Новый подход к прогнозированию

Инвестор:  

— Что ваше ИИ-решение даст компаниям?

Основатель стартапа:

— Инсайты.

Если бы нам давали 10 центов каждый раз, когда мы слышим такой ответ в рамках своей глобальной программы-акселератора Creative Destructive Lab при Университете Торонто, мы бы неслыханно разбогатели.

На самом деле это слово обычно означает «Да мы толком не знаем, зачем эти прогнозы нужны». Люди, которые его произносят, категорически неверно представляют себе, какую именно ценность создает искусственный интеллект. Эта ценность состоит в улучшении качества принимаемых решений, поэтому правильнее было бы рассказать, какие именно решения удастся уточнить при помощи полученных прогнозов.

Современный бизнес принимает все больше важных решений, так что перед ИИ открываются бесконечные возможности. Дэвид Деминг из Школы Кеннеди при Гарвардском университете выяснил, что в 1960 году умение решать задачи, вырабатывать стратегии, расставлять приоритеты и т. п. требовалось 6% сотрудников, а в 2018-м — уже 34%.

Однако, как мы покажем ниже, улучшение решений в одной части организации не может не потребовать изменений во всех остальных, поэтому внедрение ИИ наверняка потребует пересмотра системы как таковой. Начнем с конкретного примера.

Как Новая Зеландия выиграла Кубок Америки

Люди ходят под парусами вот уже 5000 лет и продолжают оттачивать свои навыки до сих пор, хотя перемещение пассажиров и грузов давно не зависит от силы ветра.

Старейшим в мире международным спортивным соревнованием — и самой престижной регатой — является Кубок Америки по парусному спорту. В наши дни ее выигрывают не только умелые руки экипажа, но и высокие технологии. В дизайн яхт — в том числе в предварительные симуляции — вкладываются миллионы долларов. Лучший симулятор дает значительное преимущество в гонке — это доказала команда Emirates Team New Zealand, выигравшая Кубок Америки в 2017 году.

Готовясь к регате 2021 года, новозеландцы решили ускорить процесс проектирования своего судна. Объединив усилия с глобальной консалтинговой фирмой McKinsey, они пришли к неутешительному выводу: основным стопором инноваций остается человеческий фактор. Живые люди не могут наращивать скорость реакции на изменение условий гонки до бесконечности.

Тогда команда взяла ИИ-решение, аналогичное побеждающему лучших игроков мира в игру го, и обучила его яхтингу. Всего через восемь недель искусственный интеллект стал ходить под парусом лучше моряков.

А дальше они поменялись местами: цифровой спортсмен стал обучать экипаж новым приемам — подчас необычным, но работающим. Если раньше каждый новый проект яхты спортсменам приходилось осваивать по несколько недель, то теперь им сразу подсказывали оптимальные маневры. Это дало бóльшую свободу рук дизайнерам — и бóльшую скорость движения команде. В тот год Emirates Team New Zealand вновь завоевала Кубок Америки, выиграв семь матчевых гонок из 10.

Обратите внимание: искусственный интеллект не просто «давал инсайты» — он был встроен в систему принятия решений. Подготовка к регате предполагает два основных вида решений: о дизайне судна и об управлении им. Если для первых уже давно используются симуляторы, то вторые до сих пор принимались исключительно людьми. ИИ-шкиперы запрещены правилами — зато теперь проект яхты идеально скоординирован с действиями экипажа и оба вида решений принимаются в балансе друг с другом.

Почему система инертна 

При появлении новой технологии ее системное значение не сразу становится очевидным. Поначалу новинки используют очень узко: так, через 20 лет после появления электричества им все еще пользовались 3% американских компаний — и только там, где трудно было применять привычный пар. В 1987 году, когда компьютеры уже несколько десятилетий как проникли в сферу бизнеса, экономисты заметили, что практически никто до сих пор не применяет их с такой очевидной целью, как сбор статистики производительности.

То же произошло и с искусственным интеллектом. Это тоже своего рода производная от статистики — способная задействовать ранее бесполезные данные для построения более разноплановых прогнозов. Поэтому изначально ИИ использовался просто для уточнения и удешевления прогнозирования.

Яркие примеры раннего применения — переводческие программы (они формируют текст исходя из существующих переводов) и аналитика медицинских снимков (на основе предыдущих мнений врачей). Они работают по принципу «одна голова хорошо, а миллион — лучше» и имеют гигантский коммерческий потенциал. Почему Nasdaq приобрела канадскую компанию Verafin за $2,75 млрд? Потому что ее ИИ-технологии по выявлению мошенничества эффективно заменили отделы безопасности в сотнях финансовых учреждений.

Однако все эти важные усовершенствования не вызывают системных изменений в работе компаний — они просто заменяют живых сотрудников. А ведь электричество и компьютеризация, начав с нишевого применения, в итоге трансформировали нашу жизнь. Благодаря электричеству заводы теперь необязательно строить на воде и в несколько этажей, чтобы оптимизировать использование пара. Компьютеры прошли долгий путь от гигантских вычислительных машин до, по выражению Стива Джобса, велосипеда для мозга. Заметьте, велосипеда, а не заменителя!

Ровно так же и Emirates Team New Zealand вовсе не убрала человека из процесса принятия решений (хотя технически это возможно), а оказала ему значимую поддержку. Вообще говоря, польза от искусственного интеллекта определяется не столько качеством технических решений, сколько качествами использующих их людей.

Как ИИ меняет принятие решений

Когда появились смартфоны, никто не подумал: «Ну все, таксопаркам конец». Однако именно распространение мобильного интернета позволило нам пользоваться сервисами совместных поездок через приложение и легко ориентироваться в пространстве. Лондонские кэбмены еще недавно гордились тем, что тратят три-четыре года на освоение подробной карты города и оптимальных маршрутов между любыми точками. Сегодня ИИ в телефоне знает их лучше — да еще и учитывает пробки.

Для принятия большинства решений нужно уметь предсказывать вероятные исходы и делать из них выводы. Предсказания обычно зависят от имеющихся данных (сколько займет дорога по таким-то маршрутам при такой-то дорожной ситуации?). Вывод же нельзя свести к данным: это во многом субъективная оценка всех имеющихся факторов (что важнее этому пассажиру: доехать быстрее или полюбоваться красивым видом?).

Таксисты умели то и другое; обычные водители были слабее их в вопросах предсказаний — но мобильная навигация исправила ситуацию, а платформа для распределения машин, расчета и взимания оплаты сделала роль таксиста доступной для любого шофера.

ИИ и платформы принципиально изменили индустрию пассажирских перевозок в двух важных направлениях: вовлекли намного больше людей в принятие решений о поездках и снизили влияние на эти решения самих водителей. Теперь таксист больше не владеет тайным знанием о городе и его основная цель — комфорт пассажиров.

В ряде случаев ИИ не меняет ответственного за принятие решений, но расширяет его возможности. Например, директор по кадрам, как и прежде, принимает основные решения о найме — но теперь ему не нужно множество кадровиков, просматривающих сотни резюме и фильтрующих их в основном на свое усмотрение.

В других случаях ИИ трансформирует все: и кто, и как принимает решение. Помните, раньше при пользовании банковскими картами требовались паспорт и подпись и продавец сам определял, кому доверять и в ком усомниться. Теперь все проверяется автоматически, в том числе с использованием ИИ, на основе критериев риска, отобранных специалистами банка.

Есть и третья категория случаев, когда внедрение ИИ оставляет решение за прежним ответственным лицом и даже повышает значимость его выводов из предлагаемых прогнозов. Яркий пример — анализ медицинских снимков: если раньше лечащий врач привлекал к нему специалистов по лучевой диагностике, то теперь, опираясь на рекомендации алгоритмов, ставит диагноз в одиночку и не может ни с кем разделить ответственность.