19 апреля 2018 г. в московском конференц-центре Newsroom (М. Кутузовская) прошла конференция «AI Conference 2018», посвященная влиянию искусственного интеллекта (Artificial Intelligence, AI) на процессы, происходящие в развитии информационных AI-технологий в сфере взаимодействия бизнес-компаний и потребителей (клиентов).
На конференции прозвучало 15 докладов, в рамках которых эксперты поделились инсайдами и практическими кейсами. Спикеры рассказали о возможностях AI-технологий в медицине, финансах, ретейле, автомобильной индустрии и сервисной робототехнике. В конференции приняли участие представители компаний Microsoft, PwC, NVIDIA, VisionLabs, Сколковского института науки и технологий, Фонда им. академика Н.П. Бехтеревой.
Руководитель центра компетенции по прикладному анализу данных PwC в России Олег Данильченко сообщил, что благодаря искусственному интеллекту (ИИ) в 2030 г. мировой ВВП возрастет на 14 % — до 15,7 трлн долл. США. По его мнению, влияние AI почувствуют все регионы и отрасли, но наибольший экономический эффект будет в Китае и США. Он также привел данные о том, сколько выиграют отдельные отрасли мировой экономики от развития искусственного интеллекта к 2030 г., в трлн долл. США: ТЭК — 1,7; производство — 4,0; розничная торговля — 2,0; транспорт и логистика — 0,6; высокие технологии, СМИ, телекоммуникации — 0,3; финансовые услуги — 2,1; здравоохранение — 5,1.
Как отметил руководитель группы по разработке алгоритмов в проекте Сколковского института науки и технологий «CoBrain-Аналитика» Михаил Беляев, «в последние 5 лет в мире стремительно развиваются методы глубокого обучения, основанные на подготовке по практическим образцам. По мнению спикера, одна из наиболее обсуждаемых сфер медицины, где эти методы могут применяться, — рентгенология. Обучающиеся алгоритмы в будущем смогут читать снимки с рентгеновских аппаратов, КТ, МРТ, ставить диагноз патологий, слушать, как работает сердце, и предсказывать рецидивы у пациентов. Анализ медицинских изображений — сложная задача, особенно из-за крайне ограниченного объема обучающих выборок. Глубокое обучение может эффективно использоваться для решения медицинских задач при аккуратной подготовке данных. Нужно адаптировать архитектуры и процедуры обучения к особенностям медицинских снимков».