«Инфотех-2023»: Сбер представил ИИ-разработки в здравоохранении и кибербезопасности
Компания СберМедИИ (входит в индустрию здоровья Сбера) продемонстрировала сервисы для анализа медицинских изображений: «КТ головного мозга», «КТ органов грудной клетки», «Маммография» и «Рентген грудной клетки».
ИИ-сервис «КТ головного мозга», разработанный СберМедИИ и Лабораторией искусственного интеллекта Сбера, в автоматическом режиме выявляет признаки ишемического инсульта на бесконтрастном КТ-исследовании, подсвечивает патологичные участки, рассчитывает общий объем поражения головного мозга и составляет предварительное описание. Алгоритм существенно экономит время врача на анализе изображений и подготовке заключения. Сейчас в пилотном режиме технология тестируется в Тюменской областной клинической больнице №2.
Сервис «Рентген грудной клетки/Флюорография» позволяет выявлять признаки различных патологий, включая плевральный выпот, очаги затемнения, кальцинаты и пневмоторакс. Алгоритм «Маммография» выявляет подозрительные очаги на маммографических снимках молочных желез и классифицирует исследования по шкале BIRADS. Решение снижает нагрузку на врачей, повышает точность выявления патологии и увеличивает скорость диагностики.
Партнер Сбера — компания по управлению цифровыми рисками BI.ZONE продемонстрировала на «Инфотехе» платформу BI.ZONE Bug Bounty для поиска уязвимостей во внешней инфраструктуре организаций с помощью независимых исследователей. Платформа связывает компании и багхантеров: первым она помогает запускать программы багбаунти, вторым дает возможность без юридических рисков искать уязвимости и получать вознаграждение.
Еще один представленный продукт — платформа BI.ZONE Secure SD-WAN, которая предназначена для безопасной трансформации сети. Решение позволяет оптимизировать управление сетью и ее масштабирование, минимизировать риски кибербезопасности, а также сократить расходы на обеспечение стабильной связи с распределенными площадками.
Также специалисты Сбера приняли участие в стратегической сессии форума «Инфотех-2023» — «ИИ в сфере Здравоохранения».
GigaChat расправляет плечи. Новая версия нейросетевой модели от Сбера
Обращаясь к мастерам научной фантастики, всё чаще удивляешься их проницательности. В рассказе Артура Кларка «Девять миллиардов имён Бога» компьютер воплотил пророчество тибетских монахов о наступлении конца света, а в повести Ника Горькавого «Астровитянка» ИИ был единственным другом маленькой девочки в течение десятка лет и помог ей выжить на чужой планете. Многие люди, включая специалистов, верят как в позитивный, так и в негативный путь развития искусственного интеллекта. К счастью, подобные системы являются лишь инструментом, который можно использовать себе во благо, или оставаться в стороне от этого. Уверен, что в течение нескольких лет ажиотаж вокруг нейросетей постепенно спадёт до такой степени, что мы будем относиться к ним как к ещё одному подарку технического прогресса.
А пока мы с вами находимся в настоящем и предвкушаем наступление новой технологической эры, предлагаю разобраться в основах машинного обучения и познакомиться с новой версией GigaChat’а. В ней нам удалось добиться качественного прорыва, обойти аналогичные по размеру языковые модели, а также расширить максимальную длину входного запроса модели и проделать множество других улучшений. Но обо всём по порядку.
Что такое языковая модель
В прошлый раз мы рассказывали про GigaChat и его возможности, и даже выкладывали лежащую в его основе языковую модель ruGPT-3.5 13B в открытый доступ. Давайте немного освежим в памяти знания о том, что такое языковая модель, а заодно обсудим базовые понятия в машинном обучении и NLP (Natural Language Processing, обработка естественного языка).
Нашей первой задачей является научить машину понимать человеческий язык и выполнять наши просьбы, как если бы мы просили об этом человека. Мы не ставили себе цели выучить наш родной язык и оцениваем его знание как данность, поэтому очевидного пути для достижения поставленной задачи в полной мере не видится, и на протяжении последних десятилетий было разработано много различных подходов.
Модели на правилах
Самое простое, что может прийти в голову, это набор правил, по которым алгоритм будет отвечать заготовленными шаблонами и отвечать некоторой заглушкой, когда подходящего правила нет.
— Привет
— Добрый день!
— Меня зовут Гриша
— Приятно познакомиться
— Сочини хокку про соловья
— К сожалению, у меня нет правила для ответа на данный вопрос
Можно написать тысячи таких правил, добавить для каких-то из них память (например, чтобы запомнить имя пользователя), добавить гибкости через предварительную классификацию пользовательского ввода, чтобы расширить «попадание» в наши правила.
— Хай
— Добрый день!
— Меня зовут Лиза
— Приятно познакомиться, Лиза!
— Сочини хокку про соловья
— По этому запросу я могу выдать вам стихотворение Пушкина “Птичка”
Выглядит довольно ограниченно, но такие системы сегодня активно используются, когда необходимо обработать небольшое количество сценариев диалога. Например, при обращении в техническую поддержку или при заказе пиццы по телефону. Одним из ярких примеров такой системы можно смело назвать программу ELIZA, разработанную в середине 1960-х годов Джозефом Вейценбаумом. По описанию автора, ELIZA является пародией на работу психотерапевта, так как в большинстве случаев переадресует вопрос собеседнику, а также вычленяет ключевые слова, наподобие «отец» и «мать» и отвечает глубокомысленными заготовками. При отсутствии шаблона, Элиза могла ответить «Я понимаю» и попросить продолжить.
Вот пример подобного диалога, смоделированного через GigaChat:
Prompt
Здесь мы подали в GigaChat особенное начало нашего запроса (он называется «prompt» («промпт»), а также «затравка» или «подводка»), в котором попросили вести ассистента определённым образом. Есть ещё один вид промпта, системный, и он, как правило, не виден пользователю. В нём обычно находятся базовые инструкции по поведению модели, указывающие ей отвечать полно, вежливо и доступно.
Возвращаясь к моделям на правилах, можно сказать, что выглядят они довольно ограниченно, но такие системы используются и сегодня, когда необходимо обработать небольшое количество сценариев диалога. Например, при обращении в техническую поддержку.
Статистические модели
Следующим подходом в развитии языкового моделирования являются статистические модели. Давайте попробуем взять все буквы алфавита и посчитать, сколько раз каждая из них идёт за остальными в каком-либо наборе текстов (корпусе). Для примера возьмём список из тысячи женских имён и составим по ним таблицу переходов (точка здесь означает начало или окончание слова):
Полученная модель будет называться n-граммной, а в нашем конкретном случае биграммной, так как мы посчитали комбинации из двух символов.
Давайте придумаем несколько новых имён с помощью нашей модели. Чтобы это сделать, разберёмся с вероятностями. Вероятность P(’.а’) = 0,12 означает, что при генерации N первых символов имени примерно 12% из них будут буквой «а». То же самое будет и с переходами: P(’ин’) = 0,21 будет означать, что в 21% случаев после буквы «и» будет идти буква «н». Таким образом, подставляя последнюю букву генерируемого слова в нашу модель, мы будем получать следующую, пока нам не попадётся точка. Проделаем так 10 раз:
Путём нехитрых подсчетов мы научились создавать новые слова, напоминающие обучающую выборку, состоящую из женских имён. Такой же трюк можно проделать с любым другим списком слов и нагенерировать, например, воображаемые названия городов или блюд неизвестной кухни.
Нейросетевые модели, про которые мы поговорим дальше, уже видели подобные корпуса и много чего ещё, поэтому также помогут вам сгенерировать что-то необычное без подсчёта необходимых статистик.
Как и модели на правилах n-граммные модели не являются достаточно гибкими для полноценной генерации текста. Если интересно, почему так, предлагаю обсудить это в комментариях, а мы тем временем продолжим наше знакомство с системами искусственного интеллекта. На очереди нейросетевые модели.
Нейросети
Мы не зря рассмотрели вышеприведённые примеры языковых моделей, они помогут нам понять основной принцип работы нейросетей.
Если в n-граммной модели, где n = 11, мы рассчитаем статистику для одиннадцати слов, то сможем генерировать текст, получая вероятности очередного слова, опираясь на контекст лишь в десять слов назад, при этом мы не будем обращать внимание на какое-то конкретное слово в этой последовательности.
Нейросети, по сути, тоже работают на статистическом уровне, предсказывая кусочек текста за кусочком (такой кусочек называется токеном и обычно состоит из нескольких символов). Количество и состав токенов мы задаём сами на этапе построения токенизатора, от этого будет зависеть максимальная длина текста, с которым сможет работать модель. Например, в ChatGPT средняя длина токенов для русского и английского языков различается, так как русский не является в модели основным и был мало представлен на этапе обучения.
Контекст большинства современных языковых моделей начинается с 2 тысяч токенов, а это примерно 3–4 листа печатного текста формата A4. Помимо этого, внутри у сети не просто словарь с вероятностями, по которому расчитывается распределение токенов. Обученная нейросеть умеет обращать внимание на определённые части входного текста, которые она считает более важными в каждый момент генерации. Подробнее про этот механизм и архитектуру трансформерных моделей можно почитать в статье Джея Аламмара “The Illustrated Transformer”.
Но главная прелесть обучения нейросетевых моделей заключается в том, что у вас нет необходимости писать конкретные «правила» для его работы, модель сама научится обобщать свои знания на основе предоставленных данных. Данные эти должны представлять собой огромный массив текстов с самыми разнообразными знаниями. Десятки тысяч книг, миллионы документов, миллиарды интернет-страниц, научные статьи, песни, стихи и всё остальное.
Собрать и подготовить соответствующий набор данных, обучить модель с нуля на кластере из тысяч графических ускорителей, переделывать, когда что-то не получается, и постоянно придумывать пути для улучшения качества — очень сложная задача. Но оно того стоит.
GigaChat
Про основные этапы обучения моделей, лежащих в основе GigaChat’а (мы назвали их NeONKA — NEural Omnimodal Network with Knowledge-Awareness) и больших языковых моделей (они же LLM, Large Language Models) вообще, вы можете прочитать в нашей статье. Если вкратце, то процесс обучения состоит из подготовки данных, обучения основной модели (pretrain) и её дополнительного выравнивания на инструктивных наборах данных (SFT, supervised fine-tuning и RLHF, reinforcement learning from human feedback).
Переосмыслив накопленные знания, мы обратили пристальное внимание на процесс подготовки данных, значительно расширив и улучшив наш обучающий набор. Это миллионы документов, книг и скачанных интернет-страниц. А так как любой эксперимент с LLM требует большого количества вычислительных ресурсов, то мы вложили много сил в оптимизацию обучения, увеличив его скорость в разы.
Всё это позволило нам прийти к новой линейке моделей, одну из которых мы с сегодняшнего дня начинаем использовать в GigaChat’е. Помимо очевидных вещей, вроде качества получаемых генераций, мы хотим поделиться и некоторыми метриками, полученными для первой модели из этой линейки, модели размером в 7 миллиардов параметров.
Метрики
Одним из самых популярных тестов для оценки больших языковых моделей является MMLU. Он представляет собой набор закрытых вопросов (когда нужно выбрать один из предложенных вариантов) на 57 тем (математика, физика, экономика и другие). Подробнее про него можно почитать в статье “Measuring Massive Multitask Language Understanding”.
При случайном гадании этот тест покажет около 25% правильных ответов. Самая продвинутая на сегодняшний день модель GPT-4 от OpenAI показывает результат в 86,4%, Llama 2 7B — 45,3%, а люди, в зависимости от квалификации, по оценкам авторов теста получают в районе 34,5% для среднестатистических пользователей (замерялось на платформе MTurk) и до 89% для экспертов в своей области.
Этот показатель можно считать за условную «умность» модели, хотя и к нему и есть некоторые вопросы, связанные со способом замеров. Как бы то ни было, но в первой итерации мы показывали около 30% правильных ответов. Проверив другие гипотезы, нам удалось добиться того, чтобы этот показатель пробил и 30%, и 40%, а затем и 50%, составив 51,49%.
Чтобы понять, какие улучшения получила модель с точки зрения конкретных прикладных задач, мы провели сравнительный тест (side by side) с нашей предыдущей лучшей моделью (13 млрд параметров). Вот результат этого теста:
Значительно улучшились навыки суммаризации текстов, ответов на вопросы, генерации идей и перевода.
Кроме сравнения с предыдущей моделью мы провели SBS-сравнение с моделью ChatGPT (gpt3.5-turbo). Здесь мы также зафиксировали рывок до 43/57 против 33/67 у предыдущей модели. Результат отличный, но есть куда стремиться.
Напоследок
Само собой, мы любим наши модели и, как следствие, относимся к ним с бóльшим теплом, чем к конкурентам. Поэтому предлагаем вам самим оценить качество генераций, так как GigaChat сейчас доступен для всех бесплатно. Попробовать его можно на различных платформах.
Если хотите попробовать погенерировать через web-интерфейс (он хорош тем, что сохраняет историю ваших диалогов, позволяет добавлять запросы в избранное и т. д.), нужно перейти по ссылке https://developers.sber.ru/gigachat/ и зайти в свой аккаунт (при первом входе нужно будет зарегистрироваться).
В Telegram обитает @gigachat_bot, которому можно написать напрямую или добавить его в ваш чат с друзьями и коллегами.
Появился новый бот и в VK, для общения с ним переходите по адресу vk.me/gigachat. Его также можно добавить в групповой чат на этой платформе.
Нам очень интересна ваша обратная связь и идеи по развитию. Например, ничего не было сказано про мультимодальность, а ведь в GigaChat’е реализована генерация изображений на основе нейросети Kandinsky. Возможно, вы хотели бы добавить генерацию видео? В общем, ждём ваших идей.
Благодарности
Как уже говорилось ранее, задача по осуществлению такого проекта требует титанических усилий. Участвуя в этом процессе, я не перестаю удивляться энтузиазму коллег, генерирующих идеи и готовых воплощать их в жизнь в любое время дня и ночи. Девушки и парни из SberDevices, Sber AI и Научно-исследовательского института искусственного интеллекта AIRI, вы лучшие.
На связи с вами
Также приглашаю вас в наш Telegram-канал Salute AI, в котором мы с коллегами начали делиться наработками в области машинного обучения и другими рабочими моментами. А в соответствующем чатике Salute AI Community можно напрямую поспрашивать про всё это и просто пообщаться.
У чат-бота GigaChat повысилось качество ответов — «Сбер» внедрил ИИ-модель нового поколения
«Сбер» представил ИИ-модель GigaChat нового поколения, в которой благодаря изменению подхода к обучению значительно улучшились практически все умения чат-бота, от сокращения текстов и ответов на вопросы до генерации идей. Размер обрабатываемого текста был увеличен в два раза. Новая модель уже доступна для всех пользователей GigaChat.
Источник изображения: Сбер
Общаться с GigaChat теперь можно в соцсети «ВКонтакте», для чего достаточно его активировать. Как сообщается, чат-бот способен генерировать тексты, создавать изображения по текстовому запросу с помощью модели Kandinsky, а также придумывать «идеи на все случаи жизни».
Если в ходе использовании сервиса общение зашло в тупик или необходимо сменить тему, достаточно нажать кнопку «Новый диалог». Нажав кнопку «Обо мне», пользователь услышит рассказ GigaChat о себе, а опция «Написать в поддержку» поможет решить возникшие в процессе использования сервиса проблемы. Нажав кнопку «Добавить в чат» можно продолжить общение с GigaChat в рабочем или семейном чате, указав @gigachat в переписке.
Как отметил Денис Филиппов, вице-президент по цифровым решениям «Салют» Сбербанка, количество уникальных пользователей GigaChat достигло 1 млн. По его словам, ИИ-модель нового поколения GigaChat значительно превосходит по ряду показателей предшественника. «Наиболее впечатляющий прогресс достигнут в суммаризации, когда пользователю нужна выжимка из большого текста, чтобы не читать его целиком. По суммаризированному тексту можно получить ответы на любые вопросы или попросить сформулировать ключевые мысли», — сообщил он.
С сентября этого года GigaChat доступен всем пользователям умных устройств Sber, а также в мобильном приложении «Салют» для Android-устройств. Корпоративные пользователи могут с помощью программного интерфейса GigaChat API создавать собственные ИИ-решения и оптимизировать бизнес-процессы.
Применение искусственного интеллекта
Нейросети умеют многое: угадывать расу по рентгеновскому снимку, находить ямы на дорогах, создавать обложки для VK, рисовать города в виде людей и зверей. Технологии на базе искусственного интеллекта постепенно захватывают все сферы жизни и меняют привычную реальность. Однако в этой статье мы не станем забегать в далёкое будущее: лучше посмотрим, какие задачи в работе и бизнесе можно решать с помощью AI-технологий прямо сейчас.
Три вида AI
Возможности искусственного интеллекта зависят от алгоритма его работы. Выделяют следующие виды ИИ:
- узкий , или слабый (Weak Artificial Intelligence, Narrow AI);
- сильный (Artificial general intelligence, Strong AI)
- супер-ИИ (Super Artificial Intelligence).
Narrow AI — это узкоспециализированный ИИ, с помощью которого решают конкретные прикладные задачи. Примеры применения Narrow AI:
- онлайн-переводы,
- реклама в соцсетях,
- распознавание лиц,
- поиск данных,
- игра в шахматы,
- голосовые автоответчики.
Strong AI — это вид искусственного интеллекта, который способен решать широкий спектр задач наравне с человеческим разумом. По определению Тьюринга, Strong AI должен обладать самоосознанием, и в таком виде ИИ появится лишь к 2075 году. Однако уже сегодня есть технологии с потенциалом, превосходящим уровень Narrow AI. Поэтому можно сказать, что Strong AI сейчас находится на начальной стадии развития и достигнет расцвета в перспективе 50 лет.
Примеры применения Strong AI в наше время:
- виртуальные ассистенты,
- создание музыки, текстов, изображений,
- управление беспилотными автомобилями,
- технологии Big Data — обработка и анализ больших объёмов данных.
Super Artificial Intelligence — это искусственный интеллект с самоосознанием, способностью самосовершенствования и создания новых алгоритмов. Аналитики прогнозируют появление данной технологии в 2100-х годах. Super AI во много раз превзойдёт возможности человеческого мышления и сможет перепрограммировать сам себя.
Преимущества ИИ любого вида — высокая скорость обработки информации и исключение ошибок из-за человеческого фактора. Это позволяет снижать издержки бизнеса, разгружать персонал и оптимизировать процессы в разных областях.
Области применения ИИ
Искусственный интеллект защищает нас от преступников и ДТП, помогает быстрее получить кредит, следит за нашим здоровьем и облегчает быт.
Банковские услуги
Кредитные организации используют искусственный интеллект для скоринга — оценки платёжеспособности клиентов при рассмотрении заявок на кредит. Как это работает:
- нейросеть изучает анкету заёмщика,
- сопоставляет данные с требованиями банка,
- анализирует риск невозврата средств,
- выдаёт решение об одобрении или отклонении заявки.
Благодаря внедрению ИИ удалось значительно уменьшить время рассмотрения кредитных заявлений. Теперь от отправки анкеты в банк до получения ответа проходит несколько минут.
Также AI-технологии нашли применение в обслуживании банкоматов: искусственный интеллект прогнозирует загрузку терминалов и уменьшает расходы на инкассацию. Системы антифрода на базе ИИ помогают банкам бороться с мошенничеством. ИИ анализирует деятельность физических лиц и компаний, чтобы распознать финансовые махинации. СберБанк использует комплекс собственных AI-моделей для повышения безопасности транзакций: онлайн-переводов, эквайринга, операций по картам. Применение искусственного интеллекта помогает выявлять попытки мошенничества на сумму до 7 млрд рублей в год. При этом нейросеть умеет отличать бытовые ситуации, когда ребёнок без разрешения потратил деньги с маминой карты, от действий профессиональных мошенников.
Безопасность
Интеллектуальные системы следят за порядком на улицах и массовых мероприятиях. ИИ собирает данные с камер и датчиков движения, прогнозирует возникновение опасных ситуаций и вовремя уведомляет службы.
Мосгортранс использует нейросети для снижения аварийности на общественном транспорте. По статистике, 70% ДТП происходит из-за потери внимания водителем. Применение искусственного интеллекта позволило снизить показатель аварийности на 26%. Такой эффект достигнут за счёт внедрения в автобусах и троллейбусах систем с компьютерным зрением. Алгоритм анализирует видеопоток, в случае опасности подаёт звуковой сигнал водителю, а также отправляет информацию об инциденте в общую базу для дальнейшей работы над ошибками.
AI-технологии применяются и в сфере пожарной безопасности. Например, МЧС в 2020 году запустило мобильное приложение «Термические точки», разработанное с применением машинного обучения и Big Data. Алгоритмы ИИ анализируют природные зоны повышенной пожароопасности и оценивают вероятность возгорания. При высоком риске система моментально отправляет сообщение в региональные органы, ответственные за тушение. Каждый пользователь приложения может узнать об опасности и принять участие в ликвидации пожара. Результат внедрения ИИ — увеличение скорости реагирования на лесные пожары в три раза.
Медицина
Искусственный интеллект широко используется в диагностике. Например, по результатам томографии ИИ может выявить вирусную пневмонию, а во время пандемии AI-алгоритмы по телефону анализировали голос и дыхание собеседника, чтобы определить признаки инфекции.
В хирургии используют роботов-ассистентов, которые с ювелирной точностью выполняют типовые процедуры, что снижает риск послеоперационных осложнений.
Искусственный интеллект способен подобрать оптимальную дозировку препаратов, детально проанализировать клинические данные и предложить лечение с учётом состояния пациента и особенностей его организма.
Умный дом
Казалось бы, сегодня практически каждое устройство имеет «разум». Однако несмотря на впечатляющую функциональность, современные смарт-весы, роботы-пылесосы и энергоэффективные розетки не относятся к AI-технологиям. Тренд на использование полноценного ИИ в умном доме только набирает обороты, особенно в России.
Примеры применения искусственного интеллекта:
- управление климатической техникой: умные термостаты самостоятельно регулируют температуру в помещении, изучая предпочтения жильцов и их поведение;
- интеллектуальные системы безопасности: ИИ реагирует на отклонение от нормального уровня шума, включая ультра- и инфразвуковой диапазоны;
- обеспечение компьютерной безопасности: система улавливает отклонения трафика или действий пользователя от нормы, чтобы определить попытку взлома.
Применение в работе и бизнесе
Голосовые технологии
Умные алгоритмы используются в речевых сервисах. Пример российской технологии — платформа сервисов распознавания и синтеза речи SaluteSpeech. Голосовые помощники SaluteSpeech звучат как живой человек, определяют эмоции и точно понимают фразы собеседника.
Варианты применения голосовых технологий в бизнесе:
- автоматизация кол-центра: голосовые помощники позвонят клиентам, предложат услуги, расскажут об акции, проведут опрос, запишут на приём и напомнят о записи;
- повышение качества обслуживания: сервисы речевой аналитики оценят работу оператора и уровень удовлетворённости клиента;
- озвучивание интерфейсов: можно превратить любой текст в аудио — например, озвучить меню приложения или описание товара на сайте;
- автоматизация телефонии: вместо того чтобы ждать на линии ответа оператора, ваши клиенты смогут узнать информацию у голосового робота;
- транскрибация: сервисы распознавания речи переводят аудио в текст, что удобно для расшифровки переговоров, создания презентаций на основе выступлений, разработки методичек и инструкций для персонала.
Сервисы SaluteSpeech решают задачи маркетинга. На базе AI-технологий можно создать узнаваемый голос бренда, который будет звучать в рекламе, промороликах, на автоответчике вашей компании.
Маркетинг
Простые технологии Narrow AI используются в таргетированной рекламе уже давно. Алгоритмы анализируют поведение пользователя в сети, его интересы, поисковые запросы и другие данные, на основании чего система показывает подходящее объявление.
Искусственный интеллект решает и более глобальные задачи маркетинга — например, помогает в стратегическом планировании. Данное направление называется AI Marketing: нейросеть на основе анализа Big Data прогнозирует поведение клиентов и предлагает новые каналы продвижения продукта.
Сбер использует AI-модели для создания индивидуальной коммуникационной политики. Система анализирует потребности и жизненную ситуацию клиента в данный момент и отправляет ему релевантные предложения продуктов и услуг. Применение ИИ позволяет снизить количество неподходящей рекламы, повысить лояльность аудитории и увеличить конверсии.
Обработка документов
Ретейлеры используют алгоритмы распознавания текста в обработке анкет клиентов. Это позволяет решить задачу оцифровки данных, когда, к примеру, посетители магазина от руки заполняют карточки для участия в программе лояльности.
Применение AI-технологий позволяет оптимизировать документооборот. Например, искусственный интеллект может за секунду распознать реквизиты на отсканированных или сфотографированных документах, чтобы внести их в базу или шаблон договора. Нейросети можно поручить автоматическую проверку контрагентов, сверку данных, поиск ошибок в заполнении форм.
Пример реализации технологии — сервис интеллектуальной обработки документов SberIDP Skills. Какие задачи решает система:
- распознаёт таблицы, печатный и рукописный текст, подписи, печати, штрих- и QR‑коды;
- выравнивает документ;
- анализирует структуру документа;
- восстанавливает порядок чтения;
- группирует документы по типам, печатям, подписям и другим критериям.
Сервис используется для автоматизации рутинных задач в работе юристов, бухгалтеров, HR и специалистов других направлений.
Логистика
AI-алгоритмы решают разноплановые задачи в сфере логистики и грузоперевозок:
- оптимизируют цепочки поставок;
- составляют маршруты для курьеров и водителей;
- прогнозируют загрузку транспортных компаний;
- рассчитывают сроки доставки посылок.
Применение искусственного интеллекта позволяет автоматизировать управление складами и доставлять грузы беспилотниками. Например, в России действует проект «Беспилотные логистические коридоры», в рамках которого планируется запустить беспилотные грузовики на трассе М-11. Тестирование намечено на 2023–2024 гг.
Управление бизнесом
Интеллектуальные алгоритмы способны проанализировать бизнес-процессы компании по десяткам параметров. Например, система Sber Process Mining выявляет аномалии, которые не лежат на поверхности, находит точки роста, предсказывает появление сбоя.
С помощью системы можно решать различные управленческие задачи:
- улучшать работу на всех этапах воронки продаж;
- повышать конверсии;
- сокращать расходы, увеличивать доходы;
- следить за качеством обслуживания, повышать уровень удовлетворённости клиентов;
- повышать эффективность бизнес-процессов.
Применение AI-моделей помогает выбрать правильную бизнес-стратегию. ИИ моделирует сценарии развития компании в разных условиях с учётом существующих трендов и изменений, которые вы планируете внедрить.
Построение филиальной сети
С помощью искусственного интеллекта можно найти оптимальное место для открытия магазина, салона или филиала. Технология называется location intelligence:
- нейросеть собирает данные о существующих подразделениях,
- определяет их эффективность и потенциал,
- анализирует запросы клиентов и активность конкурентов,
- исследует статистику по регионам, городам и локациям внутри каждого города.
После такого анализа ИИ выдаёт оценку загрузки текущих точек и рекомендации по открытию новых.
Переводы
Динамику развития AI-технологий можно проследить на примере онлайн-переводчиков. Несколько лет назад такие сервисы переводили каждое слово в отдельности, в результате получался неграмотный, а иногда и нелогичный текст. Сейчас ИИ справляется с задачей намного лучше. Алгоритмы распознают целые предложения, знают идиомы и омографы — слова с одинаковым написанием и разным смыслом. Применение такого подхода обеспечивает более качественный перевод.
Правда, пока это относится только к самым распространённым языкам — например, английскому. Получить профессионально переведённый текст с тайского, пушту и других редких или локальных языков на русский не получится. Проблема — в отсутствии большой базы взаимных переводов. Алгоритм переводит фразу сначала на английский, а затем на русский, и в этой цепочке появляются ошибки и неточности. Однако специалисты активно решают эту проблему с помощью технологий машинного обучения.
Применение возможностей AI-перевода в работе и бизнесе:
- доступ к информации из зарубежных источников: можно переводить инструкции к новым продуктам, сообщения на форумах при настройке нового ПО, статьи, исследования;
- развитие бизнеса: можно изучать кейсы мировых компаний для применения новых идей и опыта в своей компании;
- онлайн-общение с иностранными клиентами и партнёрами: сейчас многие разработчики мессенджеров внедряют функции синхронного перевода голосовых звонков;
- создание контента: можно адаптировать материалы на английском и других языках при написании текстов на сайт или для соцсетей.
Генерация контента
Искусственный интеллект облегчает процесс создания текстового контента. Пример — сервис для автоматического переписывания текстов Рерайтер. В нём можно бесплатно сделать онлайн-рерайт, то есть так обработать текст, чтобы сохранить его смысл и при этом получить высокий процент уникальности. Исходный текст может быть любого объёма и формата. В сервис можно загрузить пост из VK, новость, рассказ, статью. Рерайтер полезен маркетологам, копирайтерам, блогерам, журналистам, специалистам по SMM.
Ещё одно применение искусственного интеллекта в работе с контентом — сервис Суммаризатор. С помощью этого инструмента можно быстро подогнать текст под сжатые форматы: например, для короткой новости, резюме, анонса. Сервис распознаёт основную мысль, формулирует ключевые тезисы и возвращает текст в виде краткого пересказа. Посмотреть, как работает и какие задачи решает «Суммаризатор», можно в удобном демо.