[ad_1]
Дмитрий Глухих, аспирант ТюмГУ, генеральный директор ООО «Стрэйтинтел»
Искусственный интеллект (ИИ) и эксперты могут работать в синергии для принятия лучших решений. Эксперты обладают глубокими знаниями и опытом в своей области, но они могут быть ограничены своими субъективными предпочтениями и объемом данных, которые они могут анализировать. С другой стороны, ИИ может обрабатывать большие объемы данных и выявлять скрытые закономерности, но ему может не хватать понимания контекста и экспертного знания.
Одним из способов решения этой проблемы является комбинация экспертных знаний и ИИ. Эксперты могут помочь ИИ понять контекст и цели принятия решений, а ИИ может использовать свои аналитические способности для выявления скрытых закономерностей в данных. В результате эксперты и ИИ могут работать вместе для принятия более точных и обоснованных решений.
Системы, где ИИ и эксперт работают вместе для выработки решения, называются интеллектуальными системами поддержки принятия решений. Эти системы могут использоваться в различных областях, включая бизнес, медицину, правительство и промышленность.
Как работает интеллектуальная система поддержки принятия решений
Система интеллектуальной поддержки принятия решений работает на основе алгоритмов и моделей, которые анализируют данные и информацию для предоставления рекомендаций. Она использует методы машинного обучения, экспертные знания, системы правил.
Систему интеллектуальной поддержки принятия решений необходимо обучать так же, как и живых сотрудников. Например, нужно занести в базу знаний программы действий при аварийной ситуации, обучить модели компьютерного зрения обнаруживать опасные явления и многое другое.
Но в отличие от человека, обученная система сможет вместить в себя опыт и знания десятка или даже сотни экспертов и при этом в сотни разы быстрее обрабатывать огромные массивы постоянно поступающей информации.
Рассмотрим работу на примере производства, где ИИ помогает эксперту вовремя обнаружить экстренную ситуацию и принять действия для ее устранения.
1. Сбор данных: система собирает данные из различных источников. Например, показатели с датчиков оборудования, с датчиков уровня шума, загазованности и т. д. Собирает информацию с камер наблюдения. Получает информацию с баз данных и сторонних систем.
2. Анализ данных: система анализирует данные с помощью алгоритмов машинного обучения и систем экспертных знаний и правил. При этом работает не только с цифрами, но и с изображением, видео, голосом и текстами. Анализ различных данных позволяет оценить комплексную ситуацию на объекте и состояние его отдельных элементов. Например, интеллектуальная система может увидеть и подать сигнал о прибытии транспорта к пропускному пункту, о посторонних объектах на территории подстанции, подать сигнал о неисправной работе трансформатора.
Анализ данных окружения позволяет комплексно оценить ситуацию. Так, снегопад может усложнить доступ персонала к объекту и повлиять на решение проблемной ситуации.
3. Предоставление состава решения: система предоставляет пользователям персональные рекомендации на основе проанализированных данных. Это может быть непосредственно технологическая карта действий, справочный материал, контакты. Другими словами, пользователь получит информацию: что нужно делать, как нужно делать, кому нужно звонить.
4. Обратная связь: система может получать обратную связь от пользователя о том, какие рекомендации были полезны, а какие нет, чтобы улучшить работу в будущем.
Почему интеллектуальные системы поддержки решения трудно разработать
◉ Сложность задачи
Принятие решений — это сложный и многогранный процесс, который требует анализа большого объема данных, учета множества факторов и прогнозирования результатов. Создание системы, способной обрабатывать такие сложные задачи, является техническим и интеллектуальным вызовом.
◉ Сложность формализации данных
Принятие решений часто связано с интуицией, опытом и контекстом. Моделирование этих аспектов человеческого мышления является сложной задачей. Передать различные данные машине — сложная задача.
◉ Недостаток данных
Для эффективной работы интеллектуальной системы поддержки принятия решений требуется большое количество качественных данных. Однако в некоторых областях данных может быть недостаточно или они могут быть неполными или неточными. Это создает проблемы при разработке моделей и алгоритмов принятия решений.
◉ Непредсказуемость и неопределенность
Многие решения принимаются в условиях неопределенности, когда доступная информация неполна или неточна. Такие ситуации могут создать трудности для интеллектуальной системы, поскольку она должна уметь работать с нечеткой информацией и принимать решения на основе вероятностных моделей.
В целом создание интеллектуальных систем поддержки принятия решений является сложной задачей, требующей комплексного подхода и учета множества факторов.
Можно ли доверять интеллектуальной системе
Внедрение интеллектуальных систем поддержки принятия решений может столкнуться с сопротивлением и неприятием со стороны людей. Некоторые могут бояться потерять контроль или считать, что решения, принимаемые такими системами, несправедливы или неадекватны. Другие будут опасаться потерять рабочее место.
Для беспокойства причин нет: интеллектуальные системы поддержки принятия решений используют концепцию дополненного искусственного интеллекта.
Дополненный искусственный интеллект (Augmented Artificial Intelligence) — это концепция, которая объединяет возможности искусственного интеллекта с человеческими способностями и знаниями. Основная идея заключается в том, чтобы использовать ИИ-системы в качестве инструментов, которые помогут людям принимать более информированные решения и повышать их продуктивность.
Дополненный ИИ не заменяет человека, а дополняет его, предоставляя дополнительные данные, аналитические инструменты и инсайты для принятия решений.
Синергия ИИ и эксперта может повысить эффективность и безопасность деятельности человека в различных областях.
Изображение: Freepik (шапка)
[ad_2]
Источник
