PublicAffairs, Рік випуску: 2017

Математична корпорація. Як машинний інтелект і людська винахідливість досягають неможливого

Книга одержала позитивний відгук від Booklist

Видання рекомендує Ларрі Боссіді, автор книги «Виконання»

На думку Майкла Усіма, професора менеджменту Уортонської школи бізнесу, книга варта уваги кожного керівника

Автори
Джош Салліван
Анджела Затаверн
Дата огляду
06 Грудня 2018
Прочитайте огляд
Прослухайте огляд
70

Основна ідея

Ми наближаємося до переломного моменту, який можна порівняти з появою інтернету в 1990-х. Підходи до керування організаціями кардинально зміняться, і дані будуть відігравати в них ключову роль. Однак це не означає, що роль людського інтелекту знеціниться. Концепція математичної корпорації передбачає органічне злиття потужності машинного інтелекту з уявою та допитливістю людей.

Джош Салліван – старший віце-президент консалтингової компанії Booz Allen Hamilton. Один з найвідоміших у світі експертів з науки даних і машинного інтелекту. Працює з компаніями зі списку Fortune 500, неприбутковими організаціями та державними інституціями.
Анджела Зутаверн – віце-президент консалтингової компанії Booz Allen Hamilton. Піонер у застосуванні машинного інтелекту в сферах лідерства та стратегії.

Магія деталей

Легко уявити, чого ми зможемо досягти, якщо вдасться проникнути в те, що залишається невидимим. У цьому й криється величезний потенціал математичної корпорації. «Магія в деталях», – так автори формулюють принцип, що лежить у її основі. Бенні Гудмен, музикант, що ввійшов в історію джазу як король свінгу, якось зазначив: «Починаючи втрачати деталі в музиці або житті, ви втрачаєте суть». Те саме можна сказати й про керування організаціями. «Більшість із нас прагне уникати складності (настільки, наскільки це можливо), через що ми втрачаємо суть», – зауважують Салліван і Зутаверн.
Шлях до суті лежить через прийняття складності. І цю роль зможуть виконати організації майбутнього, здатні органічно інтегрувати можливості машин і унікальність людського інтелекту. За словами авторів: «Якщо в минулому панувалааналітика та великідані, то в майбутньому головну роль зіграє величний розум математичної корпорації, який поєднає в собі математичний геній машин з уявою людей».
Серед тих, хто прагне побудувати математичну корпорацію, – Марк Філдс, генеральний директор компанії Ford. Збираючи та аналізуючи складні дані, він сподівається дати поштовх створенню серії проривних продуктів, які раніше здавалися недосяжною мрією. В 2015-му Ford запустила 25 експериментів, метою яких було розкрити всі секрети факторів, що впливають на транспортну сферу. У рамках одного з них 200 працівників сіли за кермо автомобілів, сенсори яких здатні збирати до 25 Гбайт даних на годину.
Одержуючи нові дані, компанія почала виявляти закономірності, які не могли знайти її клієнти та конкуренти. Метою експерименту було проаналізувати дані про поведінку кожного клієнта та отримати точну інформацію про те, як люди переміщаються в просторі (Філдс називає це мобільністю), що вони відчувають (споживчий досвід) і які нововведення сприймають як корисні (характеристики та послуги, що формують цінність). Потенційно компанія зможе розкрити кожну деталь взаємодії людинита автомобіля: як відбувається керування машиною, які дорожні умови та навіть якою є величина електромагнітної сили, що впливає на авто. Фактично йдеться про сотні факторів. На думку авторів, «Рух Ford убік перетворення на математичну корпорацію ілюструє: наближається епоха, у якій ми будемо функціонувати у двох паралельних світах – цифровому та реальному, і вони будуть відображенням один одного».

Mat-korporatsiya_38_ukr

Машина vs людина

На що слід звернути увагу тим, хто в майбутньому стане біля керма математичної корпорації? «Ви повинні підготуватися до того, що вже скоро приблизно половину ваших когнітивних завдань буде виконувати машина, і тому варто переорієнтувати своє вдосконалення як лідера на розвиток уяви, творчого потенціалу, вміння робити логічні висновкита структурувати проблеми», – вважають Салліван і Зутаверн.
В 2012-му Девід Роуз, натхненний дослідженнями, якими він займався в Массачусетському технологічному інституті, заснував Ditto Labs – компанію, яка оцінює силу брендів на підставі зображень, розміщених у соціальних медіа (щодня інтегруються близько 130 млн. світлин). При цьому машина виконує низку робіт, з якими колись могла впоратися тільки людина. Серед іншого це розпізнавання графічних символів (приміром, що ми бачимо – логотип GSK або Merck?) і контекст світлини (вона зроблена у барі, на пляжі, в аптеці?). Роуз зі своїми працівниками фокусується на тому, що, на його думку, ніколи не зможе виконувати комп’ютер, – на формуванні релевантних і складних запитань. Він пояснює це так: «Дані можуть відповістити на запитання, але члени команди повинні суттєво перевершити їх у прояві допитливості. Треба мати майже сократівське уміння постійно ставити провокаційні запитання та надавати даним можливість шукати відповідь».
Управлінський процес буде ускладнюватисята усе більшою мірою ґрунтуватися на науковому методі та експериментальних підходах. При цьому допитливість розуму стане визначальною для досягнення успіху. «Найкращі вчені завдячують своїми результатами не знанням, які мають, а своїй готовності ставити запитання про те, чого вони не знають», – зауважують Салліван і Зутаверн.
Вчені не очікують, що правильна відповідь буде отримана відразу, навіть якщо вони цього прагнуть. Вони жадають знайти відповідь, міркуючи над нею у процесі пошуку рішення. Так само керівник математичної корпорації йде невеликими (нехай і швидкими) кроками від ітерації до ітерації, намацуючи шлях і до тактичних перемог, і до стратегічних тріумфів.
Але, наскільки б не була сильна механічна думка, людське судження однаково не втратить свою цінність, і комп’ютери в математичній корпорації не візьмуть гору. На підтвердження автори наводять наступний простий приклад.
Ви, як керівник виробничої компанії, просите датологів створити модель функціонування виробництва. Фахівці розробляють десять моделей і комбінують їх, щоб одержати максимально точний результат. Але що відбудеться, якщо одна модель спрогнозує щось зовсім інше, ніж інші дев’ять? Тут ви повинні будете повернутися до вже створеної в тандемі з машиною теорії та переглянути припущення та гіпотези, які лежали в її основі (висунуті та людьми, і комп’ютерами), а далі – продовжити експериментувати. Потім, можливо, процес слід буде повторити не один раз, поки не буде отримано рішення.
Нагадуючи про важливість допитливості людського розуму, автори зауважують: «Імовірно, людям не вдасться проникнути в глибини складності так, як це може зробити комп’ютер, але що вони можуть робити якнайкраще, так це здивовано підняти брови, помітивши, що з теорією щось не так».

Хто в чому сильний

У 1984 році була опублікована робота, у якій американський психолог Едвін Флейшман навів 21 когнітивну характеристику, що є, за його переконанням, унікально людськими (від швидкості сприйняття до генерування ідей). У наступні десятиліття багато з ідентифікованих ученим завдань стала виконувати машина, причому перевершила в цьому людей. Згідно із прогнозами деяких футурологів, згодом машини зможуть повністю замінити людей. Однак Салліван і Зутаверн дотримуються іншої позиції. Узагальнивши характеристики, виділені Флейшманом, вони розбили їх на дві групи: ті, у яких машина вже суттєво перевершує або може перевершити людей, і ті, які будуть залишатися унікальною перевагою людини (таб. 1).
При цьому автори підкреслюють, що в такому поділі може критися камінь спотикання для саморозвитку багатьох керівників, тому що людям буває складно відмовлятися від своїх улюблених занять. Однак є завдання, у яких обійти машину вже неможливо, і тому важливо правильно налаштувати альянс людини та машини.

Реструктурування ментальних моделей

Найважливішим елементом математичної корпорації є нова форма лідерства – лідерство, «здатне перетворити темряву на світло, зруйнувавши те, що обмежує людське мислення». Інакше кажучи, йдеться про відмову від способу мислення, що формувався в нас під час побудови кар’єри та навіть у період навчання. «Нас учили управляти світом, поєднуючи його окремі компоненти (приблизно так, як це робиться на уроках анатомії). Ми концентруємося на одному органі за раз і зазвичай не здатні бачити всю систему водночас», – стверджують Салліван і Зутаверн.
Щоб увібрати в себе ментальні моделі, які стануть основоюуправління математичною корпорацією, необхідно подолати низку когнітивних бар’єрів, вбудованих у нашу свідомість.

Розсунути межі сприйняття

Першим бар’єром, який ми самі ж і споруджуємо, є переконаність у тому, що вибір можна робити тільки за наявних обмежень. «Ми закриваємо магістралі для просування вперед просто тому, що часто несвідомо споруджуємо знак «рух заборонений»», – зауважують автори.
Боб Коуен, океанограф, раніше використовував звичайні сітки для збору зразків планктону, молюсків та іншої морської фауни. На підставі зібраного матеріалу він робив припущення щодо факторів, що впливають на ріст і виживання організмів. Однак одержувані в такий спосіб дані були неповними, зокрема, вони не дозволяли визначити позиціонування організмів на різних глибинах та їх взаємозв’язки.
Проблема, з якою зіштовхнувся Коуен, у тому або іншому вигляді виявляється практично у всіх сферах людської діяльності, у тому числі й у бізнесі. Обмежений інструментарій, неповні дані, особливості організаційної культури – такими є зовнішні фактори, що заважають нам побачити цілісність проблеми. А до них додаються ще й внутрішні перешкоди, зокрема замикання в межах якихось спеціальних знань і сталогоспособу мислення.

Mat-korporatsiya_41_ukr
Тоді Коуен вирішив використовувати можливості машин. За допомогою спеціально розробленої фотокамери, закріпленої під днищем корабля, він може тепер одержувати окремі зображення кожного з мільйонів організмів, що перебувають на глибині до ста метрів, на ділянці океанічної поверхні довжиною до 100 миль. Групи датологів за допомогою комп’ютера ідентифікували всі 60 млн організмів на фото. Також був розроблений алгоритм, здатний розпізнавати зразки морської фауни майже з 100%-ю точністю. У такий спосіб учений наближається до одержання повної картини морськоїекосистеми.
Машинний інтелект дозволяє одночасно бачити і цілісність, і окремі елементи. Він може зробити те, що недоступно людському розуму, – інтегрувати майже безмежні обсяги знань із різних сфер. Так, Національна медична бібліотека США має у своєму розпорядженні23 млн статей, які так чи інакше пов’язані з темою боротьби з раком і були опубліковані в різних наукових виданнях. Що, якщо хтось зможе поєднати всю інформацію, що міститься в них,та виявити глибинні неявні зв’язки між результатами? Не виключено, що це наблизить нас до створення препарату, здатного вилікувати недугу. Одне із завдань, виконуваних створеною Джо Байденом програмою Сancer Moonshot, – секвенування всіх наявних даних про рак і забезпечення простого доступу до них.
З одного боку, проникнення в глибини складності та виявлення того, що раніше було приховано від нас, – справа технічних фахівців. З іншого боку – це одне з найважливіших завдань лідера. «Якщо ви маєте намір зіграти зіркову роль у математичній корпорації, ви повинні будете прибрати обмеження, створювані тим, що безнадійно застаріло, хоча й продовжує сприйматися як належне», – вважають автори.

Трансформувати підходи

Ще одна перешкода, що обмежує наші можливості, – це підхід до створення відкриттів. Часто в бізнес-ситуаціях ми мислимо дедуктивно: висуваємо гіпотезу, а далі за допомогою даних тестуємо її, намагаючись перевірити правильність своїх припущень. Набагато рідше ми мислимо індуктивно: дивимося, як щось працює у світі навколо нас, і робимо припущення про взаємозв’язки окремих елементів, що становлять це щось. Перший підхід може видатися надійнішим (наприклад, для розробки нових продуктів), але, використовуючи його, ми навряд чи зможемо зрозуміти те, що поки залишається незвіданим.
Машинний інтелект надає можливість мислити індуктивнота одержувати нові знання.

Mat-korporatsiya_42_ukr

Цей шанс виникає за наявності більших наборів даних. Наприклад, згаданий вище океанограф Боб Коуен за допомогою машинного мислення зміг побачити різні шари океану, у яких живуть різні види планктону. Яка конфігурація цих шарів? Яка їхня довжина? Який зв’язок з рівнем ph, температури та кисню? Куди несуть океанічні течії багаті на планктон шари: убік рибних ферм або ж у протилежному напрямку? Знайти відповіді на такі запитання можна за допомогою машинного інтелекту в режимі перемикання між індуктивним і дедуктивним мисленням. Тоді безперервний рух уперед, що живитьсязапитанням «Які ще таємниці приховують у собі дані?», стане повсякденною реальністю.
У маркетингу відкриття, зроблені на основі даних, дозволять виявити закономірності в тому, що відштовхує клієнтів від компанії, і розробити способи запобігти розчаруванню або перетворити незадоволеність у задоволеність; у логістиці – виявити неявні закономірності щоденного або сезонного пересування товарних потоків і, відповідно, оптимізувати транспортне планування. В HR-сфері – ідентифікувати першопричини невдоволення працівників і визначити головні напрямки організаційних змін.

Не покладатися на свої дані

Ще одним обмеженням є переконаність у тому, що джерелом конкурентної переваги є дані, якими володіє компанія. Однак, як відзначають Салліван і Зутаверн, зараз, щоб зберегти позиції на ринку, потрібна різнопланова інформація, а щоб її одержати, слід вийти за межі організації.
Коли Агентство США з міжнародного розвитку поставило перед собою завдання підвищити точність прогнозів виникнення на Філіппінах вогнищ інфекцій, спровокованих тропічними зливами, були проаналізовані потоки повідомлень у соціальнихмедіа. Уряд Великобританії, вирішивши перерозподілити бюджет і спрямувати кошти на боротьбу з діабетом, вивчив дані багатьох супермаркетів. Це дозволило виявити людей, що часто купують нездорові продукти в різних районах Лондона. Таким чином, маючи можливість інтегрувати перехресні дані з незв’язаних між собою джерел, ми можемо виявити несподівані кореляції, які не розглядали ніколи раніше. Як зауважують автори, спиратися тільки на вузький зріз власних даних, що стосуються минулих трендів, – це приблизно те саме, що фокусуватися на якійсь літері одного зі слів, що містяться в словнику.
«Майбутнє математичної корпорації в тому, щоб знаходити нові можливості, дивлячись на кожну з літер, робити на підставі цього відкриття, засновувати на цьому свої прогнози та ставити запитання, які наблизять вас до досягнення організаційних цілей», – пишуть автори.

Розширити межі знань

Розуміння концептуальних основ машинного інтелекту – надзвичайно важливе для керівника-стратега. Звичайно, можна передати технічним фахівцям розробку джерел даних, алгоритмів, моделей. Але це така ж ситуація,якщо керівник промислової компанії повністю передастьвиробництво менеджерам цехів.
Читаючи фінансову звітність, ви бачите в ній те, що вказує на проблему або можливість. Так само ви повинні побачити та оцінити основні елементи будь-якої ініціативи, пов’язаної з машинним інтелектом. Дані та алгоритми стають новою валютою компаній, і ставлення до них повинне бути таким само, як і до фінансів.
Яку мету переслідує ініціатива? Яка модель використовується? Які дані лежать у її основі? Як усе це поєднується разом? Що ми повинні апробувати, видалити, удосконалити? Як одержувана інформація забезпечує компанії перевагу? На такі запитання керівник повинен знати відповіді. Тим більше що громадськість, інвестори та аналітики не схильні задовольнятися розпливчастими відповідями.

Поставити інтуїцію на своє місце

Хоча прийнято вважати, що інтуїтивні осяяння – сильна сторона людини, автори думають, що думка про надійність наших прогностичних здібностей неабияк перебільшена. На підтвердження цієї думки вони приводять дані дослідження, у рамках якого порівнювалися судження, що виносяться людиною та машиною в сфері медицини, клінічної діагностики та психології (усього було вивчено 136 досліджень). Як виявилося, у середньому точність клінічних прогнозів комп’ютера була на 10% вище вищою за людську, а в ряді випадків – на третину. Протилежне було вірне тільки в 10% усіх випадків.
«Наскільки ефективно використовується маркетинговий бюджет?» – це запитання ставитьперед собою практично кожна організація. Керівники однієї фармацевтичної компанії ухвалювали рішення, ґрунтуючись на попередньому досвіді та інтуїтивних припущеннях. Потім була створена модель машинного навчання, що використовувала накопичені дані про результативність різних каналів (друкованої, теле- і радіореклами, візитів до лікарів). Хоча вона була далекою від досконалості, дана модель спрогнозувала з 70-80%-ю точністю відповіді на запитання:які з маркетингових каналів принесуть найбільшу віддачу.
Чи залишиться місце для інтуїції у організаціях майбутнього? На думку авторів, їй буде відведена менша, хоча йвагома,роль. У світі машинного інтелекту ми будемо функціонувати, не спираючись на інтуїтивні припущення. Однак світ недосконалий, і в ньому треба буде відвести якесь місце для внутрішнього чуття. Математична корпорація змусить нас змістити фокус інтуїції з винесення суджень про реальність на винесення суджень про моделі.
Таким чином, внутрішнє чуття буде рідше використовуватися для прийняття інтуїтивних рішень і частіше – для формулювання запитань, що ставлять під сумнів наявне: чи правильне це припущення? яке слабке місце даних? чи правильна ця модель?

Змінити підходи до вирішення проблем

Можливо, найбільшим каменем спотикання для керівників є сталі підходи до вирішення проблем. Нерідко нами рухає надія, що, здійснивши потужну атаку на проблему, ми зможемо одержати єдино правильну відповідь. Однак з більшою часткою ймовірності можна знайти рішення, якщо мислити, як учені, і рухатися повільніше: ставлячи запитання, формулюючи гіпотези та вивіряючи їх у процесі експериментування.
Як створювати повністю індивідуалізовані пропозиції для кожного окремого клієнта? Це базове запитання, яке ставлять перед собою тисячі компаній світу. А для таких гравців, як готельна мережа IHG, воно може здатися взагалі надскладним, тому що в програмах лояльності компанії беруть участь мільйони клієнтів. Йдеться не про підхід «За кількість ночівель X ви одержите Y балів», а про тонку градацію винагород. Для цього, як відзначає Джим Спрігг, директор з маркетингу, необхідно, крім іншого, знайти відповіді на запитання: яких клієнтів мотивуватимуть більш складніцілі, а яких – менш складні? яких клієнтів більше за інших цікавить розмір винагороди?

Mat-korporatsiya_45_ukr

Успіх у таких ініціативах може виражатися не просто в різкому збільшенні числа клієнтів, але й у повнішому розумінні різнопланових нюансів цільових ринків компанії.

Стратегії досягнення неможливого

Реструктурування ментальних моделей відкриває шлях до створення стратегій опанування нових ніш або навіть формування нових ринків. Так, керівник компанії Ford Марк Філдс пішов на крок, який з погляду звичної логікиможе здатися не цілком зваженим, – зробив основну ставку не на виробництво автомобілів, а на створення ринку мобільності, що є, за його оцінками, більшим, ніж перший. Цей ринок – частина ринку транспортних перевезень, обсяг якого оцінюється в $2,3 трлн, і глава Ford має намір зайняти його значну частину. Філдс відноситься до тих, хто пішов проти течії, створюючи те, що зараз виглядає як стратегія аутсайдерів. Однак саме такі стратегії можуть стати мейнстримом завтра, – упевнені автори.
Їхній досвід показує, що в основі створення неймовірних стратегій лежить безкомпромісна послідовність запитань. У часи революційних змін геніальні запитання відкривають швидший шлях до успіху, ніж геніальні відповіді. Оскільки багато запитань поверхневі, ефемерні або занадто очевидні, то, щоб отримати осяяння, вам потрібно знайти своє велике запитання, що ініціює зміни.

70