Штучний інтелект очима економістів
Штучний інтелект (ІІ) – реальність сьогоднішнього дня. Він уже змінив звички та навіть долі мільйонів людей. Наприклад, поява навігаторів позбавила професійних таксистів їхньої ключової переваги — знання міста. Тепер кожен може влаштуватися водієм у Uber та заробляти, користуючись підказками навігатора. Пошукові машини замінили довідкові служби та бібліотеки. Онлайнові магазини з розумними системами пропозиції товарів витісняють звичайні магазини. І таких прикладів тисячі.
Як будь-яка технологічна новинка, ІІ з кожним днем стає дешевшим — і попит на нього, відповідно, зростає . Однак зараз навіть найсміливіший візіонер не може стверджувати, як саме розвиток ІІ позначиться на конкретній компанії.
Ще у 1980-х комп’ютери вважали машинами, які придатні лише для обчислень. Сьогодні вони керують безпілотними машинами та пишуть музику.
То що ж принесе ІІ реальному бізнесу? Щоб відповісти на це питання, потрібно розібратися в суті інструментарію ІІ та зрозуміти, на що він здатний, а на що – ні.
У книзі “Штучний інтелект на службі бізнесу” канадські економісти, творці “Лабораторії творчого руйнування” для наукомістких стартапів, пояснюють, як розумні машини будують прогнози і чим вони можуть бути корисні для бізнесу. Методика декомпозиції бізнес-рішень та практичні поради щодо впровадження інструментів ІІ у діяльність компаній роблять цю книгу корисною для підприємців, власників бізнесу, інженерів, менеджерів, студентів економічних та технічних спеціальностей.
ІІ за роботою: прогнози, але не судження
Штучний інтелект – це прогностичний інструмент, який дозволяє заповнювати інформаційні прогалини шляхом аналізу наявних даних.
Сучасні потужні комп’ютери легко справляються з обсягами обчислень, які були немислимі ще двадцять років тому. При цьому застосовуються десятки методів, які фахівці з ІІ підбирають під конкретні завдання: класифікація, кластеризація, регресія, дерево рішень, байєсовське оцінювання, нейронні та капсульні мережі, топологічний аналіз даних, глибоке та стимульоване навчання тощо.
Розвиток бізнесу, організації – по суті, робота з прогнозами щодо попиту, ціни, поведінки конкурентів, витрат та прибутків. На основі прогнозів ухвалюються рішення. Тому, чим точнішими і дешевшими стають прогнози ІІ, тим впевненіше вони проникатимуть у повсякденну практику бізнесу .
Наскільки інтелектуальний ІІ
Іноді людям не подобається, що роботу прогностичних машин називають інтелектом. Однак для цього є деякі підстави:
- кінцевий результат діяльності ІІ – прогноз, який донедавна залишався прерогативою людини;
- ІІ вміє вчитися, перевіряючи свої прогнози на практиці та роблячи висновки на майбутнє.
Джефф Хокінс у книзі “Про інтелект” (On Intelligence) писав, що префронтальна кора головного мозку – прогностичний орган. Отже аналогія між ІІ та мозком людини — цілком розумне припущення.
Проте поки що ІІ не може замінити людину. І ми розберемося чому.
Як працює ІІ
Інструменти ІІ засновані на трьох типах даних:
- вихідні, які завантажуються у прогностичні алгоритми;
- навчальні – дані про середовище, необхідні для створення самих алгоритмів ІІ;
- дані зворотного зв’язку роботи алгоритмів.
ІІ навчає себе сам: вхідні дані (тип 1) закладаються в машину разом з даними про критерії результатів (тип 2), потім дані про точність прогнозу (тип 3) стають основою для уточнення алгоритмів. Цей процес називається машинним навчанням.
Класична регресія будується на теоретично працездатних методах, які можуть виявитися абсолютно марними на практиці. Машинне навчання тестує прогнози та покращує алгоритми на основі реального зворотного зв’язку.
Гнучкі методи навчання машин дозволяють їм поєднувати безліч змінних найнесподіванішим чином — таким, яким не спало б на думку навіть найкваліфікованішому аналітику.
Яскравим прикладом того, як людський мозок не справляється з аналізом багатьох змінних, можна вважати фінансову кризу 2008 року. Аналітики окремо вивчали локальні сегменти ринку нерухомості та були впевнені, що ринок забезпечених боргових зобов’язань стабільний. Але коли криза вибухнула відразу в багатьох локаціях США, ці прогнози провалилися: у них не було даних про взаємний вплив ринків.
ІІ вміє обробляти колосальні обсяги даних і зіставляти безліч змінних, формуючи таким чином повну картину процесів, що відбуваються. Прогноз ІІ створюється зокрема з урахуванням не передбачених заздалегідь зіставлень.
Дані – паливо для ІІ
Обсяги цифрових даних, їхня різноманітність та якість за останні 20 років зросли драматично. Все навколо оснащено датчиками, машини розпізнають та оцифровують тексти та зображення – і все це може стати їжею для ІІ. Що більше даних, то точніше прогноз. Але дані коштують грошей. І лише такі гіганти, як Google та Facebook, сьогодні можуть збирати нескінченні обсяги даних із кінцевих користувачів. Більшість організацій має вирішити собі питання, скільки саме коштів можуть вкласти у отримання необхідні ефективного розвитку даних. Щоб розрахувати обсяг капіталовкладень у дані, слід відповісти на такі питання:
- що саме потрібно прогнозувати;
- які типи даних для цього потрібні;
- як часто потрібно збирати дані;
- скільки об’єктів потрібно на навчання ІІ.
Даних має бути достатньо, щоб уловити суттєві закономірності та побудувати прогноз. І водночас варто пам’ятати, що 100-відсоткова точність прогнозу, куплена ціною збору величезної кількості даних, може бути зайвою.
Організаціям належить постійно шукати оптимальний баланс між обсягом даних, підвищенням точності прогнозів та їхньою цінністю для бізнесу.
Економічне мислення — недостатня опора цього пошуку. Тут потрібно щось більше — а саме чуття.
З економічного погляду дані мають спадну віддачу від масштабу: п’яте спостереження цінніше, ніж двадцять п’яте, а тисячне — цінніше мільйонного.
В той же час відомо, що Google виграє гонку з іншими пошуковими машинами саме завдяки вмінню видати найкращий результат для поодиноких запитів. Цей хвіст низькочастотних запитів забезпечує компанії 70-відсоткову частку ринку в Америці та 90-відсоткову частку в Європі.
Люди та машини: поділ праці
Цінність доповнюючих факторів
Коли обробка даних та отримання прогнозу падають у ціні, починає зростати цінність так званих факторів, що доповнюють.
Колись падіння цін на каву призвело до зростання попиту на цукор та вершки. Сьогодні через здешевлення ІІ зростає цінність датчиків, які збирають вхідні дані.
Автори книги вважають, що рішення складається із семи компонентів:
вхідні дані із зовнішнього середовища дають можливість зробити прогноз , в основі якого лежить попереднє навчання ; судження про поточну ситуацію об’єднується з прогнозом, і відбувається дія , що, своєю чергою, веде до результату . Оцінюючи зворотний зв’язок , отримуємо висновки для подальших рішень.
ІІ здешевлює (робить більш доступним) лише один із семи компонентів — прогноз. Натомість цінність таких факторів, що доповнюють, як дані, судження і дія, зростає. Саме ці компоненти забезпечує людина.
Чим більше прогнозів робитимуть машини, тим більшим буде попит на судження людини.
Найцінніший доповнювальний чинник у разі ІІ для бізнесу — це економічна думка про окупність, доцільність, доход і прибуток від діяльності прогностичних машин.
ІІ здатний дати сигнал про те, що запитана операція по карті з великою ймовірністю шахрайська. Але тільки людина може визначити політику блокування карток для різних категорій клієнтів банку.
Людина чутлива
Людина має три типи даних, які недоступні для комп’ютерів:
- інформацією від органів чуття (зору, слуху, смаку, нюху, дотику, вестибулярного апарату);
- самостійним знанням про свої переваги;
- а також усіма конфіденційними даними про почуття, думки, наміри та дії, які люди приховують від всюдисущих датчиків.
Володіння цими даними істотно впливає якість рішень і прогнозів людини. Найчастіше на краще, хоча не виключені і помилки.
Невідомі відомі та відомі невідомі
Щоб зрозуміти, як розрізняються здібності людей та машин в обробці інформації, корисно розділити всі дані на чотири категорії:
- відомі відомі – факти, у знанні яких ми впевнені;
- відомі невідомі ми знаємо, що є щось, що нам невідомо;
- невідомі відомі ми знаємо факт з минулого, але не розуміємо, що лежить в його основі;
- невідомі невідомі — невідомі факти, про існування яких ми не здогадуємось.
ІІ відмінно ладнає з першим типом даних: чим більше відомих відомих отримує прогностична машина, тим кращий прогноз вона дає.
З другим типом даних краще справляються люди: там, де машинам бракує даних, людина може зробити точніший прогноз за непрямими, часто навіть цілком усвідомлюваним ознаками .
Люди краще за машини розпізнають одного разу побачене обличчя навіть у незвичному ракурсі, вміють передбачати траєкторію польоту м’яча і майстерно проводять аналогії. У ситуаціях, коли машину потрібно навчити працювати з відомими невідомими, її вчать імітувати дії людини — наприклад, машинний переклад та керування безпілотним автомобілем стають кращими саме завдяки такому навчанню ІІ.
Невідомі відомі – справжня пастка для ІІ. Машина може зробити дуже точний прогноз на основі наявних даних, але при цьому потрапити в халепу через те, що не розуміє механізму виникнення цих даних. Людина краще справляється із нестандартними ситуаціями, роблячи успішний «прогноз винятків».
Гаррі Каспаров писав про те, що перші досліди навчання комп’ютера шахів призвели до курйозного результату. ІІ при аналізі партій гросмейстерів зауважив, що видатні шахі майстри часто жертвують ферзем, а потім здобувають перемогу. Не оцінивши всю складність таких ситуацій, ІІ вирішив, що втрата ферзя з великою ймовірністю призводить до перемоги в партії, і машини почали фатально програвати, розкидаючись ферзями.
Відомий парадокс Вальда, який за пробоїнами в корпусах літаків визначив, що зміцнювати потрібно саме зони, що залишилися цілими, — визначний приклад того, як людський інтелект справляється з невідомими відомими. Інженер зумів здогадатися, що літаки, які повертаються з бою, мають пробоїни в некритичних точках. А ті, які зазнали небезпечних пошкоджень, не повернулися і не потрапили у вибірку для аналізу.
Перед невідомими невідомими люди та прогностичні машини пасують однаково.
Buddy check
Дайвери перед зануренням на глибину проводять взаємну перевірку обладнання: тиск у балоні, правильне положення запасного регулятора та пряжки на жилеті. Людина та прогностична машина теж можуть виступити як напарники, перевіряючи прогнози один одного.
Перевіряючи прогноз, зроблений машиною, людина порівняє його зі своїми непрямими, інтуїтивними припущеннями — і, можливо, захоче щось перевірити ще раз.
Попереджаючи людину про те, що її прогноз перевірятиме машина, керівництво забезпечить ретельніше ставлення співробітника до роботи.
Експерименти показали, що ІІ краще, ніж судді, визначає можливість повторного злочину або втечі людини, відпущеної до суду під заставу. Це приклад прогнозів, які краще довіряти ІІ, а людині контролювати.
Досить хороший результат
В умовах невизначеності, коли кінцевий результат неможливо описати повністю заздалегідь, важливо визначити «функцію винагороди» — тобто критерії досить хорошого результату для кожного етапу.
Лауреат Нобелівської премії з економіки Герберт Саймон довів, що за складних умов принцип «розумної достатності» — це фундамент рішень, які може приймати лише людина. ІІ може лише з тим чи іншим успіхом копіювати дії людини в умовах невизначеності.
Безпілотний транспорт успішно застосовується в умовах, які можна повністю контролювати, наприклад, у поїздах метро. Але в реальній обстановці водії розумних Tesla повинні тримати руки на кермі, навіть коли автомобілем керує автопілот.
Людина у світі з ІІ
Ще 1908 року Валерій Брюсов написав антиутопію «Повстання машин». 1950-го з’явилася культова книга Айзека Азімова «Я, робот». Сьогодні сюжет про повстання машин лякає нас не менше, ніж сто років тому. Стівен Хокінг та Ілон Маск попереджають людство про те, що розвиток ІІ спричиняє серйозні ризики для цивілізації.
Автори книги відповідають на найчастіші питання, пов’язані із цією темою.
- Чи замінять комп’ютери людини? — Десь так, а десь ні.
- Чи втратять люди своєї роботи? — В історії мало прикладів, коли люди втрачали робочі місця через машини. Як правило, через короткий з історичного погляду час попит на робочу силу відновлюється — змінюється лише асортимент професій та зміст праці. Але в рамках одного людського життя така драма справді може статися.
- Чим займатимуться люди, які можуть використовувати у роботі прогнози ІІ? — Приймати рішення та визначати стратегії, оцінюючи та порівнюючи різні машинні прогнози.
Автори впевнені, що найближчим часом активно розвиватиметься нормативно-правова база, яка регулює поділ праці між людиною та розумними машинами .
Люди, їх робота та штучний інтелект
Залучені до автоматизації люди стикаються з новими вимогами до їхньої праці: коли рутинні операції виконує ІІ, у людини з’являються більш творчі завдання. Зміст праці у багатьох професіях буде переосмислено.
Оскільки нові функції будуть важливішими, людей на робочих місцях цінуватимуть не менше, а більше, ніж раніше.
Водія шкільного автобуса теоретично вже зовсім скоро можна буде замінити на автоматику, яка керує автомобілем. І така перспектива раптово підкреслює, що водій не просто сидить за кермом, а й наглядає за порядком та забезпечує безпеку дітей у ширшому значенні слова.
Разом з тим, чітке визначення робочих обов’язків йтиме все далі в минуле. У нових умовах співробітникам доведеться виявляти більше ініціативи та вміння виконувати завдання поза регламентом.
Управління кадрами з бюрократичної задачі перетвориться на соціальну: HR приділятимуть все більше уваги розвитку талантів, залученню та навчанню персоналу, у тому числі з використанням модельованого середовища та симуляторів.
Парадоксально, але в новому світі, напханому ІІ, людині потрібно зберігати активними всі важливі навички та постійно підвищувати рівень кваліфікації . Адже в критичній ситуації саме людям доведеться брати на себе керування процесами, з якими машина не впоралася. Отже, навчання стане по-справжньому безперервним і дуже важливим. А ще за людиною і вдома, і на роботі залишається право жартувати, причому зовсім не ексклюзивне. Дослідження показують, що ІІ чудово справляється із вигадуванням жартів. Але люди неохоче сміються з жартів машин. Якщо ж машинну гостроту повторить людина, успіх ймовірніший. Також опитування показують, що люди вважають за краще, щоб про них та їхніх дітей дбали не роботи, а живі люди.
Ризики та помилки ІІ
Чи можна сказати, що штучний інтелект ніколи не помиляється? Безперечно ні. Застосування його інструментів загрожує цілою низкою ризиків, про які краще пам’ятати протягом усього взаємодії з ІІ.
- Ризики дискримінації. Видача різних результатів пошуку людям різної статі, кольору шкіри, віросповідання тощо може привести не тільки пошуковик, а й компанію, яка замовила просування, до серйозних правових проблем.
- Ризики нульового результату. Іноді варто зупинити рекламну кампанію, що йде, і подивитися, як продається ваш товар без залучення інструментів ІІ. Можливо, ефективність вас не влаштує — а отже, настав час змінювати алгоритми.
- Ризики безпеки. Хакери та конкуренти можуть маніпулювати вхідними даними, красти їх, копіювати ваші алгоритми, підміняти прогнози і навіть вчити вашу машину ІІ робити неправильні прогнози. Крім того, є ризик технічних збоїв, від якого можна захиститися, якщо використовувати кілька прогностичних машин (але тоді ви зіткнетеся з проблемою стандартизації).
Всі ці ризики потрібно враховувати та контролювати, але загалом впровадження ІІ в бізнес-процеси альтернативи немає.
ІІ та управління бізнесом
Автоматизація робочих процесів потребує їх уточнення і часто модифікації. Отримати максимальний ефект від застосування ІІ можна лише шляхом реінжинірингу процесів.
Щоб зрозуміти, які саме завдання у вашому бізнесі можна доручити ІІ, автори пропонують скористатися методикою декомпозиції завдання, розібравши кожну з них із семи питань.
- Дія. Яка кінцева мета процесу?
- Прогноз. Що потрібно дізнатися у результаті? Уточніть, який прогноз потрібний.
Будь-яке завдання, яке ви ставите перед ІІ, має бути сформульоване як прогностичне: безпілотне керування автомобілем — це рух за певним маршрутом з адекватною реакцією на фактори, що знову виникають.
- Судження. Які критерії оцінки проміжних результатів та допустимі витрати від побічних ефектів?
- Вихід. Які критерії успішно виконаного завдання?
- Вхідні дані. Які дані потрібні для запуску прогностичного алгоритму?
- Навчальні дані. Які дані послужать на навчання прогностичного алгоритму?
- Дані зворотний зв’язок. Як удосконалити алгоритм покращення майбутніх прогнозів?
Після уточнення мети прогнозу відповіді питання вхідних даних стають цілком зрозумілими.
Провівши декомпозицію завдань, проранжуйте інструменти ІІ за ознакою віддачі на капітал і відразу побачите, які саме прогнози принесуть максимальну користь вашому бізнесу.
Хто тут влада?
Шаблон декомпозиції завдань цілком ясно показує, що неможливо внести зміну в діяльність лише одного підрозділу організації, не торкнувшись інших.
Це означає, що на чолі процесу модернізації має стояти керівник найвищого рівня, який бачить всю картину, точно оцінює перспективу та має повноваження змінювати процеси у всій структурі компанії.
Вже зараз у багатьох організаціях з’являються фахівці, які займаються ІІ: його впровадженням, аналізом ефективності, розробкою перспективних напрямів. Але на чолі процесу має стояти СЕО.
Саме глава бізнесу здатний провести організацію через неминучий при впровадженні нових інструментів турбулентний період та дозволити короткострокові збитки заради майбутніх переваг.
Коли час міняти стратегію
Успішні компанії не палають бажанням змінювати свої процеси — у них і так усе гаразд. Але рано чи пізно їхньому благополуччю починають загрожувати зухвалі стартапи, які відривають свою частку ринку, застосовуючи нові стратегії та, зокрема, інструменти машинного прогнозування. Конкуренція змушує ворушитися навіть найконсервативніших гігантів.
Рано чи пізно розвиток ІІ вимагатиме зміни бізнес-моделі та стратегії кожної організації. Занадто раннє впровадження нових бізнес-моделей може бути надзвичайно затратним. Але запізнитися теж небезпечно: можна втратити більшу частину покупців.
Визначити потрібний момент сам ІІ не в змозі. Цей інструмент прогнозує, але не здатний на судження.
Як ви поставитеся до доставки товару, який не замовляли? Зараз це звучить дивно, але торговий онлайн-гігант Amazon ще в 2013 році отримав патент на “випереджальну доставку”. Коли ІІ навчиться з високою точністю передбачати необхідність придбання тих чи інших товарів, ретейлер зможе перейти до моделі «доставка – потім оплата». Сьогодні за такої моделі відсоток повернення, швидше за все, перевищив би 95%. Але в міру збору даних про покупців та підвищення точності прогнозу все більше товарів буде прийнято клієнтами та сплачено. В результаті Amazon може змінити свою систему продажів і навіть створити власну інфраструктуру для безпроблемного повернення товарів, ставши гравцем на ринку, в якому поки що не бере участі.
З економічної погляду повна автоматизація потрібна на вирішення завдань, у яких вона приносить максимальний дохід. У них:
- автоматизовано всі інші компоненти, крім прогнозу;
- важливо швидке виконання дії після прогнозу (блокування карток, безпілотне керування авто);
- висока віддача від скорочення часу очікування прогнозу (віддалене освоєння космосу за допомогою роботів).
Хто виграє від поширення ІІ
Дивлячись на успіх Google та Facebook, легко вирішити, що вигоду від здешевлення та розповсюдження ІІ отримають саме компанії, що збирають вхідні дані. Насправді, це не так.
Термін дії вхідних даних дуже короткий. Постійно отримувати з них вигоду можуть ті організації, які безупинно їх збирають.
Якщо ми знаємо, скільки молока продано минулого року, це не означає, що ми можемо точно прогнозувати продаж наступного року. Адже ці дані застаріли вже на момент свого збору.
Для розвитку алгоритмів ІІ навчальні дані та дані зворотного зв’язку важливіші, ніж вхідні дані.
Найбільшу вигоду від застосування ІІ отримають компанії, які включать результати прогнозів у свої бізнес-моделі і таким чином збільшать прибуток від традиційних операцій, вчасно ухвалять рішення щодо корекції бізнес-моделі та/або освоять нові сектори ринку.
Автори впевнені, що найважливіші управлінські рішення в епоху бурхливого розвитку ІІ будуть пов’язані з визначенням кордонів бізнесу : компаніям належить вирішувати, генерувати вхідні дані та прогнози самим або купувати у постачальників (на зразок тих самих пошукових машин). Крім того, чим складніше завдання, які вирішуються всередині компанії завдяки ІІ, тим більше простих функцій передаватиметься аутсорсинговим компаніям.
Якщо розглядати конкуренцію у галузі розробки ІІ між країнами, то найближчим часом лідером стане Китай. КНР лідирує не лише за сумою інвестицій у розвиток ІІ, але й за обсягами доступних даних користувача і, що істотно, за легкістю доступу до конфіденційних даних, які користувачам у країнах з більш ліберальними політичними режимами вдається приховувати від всевидячого ока Великого брата.
Поки що ситуація виглядає так, що країни Європи програють гонку за ІІ саме через найсуворіші закони про охорону персональних даних. Можливо, виходом із цього глухого кута стане блокчейн, але поки говорити про це з упевненістю не можна.
10 найкращих думок
1. Штучний інтелект забезпечує вирішення різноманітних прогностичних завдань , від машинного перекладу та реклами до безпілотного керування транспортом.
2. Прогнози ІІ стають дешевшими, тому їх популярність зростає.
3. Ефективність машинного навчання висока, тому що ІІ тестує прогнози та покращує алгоритми на основі реального зворотного зв’язку.
4. Точність та достовірність прогнозів ІІ чітко пов’язані з якістю вхідних даних , які стали «новою нафтою» у XXI столітті.
5. Прогноз — лише частина рішення, яке, як і раніше, має приймати людина.
6. Економічну доцільність впровадження ІІ на вирішення конкретних бізнес-завдань можна оцінити шляхом декомпозиції завдань.
7. Організація може самостійно генерувати дані та прогнози, а може купувати їх на ринку.
8. Отримати максимальний ефект від застосування ІІ можна лише шляхом комплексного реінжинірингу процесів. Тому очолювати трансформацію має лідер компанії.
9. При використанні ІІ виникають ризики, пов’язані з безпекою даних, ефективністю алгоритмів, технічною надійністю обладнання та можливою дискримінацією користувачів.
10. У новому світі, напханому ІІ, людині потрібно постійно вчитися та підвищувати рівень кваліфікації.
Про вплив невідомих невідомих читайте у саммарі книги Нассима Талеба «Чорний лебідь. Під знаком непередбачуваності» .