Инструменты методики АЦТ, часть 39: цифровой двойник (Digital Twin), генеративный ИИ (Generative AI), искусственный интеллект и машинное обучение (AI/ML) и ИИ-агенты (AI Agents)

Это тридцать девятая статья цикла по инструментам методики «Аккордная цифровая трансформация». Продолжаем подгруппу G2 «Ядро искусственного интеллекта» — инструменты G2-02, G2-03, G2-04 и G2-05.

Четыре инструмента этой статьи составляют интеллектуальное ядро группы G. Цифровой двойник (G2-02) создает виртуальную копию объекта, синхронизированную с его реальным состоянием. Генеративный ИИ (G2-03) создает тексты, код и проектные решения по запросу вместо работы по заданному алгоритму. Искусственный интеллект и машинное обучение (G2-04) находят закономерности в данных без явных инструкций программиста. ИИ-агенты (G2-05) самостоятельно планируют последовательность действий для достижения поставленной цели. Все четыре инструмента методика относит к очень сложным: 54 часа у цифрового двойника, 58 у генеративного ИИ, 62 у искусственного интеллекта и машинного обучения, 66 у ИИ-агентов. В сумме 240 часов, наибольшая величина за весь цикл.

G2-02 — Цифровой двойник (Digital Twin)

Откуда появился инструмент. Прообраз цифрового двойника возник в 1970 году, когда во время полета «Аполлона-13» на Земле держали физический дубликат корабля: инженеры воспроизводили на нем показания приборов, чтобы найти решение для экипажа, оказавшегося в аварийной ситуации в космосе. Понятие в его нынешнем виде предложил Майкл Гривз, преподаватель Мичиганского университета, в 2002 году на презентации, посвященной управлению жизненным циклом продукции; тогда модель называлась «зеркальным пространством», а в 2006 году — «моделью информационного зеркалирования». Название «цифровой двойник» в 2010 году предложил Джон Викерс из NASA, ознакомившись с моделью Гривза, и с 2011 года они с автором стали продвигать термин совместно. Разница между прообразом 1970 года и подходом Гривза принципиальна: физический дубликат стоил денег и площадей, тогда как цифровой двойник заменяет его виртуальной моделью.

Суть и механика. Цифровой двойник — виртуальная копия физического объекта, процесса или системы в цифровой среде, имитирующей реальные условия. Цель — смоделировать, что будет происходить с оригиналом в тех или иных условиях, и оптимизировать процессы. Цифровой двойник состоит из двух ключевых компонентов: «цифровой тени», то есть данных с датчиков и сенсоров, поступающих от реального объекта, и математической модели, способной воспроизводить его поведение. Связь между оригиналом и двойником работает в обе стороны: данные от объекта обновляют модель, а результаты моделирования подсказывают, как управлять объектом.

Значение непрерывной синхронизации данных с реальным изделием видно на обслуживании авиационных двигателей.

Цифровой двойник приносит результат как непрерывно обновляемая копия, а не как разовая модель, и его точность зависит от полноты и качества данных с реального объекта.

Границы применимости. Инструмент применим там, где эксплуатация объекта дорога, а отказ обходится существенно дороже мониторинга: в авиации, энергетике, тяжелом машиностроении. По методике это очень сложный инструмент. Первое ограничение касается качества данных с датчиков. Модель двойника настолько точна, насколько полны и достоверны поступающие в нее данные, и разрыв в потоке сенсоров сразу снижает ценность прогноза. Второе — стоимость построения математической модели: для сложных объектов ее разработка и калибровка требуют значительных вложений, которые окупаются только при длительной эксплуатации объекта. Третье — обновление модели во времени: поведение реального объекта меняется по мере износа, и без регулярной перекалибровки двойник начинает расходиться с оригиналом. Цифровой двойник опирается на данные систем для управления производственными процессами (G1-03) и продолжает применение аналитики больших данных (G2-01) применительно к конкретному объекту.

Чек-лист перед внедрением цифрового двойника:

• Определен объект или процесс, для которого строится двойник, и решение, принимаемое по результатам моделирования.
• Обеспечен непрерывный поток данных с датчиков, достаточный для поддержания актуальности модели.
• Оценена стоимость построения математической модели и сопоставлена со сроком окупаемости.
• Предусмотрен порядок регулярной перекалибровки модели по мере износа реального объекта.
• Установлено разграничение между прогнозом модели и решением специалиста, принимающего его на основе прогноза.
• Определены показатели, по которым оценивается точность прогноза двойника.

Типовые ошибки:

• Модель без потока данных. Двойника строят, а обновление данными с датчиков не налажено. → Обеспечивать непрерывный поток данных до запуска модели.
• Отсутствие перекалибровки. Модель настраивают однажды и не обновляют по мере износа объекта. → Устанавливать регулярную перекалибровку модели.
• Построение без цели. Двойника создают без определенного решения, которое предстоит принимать по его данным. → Определять применение модели до начала разработки.
• Излишняя сложность модели. Для задачи строят более детальную модель, чем требуется для решения. → Соразмерять детализацию модели с решаемой задачей.

G2-03 — Генеративный ИИ (Generative AI)

Откуда появился инструмент. Техническую основу подхода заложил Иэн Гудфеллоу в июне 2014 года: идея генеративно-состязательных сетей, по его собственному рассказу, родилась в разговоре с коллегами в монреальском баре, а статья с описанием метода вышла в том же месяце. Суть метода в состязании двух нейронных сетей: одна создает образцы, другая пытается отличить их от подлинных, и в ходе этого соревнования первая сеть учится создавать все более убедительный результат. Термин «генеративный искусственный интеллект» существовал в узком кругу специалистов и прежде, но в широкий деловой обиход вошел в ноябре 2022 года после выхода общедоступного диалогового приложения на основе большой языковой модели, которое за два месяца набрало сто миллионов пользователей.

Суть и механика. Генеративный ИИ — инструмент, который меняет обслуживание клиентов, продажи, маркетинг, автоматизацию и аналитику. В отличие от традиционных моделей ИИ, которые работают по заданным алгоритмам, генеративный ИИ создает контент: текст, речь, изображения и даже код. Модель обучается на больших массивах существующих данных и на их основе порождает новые образцы, статистически похожие на обучающую выборку, но не совпадающие с ней буквально.

Разрыв между результатом контролируемого эксперимента и результатом в реальной сложной задаче видно на применении генеративного ИИ в написании программного кода.

Ускорение от генеративного ИИ измеряется на конкретной задаче и не переносится автоматически с простой лабораторной постановки на сложную реальную работу.

Границы применимости. Инструмент применим при создании текстов, кода, изображений и иного контента, где допустима статистическая вариативность результата: в разработке программного обеспечения, маркетинге, техническом обслуживании клиентов, подготовке документов. По методике это очень сложный инструмент. Первое ограничение связано с зависимостью выигрыша от сложности задачи: чем сложнее и специфичнее задача, тем больше времени уходит на проверку и доработку сгенерированного результата, что снижает итоговый выигрыш в скорости. Второе — качество обучающих данных: модель воспроизводит закономерности и ошибки, присутствующие в данных, на которых она обучена. Третье — ответственность за результат: сгенерированный контент требует проверки человеком перед использованием, поскольку модель не гарантирует фактической точности. Генеративный ИИ опирается на массивы данных, накопленные системами для управления производственными процессами (G1-03) и управления жизненным циклом продукции (G1-02), и связан с ИИ-агентами (G2-05), которые используют генеративные модели как один из компонентов.

Чек-лист перед внедрением генеративного ИИ:

• Определена задача и оценена ее сложность относительно тех, на которых заявленный выигрыш был измерен.
• Проверено качество данных, на которых обучалась или дообучалась используемая модель.
• Установлен порядок обязательной проверки сгенерированного результата человеком перед использованием.
• Оценено время, необходимое на проверку и доработку результата, а не только время генерации.
• Определена ответственность за итоговый результат, если сгенерированный контент содержит ошибку.
• Предусмотрено измерение фактического выигрыша на собственных задачах предприятия, а не заимствование чужих цифр.

Типовые ошибки:

• Перенос лабораторного результата на сложную задачу. Выигрыш, измеренный на простой задаче, закладывают в план для сложной. → Измерять выигрыш на задачах сопоставимой сложности.
• Использование без проверки. Сгенерированный результат применяют без контроля человеком. → Устанавливать обязательную проверку перед использованием.
• Игнорирование качества обучающих данных. Модель применяют, не оценив данные, на которых она обучена. → Проверять источник и качество обучающих данных.
• Отсутствие измерения на своих задачах. Решение о масштабировании принимают по чужим опубликованным цифрам. → Измерять фактический эффект на собственных задачах.

G2-04 — Искусственный интеллект и машинное обучение (AI/ML)

Откуда появился инструмент. Термин «искусственный интеллект» предложил Джон Маккарти в заявке на летний исследовательский семинар в Дартмутском колледже, состоявшийся в 1956 году. Три года спустя, в 1959 году, Артур Сэмюэл, сотрудник IBM, ввел термин «машинное обучение» в статье, описывавшей его программу игры в шашки: программа улучшала свою игру по мере накопления партий, а не следовала жестко заданным правилам. Это разграничение сохраняется и сегодня: искусственный интеллект — более широкое понятие, охватывающее любую автоматизацию задач, требующих когнитивных способностей, а машинное обучение — конкретный метод внутри него, при котором алгоритм сам находит закономерности в данных, а не выполняет заранее прописанные инструкции.

Суть и механика. Основная цель искусственного интеллекта — автоматизировать задачи, требующие когнитивных способностей: понимания, логического мышления, анализа, принятия решений и обучения на основе опыта. Машинное обучение — метод внутри системы искусственного интеллекта, который позволяет алгоритмам находить закономерности в информации без явных инструкций. Суть в том, что вместо следования строго запрограммированным правилам алгоритм учится выявлять закономерности, прогнозировать результаты и адаптироваться к изменениям.

Значение точного прогноза для управления физическим процессом видно на охлаждении вычислительных центров.

Модель машинного обучения принесла реальный и измеримый результат, однако масштаб этого результата варьируется от объекта к объекту сильнее, чем предполагает единственная широко растиражированная цифра.

Границы применимости. Инструмент применим там, где накоплен достаточный объем данных, а закономерность, которую предстоит найти, сложна для формализации в виде явных правил: в прогнозировании, классификации, оптимизации физических процессов. По методике это очень сложный инструмент. Первое ограничение относится к объему и качеству обучающих данных: модель находит только те закономерности, для которых достаточно примеров, и переносит в свои предсказания искажения, присутствующие в данных. Второе — воспроизводимость результата: эффект, достигнутый на одном объекте, не обязательно повторяется на другом с иными условиями в той же мере. Третье — интерпретируемость: сложные модели машинного обучения не всегда позволяют объяснить, почему принято то или иное решение, что затрудняет их применение там, где решение требует обоснования. Искусственный интеллект и машинное обучение опираются на массивы данных, накопленные аналитикой больших данных (G2-01), и служат технической основой для цифрового двойника (G2-02) и ИИ-агентов (G2-05).

Чек-лист перед внедрением искусственного интеллекта и машинного обучения:

• Оценен объем и качество накопленных данных на предмет достаточности для обучения модели.
• Определена задача, для которой формализация явных правил затруднена или невозможна.
• Предусмотрена проверка воспроизводимости результата на собственных данных предприятия, а не только на данных поставщика.
• Установлена необходимая степень интерпретируемости модели исходя из того, кто и как использует ее решения.
• Определена периодичность переобучения модели по мере изменения условий и накопления новых данных.
• Назначена ответственность за проверку и корректировку решений модели специалистом.

Типовые ошибки:

• Перенос чужого результата без проверки. Ожидаемый эффект берут из публикации без измерения на собственных данных. → Проверять воспроизводимость результата на своих условиях.
• Недостаточные обучающие данные. Модель строят при объеме данных, недостаточном для надежного обучения. → Оценивать достаточность данных до начала разработки модели.
• Отсутствие переобучения. Модель применяют без обновления по мере изменения условий. → Устанавливать периодичность переобучения.
• Использование без объяснимости там, где она нужна. Сложную модель применяют для решений, требующих обоснования. → Соотносить сложность модели с требованием интерпретируемости решения.

G2-05 — ИИ-агенты (AI Agents)

Откуда появился инструмент. Формальное определение интеллектуального агента дали Майкл Вулдридж и Николас Дженнингс в статье «Intelligent Agents: Theory and Practice» в 1995 году, выделив автономность, реактивность, проактивность и способность к социальному взаимодействию как определяющие признаки. Более десяти лет понятие оставалось преимущественно академическим и применялось в узких областях, таких как промышленная автоматизация и многоагентное моделирование. Резкий рост практического интереса пришелся на март-апрель 2023 года, вскоре после выхода языковой модели нового поколения. Открытый проект AutoGPT показал, что языковая модель способна самостоятельно разбивать сложную задачу на шаги, выполнять их и оценивать промежуточный результат без пошагового руководства человека, что положило начало практическому внедрению агентов в бизнесе.

Суть и механика. ИИ-агенты — автономные системы, которые воспринимают свое цифровое, а иногда и физическое окружение, анализируют информацию, самостоятельно планируют последовательность действий и выполняют задачи для достижения четко определенной цели. Такие агенты полагаются на машинное обучение и обработку естественного языка для решения широкого спектра задач. Отличие от генеративного ИИ в том, что агент не просто порождает контент по запросу, а самостоятельно определяет последовательность шагов, необходимых для достижения результата, и может использовать внешние инструменты для их выполнения.

Разницу между впечатляющим первым результатом и его устойчивостью в эксплуатации видно на работе автономного агента в обслуживании клиентов.

Автономный агент способен взять на себя основной поток однотипных обращений, но граница между тем, что агент решает самостоятельно, и тем, что требует участия человека, определяется по опыту эксплуатации, а не на старте проекта.

Границы применимости. Инструмент применим там, где задача разбивается на понятные шаги, а цена ошибки агента приемлема или контролируема: в первичном обслуживании клиентов, обработке типовых запросов, автоматизации многошаговых операций с внешними системами. По методике это очень сложный инструмент, самый трудоемкий во всей методике. Первое ограничение задано сложностью задач: агент справляется с типовыми и умеренно вариативными случаями, тогда как нетиповые и высокорисковые ситуации требуют передачи человеку. Второе — устойчивость качества во времени: показатели, достигнутые на старте, могут ухудшаться по мере роста доли нетиповых обращений или изменения условий, и без постоянного мониторинга это ухудшение обнаруживается не сразу. Третье — граница автономности: агенту требуются четко очерченные полномочия и способы эскалации к человеку, а их отсутствие ведет либо к избыточной осторожности агента, либо к его действиям за пределами допустимого. ИИ-агенты опираются на генеративный ИИ (G2-03) как на один из компонентов и на искусственный интеллект и машинное обучение (G2-04) как на техническую основу принятия решений.

Чек-лист перед внедрением ИИ-агентов:

• Определен круг задач, для которых агенту предоставляется автономность, и порядок эскалации сложных случаев человеку.
• Установлены полномочия агента: какие действия он вправе выполнять самостоятельно, а какие требуют подтверждения.
• Предусмотрен постоянный мониторинг качества работы агента, а не только оценка на старте проекта.
• Определены показатели, по которым отслеживается доля нетиповых обращений и ее динамика.
• Установлен порядок пересмотра границ автономности агента по опыту эксплуатации.
• Оценена цена ошибки агента в наихудшем случае и сопоставлена с допустимым уровнем риска.

Типовые ошибки:

• Неограниченная автономность. Агенту не установлены четкие границы полномочий и порядок эскалации. → Определять полномочия и порядок передачи сложных случаев человеку.
• Оценка только по стартовым показателям. Результаты первого месяца принимают за устойчивый уровень качества. → Вести постоянный мониторинг показателей в динамике.
• Применение к высокорисковым задачам без контроля. Агенту доверяют решения с высокой ценой ошибки без надзора. → Соразмерять степень автономности с ценой возможной ошибки.
• Отсутствие пересмотра границ. Первоначальные настройки автономности не пересматриваются по опыту эксплуатации. → Регулярно пересматривать границы автономности по фактическим результатам.

Резюме

Четыре инструмента этой статьи составляют интеллектуальное ядро группы G и объединены общим свойством: каждый обещает результат, полученный без явного пошагового руководства человека, и в каждом случае это обещание требует проверки на собственных данных предприятия, а не принятия на веру по чужим публикациям. Цифровой двойник моделирует поведение объекта по данным датчиков. Генеративный ИИ создает контент, чье качество проверяется человеком. Искусственный интеллект и машинное обучение находят закономерности, чья воспроизводимость варьируется от объекта к объекту. ИИ-агенты самостоятельно планируют действия в границах, которые требуют постоянного пересмотра. Три из четырех врезок в этой статье показывают не только успех, но и его предел. Сокращение энергозатрат на охлаждение центра обработки данных оказалось менее устойчивой цифрой, чем выглядело на старте, ускорение разработки программного кода упало втрое при переходе от простой задачи к сложной, а автоматизация обслуживания клиентов потребовала год спустя частичного возврата к участию человека. Суммарная трудоемкость в 240 часов, наибольшая за весь цикл, отражает объем работы по проверке, калибровке и пересмотру решений, а не сложность технологий как таковых, — и без этой работы заявленный эффект от искусственного интеллекта остается чужим результатом, а не собственным.

В следующей статье цикла завершим группу G инфраструктурным блоком: разберем облачные вычисления, CRM-системы, управление мастер-данными и блокчейн.