыт в сфере финансов и IT, а в настоящее время работает в маркетинге и является деканом факультета искусственного интеллекта в GeekUniversity. 

— Сергей, что студентам дает курс «Python для Data Science»? Что они изучают? 

— В первую очередь курс дает представление об основных программных библиотеках для языка Python, которые используются в Data Science, а также помогает освоить базовые приемы работы с ними. Речь идет о библиотеках NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn. Это основные библиотеки для обработки данных, математических алгоритмов и построения моделей. 

С помощью этих библиотек уже можно создавать работающие модели искусственного интеллекта. Чтобы успешно работать с ИИ, необходимо знать библиотеки и уметь пользоваться ими, поэтому их изучение — важный этап в подготовке будущих Data Scientist’ов. 

— Почему именно Python? В чем его преимущества в работе с ИИ и Data Science?

— Python — достаточно простой для изучения, но при этом чрезвычайно мощный язык. Кроме того, он является интерпретируемым, то есть отдельные команды преобразуются в исполняемый код непосредственно в процессе выполнения программы. Это несколько замедляет работу программ (в отличие от тех, что написаны на компилируемых языках), но зато позволяет запускать их без предварительной компиляции, как в Java или C++. Отдельные команды можно запускать прямо из среды разработки. Мы используем пакет Anaconda с Jupyter Notebook — этот софт дает дополнительные преимущества в работе с табличными данными, позволяет запускать команды и строить графики в ячейках данных, в целом облегчает работу. 

Правда, у Python в Data Science и области обработки данных есть один конкурент — это язык R. Он тоже интерпретируемый, также позволяет запускать отдельные команды из командной строки и строить графики, обладает удобной средой разработки. Но его минус в том, что разработанные на R программы сложно использовать для промышленных решений. К тому же он довольно специализированный, ориентированный в основном на статистические вычисления. Python лишен такого недостатка: это полноценный, универсальный язык программирования, а разработка ИИ на Python уже не представляется сном, как это было раньше. Сегодня даже наблюдается «миграция» специалистов с R на Python — а в обратную сторону такого движения не происходит. 

Наконец, для Python создано множество программных библиотек, которые упрощают разработку в сфере машинного обучения. Частично они написаны на том же Python, частично — на C++, они удобные, быстрые и непрерывно развиваются. Так что, если речь идет об искусственном интеллекте, то сегодня 95 % разработок ведется именно на Python. 

— На курсе вы даете не только теоретические знания, но и практические навыки на примере конкретных задач?

— Да, наши студенты участвуют в своеобразном состязании: создают модель, которая учится прогнозировать цены на недвижимость.

Представьте агентство по продаже недвижимости, у которого есть база данных по квартирам, выставленным на продажу. Известны их характеристики: количество комнат, площадь, этаж. Кроме того, заданы характеристики районов: экологическая обстановка, какие магазины есть поблизости, каковы социальные условия и так далее. Цены некоторых квартир известны, а других — нет. 

По совокупности этих признаков строится модель, которая учится предсказывать цены на квартиры. Ее задача — проанализировать данные о жилье, для которого стоимость указана, и выявить закономерности в ценообразовании. Затем модели предлагается контрольный набор данных, в котором отсутствует информация о ценах (эти данные есть только у преподавателя). Результаты работы модели — предсказанные цены на недвижимость — сравниваются с реальными. Чем точнее полученные цифры, тем выше качество работы модели.

Мы уже подвели итоги соревнования, и первые места в своих группах заняли Сергей Кабанов, Михаил Донченков, Арминэ Мороз и Рашид Исхаков. Студенты отлично поработали! 

Кстати, построение удачной модели — не просто хорошее достижение, но и большое преимущество. Студенты, модели которых попали в топ, могут стать наставниками в GeekUniversity — помогать другим группам и потокам с предметом, который сами хорошо освоили. Наставничество позволяет не только поделиться знаниями, но и отточить навыки, глубже разобраться в предмете, поднять собственный уровень. Кроме того, это помогает подготовиться к собеседованиям при трудоустройстве.

— По завершении этого курса уже можно пытаться устраиваться на работу?

— Да, у нас есть студенты, которые окончили этот курс, разместили резюме на сайтах вакансий, и некоторым из них почти сразу прислали приглашения. Конечно, полученных знаний еще недостаточно, чтобы браться за любые проблемы. Но вполне можно решать задачи вроде нашей — такие, где требуется анализ табличных данных, прогнозирование результата. Студент, окончивший курс создания ИИ на Python, сможет воспользоваться теми же методами, чтобы построить аналогичные модели. 

Курс дает не только быстрые знания о библиотеках, но и навыки для реальной работы. Человек быстро входит в курс дела и попадает в рабочую обстановку. Студенты практически с минимальными знаниями приходят на курс, а через месяц уже строят работоспособные модели. 

— Что еще может оказаться преимуществом при трудоустройстве?

— Многие работодатели приветствуют, если соискатель на должность Data Scientist участвовал в соревнованиях и конкурсах. Большой плюс — участие в конкурсах Kaggle (примечание GB: kaggle.com — это веб-сообщество, в котором участники могут взяться за решение практических задач в сфере машинного обучения и искусственного интеллекта, например: за распознавание рукописного текста, анализ изображений, прогнозирование транзакций клиентов и подобных. За победу в состязании зачастую предусмотрены крупные денежные призы). Причем преимуществом является уже сам факт участия в конкурсе. Победить там достаточно сложно, так как участников всегда много. Даже войти в первые 10 % — это уже огромное достижение. Далеко не все специалисты, уже работающие в Data Science, принимали участие в конкурсах Kaggle!

Конечно, чтобы участвовать в состязании Kaggle, нужно знать библиотеки для Data Science и уметь пользоваться ими — в том числе теми, которые мы изучаем на курсе. Библиотек много, мы осваиваем здесь самые основные и востребованные. Вряд ли с полученными знаниями студент сможет создать модель для анализа текста или распознавания изображений (мы проходим это на факультете позже). Но работать с табличными данными он будет готов. Некоторые из наших студентов по окончании курса отправились на Kaggle и приняли участие в конкурсе (результат мне неизвестен, но сам факт — уже знаменательный). 

— Где сегодня востребован Data Scientist? 

— Практически во всех сферах. Преимущество специалиста по Data Science в том, что он сможет использовать свои навыки везде: например, сначала поработать в финансовом секторе, а потом с легкостью перейти в маркетинг — не потребуется изучать его с нуля, так как глубокие профильные знания не нужны. Принципы построения моделей универсальны, технологии работают везде одинаково, библиотеки используются одни и те же. Знания о предметной области, конечно, будут очень полезны, но их можно получить уже по ходу работы.

Специалисты по Data Science востребованы сегодня в ритейле, телекоме, у операторов связи, в создании поисковых систем, в промышленности и нефтяной отрасли. Специалист может попробовать себя в совершенно разных сферах. Поработал в продажах, захотелось нового — занялся компьютерным зрением или обработкой естественного языка. У нашего выпускника много дорог! 

Заработок специалиста в крупных городах начинается примерно от 70 тысяч рублей в месяц. Это средняя зарплата спеца по Data Science на Python и Machine Learning, у которого нет опыта работы. Через год-два можно найти более прибыльное место. С тремя годами опыта человек может рассчитывать на зарплату в 200 тысяч, с пятью — 250 и более. 

— Какие знания нужны для учебы на курсе?

— Потребуются основы программирования на Python. Еще надо уметь находить производные, иметь понятие о матрицах, векторах — но глубокого погружения в математику на этом курсе у нас нет. Мы не объясняем здесь работу с алгоритмами, даем только самое общее представление. В последующих курсах будем изучать математический анализ, линейную алгебру, статистику и все то, что необходимо для подробного разбора алгоритмов, а также сами алгоритмы машинного обучения, нейронные сети и многое другое.

— Спасибо за интересный рассказ! Желаем вам новых успехов, а студентам — побед и больших достижений!

С 3 по 8 июня 2019 мы проводили GeekChange — отвечали на горячие вопросы об IT на протяжении 12 онлайн-встреч и еще четырех часов живого общения в офисе Mail.ru Group. GeekChange — это все, что вы хотели знать об IT и не побоялись спросить.

Онлайн-часть мероприятия собрала порядка 7 тысяч участников со всей России. В московский офис встретиться с нами приехали более 700 человек!

Зачем мы это устроили, как все прошло и чем закончилось — сейчас расскажем и покажем.

Слово организаторам

Послушаем двух очаровательных девушек из команды, которая затеяла жаркую движуху в начале лета.

Анна Пимкина, event-менеджер GeekBrains:

«GeekChange — наш способ ответить на самые важные и частые вопросы от желающих работать в IT: с чего начать, каков порог вхождения, есть ли возрастные ограничения, какие перспективы.

Мы рассказывали о направлениях IT, о том, как к ним подступиться, какие инструменты использовать. Где можно — добавляли практическую часть, чтобы участники «пощупали» и примерили на себя специальности.

Эксперты по каждому направлению рассказывали не только о технической стороне работы, но и о soft skills — личностных качествах и умениях, востребованных в сфере IT. Потому что будущий профи — это человек со своими сомнениями, трудностями в обучении, навыками концентрации и потребностью в отдыхе.

Приятно отслеживать статистику по нашим видео и замечать, что многие сейчас досматривают и пересматривают записи вебинаров. :) Конечно, кто-то хотел отдельный практикум по своей теме, но всего в одном GeekChange не уместить. Зато мы продолжаем готовить вебинары и мастер-классы, которые помогут вам углубиться в конкретные специальности.

Главное, что мы хотели показать на GeekChange: меняться можно при любых исходных условиях. GeekBrains тоже постоянно меняется, так что мы понимаем своих студентов и готовы поддержать их на любом этапе развития: от старта карьеры в IT до повышения квалификации или смены направления. Мы счастливы, что люди доверяют нам обучать их профессии.

Сейчас мы собираем обратную связь: будем признательны, если ответите на несколько вопросов о своем участии. Это поможет готовить будущие мероприятия — делать их еще более содержательными и удобными по формату».

Любовь Поспелова, продакт-менеджер GeekUniversity и направления «Программирование» в GeekBrains: «Мы устроили встречу в офисе, чтобы „развиртуализировать“ общение со студентами и посетителями сайта GeekBrains. Предварительно узнали, что интересно пользователям, и вокруг этих тем организовали активности в трех зонах мероприятия:

• «Руководство по эксплуатации» — общение с преподавателями GeekBrains на темы разработки и обучения;
• «Демоверсия» — первая примерка новой специальности;
• «Crush-тест» — проверка мотивации, разбор стереотипов и развеивание сомнений, связанных с работой в IT.

Чтобы людям было где спокойно посидеть и отдохнуть между встречами, мы открыли лаундж на втором этаже. Получилась зона «Перезагрузка».

Что касается содержания встречи, смысл был в том, что гости получали информацию из первых рук — от наших преподавателей, деканов и методистов, которые создают и улучшают программы обучения. А еще мы пригласили коллег из Ростелекома и других IT-компаний — они рассказали о трендах отрасли и о том, кого ждут на работу сейчас и через год».

Впечатления преподавателей и методистов

Каждый блок в программе мероприятия затрагивал очень обширную тему, так что было любопытно, на чем преподаватели и методисты делали акценты в своих выступлениях и почему. Еще хотелось узнать, как все это воспринимали слушатели, какие были вопросы и насколько живым и продуктивным получилось общение. И, конечно, какие впечатления остались от встречи у спикеров.

Александр Скударнов — методист направлений Big Data, ИИ, Android и тестирование. Выступал в блоке «Какой я программист?»:

«Нашей задачей было показать новичкам карту возможностей развития в IT. Мы разделились по направлениям. Иван Овчинников, разработчик Java и C++, рассказывал про десктоп-разработку. Алексей Кадочников (frontend-разработчик) — о мобильной и веб-разработке, информационной безопасности, DevOps. Я говорил про искусственный интеллект, Big Data и тестирование. Немного затронул разработку игр.

Процитирую свое выступление: „Если бы у нас был урок географии, мы перечисляли бы названия континентов и общие сведения о них, может, затронули парочку известных стран“. Так что отдельных IT-профессий мы коснулись в общих чертах, чтобы слушатели представляли, о чем дальше спрашивать наших коллег.

Вопросы были животрепещущими. Ивана спросили, как сменить работу и год не бросать учиться на программиста, если тебе за тридцать. Возможно, это крик души нашей целевой аудитории. :) Другой вопрос — сколько времени занимает поиск первой работы и что делать, если постоянно отказывают.

Обычно самые интересные беседы со слушателями начинаются после выступления, когда у тебя есть больше пяти минут, чтобы понять вопрос человека и попытаться помочь хотя бы советом. Так было и в этот раз.

По моим ощущениям, люди пришли подготовленными — знали, кого хотят послушать и о чем спросить. Я не успел обойти все локации, но было приятно видеть, как наших преподавателей окружали и штурмовали вопросами.

Люблю общаться со студентами, чтобы понимать, как они учатся и как я могу упростить им этот процесс. Встретил нашу студентку с факультета искусственного интеллекта в роли волонтера! Вообще, у нас много инициативных ребят. Очень здорово, когда люди параллельно с учебой находят время участвовать в жизни GeekBrains. Они инвестируют свое время не только в образование, но и в сообщество».

Алексей Кадочников, преподаватель и методист образовательных программ GeekBrains. Выступал в блоке «Какой я программист?»:

«В первую очередь мы говорили о трендах программирования. Большинство начинающих разработчиков не знают, за что хвататься: какие технологии сейчас наиболее перспективны, а что уже теряет актуальность. Поэтому мы рассмотрели популярные направления: плюсы и минусы каждого при изучении и с точки зрения работы. Еще мы поговорили об актуальных языках программирования: где востребован тот или иной и что можно делать с его помощью.

Вопросов от слушателей было так много, что мы успели ответить только на четверть, если не меньше. Правда, встречались похожие: «А не исчезнет ли эта технология завтра?», «Что делать, если я выучусь, а через год уже буду никому не нужен?». На такие вопросы отвечать было легко, потому что мы преподаем только самое актуальное, что должно оставаться востребованным еще минимум несколько лет.

Гостей особенно интересовали новые направления: искусственный интеллект и язык программирования Go.

Впечатления от встречи очень крутые. Люди были так приветливы — это, наверное, самая дружелюбная аудитория, которую я видел за последние пару лет!

В онлайн-режиме к нам подключились порядка 800 человек — очень много для мероприятия, где люди задают вопросы, а тебе надо отвечать. Конечно, не все гости из интернета подробно слушали каждое выступление: многие приходили и уходили.

Наш вебинар шел дольше, чем планировалось: мы так прониклись темой и общением, что трудно было остановиться».

Александр Синичкин, преподаватель GeekBrains и Python Team Lead в компании Usetech. Блок «Открой для себя Python» в зоне «Демоверсия»:

«В своем блоке я рассказал, для каких задач лучше всего подходит Python. Понятно, что это язык общего назначения, но есть ниши, где он сегодня просто незаменим: искусственный интеллект, машинное обучение, анализ больших данных.

Еще я показал несколько практических примеров, как использовать Python для автоматизации и решения повседневных задач.

Слушатели вели себя очень заинтересованно — после выступления я еще долго отвечал на их вопросы. Пожалуй, самый интересный и необычный вопрос был о том, можно ли, изучив машинное обучение, легко и безболезненно перейти в веб-разработку. Я ответил, что нельзя, и объяснил почему.

Больше всего меня впечатлило количество людей, которым хотелось послушать про Python.

Была во время моего выступления и очень забавная ситуация: я собирался показать аудитории свой мини-сайт, но вдруг выяснилось, что он заблокирован Роскомнадзором!»

Илья Афанасьев, декан факультета «Разработка игр» GeekUniversity. Блок «Играем по-взрослому: все что вы хотели знать о геймдеве» в зоне «Демоверсия»:

«Было много новичков, поэтому акцент я сделал на темах, интересных людям с нулевой подготовкой: какие есть движки, для чего они нужны, каковы зарплаты и перспективы у разработчиков. Не могу сказать, что ввести людей в курс дела очень просто. Мы с Иоанном Павловским — куратором профессии «Гейм-дизайнер» в GeekBrains — старались сформировать у людей базовые представления о реальном геймдеве.

Вопросов на нас посыпалось много, причем были среди них очень конкретные и непохожие друг на друга. Начиная с того, есть ли смысл программисту изучать новый язык ради перехода на движок Unity, и заканчивая техническими моментами, связанными с оптимизацией и структурированием проекта.

Общались долго и содержательно! Единственный недочет, который организаторы, надеюсь, учтут, — было шумно и тесно. Ребята меня просто окружили и скушали.

Многим приходилось сидеть за моей спиной, так что я зачастую не сразу замечал их руки и вопросы. Считаю, что в будущем на этап обсуждений стоит выделить не менее часа, чтобы аудитория могла общаться в комфортной обстановке и никуда не спешить».

Сергей Ширкин, декан факультета искусственного интеллекта GeekUniversity и Data Scientist в компании Dentsu Aegis Network Russia. Блок «Погружение в лабиринты искусственного интеллекта»:

«Людей было много, около трети из них — программисты. Тех, кто работал с ИИ, — примерно десятая часть, остальные — заинтересованные новички, которые что-то читали по теме.

Я рассказывал о технологиях прогнозирования: как можно предсказать событие или величину с помощью инструментов на Python. В качестве примеров приводил свои проекты по кредитному скорингу (вернет ли человек кредит) и прогнозированию рейтинга телепередач (чтобы канал правильно расставлял рекламу).

Когда я закончил выступление, человек двадцать остались, чтобы задать дополнительные вопросы. В результате мы беседовали еще примерно полтора часа!

Помимо студентов и школьников на GeekChange пришли люди, которым 30–50 лет. Они спрашивали, не поздно ли начинать карьеру разработчика в этом возрасте. Мне хотелось не просто их обнадежить, но привести реальные примеры: рассказал, что у нас есть успешные студенты и выпускники, которым под шестьдесят.

Программисты Java и R спрашивали, обязательно ли учить Python для работы с ИИ. Считаю, что да. Все основные инструменты Data Science — на Python, и рынок ждет специалистов, знающих этот язык».

Дополнительные активности

Не одними только лекциями и мастер-классами интересовались посетители GeekChange. На площадку «Crush-тест» гости приходили, чтобы поделиться своими сомнениями и страхами с методистами и психологами, получить рекомендации.

Ток-шоу «Разговор на горячие темы»

В кинозале консультанты GeekBrains Настя Стасенко и Дима Романов отвечали на самые неудобные вопросы про зарплату, возможные преграды на пути к трудоустройству, оплату обучения, сам учебный процесс. Народу набилось больше 100 человек — встал внеочередной вопрос: куда рассаживаться. Запас свободных стульев в Mail.ru практически иссяк, а люди все приходили и приходили. :)

Воркшоп «Учимся учиться без боли и слез»

Анна Полунина, методист образовательных программ GeekBrains по направлению «Дизайн»:

«Я рассказала о мотивации в образовательном проекте и о том, как ставить цели. Это вещи, с которых начинается любое образование.

Участники получали короткие практические задания на постановку целей: например, формулировали, зачем они идут учиться. А я старалась показать, как на этой основе выстроить краткосрочные цели, которые соответствовали бы желаемым целям и результатам.

Мы исходили из того, что, когда планируешь работу или учебу, нет универсальных алгоритмов. Есть долгосрочные цели, которые разбиваются на краткосрочные и далее ведут к результатам. Чем конкретнее и яснее сформулирована цель, тем проще выбрать подходящий формат обучения и проверить, достигнут ли результат. Постановка целей по SMART осталась за скобками — ей пришлось бы посвятить отдельное занятие.

Тема нашла отклик у слушателей: в основном спрашивали про лень и способы ее побороть. Приятно было видеть так много классных заинтересованных ребят, у которых горели глаза! Люди пришли не просто постоять и посмотреть, а с конкретными и насущными вопросами».

На площадке «Crush-тест» разбирали и другие психологические проблемы, связанные с обучением и сменой работы. Как мягко пройти период изменений, рассказала Антонина Осипова, практик телесной осознанности и преподаватель факультета психологии МГУ им. М. В. Ломоносова.

Розыгрыш призов

Выиграть обучение в GeekBrains можно было в викторине, онлайн и на встрече в офисе. За интересные вопросы на офлайн-части участники получали сувениры от GeekBrains и удобный перекус — натуральный попкорн Holy Corn. Судьбу остальных призов решил в офлайне генератор случайных чисел.

Всего мы разыграли:

• пять билетов на Geek Picnic — один из крупнейших в Европе фестивалей, посвященных современным технологиям, науке и творчеству;

• семь книг издательства «МИФ» об изменениях, осознанности и IT;

• два курса обучения в GeekUniversity.

P. S.

Спасибо, что провели время с GeekBrains и наполнили мероприятие вопросами, на которые было интересно отвечать!

Главное — по итогам GeekChange многие из вас нашли свое направление в IT. Одни решили продолжать обучение самостоятельно, другие присоединились к сообществу наших студентов. В любом случае надеемся, что GeekChange подарил вам заряд мотивации и смелости для развития в IT. Будем рады видеть вас снова!

Партнеры

Чтобы вы понимали, кто и чему учит на новом курсе продуктовой аналитики в GeekBrains, мы подготовили «панорамный» обзор специальности: задали вопросы кураторам каждого из пяти учебных блоков. Хотелось показать вам детализированную и объемную картину: какие темы и инструменты изучат студенты за четыре с половиной месяца.

В статье тематические модули рассмотрены не по порядку следования в учебной программе, а по логике: от более общих вопросов — к частным.

Unit-экономика, аналитика продукта и бизнес-метрики

Елена Чернышева — 10 лет работает с разными видами B2B- и B2C-продуктов в сфере мобильной и веб-разработки, а также сбора данных. Участвовала в создании продукта для FMСG-производителей и торговых компаний, перезапустила сервис «Яндекс.Справочник», развивала B2C-направление сервиса «Яндекс.Недвижимость». Сейчас — product-менеджер «Яндекс.Шеф».

— Елена, привет! Первый вопрос о профессии продуктового аналитика: что он делает на практике, что должен уметь и какими инструментами владеть?

— Аналитик знает цели бизнеса и помогает ему принимать лучшие решения на основе данных.

Основное, чем занимается продуктовый аналитик:

• собирает и готовит данные для анализа;
• автоматизирует обработку данных и другие рутинные задачи, которые съедают время;
• создает инфраструктуру, которая позволяет клиенту самостоятельно готовить отчеты;
• проводит исследования, анализирует метрики, изучает поведение пользователей;
• строит и проверяет гипотезы;
• и главное — находит точки роста для бизнеса.

Если работа выстроена правильно, аналитик не отвлекается на повторяющиеся задачи.

Чтобы создать хорошую систему аналитики, нужно знать, где брать данные внутри и вне компании, как проверять их точность и полноту. Именно этому студенты научатся на моих занятиях.

В блоке продуктовой аналитики мы выясним, как перевести цели бизнеса в конкретные цифры и выстроить систему метрик. Как исследовать поведение пользователей и на этой основе находить места для улучшения в продукте. Что делать, если данных нет или недостаточно. Я покажу, как проверять гипотезы с помощью A\B-экспериментов и не только.

В других блоках курса студенты освоят инструменты аналитика, такие как Power BI и Python.

— Любому ли бизнесу нужны такие специалисты? Где они востребованы прежде всего?

— Любому бизнесу, который относится к тому, что он делает, как к продукту, или хочет перейти на такой подход. В России product-менеджеры и аналитики есть в штате 75 % самых богатых компаний Рунета по версии Forbes. Продуктовую аналитику берут на вооружение даже компании, которые больше про офлайн: ВТБ, Сбербанк, ПИК и другие.

Кстати, на западе многие продуктовые подходы впервые появились именно в производственных офлайн-компаниях и лишь позже пришли в IT. Например, метод OKR (Objectives and Key Results). У нас в стране, наоборот, — офлайн-компании перенимают практики у онлайновых.

— Есть ли смысл идти на эту специальность жителю маленького города?

— Там тоже есть бизнесы, но скорее эта профессия востребована в городах с населением более 500 тысяч человек. Я из Калининграда — там можно найти работу и не хватает таких специалистов.

— Это сугубо офисная работа? Аналитик должен постоянно находиться в гуще событий?

— Продуктовый аналитик должен понимать, куда движется рынок, что происходит с конкурентами, как меняется продукт. На мой взгляд, любые выводы, полученные на основе цифр, очень важно подтверждать жизнью. То есть количественные исследования хороши только в сочетании с качественными, и наоборот.

Сейчас появляется все больше распределенных команд, и устроиться на удаленку аналитик в принципе может, но не так легко, как программист. Этот путь потребует дополнительных знаний и навыков. У человека должна быть хорошая математическая подготовка или техническая база — как компенсация за более долгое погружение в бизнес.

— Какими личными качествами, на твой взгляд, важно обладать аналитику?

— Любопытством, интересом к тому, что тебя окружает. Аналитик похож на исследователя, который выясняет то, чего мы раньше не знали или не замечали. Плюс важно уметь мыслить системно, чтобы видеть структуру.

По практическим навыкам продуктовые аналитики ближе к менеджерам. Но есть еще аналитики, которые специализируются на сборе и обработке данных. Такому сотруднику важнее знание технологий, а по скиллам он ближе к инженеру или программисту.

— Сколько длится твой блок и какие практические проекты сделают студенты?

— В блоке восемь занятий, на которых будут практические задания двух типов:

1. Подробно разбираем известные сервисы.
2. Студенты тренируются на своих проектах или чужих сервисах, которые сами выбрали.

Вместе мы выстроим систему метрик, обозначим вещи, на которых нужно сосредоточиться, чтобы обеспечить бизнесу наибольший рост.

Маркетинг, веб- и мобильная аналитика

Дмитрий Баланин — 10 лет в маркетинге и аналитике для рынков России, Германии и Китая. Развивал performance marketing и аналитику в «Эльдорадо», Яндексе и OneTwoTrip. Сейчас — CEO Room42.ru и CEO Differture.com.

— Дмитрий, твой блок — хронологически первый в программе — закладывает фундамент для дальнейшего изучения профессии. Почему студентам так важно вначале познакомиться с основами маркетинга?

— Потому что аналитика — инструмент, а не самоцель. Можно бесконечно собирать информацию о посетителях, их взаимодействии с продуктом, продажах, но зачем? Только после ответа на этот вопрос создаются полезные бизнесу решения.

Основные заказчики аналитики сегодня — маркетинг и сфера продаж. Они хотят знать, насколько правильно выстроен каждый этап их общения с клиентом. И здесь важно помнить, что коммуникации — это не только реклама на сторонних площадках, но и взаимодействие пользователя с приложением через интерфейс.

За четыре недели занятий мы со студентами на примерах разберем, как решать задачи, которые ставят перед аналитиком маркетинг и другие заказчики: внутренние и внешние.

А еще мы подробно рассмотрим инструменты для исследования рынка, анализа сайтов и мобильных приложений, организации A/B-тестирования.

— Будут ли реальные кейсы? И какие проекты выполнят слушатели за время обучения?

— Курс целиком построен на практическом опыте: моем и компании, где мы уже реализовали более 150 аналитических проектов.

Выполняя практические задания к урокам, студенты будут решать обычные задачи продуктового аналитика: формировать KPI для проектов, настраивать аналитические инструменты, экспериментировать с интерфейсом продукта и оценивать, на каком варианте лучше остановиться.

Студенты узнают, как строить систему аналитики для разных индустрий и типов продукции. Мы также разберем типичные ошибки аналитика и как их заблаговременно обходить.

Презентация данных и аналитическая культура в компании

Евгений Малахов — 5 лет в разработке продуктов, маркетинге и аналитике. За последние два года реализовал более 100 аналитических проектов, в том числе для Pepsico, Philip Morris, KIA, Газпром. COO проекта Room42.ru. Победитель пяти всероссийских конкурсов по бизнес-проектам.

— Евгений, чему конкретно учит блок, посвященный презентации данных?

— Этот блок помогает студентам взаимодействовать с командой, правильно объяснять и преподносить результаты своей работы, подстраиваться под меняющиеся условия, в которых приходится выполнять задачи.

Умение делиться результатами своей работы и делать их полезными для других стейкхолдеров — один из важнейших навыков аналитика. Вы можете месяцами обрабатывать данные, готовить и представлять блестящие решения по улучшению бизнеса, но они так и не будут реализованы, если вы не донесете до людей, в чем ценность каждого решения и насколько окупится его внедрение.

— Какие конкретно инструменты и методы нужно изучить, чтобы правильно преподносить свои результаты? И есть ли в учебной программе реальные кейсы?

— Да, мы разбираем материал на реальных примерах. Главное, чему я научу студентов за две недели:

• смотреть на проблемы и задачи с позиций бизнеса;
• смотреть на проблемы и задачи с позиции дизайнера, разработчика, таргетолога, подрядчика и любого другого участника команды.

По итогам занятий студенты:

1. Сделают презентацию для менеджмента, где обоснуют внедрение сквозной аналитики в компании.
2. Подготовят документацию для разработчиков и рекламщиков.

Аналитик — тот человек, который наглядно объясняет всей команде (от руководства до разработчиков), какие цели наиболее приоритетны, на какие метрики ориентироваться в данном проекте и почему сейчас нужно заняться именно аналитикой, а разработку дополнительных «фич» отодвинуть на второй план.

Работа с Power BI, DAX и Power Query

Константин Севастьянов — 7 лет в информационно-аналитическом подразделении ФСО РФ, полтора года в онлайн-кинотеатре TVzavr — создавал инфраструктуру и развивал аналитику практически с нуля. С июля 2018 развивает аналитику в «Ситимобил» (сервис заказа такси) в условиях быстрого роста компании, внедряет аналитическую базу данных и BI-инструменты.

— Константин, чему научатся студенты и что они смогут делать с помощью Power BI?

— Научатся визуализировать информацию и отвечать на вопросы бизнеса, смогут подготавливать, очищать и обрабатывать данные, выбирать различные визуализации в зависимости от типа входных данных.

Но, помимо технических моментов, мне важно донести до студентов, что главный инструмент аналитика — это здравый смысл, а Power BI лишь упрощает работу и помогает быстрее получать информацию в наглядном виде.

— Сделают ли слушатели практический проект за время учебы?

— Думаю, это будет проект на примере сервиса такси, где студенты смогут использовать сгенерированный набор данных.

Работа с Python, pandas и SQL

Илья Браславский — Data Scientist в «Ситимобил». Анализировал финансовые данные в BlackmoonFG и геологические данные в Сколтехе. Окончил магистратуру МФТИ по направлению «Интеллектуальный анализ данных».

— Илья, зачем продуктовому аналитику изучать Python? И, в частности, библиотеку для научных вычислений pandas?

— Python — один из самых простых с точки зрения синтаксиса языков программирования, и в последние несколько лет он стал де-факто индустриальным стандартом для задач анализа данных. Например, та же библиотека pandas позволяет в несколько строчек кода посчитать ряд статистик для данных: математическое ожидание, медиану, дисперсию.

— Сколько длится блок? Много ли практических заданий нужно будет сделать студентам в ходе или по итогам занятий?

— Блок будет состоять из 7 занятий. В начале мы разберем основы синтаксиса и основные библиотеки для анализа данных. После этого студентов ждет введение в теорию вероятности и математическую статистику. Финальное занятие посвятим обзору ряда инструментов разработчика.

Практические задачи обязательно будут сопровождать каждое занятие. Каким будет итоговый проект по Python для аналитиков — посмотрим, но вводные данные для него студенты, безусловно, получат.

Остались вопросы? Напишите консультанту в чат или оставьте комментарий к статье. Записаться на курс продуктовой аналитики в GeekBrains можно прямо сейчас.

Технологии сегодня меняют мир быстрее, чем когда-либо. В 70-х годах искусственный интеллект существовал только в фантастических романах. 20 лет назад разработки ИИ уже велись, но успехи не были впечатляющими. Но в середине нулевых случился качественный прорыв в машинном обучении, ставший Большим взрывом для искусственного интеллекта. И сегодня множество нейросетей помогают нам фильтровать и искать информацию в интернете, обрабатывать фотографии, переводить тексты. Одна из областей, где ИИ открывает потрясающие новые возможности, — это автотранспорт.

Как искусственные нейросети изменят будущее вашего автомобиля?

Искусственный разум рулит!

Тема беспилотных автомобилей на слуху, и вокруг них поднялась не меньшая шумиха, чем в XIX — начале XX века по поводу «безлошадных повозок». На появление машины, которая сможет самостоятельно перемещаться в транспортном потоке, надеются многие. Но есть и опасения, что возрастет количество ДТП, в том числе смертельных.

Беспилотные авто активно разрабатываются на протяжении последнего десятилетия, а кое-где даже используются в тестовом режиме. К их созданию подключились гиганты автомобильной промышленности: BMW, Nissan, Honda, General Motors, Volkswagen, Audi, BMW и Volvo — и новые игроки на авторынке: Google, Tesla и множество менее крупных компаний. До массовых продаж беспилотных автомобилей дело пока не дошло. Автопилоты делают успехи, но до совершенства им далеко. Так что по меньшей мере в ближайшие пять-десять лет искусственный интеллект едва ли сумеет заменить — или хотя бы серьезно потеснить — опытного водителя.

Техническая реализация «искусственного водителя» — не единственная задача. Нейросети в автомобиле предстоит заботиться не только о том, чтобы соблюдать скоростной режим, сворачивать на нужных перекрестках и удачно парковаться. Ей придется еще и решать этические вопросы — например, когда ДТП неизбежно и приходится выбирать между двумя плохими вариантами. Что, если ИИ автомобиля внезапно обнаружит на дороге пешехода, но затормозить не будет успевать — и можно либо сбить человека, либо свернуть с дороги и врезаться в дерево, причинив вред пассажиру? Эта моральная дилемма известна как проблема вагонетки. И как искусственному разуму сделать выбор в ситуации, с которой не справиться и человеку?..

Однозначных ответов на подобные вопросы нет и не будет. Тем не менее, Массачусетский технологический институт (MIT) создал сайт, на котором предлагает всем желающим пройти тестирование и выбрать, как они решили бы предложенные моральные дилеммы. В будущем данные этих исследований могут помочь разработчикам научить искусственный интеллект делать этический выбор, руководствуясь «среднечеловеческими» показателями.

Моральный тест MIT. У автомобиля отказали тормоза. Какой выбор должен сделать автопилот: врезаться в препятствие, убив находящихся в салоне пассажиров — девочку, женщину-спортсменку, бездомного и кошку, или выполнить маневр и сбить пешеходов — женщину, полного мужчину, мужчину-спортсмена, беременную женщину и ребенка (принимая во внимание, что они переходят дорогу на красный свет)?

Впрочем, мы уверены, что с повсеместным внедрением беспилотных автомобилей улицы городов и автострады станут значительно менее опасными, чем сейчас, а количество ДТП снизится (хотя и вряд ли до нуля). Ведь ИИ не заснет за рулем, не отвлечется на разговор по телефону, не нарушит скоростной режим, не предпримет заведомо опасный маневр. И точно не сядет за руль пьяным.

Менее очевидное, чем автопилоты, применение искусственных нейросетей в автомобиле — это помощники человека, делающие вождение более безопасным.

Безопасность вождения

Уже сегодня умная электроника способна проложить маршрут с учетом пробок и погодных условий, а также предложить альтернативные способы добраться из пункта А в пункт Б. Навигатор покажет на дисплее дорогу и подскажет голосом, где сделать поворот или снизить скорость. Благодаря навигационным программам бумажные атласы автомобильных дорог и огромные карты городов становятся раритетом. Навигатор удобно использовать, а еще он помогает сделать поездку безопасной. Ведь водителю не нужно отвлекаться, чтобы свериться с картой незнакомого города, или высматривать таблички с названиями улиц на перекрестках, чтобы убедиться, что он не пропустил нужный поворот.

По статистике, свыше 50 % аварий на дорогах случается из-за того, что водитель был невнимателен или отвлекся. Нейросети автомобиля избавят человека от необходимости выполнять действия, которые отрывают его от управления машиной. Например, смогут по голосовой команде переключить радио, увеличить громкость или изменить маршрут поездки.

Но происшествия случаются, даже когда водитель внимателен и соблюдает правила, — на дорогах слишком много факторов, провоцирующих аварийную ситуацию. В таких условиях не помешает лишняя пара глаз — или видеокамер. Нейросеть, обрабатывающая информацию с автомобильных камер, сможет предупредить водителя о пешеходах или других автомобилях в опасной близости. Мы можем даже помечтать о том, что в будущем нейросети множества автомобилей и дорожных камер смогут обмениваться данными через интернет, и тогда мы получим предупреждение о неадекватном водителе задолго до того, как он появится в поле зрения.

Некоторые производители уже пытаются разрабатывать ИИ, работающий с изображением камеры, направленной на водителя. Такая нейросеть будет знать хозяина в лицо и не позволит чужаку сесть за руль. Кроме того, по мимике нейросеть сможет определить, что человек устал или вот-вот задремлет, — и вовремя подаст сигнал. А если аварии не удается избежать, то по положению головы вычислит, какие подушки безопасности необходимо включить, — это поможет избежать травм.

Что это стучит в двигателе?

Еще одна сфера применения нейросетей в автомобиле — контроль за внутренними системами.

Большинству автовладельцев знакома ситуация, когда в самый неподходящий момент автомобиль приходится отвозить в автосервис. Конечно, по закону Мерфи, именно в этот день нужно куда-то срочно ехать!

ИИ, подключенный к датчикам и системам автомобиля, мог бы выявлять потенциальные неисправности задолго до того, как они становятся реальными проблемам . Ведь гораздо дешевле пройти техобслуживание, чем чинить или заменять детали. Нейросеть сможет составлять графики профилактики, подсказывать адрес ближайшей автомастерской и контролировать ТО. Логи мониторинга всех систем помогут механикам понять, что и по какой причине вышло из строя или находится на грани поломки, а производителям автомобилей дадут возможность улучшать качество комплектующих и запчастей.

Подобная система отслеживания телеметрии уже существует у суперкара Bugatti Chiron. В режиме онлайн он передает данные о функционировании всех систем в сервисный центр производителя. Если обнаружена неисправность, ремонтная бригада оперативно отправляется в любую точку мира, чтобы устранить дефект, — во всяком случае, так утверждают в компании. Если же проблема не требует вмешательства квалифицированного специалиста, сервисный центр может просто позвонить владельцу авто — к примеру, если давление в шинах снизилось до критического уровня. Система телеметрии Bugatti контролирует около 10000 сигналов, поступающих от различных узлов автомобиля: двигателя, трансмиссии, освещения, климат-контроля, информационно-развлекательного центра и других. Пока такими системами оборудуют только избранные автомобили класса люкс, но начало уже положено.

Разумное автострахование

Искусственные нейросети уже находят применение в автостраховании. В первую очередь они используются для оценки рисков, а помогают им в этом большие данные о водителях.

Большие данные — это наборы информации, которые слишком велики и сложно структурированы, чтобы их можно было обрабатывать с помощью обычных систем управления БД или тем более вручную. В страховании используются десятки источников информации о клиентах — базы номеров VIN, сведения о покупках и продажах, данные о нарушениях ПДД и законодательства и многое другое.

Для страховых компаний значение при принятии решения имеет буквально все, что касается водителя, — состояние его здоровья, стиль вождения, участие в инцидентах на дороге и даже семейные отношения. Но проанализировать огромные массивы собранных данных, дать им качественную оценку и вынести заключение человек может далеко не всегда. Неточности в прогнозах страховых компаний могут необоснованно поднять стоимость страхования для хороших водителей и снизить для плохих.

При этом с развитием технологий список информационных источников может увеличиться. Страховые компании захотят учитывать сведения о манере вождения, соблюдении скоростного режима и поведении водителя в сложных ситуациях. Сейчас эти данные фактически невозможно получить и использовать при продаже страховки, но в будущем подобную информацию сможет собирать и пересылать страховой компании встроенный ИИ автомобиля.

Будем надеяться, что скоро наступит день, когда любители обгонять по обочине или подрезать на повороте станут платить за страховку больше — потому что эти факты станут известны страховой компании и искусственный интеллект, выносящий решение, примет их во внимание.

ИИ управляет производством

Роботы и другие автоматы давно и широко используются в автомобилестроении, да и во многих других производствах. Но пока большая их часть управляется обычными компьютерными программами. В случае любого сбоя конвейер останавливается, и для продолжения работы требуется вмешательство человека.

Эксперты прогнозируют, что искусственный интеллект поможет ускорить производство, сокращая время простоя. Опираясь на данные с датчиков, нейросети смогут отслеживать работу оборудования, выявлять назревающие проблемы и принимать меры, а также контролировать своевременность профилактического обслуживания. На ИИ можно возложить и контроль за качеством продукции.

В итоге уменьшатся расходы на ремонт и замену оборудования, потери из-за простоев. А значит, будет снижаться и себестоимость продукции.

Будущее не за горами. Уже никого не удивить умным навигатором, прокладывающим самый удобный маршрут. Через несколько лет привычным явлением будут автомобили под управлением ИИ, беспилотные грузовики, автобусы и такси, а наши путешествия станут как никогда прежде безопасными, легкими и комфортными.