В недавно опубликованном докладе, подготовленном министерством финансов США по заказу администрации президента Трампа, регулирующим органам штатов и федерального уровня рекомендуется пересмотреть устаревшие нормы и начать поддерживать инновационные технологии в области финансов: искусственный интеллект, машинное обучение и блокчейн, способные сделать финансовую систему США более гибкой и конкурентоспособной.

С 2010-го по 2017 год в США появилось более 3330 новых технологических компаний, работающих в финансовой отрасли. 40% из них ориентированы на банковское дело и рынки капиталов, отмечается в докладе. Более 36% кредитов физическим лицам сейчас выдают небанковские технологические компании. Но одним из главных препятствий для развития финансово-технологического сектора являются нормы, затрудняющие заключение между финансовыми компаниями и агрегаторами данных соглашений об обмене данными — особенно личными данными клиентов. Поэтому для доступа к данным агрегаторам приходится запрашивать у клиентов пароли, вместо того, чтобы позволить им напрямую подключаться к обслуживающей их компании.

Минфин поддержал также идею создания «регуляторных песочниц»: механизма разработки законодательных норм в процессе реальной работы финансово-технологических фирм. В 2015 году такой механизм был реализован в Великобритании.

ПК, построенные на базе технологий Intel, становятся все умнее, хотя пока этот процесс во многом и скрыт за кулисами. В корпорации заявляют, что в перспективе компьютеры смогут анализировать привычки пользователей и выполнять требуемые действия самостоятельно. Впрочем, когда наступит такое будущее, насколько реалистично подобное прогнозирование, и согласятся ли пользователи с тем, что компьютер будет предсказывать каждый их шаг, пока неясно.

Пока же известно следующее: Intel продолжает заниматься разработкой новой версии своего крошечного настольного компьютера NUC со встроенным в него виртуальным ассистентом Amazon Alexa. Ожидается, что компьютер Intel "Bean Canyon" NUC (Bean – отсылка к кофейным зернам или находящемся внутри ПК чипу Coffee Lake. – Прим. ред.) появится во второй половине текущего года. В настоящее время Intel вместе с Amazon занимается его сертификацией. Одновременно компания преобразует элементную базу, созданную компанией Movidius в «чипы искусственного интеллекта», которые должны стать основой для формирования будущего интеллектуального опыта.

В июне на выставке Computex в Тайбэе менеджер Intel NUC по маркетингу Брюс Паттерсон продемонстрировал подключенное к NUC устройство Movidius Compute Stick с встроенным в него визуальным процессором Movidius Myriad X. В ходе демонстрации компьютер с помощью Compute Stick распознавал лица, появляющиеся в видеоролике. И хотя лица идентифицировались сразу после их появления на экране, основной процессор был загружен менее чем на 20% – вся обработка осуществлялась с помощью чипа Myriad X.

Если ни о Movidius, ни о Myriad X вы ничего раньше не слышали, не расстраивайтесь. Корпорация Intel купила компанию Movidius совсем недавно, в 2016 году, заинтересовавшись разработкой чипов компьютерного зрения, интерпретирующих происходящее вокруг автомобиля на основе видеосъемки с нескольких камер. Разработки эти велись в интересах создания автономных автомобилей. Но после вхождения в состав Intel способность «видеть» решили дополнить и другими интеллектуальными технологиями.

«Я думаю, что эти чипы станут настолько обычными, что их начнут размещать на материнских платах», – указал Паттерсон. (В ASUS уже проделали это, хотя пока неясно, несет ли чип какую-то полезную нагрузку.)

Что еще необходимо? По сообщениям Intel, разработчики должны будут поддерживать Windows ML – язык машинного обучения, который в 2017 году дебютировал в составе Windows 10. Пока технология эта находится в зачаточном состоянии, но в Microsoft уже продемонстрировали, как можно будет использовать Windows ML в перспективе для «чтения» текста в реальных условиях с последующим его импортом в приложения наподобие OneNote.

В настоящее время  Intel занимается налаживанием сотрудничества с разработчиками программного обеспечения, заинтересованными в развитии функций искусственного интеллекта. И когда Windows ML начнет использоваться разработчиками, в потребительской сфере тоже ожидаются серьезные перемены.

«Представьте себе, что ваш компьютер пристально наблюдает за вами, – заметил Паттерсон. – И знает, что вы ежедневно проверяете Outlook в девять часов утра. Следовательно, в девять утра, когда вы сидите перед компьютером, приложение Outlook уже должно быть открыто. Ваш ПК 'видит', что вы находитесь перед ним, сверяет время и выполняет необходимые операции. Знание ваших привычек означает, что ПК может предвидеть дальнейшие действия».

Впрочем, пока неясно, каким образом в Intel намерены выстраивать это будущее. Понятно, что аппаратные конструкции, начиная от камер, используемых Windows Hello, и заканчивая прототипами со сдвоенным экраном, проектируют именно в Intel, но продвигать потребительское программное обеспечение и сервисы вроде True Key корпорации будет сложно. В Microsoft должны четко разъяснить потребителям, как им использовать искусственный интеллект для облегчения своей жизни. Да и с компанией Facebook, обменивающейся данными пользователей без их ведома, тоже нужно будет разобраться.

Тем не менее, первые шаги разработчики Myriad X уже сделали: сначала дискретный чип размещается на плате или внешнем устройстве, затем он встраивается непосредственно в материнскую плату, а потом становится компонентом чипсета или даже отдельным функционалом центрального процессора. Именно это раньше произошло со звуком и базовой интегрированной графикой. И сегодня в Intel четко видят те уже недалекие перспективы, когда надпись Intel Inside будет присутствовать на еще более умных компьютерах.

«М.Видео-Эльдорадо» создаст центр компетенций в области аналитики больших данных и машинного обучения, сообщили в компании. Подразделение будет искать возможности роста бизнеса за счет разработки и внедрения математических алгоритмов. Число сотрудников нового центра составит десять человек. В компании ожидают, что технологии принесут только сети «М.Видео» дополнительных 800 млн руб. по итогам 2018 года и до пяти млрд руб. через пять лет.

Группа управляет 840 магазинами. На основе информации от них новое подразделение разработает необходимые идеи, алгоритмы и сервисы. Так, Data Science Centre планирует проекты по повышению эффективности интернет-мерчандайзинга, оптимизации клиентского пути на сайте, управлению промоакциями, ассортиментом, стоком и персоналом.

Информации, которую будут собирать «М.Видео» и «Эльдорадо», недостаточно для полноты картины, так что ретейлеру придется докупать ее, считают в Data Insight. Также дополнительных трат потребуют зарплаты специалистов и расходы на серверы, что может составить десятки миллионов рублей в год. Дорого обойдется и внедрение наработок, для которых может понадобиться перестройка инфраструктуры компании.

Возможно, Google Cloud пока и уступает в битве за доминирование на облачном рынке, но она еще не закончена, и существенное влияние на ее исход может оказать разрабатываемое сегодня секретное оружие.

В созданной гигантом интернет-поиска экосистеме около 12 тыс. разработчиков и партнеров компании обращаются к искусственному интеллекту в качестве средства заполучить клиентские контракты и привлечь к себе внимание большого бизнеса с помощью интеллектуальных технологий.

Для СМИ, ориентированных на технологии, придумать кликбейтовый заголовок очень просто: Amazon Web Services против Microsoft Azure против Google Cloud.

Сродни ставкам на результат схватки между львом и тигром или акулой и китом, для облачной головоломки наиболее показательна доля рынка.

У AWS – гигантской глобальной твердыни – все споры решаются легким кивком в сторону цифр.

А теперь взгляните на Microsoft, излучающую спокойную уверенность. Армия партнеров численностью свыше 300 тыс., дополненная глобальной клиентской базой, которая вообще находится вне конкуренции, сразу навевает мысль о том, что исход очевиден и является всего лишь вопросом времени.

Но есть ведь еще и Google Cloud – темная лошадка, отстающая в этой скачке от лидеров уже на круг.

Титан технологической отрасли, сделавший себе имя на поиске в Интернете, привык быть здесь третьим. Возможность же заполучить новых корпоративных клиентов он видит в создании более интеллектуальной платформы.

«В последние два десятилетия искусственный интеллект развивается очень быстрыми темпами, – отметила главный исследователь искусственного интеллекта в Google Cloud Фей-Фей Ли. – Технологии распознавания образов и машинного перевода являются сегодня частью повседневной жизни для миллионов. Искусственный интеллект уже трансформировал многие отрасли по всему миру и помог создать новые. А в перспективе он сулит повышение качества жизни и будет работать там, где ранее этого даже нельзя было себе вообразить».

Впрочем, для Ли перспектива появления такой технологии еще далека от реализации, и искусственный интеллект по-прежнему остается «зарождающимся полем возможностей и вызовов».

«Искусственный интеллект расширяет наши возможности, и мы должны демократизировать эту мощь для всех и каждого, для любого бизнеса – от розничной торговли до сельского хозяйства, образования и здравоохранения, – пояснила она. – Искусственный интеллект уже нельзя считать нишевой технологией, он сулит конкурентные преимущества предприятиям любой отрасли. И мы должны предоставлять инструменты, которые совершат революцию в нем».

Выступая перед партнерами и клиентами на конференции Google Cloud Next '18, собравшей более 20 тыс. участников, Ли фактически приступила к реализации этого плана, анонсировав новый виток продуктов и функциональных расширений на основе искусственного интеллекта.

Уже сегодня пользователям доступны бета-версии Cloud AutoML Vision, Natural Language и Translation, равно как и обновления Dialogflow Enterprise Edition.

Не стоит забывать и о новом решении Contact Centre AI, которое пока представлено в альфа-версии.

Cloud AutoML

По словам Ли, между крайними полюсами возможностей, открываемых машинным обучением, есть существенные отличия.

«С одной стороны, опытные исследователи данных активно используют инструменты TensorFlow и Cloud ML Engine для построения адаптированных решений с нуля, – указала она. – С другой, модели, прошедшие предварительное машинное обучение, такие как Cloud Vision API, позволяют мгновенно получать нужные результаты при минимальных инвестициях и без глубоких технических знаний. Но что можно сказать о бесчисленном количестве клиентов, которые находятся между двумя этими крайними точками?»

У многих есть потребности, выходящие за рамки предварительно обученных моделей, но они не обладают навыками или ресурсами, которые необходимы для построения собственных адаптированных решений.

Чтобы охватить эту середину, в начале текущего года в Google Cloud и анонсировали Cloud AutoML.

«Теперь любой желающий, не обладающий специальными знаниями в области машинного обучения и программирования, может расширить возможности мощных моделей ML с учетом своих собственных потребностей, – подчеркнула Ли. – Первая версия AutoML Vision расширяет функционал Cloud Vision API возможностями распознавания совершенно новых категорий изображений. Опробовав на реальных пользователях альфа-версию, мы были вполне довольны, и теперь сервис AutoML Vision получил статус публичной бета-версии».

Вместе с тем, Ли признала, что классификация изображений – «всего лишь одно из бесчисленных применений» машинного обучения.

В связи с этим были представлены два новых предложения AutoML.

«AutoML Natural Language помогает автоматически классифицировать текстовые категории, специфичные для клиентских предметных областей, – сообщила она. – А с помощью AutoML Translation вы сможете загружать переведенные пары языковых конструкций для обучения своих собственных моделей перевода».

Поток клиентов подтверждает жизнеспособность этих решений в присущем Google Cloud стиле, адаптируя их к своим потребностям. К числу таких клиентов относятся, в частности, компании Hearst Newspapers, Nikkei Group и Keller Williams Realty.

«Будучи одним из крупнейших в мире издателей ежемесячных журналов, выпускающим 25 наименований для США и почти 300 международных редакций, команда Hearst всегда ищет лучшие способы управления контентом», – отметил старший вице-президент Hearst Newspapers Эсфанд Пурманд. – Мы намерены использовать AutoML Natural Language для применения нашей универсальной таксономии к имеющемуся контенту. AutoML Natural Language позволяет создавать адаптированные модели, отвечающие нашим специфическим потребностям, с более высокой точностью по сравнению с другими рассмотренными нами решениями».

Доступный искусственный интеллект

На протяжении всего последнего года в Google Cloud упорно работали над тем, чтобы сделать искусственный интеллект не только более мощным, но и более доступным.

С целью дальнейшей демократизации компания продемонстрировала специализированные процессоры Cloud TPU, предназначенные для ускорения решения задач машинного обучения.

Третье поколение этих инструментов, представленное сейчас в альфа-версии, поддерживает большие объемы вычислений в рамках машинного обучения, открывая доступ к ним все новым клиентам.

«Мы были просто потрясены тем, что удалось сделать нашим клиентам при помощи Cloud TPU, – призналась Ли. – Компания eBay, к примеру, сумела сократить время обучения своей модели визуального поиска почти в сто раз – с нескольких месяцев до нескольких дней».

Объединяя аппаратные средства Cloud TPU с программным обеспечением AutoML и вертикальными решениями Contact Centre AI, Ли и его команда занимаются дальнейшим совершенствованием искусственного интеллекта, снижая входные барьеры для клиентов, желающих его использовать.

«Сегодня мы обслуживаем клиентов с широким спектром навыков и потребностей, – добавила Ли. – И главной задачей для нас является расширение границ человеческого опыта».

На технологической конференции Cloud Next компания Google объявила, что сделано еще два шага (в сфере аппаратного и программного обеспечения) в направлении оснащения функциями анализа и машинного обучения граничных сетей и даже отдельных устройств Интернета вещей. Это позволит лучше справляться с огромными объемами данных, генерируемыми растущим числом устройств Интернета вещей.

Первым шагом стало расширение функционала программной платформы Cloud IoT для граничных сетей. Вторым – создание крошечного чипа, который можно интегрировать непосредственно в устройства Интернета вещей и обрабатывать собранные ими данные перед отправкой.

Граничные вычисления – описывающие архитектуру, в которой специализированный компьютер размещается в непосредственной близости от оконечных узлов Интернета вещей и выполняет анализ и обработку данных, инициированные этими узлами, без передачи информации в ЦОД – представляют собой весьма перспективную модель, особенно в сценариях с предъявлением жестких требований к задержке.

Впрочем, директор по исследованиям Интернета вещей компании 451 Research Кристиан Рено, считает, что технические преимущества граничных вычислений вторичны по сравнению с гораздо более важным человеческим фактором – управляющие внедрением операционных технологий на производственных и транспортных предприятиях, которые желают извлечь выгоду из технологий Интернета вещей, весьма некомфортно чувствуют себя, перенося важный управленческий и аналитический функционал в облако, пусть даже и частное.

Таким образом, адаптируя свой программный стек Интернета вещей к граничным устройствам, компания Google устраняет потенциально серьезные входные барьеры и делает свою продукцию более привлекательной с точки зрения управления корпоративным Интернетом вещей. Предложение Google вполне соответствует политике конкурирующих Microsoft и Amazon, которые уже перенесли свои платформы Интернета вещей к границе сети.

Укрепить позиции Google в конкурентной борьбе обещает анонсированный на Cloud Next процессор Edge TPU, ускоряющий машинное обучение с помощью программного обеспечения искусственного интеллекта TensorFlow.

«В зависимости от эффективности Edge TPU это может помочь нам не только догнать, но и обогнать конкурентов с технической точки зрения», – подчеркнул Рено.

Миниатюрный заказной чип Edge TPU разрабатывался специально для переноса моделей машинного обучения Google TensorFlow Lite на граничные устройства. Идея заключается в том, чтобы использовать устройства Интернета вещей для анализа и выдачи важных прогнозов.

На сайте Google говорится, что новый чип может быть использован для обеспечения профилактического обслуживания, выявления аномалий, реализации машинного зрения, роботизации и распознавания голоса.

Разработчики, желающие заполучить его, могут обратиться к Google.

Осталось посмотреть, будет ли Edge TPU работать так, как заявлено, и насколько высоким окажется спрос на него.

Девятое масштабное обновление Android, получившее название Pie, уже доступно пользователям смартфонов Google Pixel и ряда других. Изменения в основном затронули пользовательский интерфейс — в режиме переключения приложений окна теперь листаются горизонтально, а не вертикально, а число виртуальных кнопок в навигационной панели можно уменьшить до двух — «домой» и «назад». Home при этом начинает поддерживать различные жесты, в том числе для закрытия приложений и переключения между ними, а третью кнопку можно выбрать по своему усмотрению. При отключенном автоповороте экрана ориентацию теперь можно менять принудительно вручную.

В Android 9 шире используется машинное обучение. Например, система запоминает, какими приложениями вы пользуетесь реже, и сильнее ограничивает их активность в фоновом режиме для экономии батареи, а механизм App Actions добавляет к значкам в панели приложений ссылки на часто используемые функции каждого из них. Машинное обучение также используется для оптимизации функции адаптивной настройки яркости экрана.

Среди других новшеств — технология Wi-Fi RTT, рассчитывающая расстояние от аппарата до точек доступа Wi-Fi. Когда появятся поддерживающие ее приложения, она будет помогать ориентироваться в зданиях. А средства, реализованные в рамках проекта Digital Wellbeing, позволят выяснять, сколько времени вы проводите в разных приложениях и ограничивать для себя время их использования.

В предварительных версиях Windows 10 под номерами 17723 и 18204 появилась новая система установки обновлений, которая, как полагают в Microsoft, наконец решит проблемы, связанные с неожиданными для пользователей перерывами в работе на время перезагрузки при обновлении системы.

В Windows 10 уже имеется функция, позволяющая указать часы активного использования системы, в течение которых перезагружать компьютер нежелательно. Новая система обновления не только сверяется с заданным графиком и проверяет, не используется ли компьютер в настоящее время, но и пытается предсказать, не собирается ли пользователь вернуться к работе в ближайшее время. Для этого применяется модель, основанная на методах машинного обучения и расположенная в облаке, так что она продолжает обучаться и со временем должна стать еще более совершенной. Результаты внутренних испытаний в Microsoft считают обнадеживающими, и теперь новую систему проверят пользователи предварительных версий Windows 10. Их отзывы должны помочь усовершенствовать алгоритм.

Оценивая свои ближайшие и далекие перспективы, Microsoft большое внимание уделяет искусственному интеллекту, а особенно одному из наиболее популярных его направлений – глубинному обучению. Корпорация уже потратила на искусственный интеллект, в том числе на приобретения, миллиарды долларов. В конце июня был куплен стартап Bonsai, занимающийся глубинным обучением, а в мае – Semantic Machines. Генеральный директор Microsoft Сатья Наделла заявил, что искусственный интеллект является «определяющей технологией нашего времени». «Искусственный интеллект будет присутствовать на оконечных устройствах, в облаке, в приложениях SaaS и даже в инфраструктуре», – подчеркнул он на конференции инвесторов, проходившей в апреле нынешнего года.

Вместе с тем, есть вероятность, что ставка на глубинное обучение не сработает, а Microsoft обойдет своими инвестициями другие, возможно, более полезные направления искусственного интеллекта. И дело не в том, что глубинное обучение не востребовано – это как раз не подвергается сомнению. Но есть опасность того, что важность его преувеличена, и сегодня оно уже достигло предела своих возможностей.

Такой аргумент выдвигает все больше компьютерных ученых и исследователей. Чтобы понять это, давайте кратко рассмотрим, как работает глубинное обучение. Большие объемы данных пересылаются в систему, которая затем, по сути, обучается самостоятельно. Разработчикам не нужно писать для этого вручную никаких специальных программ. В простейшем случае машина сможет определять разницу между кошками и собаками, просмотрев сотни тысяч фотографий, каждая из которых снабжена пометкой, кто на ней изображен: кошка или собака. Условием глубинного обучения должно стать умение машины правильно определять разницу между объектами. А как она будет делать это, скрыто внутри черного ящика.

К задачам глубинного обучения относятся поддержка автономных автомобилей, исследование раковых заболеваний и новых лекарств, а также автоматизация внутренних бизнес-процессов. Но некоторые ученые выражают сомнение в том, что глубинное обучение действительно позволяет изучить все достаточно глубоко. В опубликованной New York Times статье, вышедшей под заголовком «Верный ли путь к искусственному интеллекту мы выбираем? Эксперты надеются, что да», говорится: «Все больше специалистов в области искусственного интеллекта предупреждают, что излишнее увлечение глубинным обучением может породить близорукость и чрезмерные инвестиции, которые впоследствии обернутся крушением иллюзий».

Проблема, по словам исследователей, заключается в том, что глубинное обучение по своей природе очень ограничено и справедливо лишь для определенного круга задач, для которых легко доступны большие наборы данных. Сами же задачи должны иметь четкое и понятное определение, например, при выполнении маркировки изображений или преобразовании речи в текст.

«Никакого реального интеллекта здесь нет, – заявил профессор Калифорнийского университета в Беркли Майкл Джордан. – Не думаю, что используемым сегодня алгоритмам 'грубой силы' стоит доверять». Профессор Нью-Йоркского университета Гэри Маркус предупреждает, что шаблоны, полученные с помощью глубинного обучения, более поверхностны, чем это может показаться изначально.

Доказательством такой поверхностности может служить даже Microsoft Office. В Microsoft встроили технологии искусственного интеллекта непосредственно в Office, и это звучит впечатляюще. Но при ближайшем рассмотрении картина представляется уже не такой радужной. Утверждается, например, что искусственный интеллект помогает в проверке правописания в Word, но лично я после интеграции технологий искусственного интеллекта не обнаружил никакой разницы с тем, что было ранее. В Outlook искусственный интеллект выдает рекомендации, когда следует направиться на встречу, и это самая тривиальная функция, какую я только могу себе представить. В PowerPoint функция Designer на основе искусственного интеллекта выдает рекомендации в отношении структуры слайда, которая, по сути, ничем не отличается от обычного шаблона. К позитивным моментам я бы отнес полезность искусственного интеллекта для продвинутых пользователей Excel, которые могут применять соответствующие функции при анализе сложных наборов данных.

Не сомневаюсь, что в ближайшие годы качество искусственного интеллекта улучшится, и полезных инструментов станет больше. Но под влиянием моды Microsoft и другие компании могут растратить свои ресурсы на глубинное обучение, вместо того, чтобы направить их на не столь разрекламированные технологии, которые в долгосрочной перспективе могут оказаться более полезными. Такое расточительство нанесет ущерб самой Microsoft и лишит нас потенциальных преимуществ новых технологий. Остается надеяться, что корпорация будет оценивать глубинное обучение с холодной головой и в нужный момент сумеет сделать выбор в пользу истинного искусственного интеллекта.

В современных домах часто устанавливаются электрические розетки с дуговой защитой. Они прерывают подачу энергии при обнаружении искры. Но, как выяснили исследователи с машиностроительного факультета Массачусетского технологического института, в таких розетках используются простые микропроцессоры, определяющие появление искры по заранее заданному алгоритму, и в результате отключение может происходить и при безвредных искровых разрядах, вызванных подключением к розетке обычной домашней бытовой техники.

Исследователи решили сконструировать более умную розетку. Они взяли дешевый микрокомпьютер Raspberry Pi Model 3 и подключили к нему через обычную внешнюю звуковую карту индуктивный токоизмеритель, считывающий колебания тока в розетке. В компьютере работает нейронная сеть, обученная распознаванию вида колебаний, и определяющая, представляют ли они опасность. По виду колебаний сеть научилась также отличать подключение различных приборов (например, вентилятора или компьютера). Точность системы оказалась даже чуть выше, чем у стандартных детекторов дуговой защиты, а по времени срабатывания она не уступала им.