Новый подход к прогнозированию | Большие Идеи

・ Принятие решений

Новый подход
к прогнозированию

Чтобы реализовать потенциал ИИ, необходимо пересмотреть всю систему

Авторы: Ави Гольдфарб , Аджай Агравал , Джошуа Ганс

Новый подход к прогнозированию
Фото: DeepMind / Unsplash

читайте также

Насколько финансово грамотны ваши сотрудники?

Берман Карен,  Найт Джо

Как руководить, когда вам страшно

Питер Брегман

Кадровики идут в Agile

Анна Тэвис,  Каппелли Питер

Павел Дуров: «Игнорируйте мнение авторитетов»

Редакция «HBR — Россия»

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.

Итак, применение искусственного интеллекта меняет процесс принятия решений — а значит, всю цепочку создания ценности и рабочую экосистему. Улучшение в одном месте может создать проблемы в другом, и вот как это происходит.

Как ИИ сдвигает неопределенность

Предположим, вы руководите рестораном. Люди заказывают еду, повара готовят ее. При этом, естественно, на кухне присутствуют только определенные ингредиенты и оборудование, а повар способен приготовить ограниченное число блюд. Гостям нельзя позволить заказывать что угодно: возникнут проблемы.

Поэтому вы разрабатываете меню (оно защищает и клиента, и повара от ненужных сюрпризов и разочарований) и согласно ему каждую неделю закупаете продукты. Допустим, вы включили в меню гуакамоле и покупаете 100 кг авокадо в неделю. Иногда этого объема не хватает, и вы продаете меньше гуакамоле, чем могли бы, а иногда, наоборот, интерес к блюду падает и вам приходится списывать испортившиеся плоды.

Вы решаете внедрить ИИ-инструменты для прогнозирования спроса, и они срабатывают: теперь вы покупаете то 30, то 300 кг авокадо и извлекаете из них максимум прибыли.

Однако ваш поставщик привык поставлять вам 100 кг в неделю, и ему не нравится непредсказуемость ваших заказов. Тем более что другие клиенты тоже начинают внедрять ИИ-аналитику — и спрос на его авокадо начинает скакать вверх-вниз как заведенный. В итоге измученный поставщик сам переходит на ИИ-прогнозирование спроса и теперь закупает то 5, то 50 тонн в неделю у поставщика следующего уровня. Тому, в свою очередь, тоже приходится искать помощи у алгоритмов… и так вплоть до фермеров, выращивающих авокадо, которые должны принимать решение о планируемом объеме продукции минимум за год до сбора урожая.

К чему мы клоним? Устраняя неопределенность из решений одного участника большой системы, искусственный интеллект просто сдвигает ее к другим, не решая основополагающей проблемы — баланса спроса и предложения. При этом каждое новое ИИ-решение меняет равновесие в системе подобно расходящимся по воде кругам.

Возникает парадокс: научившись благодаря ИИ извлекать пользу из динамики происходящего, ваш бизнес становится более предсказуемым в ваших глазах — и менее предсказуемым в глазах окружающих. Включая алгоритмы в цепочку создания ценности, вы вынуждаете партнеров адаптироваться к этой непредсказуемости.

Зачем координировать системы

Управляющий рестораном принимает решения не только по спросу, но и, например, по меню. Если распространение ИИ по цепочке поставок приведет к тому, что фермеры станут поставлять меньше авокадо, придется менять меню. Но для этого надо заранее убедиться, что авокадо точно не удастся достать, — это требует координации между лицами, принимающими решения по всей цепочке. У такой координации есть два важных аспекта.

Синхронизация работы. Представим себе команду из восьми гребцов. Ее успех в гонке зависит от двух моментов: слаженности движений и выбора стратегии (чтобы никто не выдохся до финиша). Второе во многом зависит от рулевого, первое — нет. Звучит контринтуитивно, ведь именно рулевой задает темп гребков. Однако в принципе для этого не нужен специальный человек: задать темп может и один из гребцов (в классах гребли, где рулевой отсутствует, так и происходит). А вот собирать и обобщать информацию может только рулевой. Он видит состояние каждого члена команды и ситуацию в гонке в целом и нужен для синхронной оптимизации работы всех гребцов.

Распределение ресурсов. Экономисты выделяют целый класс проблем распределения — ситуаций, где для задачи нужно выделить ресурсы и заведомо известно, какой их объем будет использован: нельзя ни переборщить, ни недодать. Возьмем работу скорой помощи. Если вызов услышат сразу все машины, к пациенту приедет либо слишком много врачей, либо ни одного. Необходим диспетчер (неважно, человек или компьютер), который получит вызов и отправит по нему ровно одну бригаду. Причем в данном случае потенциальный вред от неверного выбора бригады (скажем, не самой близкой к дому больного или не располагающей всем необходимым оборудованием) намного меньше, чем от неотправки ее вообще или от отправки сразу нескольких.

И рулевой, и диспетчер выступают в роли коммуникационной системы, защищающей от проблем с координацией (с синхронизацией изменений или распределением ресурсов). Если внедрение ИИ-решения вызывает проблемы с координацией, для их преодоления компании тоже нужны коммуникационные системы. Без разумных инвестиций в координацию процессов невозможно полностью реализовать потенциал искусственного интеллекта. Но какие инвестиции станут здесь разумными?

Где искать баланс координации и модульности

К сожалению, систему не всегда удается координировать исключительно через коммуникацию, как в случаях с рулевым и диспетчером скорой. Тот же ресторан не в состоянии одной коммуникацией адаптировать под себя всю многокилометровую и многомесячную цепочку поставок: это было бы слишком дорого и требовало бы много времени.

Как же быть? Рассмотрим пример Amazon. Компания продает миллионы товаров по всему миру. Ей надо найти поставщиков, обзавестись складскими площадями, не перепутать и вовремя доставить заказы. А также помочь клиентам определиться с покупкой — дать им рекомендации. И здесь Amazon сталкивается с той же проблемой, что и ресторан: не все продукты по ее «меню» легко достать в нужный момент в нужном количестве, ведь цепочки поставок очень сложны.

Допустим, ИИ-движок рекомендаций показывает, что оптимальный товар, который клиент наверняка захочет приобрести, будет очень трудно найти. Что в этом случае делает Amazon?

Так и хочется сказать: не можешь доставить — не рекомендуй! Но как тогда определить, правилен ли был прогноз? Если советовать только то, что есть под рукой, компании будет трудно учиться и расти.

Поэтому Amazon включает в свои рекомендации и товары, которых нет в наличии и которых покупателю придется подождать. Координация в таких советах присутствует: клиенту сообщают примерные сроки доставки. Некоторые люди предпочитают подождать — и это дает компании важные сведения (о спросе на отсутствующие товары и затратах на их поиск).

Чтобы создаваемые ИИ-решениями сложности не отражались на работе всей организации, Amazon разделена на модули. Впрочем, действия и предпочтения покупателей в любом случае поступают через отдел логистики в общую систему ИИ-рекомендаций компании.

При внедрении искусственного интеллекта многим компаниям придется находить нужный баланс модульности и координации в своей системе. Модульность поможет изолировать каждую часть организации от ненужных «кругов на воде» при изменениях в других частях. Координация же, наоборот, помогает преодолеть мешающую работе разницу между модулями. Запомните правило успешных ИИ-систем: координация везде, где можно; модульность везде, где нужно.

Итак, мы надеемся, что вы уже поняли: искусственный интеллект — это электричество и компьютер нашего времени. Как и эти технологии, он начал с нишевого применения, а затем люди начали замечать возможности его использования буквально повсюду: мы уже упоминали о его потенциальной пользе для работы ресторанов с поставщиками и меню. Каждая такая возможность сдвигает неопределенность, создавая новые сложности — и новые возможности. Чем дальше по цепочкам поставок и экосистемам станет распространяться эта технология, тем фантастичнее будет преображение процессов и практик, казавшихся нам естественными и незыблемыми, — и все это благодаря не столько технологии как таковой, сколько творческому подходу работающих с нею людей.