Машинное обучение
Машинный или искусственный интеллект часто путают с машинным обучением, и хотя без второго не может быть первого, они основаны немного на разных принципах. Само по себе понятие «искусственный интеллект» предполагает создание компьютера, который думает, в то время как «машинное обучение» — это разработка компьютеров, которые могут учиться. «Запрограммировать компьютер, чтобы он был умным, может быть сложнее, чем запрограммировать компьютер, который учится, чтобы быть умным» — объясняет разницу Грег Коррадо (Greg Corrado), старший научный исследователь Google по машинному обучению.
Работу машинного обучения сегодня может ощутить на себе каждый пользователь электронной почты Gmail. Если раньше спам-фильтр сервиса следовал строгим правилам с ключевыми словами, то сегодня он учится на основе примеров. Отфильтровывая почту, он становится всё лучше и лучше. Это один из самых простых примеров использования машинного обучения, но сегодня Google уже создаёт более сложные самообучающиеся системы.
Для этого компания применяет три способа машинного обучения:
1. Обучение с учителем — это обучение на примерах, на манер того, как спам-фильтр Gmail фильтрует почту, получая всё новые и новые примеры спам-рассылок. Единственная проблема с этим способом: для того, чтобы он был эффективным, нужно иметь большое количество готовых примеров.
2. Обучение без учителя — это кластеризация данных, компьютеру предоставляются объекты без описания и он пытается найти между ними внутренние закономерности, зависимости и взаимосвязи. Так как данные изначально не имеют обозначений, то для системы нет сигнала ошибки или награды, и она не знает правильного решения.
3. Обучение с подкреплением — этот метод связан с «обучением с учителем», но здесь данные не просто вводятся в компьютер, а используются для решения задач. Если решение правильное, то система получает позитивный отклик, который запоминает, подкрепляя тем самым свои знания. Если же решение неверное, то компьютер получает негативный отклик, и должен найти другой способ решения задачи.
Сегодня Google в основном использует для своих сервисом метод «обучение с учителем», тем не менее, в компании отмечают, что «обучение с подкреплением» может иметь ещё больший потенциал. Именно комбинация этих двух методов была использована для создания искусственного интеллекта AlphaGo, который смог победить профессиональных игроков в игру го. Сначала компьютер со счётом 5-0 обыграл чемпиона Европы по го Фань Хуэя (2-ой дан), а потом сыграл с Ли Седолем, игроком 9 дана (самый высокий ранг в го), и опять финальный счёт оказался 4-1 не в пользу человека.
Почему победа искусственного интеллекта в игре го так важна для развития машинного обучения? Дело в том, что сама по себе игра очень сложная для компьютера. В го используется доска гобан 19х19 линий, на которую один игрок кладёт чёрные, а другой — белые камни, в попытке захватить как можно большую площадь доски. В отличие от шахмат, где каждая фигура имеет чётко заданную позицию и ходы, в го игроки ограничены только доской. Поэтому во время игры они используют не только знания, но также интуицию. Для компьютера дополнительной сложностью является огромное количество возможных позиций (10^170), а также ему тяжело оценить, кто выигрывает игру.
Поэтому для AlphaGo были разработаны две нейросети. Первую назвали «сетью значения», она оценивает позицию камней на поле числами от -1 до 1, чтобы определить, какие камни лидируют: белые (-1) или чёрные(1). Если позиция сбалансирована, и каждый игрок может победить, то значение будет близко к 0. Нейросеть сканирует доску и оценивает позицию камней, после чего начинает понимать насколько выгодно расположены белые и чёрные камни. Вторую нейросеть назвали «сетью политик». На основе экспертных данных о ходах в го она составляет карту, определяя какие именно ходы в этой позиции будут наиболее удачными.
Таким образом, «сеть значения» позволяет AlphaGo понимать позицию камней на доске и определять, кто выигрывает, а «сеть политик» упрощает алгоритму поиска подбор возможных вариантов хода, так как ограничивает его в зависимости от позиции камней.
Биржевая торговля
Группа исследователей из университета Эрлангена-Нюрнберга в Германии разработала ряд алгоритмов, использующих архивные данные рынков для тиражирования инвестиций в режиме реального времени. Одна из моделей обеспечила 73% возврата инвестиций ежегодно с 1992 по 2015 год, что сопоставимо с реальной рыночной доходностью на уровне в 9% в год.
В 2004 году Goldman Sachs запустил торговую платформу Kensho на базе искусственного интеллекта. На криптовалютных рынках также появляются системы на базе ИИ для торговли на биржах – Mirocana и т.д. Они лучше живых трейдеров, так как лишены эмоций и опираются на чёткий анализ и жесткие правила.
Заменит ли ИИ нас с вами
Искусственный интеллект превосходит человека в решении задач, которые связаны с анализом больших данных, чёткой логикой и необходимостью запоминать большие объёмы информации. Но в творческих конкурсах человек пока выигрывает у ИИ.
Возможно, потому, что восприятие творчества субъективно. А в шахматной партии или биржевой торговле можно двигаться к конкретным результатам.
Безусловно, ИИ меняет наш мир и находит всё новые применения. Наша задача – использовать его во благо, разрабатывать правила регулирования ИИ-систем и передавать системам опыт, накопленный за тысячелетия существования человечества.
Искусственный интеллект – технология, которую мы точно заберём с собой в будущее. Рассказываем, как он работает и какие крутые варианты применения нашел. ? Рубрика «Технологии» выходит каждую неделю при поддержке re:Store. Что представляет собой искусственный интеллект Искусственный интеллект (ИИ) – это технология создания умных программ и машин, которые могут решать творческие задачи и генерировать новую.
Обработка и понимание естественной речи
Для того чтобы компьютер понимал не просто голосовые команды, но и естественную речь, в Google используют рекуррентные нейронные сети.
Традиционное распознавание речи разбивает звуки на небольшие фрагменты по 10 миллисекунд аудио. Каждый такой фрагмент анализируется на содержание частот, при этом полученный вектор характеристик проходит через акустическую модель, которая выводит распределение вероятностей по всем звукам. Дальше в сочетании с другими характеристиками речи, через модель произношения, система связывает последовательность звуков правильных слов в языке и в модели, определяя, насколько вероятно данное слово в языке, который используется. В конце языковая модель анализирует полученные слова и фразу целиком, пробуя оценить, возможна ли такая последовательность слов в этом языке.
Но по некоторым словам в фонетической записи сложно определить, где заканчивается одна буква и начинается другая, а это очень важно для правильного распознавания.
Анализ игроков
Мир ставок заимствует большое количество фишек, которые распространены в маркетинге. Делают они это для грамотной расстановки приоритетов. От предпочтений и психологии игроков производятся изменения в росписи событий и котировках.
Эксперты говорят, что цепочки побед не очень благоприятно сказываются на общем настроении беттера, он перестает чувствовать вкус победы и теряет азарт. Поэтому профессиональные игроки всегда чередуют рискованные пари с надежными. Психология беттеров устроена так, что, нацелившись на один вид спорта, он не будет залазить в другое направление. Случайный посетитель будет переходить от одного вида спорта к другому, надеясь выиграть. Все это учитывает алгоритм и подстраивает систему с коэффициентами под желания букмекерской конторы.
Нейросети искусственного интеллекта получают способность совершенствоваться и намного быстрее производить детальный анализ манипуляций в БК. На данный момент компьютерная программа не только распределяет котировки, но и предсказывает поведенческую модель каждого беттера по отдельности. Это сложный механизм, в основе которого лежит прикладная информатика и программирование. К примеру, целые отделы занимаются написанием строчек кода, которые будут учитывать перемещения футболистов на поле, прогнозируя тем самым возможность получения желтой карточки.
Каким бывает искусственный интеллект
Исследователи обычно делят ИИ на две группы:
Слабый ИИ (Weak, или Narrow AI)
Слабый интеллект — тот, что нам уже удалось создать. Такой ИИ способен решать определённую задачу. Зачастую даже лучше, чем человек. Например, как Deep Blue — компьютерная программа, которая обыграла Гарри Каспарова в шахматы ещё в 1996 году. Но такая Deep Blue не умеет делать ничего другого и никогда этому не научится. Слабый ИИ используют в медицине, логистике, банковском деле, бизнесе:
- Искусственный интеллект от Google смог опередить опытных врачей в точности диагностики рака молочной железы. Чтобы это сделать, использовали сотни тысяч результатов скрининга. По данным Американского онкологического общества, врачи не диагностируют рак примерно в 20% случаев и часто ставят ложный диагноз. ИИ не только поставил более точный диагноз, чем врачи, — на 9,4%, — но и чаще указывал на болезнь там, где онкологи не сумели её распознать.
- Amazon — одна из ведущих ИИ-компаний в мире — разработала систему Fraud Detector. Она помогает бороться с онлайн-мошенничеством, из-за которого люди и компании теряют миллионы долларов. Алгоритм следит за действиями пользователей в реальном времени, находит их и сообщает об аномалиях — например, помечает подозрительные заказы, которые нужно проверить до совершения платежа. Это можно использовать в банках, онлайн-магазинах и крупных компаниях.
- Беспилотные автомобили Waymo благодаря машинному обучению способны передвигаться по реальным дорогам без вреда для пассажиров и прохожих. Кстати, такие машины — правда, от компании Toyota — будут использовать на следующих Олимпийских играх в Японии для транспортировки гостей.
Это несколько примеров, в реальности применений намного больше.
Сильный ИИ (Strong, или General AI)
Как выглядел бы сильный искусственный интеллект, можно увидеть в игре Detroit: Become Human.
Во вселенной Detroit роботы способны учиться, мыслить, чувствовать, осознавать себя и принимать решения. Одним словом, становятся похожи на человека. А в обычной жизни ближе всего к General AI чат-боты и виртуальные ассистенты, которые имитируют человеческое общение. Здесь ключевое слово — имитируют. Siri или Алиса не думают — и неспособны принимать решения в ситуациях, которым их не обучили. Сильный искусственный интеллект пока остаётся мечтой.
Машинное обучение: как учится ИИ
Машинное обучение (англ. machine learning) — это один из разделов науки об ИИ. Здесь используются алгоритмы для анализа данных, получения выводов или предсказаний в отношении чего-либо. Вместо того чтобы кодировать набор команд вручную, машину обучают и дают ей возможность научиться выполнять поставленную задачу самостоятельно.
Чтобы машина могла принимать решения, необходимы три вещи:
- Алгоритм — специальная программа, которая говорит компьютеру, что делать и откуда брать данные. Например, мы можем написать программу, которая сортирует пиццу: «Маргарита», с грибами, с колбасой.
- Набор данных — примеры, на которых машина тренируется. Это могут быть картинки, видео, текст — что угодно. В нашем случае понадобятся тысячи фотографий различных пицц. Чем больше примеров, тем богаче опыт, — совсем как у людей.
- Признаки — на что компьютеру смотреть при принятии решения? Если мы занимаемся машинным обучением с учителем, то вручную выделяем грибочки и кусочки колбасы. При обучении без учителя — сливаем все данные в программу и даём компьютеру самому разобраться, где что, а при необходимости корректируем.
В машинном обучении много разных алгоритмов. Один из самых простых — линейная регрессия. Её применяют, если есть линейная зависимость между переменными. Пример: чем больше сумма заказа, тем больше вы оставите чаевых. По имеющимся данным можно предсказать сумму чаевых в будущем. В общем-то, простая математика.
Есть байесовские алгоритмы. В их основе применение теоремы Байеса и теории вероятности. Эти алгоритмы используют для работы с текстовыми документами — например, для спам-фильтрации. Программе нужно дать наборы данных по категориям «спам» и «не спам». Дальше алгоритм будет самостоятельно оценивать вероятность того, что слова «Бесплатные туры для пенсионеров» и «Закажи маме тур, пожалуйста» относятся к той или иной категории.
Имитация человека
Роботы, наделённые искусственным интеллектом, уже могут имитировать человеческую мимику. К примеру, Facebook AI lab разработала интеллектуального анимированного бота и обучила его на сотнях записей видеозвонков Skype.
Алгоритм отслеживал 68 ключевых точек на человеческом лице. Он понял, как люди кивают, моргают и воспроизводят другие движения при общении с собеседниками. Затем бот смог в режиме реального времени реагировать на информацию, которую ему сообщал собеседник, или его мимику.
Ещё один важный момент – наделение ИИ моралью. Чтобы обучить систему человеческим моральным нормам, исследователи из Массачусетского технологического института создали Moral Machine.
Сайт предлагал людям принять решение в непростых ситуациях: к примеру, ставил их на место водителя, который мог сбить либо трёх взрослых, либо двоих детей. Таким образом, Moral Machine обучили принимать непростые решения, которые нарушают закон робототехники о том, что робот не может принести вред человеку.
К чему приведёт имитация роботами с ИИ людей? Футуристы считают, что однажды они станут полноправными членами общества. К примеру, робот София гонконгской компании Hanson Robotics уже получила гражданство в Саудовской Аравии (при этом у обычных женщин в стране такого права нет!).
Правовые инициативы российского государства
Правда сегодня в том, что развивать ИИ без поддержки государства невозможно. Это легко проверить на примере других стран. Американский эксперт в области ИИ Бернард Марр пишет о том, что только благодаря поддержке государства Китаю удалось так быстро догнать США.
Можно выделить два важных способа поддержки со стороны государства. Первый — это принятие регулирующих законов: без чётких правовых норм развитие отрасли невозможно. Второй — защита внутреннего рынка. Известно, что Китай ограничивает работу Google и Facebook на своей территории. В их случае это приносит свои плоды — китайский поисковик Baidu, например, показывает хорошие результаты: им пользуется более 70% пользователей Китая. С учётом объёма рынка это, во-первых, очень большие цифры, во-вторых, серьёзный доход, который остаётся внутри страны.
Фото: Michael Vi / Shutterstock
Тренд на соперничество идёт повсеместно — можно сказать, вопреки трендам глобализации. Чего стоят истории о попытках заблокировать TikTok на территории США и внесении Xiaomi в чёрный список для инвестиций. Оба решения были отменены, первое — верховным судьёй ещё во время президентства Трампа, второе — новой администрацией уже после его ухода с поста президента. Так или иначе, такие меры сегодня действительно используются на глобальном рынке.
Начинать поиск проблем, конечно, стоит у себя — а не сваливать на зарубежных конкурентов. В России налицо отсутствие законодательной базы по ИИ. Проблемой озадачились в 2019 году: Минэкономразвития и Центр стратегических разработок представили законопроект «Об экспериментальных правовых режимах в сфере цифровых инноваций».
В 2020 году вышел ФЗ: он призван способствовать разработке и внедрению технологий искусственного интеллекта. ФЗ устанавливает экспериментальный правовой режим: в нём представители бизнеса и власти будут создавать правовую систему с нуля — методом проб и ошибок. Закон касается только Москвы, и его текст пока предельно абстрактен — с этим соглашаются и юристы. Тем не менее давайте попробуем разобраться, чем он будет полезен.
Правительство Москвы будет «определять условия и порядок разработки, внедрения и реализации технологий искусственного интеллекта». Как это будет происходить на практике — не уточняется. Депутат Государственной думы Ирина Белых, которая внесла законодательную инициативу, от комментариев отказалась.
Некоторые подсказки о реальных полномочиях мэрии можно найти чуть дальше, читая статью 4 ФЗ.
Мэрия поможет с физическими данными пользователей. Будет определять порядок передачи материалов собственниками городских фото и видеокамер. При этом данные обезличат и не будут передавать организациям, которые не участвуют в экспериментальном правовом режиме. Как это будет происходить на практике, не уточняется.
Экспериментальный ФЗ должен помочь выработать законодательную базу — по результатам эксперимента выйдет полноценный закон. Вошёл ли кто-то из бизнеса в рабочую группу и в каком вообще состоянии сейчас проект — доподлинно неизвестно.
Известно только то, что у государства есть свои планы в области ИИ. Государство особенно заинтересовано в разработках в сфере медицины, городского освещения и регулирования дорожной обстановки.
«Мы не подавали заявку на участие в экспериментальном ФЗ, но знаем компании, которые это сделали. К сожалению, пока трудно отследить выгоду, которую даёт участие. Лично нам эти данные от правительства не нужны. Может быть, они будут полезны медицинским стартапам, но, опять же, стоит всё-таки начать с налоговой и грантовой поддержки. Это гораздо важнее», — поделился основатель Агентства искусственного интеллекта Денис Онацик.
Похожего мнения придерживается Александр Смоленский, генеральный директор Цифровой индустриальной платформы:
Написание музыки
В августе искусственный интеллект Amper сочинил, спродюсировал и исполнил музыку для альбома «I AM AI» (англ. я — искусственный интеллект) совместно с певицей Тэрин Саузерн.
Amper разработала команда профессиональных музыкантов и технологических экспертов. Они отмечают, что ИИ призван помочь людям продвинуть вперед творческий процесс.
Amper самостоятельно создала аккордовые структуры и инструментал в треке «Break Free». Люди лишь незначительно поправили стиль и общую ритмику.
Ещё один пример – музыкальный альбом в духе «Гражданской обороны», тексты для которого писал ИИ. Эксперимент провели сотрудники «Яндекса» Иван Ямщиков и Алексей Тихонов. Альбом 404 группы «Нейронная оборона» выложили в сеть. Получилось в духе Летова:
Затем программисты пошли дальше и заставили ИИ писать стихи в духе Курта Кобейна. Для четырёх лучших текстов музыкант Роб Кэррол написал музыку, и треки объединили в альбом Neurona. На одну песню даже сняли клип – правда, уже без участия ИИ:
А что в России?
В нашей стране вопрос относительно пригодности ИИ для работы в кадровой области пока не так актуален. И проблема «женщин и меньшинств» так остро не стоит, да и искусственный интеллект в этой сфере (впрочем, как и в других) применяется нечасто. Справедливости ради надо отметить, что в иных случаях «естественный» интеллект бывает предвзят не хуже искусственного, что порождает многочисленные истории о девочках-эйчарах, ищущих «опытного сварщика до 35».
И это далеко не только российская специфика, по данным исследования Oracle и Future Workplace, почти две трети сотрудников доверяют роботам больше, чем своим руководителям и «кадровикам». Что не совсем логично — ведь именно эти последние принимают решения о том, какими данными будет снабжен ИИ, но тем не менее.
Однако в будущем, по мере роста применения искусственного интеллекта в «кадрах», проблема соответствия критериев, заложенных в ИИ-системы с реальными требованиями компаний и ситуацией на рынке труда, будет становиться все более важной и у нас. Разве что, к этому времени ИИ будет не только нанимать людей на работу, но и заменять их во многих сферах, отчего сложности с неправильными историческими данными станут не так актуальны на фоне новых проблем
Раскрыть потенциал
По прогнозам PwC, благодаря искусственному интеллекту мировая экономика может вырасти к 2030 году дополнительно на $15,7 трлн. Мировой рынок технологий ИИ будет прибавлять примерно 31% ежегодно, предсказывают аналитики Frost & Sullivan. В компании уверены, что уже в 2022 году он достигнет $52,5 млрд. Это вчетверо больше того объема, который аналитики фиксировали в 2017 году.
Среди основных векторов использования искусственного интеллекта компаниями — управление рисками и обеспечение кибербезопасности, автоматизация рутины, помощь в принятии оптимальных решений. Кроме того, бизнес успешно применяет ИИ, чтобы эффективнее собирать информацию для прогнозов и автоматизировать клиентские операции.
Как ИИ применяется в разных секторах экономики
- Здравоохранение: анализ медицинских данных, повышение точности диагностики различных заболеваний;
- кибербезопасность: использование алгоритмов глубокого обучения, позволяющих выявлять аномалии в поведении сети;
- сельское хозяйство: управление агроботами, аккуратный сбор урожая;
- транспорт: автоматические системы управления грузовыми железнодорожными составами, исключающие человеческий фактор, беспилотные автомобили;
- e-commerce: «умные» рекомендательные системы для покупателей;
- ретейл: планирование цепочек поставок, наблюдение за поведением потребителей, автоматизация работы складов;
- маркетинг: автоматизация таргетированной рекламы, разработка персональных предложений для потребителя;
- финансы: алгоритмическая торговля, обработка банковских данных, формирование кредитных рейтингов;
- спорт: сбор и анализ действий игроков, виртуальные ассистенты для тренеров и судей.
Ожидается, что к 2025 году человечество будет хранить около 175 зеттабайт (175 млрд Гб) данных. Уже сегодня большую их часть генерируют не люди, а машины — различные информационные системы, датчики, интернет вещей. Очевидно, что обработать всю эту информацию и извлечь из нее пользу для бизнеса без искусственного интеллекта и машинного обучения просто невозможно. Тем более, что ее количество продолжает расти.
По подсчетам IDC, объем данных, созданных в течение следующих трех лет, превысит количество информации, которое появилось за последние три десятилетия. А за ближайшую пятилетку мир сгенерирует втрое больше данных, чем за предыдущую. И это будет подталкивать к активному использованию ИИ для сбора и обработки информации.
По мнению гендиректора SberCloud Евгения Колбина, именно «облака» станут главным драйвером развития ИИ в ближайшие годы, так как только с помощью облачных технологий можно преодолеть главные барьеры развития ИИ — недостаточную доступность высокопроизводительных вычислительных ресурсов для работы с ИИ и острую нехватку специалистов — дата-сайентистов, дата-аналитиков и дата-инженеров. Сейчас почти во всех отраслях наблюдается острая нехватка высококвалифицированных специалистов для работы с данными. Платформа QuantHub, которая специализируется на подборе специалистов в сфере Data Science, подсчитала, что на три объявления о вакансии приходится всего один потенциальный соискатель. По словам Колбина, именно развитие облачных ML-сервисов и AIaaS (Artificial Intelligence as a Service) позволит искусственному интеллекту в полной мере раскрыть свой бизнес-потенциал.
Политические проблемы использования ИИ
Помимо проблем самой разработки, стоит следить за применением ИИ, потому что в конечном счете в возможных перегибах будет виновата не сама технология, а те, кто стоит за ее использованием. В гонке за использование технологии разные участники преследуют разные цели — но, к сожалению, мало для кого цель — это подготовить ИИ и общество друг к другу
Вместо того чтобы бояться потерять работу, впору задуматься о том, что важно для всего человечества
Только в прошлом году индустрия серьезно подошла к вопросам социальных эффектов и последствий внедрения ИИ. Отличилась Microsoft в попытке сформулировать вопросы о возможных сценариях будущего ИИ и о важных рекомендациях для его настоящего.
Теперь комитеты по этике есть в Microsoft, Google, Facebook, SAP — это своеобразная внутренняя цензура потенциальных рисков ИИ.
Комитеты по этике подчеркивают, что технологии — дело рук и ответственность не только разработчиков, но и всех участников глобального взаимодействия, как конечных пользователей, так и институциональных игроков: бизнеса, государства, общества. Если кто-то из этих участников принимает решение использовать ИИ в своих целях, то он должен принять на себя обязательство предусматривать последствия. А если эти последствия не удается предсказать, требуется собирать как можно более междисциплинарные команды экспертов, которые покажут всю сложность тех или иных технических решений.
Звучит неплохо, но сейчас далеко не все участники гонки за лидерство в технологиях готовы оценивать реальные социальные эффекты своей деятельности, особенно если технологии поддерживают текущие политические режимы.
Как отбирают лучшие ИИ-кейсы
Развивать амбициозные проекты помогает «Альянс в сфере искусственного интеллекта». Он призван стать центром развития ИИ в стране. В его состав входят «Газпром нефть», «Яндекс», МТС, «Сбер», Mail.ru и Российский фонд прямых инвестиций.
Внутри Альянса создана ежегодная премия AI Russia Awards. Её цель — найти и выделить действующие ИИ-проекты, которые приносят пользу бизнесу.
«Проект любой компании, вне зависимости от её размера, может претендовать на включение в Библиотеку кейсов премии и на победу в AI Russia Awards. При условии, что его реализация позитивно сказалась на экономических показателях компании. Сейчас на рынок AI-решений активно выходят новые игроки, и мы видим, что их разработки используют крупные промышленные предприятия, — этому есть немало подтверждений в Библиотеке».
Комментарий пресс-службы Альянса в сфере искусственного интеллекта
Проекты представлены в самых разных отраслях. На премию номинирован робот-помощник для управления комбайном, система распознавания геопород для добычи нефти и голосовой помощник службы доставки пиццы.
«Топ-3 сфер-участников конкурса сегодня — это финансы, кредит и страхование, сфера IT и промышленность», — комментирует пресс-служба Альянса.
Предполагается, что премия даст другим участникам рынка мотивацию создавать новые проекты и ориентироваться на опыт участников премии.
Развитие технологий
С каждым годом технологии развиваются все быстрее, поэтому задачи начинают ставиться все более сложные и интересные. Каждый беттер понимает, насколько сложно предсказать исход спортивного события и не прогореть с котировками. Раньше все эти задачи выполняли люди, разбирающиеся в спортивных событиях, психологии игроков, возможную мотивацию. На данный момент большинство подобных должностей заменены мощными компьютерами, где трудятся компьютерные программы. Создание более мощных машин дает букмекерским конторам возможность производить огромные объемы вычислений и аналитических действий, что делает коэффициенты на матч более точными. Искусственный интеллект (ИИ) произвел фурор в мире беттинга, позволил владельцам контор собирать информацию со всех площадок, где идут спортивные соревнования.
Эксперты говорят, что еще 13 лет назад такого нельзя было представить. Один человек, разбирающийся в отдельном виде спорта, мог регулировать ход изменения котировок, оценивать риски и возможную прибыль. На сегодняшний день все иначе. Один человек может справиться с целыми рынками и линиями событий, внося определенные корректировки в алгоритм расчета.
На сегодня существуют такие программы как Kickoff и Cortana Intelligence Suit, которые делают 80% точных предсказаний, основываясь на сборе статистики каждого игрока, всех прошедших матчей и целых турнирных сеток. Обрабатываются гигабайты данных, чтобы выдать правильный результат.