Разработка Приложений с Искусственным Интеллектом (ИИ)
Не претендуя на то, что удастся рассмотреть все нюансы по планированию, разработке и тестированию ИИ-приложений, считаем, что полезные позиции в лонгриде-инструкции и примеры найдут как опытные разработчики, так и начинающие. Ареал внедрения технологий, основанных на применении нейронных сетей, огромен: начиная с упрощенного бота-информатора и заканчивая приложением, оснащенным функционалом для планирования объемов торговых операций, доставки, расчета и прогнозирования прибыли, контроля сотрудников и взаимодействия с клиентами. Примеры удачных внедрений ИИ, начинавшихся с минимальных вложений – Grammarly и Duolingo, сервисы Waze и Canva, фоторедактор FaceApp.
Стандартное машинное обучение ML заменяет оператора в начале общения с центром поддержки, базово уточняя вопросы. При глубоком формате, когда задействованы VCA, происходит персонализация запросов, повышается безопасность контактов благодаря распознаванию речи и психологического статуса клиентов. Автоматизация выполнения текущих задач – поиск билетов, заказ товаров, выбор точек маршрута – входит в функции виртуальных операторов. Поэтому выбор ML или VCA зависит от решаемых вопросов.
NLP-возможности ИИ обеспечивают первичный поиск сотрудников и определение их профессиональных навыков. В процессе работы AI-кадровик рекомендует изменить должностные обязанности персонала, если видит прогрессивное усвоение навыков и доведение до автоматизма, что способствует карьерному росту.
По такой схеме начинают работать разработчики кроссплатформенного ИИ-приложения. Цепочка «требования – цели – согласование видения – единый стиль» продумывается согласно структуре SMART и разбивается поэтапно на категории в Scrum либо Agile. Задачи и наличие ресурсов определяют, какие объемы услуг и товаров можно предоставить в планируемом режиме и сократить либо расширить при дефиците или обилии фондов.
Сервис Common Crawl, платформы типа Kaggle либо AWS в случае нехватки исходного цифрового и графического материала предоставляют базы данных, проверенные на предмет точности, информативности, без повторов и ошибок. Чтобы проверить собственную базу данных, пропускают через утилиту Tibco Clarity (запуск с 1997 года) или ПО OpenRefine.
Обработка модальных данных по типу действия модели Chameleon приближает AI к парадоксально-исключающему формату размышления человека. Авторегрессия по протоколу 34B прошла обучение на 10T токенов данных, поэтому мультимодальность модели обеспечивает генерацию контента и картинок с реалистичными параметрами.
Затем модель путем применения базы аннотированных данных с 4D-масками проводит сегментацию и детализированно разрабатывает ситуации в определенном временном диапазоне. Это сходно с раскадровкой фильма, когда режиссер поминутно распределяет сцены и события. Модель PSG4DFormer прогнозирует создание масок и последующее развитие по временной шкале. Такие компоненты представляют собой основу для генерации будущих сцен и событий.
В библиотеке Featuretools фичи для ML-моделей разрабатываются автоматически: для этого из базы переменных выбирают те, которые станут основой обучающей матрицы. Данные во временном формате и из реляционных баз в процессе генерации становятся обучающими панелями.
При недостатке физических сред для хранения и развертывания информации применяют облачные решения SageMaker, Azure и Google. В число востребованных новых языков для генерации ИИ-приложения вошла Julia: при использовании команд, написанных на ней, больше 81 % команд выполняются быстро, четко и с минимумом ошибок. JavaScript и Python, R тоже показывают неплохие результаты с точностью 75+ %.
В стек для приложения добавляем среду JupyterLab, библиотеку NumPy для многомерных массивов или вариант попроще Pandas. Библиотека Dask предназначена для анализа больших баз данных с кластерами, визуализации и распараллеливания, интеграции со средами и системами, с целью снижения затрат на аппаратное обслуживание.
Асинхронность и быстрота операций FastAPI делает фреймворк предпочтительнее Django, на котором на серверах стандарт WSGI нужно конфигурировать к новому асинхронному ASGI. Ввиду того, что интерфейсу 6 лет, у него ограничен объем данных для JWT-токенов и хранилища S3. Принимаем во внимание, что асинхронные библиотеки часто имеют проблемы с нечитаемостью информации и иногда приходится делать записи, задействуя execute() после передачи SQL-запроса и материалов. Примечание: атрибут root_path не меняется на “/api”, что создает неудобства.
Инструменты для деплоя включают проприентарную платформу Heroku, работающую по протоколу PaaS, более сложную Elastic Beanstalk и Qovery, взявшую лучшее у обоих ресурсов. Для тестирования используют:
| Архитектура модели | Назначение | Особенности |
| Сверточная (CNN) | Видео и изображения | Точная идентификация, устранение шумов и ошибок |
| Рекуррентная (RNN) | Цифровые данные и язык | Обработка последовательностей |
| Генеративно-состязательная (GAN) | Генерация новых данных и картинок | Имитация с генерацией новых данных, в качестве баз для обучения |
После этого идёт тонкая, филигранная настройка обучения ИИ-модели. Если в сценарий заложены высокие требования с точными параметрами, обучение продолжается с наблюдением – такие условия дороже. Чтобы найти артефакты и закономерности в кластеризации, предпочтительно сделать выбор самостоятельного обучения. Для проектов в робототехнике и простых игр в Телеграм или сложных приложениях на iOS/Android применяют подкрепление (поощрение или наказание – метод «кнута и пряника»).
Чтобы в условиях реальных сценариев модель продуктивно работала, нужно оценить правильность и скорость ответа. Поэтому в параметры измерения включают прецизионность и повторяемость, метрики ROC-AUC, где нет необходимости отсечения порога (для несбалансированной базы данных), F-score, уточняющего долю положительных решений, среднеквадратичную ошибку MSE и коэффициент детерминации R-квадрат. Ошибку в пределах 5 % считают допустимой, при уменьшении до 1 и 0,1 % результат относят к высокоточным.
В IoT предпочтительнее периферическая работа на устройстве, так как сохраняет конфиденциальность и обеспечивает быстродействие. На базе IoT происходит генерация данных, суть которой в конвергенции ИИ с IoT. Такая синергия наращивает функциональность двух частей, рождая AIoT. Но для усиления мощности и масштабируемости функционала лучше применять облачные технологии, используя встроенные API-протоколы. Если важно услышать отклик клиентов (удобство, понятность, скорость), встраиваем функцию обратной связи.
Обновление ИИ-модели – необходимость ввиду избежания «дрейфа», когда базовые шаблоны устаревают и точность ответа снижается. Поэтому тестирование с итерациями продлевают жизненный цикл модели. Автоматизированное модульное тестирование, периодическое интеграционное для оценки совокупности работы отдельных функций и приемочное UAT – три обязательных «кита» оценки работы и тестов.
Это наглядная демократизация и упрощение трансформации бизнес-процессов, когда сами пользователи без написания кода разрабатывают и развертывают ИИ-модели применительно к логике и рабочим процессам маркетинга и производства. Так, бесшовная интеграция Flow динамически выбирает нужные данные и на их основе готовит ИИ-решения.
Одновременно нужно преодолеть проблемы узких мест Неймана (VNB), чтобы процессор не ждал, когда оперативная память (ОЗУ) обеспечит доступ к процессу. Задача – увеличить скорость получения и передачи данных из базы либо хранилища. Даже высокая скорость многоядерных процессоров при объеме ОЗУ в 32–64 Гб и больше может не оправдать вложения в мощности при ограничении передачи информации из «облака». Для решения проблемы VNB расширяют кэш, вводят многопоточную обработку, изменяют конфигурацию шины, дополняют ПК дискретными переменными, используют мемристоры и вычисляют в оптической среде. Есть также моделирование по принципу биологических процессов, таких, как квантование.
Цифровая парадигма ИИ при параллельной обработке увеличивает энергозатраты и время процессов обучения. Поэтому кубиты в суперпозициях (несколько положений в один период времени) и положении запутанности предпочтительнее классических битов при условии сохранения стабильности. Для ИИ квантовые технологии лучше ввиду снижения стоимости разработки и анализа данных в нескольких конфигурациях. «Тензоризация» сжимает ИИ-модели и обеспечивает развертывание на простых устройствах при улучшении качества исходных данных.
Отравление моделей (внедрение вредоносных элементов) в ИИ, наличие состязательных уязвимостей приводят к ошибочной классификации. Поэтому целостный подход должен включать принципы защиты, начиная со стадии разработки до тестирования и развертывания, чтобы минимизировать вызовы и риски.
При планировании работы ИИ в качестве психолога в алгоритмы внедряют принцип НЛП – происходит анализ естественной речи, уточнение психоэмоционального настроения пациента. Тогда на вопросы поступает сгенерированный ответ, приближенный к человеческому звучанию и интонациям. Есть еще генетические алгоритмы, когда для решения миллионов задач создают ботов и затем отсекают худших, оставляя лучших. Совмещение удачных разработок и последующая генерация новых приспособленных и апробированных моделей, на базе предшественников и ряда итераций, приводит к полноценному решению задачи.
Подход к разработке ИИ-приложения должен быть творческим. Допустим, сделать чат-бот в виде весёлого животного или птицы, смешного эльфа либо одухотворенного растения или прагматические вещи типа торгового бота. Те, кто читал Курта Воннегута, помнят рассказ о суперкомпьютере, получившем человеческое мышление. Поэтому, если персонаж будет озвучивать реплики, используя предыдущее общение, давать подсказки и коротко пресс-релизить о новинках, клиенты полюбят и привыкнут к ИИ, будут доверять. Рост продаж составит не менее 10–20 %.
Чтобы определить финансовые расходы и временные затраты, обратитесь в Merehead с задачей и вопросами: стоимость разработки искусственного интеллекта начинается с $20.000 и занимает по срокам до квартала. Время разработки приложений средней сложности с логическими цепочками на трех-пяти уровнях вдвое больше и цена достигает $100.000. Для сложных математических проектов, с экспертным анализом и точностью ответов 99,9 % – до $500.000. Перед началом работы разработаем дорожную карту проекта и спланируем ожидаемые результаты рентабельности.
