Трудовой Кодекс РФ с комментариями ТК РФ, бесплатные консультации юристов
Нейросети станут в первую очередь инструментом повышения эффективности бизнес-процессов и качества сервисов (причем постепенно борьба придет к битве за доли процента), а развлекательные применения, обычно предлагаемые стартапами, либо умрут сами собой, либо станут одной из функциональных возможностей большого продукта.
Сегодня нейросети прекрасно справляются с серьезными большими задачами, улучшая, например, качество поисковых систем, распознавания речи, прогноза погоды и многого другого. Но для широкой публики они стали известны, в основном, благодаря ярким и развлекательным применениям: они меняют возраст лиц на фотографии, пририсовывают улыбки или определяют ваши качества как фотографа. Появляется множество успешных стартапов, которые с помощью нейросетей создают продукты и технологии. И порой они опережают большие компании по скорости выхода прототипов на рынок. Но рано или поздно ажиотаж, связанный с нейросетями, пойдет на спад, ярких взрывных проектов станет меньше, но сами нейросети при этом никуда не исчезнут – они превратятся в рутинный инструмент повышения качества сервисов для больших компаний, которые уже сейчас вовсю их используют. И в этом нет ничего плохого.
Золотая лихорадка
Сейчас мы живем в эпоху романтизма во всем, что касается применения искусственных нейронных сетей. Это связано, в первую очередь, с тем, что возможность получать выгоду от их использования стала широко доступна не так давно. Сейчас множество небольших компаний, стартапов и даже программистов-одиночек стали «играться» с нейросетями и применять их для всего, что только можно. Все научные статьи по теме лежат в открытом доступе и достаточно часто сопровождаются ссылками на исходный код. Библиотеки машинного обучения также находятся в opensource. Появляется множество публичных датасетов, необходимых для обучения нейросетей, а в облачных сервисах есть возможность арендовать необходимые для этого мощности. И все это бурлит, быстро развивается, привлекает к себе все больше молодых и талантливых.
Ситуация сейчас похожа на золотую лихорадку, когда старатели стекались на открытое месторождение в надежде на большую удачу. И многим удавалось быстро разбогатеть. Но через несколько лет лёгкие методы добычи перестают приносить результат, вероятность нахождения самородка становится все меньше, старатели разъезжаются, уступая место большим компаниям с их промышленными методами добычи.
Так и в каждом конкретном сценарии использования нейросетей все придет к зрелой конкуренции и борьбе за доли процента. И успех в этой борьбе обретут те, у кого есть «большие данные» и серьезные вычислительные мощности. А многочисленные развлекательные применения либо умрут сами собой, либо станут одной из функциональных возможностей большого продукта.
Ресурсоемкая добыча
Нейросети вообще устроены таким образом, что результат их применения очень сильно зависит от количества данных для обучения и доступных ресурсов, необходимых для этого обучения и для выполнения запросов. И хотя ресурсы стали доступнее, чем когда-либо, да и «железо» стоит не так дорого, заметно выросли и потребности в них. Пропасть между любым стартапом и большой компанией находится именно в этой области, и она огромна.
С данными все еще сложнее: доступ к большим данным в принципе есть далеко не у всех. Почему так трудно сделать, к примеру, поиск с нуля? Для качественного поиска нужно понимать, например, поведенческие пользовательские факторы. Грубо говоря, нужно знать, что люди предпочитают. А эти предпочтения можно собрать только в процессе работы поисковой системы. Вот и получается проблема холодного старта: нет данных – нет качества, нет качества—нет пользователей, нет пользователей – нет данных.
У больших компаний такой проблемы обычно не возникает, ведь у них все данные в наличии — изображения, тексты, логи разговоров и многое другое. Именно поэтому у них получается максимально хорошо обучать нейросети. Но в отличие от стартапов, они в первую очередь заняты улучшением качества существующих сервисов.
Вероятность того, что в какой-нибудь маленькой компании придумают что-то, что уже не придумали в большой, крайне невелика. Разница в том, что маленькой компании проще экспериментировать, она может рисковать, у нее нет бремени поддержки предыдущих версий, совместимости их с остальными продуктами, высочайших требований по надежности и т.д. Этим и объясняется хорошие шансы стартапов успеть сделать что-либо первыми.
Битва за качество
Бум нейросетей пока не закончился: «низко висящих фруктов» еще очень много, поэтому нас ждет еще много прекрасных маленьких ярких проектов. Но количество таких проектов на рынке в первую очередь говорит о его незрелости. В процессе взросления рынка на поле выходят большие компании, и начинается битва за проценты качества продуктов, за себестоимость. И для маленьких компаний остается очень мало места.
Успеют ли за сегодняшнее прекрасное время множество стартапов окрепнуть и стать солидными самостоятельными компаниями? Вряд ли. Ведь мало кто создает большую компанию, которая лишь какое-то время будет находиться в стадии стартапа — большинство создает именно стартап, счастливым завершением которого видят его продажу крупному игроку. А большие компании покупают стартапы преимущественно ради двух вещей: ради команды и ради скорости вывода на рынок готовых решений. Технологии (или возможность их создания) у них и у самих есть.
Когда ты делаешь что-то принципиально новое, то плюс-минус несколько процентов качества ничего не решают – гораздо важнее быть первым. Но эти проценты становятся очень важными, когда рынок насыщен, и они даются с огромными усилиями. Большие компании обслуживают огромное количество потребителей. По этой причине суммарная польза от внедрения тех же нейросетевых технологий корпорациями крайне высока, даже если это внедрение не так заметно, как вирусная популярность очередного фильтра для фотографии.
Например, мы (автор представялет «Яндекс» — Forbes) нейросети используем для поиска – сложнейшего продукта с многолетней историей. Для достижения высокого качества поиска задействованы тысячи факторов, давно используется мощное машинное обучение, и порой кажется, что выжато все, что можно. Внедрение нейронных сетей позволило улучшить это качество на несколько процентов. Любой специалист скажет, что сегодня это огромное достижение. Хотя это улучшение не заметно невооруженным глазом, все измерения четко показывают, что оно оказывает серьезное положительное влияние на количество пользы, которую приносит сервис. Со временем восторги от новых возможностей, которые появились благодаря нейросетям, угаснут. Но значимость их будет только расти.
