От текста к таблицам: новый подход к AI
Большинство современных AI-моделей обучаются на тексте и изображениях, однако профессор MIT Деватрат Шах (Devavrat Shah) и его команда из Лаборатории информационных и системных решений (LIDS) пошли другим путем. Их система, разработанная в рамках стартапа Ikigai Labs (основан в 2019 году), специализируется на табличных данных (structured/tabular data) — формате, привычном для электронных таблиц и корпоративных баз данных.
В отличие от генеративных моделей, требующих огромных ресурсов, этот подход использует графические модели для обработки временных рядов и структурированной информации. Это позволяет системе принимать решения в режиме реального времени, постоянно обучаясь на основе сопоставления своих прогнозов с реальными результатами.
Слияние технологий: Ikigai Labs и Celonis
Ключевым шагом стало приобретение Ikigai Labs международной компанией Celonis, специализирующейся на цифровой трансформации процессов. Шах теперь занимает пост главного научного сотрудника (Chief Scientist) в Celonis. Это слияние создает уникальную экосистему:
- Данные: Celonis уже оцифровала и автоматизировала операции более чем в 1 400 крупных компаниях по всему миру.
- Интеллект: Модель Ikigai интегрируется в эти оцифрованные процессы, анализируя данные для симуляции сценариев и оптимизации стратегий.
«Мы фокусируемся на области, которую остальной мир пока не замечает», — отмечает Шах. Узкая специализация на структурированных данных делает технологию более эффективной и экономичной по сравнению с универсальными LLM.
Практическое применение: пример из производства
Система решает сложные межзависимые задачи. Например, производитель электроники (скажем, наушников) использует её для:
- Прогнозирования спроса в разных регионах на квартал или год вперед.
- Оценки влияния изменения цен или маркетинговых акций на продажи.
- Оптимизации логистики запчастей из разных стран мира.
Технология работает как «мировая модель предприятия» (enterprise process world model), позволяя бизнесу тестировать решения до их внедрения.
Сравнение подходов
| Традиционные AI (Text/Image) | Модель Ikigai/Celonis (Tabular) | |
|---|---|---|
| Тип входных данных | Неструктурированный текст, изображения | Структурированные таблицы, временные ряды |
| Вычислительные затраты | Высокие (требуются мощные GPU/TPU) | Оптимизированные, эффективные для бизнеса |
| Основная задача | Генерация контента, распознавание образов | Прогнозирование, планирование, оптимизация |
| Масштаб внедрения | Широкий, но часто дорогой | Глубокая интеграция в ERP/бизнес-процессы |
Почему это важно
В условиях, когда компании сталкиваются с необходимостью принятия решений «каждую секунду» при ограниченных ресурсах, подход Шаха предлагает альтернативу «тяжеловесным» моделям. Интеграция с уже существующей цифровой инфраструктурой Celonis позволяет бизнесу не просто собирать данные, а мгновенно превращать их в actionable insights (полезные рекомендации) для повышения операционной эффективности.
Источник: MIT News AI ↗