Разработка «сбера» для тренировки ии станет доступна всем

Успехи небольших компаний

ИИ сегодня популярен и востребован — по данным совместного исследования TAdviser и «Ростелекома», 85% российских компаний уже используют ИИ-решения в бизнесе. При этом ИИ принято заказывать у подрядчика: 70% разработок создаются для продажи сторонним организациям.

Небольшие компании создают лаборатории, разрабатывают решения с использованием искусственного интеллекта и успешно внедряют их в IT-инфраструктуру своих клиентов.

Компания VideoMatrix специализируется на создании систем видеоаналитики. Решения используют на производстве — с их помощью ведут учёт созданных изделий, выявляют брак и контролируют соблюдение правил промышленной безопасности.

Нейросети VideoMatrix превосходят возможности человека. Программно-аппаратный комплекс АРМИЛ, созданный для Челябинского металлургического комбината, выявляет более 20 классов дефектов — в том числе царапины и микротрещины размером от 0,3 мм с точностью от 97%.

Компания EORA помогает выстраивать общение с клиентами с помощью чат-ботов. Это один из трендов на рынке маркетинговых решений. Компания сделала чат-бота для выбора обоев на сайте «Леруа Мерлен».

Нейросеть выучила параметры 1500 артикулов и научилась распределять их по внешним характеристикам — цветам и рисункам. Это помогает быстрее ориентироваться в ассортименте.

Создатели пишут, что система работает сродни компьютерной игре: «Пользователь загадывает персонажа, а джинн угадывает, кто это, задавая наводящие вопросы. Только в сервисе вместо персонажей обои, а вместо джинна — бот».

Yandex Dialogs Client — инструмент для тестирования навыков

yandex-dialogs-client написал параллельно с разработкой первого навыка, потому что понял, что нужны автотесты, чтобы прогонять разные сценарии.

Настройки

Использовать прокси — галочка для отправки запроса с сервера. Плюс: обходит ограничения CORS, если они не обойдены в навыке. Минус: запрос будет отправлен с машины, на которой крутится тестилка, то есть чтобы потестить localhost навык с чужого (или моего) инстанса тестилки, он должен . Доступно на https://dialogs.home.popstas.ru/ с серверной частью, недоступно на статическом https://dialogs.popstas.ru/
Использовать /scenarios.yml — после первого запроса к навыку будет запрошен соответствующий файл с вебхука. Навык должен уметь вернуть yaml по этому запросу, иначе тестилка работать не будет при включенной галочке.
Показывать тесты внизу — закрепляет список тестов на экране
Показывать JSON в консоли — код запросов и ответов посчитал второстепенным, можно включить его вывод в консоль браузера
Макс. кол-во сообщений в чате — установлен разумный предел, при большом кол-ве сообщений тесты начинают тормозить
Макс. кол-во сообщений при открытии страницы — история сообщений хранится в Local Storage браузера, но чистится
Макс. время ответа — чтобы тестить ограничение на время. Временами я тестил с дебагером и ставил время ответа 60 сек
Последние URL навыков — здесь сохраняются все вебхуки, которые вводили через

Не выходить в интернет

Я хотел делать всё локально, а стандартная тестилка навыка предполагает, что навык открыт для всех. Поэтому перед написанием навыка я сделал свою тестилку yandex-dialogs-client. Потом я захотел автотесты (сценарии диалогов с проверкой ответов навыка), сделал их, позже они породили yandex-dialogs-tester, который умеет прогонять те же тесты в терминале.

Сейчас для этого я бы взял что-то готовое, тогда тестилок ещё нормальных не написали.
Моя — далеко .

Прикинуться настоящим

Я хотел сделать максимально похоже на дизайн Алисы в официальных приложениях. Официальная тестилка почему-то этого не хотела и выглядела как поделка начинающего верстальщика. Сейчас выглядит уже хорошо.

Технически это Vue.js с .

Проверить все сценарии

Этой фичи до сих пор у других не видел.

Идея была в том, чтобы написать все возможные диалоги в файле, который будет автоматически воспроизводиться в навыке и проверять, соответствуют ли ответы ожидаемым.

Тесты можно запускать по одному или все вместе. Для этого внизу чата они выводятся в виде кнопочек.

Тесты прогоняются прямо визуально, просто скрипт пишет в чат сообщения боту.

После прохождения всех тестов будет сводка: сколько тестов прошло, сколько упало, перезапустить все упавшие или один.

Кнопочки раскрашиваются в цвет результата последнего прохождения.

Сообщения от самой тестилки в чате помечаются цветной полосой.

Синтаксис scenarios.yml

Пример одного теста в файле:

В итоге в первом навыке получилось 73 диалога. Все сценарии навыка.

На боевом навыке у меня тестирование 73 диалогов (404 реплики) проходит примерно за 30 секунд, на локалке за 15 секунд.

Я покрыл все сценарии тестовыми диалогами, так я мог не боясь рефакторить код и обновлять версию SDK, сразу сообщая автору, в каких местах что сломалось (а ломалось каждый раз в разных).

Вручную тоже

Для ручного тестирования тоже есть пара фич:

стрелки вверх-вниз ходят по истории отправленных сообщений, как в терминале
у исходящих сообщений есть кнопка повторной отправки

Картинки и карточки я не делал, поэтому в тестилке их нет.

Первый навык — эхо-бот

Навык «Алисы» — это, по сути, чат-бот. А разработчики чат-ботов для теста обычно первым делом пробуют написать «эхо-бота», который отправляет тебе то же самое, когда ты ему что-то пишешь.

Для начала основные термины:

request — запрос, который поступил от «Алисы»;
response — ответ нашего сервера, который отправляется «Алисе».

Как будет работать наш навык? На наш сервер поступает request, мы будем получать из него содержимое в виде текста, а затем отправлять response, где в качестве содержимого укажем текст запроса. Переходим к коду!

Как-то много кода… Давай разбираться по частям

Во-первых, важно сказать, что наш сервер написан на Flask, и если ты хочешь разобраться в этом фреймворке поглубже, на «Хабрахабре» есть отличный гайд. Здесь же отметим пару основных вещей

Важно не забыть импортировать модули: Flask отвечает непосредственно за работу веб-приложения, — за работу с запросами, а необходим, потому что мы и получаем, и отправляем файлы JSON, а не объекты из Python.
Нужно создать экземпляр класса Flask, а затем его запустить. Это и есть непосредственно «ядро» сервера.
Декоратор необходим, чтобы связать URL, тип запроса и функцию, которая будет обрабатывать этот запрос.. С основами Flask покончено — в принципе, для разработки простых навыков нам ничего больше не потребуется

Давай разберем, что же происходит в наших двух функциях

С основами Flask покончено — в принципе, для разработки простых навыков нам ничего больше не потребуется. Давай разберем, что же происходит в наших двух функциях.

В мы сначала создаем шаблон для ответа

Обрати внимание, что мы передаем туда два параметра из запроса: и , а затем во вторую функцию передаем наш шаблон для ответа и запрос, сконвертированный в JSON

Основная функциональность нашего навыка содержится в функции . Если нам пришло какое-то сообщение, то все просто: нужно получить содержимое запроса. Кстати, оригинальный текст запроса содержится внутри . Чтобы отправить его обратно пользователю, нужно скопировать содержимое в .

Когда пользователь подключается к навыку в первый раз, запрос тоже приходит, но никакого текста в нем нет. Для обработки этой ситуации я добавил в функцию проверку.

Вроде бы все? Теперь нужно проверить, работает наш пример или мы где-то ошиблись. Но как протестировать?

Я устал, я ухожу

Под конец простых регулярок перестало хватать для понимания запроса юзера, я начал прикручивать к навыку Томита-парсер для какого-то понимания смысла услышанного (никакого машинного обучения), но всё остановилось на прототипе tomita-parser-test, т.к. навыком я сам пользовался редко, поднадоело.

Вообще я навыки делал в первую очередь для себя, “Вторая память” оказалась бесполезной даже для меня, списком покупок я пользовался несколько месяцев, пока Яндекс не сделал официальный список покупок, он в чём-то хуже (не продуман механизм быстрого удаления в магазине), но в основном он конечно лучше. А больше я не знаю что писать )

Ещё была неудача с премией: Яндекс проводит ежемесячные премии Алисы, где награждает авторов лучших навыков, я ни с одним из 2 навыков не был удостоен. “Ачивки”, которуе я получил от Яндекса: название “Список покупок” и размещение “Второй памяти на главной странице на несколько дней (это подняло посещаемость с 10 до 500 юзеров в день).

К весне 2019 я наигрался с разработкой навыков, поэтому мои тулзы тоже застыли. Я всего 2 навыка сделал и помогал немного в развитии yandex-dialogs-sdk, автору которого надоело ещё раньше меня.

Перспективы платформы

Голосовые помощники активно развиваются. Assistant от Google, Siri от Apple, Alexa от Amazon. Существуют прогнозы, что к 2022 году объем покупок через голосовых помощников вырастет в 11 раз: с 2 до 22 млрд долларов. Яндекс традиционно силён во всём, что касается русского языка, и у Алисы есть все шансы стать лидером среди голосовых помощников в России. Сейчас сервис Яндекс.Диалоги ещё в стадии бета-тестирования, поэтому есть шанс выпустить навык одним из первых в своей нише.

Читать ещё: «7 шагов к пониманию машинного обучения»

Полезные ссылки

Телеграм-канал Яндекс.Диалогов.
Блог Яндекс.Диалогов.
Документация Яндекс.Диалогов.
Краткие обзоры новых навыков от создателей конструктора «Вертер».

Мнение автора и редакции может не совпадать. Хотите написать колонку для «Нетологии»? Читайте наши условия публикации.

Где работает и сколько зарабатывает ML-инженер

Машинное обучение: принципы и задачи

В компьютер загружаются исходные данные (датасет) с метками и подробными разъяснениями. Программа анализирует все алгоритмы и закономерности, запоминает соотношение меток и сведений о них — таким образом формируется нейронная сеть. На основе полученной базы система может делать выводы, давать ответы, сопоставлять данные и делать выбор.

Чем больше действий совершит компьютер с базовой информацией, тем точнее будет анализ в последующем. ML предполагает непрерывное обучение.

Основа Machine Learning — работа с тремя составляющими:

Данными как отправной точкой процесса. С них сеть начинает обучение и ими же непрерывно пополняет свою базу знаний.
Признаками, которые служат метками, по которым модель может получать необходимые результаты и решать задачи.
Алгоритмами, или методами, в соответствии с которыми компьютер совершает каждое действие. Они определяют форму модели, скорость её работы, точность ответов.

Machine Learning характеризуется тремя признаками:

Инновационность. ML становится точкой роста и новым этапом развития в любой экономической сфере.
Специфичность. Машинное обучение — сугубо IT-направление. Разработкой и внедрением занимаются люди, которые понимают языки программирования и умеют работать с IT-инструментами.
Простота. ML позволяет создавать продукты, понятные любому пользователю вне зависимости от возраста, уровня знаний и умения работать с программами.

С помощью разработок Machine Learning бизнес решает задачи разного типа:

Кластеризация — распределение данных на типы, группы и другие категории по заданным критериям.
Классификация — ответ на вопрос по категории, например, есть ли на фотографии красные предметы.
Уменьшение размерности — перевод от большего к меньшему, сжатие информации для дальнейшей визуализации.
Регрессия — прогнозирование по различным признакам объектов в выборке, к примеру, прогноз стоимости объекта недвижимости через заданный период.
Выявление аномалий — анализ процессов, выделение среди них нетипичных.
Идентификация — выделение из общего массива данных только необходимых. Яркий пример — идентификация лица определённого человека среди всех распознанных системой.
Прогнозирование — анализ существующих процессов и основанное на нём предсказание показателей через заданное время. Таким образом можно оценивать предположительную эффективность выбранной компанией стратегии развития.

Благодаря многозадачности ML становится универсальным инструментом в любой сфере — экономической, финансовой, производственной, социальной и других.

Чему можно научить ассистента Алису?

В отличии от традиционных чат-ботов взаимодействие с навыками Алисы происходит с помощью речи. Это значительно упрощает управление. Алиса говорит пользователю информацию по шаблону и воспринимает ее так же. На экране у пользователя дублируются варианты ответов и вопросов.

С каждым днем Алису можно научить все более сложным навыкам. А сейчас с ее помощь компания «Папа Джонс» сделала полноценного бота для заказа пиццы в пиццерии. Это убило сразу нескольких зайцев.

Папа Джонс были одни из первых кто научил Алису этому, но сейчас добавились уже сотни компаний которые интегрировали Алису в свой бизнес.

Благодаря такой популярности, Яндекс постоянно совершенствует Алису.

Алиса ничем не уступает в функциональности чат ботам в vk, facefook и telegram. В навыках для Алисы можно вывести список товаров с картинками, названием, описанием и ценой. Научить ее продавать и оформлять заказы, или консультировать клиентов.

Что почитать ML-инженеру

Книги и конспекты

Dive into Deep Learning Закари Липтона, Му Ли, Александра Смола и Астона Чжана. Учебник по глубокому обучению для начинающих программистов.
Mathematics For Machine Learning Марка Питера Дейзенрота и Чэн Сун Онг. Пособие по математическим основам главных концепций машинного обучения.
Pattern Recognition and Machine Learning Кристофера Бишопа. Учебник по теории распознавания образов.
Python Data Science Handbook Джакоба Вандерпласа. Учебное пособие по Python, IPython, NumPy, Pandas, Matplotlib, SkLearn и другим связанным инструментам.
Think Bayes Аллена Дауни. Введение в байесовскую статистику с использованием вычислительных методов.
Think Python. How to Think Like a Computer Scientist Аллена Дауни. Практическое руководство по языку Python.
Think Stats: Probability and Statistics for Programmers Аллена Дауни. Введение в статистический анализ в программировании.
Reinforcement Learning: An Introduction Ричарда Саттона и Эндрю Барто. Описание ключевых идей и алгоритмов обучения с подкреплением от истории основ области до последних разработок.
Учебник по машинному обучению от Школы анализа данных Яндекса. Пособие по классической теории и тонкостям реализации алгоритмов.
MachineLearning.ru. Открытая библиотека с учебной литературой и конспектами лекций по машинному обучению и смежным областям.

Telegram-каналы и блоги

Data Secrets. Ресурс о машинном обучении и больших данных.
«DLStories | Нейронные сети и ИИ». Разборы актуальных научных статей про новинки в области искусственного интеллекта и нейронных сетей.

Тестирование навыков

Существует несколько способов тестирования навыков. Один из самых простых — с помощью утилиты alice-nearby, которую можно запускать локально на своем компьютере

О том, как ее установить, написано достаточно подробно, так что не буду заострять на этом внимание. Итак, начинаем тестирование

Поздравляю, твой первый навык работает! Обрати внимание: справа отображаются запрос и ответ в JSON. Но на самом деле авторы этой утилиты не придумывали интерфейс самостоятельно

Они просто сделали локальную версию приложения для тестирования навыков на основе тестового стенда в личном кабинете «Яндекс.Диалоги».

Зарегистрируемся в «Диалогах», регистрируем свой навык и попробуем его протестировать. При создании нового диалога разработчику предлагается выбрать его тип. Выбираем «Навык в Алисе».

Типы диалогов

Откроется страница с настройками. Их много, сконцентрируемся на основных.

Основные настройки

Для проверки работы нашего бота нам необходимо указать Webhook URL в «Яндекс.Диалогах». Но если мы попробуем добавить туда , то ничего не произойдет и на вкладке «Тестирование» будет лишь сообщение об ошибке сервера.

Чтобы протестировать навык, запущенный на компьютере, а не на сервере, можно использовать приложение ngrok. Эта программа создает публичный URL для сайта или сервера, запущенного на локальной машине.

ngrok

Запустим ngrok, скопируем выданный нам URL-адрес в поле Webhook URL, сохраним настройки и перейдем на вкладку «Тестирование»

Обрати внимание, что ngrok выдает два URL: HTTP и HTTPS, нам нужен HTTPS. И не забудь добавить к адресу , чтобы запросы обрабатывались корректно

Тестирование на «Я.Диалогах»

Хотелось бы не только писать, но и проверить, как бы все это звучало, если бы наши ответы зачитывала «Алиса». Это можно будет сделать, если наш навык пройдет модерацию… Он вряд ли ее пройдет, но не надо отчаиваться! Существует целых два решения.

Сделать навык приватным. Для этого в настройках необходимо поставить соответствующую галочку. В таком случае модераторы проверят только название, активационное имя и приветственное сообщение, где должно быть описано, что делает навык. Подробнее про модерацию навыков можно узнать из видеоруководства.
Воспользоваться симулятором. В настройках необходимо указать URL — и можно начинать.

Вариант 1. Присоединись к сообществу «Xakep.ru», чтобы читать все материалы на сайте

Членство в сообществе в течение указанного срока откроет тебе доступ ко ВСЕМ материалам «Хакера», позволит скачивать выпуски в PDF, отключит рекламу на сайте и увеличит личную накопительную скидку!
Подробнее

Вариант 2. Открой один материал

Заинтересовала статья, но нет возможности стать членом клуба «Xakep.ru»? Тогда этот вариант для тебя!
Обрати внимание: этот способ подходит только для статей, опубликованных более двух месяцев назад.

Я уже участник «Xakep.ru»

Навык “Список покупок”

Когда я подавал навык на премию Алисы в феврале, мне посоветовали выделить часть, которая касается списка покупок в отдельный навык. Так появился “Вкусный список».

По сути всё уже было готово, я за вечер выбросил всё лишнее, переписал справку и запустил.

Название было такое, потому что “Список покупок” занял какой-то киберсквоттер, но навык он не сделал, там была просто заглушка.

Через какое-то время мне отдали нормальное название “Список покупок”.

Уменьшившийся упростил жизнь как мне, так и пользователю. Например, стало можно сказать просто “добавь картошку”, а не “добавь картошку в список покупок” и т.п.

Сделал возможность добавлять и удалять помногу, защиту от двойного добавления и прочие мелочи.

В итоге оказалось, что навыком действительно удобно пользоваться. На телефоне список выглядел как список, при нажатии на каждый продукт он удалялся из списка, легко было идти по списку и “вычёркивать”.

Навыком начали пользоваться человек 50 в день, я тоже им пользовался, натурально наговаривал список, глядя в холодильник и смотрел в телефон в магазине.

Были косяки, которые меня не парили, а пользователи жаловались. Список хотелок юзеров в какое-то время превысил мои возможности. Например, я надиктовываю сразу группами: “добавь масло, сгущёнку и сыр”, при этом навык должен определить 3 продукта и действие “добавить”. Самое сложное, что я добавлял — “соевый соус”, его я научился определять как один продукт, определяя прилагательное + существительное.

А пользователь хотел “добавить приправу для плова”, можно было через “для” определить связку, но…

Что будет дальше

Для развития рынка в России был создан федеральный проект «Искусственный интеллект». Финансируется он из средств федерального бюджета — в том числе из тех, что выделили на реализацию национальной программы «Цифровая экономика РФ».

Скриншот: проект «Искусственный интеллект»

Всего на проект отвели 86,5 млрд рублей. Федеральный бюджет заплатит 29,4 млрд рублей, внебюджетные источники — 6,9 млрд, 55 млрд отдельно выплатит Сбербанк.

Куратором проекта назначено Минэкономразвития. Предусмотрены дополнительные гранты в размере 12 млрд рублей — из этих денег будут финансировать коммерческие и научные проекты.

«Это уже вторая попытка системно заняться ИИ в России. Несколько лет назад ИИ не выделяли как отдельное и ключевое направление работы — он был частью сразу нескольких федеральных программ. Хорошо, что появился отдельный проект со своим финансированием и ответственными.

Объём финансирования, если сравнивать его с расходами по аналогичным проектам в ЕС, США или Китае, не слишком велик — другие страны заявляют объёмы в несколько раз больше. Нужно надеяться, что средства будут расходовать на наиболее перспективные направления. В любом случае этот ФП включит в повестку многих руководителей государственных предприятий, и это, несомненно, даст толчок развитию рынка ИИ в целом и небольшим средним компаниям в частности. «Цифра» со своей стороны также планирует принять участие в реализации ФП».

Комментарий генерального директора Цифровой индустриальной платформы Александра Смоленского

Суммы действительно небольшие: Китай, например, тратит на ИИ . И, если смотреть прогнозы, бороться с Китаем и Америкой в целом пока бессмысленно. В документе «Разработка Федерального проекта по искусственному интеллекту» к 2030 году разница по баллам всё ещё большая — в 5,5 раза. 78 баллов у России против 424 у Китая и США.

Инфографика: Майя Мальгина / Skillbox Media

А вот посоревноваться с Европой и Канадой кажется возможным — уже к 2024 году разрыв планируется меньше чем в 2 раза (49 баллов у Великобритании, Канады и Германии против 29 у России). IDC прогнозирует рост российского рынка до 555,1 млн долларов США уже к 2024 году. Сбудутся ли эти прогнозы?

«В тех отраслях, где мы работаем, а это в первую очередь промышленность, — не видим отставания в прикладных решениях. В чём-то мы опережаем конкурентов, в чём-то они нас — это совершенно нормальное соревнование. В объёме внедрений Россия, наверное, отстаёт от каких-то стран, но масштабного исследования, выраженного не в деньгах, а в количестве реально работающих систем, во влиянии на бизнес-показатели, нам пока не попадалось. Чтобы выбиться в лидеры, России потребуется увеличить объёмы финансирования раз в 5–10 и сделать ИИ явным национальным приоритетом на всех уровнях. Но даже без этого ожидать, что Россия полностью проиграет гонку за ИИ, тоже не стоит. Для этого нет серьёзных оснований», — сообщил Skillbox Media генеральный директор Цифровой индустриальной платформы Александр Смоленский.

«Гонка в целом идёт не в ту сторону. Самая сущность и научная ценность искусственного интеллекта позабыта: корпорации внедряют лишь точечные прикладные решения. Россия могла бы возглавить самый правильный путь — путь познания человеческого разума, а не создания очередных проектов, которые распознают какие-то объекты. У нас существенный кадровый потенциал, серьёзные теоретические и прикладные наработки — мы могли бы это сделать», — поделился Денис Онацик, основатель Агентства искусственного интеллекта.

Инструменты ML

Применяемые в Machine Learning технологии связаны с тремя общими этапами разработки:

система собирает и обрабатывает данные;
ведётся обучение на основе полученных данных, формируется обученная модель;
оценивается качество работы модели и развёртывается ПО для её использования.

Для разработки моделей используют готовые фреймворки и библиотеки на разных языках программирования. Они позволят быстро начать работу с собранным датасетом, для точной обработки данных необходимо отфильтровать ненужные.

Кроме того, понадобятся инструменты для визуализации на разных этапах, она поможет выделить важные признаки, аномалии, линейные закономерности. Готовая модель должна пройти тестирование.

ML-разработка становится удобнее и доступнее, если все необходимые инструменты собраны на одной платформе. Продукт ML Space позволяет работать над моделями командой в едином пространстве.

Среди преимуществ решения:

ML-разработка полного цикла на высокопроизводительной инфраструктуре с использованием мощностей суперкомпьютеров Christofari и Christofari Neo;
командная работа на каждом этапе;
более 1700 GPU для распределённого обучения и артефактов на маркетплейсах DataHub и AI Services;
удобный интерфейс, множество встроенных популярных библиотек, утилит и других привычных инструментов с модулем Environments;
Data Catalog для работы с ML-артефактами;
инструмент для тестирования и развёртывания Deployments;
сервисы автоматического построения моделей, обработки данных AutoML и Pipelines;
доступ при разработке к предобученным моделям, датасетам и контейнерам в модуле DataHub.

Платформа учитывает специфику российского рынка, в том числе законодательство о защите персональных данных.

ML Space

Платформа для совместной ML-разработки полного цикла на базе суперкомпьютеров Christofari и Christofari Neo
Подробнее

Потребность в машинном обучении

Machine Learning — это давно больше, чем виртуальный соперник по игре в шашки и шахматы. Например, когда компьютер проверяет тексты на грамматические ошибки, это воспринимается как нечто привычное. А стриминговые сервисы благодаря алгоритмам понимают предпочтения пользователей.

Чем больше в жизни человека удобства при решении задач, тем выше запрос на дальнейшую оптимизацию и цифровизацию. Для бизнеса создание моделей машинного обучения — способ автоматизировать производственную рутину и привлечь аудиторию. Разные типы алгоритмов позволяют, к примеру, сделать онлайн-игры ещё интереснее: система отследит поведение игрока и сформирует для него индивидуальное предложение.

Зачем и когда учить машины?

Способы машинного обучения делят на три общих типа:

С учителем, или supervised learning. Цель — помочь компьютеру понять, почему процесс происходит именно так, выявить закономерности, последовательность действий в системе. Ответ известен заранее, поэтому алгоритм концентрируется на этапах его получения. Итоговая модель способна строить прогнозы.
Без учителя, или unsupervised learning, — позволяет машине научиться самостоятельно выявлять закономерности при обработке массива загруженных данных. По выявленным закономерностям компьютер способен работать над задачами с новыми данными.
C подкреплением, или reinforcement learning, — даёт машине возможность среди различных сценариев выбрать оптимальный. Иными словами, это метод проб и ошибок, при котором компьютер определяет последствия выбора и их связь с результатом.

Любой из способов приводит к разработке рабочего механизма, который оказывается в чём-то эффективнее человека:

не устаёт, работает круглосуточно;
совершает меньше ошибок;
обрабатывает большие объёмы информации;
оценивает данные непредвзято.

Это позволяет автоматизировать процессы, выявлять глубинные закономерности, оптимизировать работу сотрудников. Благодаря ML-разработке появилось огромное количество программ и сервисов, которые повышают качество жизни человека. Например, они помогают ориентироваться на местности, быстро находить любимые фильмы и музыку.

Сложные модели используются в промышленности, в сфере безопасности и различных крупных корпорациях. Благодаря разработкам происходит полная цифровая трансформация корпоративной культуры и делового взаимодействия в компании. К примеру, алгоритм может автоматически собирать, систематизировать, анализировать данные с датчиков оборудования на крупном производстве, а затем формировать отчёт.

Как отбирают лучшие ИИ-кейсы

Развивать амбициозные проекты помогает «Альянс в сфере искусственного интеллекта». Он призван стать центром развития ИИ в стране. В его состав входят «Газпром нефть», «Яндекс», МТС, «Сбер», Mail.ru и Российский фонд прямых инвестиций.

Внутри Альянса создана ежегодная премия AI Russia Awards. Её цель — найти и выделить действующие ИИ-проекты, которые приносят пользу бизнесу.

«Проект любой компании, вне зависимости от её размера, может претендовать на включение в Библиотеку кейсов премии и на победу в AI Russia Awards. При условии, что его реализация позитивно сказалась на экономических показателях компании. Сейчас на рынок AI-решений активно выходят новые игроки, и мы видим, что их разработки используют крупные промышленные предприятия, — этому есть немало подтверждений в Библиотеке».

Комментарий пресс-службы Альянса в сфере искусственного интеллекта

Проекты представлены в самых разных отраслях. На премию номинирован робот-помощник для управления комбайном, система распознавания геопород для добычи нефти и голосовой помощник службы доставки пиццы.

«Топ-3 сфер-участников конкурса сегодня — это финансы, кредит и страхование, сфера IT и промышленность», — комментирует пресс-служба Альянса.

Предполагается, что премия даст другим участникам рынка мотивацию создавать новые проекты и ориентироваться на опыт участников премии.

Как использовать навыки Алисы в бизнесе?

Тут пример буду приводить с той же пиццерией Папа Джонс и авиакомпанией S7.

1. пример Пиццерия «Папа Джонс»:

Они создали навык который позволяет пользователям максимально удобно и в простой форме сформировать заказ.

Сначала Алиса спрашивает про регион, потому позволяет вы, чтобы пиццерия знала где будет доставка заказа и с клиентов связался колл-центр именно этого региона.

Потом у клиента есть выбор, продиктовать свой заказ полностью или следовать рекомендациям Алисы для правильного формирования. Если клиент хочет выбрать сам, то ему нужно назвать конкретно, что именно ему нужно: пицца, напиток или что-то другое.

К примеру клиент выбрал пиццу, далее в навыке у него появился ассортимент пиццерии и он выбрал пиццу «супер папа» на традиционном тесте. Алиса уточнила размер, при этом внизу указала цены на пиццу по размерам. Также Алиса предложила ему сделать сырный борт за доп. плату, но он отказался.

Далее Алиса подрезюмировала заказ, после подтверждения корректности клиенту нужно ввести номер телефона. И далее с ним свяжется сотрудник контактного центра, который уточнит еще раз детали заказа и адрес.

2. пример авиакомпания «S7 Airlines»:

У этой компании бот уже немного проще, однако все равно выполняет роль максимально качественного и эффективного помощника. С помощью этого навыка вы можете заказать себе авиабилет.

Во время формирования заказа Алиса уточнит у вас куда клиент летит, откуда, будет ли он брать билет в один конец или полетит туда и обратно.

После того, как она получит от клиента всю необходимую информацию — выведет сообщение с ценой билета с временем. Если этот вариант устроит клиента, то он может нажать кнопку «купить». Далее клиент будет отправлен на сайт для окончательного оформления заказа. Там клиент уже сможет оплатить и распечатать билет.

Таким образом компании убивают сразу несколько зайцев. Первый — доступность, второй — простота, третий — коммуникации, все эти пункты упрощают взаимодействие с клиентом, а сами клиенты более лояльно относятся к таким компаниям.

Потому, что клиенту гораздо проще сказать «привет Алиса, запусти навык» и сформировать заказ. Это гораздо проще и выгоднее.

В 2018 году важно быть доступным к клиентам. И наша компания помогает в этом бизнесу автоматизируя рутинные процессы и создавая чат ботов и ботов для навыков Алисы. Кстати, помимо Яндекса такой же шаг сделали и Google для своего ассистента

Но о нем мы поговорим в другой статье.

414

Чат-боты
8 декабря 2023

Как выбрать чат бота для бизнеса

В наше время использование

Чат-боты
30 мая 2023

В этой статье мы поговорим про автоматизацию, что такое чат-бот,

Чат-боты
27 апреля 2023