CC BY
669
УДК 331.101.5
МАШИННОЕ ОБУЧЕНИЕ В БИЗНЕСЕ
© 2018
Кораблев Андрей Юрьевич, кандидат экономических наук, доцент кафедры «Экономика и бизнес» Булатов Расул Баширович, студент факультета «Инженерный бизнес и менеджмент»
кафедры «Экономика и бизнес» Московский государственный технический университет имени Н. Э. Баумана (105005, Россия, Москва, улица 2-я Бауманская, 5, e-mail: bulatovras@gmail.com)
Аннотация. Мы живем в удивительное время - в эпоху, когда радикальные изменения технологий происходят на наших глазах, и то, что еще вчера казалось фантастикой, сегодня уже является реальным проектом, над которым работают инновационные компании, а завтра становится естественным, распространенным и обыденным явлением, без которого мы уже не представляем себе нашу жизнь. Машинное обучение окружает вас повсюду, хотя, может быть, вы об этом и не подозреваете. Именно благодаря машинному обучению поисковая машина понимает, какие результаты (и рекламу) показывать в ответ на ваш запрос. Когда вы просматриваете почту, большая часть спама проходит мимо вас, потому что он был отфильтрован с помощью самообучающихся алгоритмов. Если вы решили что-нибудь купить на Amazon.com или заглянули на Netflix посмотреть фильм, система машинного обучения услужливо предложит варианты, которые могут прийтись вам по вкусу. С помощью данной технологии Facebook решает, какие новости вам показывать, а Twitter подбирает подходящие твиты. Переводчики Google и Яндекс также внедрили технологию МО, что сделало машинный перевод еще качественнее. Когда бы вы ни пользовались компьютером, очень вероятно, что где-то задействовано машинное обучение. В статье раскрываются возможности применения машинного обучения в бизнесе, анализируется эффективность данной технологии и затрагивается тема безработицы на рынке труда в связи с применением умных алгоритмов, которые смогут заменить человеческий труд.
Ключевые слова: машинное обучение, нейронная сеть, инновации, новые технологии, самообучающиеся алгоритмы, бизнес, автоматизация труда, искусственный интеллект, глубокое обучение
MACHINE LEARNING IN BUSINESS
© 2018
Korablev Andrey Yurievich, candidate of economic sciences, assistant professor of the chair of economics and Business Bulatov Rasul Bashirovich, student "Engineer business and management" faculty "Economy and business" pulpit Bauman Moscow State Technical University (105005, Russia, Moscow, 2-ya Baumanskaya street, 5, e-mail: bulatovras@mail.ru)
Abstract. We live in an amazing time - in an era when radical changes in technology are taking place before our eyes, and what still seemed fiction yesterday is already a real project that innovative companies are working on, and tomorrow it becomes a natural, common and common phenomenon, without which we no longer imagine our life. Machine learning (ML) surrounds you everywhere, although, perhaps, you do not even suspect it. It is thanks to machine learning that the search engine understands what results (and advertising) to display in response to your request. When you look at the mail, most of the spam passes you by, because it was filtered out using self-learning algorithms. If you decide to buy something on Amazon.com or have a look at Netflix to watch a movie, the machine learning system will helpfully suggest options that you might like. With the help of this technology, Facebook decides which news to show you, and Twitter picks up the appropriate tweets. Google and Yandex interpreters also introduced the technology of ML, which made machine translation even more quality. Whenever you use a computer, it is very likely that machine learning is involved somewhere. The article reveals the possibilities of applying machine learning in business, analyzes the effectiveness of this technology and touches on the topic of unemployment in the labor market in connection with the use of clever algorithms that can replace human labor.
Keywords: machine learning, neural network, innovations, new technologies, self-learning algorithms, business, automation of labor, artificial intelligence, deep learning.
Машинное обучение является подразделом науки об искусственном интеллекте (ИИ) - науки о создании интеллектуальных машин, способных на творческую деятельность, которая традиционно считалась присущей только человеку. В 1959 г. специалист по вычислительной технике из компании 1ВМ Артур Самуэль написал компьютерную программу для игры в шашки. Каждому положению на доске присваивался некий вес, базирующийся на вероятности выигрыша. Изначально вероятность определялась по формуле, в которой учитывались такие факторы, как количество шашек на каждой стороне и количество дамок. Подход работал, но Самуэль придумал, каким образом можно повысить его эффективность. Сыграв с программой тысячу партий, он использовал их результаты для уточнения позиционных весов. К середине 1970-х гг. программа достигла уровня хорошо подготовленного непрофессионального игрока. Самуэль написал компьютерную программу, которая могла по мере накопления опыта улучшать собственные результаты. Программа училась - так зародилось машинное обучение [1].
Технология глубинного обучения разработана по образу и подобию структуры человеческого мозга и использует искусственные нейронные сети для обработки
данных - примерно так же функционируют нейроны нашего с вами мозга. Для этого необходимо обеспечивать нейронную сеть огромным количеством данных, чтобы «тренировать» систему четко и точно классифицировать данные. Существование современных суперкомпьютеров и расцвет Big Data(большие данные) позволили разработать технологии глубинного и машинного обучения [2].
Машинное обучение нуждается в предоставлении опыта - иными словами, ему необходимы данные. Чем больше в систему поступает данных, тем точнее компьютер взаимодействует с ними, а также с теми данными, что получает в дальнейшем. Чем выше точность взаимодействия, тем успешнее будет выполнение поставленной задачи, и выше степень прогностической точности.
Простой пример:
1. Выбираются входные данные и задаются условия ввода (например, банковские операции с использованием карт).
2. Строится алгоритм машинного обучения и настраивается на конкретную задачу (например, выявлять мошеннические транзакции).
3. Используемые в ходе обучения данные дополня-
Кораблев Андрей Юрьевич, Булатов Расул Баширович МАШИННОЕ ОБУЧЕНИЕ ...
ются желаемой выходной информацией (например, эти транзакции - мошеннические, а эти нет) [3].
Значение МО для бизнеса стало очень велико, умные алгоритмы заменяют человеческий труд во многих бизнес процессах, тем самым сокращая издержки, уменьшая расход времени, сил, человеко-часов. Перечислим преимущества применения машинного обучения в бизнесе:
- гораздо больший объем данных обрабатывается за меньшее время;
- высокая скорость времени реагирования;
- процессы автоматизируются и не требуют постоянного вмешательства со стороны человека. Более того, чем дольше машина работает над конкретной задачей, тем успешнее становятся ее решения и тем выше конверсия;
- машина учитывает невероятное множество факторов, на основе которых принимает решение;
- технологии машинного обучения - это гибкий инструмент, который подойдет для решения проблем конкретного бизнеса, при этом модель создается индивидуально для каждого случая;
- использование машинного обучения сокращает расходы на персонал, на привлечение клиентов [4].
Рассмотрим более подробно в каких бизнес-процессах уже применяют данную технологию и какой это дает результат.
1.Маркетинг
С развитием машинного обучения (Machine Learning, ML) маркетинг вышел на новый уровень. Маркетологи применяют ML для нахождения различных корреляций в данных о клиентах, составления портрета покупателя, прогнозирования дальнейших действий и т. д.
1) Сегментация клиентов для создания персонализированных предложений. Машинное обучение позволяет собирать и анализировать данные одновременно из нескольких источников: поведение на сайте, отзывы и обсуждения в соцсетях, покупки и т. д. Благодаря этим знаниям, вы можете распределить клиентов по группам и разработать для каждой группы индивидуальное предложение [5].
Торговая сеть «Перекресток» в 2017 году внедрила машинное обучение для маркетинга. Маркетинговый машинный интеллект учитывает сотни поведенческих факторов: частоту и сумму покупок, приемлемые цены, любимые категории товаров. Все целевые акции «Перекрестка» основаны на этих данных. Маркетинговые предложения, сформированные с учетом сотен факторов, увеличивают эффективность целевого маркетинга на 5% и сокращают затраты на коммуникации на 40 % [6].
2) Взаимодействие с клиентом. Чат-бот - это виртуальный помощник-собеседник. Он работает в мессен-джерах и соцсетях. Чат-боты принимают заказы, отвечают на вопросы и просто разговаривают с клиентами. Если ситуация нестандартная, бот позовет на помощь оператора. Чат-ботов используют тысячи компаний - от «Сбербанка» и «Сапсана» до локальных интернет-магазинов.
- Бот каршеринга YouDrive отвечает на вопросы клиентов о сервисе и помогает решать технические проблемы с машиной. Он на 65 % снизил число звонков в техподдержку.
- Боты мобильных операторов помогают разобраться с тарифами, подключить новые услуги или получить детализацию звонков. Их используют Мегафон, Билайн, МТС.
- Бот Aviasales ищет билеты со скидками. Пользователь выбирает направление - а бот сообщает, когда появляются билеты [7].
3) Прогнозирование оттока клиентов. Отток клиентов есть в любом бизнесе, как бы вы не растили лояльных покупателей. В данной ситуации машинное обучение поможет кто из существующих клиентов с высокой
долей вероятности перестанет покупать ваш продукт. Довольно часто банки внедряют эту технологию для удержания старых клиентов. Используя данные лога транзакций, анкет в социальных сетях, данных по откликам клиента на маркетинговые предложения банка (web-логи), возможно провести:
- предварительную сегментацию поведения клиентов (методы кластеризации по логу транзакций и
данным по закрытию карт/счетов/длительному отсутствию движения средств на счетах);
- семантический анализ сообщений клиента, связанных с банком, в соц. сетях [8].
Технология МО, требующая значительно меньшего числа сотрудников, обеспечивает сокращение маркетинговых трудовых затрат.
2. Логистика
Логистика является быстрорастущей и важной отраслью мировой экономики. На данный момент она занимает 5% мирового ВВП, что в денежном эквиваленте составляет более $4 трлн На протяжении последних пяти лет индустрия растет на 7-10% ежегодно. В 2017 году транспортные компании заработали около 4,161трлн.$. В то же время, увеличивается и количество данных, которые накапливаются в процессе логистической деятельности. В 2017 году их объем, генерируемый в сети, составлял 16.2 зеттабайта (16 трлн Гбайт). По оценкам специалистов и ученых, количество данных будет удваиваться каждые два года, и уже к 2020 году составит около 44 зеттабайт (44 трлн Гбайт). Цель МО - делать прогнозы, основанные на ранее определенных тенденциях и свойствах. Используя алгоритмы МО есть возможность анализировать большие базы данных без включения человека в этот процесс. С помощью такой технологии компьютер можно научить выявлять определенные закономерности, встречаясь с которыми, он будет выполнять определенные действия, которыми могут быть: расчет кратчайшего маршрута доставки, моментальное вычисление стоимости перевозки, оптимизация расписаний, флота (машины, вагоны), а также оптимизация эксплуатации оборудования [9].
3.Управление персоналом и подбор кадров
Хедж-фонд Bridgewater Associates, самый большой
в мире по сумме активов, заявил о том, что создает ИИ-«тренера» для своих сотрудников, пишет Business Insider. Это будет не просто финансовый ассистент, а целая система, следящая за каждым работником и выжимающая из него лучшие результаты. Алгоритм будет учитывать целый ряд показателей отдельного сотрудника: количество рабочих часов, успешных сделок, провалов, заработанных для клиентов денег, пиков активности, депрессии, изменение настроения и множество других факторов. На основе такого массива информации искусственный интеллект будет по-новому выдавать рабочие рекомендации сотруднику [10].
Технология машинного обучения позволил впервые за долгое время серьезно улучшить показатели трудозатрат на привлечение одного нового работника. Интеллектуальная автоматизация позволяет улучшить эффективность рекрутеров, взяв на себя функции предварительного отбора кандидатов через тотальное сканирование баз данных и отбора нужных анкет по заданным критериям. Менеджеры по найму смогли меньше внимания уделить работе с первичной воронкой, и больше - оптимизации коэффициентов конверсии и сокращению времени найма. «Ростелеком» с 2017 г. набирает операторов колл-центра с помощью технологий машинного интеллекта. Рекрутеры «Ростелекома» не успевали качественно обработать тысячи резюме, но для МО это не проблема. Интересное решение не только для телекоммуникационных компаний - сервис «Робот Вера». Компьютерная Вера сама анализирует резюме, находит нужных кандидатов, звонит им и проводит видео-собеседования - словом, выполняет черновую работу по поиску и первичной фильтрации [7]._
4. Оптимизация производства Подразделение «Яндекса» Yandex Data Factory внедряет на предприятиях технологии на основе машинного обучения. В металлургии эти технологии предсказывают, из каких слитков получится листовая сталь с дефектом. В нефтехимической отрасли - подбирают оптимальные параметры для установки газофракционирования, и т. д. При этом машина отслеживает качество продукции, расход сырья и десятки других факторов. С такими данными производство гораздо легче оптимизировать. А в промышленности даже оптимизация на 1-2 % приводит к большой экономии. Например, Магнитогорский металлургический комбинат в сотрудничестве с YandexDataFactory экономит до 275 млн рублей в год [7]. Основные области применения машинного обучения в производстве представлены на рисунке 1 [11].
Рисунок 1 - Основные области применения машинного обучения в производстве
5. Юриспруденция
Стартап LawGeex провел исследование и сравнил эффективность юристов и искусственного интеллекта при оценке качества соглашений о неразглашении (NDA).B исследовании участвовало 20 юристов с «десятками лет» опыта в Goldman Sachs, Cisco и других компаниях, а также собственная ИИ-платформа LawGeex. Участники оценивали риски в пяти разных NDA-соглашениях с помощью поиска 30 конкретных правовых пунктов. По итогам исследования ИИ показал среднюю точность в 94 %, люди - 85 %. При этом максимальная точность ИИ составила 100 %, юристов - 94 %. Люди в среднем справились с заданием за 92 минуты, ИИ проанализировал все документы за 26 секунд. Подобный искусственный интеллект не сможет полностью заменить юристов, однако поможет ускорить их работу и освободит часть их рабочего времени для более важных задач. [12]
Сбербанк еще в прошлом году запустил робот-юрист, который самостоятельно пишет исковые заявления на должников. Вскоре он сможет заменить 3 тысячи сотрудников. Сбербанк намерен доверить роботу составление практически всех исков против физических лиц. Британский стартап DoNotPay заменил ботами адвокатов: проект помогает пользователям обжаловать уведомления о нарушении правил дорожного движения [13].
6. Банковская деятельность
Машинное обучение за последние годы сделало существенный шаг вперед в российских банках. В настоящее время банки используют технологии анализа больших данных и машинное обучение для решения ряда задач, например, оперативного получения отчетности, выполнения рутинной работы бэк-офиса, оценки кредитоспособности заемщика (скоринга), недопущения проведения сомнительных операции, мошенничества и отмывания денег, а также для персонализации предлагаемых клиентам банковских продуктов.
1) Оценка рисков в кредитовании.
Традиционные методы скоринга, в особенности для компаний, требуют длительного сбора комплектов документов, часть которых, например, финансовая отчетность, могут оказаться недостоверными, и значитель-
ных трудовых и временных затрат. Ситуацию в корне меняет использование транзакционных данных компаний-клиентов банка: данных о выручке, ее величине, стабильности и равномерности, данных о выплаченных налогах и штрафах, долге и платежах в счет его погашения и других данных. Банковская отрасль уже вступила на путь внедрения транзакционного скоринга, такой подход уже применяется в Банк Хоум Кредит: в сотрудничестве с GlowByte Consulting и SAS была разработана система принятия решений в реальном времени SAS Real Time Decision Manager и средство глубинного анализа текстовой информации SAS Text Miner. Высокопроизводительная платформа позволяет обрабатывать до 80 000 запросов сутки и, в результате, значительно снижает риски при выдаче потребительских кредитов [14].
2) Оптимизация работы сети отделений и банкоматов.
Технологии больших данных позволяют оптимизировать работу сети отделений и банкоматов: геолокационная аналитика позволяет определить наиболее удачные места их расположения, анализ исторических данных по спросу на наличные деньги с учетом определенных событий, погодных условий, выходных и праздничных дней дает возможность предсказать потребность банкоматов в наличности, чтобы не хранить там избыточные средства, которые можно было бы распределить на более доходные направления использования, а математические методы оптимизации помогают перераспределить между банкоматами имеющиеся остатки наличных средств. С помощью технологий больших данных удалось оптимизировать работу банкоматов, в частности, Райффайзенбанку: Yandex Data Factory разработала для банка модель прогнозирования спроса на наличные в банкоматах. В основе анализа лежат данные 2000 банкоматов, в частности, их местонахождение, режим работы, фактический спрос на наличные. Внедрение данной системы позволит в перспективе уменьшить отклонение прогноза от реального спроса на 30 % и, соответственно, снизить издержки, связанные с пополнением банкоматов и изъятием лишних средств, примерно на 15 % [14].
Машинное обучение может показывать хорошие результаты на любых задачах с большим объемом структурированных (или хотя бы структурируемых) данных. Например, в медицине машинное обучение определяет заболевания легких на рентгеновских снимках с вероятностью, близкой к 85 % [15], собирает и анализирует данные о состоянии здоровья человека и отправляет их врачу [16]. В сельском хозяйстве (система мониторинга за свиньями, прогнозирования влияния различных микробов на здоровье растений [17]), торговля на биржевых рынках, а также во многих других сферах нашей жизни.
Все вышеперечисленные кейсы, которые применили компании выглядит довольно оптимистично, машинное обучение поможет сегментировать клиентов, спланирует маршрут доставки продукции, отберет потенциальных кандидатов на рабочие места, проследит за качеством продукции и даже самостоятельно напишет исковые заявления на должников. А самое главное сократит затраты на сотрудников, которые раньше выполняли эту работу. Но возникает вопрос, а что станет с этими людьми? Что делать с тем, что миллионы работников из сфер, которые автоматизируют первыми, останутся без средств на жизнь? Ведь темпы автоматизации постоянно растут, а программное обеспечение становится с каждым днём всё лучше.
ООН опубликовала доклад, согласно которому в ближайшие годы более 65% рабочей силы развитых стран лишатся работы на фоне ускоряющегося развития технологий. Работников просто заменят роботы и автоматизированные системы управления [18].
«Каждая волна автоматизации (паровой двигатель, электричество, компьютер) порождала предсказания
Кораблев Андрей Юрьевич, Булатов Расул Баширович МАШИННОЕ ОБУЧЕНИЕ ...
массовой безработицы. Вместо этого мы просто стали функционировать эффективнее. С ИИ-революцией будет то же самое». Популярный аргумент, но катастрофически ошибочный. Промышленная революция касалась механической мощности: поезда были мощнее лошадей, а механические ткацкие станки работали эффективнее человеческих мышц. И поначалу это действительно лишило людей работы. Это привело к массовым социальным потрясениям, которые растянулись на десятилетия, пока вся экономика не адаптировалась к веку машин. Когда это наконец произошло, появилось столько же работы по обслуживанию новых машин, сколько было во времена ручного труда. В конечном итоге это привело к огромному росту производительности: один человек мог выпустить намного больше ткани, чем раньше [19].
ИИ-революция будет совсем на это непохожа. Когда роботы станут настолько же умными и способными, как люди, нам нечего будет делать, потому что машины окажутся и сильнее, и умнее. Даже если ИИ создаст новые профессии, людям это не поможет. Назовите любую работу - роботы смогут её выполнить. Они сами будут производить себя, программировать, чинить и управлять собой. Интеллектуальные роботы не просто будут выполнять нашу работу не хуже нас - они будут дешевле, быстрее и куда надёжнее людей. И они могут работать 168 часов в неделю, а не 40. Ни один капиталист в здравом уме не продолжит нанимать на работу людей. Люди дорого стоят, опаздывают, жалуются на любые перемены и тратят половину рабочего времени на сплетних
[19].
Какие есть выходы из данной ситуации? Билл Гейтс предложил обязать роботов платить налоги, чтобы возместить те суммы, которые могли бы заплатить люди в качестве подоходного налога. Своё предложение озвучил и Илон Маск - введение универсального базового дохода, чтобы каждый человек получал определенное количество денег. Выделяют несколько решений данной проблемы:
1. Налог на роботов
К сожалению, у этой идеи есть недостаток. В конечном итоге искусственно увеличится стоимость найма роботов, а вместе с ней и стоимость товаров, которые производят роботы. Если каждая страна не введёт одинаковый налог, то роботы будут просто трудиться в других странах. Мы окажемся в более сложном положении, чем если бы просто позволили роботам занять наши рабочие места. Тем не менее, налог на роботов всё равно может иметь ценность, как способ немного замедлить безработицу.
Экономист Роберт Шиллер предлагает рассмотреть вариант «умеренных налогов на роботов на время перехода к новому миру работы». А куда пойдут деньги? «Прибыль можно перенаправить на страхование заработной платы», — говорит он. Другими словами, на безусловный базовый доход .
2. Безусловный базовый доход
Базовый доход доступен каждому, и размер дохода способен обеспечить удовлетворительный уровень жизни. Это мы получим, если признаем, что массовая безработица - не признак лени работников и социального упадка, а неизбежный результат развития технологий. Швейцария отклонила предложение ввести безусловный доход в 2016 году, но Финляндия экспериментирует с небольшим доходом и платит безработным около $700 в месяц даже после того, как они найдут работу. Безусловный доход также проходит ограниченные испытания в городах Италии и Канады. Пока это всё пилотные проекты, цель которых - больше узнать о том, как лучше проводить программу базового дохода и насколько хорошо она работает. Но как только масштабная безработица из-за автоматизации станет реальностью, можно будет ожидать быстрого распространения этой идеи.
3. Национализация роботов_
Частное владение роботами с искусственным интеллектом будет запрещено. Рыночная экономика продолжит существовать в её современном виде с одним исключением: правительство будет владеть всеми ИИ-роботами и продавать с молотка их услуги частному сектору. Вырученные средства будут разделены между всеми. Этот сценарий потребует радикальных изменений в политическом климате страны.
4. Крупномасштабное прогрессивное налогообложение
Пусть роботы берут на себя работу, но прибыль облагается налогом в 90 %. У богатых всё равно будет стимул управлять бизнесом и зарабатывать больше денег, но труд будет считаться общественным благом, как инфраструктура, а не продуктом индивидуальной инициативы [19].
Сейчас перед человечеством стоит важнейшая задача, что делать с концом эпохи работы. Закончить статью словами Стивена Хокинга, которые могут стать пророческими: «Я боюсь, что ИИ сможет полностью заменить человека. Если люди могут создавать компьютерные вирусы, кто-то создаст ИИ, который сможет улучшать и воспроизводить себя. Он станет новой формой жизни, которая превзойдет человечество».
СПИСОК ЛИТЕРАТУРЫ:
1. Бринк Хенрик, Ричардс Джозеф, Феверолф Марк. Машинное обучение. -СПб.: Питер, 2017. -336 с.
2. Машинное обучение в двух словах: коротко о главном для топовых игроков рынка [Электронный ресурс] // Режим доступа: https://www.criteo.com/ru/ insights/машинное-обучение-в-двух-словах-корот/.
3. Charles-Antoine Richard"A Non-Technical Guide To Understanding Machine Learning [Электронный ресурс] // Режим доступа: https://blog.arcbees.com/2016/l2/29/a-non-technical-guide-to-understanding-machine-learning/.
4. Машинное обучение в маркетинге - чем оно поможет вашему бизнесу? [Электронный ресурс] // Режим доступа:https://digitalcontact.com/ru/Ыog/mashinnoe-obuchenie-v-marketinge-chem-ono-pomozhet-vashemu-biznesu/
5. 4 практических совета по применению машинного обучения в маркетинге [Электронный ресурс] // Режим доступа: http://datareview.info/article/4-prakticheskix-soveta-po-primeneniyu-mashinnogo-obucheniya-v-marketinge/.
6. X5 автоматизировала целевой маркетинг в «Перекрестке» с помощью технологии машинного обучения [Электронный ресурс] // Режим доступа: https://www. vedomosti.ru/press_releases/2017/11/01/x5-avtomatizirovala-tselevoi-marketing-v-perekrestke-s-pomoschyu-tehnologii-mashinnogo-obucheniya
7. Применение машинного интеллекта в российском бизнесе [Электронный ресурс] // Режим доступа: https:// spark.ru/startup/digital-contact/blog/38210/boti-povsyudu-kogda-lyudi-stanut-ne-nuzhni.
8. Machine Learning в коммерческих банках [Электронный ресурс] // Режим доступа: https://www. codeinstinct.pro/2015/07/big-data-in-banking.html.
9. Машинное обучение в транспортных перевозках и логистике [Электронный ресурс] // Режим доступа:https://blog.heyml.com/машинное-обучение-в-транспортных-перевозках-и-логистике-d134d3ee2e69.
10. Персоналом крупнейшего хедж-фонда мира будет управлять ИИ [Электронный ресурс] // Режим доступа: https://hightech.fm/2017/09/26/ai_coach?utm_ source=telegram&utm_campaign=daily_channel.
11. Цифровая трансформация производства [Электронный ресурс] // Режим доступа: http://www.dupont. ru/products-and-services/consulting-services-process-technologies/articles/digital-transformation-production-operations.html.
12. Искусственный интеллект победил юристов в соревновании по оценке договоров [Электронный ресурс] // Режим доступа: https://rb.ru/news/juristi-ne-nuzni/.
13. Машинное обучение многих оставит без работы. Кому пора получать новое образование? [Электронный ресурс] // Режим доступа: https://incrussia.ru/understand/ mashinnoe-obuchenie-mnogikh-ostavit-bez-raboty-komu-pora-poluchat-novoe-obrazovanie-i-chto-eto-znach/.
14. Нейросети для транзакций: как на деле работают «большие данные» в российских банках? [Электронный ресурс] // Режим доступа: http://www.forbes.ru/ tehnologii/341517-neyroseti-dlya-tranzakciy-kak-na-dele-rabotayut-bolshie-dannye-v-rossiyskih-bankah.
15. Заменит ли искусственный интеллект доктора? [Электронный ресурс] // Режим доступа: https:// vc.ru/37716-zamenit-li-iskusstvennyy-intellekt-doktora.
16. Будущее уже наступило: как искусственный интеллект применяется в медицине [Электронный ресурс] // Режим доступа: https://vc.ru/32237-budushchee-uzhe-nastupilo-kak-iskusstvennyy-intellekt-primenyaetsya-v-medicine.
17. Alibaba разработала ИИ-систему мониторинга за свиньями [Электронный ресурс] // Режим доступа: https:// hightech.fm/2018/02/19/farming-ai-pig-tracking?utm_ source=telegram&utm_campaign=daily_channel.
18. ООН: роботы станут причиной массовой безработицы [Электронный ресурс] // Режим доступа: http:// www.vestifinance.ru/articles/77840.
19. Не миллионы людей потеряют работу — десятки миллионов [Электронный ресурс] // Режим доступа: https://vc.ru/29737-ne-milliony-lyudey-poteryayut-rabotu-desyatki-millionov.
Статья поступила в редакцию 06.05.2018
Статья принята к публикации 25.06.2018
