Искусственный интеллект в бизнесе: история и классика

1. Что такое ИИ: определения и уровни
2. 1950–1970-е: рождение ИИ и первые надежды
3. 1980-е: экспертные системы и первая коммерциализация
4. 1990–2000-е: статистическое обучение и данные
5. 2010-е: глубокое обучение и «ИИ-весна»
6. Классические методы: обзор для экономиста
7. Экономика внедрения ИИ: эффекты, барьеры, ошибки
8. Мост к современности и прогноз до 2030 года

После лекции студент сможет:

Термин с 70-летней историей и подвижными границами

Источник: Указ Президента РФ от 10.10.2019 № 490

• Алан Тьюринг (1950), статья «Вычислительные машины и разум»: если человек не может отличить машину от человека в переписке — машина «мыслит»
• Тест критикуют (Сёрл, «китайская комната»), но он задал практический критерий: важно поведение, а не внутреннее устройство
• Для бизнеса это ключевой принцип: ценность ИИ измеряется результатом (точность прогноза, скорость обработки), а не «пониманием»
• Современные языковые модели проходят упрощённые версии теста — вопрос переместился к надёжности, ответственности и стоимости
• Отсюда прикладной подход лекции: ИИ как инструмент снижения издержек и создания новых продуктов

Логика, символы и большие обещания

1943

Маккаллок и Питтс: модель искусственного нейрона

1950

Тьюринг: тест на разумность машины

1956

Дартмутский семинар: Маккарти вводит термин «ИИ»

1957

Перцептрон Розенблатта — первая обучаемая сеть

1966

ELIZA: первый чат-бот-«психотерапевт»

1969

Минский и Пейперт: пределы перцептрона

1973–74

Доклад Лайтхилла; первая «зима ИИ»

Первые двадцать лет ИИ — от математических моделей нейрона и теста Тьюринга к завышенным обещаниям и первому охлаждению интереса.

• Символьный подход: ИИ как манипуляция логическими правилами — работал на «игрушечных» задачах (шахматные этюды, теоремы), но не масштабировался
• Комбинаторный взрыв: число вариантов росло экспоненциально, вычислительных мощностей 1960-х не хватало
• Отсутствие данных: не было ни цифровых данных, ни способов их хранения
• Завышенные обещания: «через 20 лет машины будут делать всё, что может человек» (Саймон, 1965) — разочарование финансирующих организаций
• Экономический урок: технология без доступной инфраструктуры и данных не становится бизнесом, каким бы перспективным ни был алгоритм

Через двадцать лет машины будут способны выполнять любую работу, которую может выполнять человек.

Первая коммерческая волна ИИ

• Рынок экспертных систем и Lisp-машин оценивался в миллиарды долларов; Япония запустила проект «ЭВМ пятого поколения» (1982)
• Проблемы: поддержка тысяч правил стоила дороже, чем эффект; системы «ломались» при выходе за пределы базы знаний; извлечение знаний из экспертов было узким местом
• Персональные компьютеры вытеснили дорогие специализированные Lisp-машины
• Финансирование сократилось, слово «ИИ» стало токсичным — компании переименовывали продукты в «аналитику» и «системы поддержки решений»
• Наследие: правила и бизнес-логика живут в современных системах (антифрод, комплаенс, скоринговые правила); объяснимость решений снова востребована регуляторами

Кейс

КЕЙС

XCON в Digital Equipment Corporation

Экспертная система, которая реально экономила деньги — и показала пределы подхода

От правил к данным

• Вместо программирования правил — обучение модели на примерах: система сама находит закономерности в данных
• Предпосылки: цифровизация транзакций, рост хранилищ данных, дешёвые вычисления, интернет как источник данных
• Методы: логистическая регрессия, деревья решений, случайный лес, градиентный бустинг, метод опорных векторов, байесовские модели
• 1997: Deep Blue побеждает Каспарова — поиск и вычислительная мощь, а не «мышление»
• Бизнес-эффект: кредитный скоринг, антифрод, прогноз спроса, спам-фильтры, поисковые системы, рекомендации

1. Кредитный скоринг — FICO (с 1989): статистические модели вероятности дефолта — основа розничного кредитования; в России — с 2000-х
2. Антифрод — Falcon (HNC, 1992): нейросеть выявляет мошенничество по картам в реальном времени; стандарт индустрии
3. Поиск — PageRank (1998), обучаемое ранжирование; Яндекс «Матрикснет» (2009) — градиентный бустинг в поиске
4. Рекомендации — Amazon (1998), Netflix Prize (2006–2009): коллаборативная фильтрация повышает продажи и удержание
5. Спам-фильтры — Байесовские классификаторы (2002) — первый массовый ИИ в почте каждого пользователя
6. Логистика и ритейл — Прогноз спроса, оптимизация запасов и маршрутов в Walmart, UPS, Tesco

Условная иллюстрация: доля дефолтов при одинаковом уровне одобрения

% дефолтов

Каждое поколение методов снижало потери на 20–30 %.

Источник исходной лекции: Иллюстративный пример

• Каждый шаг методов снижал потери на 20–30 %
• Одновременно росла скорость решения: от дней до секунд
• Регулятор требует объяснимости — простые модели живут рядом со сложными
• Цифры условные; направление эффекта подтверждено практикой банков

Данные + GPU + нейросети = «ИИ-весна»

2009

ImageNet: 14 млн размеченных изображений

2012

AlexNet: ошибка распознавания падает с 26 % до 16 %

2014

GAN — генеративные состязательные сети

2016

AlphaGo побеждает Ли Седоля

2017

Transformer: «Attention Is All You Need»

2018

BERT; языковые модели в поиске Google и Яндекса

2020

GPT-3: 175 млрд параметров; ИИ пишет тексты

Десятилетие, когда данные, GPU и открытые исследования превратили нейросети из лабораторной темы в основу коммерческих продуктов.

• Данные: интернет, смартфоны и соцсети создали гигантские массивы изображений, текстов, речи
• Вычисления: графические процессоры (GPU), созданные для игр, оказались идеальны для матричных операций нейросетей
• Алгоритмы: свёрточные сети, LSTM, затем трансформеры; открытые фреймворки (TensorFlow 2015, PyTorch 2016)
• Открытость: научные результаты публиковались и воспроизводились за месяцы, конкуренция ускоряла прогресс
• Экономический эффект: компьютерное зрение, распознавание речи и машинный перевод достигли «человеческого» качества и стали продуктами

1. Компьютерное зрение — Контроль качества на производстве, распознавание лиц (оплата «взглядом», проход), анализ снимков в медицине, беспилотники
2. Речь — Голосовые ассистенты (Алиса — 2017, Салют — 2020), колл-центры, транскрибация
3. Машинный перевод — Нейросетевой перевод Google, Яндекса (2016–2017) — качество, пригодное для бизнеса
4. Прогнозирование — Нейросети и бустинг для спроса, цен, оттока, кредитного риска
5. Чат-боты первого поколения — Классификация намерений + сценарии; ограниченная гибкость
6. Автономный транспорт — Пилоты беспилотных такси (Waymo, Яндекс) и грузовиков; КАМАЗ, «Эвокарго» в России

Источник / оценка: ИСИЭЗ НИУ ВШЭ, НЦРИИ; оценки

Российский ИИ до 2022 года развивался в русле мирового: сильные позиции в поиске, банкинге, компьютерном зрении, речевых технологиях; зависимость от иностранного оборудования и открытых моделей.

Что нужно понимать, не будучи программистом

1. Бизнес-задача — Что решаем, какой эффект, как измерим; 50 % успеха — здесь
2. Данные — Сбор, очистка, разметка; обычно 60–80 % времени проекта
3. Моделирование — Выбор метода, обучение, валидация
4. Оценка — Метрики качества и бизнес-метрики; A/B-тест
5. Внедрение и сопровождение — Интеграция, мониторинг, переобучение (MLOps)

По данным опросов, до 80 % пилотов машинного обучения не доходили до промышленной эксплуатации — чаще из-за данных и организации, а не алгоритмов.

• Точность (accuracy) обманчива при несбалансированных классах: модель «никто не мошенник» точна на 99,9 %, но бесполезна
• Precision и recall: цена ложной тревоги против цены пропуска — выбор порога это бизнес-решение, а не техническое
• ROC-AUC, Gini — стандарт в кредитном скоринге; прирост Gini на 5 пунктов может стоить миллиарды рублей потерь
• Ошибка прогноза (MAPE, RMSE) переводится в деньги: избыточные запасы или упущенные продажи
• Главный вопрос: прирост бизнес-метрики в контролируемом эксперименте (A/B-тест), а не качество на тестовой выборке

Эффекты, барьеры и типичные ошибки

1. Снижение издержек — Автоматизация рутинных операций, снижение брака, оптимизация запасов и энергии
2. Рост выручки — Персонализация, точное ценообразование, кросс-продажи, снижение оттока
3. Снижение рисков — Кредитные потери, мошенничество, аварии, комплаенс
4. Скорость — Решения за секунды: кредиты, страховые выплаты, логистика
5. Новые продукты — Голосовые ассистенты, беспилотники, ИИ-сервисы для клиентов
6. Качество труда — Освобождение сотрудников от рутины — при условии переобучения

Доля компаний, отмечающих снижение затрат от ИИ по функциям (опрос McKinsey 2021, оценки)

% компаний

Наибольший эффект — в функциях с большим объёмом структурированных данных.

Источник исходной лекции: McKinsey Global Survey on AI 2021; округлено

• Наибольший эффект — там, где много структурированных данных и повторяющихся решений
• Маркетинг и продажи — лидер по росту выручки, производство — по снижению затрат
• Эффект в HR и юридических функциях появился только с генеративным ИИ
• Ситуация после 2022 года — в следующей лекции

ИИ в контексте темы: история, современность, горизонт 2030

• Скоринг, антифрод, прогноз спроса, ценообразование — по-прежнему на градиентном бустинге и регрессиях: дешевле, быстрее, объяснимее языковых моделей
• Правила и экспертные системы — в комплаенсе, налоговых расчётах, контроле безопасности: там, где нужны гарантии, а не вероятности
• CRISP-DM и A/B-тесты — универсальная дисциплина для любых ИИ-проектов, включая генеративные
• Компьютерное зрение и речь — стали компонентами мультимодальных моделей, но специализированные модели на производстве остаются
• Урок циклов «весна — зима»: инвестировать в данные и инфраструктуру, а не в обещания; измерять эффект

1. ИИ прошёл три волны: символьную (1950–70-е), экспертные системы (1980-е), машинное и глубокое обучение (1990–2010-е); каждую сопровождал цикл завышенных ожиданий и «зимы»
2. Коммерческий успех ИИ всегда определялся данными, вычислениями и понятной бизнес-задачей, а не только алгоритмом
3. Классические методы (скоринг, прогнозы, антифрод, рекомендации) создали основную часть экономического эффекта ИИ до 2022 года и остаются актуальными
4. Экономист должен понимать классы задач, метрики и жизненный цикл проекта, чтобы оценивать эффект и риски внедрения
5. Генеративный ИИ не отменяет классику, а дополняет её; к 2030 году ожидается гибрид агентов и специализированных моделей

1. Дайте определение ИИ, машинного и глубокого обучения; как они соотносятся?
2. Каковы экономические причины первой и второй «зимы ИИ»?
3. Опишите устройство экспертной системы и объясните на примере XCON её пределы
4. Почему в 1990-х произошёл переход от правил к обучению на данных?
5. Какие три фактора обеспечили успех глубокого обучения в 2010-х?
6. Назовите классы задач машинного обучения и приведите бизнес-пример для каждого
7. Почему accuracy может вводить в заблуждение? Как связать метрики модели с деньгами?
8. Какие классические методы ИИ останутся востребованными к 2030 году и почему?

• Указ Президента РФ от 10.10.2019 № 490 «О развитии искусственного интеллекта в РФ» (Национальная стратегия до 2030 г., ред. 2024)
• Turing A. Computing Machinery and Intelligence. Mind, 1950
• Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed., 2020 (рус. пер.)
• Nilsson N. The Quest for Artificial Intelligence: A History of Ideas and Achievements. 2010
• McDermott J. R1: A Rule-Based Configurer of Computer Systems. 1982
• Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks. 2012
• Vaswani A. et al. Attention Is All You Need. 2017
• Agrawal A., Gans J., Goldfarb A. Prediction Machines. 2018 (рус. пер. «Искусственный интеллект на службе бизнеса»)
• McKinsey Global Survey: The State of AI, 2017–2021
• ИСИЭЗ НИУ ВШЭ, НЦРИИ: индикаторы использования ИИ в организациях РФ (2021–2025)

• Следующая лекция:
• Генеративный ИИ и ИИ-агенты: новейший опыт

Вопросы — на семинаре и в чате курса

• AGI — CRISP-DM
• AGI — общий искусственный интеллект
• ARIMA — авторегрессионная интегрированная модель скользящего среднего
• BERT — двунаправленные представления трансформеров
• GAN — генеративная состязательная сеть
• GPT — генеративный предобученный трансформер
• GPU — графический процессор
• LSTM — сеть с долгой краткосрочной памятью
• MLOps — развёртывание и сопровождение моделей машинного обучения
• CRISP-DM — межотраслевой стандарт исследования данных
• Lisp — ELIZA
• Lisp — обработка списков; язык программирования
• MAPE — средняя абсолютная процентная ошибка
• RMSE — корень из средней квадратичной ошибки

• ROC-AUC — площадь под ROC-кривой качества классификации
• A/B — сравнительное тестирование вариантов A и B
• HR — управление персоналом
• R1 / XCON — экспертный конфигуратор компьютеров
• DENDRAL — название экспертной системы для химии
• MYCIN — название медицинской экспертной системы
• ELIZA — название раннего чат-бота, не аббревиатура
• PROSPECTOR — ИСИЭЗ
• PROSPECTOR — название геологической экспертной системы
• DEC — Digital Equipment Corporation; производитель компьютеров
• FICO — Fair Isaac Corporation; скоринговая компания
• HNC — Hecht-Nielsen Neurocomputer; разработчик Falcon
• UPS — United Parcel Service; логистическая компания
• VAX — Virtual Address eXtension; семейство компьютеров DEC

• КАМАЗ — Камский автомобильный завод
• НИУ ВШЭ — Национальный исследовательский университет «Высшая школа экономики»
• ИСИЭЗ — Институт статистических исследований и экономики знаний
• НЦРИИ — ЖКХ
• НЦРИИ — Национальный центр развития искусственного интеллекта
• ИПС РАН — Институт программных систем Российской академии наук
• ВЦ АН СССР — Вычислительный центр Академии наук СССР
• ИИ / AI — искусственный интеллект
• ИТ / IT — информационные технологии
• ПО — программное обеспечение
• РФ — Российская Федерация
• СССР — Союз Советских Социалистических Республик
• ЭВМ — электронная вычислительная машина
• ЖКХ — жилищно-коммунальное хозяйство

Единицы и текст: тыс. — тысяча; млн — миллион; млрд — миллиард; трлн — триллион; руб. — рубль; долл. — доллар; г./гг. — год/годы; уч. год — учебный год; ст. — статья; ред. — редакция; др./et al. — другие авторы. вуз — высшее учебное заведение.