Компания Booz Allen Hamilton меняет мировоззрение ИИ и то, как наука о данных используется для решения самых сложных задач. Просто спросите доктора Джошуа Салливана, старшего вице-президента. В своей роли он имеет удовольствие следить за тем, чтобы то, что он и его команда делают каждый день, влияло на жизнь людей в здравоохранении и других отраслях. Не нужно много времени, чтобы увидеть, как миссия компании в сочетании с инновационными технологиями может изменить будущее.

Тамара: Можете ли вы рассказать историю, которая вдохновила вас заняться ИИ?

Джош: ИИ заинтересовал меня из-за его потенциала для преобразования здравоохранения. Моя мать скончалась от неизлечимой болезни еще до рождения моего второго ребенка, и это заставило меня захотеть что-то изменить. У меня нет докторской степени, и я не медицинский исследователь, поэтому участие в ИИ было способом, которым я мог использовать свой опыт в области компьютерных наук, чтобы оказать влияние. Смерть моей матери также была частью вдохновения для работы с Kaggle над созданием Data Science Bowl, ежегодного конкурса по науке о данных для общественного блага, который в основном сосредоточен на использовании ИИ для решения проблем со здоровьем, таких как использование ИИ для улучшения здоровья сердца и сделать возможной более раннюю диагностику рака легкого.

Тамара: Опишите свою компанию и предлагаемые вами продукты/услуги в области искусственного интеллекта/предиктивной аналитики/аналитики данных.

Джош. В компании Booz Allen, которая имеет одну из крупнейших в мире групп по анализу данных и анализу данных, мы:

  • Построить. Мы помогаем нашим клиентам понять, как они могут использовать машинное обучение для решения самых сложных задач сегодняшнего и завтрашнего дня, а затем создавать интегрированные решения с использованием машинного обучения, автоматизации и современных цифровых платформ.
  • Обучение. Чтобы помочь создать будущую рабочую силу, мы сотрудничаем с NVIDIA для обучения государственных служащих применению методов машинного обучения для решения ключевых задач в области здравоохранения, обороны и кибербезопасности.
  • Подать заявку на общественное благо. Мы применяем передовые возможности машинного обучения для применения новых подходов к таким вопросам, как клиническое лечение и исследование черепно-мозговых травм среди военнослужащих США.

Тамара: Каким вы видите развитие индустрии искусственного интеллекта/анализа данных/прогнозного анализа в будущем?

Джош:Однажды машинное обучение (МО) станет таким же повсеместным и важным для бизнеса и правительства, как труд и капитал. Нам нужны гениальные люди, которые могут придумывать, создавать и использовать эти развивающиеся технологии для автоматизации повторяющейся работы и решения сложных проблем со скоростью Интернета. Как мы с Анджелой Зутаверн описали в нашей книге Математическая корпорация, ML уже изобрела вакцину против малярии, более эффективную, чем все, что было создано людьми; и будет стимулировать инновации во всех мыслимых отраслях. Например, во время последней переписи населения в 2010 году общее количество миль, пройденных переписчиками, в пять раз превышало длину всех дорог в США. Поскольку они планировали свои собственные маршруты и время в пути, они обычно приезжали, когда никого не было дома, что приводило к повторным визитам. Для переписи 2020 года переписчики будут следовать рекомендациям алгоритма на планшетах, чтобы оптимизировать свои маршруты поездок и время посещений, что, как ожидается, сократит поездки на десятки тысяч миль.

Тамара: Какова, по вашему мнению, самая большая проблема, стоящая сегодня перед отраслью?

Джош: предвзятость и неспособность учесть этические последствия с самого начала при проектировании и создании систем машинного обучения. ML имеет большой потенциал, но если мы не воспользуемся им ответственно, мы можем принести больше вреда, чем пользы. Например, лидеры, которые спешат внедрить машинное обучение, могут в конечном итоге непреднамеренно автоматизировать неверные решения, которые они уже принимают, что повышает вероятность негативных результатов.

Тамара: Как вы видите дальнейшее развитие ваших продуктов/услуг?

Джош: Мы видим, что машинное обучение уже коренным образом меняет характер бизнеса и операций миссии, поэтому сегодня это основная область инвестиций для Booz Allen. По мере того, как технология становится все более распространенной, люди не перестают задумываться о том, использует ли используемое ими решение ML. Поэтому для нас важно продолжать помогать нашим клиентам преодолевать шумиху, чтобы лучше понять и ответственно принять ее, а также разработать практические приложения. Для этого машинное обучение будет встроено во все предоставляемые нами услуги. Мы продолжим расширять нашу команду технологов и экспертов в предметной области, чтобы оставаться на шаг впереди технологических достижений, обеспечивая при этом обучение всех наших консультантов и аналитиков передовым принципам машинного обучения, глубокого обучения и машинного интеллекта.

Тамара: Какой ваш любимый фильм об искусственном интеллекте и почему?

Джош: Короткое замыкание из 1985 года. Мне нравится, как он очеловечивает ИИ (в данном случае — главного героя робота).

Тамара: Какой совет вы бы дали моим читателям об ИИ?

Джош: Не придавайте значения повествованию о роботах-убийцах, которые захватят мир. Эта технология все еще находится в зачаточном состоянии, и слишком много внимания уделяется этому образцу за счет разработки хороших, функциональных технологий, которые могут помочь решить бизнес-задачи. Прежде чем углубиться, мы рекомендуем организациям сделать пять шагов. Во-первых, рассмотрите цели или ценность, которую вы хотите получить за счет инвестиций. Организационные устремления могут быть такими же простыми, как повышение эффективности внутренних операций, или смелыми, как преобразование миссии организации. Во-вторых, подумайте о своей склонности к риску. Сколько вы готовы терпеть? В-третьих, оцените состояние ваших активов данных. Машинное обучение по-прежнему сильно зависит от его способности учиться на огромном количестве размеченных и хорошо организованных данных. Открытые данные — это хорошо, но эксклюзивный доступ обязателен. В-четвертых, оцените состояние своего таланта машинного обучения. Талантов не хватает, поэтому подумайте о партнерстве с исследовательскими институтами и академическими организациями, чтобы иметь доступ к необходимым талантам. В-пятых, поймите ценности своей организации и то, как машинное обучение потенциально может угрожать этим ценностям. Мы считаем, что организации должны отдавать приоритет уважению, прозрачности, конфиденциальности и справедливости.

Тамара: Как ИИ, особенно ваш продукт/услуга, приносит пользу миру? Можете объяснить, как вы помогаете людям?

Джош: Учитывая характер нашей клиентской базы, большая часть нашей работы сосредоточена на применении машинного обучения в разных отраслях для оказания положительного социального воздействия. Например, мы работали с Институтом инноваций MedStar над разработкой технологии под названием Линза для диктовки, которая сегодня используется в больницах округа Колумбия для улучшения ухода за пациентами. Технология автоматизирует оценку соответствующих фактов в полной истории болезни пациента, поэтому врачи могут быстро находить важные данные в моменты неотложной помощи. Мы также сотрудничаем с такими компаниями, как Microsoft и Samsung, чтобы переосмыслить военную подготовку, которая часто является статичной и предсказуемой, и сделать ее более инновационной. Сочетание машинного обучения с иммерсивными технологиями, такими как виртуальная реальность, дополненная реальность и смешанная реальность, может создавать динамические сценарии для обучения солдат способами, аналогичными тому, что происходит в реальных миссиях.

Тамара: Какие 3–5 вещей, которые больше всего волнуют вас в ИИ? Почему? (зависит от отрасли)

Джош:

  1. ML только начал демонстрировать свой потенциал в диагностике и лечении заболеваний. В ближайшем будущем его способность анализировать большие массивы данных о пациентах может ускорить спасательные медицинские исследования и разработать методы лечения ранее неизлечимых болезней. В этом году тысячи участников обучают ML автоматизировать обнаружение ядер, что является важным шагом на пути к открытию лекарств от смертельных болезней.
  2. Поскольку возможности для сбора данных расширяются, аналитики становятся не в состоянии эффективно просматривать и анализировать всю собранную информацию. В нынешнем состоянии технологии машинного обучения могут помочь облегчить бремя информационной перегрузки, позволяя аналитикам сосредоточить свои усилия на более сложных проблемах и, например, обеспечить более тщательные усилия по обеспечению безопасности сил Министерства обороны.
  3. Кибератаки стали более изощренными, чем когда-либо прежде, и традиционные инструменты больше не могут масштабироваться для защиты современных сложных организационных сетей. ML особенно хорошо справляется с обнаружением аномалий, особенно в области кибербезопасности и обнаружения мошенничества. Как мы недавно продемонстрировали на конференции NVIDIA GTC AI, мы тестировали некоторые из новейших методов машинного обучения на основе графического процессора для выявления алгоритмов генерации доменов (DGA), которые оказались чрезвычайно успешными, помогая хакерам обходить традиционные киберзащиты для кражи данных из сети организации. .

Тамара: Какие 3–5 вещей беспокоят вас в отношении ИИ? Почему? (зависит от отрасли)

Джош:

  1. Соображения о конфиденциальности. ML зависит от доступа к большим наборам данных, и когда компании не могут защитить доступ к конфиденциальной личной информации, это имеет серьезные последствия для конфиденциальности отдельных лиц. Недавнее неправомерное использование данных Facebook показало, что компания позволила стороннему приложению получить доступ к большему количеству информации о пользователях, чем те, кто загрузил приложение, и потенциально привело к целевой политической рекламе. До тех пор, пока регулирующие органы и политики не смогут разработать согласованный и всеобъемлющий свод правил, регулирующих использование конфиденциальной личной информации, мы увидим, как компании монетизируют вашу личную информацию самыми разными способами.
  2. Непрозрачность алгоритмов. Мы приближаемся к будущему, в котором машинное обучение будет использоваться для определения того, остановлена ​​ли вас полиция, наняты ли вы на работу, какую ставку по ипотечному кредиту вам предлагают или вас приняли в школу по вашему выбору — решения с реальными последствиями. Прозрачность того, как работают системы ML, такие как переменные, используемые в алгоритмах, как выбираются обучающие данные и как выполняется проверочное тестирование, должна стать стандартной практикой для практиков ML.
  3. Справедливость и социальная интеграция. Системы машинного обучения создаются с использованием данных, созданных людьми, которые часто отражают наши предубеждения, тем самым сохраняя и даже усиливая существующие социальные предубеждения. Эффективность и способность к масштабированию машинного обучения могут быстро привести к систематизации предубеждений, что делает приложения во всех отраслях потенциально опасными.

Тамара: В ближайшие 3 года назовите хотя бы одно, что нас может ожидать в будущем, связанное с ИИ?

Джош: Я ожидаю, что в недалеком будущем мы увидим аварию, связанную с машинным обучением на промышленном уровне, что заставит нас переосмыслить правила и аспекты безопасности. Подобный инцидент может спровоцировать США на разработку национальной стратегии отмывания денег, что уже сделали другие страны. В недавней документе, который мы написали в соавторстве с CSIS, под названием Формирование влияния МИ на экономику, безопасность и общество США, мы выступаем за национальную стратегию ОД, которая способствует безопасному и ответственному развитию ОД.