Андрей Филимонов, HARMAN: «ИИ – это не инструмент, а скорее парадигма извлечения знаний из данных»

Бум технологий ИИ и машинного обучения еще впереди, - уверен руководитель по развитию новых направлений, HARMAN X, Future Intelligence Lab, HARMAN NN Андрей Филимонов. Но уже сейчас многие компании создают новые продукты и сервисы на основе ИИ.

Подразделение всемирно известной компании HARMAN в Нижнем Новгороде (HARMAN NN) – не исключение. Среди реализованных кейсов, к примеру, - масштабируемая платформа на базе искусственного интеллекта eNOVA, предназначенная для создания и персонализации голосовых помощников, или AI ассистент для продавцов-консультантов с самообучающейся базой данных, содержащей информацию обо всех товарах магазина и запросах покупателей. В разработке также NEUROSENSE - система мониторинга состояния водителя, которая оценивает объединенное восприятие мозговой активности водителя с эмоциями и мимикой, а также ряд других решений.

В интервью с Андреем Филимоновым поговорили о том, как происходит разработка новых продуктов на основе ИИ и что можно ожидать от этой технологии в будущем.

хпран.JPGКакова специфика использования искусственного интеллекта для разработки новых продуктов?

Есть несколько аспектов использования ИИ в компании. Самый, пожалуй, главный -  это то, что все больше и больше компонентов, основанных на ИИ, становятся продуктами компании. В этом смысле формулировка «использование ИИ для разработки новых продуктов» не совсем корректна. В данном случае ИИ и есть продукт.

Примеров такого рода продуктов множество, начиная от уже классических, вроде распознавания изображений, но примененных к конкретным приложениям, например, к продвинутым системам помощи водителю, до полуфантастических, например, использования методов машинного обучения и нейрофизиологии для анализа внутреннего состояния человека. Наряду с таким использованием ИИ есть и его компоненты, являющиеся частью внутренней экосистемы продуктов Harman. Например, наушники нового поколения JBL Quantum используют компоненты ИИ для построения индивидуальной пользовательской карты глубокого аудио-погружения в играх и при просмотре фильмов.

Многие из упомянутых компонентов разработаны специалистами по ИИ в тесном сотрудничестве с профильными предметными специалистами, например, в области обработки аудио. Это делает их уникальными наследниками лучшего из двух «миров» и позволяет решать поставленные задачи гораздо эффективнее, чем это можно было бы сделать классическими методами, без применения ИИ и машинного обучения.

Как происходит процесс выбора направления, где компания будет внедрять ИИ – аудиосистемы, автомобили и т.д.?

Выбор происходит очень по-разному. Иногда он data-driven, то есть кто-то в компании понимает, что накопилось «озеро данных», которые можно использовать для эффективного извлечения знаний и построения новых продуктов. Часто данные копятся для определенных целей (иногда просто для целей учета и каталогизации), но затем находят применение при решении абсолютно неожиданных задач. Иногда направление диктуется рынком:  если не следовать актуальным запросам, то можно безнадежно отстать. Но самый интересный сегмент – это решения, которые сами формируют рынки, становятся отраслевыми стандартами и управляют желаниями заказчиков и потребителей. Такие направления сложно увидеть – для этого нужно обладать определенной «чуйкой» в какой-то предметной области. Однако если угадать, то усилия в этих направлениях многократно окупятся и в смысле полученного удовлетворения от факта вклада в прогресс, и в смысле выполнения бизнес-целей.

Хорошим примером является наш комплекс аналитики ментального и физиологического состояния водителей. В момент, когда мы начинали заниматься такого рода исследованиями, в лучшем случае реакцией наших потенциальных заказчиков и партнеров было недоумение, часто на нас смотрели как на людей, которые занимаются непонятно чем. Два года спустя мы видим огромный  интерес со стороны ведущих автопроизводителей.

DSC_1125.JPG

Так происходит сбор данных для комплекса аналитики ментального и физического состояния водителей. 

Интерес к этому комплексу обуславливают сразу несколько факторов:

— повсеместное увлечение людей здоровым образом жизни и распространение сопутствующих гаджетов. Теперь отвечать на вопрос «а зачем следить за своим состоянием» не нужно, социальное принятие этого факта произошло. Теперь недоумение вызывает как раз отсутствие такого рода технологий в автомобилях, ведь в них некоторые из нас проводят по несколько часов в день и не в самых удобных условиях.

— желание автопроизводителей выделиться на рынке и предоставить своим клиентам сервис за пределами вообразимого. Например, новой концепцией Mercedes S Klasse по заявлениям главы Daimler является подход «водитель после поездки на S Klasse должен чувствовать себя лучше, чем до».

С какими самыми распространенными сложностями встречаетесь в процессе разработки продуктов с использованием ИИ?

Сложностей обычно много. Если пытаться избавиться от частностей и начать обобщать, то в сухом остатке, как правило, будет «классика жанра»: недостаток данных, часто плохая формализуемость задач, недостаточная развитость доступных инструментов, из-за которой приходится изобретать свои, серьезный разрыв между «академическим» ИИ и промышленным ИИ.

Если продолжать повествование о ментальной аналитике, упомянутой в предыдущем пункте, то можно хорошо проиллюстрировать, почему данные являются краеугольным камнем машинного обучения. В данном случае, даже если забыть о других аспектах сбора и обработки данных и сосредоточиться только на одном – их репрезентативности и вариативности, то  масштабы проблемы поражают. Все мы разные, только видимых групп различий между водителями несколько: принадлежность к разным этническим и возрастным группам, пол, видимые признаки (цвет глаз и зрачков, наличие усов и бород, различные прически). А тех, которые сразу не видны, а иногда и неизвестны, и становятся известными только после проведения исследования, еще больше. А есть еще условия и факторы, относящиеся к окружению, а не к самим водителям: как, когда и где происходит вождение, ведь цель – создать продукт, который будет работать в реальных условиях применения. Именно поэтому количество данных, которые мы собираем, для того, чтобы можно было создавать алгоритмы диагностики внутреннего состояния водителя, исчисляются тысячами тестируемых и петабайтами потоков данных. Сбор, передача, хранение и обработка таких объемов – это отдельная сложная дисциплина, именно поэтому конкретно в данном проекте ею занимается чуть ли не половина всех инженерных сил команды.

Какие рекомендации Вы могли бы дать ИТ-руководителям, которые планируют использовать этот инструмент в своей компании?

Какие-то общие рекомендации дать сложно: ИИ – это не инструмент, это скорее парадигма извлечения знаний из данных. Она крайне многогранна. Каждое применение этой парадигмы будет порождать свои сложности и приводить к своим достижениям. Опять же, если не скатываться к частностям, то я бы порекомендовал помнить две вещи.

Во-первых, любая система на основе ИИ или, точнее, машинного обучения настолько же хороша, насколько хороши данные, при помощи которых она создавалась. «Грязные» данные или недостаток их понимания и интерпретации неминуемо приведут к ухудшению результата или вообще невозможности его достижения.

Во-вторых, машинное обучение – это не магия. Это математический аппарат со своими достоинствами и недостатками. Это важно помнить и руководителям, которые, к сожалению, думают о машинном обучении именно как об универсальном и 100% эффективном инструменте решения задач, и тем, кто его применяет. Инженеры по машинному обучению все чаще относятся к нему не как к математическому аппарату, а как к набору кубиков, из которого можно сложить тот или иной пазл, полагаясь не на понимание, а на опыт, часто нерелевантный, других инженеров.

Мое личное кредо такое – все, что может быть сделано без машинного обучения, должно быть сделано без него. Это утверждение зиждется на анализе достоинств и недостатков технологии как таковой, а также способов ее применения.

Каков Ваш прогноз по использованию технологии на ближайшие 20 лет?

Я уверен, что мы еще не пережили бум технологий ИИ и машинного обучения. Это видно и по скорости технического развития отрасли, и по рынку специалистов в этой области, и по экономическому эффекту, который она оказывает. Не уверен, что при современных темпах развития техники и социума вообще уместно делать прогнозы на 20 лет, в любом случае, я не чувствую, что обладаю таким видением, которое бы позволило мне давать хоть какие-то прогнозы в перспективе на десятилетия, но ближайшие несколько лет отрасль ИИ/машинного обучения будет развиваться ускоряющимися темпами, в этом у меня нет никаких сомнений.

Справка:

HARMAN X FUTURE INTELLIGENCE LABS - обособленное подразделение HARMAN, сфокусированное на инновациях во всех направлениях деятельности. Цель HARMAN X Future Intelligence Labs – изобретение алгоритмов на стыке информационных технологий, искусственного интеллекта и наук о мозге, которые войдут в группу решений следующего поколения для рынка потребительской и автомобильной электроники HARMAN и партнеров компании и сделают умных помощников еще более умными и чувствительными к людским привычкам и слабостям.

Беседовала Наталья Горова
10520

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.