.png)
Новый виток в развитии технологий искусственного интеллекта и машинного обучения сделал их гораздо более доступными. Чем они могут помочь бизнесу и науке, как меняют систему образования и рынок труда, как повлияют на индустрию дата-аналитики и почему растет спрос на посредников? Об этом на Просветительских днях РЭШ говорили профессор РЭШ Иван Стельмах, а также выпускники Школы – менеджер по стратегии и операциям канадской компании DataGPT Дарья Левина и руководитель исследовательской группы по искусственному интеллекту в области белковой инженерии Масарикова университета (Чехия) Станислав Мазуренко. GURU публикует основные тезисы дискуссии.
Екатерина Сивякова
Иван Стельмах: В этом году в России произошло два важных события. «Яндекс» выпустил свою версию [модели генеративного искусственного интеллекта (ИИ)] GPT – YandexGPT. Она уже внедряется в продукты. Это доказывает, что мы остаемся конкурентными, несильно отстаем от мирового рынка и имеем технологию, которая может поменять бизнес и жизнь. Второе – банк «Тинькофф» с партнерами начал создавать свой университет. Крупные компании, которые строят бизнес во многом на технологиях ИИ, чувствуют потребность в более быстром интеллектуальном обороте и обучении людей, которые способны развивать ИИ в России.
Дарья Левина: Меня поразила беспрецедентная скорость, с которой ИИ проник за год в различные процессы. Он активно используется буквально во всех сферах онлайн-деятельности. Мой личный бонус от использования технологий ИИ – это повышение моей производительности труда как дата-аналитика, который в том числе переводит данные в формат текста. Количество информации, которую можно обработать с помощью ИИ, возросло в 3–5 раз.
Станислав Мазуренко: В биологии ИИ использовался уже давно в небольших моделях, которые были натренированы на ограниченном объеме данных. В последние 10 лет интерес к этой теме кратно увеличился. Появились экспериментальные технологии, которые позволяют собирать тысячи наблюдений за пару недель – раньше на это уходили годы. В области инженерии белков прорыв случился около пяти лет назад. Он был связан с предсказанием структуры белка, в этой области ученые соревновались с 1990-х. В 2018 г. дочернее предприятие Google, исследовательская лаборатория ИИ DeepMind, выпустило первую, а спустя два года – более точную вторую версию алгоритма AlphaFold для предсказания структуры белка. Это изобретение стало шоком для всей индустрии структурной биологии.
Фундаментальной науке ИИ дает большие возможности. Все биологические системы очень сложные и взаимосвязанные, поэтому их взаимодействие сложно анализировать классическими методами. ИИ позволяет автоматизировать процессы. Биология как наука часто использует инструменты смежных дисциплин – например, вдохновляется технологиями компьютерного зрения и больших языковых моделей. Мой личный бонус от появления технологий ИИ заключается в том, что моя работа стала возможной. Все больше людей смотрит на ИИ и задается вопросом: можем ли мы его применить в нашей области? И если раньше для его использования нужно было обладать специализированными знаниями, то теперь этот инструмент стал более доступен.
Иван: Что изменилось с практической точки зрения? С одной стороны, теперь все стали ИИ-экспертами, исследователями и стартаперами. Доступ к технологиям есть у всех, и он очень простой: люди, которые раньше не программировали, участвуют в хакатонах, где нужно что-то создать на основе ИИ. Для этого им нужно просто придумать правильный запрос в ChatGPT и красиво оформить результат в презентацию. Мы видим больше креатива вокруг этой области, которого ей не хватало.
С другой – возникает закономерный вопрос: как использовать алгоритмы машинного обучения для решения социальных или экономических проблем? В сентябре 2023 г. вышла статья, авторы которой изучили, был ли полезен для школ алгоритм, предсказывающий, кто из учеников не сможет доучиться. Оказалось, что модель предсказывала это очень точно, однако ее использование практически не понизило уровень отчисления. Мы видим, что инструменты машинного обучения развиваются, но не всегда это помогает людям решать практические задачи. Поэтому ключевой вопрос: как нам правильно настроить трансфер технологий, описанных в научных статьях или экспериментах, в решение реальных задач бизнеса, экономики или общества?
Дарья: Основная задача сейчас – это увеличение доступности данных для пользователей. Раньше дата-аналитику нужно было владеть языками программирования, он должен был знать SQL и Python. Сейчас существует много инструментов бизнес-аналитики, среди которых Power BI, Tableau и др., которые позволяют людям ввести запрос в диалоговое окно программы и она визуализирует данные, даст информацию или объяснение изменений. Эти решения предполагают, что вам нужно знать вопрос, который вы задаете. Допустим, у вас есть гипотеза – продажи упали из-за определенной категории, и вы просите: хочу увидеть динамику продаж в разрезе на категории за такой-то период.
Продукт, который мы сейчас разрабатываем в DataGPT, – это следующий этап развития технологии, когда человеку уже даже не надо будет знать, что он ищет. Он состоит из двух частей. Одна часть полностью анализирует все изменения в данных и смотрит, какие факторы привели к росту выручки, падению трафика и т. д. Человеку даже не нужно формулировать гипотезу – данные уже проанализированы, поэтому он может просто задать вопрос в текстовой форме и получить ответ в таком же виде. Например, можно спросить: «Почему выручка упала?» Пользоваться такой технологией может любой человек, не имеющий никакого отношения к дата-аналитике.
Наша технология может проанализировать данные и сказать, что выручка, допустим, изменилась, потому что поменялись такие-то параметры. Но понять, почему они поменялись, сможет только человек, который разбирается в бизнесе компании. И только он сможет вывести исследование на следующий, более сложный этап. Например, провести сложные тесты и посмотреть, как изменится метрика, если поменять один параметр. Раньше на это людям просто не хватало времени, а сейчас оно у них появится, потому что свои рутинные задачи они отдадут ИИ.
Мой опыт работы с компаниями показывает, что внедрение инструментов ИИ и просто мониторинг данных в реальном времени всегда положительно сказываются на выручке. Прежде всего – в компаниях, которые работают онлайн: у них много данных о пользовательском поведении. Новые возможности позволяют, например, быстро выявить и устранить конкретную неэффективность. Технологии повышают скорость реакции бизнеса: раньше вам нужно было три дня, чтобы понять, что случилось, а сейчас на это уйдут минуты.
Компании вкладывают в развитие дата-аналитики – нанимают специалистов, приобретают программные решения, но при этом процент организаций, которые могут назвать себя дата ориентированными, не растет и остается на уровне 25%. То есть, несмотря на инвестиции в это направление, инсайты, которые получены из данных, не всегда удается интегрировать в реальную жизнь.
Станислав: Для каждой области есть универсальные и специфические барьеры. Универсальный – недостаток профессионалов с бэкграундом в информатике, вычислительных методах, работе с данными. Нужно не только знать, как натренировать модель, но и уметь определить, откуда берутся данные и какую информацию из них извлечь. Наука оперирует сложными данными, поэтому людей нужно обучать их содержательно использовать.
Впрочем, организовать технологический переход в академии, на мой взгляд, проще, чем в бизнесе. Во-первых, знания и модели находятся в свободном доступе, поэтому исследователям не нужно разрабатывать решение с нуля, а можно адаптировать уже существующие разработки. Во-вторых, ученые – любопытные люди, им не нужно убеждать сотрудников пробовать новые технологии. Специфический барьер для моей области – это валидация новых моделей, которая требует времени.
Дарья: Мне кажется, что ИИ рано или поздно войдет во все задачи, с которыми сталкивается бизнес. Однако изменения часто психологически некомфортны для людей, особенно если они привыкли к предыдущей технологии, в которую вложили много сил и настроили под свои задачи. Мы предлагаем им понятную мгновенную ценность: человек должен сразу увидеть пользу от продукта.
Дарья: Поведение специалиста на рынке труда должно соответствовать органическому процессу развития индустрии: нужно постоянно набирать становящиеся актуальными навыки. Все перешли от SQL к инструментам бизнес-аналитики, Power BI и Tableau – и вам нужно эти продукты изучить. Все стали делать что-то в ChatGPT – и вам нужно взять курс и узнать, как правильно писать промты для ИИ, чтобы максимально эффективно использовать его в работе. Я не считаю, что появление новых инструментов сделает вашу экспертизу менее актуальной. Невозможно стать хорошим аналитиком, только овладев инструментами ИИ. Но их применение при наличии базы – это залог того, что вы сможете показывать качественные результаты. Сами дата-аналитики из-за ИИ работу не потеряют, скорее наоборот – вопросы, на которые они теперь могут ответить, стали более глубокими и интересными.
Станислав: Я оптимист, мне кажется, что, если вы были специалистом в свой области и теперь ваша задача решается с помощью ИИ, скорее всего, вы от этого выиграете. Теперь, когда у вас есть новый инструмент, ваше внимание будет направлено на что-то другое. После появления модели AlphaFold, которая предсказывает структуру белка, структурные биологи не оказались на улице, а перепрофилировали свои интересы и поменяли исследовательские вопросы.
Иван: Компании не понимают [возможности ИИ], поэтому с их стороны растет спрос на уверенность. Первыми получают выгоду уверенные консультанты. Они приходят и говорят: вам нужно работать так-то, потому что уже пять компаний это сделали, они заработали столько-то денег и вы сможете получить столько же.
Станислав: На первом этапе вам нужен специалист, который понимает, как должны быть организованы данные: если вы еще с ними не работали, скорее всего, у вас там хаос. Поэтому точно будут востребованы люди, которые смогут «прибраться» в имеющихся данных и организовать их в базу. Эти специалисты останутся востребованными и после интеграции технологий, поскольку нужно будет поддерживать новую инфраструктуру. У нас есть инфраструктурные лаборатории, которые проводят стандартные биологические измерения, и точно так же появятся подразделения, сотрудники которых будут помогать вам систематизировать данные и организовывать к ним доступ.
Дарья: Помимо организации баз данных мир аналитики волнует необходимость перевода бизнес-вопросов на язык запросов к данным. Компаниям важно понимать, по каким результатам, которые они получили из своих данных, можно принять бизнес-решения, а какие – просто дополнительный «шум». Консультанты подсказывают, что компании делать с ее данными, какие действия она может совершить после их анализа. И чтобы построить мостик от дата-аналитики к повышению выручки, пока еще нужны посредники.
Станислав: Мир меняется гораздо быстрее, чем раньше, поэтому нужно учиться гибкости. Не стоит больше рассчитывать на четкую карьеру в определенной области – уместнее делать ставку на определенные навыки, которые вы сможете в будущем использовать в другой профессиональной сфере или использовать с уже существующими технологиями. Классическое образование в таких условиях по-прежнему актуально – благодаря не только знаниям, но и мягким навыкам, которые формируются в процессе обучения. Инструменты могут меняться, а фундаментальные знания остаются хорошим активом.
Иван: Когда-то все образование было фундаментальным, потом его фокус сместился на обучение инструментам – например, выучить Python и стать программистом. Сейчас образование делает шаг назад: появляется понимание, что инструменты могут меняться и код можно писать c виртуальным помощником (copilot), а фундаментальные навыки, такие как критическое мышление, гибкость, умение учиться, будут полезным и поддерживающим активом в любой ситуации. Качественное образование должно получать больше людей, чем сейчас.
Станислав: Разговор об актуализации образования я бы разделил на две части. Первое: нужно предлагать больше курсов о том, как работает ИИ, и открывать их не на факультете информатики, а на факультетах биологии и химии. Сейчас про ИИ уже можно рассказывать, не углубляясь в математику, а объяснять суть моделей, их логику, ограничения и преимущества. Второе: речь может идти о перестройке образования. Университеты должны ответить на вопрос: разрешить ли студентам при подготовке диплома использовать тот же ChatGPT? Еще один вариант – вообще отказаться от такого формата проверки конечных знаний, как диплом, и некоторые факультеты уже смотрят в этом направлении.
Дарья: Лично для меня в образовании самым ценным было то, что меня научили думать и очень быстро решать сложные задачи. Если говорить об освоении новых технологий, есть очень много способов научиться дата-аналитике в первом приближении – освоить Power BI или научиться программировать на SQL. Однако бизнесу нужны люди, которые умеют думать и применять знания на практике. Поэтому я всегда выступаю за фундаментальное, научное образование, а остальное приложится.
