Будущее машинного обучения: индустрии и тренды

Искусственный интеллект окончательно перестал быть научной фантастикой. Сегодня это сила, стремительно трансформирующая мировую экономику и повседневную жизнь миллиардов людей. Пока что мы стоим в самом начале этих изменений и не можем в полной мере оценить их масштабы. Мы также не можем точно спрогнозировать все тенденции развития технологий ИИ, таких как машинное обучение (Machine Learning, ML).

Но почему бы не попытаться провести такую аналитику прямо сейчас? В этом блоге мы рассмотрим самые перспективные технологические тренды в машинном обучении: определим ключевые индустрии внедрения ML, назовем основные направления развития технологий. Словом, заглянем в будущее искусственного интеллекта.

Как сегодня применяется машинное обучение?

В этом материале мы не будем подробно рассказывать о том, что такое машинное обучение и как оно работает. Ведь у нас есть об этом отдельные блоги. Если в двух словах: ML – это направление развития технологий ИИ, посвященное созданию алгоритмов для автономного обучения компьютеров. С помощью моделей ML машины могут решать практически любые задачи по обработке данных, не имея четких алгоритмов и инструкций.

Последние годы стали для сферы машинного обучения звездным часом. С 2020 года глобальный рынок решений ML вырос как минимум вдвое, а появление больших языковых моделей и генеративного ИИ привлекло к индустрии массовое внимание. Сегодня воспользоваться возможностями машинного обучения может каждый пользователь. Для этого достаточно включить камеру на смартфоне (ведь мобильная съемка работает на алгоритмах) или открыть в браузере бесплатную версию ChatGPT.

Но самые важные тренды машинного обучения сегодня развиваются в мире крупного бизнеса. По оценкам Statista, в 2024 году объем рынка решений ML должен достичь отметки в $204,3 млрд. В ближайшие годы рынок будет развиваться со среднегодовым темпом роста в 17%; уже к 2030 году он должен увеличиться более чем вдвое – до $528 млрд.

Какие индустрии сегодня инвестируют в машинное обучение? Распределение рынка ML по основным секторам выглядит так:

• 18,8% – решения для промышленности;

• 15,4% – инструменты для финансового сектора;

• 12,2% – технологии здравоохранения;

• 10,6% – решения для транспорта;

• 10,1% – решения для сектора безопасности;

• 9,8% – инструменты для бизнеса и юридических услуг.

Очень перспективно выглядят возможности внедрения машинного обучения в энергетике, сфере развлечений и медиа, в ритейле и т.д.

Современное машинное обучение – это механизмы гиперперсонализации маркетинга и контента, роботизация бизнес-процессов в ERP-системах, системы компьютерного зрения и предиктивного технического оборудования на производственных линиях, ИИ-диагностика медицинских снимков, финансовый фрод-мониторинг и т.д. Но это только начало революции. В ближайшие годы область применения машинного обучения будет стремительно расширяться.

Какие индустрии используют машинное обучение прямо сейчас?

Технологии ML можно применять практически в любой сфере, требующей обработки данных. Рассмотрим современные примеры использования машинного обучения в разных индустриях.

Медицина 

Машинное обучение открыло для медицины возможности, которые всего 10 лет назад считались фантастикой. Медики используют средства ML для аналитики рентгеновских и МРТ-снимков, диагностики, аналитики медицинских данных пациентов, принятия решений и т.д. К примеру, проект Microsoft InnerEye использует компьютерное зрение и ML для обнаружения опухолей на радиологических 3D-снимках пациентов.

Ученые тем временем применяют модели ML для генетических исследований, поиска новых лекарств, прогнозирования пандемий и т.д. В прошлом году исследователи MIT впервые за 60 лет открыли новые антибиотики – это стало возможным именно благодаря моделям машинного обучения.

Финансы и банковское дело

Машинное обучение стало одним из важнейших элементов FinTech. Алгоритмы ML применяются для кредитного скоринга и андеррайтинга, управления рисками, автоматизации процессов и фрод-мониторинга. По прогнозам fintech-компании Autonomous NEXT, к 2030 году технологии ИИ и машинного обучения позволят мировому банковскому сектору сократить расходы на 22%. Речь идет о ежегодной экономии в $1 трлн.

Как пример, использование ML-системы кибербезопасности Falcon позволило международному инвестиционному банку Greenhill сократить количество ложных тревог о подозрительной активности на 75%. Годовая экономия от внедрения технологии оценивается по меньшей мере в 300 тысяч долларов.

Розничная торговля

Возможности машинного обучения позволяют ритейлерам эффективно прогнозировать спрос, управлять ценами и цепочками поставок, строить персонализированный маркетинг, роботизировать операции и улучшать уровень сервиса для конечных потребителей. Гиганты eCommerce-ритейла уже научились эффективно применять алгоритмы ML для решения всех этих задач: Amazon, Walmart, Alibaba и т.д. Их пример показателен для всей индустрии. По данным Precedence Research, в 2024 году рынок средств ИИ для ритейла должен достичь отметки в $11,8 млрд, а к 2032 году – увеличиться почти в 4 раза, до $45,7 млрд.

Производство

Одно из главных на сегодняшний день направлений внедрения ML – использование алгоритмов на производственных линиях. Машинное обучение позволяет наладить автоматизированный и эффективный контроль качества, обеспечить предиктивную техподдержку производственных активов и оборудования, наладить управляемый производственный процесс на основе данных.

Сегодня решения для производства на базе ML и Интернета вещей развивают такие гиганты как General Electric, Siemens, IBM и т.д. К примеру, современные газовые турбины Siemens содержат более 500 сенсоров, постоянно измеряющих физические параметры работы устройства. Собранные этими сенсорами данные обрабатываются алгоритмами ML. Система учится оптимально управлять газовыми клапанами, чтобы обеспечить турбине максимально продолжительную, безопасную и производительную работу.

Транспорт и логистика

Машинное обучение применяют для эффективного управления перевозками и оптимизации цепочек поставок. Алгоритмы ML позволяют логистическим операторам прокладывать оптимальные транспортные маршруты, обеспечивать предиктивное техобслуживание машин, повышать экономность и экологичность перевозок, мониторить соблюдение требований комплаенса и безопасности на дорогах. К примеру, почтовый оператор UPS использует инструменты машинного обучения для оптимизации своих операций под текущий спрос на перевозки. Во втором квартале 2023 года технологии позволили UPS заблаговременно спрогнозировать сокращение объемов спроса и сократить количество рабочих часов в своей сети на 10%.

Энергетика

Алгоритмы машинного обучения позволяют вывести энергетическую отрасль на новый уровень эффективности и стабильности. Энергетические компании уже сегодня используют ML для прогнозирования спроса на электроэнергию и балансировки сети, для оптимального распределения нагрузки, предиктивного обслуживания оборудования и развития зеленой энергетики. Показательный пример: американская правительственная инициатива SunShot помогла снизить стоимость солнечной энергии на 75%. Одним из ее направлений является применение алгоритмов машинного обучения для прогнозирования погоды и солнечной активности. Искусственный интеллект помог повысить точность прогнозов на 30%.

Нетрудно заметить, что машинное обучение уже изменило ключевые отрасли реального сектора экономики: промышленность, транспорт, энергетика, логистика и т.д. Но это только начало. Далее мы рассмотрим ряд отраслей, где внедрение алгоритмов ML только начинается.

В каких отраслях машинное обучение только набирает обороты?

Такие индустрии как промышленность, финансы и энергетика были хорошо подготовлены к внедрению технологий ML. Ведь они опирались на устоявшиеся практики сбора данных и имели возможность инвестировать в новейшие R&D проекты еще 5-7 лет назад. Но есть и сферы экономики, где машинное обучение только сейчас начинает раскрывать свой потенциал. Рассмотрим тенденции в машинном обучении для наиболее перспективных индустрий.

Сельское хозяйство

Алгоритмы ML могут применяться для аналитики состояния почв и экосистем (через аэро- и спутниковые снимки), для оптимизации полива и обработки полей удобрениями, прогнозирования урожайности и т.д. В сочетании с дронами и Интернетом вещей машинное обучение позволит наладить автоматический мониторинг состояния растений и животных в реальном времени, эффективно бороться с болезнями и вредителями.

К примеру, стартап Mavrx использует машинное обучение и компьютерное зрение для аналитики состояния полей и посевов по снимкам с дронов или спутника. Подобных стартапов становится все больше. На сегодня эксперты оценивают рынок решений Agritech в диапазоне $22-24 млрд и прогнозируют его рост по меньшей мере до $75 млрд в ближайшие 8 лет.

Строительство и недвижимость

Машинное обучение постепенно становится мощным инструментом в сферах строительства и недвижимости. В частности, модели ML можно использовать для точного прогнозирования стоимости и сроков реализации проекта; для оптимального планирования девелопмента; для геодезического анализа местности; для контроля качества строительства; для прогнозирования спроса и эффективной оценки объектов. К примеру, ML-платформа Redfin позволяет точно оценивать рыночную стоимость недвижимости, с учетом более 500 параметров. Кроме того, в сочетании с Интернетом вещей машинное обучение расширяет возможности управления недвижимостью, позволяя мониторить объекты в реальном времени, оптимизировать их обслуживание и эксплуатацию. 

Право

Алгоритмы машинного обучения могут сделать юридическую сферу более открытой и демократичной. Инструменты ML могут применяться для автоматизированного юридического анализа документов, прогнозирования судебных решений, моделирования правовых сценариев, обеспечения юридического комплаенса в любых областях и автоматизации правовых консультаций, не требующих глубокой вовлечённости юристов. Уже сегодня платформы типа Lexlink и Perjury могут предоставлять возможности ML для автоматического анализа юридической документации. Это делает юридическую практику эффективной и предсказуемой.

Образование

Машинное обучение все активнее используется в образовании, помогая персонализировать обучение, роботизировать операции и задания, мониторить успешность учащихся и эффективность образовательного процесса в целом. Средства ML позволяют не только обнаруживать плагиат в научных работах, но и выявлять контент, написанный с помощью других средств ИИ. Тем временем цифровые образовательные платформы типа Duolingo и Cognii внедряют инструменты машинного обучения для персонализации образования и создания полноценных виртуальных ботов-менторов.

Страхование

Алгоритмы ML – это идеальные инструменты риск-менеджмента. Они предоставляют страховой промышленности новые возможности андеррайтинга, фрод-мониторинга, управления рисками, обработки заявлений и персонализации сервиса для клиентов. Кроме того, машинное обучение поможет автоматизировать отрасль. Многие процессы в этой сфере можно роботизировать: от обработки претензий до прекращения или продления полисов. По прогнозам McKinsey, уже к 2025 году автоматизация коснется до 25% сектора страхования. Отрасль InsurTech растет очень быстро, и стартапы типа Vlot, TrustLayer и Anorak предлагают возможности ML для страхования уже сегодня.

Актуальные и будущие тренды машинного обучения

Сегодня мы наблюдаем только первые шаги в прикладном применении машинного обучения и ИИ. Кто знает, какие тренды машинного обучения станут определяющими уже завтра? Попробуем назвать самые главные.

Автоматизация машинного обучения (AutoML)

Годами машинное обучение оставалось сферой с высоким порогом входа: создавать и настраивать модели ML могли только специалисты с продвинутыми навыками программирования и Data Science. Автоматизированное машинное обучение (AutoML) делает эту технологию более доступной: оно позволяет автоматизировать самые сложные задачи разработки ML. Пользователи получают возможность наладить модель практически под любую проблему, независимо от своих навыков в области обработки и анализа данных.

Это означает, что в будущем разработчики и пользователи бизнес-сегмента смогут пользоваться готовыми решениями ML под любые задачи: компьютерное зрение, прогнозирование спроса, интеллектуальный поиск, моделирование физических процессов и т.д.

Глубокое обучение (Deep Learning)

Алгоритмы глубокого обучения являются подмножеством машинного обучения, но в прикладных задачах их все чаще рассматривают как отдельное полноценное направление развития ИИ. Глубокое обучение основано на искусственных нейронных сетях – алгоритмических структурах, имитирующих механизмы человеческого абстрактного мышления. Именно на технологиях глубокого обучения построены большие языковые модели и генеративный ИИ. Направление Deep Learning развивается очень быстро: это продвинутое компьютерное зрение, системы распознавания естественного языка и т.д. Современные модели нейросетей могут демонстрировать в некоторых областях результаты, сопоставимые с человеческими, или даже превосходить их.

Большие данные и их обработка в реальном времени

Машинное обучение является неотъемлемой частью сферы Data Science, направленной на сбор, структуризацию и обработку больших данных (Big Data). Это наборы данных, имеющие три ключевые характеристики:

• огромный объем (терабайты, петабайты, экзабайты данных);

• разнообразие (широкий набор данных, которые могут содержать текст, изображения, аудио и видео и т.д.);

• скорость (данные генерируются, собираются и обрабатываются в очень высоких темпах);

Современные алгоритмы ML позволяют делать то, что раньше было невозможно: обрабатывать Big Data в реальном времени. Можно ожидать, что такая обработка предоставит бизнесу и организациям множество новых возможностей, а сами алгоритмы благодаря постоянному потоку данных будут стремительно эволюционировать.

Этика и прозрачность

Стремительное развитие ИИ – это не только техническая проблема. Важно также учесть все риски, связанные с искусственным интеллектом, и социальные сдвиги, к которым он может привести. Бесконтрольное применение алгоритмов ML может привести к непредсказуемым последствиям: от неограниченного распространения дезинформации до коллапса на глобальном рынке труда.

В ближайшие годы мировое сообщество будет работать над механизмами правового и технологического ограничения технологий ИИ, чтобы сделать их использование этичным и безопасным. Вероятно, мы увидим внедрение новых подходов для технического контроля генеративного ИИ, таких как RAG (Retrieval Augmented Generation).

Квантовые вычисления

Современная наука приблизилась к решению фундаментальных проблем создания компьютеров, построенных на принципах квантовой механики. Такие устройства придадут технологиям ИИ и машинного обучения новый импульс к развитию, ведь будут гораздо мощнее и эффективнее современной электроники. Эксперты McKinsey прогнозируют, что уже к 2035 году отрасль квантовых вычислений может глобально создать дополнительную экономическую ценность в $1,3 трлн.

Специалисты с навыками в Data Science и программировании моделей ML могут овладеть базовыми квантовыми алгоритмами уже сегодня. Вся отрасль диджитала должна готовиться к наступлению квантовой эпохи прямо сейчас.

Федеративное обучение (Federated Learning)

Одно из самых больших опасений при использовании ИИ и машинного обучения касается безопасности персональных данных, поступающих на обработку моделями ML. Инновационный подход федеративного обучения позволяет решить эту проблему: в его рамках модель ML обучается не в облаке или на центральном сервере, а на локальных устройствах, таких как компьютер или смартфон пользователя. 

Так пользователь получает полный контроль над своими конфиденциальными данными, а вендоры решений ИИ могут разгрузить свои вычислительные мощности для более приоритетных задач. Развитие федеративного обучения напрямую связано с масштабированием вычислительных мощностей гаджетов и развитием AutoML.

Интерпретируемость и объяснительные модели

Один из главных вызовов внедрения технологий ИИ состоит в том, чтобы сделать их работу более понятной и прозрачной для каждого пользователя. Интерпретируемость (Interpretability) модели ML предполагает, что пользователь может понять ее логику принятия решений. Это важно как с точки зрения доверия к технологии, так и с точки зрения контроля ее работы.

Важную роль в интерпретируемости играют объяснительные модели ИИ (Explainable AI, XAI). Они помогают описать принцип работы модели, определить ее влияние и возможные ограничения. Нельзя допустить, чтобы ИИ работал по принципу “черного ящика” и принимал решения, которые не может понять человек.

Многозадачное обучение

Традиционный подход к машинному обучению предполагает, что модель учится выполнять разные задачи поочередно. Однако гораздо лучшие результаты демонстрирует многозадачное обучение, когда модель учится справляться с несколькими задачами одновременно. Например, учится распознавать объекты на изображениях и одновременно классифицировать разные тексты, используя всю сумму опыта в обеих активностях. Развитие многозадачного обучения, вероятно, будет одним из главных трендов дальнейшей эволюции ML.

Разработка решений на базе машинного обучения с WEZOM

Наша команда прекрасно понимает ключевые тренды машинного обучения, ведь внимательно следит за развитием этой технологии и использует ее на практике – при создании диджитал-решений для производства, eCommerce, ритейла, логистики и т.д.

В одном из наших недавних проектов мы реализовали сервисную платформу на базе ИИ для ведущего производителя климатической техники – компании Cooper&Hunter. Внедрение инструментов ML для распознавания естественного языка в IP-телефонию компании позволило частично автоматизировать обработку обращений клиентов в техподдержку, улучшить качество сервиса и сэкономить менеджерам Cooper&Hunter до 27% рабочего времени, которое ранее уходило на обработку заявок. 

Так что если вас интересуют возможности применения машинного обучения в бизнесе, вы оказались на правильной странице. Обращайтесь за консультацией к нашим специалистам прямо сейчас – они с удовольствием поделятся опытом и предложат практические решения для вашего проекта.

Будущее машинного обучения

Развитие технологий машинного и глубокого обучения едва началось – мы наблюдаем только первые шаги на пути их массового внедрения во все сферы жизни. Однако уже сегодня инструменты ML оказывают огромное влияние на реальный сектор экономики и дают массу новых возможностей: аналитика Big Data, компьютерное зрение, разнообразные предиктивные модели, генеративный ИИ и т.д.

В ближайшие годы алгоритмы ИИ охватят новые отрасли: от сельского хозяйства до образования и юридической практики. Определяющими вероятно станут такие тренды в машинном обучении как квантовые вычисления, федеративное обучение, пояснительные модели и т.д. В то же время мировое сообщество должно ответить на новые вызовы, связанные с ИИ – сделать его использование прозрачным, безопасным и этичным.

FAQ

В каких индустриях распространено применение машинного обучения?

По данным Statista на 2024 год, наибольшие доли рынка решений машинного обучения сегодня приходится на промышленность (18,8%), финансовый сектор (15,4%), здравоохранение (12,2%), решения для транспорта и логистики. (10,6%) и сектор безопасности (10,1%).

Каковы будущие тренды машинного обучения?

В ближайшие годы инструменты машинного обучения будут стремительно распространяться в новых индустриях: сельском хозяйстве, девелопменте, юридической практике, образовании, страховании, ВПК и т.д. Строить прогнозы трендов машинного обучения сложно. Вероятно, они будут фокусироваться вокруг квантовых вычислений, новых методов обучения алгоритмов и объяснительных моделей ИИ.