Хайп или дизрапт: какие проблемы нужно держать в голове при планировании внедрения ИИ-инструментов в ритейле

ИИ — подражатель, а не креативщик

Искусственный интеллект обучается на массиве данных, который, по сути, является результатом определённого отбора. Так ИИ получает изначально неполную картину процессов и явлений. Соответственно, он мыслит индуктивно: по набору отдельных признаков ИИ делает генеральный вывод, а не наоборот, что может спровоцировать досадные ошибки.

Возьмём, к примеру, распознавание лиц. «Умные» камеры в американской сети кондитерских Lolli & Pops узнают постоянного клиента, а ИИ готовит для него персональные рекомендации, как только покупатель заходит в магазин. Но ИИ может и обознаться. Скажем, в 2016 году ИИ на сайте МВД Новой Зеландии отверг фотографию на новый паспорт гражданина с азиатской внешностью, посчитав, что у того закрыты глаза (к слову, граждан с азиатскими чертами лица в Новой Зеландии 20%). Не трудно представить, какой удар по бизнесу в эпоху новой этики нанесёт ошибка ИИ, который, к примеру, не распознает чернокожих VIP-клиентов, потому что они отличаются от белого большинства, на изображении которых обучался ИИ.

С «питательной базой» ИИ связана ещё одна проблема: машина обучается на данных прошлого. К примеру, в H&M искусственный интеллект анализирует чеки и продажи. Однако вкусы модников прошлого сезона — уже история. Чтобы приблизить картину мира, какой её видит ИИ, к реальности, можно создать киберфизическую систему, которая станет двойником окружающего мира в цифровом мире ИИ — она будет в реальном времени «снимать» показатели и «питать» ими ИИ. Примеры такого подхода к решению одной из «врождённых» проблем ИИ уже имеются. В 2018 году Toshiba создала цифрового двойника железной дороги в Великобритании, снабдив сетью датчиков пути, подвижной состав и платформы, чтобы анализировать буквально всё, что влияет на расписание поездов. Весь массив информации передавался ИИ, который определил лучшее расписание. Цифровой двойник магазина тоже возможен: в реальном времени можно наблюдать, какие товары (расцветки, фасоны) интересуют клиентов. Так цифровой двойник магазина сможет давать актуальную информацию для ИИ-анализа.

ИИ предсказуемый и непостижимый одновременно

Ещё одна проблема ИИ состоит в том, что мы не всегда знаем точно, как он «мыслит», — это называется проблемой «чёрного ящика»: нередко мы, введя информацию и получив результат, не знаем точно, какой путь от одного к другому искусственному нейрону проделали данные, то есть как и почему ИИ пришел к тому или иному выводу. В 2019 году исследователи из Калифорнийского университета в Беркли опубликовали базу из 7,5 тыс. изображений, которые ИИ распознал неправильно (например, изображение гриба ИИ атрибутировал как крендель). В большинстве случаев понять, почему ИИ сделал ошибку, невозможно. Это интересная проблема в контексте попыток ритейлеров внедрять ИИ-инструменты для распознавания продуктов и степени их свежести на полках супермаркетов.

Иными словами, ИИ пока не мыслит универсалиями: он не знает, что такое «лицо», «машина», «спелый авокадо», — в огромном объёме информации он вычленяет повторяющиеся связи, характерные для искомых объектов и явлений, но может ошибиться, потому что концептуально (пока) не думает.

ИИ не заботит этика

У ИИ нет сознания, поэтому он не знает, что такое хорошо, и что такое плохо. Он наследует тенденциозность своих создателей-программистов, а также материалов, по которым он учится. В США 70% соискателей на работу с ИИ — белые, и только 14% — чернокожие или латиноамериканцы. ИИ легко может быть расистом, женоненавистником, ксенофобом, если ему не повезёт с «воспитателями». Из-за этого повышаются требования к моральному облику и гуманитарной грамотности создателей ИИ, ведь заказчик, стремясь к достижению целей, может и не заботиться об этике. К примеру, за рубежом ритейлеры активно используют скрытое видеонаблюдение для анализа поведения покупателей — камеры встраивают даже в манекены. По российским законам это запрещено, и создатель ИИ должен быть достаточно грамотным, чтобы предупредить о таких рисках заказчика, и достаточно ответственным, чтобы в случае чего сказать тому «нет».

ИИ затратный

Искусственный интеллект пока остаётся дорогим инструментом: чем сложнее и кастомизированнее технология нужна, тем дороже обходятся как разработка, так и аккумулирование базы для обучения. По расчётам компании Pandio, внедрение ИИ в зависимости от сложности задачи стоит от 6 тыс. до 300 тыс долл. США. На стоимость ИИ в основном влияют объём и качество базы данных для обучения и, собственно, процесс программирования и тренировки. Данных может не хватить, либо они могут быть не очень качественными, и решение этих проблем потребует дополнительных расходов. В зависимости от требуемой точности и эффективности растут издержки на программирование.

Итак, искусственный интеллект — безусловно, прорывная технология, которая ускорит товарооборот в ретейле и повысит эффективность продаж. С другой стороны, в полной мере искусственным и в полной мере интеллектом она ещё не стала — нужно делать скидку на ее ограниченность и внимательнее присматриваться к её создателям.