Connect with us

Интервью

Нейронные сети и ИИ: самое сложное – понять, чего мы хотим

Каково сейчас состояние искусственного интеллекта, нейросетей, машинного обучения? Почему в последние буквально год-полгода началось такое активное обсуждение, брожение умов и всякие разговоры о том, что мы все умрем?

Леонид Боголюбов

Опубликовано

/

     
     

Недавно на сайте Geektimes вышла статья “Искусственные нейронные сети простыми словами”. Мы побеседовали с ее автором о развитии искусственного интеллекта и нейронных сетей. Юрий работает сейчас в небольшой фирме “Реинжиниринг-студия Петра Кондаурова”, изучает чат-ботов.

Каково сейчас состояние искусственного интеллекта, нейросетей, машинного обучения? Почему в последние буквально год-полгода началось такое активное обсуждение, брожение умов и всякие разговоры о том, что мы все умрем?

Очень классный вопрос! Я как раз об этом много думал. Давайте я попробую ответить развернуто.

Когда я учился в институте, мы, например, анализировали тексты. Есть такая задачка: мы берем текст, смотрим какие-то слова-маркеры, частоту их встречаемости в тексте, и на основании количества и отношений этих слов-маркеров в тексте мы можем отнести этот текст, например, к научной литературе, к художественной или к переписке из Twitter.

Алгоритмы там были достаточно интересные. Одними из алгоритмов были нейронные сети. Такие простенькие персептроны, все четко. Нам говорили: “Ребята, нейронные сети – это классно, это романтично, это интересно. Скорее всего, за этим будущее, но это будущее достаточно далекое”. Это был 2010 год. Они проигрывали по всем фронтам другим алгоритмам анализа, которые более статистические. В основном за счет того, что они были неконтролируемы, у них куча ошибок, куча проблем по обучению.

Если переводить на человеческий язык, она может, например, попасть в зону комфорта или в локальный минимум, на математическом языке, и оттуда не выберется. Она говорит: “Мне так нравится. Я лучше не могу. Все. Пошли вон!”, хоть тряси, бей, мордуй ее. Из-за этого был достаточно большой пессимизм в отношении нейронных сетей. Пришли. Здорово. Вроде бы работает. Прикольненько. Наверно, за этим будущее. Мы пока не понимаем, что с этим делать.

Это уже была вторая итерация пессимизма. Первая была примерно в 80-х годах, когда их только открыли. По-моему, было правило обучения Хэбба. Они сделали примерно так, как обучается мозг, но только в очень примитивной модели нейронных сетей. Оно кое-как обучалось. Все: “Вау! Классно”. Но у этого правила (хебба) быстро вскрылось множество проблем, и в быту, как оказалось оно было не очень-то и применимым. Было много скепсиса, пессимизма, и на эти нейронные сети “забили” лет на 20, пока не придумали метод обучения, называемый “обратное распространения ошибки”.

Но в 1998-2003 году появилась интересная разработка. Называлась она “сверточная сеть”. Она долго лежала. Идея была простая – устроено, примерно, как в зрительной коре у человека. Идея простая. Мы берем огромное изображение, делим на маленькие квадратики и над каждым квадратиком проводим одну и ту же операцию. Мы не делаем нейрон, который связан, например, со всеми пикселями изображения. Он работает по маленьким квадратикам, причём на каждом из них одинаково. В итоге вычислительная нагрузка на нейронные сети упростилась. Обучать это дело стало проще. Точность повысилась. Самое главное – это все стало более-менее контролируемо.

И тут начались первые интересные заморочки у Гуглов и Яндексов. Причем стороны стали активно работать над этим примерно в 2013 году. Первое – распознавание котиков на YouTube.

Это сверточные нейронные сети. Они не такие страшные. Они работают даже понятнее, чем то, что я описал в статье. Нужно только немного разобраться. Например, относительно квадратика 10х10 пикселей один нейрон может сказать: “Здесь есть диагональ слева направо”. А второй нейрон будет говорить: “Здесь есть элемент диагонали справа налево”. Соответственно, диагоналями, горизонтальными, вертикальными линиями мы уже превращаем изображение из пиксельного почти в векторное. Ничего себе! Взяли и превратили, уже не в пикселях говорим, а в диагоналях. Классно! Естественно, она работала круче. Это, с одной стороны.

С другой стороны подоспел генетический алгоритм обучения. Проблема в следующем. Ты смотришь на сеть, ее точно можно заставить работать классно. Но как подобрать эти 5 миллиардов коэффициентов – почему-то неясно. Изначально пользовались чисто математическими алгоритмами, а потом “забили”, сказали: “Да ну! Черт с ним! Плевать на доказательства. Давайте хоть как-нибудь ее обучим”. Взяли, к примеру, генетический алгоритм.

На практике это означает, что мы что-то рандомно меняем, проверяем. Как в жизни. Что-то поменяли, что-то попробовали. О! Лучше. Давайте двигаться в этом направлении. Не получилось. Давайте другое. У этих двух есть хорошие черты, давайте их объединим. Как-то так – начали учить более стохастически, случайным образом. Начали получать очень даже неплохие результаты. Более того, эти результаты не так, как прежде, зависели от сложности архитектуры сетей.

Потом набежало множество очень умных людей, и появился термин “Deep Learning”. Это не только генетический алгоритм. Это целый Клондайк алгоритмов. Где-то они используют математику. Где-то они используют генетические алгоритм. Где-то они могут использоваться еще какой-то алгоритм. Все стало креативненько. Такие сети начали работать с распознаванием статических изображений. Вы, наверно, знаете эту историю. Взяли породы животных – изображения 122-х пород собак. С течением времени, к 2015 году, сеть стала определять породу животных (собак) по фотографии лучше собаководов.

Как это работало?

История была в том, что все выражали скепсис, говорили: “Обработка изображений – это только на людях”. Есть один сайт с обучающими выборками. Там было 122 породы собак – много фотографий на каждую породу. Показали это все в сеточке. Было соревнование. Лаборатории, которые делали алгоритмы (не нейронные сети, а алгоритмы распознавания изображений), давали 80% безошибочного распознавания. Это очень хороший показатель для любого распознавания. 80-86% – это хороший показатель распознавания.

Ребята, которые занимались только нейронными сетями, сначала (по-моему, в 2013 году) показали примерно 80%. В 2014 году они получили 87%, обогнали те лаборатории. А вот к 2015 году они показали 95%. Притом, что люди-собаководы распознают только 92%. Ты ей показал фрагмент изображения собаки, а она просто по положению шерсти (даже непонятно как, какие признаки она для себя выделила) уже знает, какая это порода. Более того, она говорит вероятность идентификации этих пород. Работает обычная сеть значительно стабильнее человека. Прежде всего, сразу немного испугались люди: “Ё-мое! Это означает, что можно заменять операторов на электроэнергетических подстанциях и во многих других местах”. Это первая технология, которая “взорвалась”. Она называется “сверточные сети”.

Вторые сети – LSTM. Они зародились примерно тогда же. Это рекуррентные сети. Проблема в следующем. В том, о чем я вам говорил, мы подаем статичную картинку: статичное слово, какой-то статичный набор чисел. Понимаете? Фотографию. Система говорит на выходе, к какому классу она относится. А если я, например, программирую движения робота, это уже интереснее. У меня есть что-то, что происходило в прошлом – какой-то временной ряд показаний датчиков. Например, у меня 20 датчиков, и это идет кадр за кадром. Например, раз в 20 миллисекунд мне приходит 20 показаний датчиков, нормированных от нуля до единицы.

Естественно, мне нужно учитывать предыдущий опыт для того чтобы генерировать какое-то управляющее воздействие или оценку ситуации, или что-то классифицировать. Первый вариант. Например, у меня 20 входов управляющей системы. Я беру, например, данные на 10 шагов назад. Получалось 200 входов.

Для этого придумали очень интересную технологию. Она называется LSTM. Например, в моей статье показано, как нейроны пропускают сигнал, не пропускают его, как-то взаимодействуют с ним. Это статическая штука. Там нейроны начали делать то же самое уже с логическими операциями. Они могут задерживать сигнал, например, на шаг. Они могут задерживать на несколько шагов. Они могут получать на вход свои предыдущие значения. Не нужно понимать, как это работает. Нужно просто понимать, что теперь информация в этой сети будет сохраняться именно то количество времени, которое сеть посчитает нужным. Опять все настройки этой сети выделили в какие-то коэффициенты. Получились огромные коэффициенты. Это все начало учиться теми же самыми deep learning алгоритмами, и все. Что мы получили? То, что такая сетка теперь может работать с временными рядами.

Я так долго подводил, чтобы вы не боялись этих слов, понимали, что это такое. Когда их начали соединять, люди были поражены. LSTM-сети принадлежат к классу сетей, называемых “рекуррентные”. LSTM – это одна из технологий. Самое интересное, что может делать эта рекуррентная сеть – ей можно на вход подавать слова. У нее каждое слово – это какое-то число. Она его каким-то образом векторизировала. Каждое слово – это число. Ей можно на ход подавать последовательность слов.

Соответственно, например, некоторые чат-боты, которые сейчас разрабатываются, делаются так: на ход подается последовательность слов, а с выхода идет последовательность ответов – точно так же, шаг за шагом. “Я тебя прибью”. Сетка говорит: “Пошел ты на…”. Она не знает, что это такое. Она просто знает, что в такой ситуации нужно отвечать так, иначе нарушатся какие-то критерии. Потом отвечаешь ей: “А не пошла бы ты сама!”. Она помнит, что ответила, и говорит: “Нет, не пойду”.

Сейчас это все еще не коробочные решения. Это решения для Microsoft, Google, Яндекса. У меня лично такого нет. Но ребята из Амстердама поприкалывались по-черному. Что они сделали? Они вышли на улицу и сняли на видео происходящее на улочках. Люди ездят, какие-то улочки, народ бухает, кто-то куда-то бежит, женщина спешит в магазин – обычный день, ничего интересного. Взяли это видео, принесли домой. Дальше они соединили сверточные и рекуррентные сети. Сверточные анализируют изображения. Рекуррентные дают описания. В итоге у них получилась программка, которая в текстовом виде, причем в достаточно красивом, начинает описывать: “Женщина едет туда-то. Велосипедист едет туда-то”.

Ребята накинулись на эти технологии и начали творить. Мы делаем коротенькое описание истории, например: “Мужик жил в пустыне”, что-то еще. А сеть дает полное развернутое описание этой ситуации, фантазируя, что происходит. Они ей “скормили” все романы, которые только есть, и она начала в достаточно красивом виде писать эссе на страницу. Ты можешь ей “скормить” фотографию или какое-то маленькое описание ситуации. Она тебе – развернутую ситуацию: “Он опаздывал на автобус, но не успел”. Причем даже не на уровне ребенка, а на уровне достаточно взрослого подростка. Это поражает.

Иными словами, преодолели все пороги, которые не давали работать этим сетям и получили технологию, где настройкой коэффициентов можно получить любую логику. Соответственно, осталось только настроить коэффициенты так, как нужно для той или иной задачи. Это может быть долго, это может быть дорого, это может быть еще как-то, но это возможно. А поскольку имеет место тенденция экспоненциального роста всех технологий, и сейчас понятно, что мы только в начале экспоненциального роста, то постепенно становится страшно.

Самый красивый факт из того, что может произойти – это недавняя победа в игре в го. Игра в го никак не просчитывается аналитически, потому что количество комбинаций зашкаливает. Это не шахматы. Это в миллиарды миллиардов миллиардов миллиардов раз больше возможных комбинаций, чем в шахматах. Нейронную сеть для игры в го собрали за полгода и оставили ее на полгода играть саму с собой. Этого ей хватило для того чтобы обыграть кой-какого чемпиона мира. Потом взяли самого крутого чемпиона мира по го. Она еще поиграла сама с собой три месяца и обыграла самого крутого чемпиона по го. На все про все у нее ушел год. Год назад все говорили: “Го продержится перед искусственным интеллектом еще лет 10”.

1

Сейчас больше нет игр. Gооgle сейчас развлекается тем, что хочет пустить в нейронную сеть StarCraft. Мой брат, являясь профессиональным геймером в StarCraft, говорит: “Катастрофа!”, потому что известно, что с неограниченным микроконтролем 20 зерлингами(читай – пешками) можно снести 10 танков. Люди, даже корейцы, будут уже не конкурентоспособны.

Соответственно, начался взрывной рост технологий. Пока это еще не коробочные решения. Понятно, как это применять, но все немного побаиваются, и нет опыта. Все ждут, кто же станет первым. Постепенно их встраивают в поиск Google, в поиск Яндекса, в выдачу Facebook, в Siri всякие, чат-боты. Постепенно-постепенно они проникают туда.

Последнее, самое жесткое, что есть. Мы, люди, любим себя. Но люди, во-первых, не могут так успешно менять себя под окружающую ситуацию, а во-вторых, у нас всегда очень мало информации. Например, когда недавно мы учили одну сетку для того чтобы просто искать синонимы и близкие по смыслу слова, мы ей “скормили” 1 гигабайт Википедии. Для того чтобы усвоить, “переварить” 1 гигабайт Википедии на стареньком Макбуке, ей понадобилось 4 часа, все романы на русском еще 8 часов. А вся коллекция романов художественной литературы, написанной в России на русском языке, содержит примерно 15 гигабайт, и весь корпус весь Википедии содержит 5 гигабайт. Итого за 3 дня такая сетка “переварит” все, точнее – основное, написанное людьми на русском языке. Она будет знать о русском языке все. На это ей понадобится несколько дней.

Ни один филолог, ни один культуровед, ни один литератор насколько хорошо, как она, не будет знать русский язык. Если нам что-то не понравится в работе этой системы, мы скажем: “Пошла вон”, что-то подкрутим, изменим ее архитектуру, попробуем еще раз. Но через год мы заведомо получим суперлитератора. Это говорит о том, почему сейчас все начинают бояться нейронных сетей, и почему именно сейчас, сегодня, происходит взрывной рост. Вот так.

Спасибо за отличный рассказ. Сейчас нейронные сети “заточены” на выполнение каких-то определенных задач. Если сеть умеет распознавать котиков, она уже не может распознавать собак или если она пишет романы на русском, то распознавать котиков она тоже не может. Это правильно?

Да, правильно. Но нужно понимать, что человек тоже “заточен” на выполнение определенных действий, а именно – размножение, выживание, и все. Без шуток. У нас стоит сверточная сеть (конечно, продвинутая) на зрительной коре, продвинутая рекуррентная сеть на слуховой коре, и где-то в глубинах мозга другие виды сетей, мы еще до них не докопались. Но по сути дела, это Клондайк нескольких сетей, “заточенных” на каждый орган чувств. Есть некоторая конечная мотивация – оценка того, что происходит. В соответствии с этой оценкой наш организм вырабатывает эндорфин, либо серотонин, либо адреналин – одним словом, контролирует общее состояние нервной системы. Вот и все.

Но у человека есть еще отрицательная характеристика. Предположим, я дежурю на атомной подстанции, и у меня комплексы. Например, в детстве меня били палками. Я из-за этих комплексов могу не выполнить задачу. А если сетка натренирована на это, известно, что она не будет думать о проблемах мировой революции и о том, что ее били палкой в детстве, когда она увидит, что температура в каком-то из контуров начала выходить за пределы допустимых значений. Она будет все анализировать лучше.

Не очень понятно. Сетке “в детстве” показывали котиков, и у нее от этого травма, а пик температуры на графике напоминает уши котиков, и она от этого замкнется. Почему невозможна такая ситуация?

Сетка, которая будет работать – это будет другая сетка. Когда мы сделаем на текущем уровне развития технологий (я не буду сейчас фантастом), на текущем этапе развития технологий мы не будем делать одну и ту же универсальную сетку, которая и распознает котика, и контролирует ситуацию на станции. Нам это не нужно. Нам нужна сетка, которая четко выполняет конкретную задачу. Причем, если конкретная задача очень широка, например, распознавать всех животных, людей и их эмоции по фотографиям (согласитесь, это достаточно серьезная задача), она будет выполнять эту задачу. Выходы этой обученной сетки отдельные, изолированные мы красиво можем соединить с другой сеткой, которая может принимать решения, или это может быть экспертная система. Мы можем так накручивать сколь угодно много, пока не получим нужное. Универсального решения никто не ищет. Всегда нужна какая-то конкретная задача. Если задача будет очень широкая, то будет очень широкое решение, если узкая – будет узкое и красивое решение.

Фактически, чтобы воспроизвести человека, нам понадобится много-много таких искусных нейронных сетей, которые будут последовательно или параллельно соединяться в подобие человеческого мозга. Я правильно понимаю?

Если поставить цель – воспроизвести подобие человека с руками, ногами и всем остальным. Серьезно. С искусственным интеллектом.

Я говорю о разуме.

Во-первых, посмотрим на человека. У него есть кора головного мозга. У нас есть мозжечок. У нас есть зрительная кора, у нас есть акустическая кора, гипоталамус и т.д. Левое и правое полушарие. Это все отдельные сетки. Есть глубинный слой – подсознание: все эти сетки уходят вглубь. Видно, что они стыкуются друг с другом.

Помните, я вам рассказывал, как соединили два типа сеток – сверточную и рекуррентную – и получили описание по картинкам происходящего вокруг на улице? Насколько я понимаю, они не особо закладывали туда архитектуру, то есть связи между этими сетками программа тоже делала в автоматическом режиме, тем же самым генетическим алгоритмом. Все равно инженерия, та или иная, остается и в эволюции, и у людей.

Просто быть человеком, чтобы робот вел себя как человек – это очень широкая задача. С какого-то момента самое сложное будет не в том, чтобы закодить это, а в том, чтобы понять, чего мы от этого хотим.

Серьезно. Мы хотим, чтобы оно убирало посуду? Или чтобы это была идеальная любовница? Или чтобы это был идеальный воин? А мы будем в него закладывать инстинкт самосохранения, чтобы потом получить нечто, что захватит планету, или не будем? У нас он эволюцией заложен жестко и на очень низком уровне. А ему-то зачем закладывать? Самый конечный вопрос. А зачем нам это надо? Поиграть? Скорее всего, вы увидите одного такого человека – андроида, и скажете: “Классно! Мы тебя увидели. Давайте теперь решать нормальные задачи – выращивать хлеб, убивать людей”. Такие нормальные человеческие задачи.

Хорошо. Понятно. Мы углубились в будущее. Я возвращаюсь к текущим задачам и реалиям. Вопрос в правильности понимания работы нейронных сетей, искусственного интеллекта. У нас в статье было написано, что, создав сеть, уже мало кто может понять, на основании чего она принимает решения. Это так или нет?

В большинстве случаев – да. Если вы читали мою статью, вы помните, что я расписал 9 нейрончиков – как работает каждый из них. Их было 9, но это совсем утрированный пример. Во-первых, повторю еще раз то, что там было. То, что происходит на скрытом слое, никогда не формализуется человеком. Мы просто говорим: “3 на 3. Вот такие три входа, такие три выхода. Вот пары: как было, как должно быть. Учись”. Что она делает на этих скрытых слоях – никто не знает.

Сетки для решения сложных задач не обязательно многослойные, но они обычно очень широкие, то есть там очень большие слои – по тысяче, десять тысяч нейронов. Оно находит правило. Мы лишь можем оценить, насколько это правило хорошее. Потому что никто в здравом уме никак не может точно проверить. В том-то и дело, что, если бы могли все это закодировать строгой логикой, и вообще человек это мог бы сделать, на это есть программисты – такие люди, как я, например. Мы пишем циклы, if, функции.

Goto – главное.

Goto. Потом друг друга бьем за Goto. Все, что мы можем формализовать, нам дают языки программирования. Нейронные сети дают некоторые абстрактные, сами как-то настраивают правила. Мы лишь можем оценить адекватность того, насколько они обучены, и все.

Хорошо. В моем понимании правила – это какая-то определенная таблица, которая говорит, что если в квадратике диагональ справа налево, то это кошка, а если слева направо, то это собака. Эти правила где-то записаны, то есть мы фактически можем до них докопаться и вывести на истоки принятия тех или иных решений.

К сожалению, нет. Правила – не таблица, никакого “if” там нет. Там набор коэффициентов и порогов, то есть это огромное количество чисел. Например, в сети 3 на 3, о которой я говорил, может быть порядка 20-ти чисел, которые входят в настройки. В сети 10 тысяч на 100 таких коэффициентов будут миллиарды. Все.

Как все работаем потом? При помощи этих коэффициентов можно сделать четкое “или”, например, логический оператор. Все, что можно закодить, можно закодить машиной Тьюринга – есть такая теорема. Соответственно, чтобы у нас была машина Тьюринга (она же тоже работает с временными рядами), что нам нужно? Нам нужен сдвиг. Нам нужны базовые логические операторы: “и”, “или”, сложение, умножение. Это можно делать через настройку коэффициентов. Например, мы можем сделать через настройку коэффициентов исключающий “или”, “и”, любой логический оператор. Пока мы работаем с одним логическим оператором, мы четко видим, как логика распространяется, какие есть выходы, можем все протестировать.

Но когда начинается сетка 10 тысяч на 10 тысяч, то есть огромная, мы не можем проанализировать, какие логические схемы она строит для того чтобы удовлетворить обучающую выборку, потому что это просто набор чисел. Мы, если очень уж захотим, конечно, можем изолировать какую-то ее часть, и дальше исследовать ее примерно так, как исследуют мозг человека, показывая ему разных собачек, кошек, оружие и т.д.: какой нейрон где загорится, где какие нейроны горят постоянно, какие “отвалились”. Только так. Но нет какой-то таблицы, чтобы была какая-то логика принятия решений.

Один нейрон говорит: “Я распознал какой-то абстрактный образ А”. Второй нейрон говорит: “Я распознал какой-то абстрактный образ Б”. Третий нейрон говорит: “Я не распознал абстрактный образ С”. Выходной нейрон спрашивает: “Насколько хорошо вы их распознали?”. У них, соответственно, точность 80, 90 и 10 процентов. Выходной нейрон говорит: “Значит, с вероятностью 75% это кошка”.

Теперь у вас немой вопрос: “Что за абстрактный образ А?”. Я говорю, что не знаю, что это за абстрактный образ А. Этот абстрактный образ А пришел еще из каких-то 20-ти подабстрактных образов или их отсутствия. А они, в свою очередь уже пришли из того, что где-то есть диагональка, которая пересекается с другой диагональкой. Наверно, аналитически мы сможем понять – похоже это на ушко, причем ушко кошки, потому что у собаки будут не диагональки, а что-то размытое, висящее и дурно пахнущее. Решение принимается примерно так.

Нейронная сеть – это всего лишь способ превратить любую логику в набор коэффициентов. Но когда мы настроили эти коэффициенты, мы уже не можем анализировать эту логику. Это слишком сложно для человеческого восприятия. Особенно потому, что мы привыкли анализировать что-то в четкой логике. Если что, у нас на это настроено левое полушарие. Если я подойду и ударю боксера, то, скорее всего, мне будет плохо. На самом деле, мы думаем даже не так. Мы думаем: “Мне будет плохо”. Мы не оцениваем возможность боксера.

А здесь получается нечеткая логика. Если я подойду к боксеру с этого угла, в этой ситуации, при этом боксер будет немного пьян, а освещение будет такое, вероятность “получить в табло” будет 35%. Мы называем это интуицией. У нас для этого есть правое полушарие мозга. Оно отлично отрабатывает. Когда мы ничего не понимаем, мы называем это “религия”, “магия” или “женская логика”, если нам это нравится или не нравится. Или кого-то называем гением. Мы не можем анализировать наши поступки. То же самое и здесь.

Хорошо. Логически вытекает следующий вопрос. Есть система, логика работы которой не очень четкая, понять ее невозможно. А как при этом нейронная сеть может управлять электрической или атомной станцией? Если ее решения никогда не понимаемы человеком, она в определенной ситуации может разогнать реактор или наоборот его заглушить. Но как можно доверять такой системе жизненные показатели или жизненно важные системы?

Здесь все очень просто. Так получилось, что я как раз 5 лет работал в электроэнергетике, как раз на системах управления. У нас же есть не только система принятия решения. Например, сейчас компьютерная. Там стоит релейная автоматика, то есть некоторые дублирующие системы. Там три системы. Релейная автоматика. Она работает уж совсем просто. Температура больше – это то-то, делать се-то, все. Есть автоматическая система управления. Это компьютер. Сейчас там логика запрограммирована программистами. Есть, в конце концов, сонный дежурный, который развлекается тем, что играет в пасьянс. Как ему ни запрещают, он все равно найдет способ поиграть в пасьянс.

Мы можем спланировать как угодно. Лично я делал бы так. Я бы оставил релейную автоматику. По компьютерной автоматике у нас есть состояния консистентное, не консистентное. Например, при повышении температуры реактора, если повышение температуры за последние несколько часов будет в такой-то точке, то мне нельзя держать стержни менее чем на таком уровне. Это прописывается в ГОСТах. Соответственно, когда мы делаем не консистентное состояние, мы из нечеткой логики переходим в четкую.

А теперь очень интересная аналогия. У нас, у людей, происходит то же самое. У нас две системы принятия решений. Одну мы называем “логика”, а вторую мы называем “интуиция” или “подсознание”. Они постоянно дублируют друг друга. Предположим, я хочу мороженое, но у меня болит зуб. Если бы у вас не было системы логики, вполне вероятно, вы бы жрали мороженое пока зуб не заболит так, что вы просто не сможете есть ничего. Но у вас на это есть логика, поэтому вы не едите мороженое и идете к врачу. Потому что вам кто-то сказал. А интуиция еще не знает о том, кто такой врач. Просто по логике идете к врачу, потому что вам кто-то сказал, или вы прочитали в Интернете.

Здесь то же самое. У вас здесь будет две системы. Одна контролирующая, а вторая автоматическая. Задача нейронной сети здесь будет заключаться в том, чтобы не допустить подхода к предельному или пограничному значению. Понимаете? А поскольку она будет видеть больше взаимосвязей, чем видит человек, даже самый опытный, то, скорее всего, она будет работать значительно лучше.

В каких пределах, в каких целевых задачах нейронная сеть сейчас сможет заменить человека? Или она уже способна (на примере го) во многих областях принимать лучшие решения, чем человек?

Мне кажется, но это уже совсем не четкий ответ, как на примере с го, все может случиться в любую минуту. Я как раз слушал лекцию на эту тему. Все может случиться в любой момент. Мне кажется, что это примерно, как с развитием персональных компьютеров. Первые персональные компьютеры у нас появились на Аполлоне. Apple II, который серьезно пошел в массы, появился, по-моему, через 8 лет. Аполлоны 1969 года, Apple II, по-моему, 1977. До этого появилась еще какая-то IВМ. Сейчас нейронные сети уже, наверно, постарше, чем Apple II, но я как программист могу вам сказать, что нет коробочных решений, которые я могу быстро развернуть и понять. Когда они появятся? Я предполагаю, что это произойдет примерно в течение пяти лет. Почему я назвал именно эту цифру? Потому что это прогнозы относительно того, когда роботы-автомобили спокойно выйдут на территорию Америки, начнут ездить.

Соответственно, через 5 лет начнется серьезное замещение многих людей. Точнее сейчас люди будут стоять на контроле. Что будет вначале долгое время спасать – то, что у компьютерной системы ограниченная надежность и достаточно высокая стоимость самой системы и обслуживания. Пока эти стоимости буду выше чем, условно говоря, зарплата тракториста, до тех пор нейронные сети будут не очень конкурентоспособными. Но постепенно эти стоимости станут сравнимы.

Например, сейчас уже есть японские тракторы, которые могут сами косить. Для трактора это не очень сложная задача. Такой трактор выкосит все поле и при этом не перерубит детей, которые спрятались в пшенице. Но, например, русский тракторист Ваня обходится 8 тысяч в месяц, а поддержка японского трактора стоит в среднем 1.5 тысячи долларов в месяц при хорошем парке и большой ферме, в лучшем случае. Пока Ваня выигрывает. Но сколько еще это продлится? Когда эффективность одного трактора (без Вани) станет значительно выше, чем у десяти Вань? Это дело времени.

tractor

Вы сказали, что одной из сфер применения являются автоматические автомобили, автопилоты, роботы-автомобили. Сейчас много говорят о том, что в Америке грядет революция даже не в пассажирском транспорте, а в грузоперевозках, когда на больших траках водителей будут заменять роботами, автоматами, искусственным интеллектом. Тогда люди начнут протестовать против искусственного интеллекта? Что им нужно будет делать, чтобы вернуть свою работу или чем им придется заниматься?

Я очень плохо разбираюсь в политических и гуманитарных системах. Я не являюсь профессионалом, но тоже об этом много думал. Помните, как было? У нас было несколько таких примеров. Первый пример: печатные машинки заменили калиграфов. Помните, было такое? Потом была промышленная революция. Компьютеры вошли очень органично потому что, оказывается, те, кто раньше писал на бумажках, были только рады этому. Компьютеры вроде бы ничего подобного не сделали, даже создали рабочие места.

Я думаю, что это действительно серьезная большая проблема. Но есть здесь и позитивная норма. Возьмем какую-нибудь страну. Например, гипотетическую Голландию. Гипотетическая Голландия зарабатывает, например, миллиард условных долларов в год. Соответственно, она этот миллиард долларов тратит на свой бюджет – что-то делает для каких-то людей. Мы берем всех людей. Экономика оценивается как скорость прокрутки денежного потока. Нам достаточно трех долларов на всю страну, но если они проходят через руки каждого со скоростью четыре раза в секунду, получается, что каждый очень много зарабатывает и тратит.

Соответственно, если государство грамотно строит экономику, но скорость денежного оборота из-за прихода этих нейронных систем не падает, то все хорошо. Я думаю, что все государства будут к этому стремиться. Например, эксперименты с безусловным доходом, которые сейчас происходят, или что-то еще.

Но вообще проблема – чем будут заниматься люди – очень острая. Это очень большой вопрос.

Сегодня я пишу программу. Вы, как я понимаю, пишите статьи? Правильно я понимаю?

Нас всех заменят?

Да. Это не шутки. Помните, раньше люди сами вязали свитера? Я недавно был в Непале, и купил вязаный свитер hand made. Ничем не отличается от не вязаного, но вроде бы классно. В России можно купить. Он будет стоить дорого. Примерно то же самое. При этом не факт, что hand made будет лучше. Я думаю, что мы с вами не захотим ездить на автомобиле, собранном вручную.

Это огромный колоссальный вопрос – чем будут заниматься люди с приходом нейронных сетей.

Нейронные сети, искусственный интеллект сможет решать творческие задачи? В самом начале мы говорили о том, что такие системы уже умеют описывать фотографии или какие-то события по отдельным частям, наверно, писать сценарии. Недавно, буквально на прошлой неделе, была новость о том, что сняли первый фильм по сценарию искусственного интеллекта. Они смогут реально творить что-то новое, то есть программировать, писать картины, снимать фильмы или писать сценарии, а не просто повторять за кем-то?

Два года назад я тоже думал об этом, что все хорошо. Как бы ни развивалось, так и будет. А потом я сказал так. Эволюция ограничила наши творческие способности по одной простой причине: потому что они средне деструктивные. Но в среднем это то, что нужно. Эволюция иногда создает левшу, который прибегает и творит какой-то хаос. А еще лучше, если это переученный левша, у которого биполярное расстройство. Какой-нибудь Джобс. Прибежит, натворит хаос. Двинет весь социум вперед ценой собственной нормальной счастливой жизни. Это нормально. Какой-нибудь Курт Кобейн, Иисус Христос. Полно народу. Эволюции — это выгодно, так как человечество двигается. Но если она сделает такими всех, то человечество вымрет. Потому что придут обезьяны, а люди будут угорать: “Как?! Они нас убивают”, слишком рано задумаются о том, что жизнь бессмысленна, детей делать не нужно.

А на нейронных сетях таких ограничений нет. Мы все привыкли считать творчество необычной штукой просто потому, что мало людей им занимается, а не потому, что мы выдали что-то определенно новое. Любое творчество заключается в том, что взяли старый опыт, примешали к нему немного рандома, попробовали по-новому. Оставили старые условия и придали этому какую-то новую форму. Причем форму взяли из какой-нибудь соседней области. Например, как это было в музыке? Появился стиль минимализм. Взяли минимализм из дизайна, перетащили в музыку. Вот и все. И так далее.

Я предполагаю, что, наверно, не сразу, но эта задача будет решаться даже проще, чем управление автомобилем. Управление автомобилем – задача эволюционно привычная для человека. Поэтому нам кажется, что это проще, чем написать музыку. А нейронная сеть, написав плохую музыку, не сможет убить человека. Поэтому нейронной сети будет проще писать, чем управлять автомобилем в определенный момент.

Это спорный вопрос – можно ли плохой музыкой убить.

Я с вами согласен.

Хорошо. Следующий вопрос. Творческие задачи тоже будут решены. А есть ли какие-нибудь ограничения, где неприменимы навыки или возможности искусственного интеллекта? Или как говорили в кино: “Будет все одно сплошное телевидение”, будет один сплошной искусственный интеллект и нейронные сети. Есть какие-то области, где все-таки это не будет эффективно работать?

В течение пяти лет будет множество таких областей, если так все пойдет. Но если это действительно экспонента, то через 20 лет – нет, не будет таких областей.

Я долго об этом думал и прихожу к выводу, что постепенно нейронные сети будут делать так. Сначала давайте все-таки оптимизируем производство. Давайте. Подключим к ней все станки. Она будет давать экспертное решение, а люди будут определять, правильное оно или нет. Подключили. А давайте всю нашу корпорацию Google или Apple “посадим” на нее. Она будет смотреть и думать, какие зарплаты устанавливать, мониторить рынок – продавать акции или покупать акции, заниматься высокочастотным трейдингом и так далее. Давайте? Давайте. Сделали. А потом давайте она будет помогать нашим политикам. Людей очень много. Известно, что хороший политик – информированный политик. Нам нужна экспертная система. Поможет? Поможет, сделаем.

Так это будет все разрастаться, разрастаться, разрастаться, например, уже до управления государством. Пока в определенный момент кто-нибудь не допустит фатальную ошибку в целях сети. У сети задача – найти, как сделать людям лучше. Ей постепенно будут отдавать ответственность. Например, она сможет пускать автобусы по другому расписанию или еще что-то. Вы знаете, что НЛП-методики очень просты. Здесь подтолкнул, здесь подчихнул, здесь показал что-то не то. Люди приняли такое решение, какое тебе нужно, и крекс-пекс, президент у нас уже нейронная сеть, искусственный интеллект.

Я считаю, что на самом деле это очень и очень здорово, потому что такая система сможет контролировать потребности каждого человека. Но не те потребности, что кто-то хочет быть геем, а кому-то страшно насилие, поэтому давайте все будем ультра толерантными. Есть и другие решения этой задачи. Давайте этих людей немного изолируем, будем показывать им разный контент. А этому чуваку хочется пожестить, давайте мы отправим его во французский иностранный легион.

Дальше уже в зависимости от программирования. Но, скорее всего, у нейронной сети агрессии не будет, если кто-то очень старательно не станет этого делать. Излишней толерантности у нее тоже не будет. Она будет принимать реально взвешенное и мудрое решение. Это, на самом деле, спасение для человечества, которого сейчас очень много. Поэтому я думаю, этого бояться не стоит. Стоит бояться того, что действительно непонятно, кем мы все скоро будем работать.

Вернемся к нашим временам. Вы говорили, что коробочного решения пока нет. Насколько я читал, видел, есть просто какие-то системы open source, на которых можно потренироваться. Вы можете порекомендовать примеры, на которых наши читатели, слушатели могут попробовать потренировать искусственный интеллект и вынести из этого какие-то решения?

Конечно, есть. Я имею в виду, что пока не найден путь, как эту “коробочку” принести в бизнес, но в интернете система заработала. Это инструменты немного более низкого уровня. Я точно знаю два таких инструмента. Здесь еще зависит от языка программирования. Первый – самая классная штука – это Word2Vec – буквально “словарь-вектор”. В чем заключается идея? Ты ей “кормишь” огромные корпуса знаний (это то, чем занимался я), она превращает слова в вектора, и мы можем делать с ними арифметические операции.

У меня был очень смешной пример. Я беру такое словосочетание: “мальчик плюс девочка”. Она говорит: “Близкие слова: жених”. Я: “Классно”. У нее большой список слов, но одно из первых – “жених”. Молодец. “Девочка плюс мальчик”. Она: “Мисс, миссис”. Примерно правильно поняла. Но дальше самое интересное. Я говорю: “Девочка минус мальчик”. И тут началось то, от чего я заплакал. Девочка минус мальчик – это “оставлено, зафиксировано, налажено, ликвидировано, развернуто”. Я говорю: “А мальчик минус девочка?”, и сеть мне неоднозначно – “магистратура”.

Логично.

Я говорю: “ОК. Близкие слова к слову “глупость”. Она говорит: “Радость, безумие, чувственность, грусть, доброта, любовь, красота, субъективность”. Я говорю: “Классно”. Пошел по другому пути. Там есть такая штука: если А – это В, то С – это… Пример. Если Париж – это Франция, то Рим – это…? Она отвечает: “Италия”. Я говорю: “ОК. Если вино – это весело, то водка – это…?” – “Глупо”. Я говорю: “Ладно”. Она начала еще больше угорать. Я: “ОК. Мальчик хороший, а девочка…?” Она: “Плохая”. Я: “Хорошо. Девочка хорошая, а мальчик…?” – “Лучше”. Это Word2Vec. Очень угарная штука. Безумно. Нужно немного разобраться с ней, и можно зависнуть в ней надолго. Она существует для того чтобы понимать эмоциональные оттенки текста. Например, негативный комментарий пользователь оставил или нет. Это первое.

Второй очень классный из базовых конструкторов open source – Aforge.net. Это открытая библиотека. В ней всякие генетические алгоритмы, целый Клондайк. С ней можно делать много интересного.

Самое интересное баловство с нейронными сетями – это генетические алгоритмы для создания живых существ. Как их делают? Создают маленькое живое существо, которое должно передвигаться, уворачиваться от хищников и жрать еду. В лучшем случае создают два эволюционных существа. Одно – это жертва, а второе – хищник. У него есть сенсор. Условно сенсоры – дальномеры. Показывает, что впереди. Существо может поворачиваться направо, налево, идти вперед, назад и тратить на это еду. Мы задаем физический мир. Соединяем все сенсоры с двигателем через нейронную сеть и говорим: “Учить”. Соответственно, кого-то съедают, кто-то дает потомство. Через некоторое время мы получаем красивую бактерию. Они друг от друга уворачиваются, гоняются друг за другом. Тактику охоты могут выработать.

Либо второй вариант. Это было давно. На Хабре очень популярный пост. Вид сбоку: из колесиков и планочек нужно было собрать типа багги, которая должна была проехать по заданной карте как можно дальше. Если она проезжает далеко, она дает больше потомства. Если проезжает недалеко – меньше потомства. Постепенно там сами по себе создавались такие супер крутые транспортные средства, и все становилось хорошо. Вот то, что я могу порекомендовать, чтобы побаловаться, попробовать эти источники.

Спасибо!

Комментарии
Если вы нашли опечатку - выделите ее и нажмите Ctrl + Enter! Для связи с нами вы можете использовать info@apptractor.ru.
Advertisement
6 комментариев

6 Comments

  1. alexander xom

    14.08.2016 at 13:13

    “И все будут летать на дилижансах” – так мечтали в начале прошлого века, так и мечтает автор про нейросети. Нейросети – это еще даже не сотая возможностей мозга. И дела не просто в комбинации. Пока нейросеть – это просто классификатор! Причем регрессивного характера – множество входов он сводит к выбору нескольких вариантов (кроме ассоциативных сетей и больцмана). У пчелы не многим больше нейронов (пару миллионов), но она умеет то, что ни одна нейросеть пока не может – летать с большой скоростью среди веток и деревьев. Я уже не говорю о таком сложном поведении как “рассуждения”. А вы “правительство” … Не скоро это, очень не скоро.

    • AppTractor

      14.08.2016 at 13:21

      Так никто не учил нейросеть летать между веток и деревьев, может она и сможет :)

      • alexander xom

        14.08.2016 at 13:41

        Хотя бы ездить (2D) и то пока не научили. Гугл весь вспотел уже в таких попытках за последние 10 лет. И без дорожной разметки не в силах пока.

  2. alexander xom

    14.08.2016 at 13:27

    Все, и автор тоже, совершают одну и ту же эпистемилогическую ошибку. Все говорят о том, что сеть обладает интеллектом, потому что распознала лошадь на картинке! Кто вам сказал, что она распознала лошадь? Она просто выбрала выход, который ВЫ назвали “лошадь”. Нейросеть никакого представления о том, что она выбрала, не имеет. У нее нет семантики “лошади”, потому что “значение” выхода “лошадь” у вас в голове, а не в сети. Чтобы он был в сети, она должна выбрать не вход, не слово соответственно распознанной картинке, а все латентно-контекстуальные связи этого слова, то есть весь концепт “лошади”. Тогда она, может быть, будет понимать, что лошадь и туманность имеют общее значение только в смысле облака космической пыли.

You must be logged in to post a comment Login

Leave a Reply

Интервью

Global Mobile Vision 2017: корейский ответ Industry 4.0

Алексей Спирков, руководитель отдела наукоемких технологий в «АстроСофт», посетил Global Mobile Vision — выставку индустрии информационно-коммуникационных технологий (ICT), которая прошла 13-15 сентября в Сеуле (Корея).

Леонид Боголюбов

Опубликовано

/

В этом году выставка была посвящена мобильным технологиям в таких областях, как Интернет вещей, большие данные, мобильные устройства, телекоммуникационные технологии, облачные сервисы и др. Cобралось более 14 000 (!) посетителей и 300 экспонентов.

Получив приглашение поучаствовать в таком глобальном событии от KOTRA (Корейского агентства содействия торговле и инвестициям), мы не долго думали: не все же о своей операционной системе для Интернета вещей говорить — и на других полезно посмотреть.

Когда Алексей вернулся, мы расспросили его об итогах и о самых актуальных трендах выставки.

Алексей, как ты объяснишь такое внимание к мобильным технологиям в Южной Корее?

Корейский рынок информационно-коммуникационных технологий — один из самых быстроразвивающихся в мире. А Global Mobile Vision 2017 — витрина новейших технологий, продуктов и услуг в мобильной индустрии.

Что стало главной темой выставки?

В двух словах — «Mobile meets intelligence» – мобильный интеллект. Вообще главной целью выставки была демонстрация ответа корейского бизнеса и государственного сектора на Четвертую промышленную революцию, более известную как Industry 4.0. Идея в том, что в условиях дефицита собственных природных ресурсов в Республике Корея (импортируется более 98% энергии и 80% продовольствия) основным двигателем экономики и Четвертой промышленной революции являются инновации в высокотехнологичных областях. И такими инновациями могут похвастать не только гиганты: например, на выставке отсутствовали промышленные монстры, типа Samsung или LG, а основное внимание было уделено малому и среднему бизнесу, разнообразным стартапам.

И какие же стартапы удивили лично тебя?

Бросилось в глаза присутствие на стендах множества стартапов на тему электроники для животных: различные устройства для автоматического кормления, совмещенные с играми и коммутаторами.

Забавно. А если говорить серьезно, то какие технологии преобладали на выставке и обсуждались на Global Mobile Vision Conference 2017?

«Рулили» технологии, связанные с мобильными сетями и устройствами, Интернетом вещей, умным производством, smart cars, умными медицинскими устройствами (фитнес-трекеры, умные весы, ростомеры и т. п.), и даже технологии, связанные с интеллектуальным электронным правительством (smart e-government).

Закономерно особое внимание уделили глобальным технологическим трендам: Интернету вещей (Internet of Things), искусственному интеллекту (AI), мобильной связи пятого поколения (5G).

У меня до сих пор на экране смартфона 3G доминирует над LTE, а тут уже 5G на подходе?

Точно! По словам Won Yeol Lee, директора крупнейшей корейской телекоммуникационной компании KT Corporation, только технология 5G может ускорить Четвертую промышленную революцию. Своим видением перспектив мобильной связи пятого поколения также поделились представители Qualcomm, Ericsson-LG, Naver и другие эксперты. Кстати, продемонстрировать всему миру мощь 5G Республика Корея собирается на зимних Олимпийских играх в Пхенчхане.

Еще один повод ждать Олимпиаду :)  А какие выводы ты сделал лично для себя?

Я еще больше убедился, что моя работа и наши продукты, в частности — операционная система МАКС для Интернета вещей — это движение в верном направлении, открывающее новые перспективы перед российскими IT-разработками.

Спасибо большое, успехов!

Всегда рад!

 

Комментарии
Продолжить чтение

TechHype

Внутри Первой Церкви Искусственного Интеллекта

На самом деле это неизбежно. Это гарантировано случится. То, что мы создадим, по сути, и будет богом. Не в том смысле, что он будет метать молнии или вызывать ураганы. Но если есть что-то в миллиард раз умнее самого умного человека, то как еще это назвать?

AppTractor

Опубликовано

/

Автор:

Энтони Левандовский не похож на пророка. Он одевается в стандартные для кремниевой долины джинсы и окружен пиарщиками, а не церковнослужителями. Инженер известен самоуправляемыми автомобилями – и большим скандалом – но его новый стартап связан не с механикой или ПО, а с новой религией. Искусственный интеллект лежит в основе многомиллиардных компаний, больших исследовательских проектов и множества предсказаний о гибели мира или, как минимум, его качественном изменении. Теперь Левандовский на полном серьезе создает его Первую Церковь.

«Если вы спросите любого, может ли компьютер быть умнее человека, то 99,9% скажут вам, что это научная фантастика», – говорит он. «На самом деле это неизбежно. Это гарантировано случится. То, что мы создадим, по сути, и будет богом. Не в том смысле, что он будет метать молнии или вызывать ураганы. Но если есть что-то в миллиард раз умнее самого умного человека, то как еще это назвать?»

Комментарии
Продолжить чтение

Интервью

Алексей Коровянский (Mobilatorium): камера смартфона – оптимальная точка входа в технологии дополненной реальности

18 ноября в Нижнем Новгороде пройдет международная конференция GDG Gorky. Одна из ее тем – виртуальная и дополненная реальность.

Анна Гуляева

Опубликовано

/

18 ноября в Нижнем Новгороде пройдет международная конференция GDG Gorky. Одна из ее тем – виртуальная и дополненная реальность. Мы поговорили с Алексеем Коровянским, Google Developer Expert-ом и основателем лаборатории Mobilatorium, который рассказал нам о том, что происходит в этой области сейчас.

Какие самые интересные проекты появились в области AR за последнее время?

Из приложений советую посмотреть – Ikea Place, SketchAR, Inkhunter, Giphy World, World Brush, Holo, MeasureKit, Google Lens, Snapchat, Facebook Messenger.

Эксперты сходятся во мнении, что камера смартфона это оптимальная точка входа в технологии дополненной реальности для массового пользователя. Между тем корпорации думают и работают над носимыми AR-устройствами и облаком дополненной реальности, поэтому стоит понимать, что те решение, которые мы видим сегодня, это только начало большого пути.

Существуют ли фундаментальные различия между ARKit и ARCore?

Базовые возможности и внешние интерфейсы фреймворков очень близки друг к другу, и это значительно упрощает жизнь для разработчиков, заинтересованных в создании AR приложений работающих на обеих платформах. Тем не менее, на данный момент у ARKit есть пара интересных возможностей, которых нет в ARCore. Это возможность легкой интеграции со SceneKit и SpriteKit, а также инструментарий Face Tracking API, появившийся в новом iPhone X. С другой стороны, в Google (скорее всего) уже работают над аналогичными возможностями для ARCore. Более того, Google работает и над web-стандартом и браузером с поддержкой AR!

Какие приложения уже сделаны на базе ARCore? Какие вы можете рекомендовать в качестве ориентиров?

На данный момент ARCore находится в стадии Dev Preview, поэтому в Google Play еще нет приложений, созданных на базе ARCore. В качестве источника вдохновения и ориентира я советую посмотреть приложения и примеры, опубликованные в канале BuiltWithARCore и на сайте AR Experiments.

Станет ли VR общедоступной технологией?

Да. Я и многие другие эксперты в этом уверены. Ключевой вопрос – когда? Думаю, что в США это может произойти в ближайшие пять лет.

Какая ценность может быть у виртуальной реальности для обычного пользователя?

VR может значительно упростить наше взаимодействие с технологиями и графическими интерфейсами. Поэтому даже пожилые люди легко осваивают возможности VR и с огромным удовольствием путешествуют по миру не выходя из дома. По сути VR дает нам возможность мгновенной телепортации, что значительно расширяет наши возможности в плане общения и обучения. Также VR – это море новых эмоций для любителей игр и развлечений.

Что нужно сделать разработчику, чтобы начать создавать приложения с дополненной реальностью?

Сделать уникальное и популярное приложение с дополненной реальностью сегодня просто, как никогда. Разработчики, знакомые с Unity3D или Unreal Engine, легко справятся с созданием AR-игры на базе ARKit и ARCore после прочтения официальной документации (само подключение и знакомство с AR фреймворками займет около часа). Для iOS разработчиков хорошим вариантом для старта может быть создание простого AR приложения на связке ARKit и SceneKit. При наличии небольшого бюджета на обучение, рекомендую пройти курсы на Udemy по Unity3D и ARKit.

Комментарии
Продолжить чтение

Интервью

Дмитрий Желнин (65apps): Как попасть в Топ-5 мобильных разработчиков России за три года

Если главный вопрос этого интервью «Как попасть в Топ-5 за три года», то мой ответ — «собрать лучшую на рынке команду».

Леонид Боголюбов

Опубликовано

/

Дмитрий Желнин, основатель 65apps, рассказал нам как за три года компания стала одним из лидеров рынка мобильной разработки в России и вошла в Топ-5 рейтинга Тэглайн.

Как начиналась история 65apps?

Как обычно. С шишек и ошибок трудных.

Начали с мобильных игр 6 лет назад. Облажались. Потом еще раз. И еще.

Очень уж хотелось делать игры.

Потом пошли небольшие заказы на создание бизнес-приложений. Потом их стало много. А отдел игровой разработки тихо захирел и умер.

Потом мы стали работать на субподрядах, но на конечного клиента не выходили, рынок нас не знал. Поэтому в Рейтинге Тэглайн мы были примерно… нигде.

Первыми нашими клиентами традиционно были стартапы. Люди с идеями приходили, заказывали приложения (или не заказывали)… и уходили. Проекты не имели развития, не нуждались в поддержке, не обогащали ни наше портфолио, ни бюджет компании. В какой-то момент я пришел к пониманию – невозможно создать устойчивую компанию по аутсорс-разработке, работая на рынке стартапов: ни денег, ни славы. И вот 3 года назад мы впервые взяли крупный заказ как самодостаточная аутсорс-команда, после чего уже работали только с конечным клиентом.

Такой же совет я даю коллегам из молодых студий, когда они обращаются ко мне.

И как изменился ваш подход со временем? Кто идеальный клиент компании 65apps сегодня?

Идеальный клиент для нас – не столько компания, имеющая известное имя (и сейчас у нас в портфеле много таких: Сбербанк, Яндекс, World Class,  Mail.ru, Чайхона №1, Hoff, Burger King и др.), сколько действительно имеющая  потребность в автоматизации с помощью мобильных технологий или в работе с мобильной аудиторией.

То есть это состоявшиеся компании, которым нужно развивать свое мобильное направление – понятно как, понятно для кого и понятно, где в таком решении деньги. Наши мобильные приложения – инструмент, решающий задачи бизнеса. Точка.

Маркетинговые свистелки-тарахтелки нам неинтересны.

Такой подход выгоден клиенту. Такой подход выгоден и нам. Он создает выгодное взаимодействие с заказчиком на долгие годы: всякое приложение нуждается в развитии и поддержке.

Вообще, с рынка приходит всё больше задач, связанных с автоматизацией внутренних нужд бизнеса – приложения для курьеров, для логистических процессов, для торговых представителей, онлайн-касс, личных кабинетов и т.п. То есть повышение внутренней эффективности бизнеса с помощью мобильного инструментария.

А кто ваш клиент по профессии: это маркетолог или айтишник?

Это наша боль.

Работа с маркетингом протекает всегда по одному и тому же грустному сценарию: они ищут, у какого подрядчика покрасивее картинки, развесёлее креатив и, конечно же, поменьше бюджет. Агентство с типовым названием “ХХХ-Медиа” берет с клиента 100 рублей, рисует красивый дизайн, потом просит нас за 1 рубль “сегодня за ночь сделать хоть что-нибудь, завтра нам сдавать проект”.

Мы с такими не работаем. Даже если это не агентство, а внутренний маркетинг клиента. Они такие же. Порченные. Потом прибегают с разорванным анусом: “надо все переделать, только качественно, а бюджет уже кончился, хээээлп”.

Мы так не умеем и уметь не хотим. Мобильная аудитория не прощает небрежности! Приложение – это не лендосик, который можно запилить за ночь из говна и палок.

Работа с айтишниками – совсем другое дело. IT-директор на стороне клиента понимает что нужно, понимает сложность и трудоемкость задач, планирует наперед. Он нуждается в качественной реализации, потому что осознает, что проекты имеют развитие.

Ценность мобильного приложения в компании понятна и измерима. Вообще, автоматизация с помощью мобильного инструментария еще только набирает обороты. Вот сюда я рекомендую смотреть уважаемым конкурентам, ищущим своё место на рынке.

Хорошо, с клиентами понятно. А в чём ваше отличие от конкурентов?

На этом, несомненно, визуально-центрированном рынке все слишком увлеклись красивостями и рюшечками.

Мы же сфокусированы на создании ценности для бизнеса, на утилитарности и техническом совершенстве. Мобильный инструментарий должен решать задачи бизнеса. Это основное и главное.

Может быть поэтому наши клиенты возвращаются к нам во второй, третий, четвертый раз.

После многочисленных проб и ошибок, мы твердо решили, что не держим дизайнеров внутри компании. Дизайнеры — самые сложноуправляемые единицы с полным отсутствием инженерного подхода, а внутренние издержки на их менеджмент зашкаливают.  И конечно нормальный мобильный разработчик заложит все эти риски в смету клиента.

Приходите к нам со своим дизайном и мы сделаем вам продукт безупречного качества! Ну а если вы хотите, чтобы ваше приложение выглядело эксклюзивно, то клиент, как известно, всегда прав, и в этом случае мы возьмем эту услугу с рынка, как берём с рынка внешние услуги по клинингу или любые другие. В этом случае вы все равно выиграете, потому что мы не станем раздувать бюджет за счет дизайна — стоить это будет 200-300 к, а не 2-3 млн, как у большинства наших коллег из топ-10. В общем, если бюджет позволяет — можете смело обращаться в топ-3 Тэглайна, в их коммерческих предложениях с десятью нулями все учтено. Если умеете считать деньги и шапочно понимаете ценообразование в аутсорс-разработке — к нам.

Если говорить про рынок заказной разработки, как он будет развиваться в ближайшей перспективе?

Очевидно, что сегодня рынок мобильной разработки носит характер «пузыря», который продолжает надуваться. Рано или поздно он бабахнет. И тогда девять из десяти компаний, не накопивших качественную клиентскую базу, не нарастивших компетенции внутри, не отстроивших процессы, не научившихся доносить информацию о себе потенциальным заказчикам, просто разорятся и исчезнут. Все так же, как было с тысячами сайтостроительных компаний некоторое время назад. Уже сейчас если вас нет в топ-50 Тэглайна – считайте, что вас нет на рынке.

Мы вкладываем много сил в качественных управленцев, в продвижение, в получение «долгих» клиентов, в технические навыки разработчиков – у нас в компании жесточайший отбор и до тестового задания доходит один из дюжины программистов.

Я сам носитель ценностей, которые культивируются у нас в компании – аккуратность, обязательность, ответственность, энтузиазм, интерес к своему делу. Невозможно качественно делать работу, строить долгосрочные отношения с клиентами и не соответствовать всем этим требованиям – тем более, если речь идет о крупных клиентах. Наша команда – моя гордость, основа нашего роста и успеха. И наше место в рейтинге – это ее заслуга. И если главный вопрос этого интервью «Как попасть в Топ-5 за три года», то мой ответ — «собрать лучшую на рынке команду».

И как развивается команда внутри вашей компании?

Мобильная разработка — это не Rocket Science. Это, в первую очередь, качество каждого этапа: проектирование, программирование, тестирование — и мы, понимая это, развиваем свою компанию именно в этих направлениях. Мы активно обучаем менеджеров и разработчиков, сертифицируемся в разных категориях.

Какие у компании 65apps планы на ближайшее развитие?

Войти в топ-3 уже через год. С нашей командой и набранным темпом у нас есть потенциал не просто подтвердить свое место в следующем году, но и войти в Топ-3 мобильных разработчиков России. Это сложная и комплексная задача, но у нас есть и силы, и компетенции. Мы можем намного больше.

Что будет в нашей компании в ближайшее время:

  • Увеличение  среднего срока разработки проектов и, как следствие, среднего чека. Это уже не 2-3 месяца, а 4-6, что обусловлено сложностью приложений, которые мы берем в производство. Наш фокус направлен на работу с железом, со сложным картографическим ПО. Мы непрерывно развиваемся и в фундаментальных знаниях об архитектуре приложений, чтобы реализовывать проекты любой сложности.
  • Переезд в Москву и открытие фронт-офиса 65apps. Это неминуемый этап развития и масштабирования компании, к которому мы готовы.
  • Смена локации ижевского продакшн-офиса: сейчас мы заняты поиском современного и удобного офисного пространства, где сможет с комфортом разместиться наша растущая команда.
  • Региональное масштабирование: мы рассматриваем возможность открытия дополнительных представительств 65apps в Екатеринбурге и Ульяновске.
  • Продолжение в наращивании компетенций – прохождение значимых на рынке программ сертификации качества, таких, как: Google Certified Associate Android Developer, Android Java SE 8 Programmer и др.
  • Ребрендинг студии — мы зарелизим свой собственный обновленный фирменный стиль и сайт, которые практически не менялись с момента основания компании.

 

Комментарии
Продолжить чтение

Наша рассылка

Каждому подписавшемуся - "1 час на UI аудит": бесплатный ускоренный курс для разработчиков веб и мобильных приложений!

Нажимая на кнопку "Подписаться" вы даете согласие на обработку персональных данных.

Популярное

X

Спасибо!

Теперь редакторы в курсе.