ИИ для топ-менеджера: какие задачи лучше решать с
помощью алгоритмов

Бизнес-лидеры часто гордятся тем, что отлично принимают решения интуитивно, ведь они стали главами департаментов или директорами не потому, что слепо следовали алгоритму. Безусловно, интуиция и инстинкты — важные лидерские инструменты, но не в том случае, если их применяют неразборчиво. Развитие искусственного интеллекта показало: у тех качеств, которые мы всегда ценили в лидерах, есть и обратная сторона. Иногда алгоритмы позволяют это увидеть: то, что мы считали предвидением, оказалось простой удачей; за принципами, которые казались нам священными, не стоит никаких доказательств; а незыблемая уверенность может обернуться близорукостью. Вспомните хотя бы о том, какие результаты показывают инвестиционные фонды с активным управлением, чтобы увидеть недостатки проверенных временем традиционных (человеческих) подходов к принятию решений. За редкими исключениями эти фонды (во многих случаях возглавляемые знаменитыми инвесторами) в долгосрочной перспективе проигрывают индексным фондам, а алгоритмический трейдинг на базе ИИ нередко превосходит традиционный.

В обозримом будущем ИИ не заменит интуитивного принятия решений. Но чтобы полностью использовать его возможности, топ-менеджерам придется изменить свои подходы. Они должны будут проверить свои убеждения данными и экспериментами, а затем направить ИИ на нужные проблемы. Инвестиционные управляющие начинают понимать, что нужно искать не лучшие акции, а лучший алгоритм, — так и в других сферах топ-менеджерам придется выбирать один из двух неприятных вариантов: научиться использовать машины — или уступить им свое место.

Лестница причинно-следственной связи

Давайте посмотрим, почему ИИ превосходит интеллект человека в решении некоторых типов задач и как это может влиять на подход топ-менеджеров к технологиям. За последние годы ИИ обыграл чемпионов мира по покеру, шахматам, Jeopardy и т.д. Если это вас удивляет, то вы недооцениваете количество механического заучивания и математической логики, нужной для победы в этих играх, а в случаях покера и шахмат переоцениваете роль психологии.

Туомас Сандхольм, изучающий компьютерные науки в Университете Карнеги — Меллона, создал ИИ-систему Libratus, которая обыграла лучших в мире игроков в покер. Он заявил, что его алгоритмы работают в основном на теории вероятности, а для победы не нужно изучать поведение игроков — их ложные приемы, «сигналы» и т. д. С помощью теории игр и методов машинного обучения Libratus побеждала оппонентов, просто вычисляя наиболее вероятные варианты решений. Даже на турнирах высшего уровня понимать законы вероятностей намного важнее, чем считывать поведение.

Таким образом, главная задача при оптимизации использования ИИ — понять, какие задачи лучше передать ИИ, а какие лучше сможет решить сам менеджер, если изменит свой подход к их осмыслению. Ответ на этот вопрос содержится в работах знаменитого информатика Джуды Перла. Он придумал знаменитую «лестницу причинно-следственной связи», описывающую три уровня логического мышления, которую мы можем использовать как руководство по пересмотру своих суждений. Как Перл пишет в своей книге «Почему? Новая наука причинно-следственных связей», «ни одна машина не может вывести объяснения из сырых данных — ее нужно подтолкнуть». Первая ступень лестницы причинно-следственных связей — это выводы по ассоциации (если А, значит, B); вторая — выводы по интервенции (если изменить вводную X, то что случится с результатом Y?), и, наконец, третья — это выводы с помощью контрфактуального анализа: неочевидных концепций, которые противоречат фактам, но ведут к новым результатам.

Ассоциация

Ассоциация — это изучение корреляции между двумя переменными. Если поднять цены, как изменится прибыль? ИИ отлично умеет обрабатывать огромные объемы данных и искать ассоциативные связи. Например, социальные сети используют такие алгоритмы, чтобы на основании поведения пользователей в прошлом предсказывать, какие посты соберут больше всего просмотров.

Людям это дается хуже: они думают медленнее и больше подвержены системным ошибкам. Поэтому руководители, которые принимают решения только по интуитивным ассоциациям, могут приходить к неправильным выводам о причинно-следственных связях — например, ошибочно предполагать, что к нужному результату привело какое-то определенное действие. Так, когда я возглавлял группу по внутренней корпоративной стратегии в Accenture, мы выделяли много времени и денег на разработку дифференцированных услуг. Нам казалось, что клиенты были готовы платить за них больше — и мы таким образом больше заработаем. Но сравнив прибыльность клиентов, получавших дифференцированные и недифференцированные услуги, мы обнаружили, что причиной повышенной прибыли была не дифференциация услуг, а личные отношения с клиентами. Мы много лет работали на основании непроверенного принципа о связи между дифференцированными услугами и прибылью.

Интервенция

Интервенция — это совершение действия с последующим наблюдением его влияния на результат, то есть изменение переменной в эксперименте. Бизнес-руководители поступают так постоянно — например, можно изменить цену продукта, а затем записать влияние этого изменения на продажи или прибыль. Но если они слишком уверены в предсказанном результате, их ждут проблемы. Чтобы интервенция оказалась эффективной, нужно быть готовым протестировать целый ряд вариантов — даже тех, которые кажутся совсем неочевидными, — и смотреть, как будет меняться результат. Здесь у людей может быть преимущество над ИИ.

Несколько лет назад мой стартап выпустил два перспективных продукта — ИИ-решения в сфере продаж и финтеха. Мы использовали ИИ, чтобы проверить сценарии прогнозов размера рынка для каждого из продуктов. Модель показала, что продукт для продаж окажется эффективнее, хотя он выходил на переполненный рынок. Но мы интуитивно решили провести кампании обоих продуктов одновременно и сравнить их, чтобы проверить, не возникнет ли у финтех-продукта преимущества, ведь его сегмент был менее конкурентным. Оказалось, что через 90 дней финтех-решение с большим отрывом опережало решение для продаж и быстро заняло большую долю меньшего рынка.

Контрфактуальный анализ

Эта идея прекрасно выражена в классическом фильме «Эта замечательная жизнь», где ангел Кларенс показывает Джимми Стюарту мрачную альтернативную реальность — мир, в котором он не появлялся на свет. Для контрфактуального анализа нужно совершить акт творчества и представить, как бы обстояли дела, если бы какая-то переменная в эксперименте — или, в нашем случае, в бизнес-проекте — была другой, с учетом всех известных нам фактов.

Когда я был начинающим консультантом, операционный директор McDonald’s попросила меня обосновать расходы центрального офиса на НИОКР. «Какой метод вы будете использовать?» — спросила она. Я долго молчал, а потом ответил: «Давайте представим, что случилось бы, если бы центральный офис не занимался НИОКР, а оставил бы это на откуп франшизам». Для контрфактуального анализа мы представили себе альтернативную реальность, где все было иначе, — и директор наверняка ожидала, что выручка в таком мире будет намного ниже. Конечно, если решение уже принято, настоящий контрфактуальный анализ без машины времени провести невозможно, но можно поискать свидетельства, которые помогут представить этот результат. Например, в кейсе McDonald’s я предложил рассмотреть все последние новинки и изучить, откуда они появились. Это упражнение оказалось полезным и неожиданным: многие из главных хитов, например, «Биг Мак» или «Филе-о-Фиш», появились в поле, а за некоторые главные провалы — например, «Делюкс» — отвечал центральный офис. Контрфактуальный анализ позволил нам лучше понять, какую роль центральные НИОКР сыграли в инновационной активности компании.

Человек плюс машина

Рассмотрим пример, как люди вместе с ИИ, используя ассоциацию, интервенции и контрфактуальный анализ, нашли затонувший самолет. В июне 2009 года рейс Air France 447 попал в шторм и исчез у побережья Бразилии. На его борту находилось 228 человек, включая экипаж. Правительство Франции вело поиски два года, но ничего так и не нашло.

После четырех неудачных попыток власти привлекли команду математиков. Работая с алгоритмом ИИ, те применили байесовский подход, чтобы корректировать предсказания вероятности (в данном случае — вероятности, что самолет находился в данной точке на дне океана) по мере поступления новой информации.

Удивительно, но ученые нашли самолет всего за неделю. Как? Первое предсказание, сделанное с помощью ИИ, помогло определить самую перспективную зону поиска (которую власти уже обыскали). Но определяющей стала идея экспертов — учесть «новую» информацию об отказах, не рассмотренную властями ранее, изменить важную переменную и увидеть ее влияние на результат. Главный вопрос заключался в том, не мог ли сломаться маяк самолета, из-за чего власти могли упустить место аварии. Оказалось, что так оно и было — обломки самолета нашли недалеко от того места, где и ожидали по более ранним предсказаниям.

ИИ — мощный инструмент для принятия решений. Но если вам нужен результат, то руководители и другие топ-менеджеры должны пересмотреть практики его применения. Это не значит, что нужно уступать машинам принятие решений. Напротив, люди должны сконцентрироваться на том, что они умеют лучше всего — на креативных интервенциях и контрфактуальном анализе, — и доверить ИИ работу с данными и ассоциациями. Я надеюсь, что по мере дальнейшей работы людей и машин возникнет нечто закона Мура, и наши совместные мощности в принятии решений будут ежегодно удваиваться. Но это произойдет только в том случае, если мы сами сначала изменим свои подходы.

Об авторе

Боб Су (Bob Suh) — основатель и CEO компании OnCorps, которая предоставляет отрасли финансовых услуг ИИ-системы поддержки принятия решений. Фирма сотрудничает с ведущими учеными из Йеля, Оксфорда и Гарварда и тестирует алгоритмы принятия решений и поведения. Ранее Су был директором по технической стратегии в Accenture.