Ценность ваших данных

Машинное обучение – одна из областей ИИ, которая состоит из методов, позволяющих компьютерам принимать решения на основе данных и реализовывать приложения ИИ. Фактически, машинное обучение – класс методов ИИ, который ориентирован на создание систем, которые обучаются (т. е. совершенствуют свою производительность) посредством анализа данных. Понятия «машинное обучение» и «ИИ» часто употребляют в одном контексте порой как взаимозаменяемые, однако они имеют разное значение. Разница состоит в том, что машинное обучение всегда подразумевает использование ИИ, однако ИИ не всегда подразумевает машинное обучение.

Машинное обучение присутствует практически во всех сферах современной жизни. Каждый раз, когда мы пользуемся банковскими услугами, делаем покупки в интернете или общаемся в мессенджерах, алгоритмы машинного обучения помогают сделать это взаимодействие удобнее, эффективнее и безопаснее.

В основе машинного обучения лежат алгоритмы, которые разделяются на два основных типа: обучение «с учителем» и без него. Разница заключается в способе изучения данных для последующего прогнозирования.

Практически все мировые технологические лидеры уже приняли стратегию разработки своих продуктов и сервисов по так называемой дата-центричной модели. Она подразумевает построение новых продуктов и сервисов, исходя из имеющихся данных, которыми эти решения будут пользоваться, и данных, которые эти решения будут формировать, обогащая ими текущие информационные массивы и «цифровые профили».

Такие компании, как Alphabet и Google, считают, что ИИ – основа для революции компьютерных технологий, и его влияние на общество будет даже более значительным, чем появление интернета. Крупнейший производитель напитков Coca-Cola в день продает более 1,9 млрд товарных единиц. У компании более 500 брендов. Приведем цитату руководителя производства Coca-Cola Грега Чемберса: «Искусственный интеллект – фундамент всей нашей деятельности. Мы создаем интеллектуальный опыт, и его ядро – это искусственный интеллект»[552].

В качестве еще одного интересного примера можно привести платформу SmartThings компании Samsung, которая может стать первой компанией в мире, реализовавшей концепцию «сетевого (цифрового) дома», в рамках которой все устройства Samsung смогут обмениваться данными в единой цифровой экосистеме. Все это открывает поистине безграничные возможности для различных новых сервисов и формата взаимодействия с потребителями на уровне проектов и сервисов. В этой связи можно констатировать что любой разработчик цифровой экосистемы, получившей широкой распространение и ставшей неким стандартом объединения и работы с данными/продуктами/сервисами, получит огромное преимущество в будущем.

18.1.3. Развитие интернета вещей

Интернет плотно вошел и в нашу жизнь, и в окружающую нас действительность. Это не только компьютеры, смартфоны и планшеты, с помощью которых мы «выходим в интернет». Речь идет практически обо всей бытовой технике. Холодильники считывают сроки годности и составы продуктов, пылесосы и метеодатчики работают в доме в наше отсутствие, современные автомобили считывают всевозможные показатели, от траффика до метеоусловий, а «проникновение» интернета в медицинские приборы вызывает настоящее восхищение. Все эти предметы генерируют и собирают данные, причем объем этих данных поистине огромный. Огромное количество приложений обрабатывают эти данные и генерируют новые: холодильники подсказывают, когда у каких продуктов истечет срок годности, состав всего загруженного в них, часы обладают множеством функций, подсказывающих сколько шагов, калорий уже потрачено, когда необходимо пить воду. Автомобили пользуются машинным зрением – сами паркуются, поворачивают и тормозят. Все эти функции были бы невозможны без надлежащей обработки информации, трактовки исторических данных и соответствующей синхронизации и обмена информацией по каналам всемирной сети интернет.

Во всех этих примерах важно отметить различные аспекты работы или, здесь уже можно сказать, управления данными, которые мы уже успели рассмотреть в этой книге. Действительно, все начинается с «понимания» (семантики) данных – холодильник должен понять «что» в него ставят, при этом речь не идет о стандартных бирках – могут быть разные магазины, продуктовые рынки и даже ручная корректировка вводимых данных. Вопрос качества данных безусловно очень важен, ведь если умные часы собирают геоданные с ошибкой, то все приложения, использующие эту информацию, будут давать неверные результаты скорости движения, геопозиционирования и пр. Ну и конечно, функции мониторинга потоков данных со всевозможных датчиков, «раскладки этих данных» согласно семантике и метаданных являются основополагающими для всех этих приложений трекеров, смартфонов, телемедицины, автомобильной, спортивной и прочих отраслей.