Борьба с голодом и болезнями, защита окружающей среды и устранение последствий ЧП — любой из процессов можно улучшить с помощью искусственного интеллекта. Аналитики уверены, что ИИ способен спасти мир, но прежде необходимо преодолеть несколько глобальных препятствий.

Для чего нужен ИИ

Аналитики McKinsey изучили 160 случаев использования глубокого обучения с пользой для общества. В базу данных они включили сценарии применения ИИ в различных областях — от борьбы с насилием до искоренения голода.

Наибольшей популярностью технология пользуется в сфере здравоохранения. На втором месте экология, а на третьем — устранение последствий ЧП. Реже всего ИИ используют для проверки данных — аналитики нашли всего четыре подобных примера.

Эксперты признают, что пока алгоритмы не получили широкого распространения. Чаще всего их тестируют в экспериментальном режиме, а пилотные проекты не отличаются крупным масштабом.

Несмотря на это, авторы отчета видят потенциал в технологии. По их мнению, искусственный интеллект может помочь ООН в выполнении стратегии устойчивого развития на ближайшие годы. В нее входит 24 пункта — от гендерного равенства до развития чистой энергетики. Для каждой из целей, утверждают в McKinsey, уже есть готовые ИИ-решения.

Авторы отчета также определили, какие именно системы искусственного интеллекта помогут сделать мир лучше. Большинство из них попадает в одну из четырех категорий: компьютерное зрение, обработка естественного языка, распознавание речи и аудиозаписей. Отдельно эксперты выделили обучение с подкреплением, генерирование контента и глубокое обучение со структурными моделями. Последняя методика поможет выявлять закономерности в больших массивах данных. Например, вычислять налоговых мошенников или систематизировать сведения о пациентах.

Без контроля со стороны человека ИИ бесполезен

Однако алгоритмы смогут спасти мир, только если разработчики избавят их от несовершенств. В McKinsey отмечают, что ИИ склонен делать предвзятые выводы и выносить несправедливые решения. Другая проблема систем на базе машинного обучения — это непрозрачность. Даже сами разработчики не всегда могут понять, почему машина делает тот или иной вывод на основе определенного набора данных.

Проблемы приватности и безопасности также мешают внедрять ИИ в социально значимые отрасли.

Впрочем, развитию ИИ в соцсекторе препятствуют и технические проблемы. Часто при создании алгоритмов специалистам не хватает нужной информации и у них нет доступа к необходимым базам данных. В некоторых случаях применить алгоритм для борьбы с климатическими изменениями или болезнями не удается из-за ограничений регуляторов.

Но есть и еще один негативный фактор — это нехватка специалистов. В половине из описанных аналитиками случаев при разработке решения нужны ведущие исследователи с ученой степенью в сфере машинного обучения.

«Однако такие люди, а дефиците», — пишут авторы.

На этапе разработки внедрение не останавливается. Часто компаниям или благотворительным организациям требуется «переводчик», который поможет настроить инструмент и корректно интерпретировать полученные с его помощью данные.

В целом эксперты полагают, что человек должен сопровождать ИИ на всех этапах работы и контролировать все процессы от начала и до конца.