Sztuczna inteligencja – perspektywy praktycznych zastosowań

Już od 2017 roku na rynku rozpoczął się wysyp narzędzi i aplikacji wykorzystujących mechanizmy sztucznej inteligencji, a w szczególności uczenie maszynowe. Do czego prowadzi ta technologia i jakie są perspektywy jej wpływu na biznes?

W ostatnich latach wiele firm zaczęło wdrażać narzędzia AI (Artificial Intelligence), ale zwykle są to projekty o małej skali, np. wirtualni asystenci. Te pierwsze doświadczenia pozwalają na zaznajomienie się z technologią AI i zdobycie podstawowej wiedzy o dostępnych narzędziach, ich możliwościach i ograniczeniach. „Dlatego w najbliższych latach można oczekiwać wzrostu liczby dużych wdrożeń aplikacji wykorzystujących mechanizmy AI” – uważa Nima Negahban, CTO w firmie Kinetica specjalizującej się w opracowywaniu systemów analitycznych o wysokiej wydajności.

Potencjał i bariery wdrożeń

Potencjał technologii AI i uczenia maszynowego w zestawieniu z aktualnymi warunkami jest niestety przereklamowany, a większość firm ma problemy z określeniem realnych korzyści biznesowych, które można osiągnąć, inwestując w te technologie. Największe bariery popularyzacji to brak doświadczeń i wiedzy, jak efektywnie wdrożyć narzędzia wykorzystujące AI, a także brak przekonania, że zasoby danych zgromadzone w firmie mają wysoką wiarygodność i jakość. Stąd też sceptyczne podejście do projektów związanych z wprowadzeniem mechanizmów AI.

Zobacz również:

Większość informacji o nowych narzędziach i aplikacjach wykorzystujących AI koncentruje się na przedstawieniu ich możliwości i korzyści biznesowych. Jednak w praktyce, żeby to osiągnąć, najczęściej niezbędna jest analiza i przebudowa zgromadzonych w firmie zbiorów danych, aby były spójne, wyczyszczone ze śmieci i odpowiednio powiązane. Dopiero wówczas sztuczna inteligencja będzie mogła efektywnie wesprzeć procesy biznesowe.

„AI to nowa wersja Big Data: firmy zaczynają się ścigać we wdrożeniach, często nie wiedząc, czy nowa technologia jest im rzeczywiście potrzebna czy nie” – uważa Monte Zweben, CEO w firmie Splice Machine.

W 2017 r. Vanson Bourne na zlecenie Teradata przeprowadził badania ankietowe, których wyniki przedstawiono w raporcie „State of Artificial Intelligence for Enterprises”.

Wśród przedsiębiorstw widać dość duży entuzjazm, jeśli chodzi o potencjalne zastosowania AI. Aż 80% ankietowanych firm deklaruje, że już inwestuje lub planuje inwestycje w tego typu technologie, a 30% planuje ich zwiększenie w najbliższych trzech latach. Głównym motywem jest przekonanie, że AI może zwiększyć ich konkurencyjność na rynku.

Jednocześnie aż 91% respondentów widzi poważne bariery i problemy hamujące wdrożenia technologii AI. 40% przewiduje, że największą barierą może być brak odpowiedniej infrastruktury IT, 30%, że jest to brak pracowników mających wysokie kwalifikacje do zarządzania systemami AI, a 33% uważa, że dostępne na rynku narzędzia i aplikacje są dopiero w początkowej fazie rozwoju i nie zostały praktycznie sprawdzone. Co ciekawe, tylko 19% ankietowanych ma wątpliwości, czy zastosowanie AI może przynieść korzyści biznesowe, a 20% obawia się, że automatyzacja może spowodować utratę pracy i źle wpłynąć na morale pracowników.

Jak podaje raport „State of Artificial Intelligence for Enterprises”, wśród przedsiębiorstw widać entuzjazm, jeśli chodzi o potencjalne zastosowania AI. Aż 80% ankietowanych firm deklaruje, że już inwestuje lub planuje inwestycje w tego typu technologie, a 30% planuje ich zwiększenie w najbliższych trzech latach.

Jedną z poważnych barier zastosowań systemów AI, w szczególności w firmach podlegających restrykcyjnym przepisom prawnym, jest wykazanie, w jaki sposób mechanizmy sztucznej inteligencji doprowadziły do podjęcia określonych decyzji. Opracowanie rozwiązań umożliwiających przeprowadzenie audytu działania systemu opartego na AI ma tu zasadnicze znaczenie. Jeśli np. autonomiczny samochód lub system dozowania leków spowoduje zagrożenie dla ludziego życia wskutek niewłaściwej decyzji oprogramowania AI, to trzeba mieć mechanizmy pozwalające na efektywną analizę przyczyn tej sytuacji i wyeliminowanie błędów.

Obecnie systemy wykorzystujące sztuczną inteligencję mają często formę „czarnej skrzynki”, ale analiza ich działania jest bardzo trudna lub nawet niemożliwa.

Jedną z barier zastosowań systemów AI jest wykazanie, w jaki sposób mechanizmy sztucznej inteligencji doprowadziły do podjęcia określonych decyzji. Opracowanie rozwiązań umożliwiających przeprowadzenie audytu działania systemu opartego na AI ma zasadnicze znaczenie.

Bezpieczeństwo wspomagane przez AI

Mechanizmy AI i uczenia maszynowego są już wykorzystywane w praktyce przez dostawców oprogramowania bezpieczeństwa.

Na przykład firma MobileIron do najnowszej wersji narzędzia MobileIron Threat Defense wprowadziła mechanizmy analizy behawioralnej mające na celu wykrywanie podejrzanych zachowań aplikacji i aktywności w sieci. Wykorzystują one uczenie maszynowe, co pozwala na ciągłe ulepszanie ich funkcjonowania i zwiększanie efektywności ochrony przed zagrożeniami.

Sophos do oprogramowania chroniącego punkty końcowe wprowadził mechnizmy głębokiego uczenia, które mają być podstawą do stworzenia systemu bezpieczeństwa opartego na predykcji zagrożeń – „predictive security”, jak określają przedstawiciele producenta.

Citrix Analytics, oprogramowanie do zarządzania zasobami urządzeń działających w sieci, zostało wyposażone w mechanizmy analizy zachowań użytkowników wykorzystujące uczenie maszynowe do podziału użytkowników na kategorie o różnym poziomie ryzyka, które są systematycznie aktualizowane zgodnie ze zbieranymi przez system kolejnymi danymi.

IBM opracował chmurową aplikację MaaS360 Watson, która ułatwia administratorom IT analizę masowych informacji generowanych przez urządzenia końcowe, ich użytkowników i aplikacje. Wykorzystuje ona technologie AI i uczenia maszynowego do zwiększenia poziomu bezpieczeństwa, produktywności oraz ułatwienia zarządzania aplikacjami mobilnymi.

Trend Micro oferuje narzędzie Writing Style DNA do ochrony przed atakami na biznesową pocztę elektroniczną. Wykorzystuje ono mechanizmy sztucznej inteligencji do stworzenia wzorca stylu pisania użytkownika obejmującego ponad 7000 cech. Po wykryciu wiadomości, która wygląda na próbę podszycia się pod jej deklarowanego nadawcę, język wiadomości jest porównywany z modelem opracowanym przy wykorzystaniu AI, a do nadawcy, adresata i działu IT jest wysyłane ostrzeżenie.

F-Secure wprowadziło narzędzie Rapid Detection & Response, które wykorzustując mechanizmy sztucznej inteligencji, pozwala nie tylko wykryć potencjalne zagrożenia, ale też wskazać podatne na nie zasoby i ocenić poziom ryzyka. Każda zarejestrowana anomalia w aktywności aplikacji i ruchu danych jest badana, aby odfiltrować fałszywe alarmy, a wykryte zagrożenia zostają zgłoszone firmie lub dostawcy usług wraz ze szczegółowymi wskazówkami dotyczącymi zalecanego sposobu reakcji.

źródło: F-Secure

źródło: F-Secure

Inne przykłady zastosowań technologii AI

Polska firma QZ Solutions opracowała aplikację ziBees, która wykorzystuje sztuczną inteligencję do wspomagania zarządzania pszczelimi pasiekami i rozpoznawania występujących chorób, takich jak groźna warroza. Aplikacja dostarcza też informacji o liczbie pszczół i identyfikuje występujące podczas sezonu anomalie.

ziBees wykorzystuje zdjęcia ramek ula wykonane smartfonem wysłane na serwer, gdzie są analizowane przez algorytmy wykorzystujące mechanizmy sztucznej inteligencji. Po przetworzeniu danych do pszczelarza przesyłana jest informacja na temat potencjalnej infekcji warrozą i liczbie pszczół na ramce ula. Według producenta oprogramowania skuteczność wykrywania liczby pszczół kształtuje się na poziomie 90%. Aby w pełni wytrenować algorytmy sztucznej inteligencji oraz rozszerzyć funkcje oprogramowania, niezbędna jest większa niż dotąd liczba danych, dlatego twórcy projektu zachęcają pszczelarzy do wykorzystania aplikacji.

źródło: QZ Solutions

źródło: QZ Solutions

Gliwicka firma Future Processing opracowała system Adaptive Vision, który wykorzystując zestaw różnego rodzaju algorytmów opartych na sztucznej inteligencji, umożliwia wizyjną kontrolę jakości, automatyczne wykrywanie defektów i anomalii występujących w produktach. Może on znaleźć zastosowanie m.in. w inspekcji paneli fotowoltaicznych, segmentacji zdjęć satelitarnych (np. automatyczne wykrywanie budynków i dróg), podnoszeniu rozdzielczości zdjęć satelitarnych i przetwarzaniu obrazów medycznych. System Adaptive Vision wykorzystuje mechaqnizmy uczenia maszynowego, analizuje obrazy z kamer i sygnalizuje wykryte odstępstwa od normy.

Firma SciSports, wykorzystując algorytmy uczenia maszynowego i narzędzia analityczne SAS, opracowała rozwiązanie do automatycznej analizy wideo z meczów piłkarskich, które dostarcza informacji o potencjale zawodników i zespołów, ułatwiając poszukiwanie zawodników na określone pozycje oraz opracowywanie założeń taktycznych i szkoleniowych. Każdego tygodnia system analizuje ponad 1500 meczów w 210 ligach i wykorzystuje uczenie maszynowe do analizy potencjału i wartości ponad 200 000 zawodników.