Экспертное заключение подготовлено по итогам сессии ПМЭФ-2022 «Искусственный интеллект: кадры, технологии, перспективы».
Автор: Бирюков Александр Алексеевич, руководитель направления информационных технологий и науки о данных, Центр компетенций Национальной технологической инициативы (НТИ) по направлению «Технологии хранения и анализа больших данных» на базе МГУ имени М.В.Ломоносова
Развитие искусственного интеллекта в целом прошло стадии «пика завышенных ожиданий» и «долину разочарований». Можно сказать, что мир наконец, начал двигаться по «склону просвещения» в ИИ согласно циклу зрелости технологий Гартнера. Уже сейчас эксперты достаточно ясно видят пределы возможностей «слабого искусственного интеллекта», который применяется повсеместно, а до «сильного искусственного интеллекта», так называемого General AI, мы еще не добрались. Стоит отметить, что широкая публика, не следящая пристально за происходящим, могла не заметить, как ИИ стал неотъемлемой частью их жизни. Без преувеличения все, у кого есть доступ в интернет, так или иначе взаимодействуют с ИИ на ежедневной основе.
С другой стороны — не все так просто, как может показаться на первый взгляд. Специалисты в области машинного обучения (далее — МО) сформировали значительный фундамент в этой области, что сейчас позволяет значительному количеству людей присоединиться к этой науке и начать вносить свой вклад, что ведет к взрывному развитию. Такой эффект масштаба уже начинает проявляться сразу в нескольких аспектах:
Во-первых, использование технологий ИИ значительно упростилось. Сейчас для того, чтобы стать специалистом по анализу данных достаточно пройти поверхностные полугодовые курсы, которые дадут базовые необходимые практические инструменты для начала карьеры. Глубокое знание линейной алгебры, математического анализа, статистики и теории вероятности перестало быть необходимостью и перешло в статус желательной базы. Больше того, развиваются и вовсе No-code решений и AutoML решения. Первые — позволяют производить обучение и настройку моделей без умения программировать, а вторые и вовсе освобождают пользователя от необходимости самостоятельно настраивать и обучать модель — достаточно просто загрузить данные и выбрать целевое действие (классификация, предсказание значений или другие).
Во-вторых, прошло достаточное количество времени, чтобы сообщество экспертов в области машинного обучения выросло из небольшого международного сообщества ученых, которые практически все знали друг друга, в большой пласт специалистов. Это, конечно же, привело к появлению энтузиастов, которые начали разрабатывать и open source решения, которые являются неотъемлемой частью практически любого проекта в области машинного обучения сейчас. Тренд на open source продолжает развиваться — в июне 2022 года компания Яндекс выложила одну из крупнейших в мире GPT-подобных нейронных сетей YaLM100B, которая применяется в поисковике Яндекса, а также в умном ассистенте Яндекса — Алисе. С одной стороны, такие шаги могут повлечь за собой и негативные последствия, такие как неэтическое использование возможностей нейросети. С другой стороны, как раз такие шаги закладывают необходимый фундамент для дальнейшего развития технологий.
В-третьих, благодаря предыдущим двум пунктам, происходит повсеместное внедрение технологий машинного обучения во всех отраслях без исключений. Особенно популярны: сектора здравоохранения, финансов, транспорта. Это приводит к тому, что уже устоявшиеся в сфере машинного обучения технологии экспоненциально быстро внедряются совершенно в разных сферах, постоянно претерпевают доработку и апробируются на новых данных. С такими наиболее популярными алгоритмами работают одновременно тысячи специалистов по всему миру, что естественным образом приводит ко все более частому появлению интересных развилок в развитие МО. Например, выяснилось, что модели для обработки естественного языка могут успешно применяться для работы с человеческим геномом.
Таким образом родилось большое количество направлений развития в искусственном интеллекте, которые сейчас самостоятельно проходят все этапы жизненного цикла Гартнера. Например, генеративный ИИ сейчас находится практически на пике завышенных ожиданий. Специалисты настолько впечатлены успехами, которых удалось достичь благодаря увеличению размеров таких моделей, особенно языковых, что начинают возлагать надежды, что это и есть путь к «сильному искусственному интеллекту».
Также важнейшим трендом является развитие мультимодальных моделей, которые обучаются на большом количестве разнообразных данных (из разных источников и разных форматов). Такие модели «научаются» обобщать знания из разных источников и благодаря этому решать целый спектр несвязанных между собой задач. Наиболее известным представителем таких моделей является Gato от Deepmind. Эта модель может решать более 600 различных задач, но самое важное — некоторые из них она решает лучше, чем узкоспециализированные нейронные сети, созданные исключительно для решения конкретной задачи. К другим технологиям, переживающим рассвет высоких ожиданий от них, можно отнести обучение с подкреплением, роевой интеллект, объяснимый ИИ, edge AI и другие.
Можно отметить, что российские специалисты находятся на острие развития ИИ. Однако это не значит, что Российская Федерация является независимой от международного научного поля, напротив — развитие происходит именно благодаря международной кооперации.
Также нельзя не уделить внимание одной из ключевых проблем отрасли — ощутимый дефицит квалифицированных кадров. Вышеописанные последствия взрывного роста привели к неминуемому экспоненциальному росту спроса на специалистов в данной области. Больше того крупные игроки, такие как банки, на фоне нехватки специалистов в области ИИ, последние несколько лет также активно перегревали рынок труда. В результате это привело к ряду последствий.
За последние несколько лет заработные платы специалистов в области анализа данных росли двухзначными темпами. В текущей ситуации хороший специалист в этой области стал настолько дорогим, что малый и средний бизнес думают дважды, прежде чем принять решение самостоятельно заниматься разработками в области ИИ — проще купить готовое решение. Конечно, готовые решения есть далеко не для всех задач, а ресурсы для их разработки сконцентрированы у крупных игроков, которые не заинтересованы в развитие нишевых решений, если для них это экономически нецелесообразно.
Другим последствием стало появление большого количества образовательных программ и продуктов, которые готовят специалистов в области анализа данных и машинного обучения. Хорошо себя зарекомендовали магистерские программы и кафедры в высших учебных заведениях, однако не обошлось и без появления «экспресс курсов», которые готовят специалистов по анализу данных и машинному обучению за несколько месяцев. В то время как первые решают задачу подготовки фундаменталистов, с глубоким пониманием устройства алгоритмов, вторые готовят специалистов, которые решают относительно простые прикладные бизнес-задачи быстро и дешево. Конверсия последних в высококвалифицированных специалистов, ожидаемо, значительно ниже. В итоге даже вместе ВУЗы и образовательные курсы не удовлетворяют весь спрос на специалистов науки о данных.
В 2022 году Российская Федерация также столкнулась со значительным оттоком специалистов в области ИТ. Несмотря на то, что точные оценки количества покинувших страну расходятся, с уверенностью можно сказать, что разрыв между спросом и предложением ощутимо увеличился. Теперь перед Россией стоит задача компенсировать произошедший отток специалистов. Очевидно, что одними мощностями образовательных программ здесь не обойтись — необходимо формировать благоприятные условия для привлечения зарубежных ИТ-компаний и специалистов для ведения деятельности из Российской Федерации.
Наконец, в качестве рекомендаций для органов государственной и муниципальной власти можно предложить следующие действия, направленные на поддержку научного развития в области машинного обучения и решения кадрового вопроса:
1. Поддерживать международное взаимодействие ученых в части искусственного интеллекта. Без него даже несмотря на уверенные позиции в данный момент будет быстро формироваться отставание от мирового уровня;
2. Сформировать дополнительные меры субсидирования малого и среднего бизнеса для целей найма специалистов в области анализа данных и машинного обучения, чтобы решить проблему излишней концентрации специалистов в крупных организациях;
3. Субсидировать образование в области науки о данных и информационных технологий для ускорения формирования кадрового резерва;
4. Создать особые экономические условия или зоны, в которых будут созданы такие условия, которые позволят Российской Федерации стать одним из международных хабов ИТ-разработки и инноваций.
Экспертные аналитические заключения по итогам сессий деловой программы Форума и любые рекомендации, предоставленные экспертами и опубликованные на сайте Фонда Росконгресс являются выражением мнения данных специалистов, основанном, среди прочего, на толковании ими действующего законодательства, по поводу которого дается заключение. Указанная точка зрения может не совпадать с точкой зрения руководства и/или специалистов Фонда Росконгресс, представителей налоговых, судебных, иных контролирующих органов, а равно и с мнением третьих лиц, включая иных специалистов. Фонд Росконгресс не несет ответственности за недостоверность публикуемых данных и любые возможные убытки, понесенные лицами в результате применения публикуемых заключений и следования таким рекомендациям.
