Сегодня искусственный интеллект стал одной из самых популярных для изучения и обсуждаемых тем. Сегодняшний уровень развития искусственного интеллекта (ИИ) позволяет создавать беспилотные автомобили, системы, обыгрывающие чемпионов мира в Го и шихматы, полностью ведут производство на различных фабриках. Тенденции к развитию ИИ требуют исследования проблемы «монополии» на сознание у человека, различия «слабого» и «сильного» искусственного интеллекта и возможности создания «искусственного сознания».

Долгое время в философии существует ряд проблем, связанных с ИИ [15]:

1. Как работает разум

2. Могут ли машины действовать разумно

3. Может ли у машины быть сознание

4. Каковы моральные и этические проблемы и каковы их решения при использовании ИИ

Нельзя рассматривать текущий уровень развития ИИ как стабильный или финальный. Существует большое количество прогнозов, которые не прошли испытание временем. Так математик и философ Дуглас Хофштадтер в своей книге «Гёдель, Эшер, Бах: эта бесконечная гирлянда» предполагал, что в ближайшем будущем появятся программы для игры в шахматы, которые не сможет обыграть человек и при этом данные программы будут обладать разумом и характером [Хофштадтер, 2001]. Спустя несколько десятилетий появились программы, которые способны обыграть в шахматы любого человека, но не являются системами искусственного интеллекта и не обладают признаками сознания, в интуитивном понимание данного термина.

К популярности, которая резко возникла у ChatGPT, я отношусь скептически, считаю, что это история, скорее, про маркетинг и удобный пользовательский интерфейс, нежели про сверхпрорывные новые технологии. Аналогичные нейронные сети были доступны для специалистов, но у них не было никакого пользовательского интерфейса, поэтому они были не популярны у пользователей не из сферы ML. Сейчас ChatGPT — это отличный помощник, но не более. За все прошедшее время у ML было 3 переломных момента.

Машинное обучение может помочь в достаточно большом количестве задач логистической сфере. Это не только задачи для компаний, которые работают в этой сфере, но и для бизнеса, который пользуется услугами логистических компаний: дистрибьюторы, компании FMCG, ретейлеры и т.д. Я говорю о задачах, начиная с базовых (проверка автомобилей перед выездом на безопасность) и заканчивая оптимизацией работы склада за счет машинного обучения. 

В городской логистике есть два направления, где можно использовать машинное обучение. Первое – автоматизация доставки. Например, у «Яндекса» есть роботы-курьеры, которые сейчас ездят по Москве (от места отправки заказа до адреса получателя) и обучаются, автоматические дроны Amazon успешно развозят заказы клиентам в пилотном режиме. 

Второе направление - построение маршрутов для доставки покупок, более проработанная область, поскольку машинное обучение помогает не столько построить маршрут, сколько скорректировать его. У того же «Яндекса» есть большая проблема – он плохо предсказывает пробки и влияние погодных условий на дорожный трафик. Даже если вы просто ездите на такси, можно заметите, что цена 300 рублей, ехать 10 минут. Но это в 17.55 вечера, когда все едут с работы домой и, хотя цена небольшая, на одного клиента водитель потратит минут 40. Вот это никак не учитывается. 

Однако, есть менее изученное направление в логистике с точки зрения пользы для него машинного обучения - это полное планирование маршрутов для доставки на день, неделю, месяц по нескольким точкам для энного количества автомобилей. Речь идет как о всем известной задаче коммивояжера, так и более частном - так называемые задачи VRP, которые сейчас решаются по большей части эврестическими алгоритмами. И у этих решений есть определенные проблемы.