На сайте ведутся технические работы, в связи с чем возможно некорректное отображение статей. Просим извинить за временные неудобства.

Машины для предсказаний. Экономика искусственного интеллекта

Prediction Machines: The Simple Economics of Artificial Intelligence
Издатель: Harvard Business Review Press, Год выпуска: 2018
Prediction Machines4
09.08.2018
Рейтинги: 
1. Хэл Вэриан, главный экономист Google, советует книгу тем, кто хочет понять, как ИИ повлияет на их бизнес
2. Книгу рекомендует Доминик Бартон, глобальный управляющий партнер McKinsey & Company
3. Издание будет полезно тем, кто хочет разобраться в феномене ИИ, считает Кевин Келли, исполнительный редактор Wired

Содержание:
Сегодня искусственный интеллект окружает нас повсюду. Он в наших телефонах, машинах, он находит для нас пару на сайте знакомств и советует, что нам купить в магазине. Очевидно, что ИИ фундаментально изменит многие сферы бизнеса. Но как именно?
Об этом задумались авторы книги и решили разобраться, как развитие искусственного интеллекта повлияет на разные аспекты нашей жизни, в том числе на общество и стратегию компаний.

Основная идея
Сегодня искусственный интеллект окружает нас повсюду. Он в наших телефонах, машинах, он находит для нас пару на сайте знакомств и советует, что нам купить в магазине. Очевидно, что ИИ фундаментально изменит многие сферы бизнеса. Но как именно? Об этом задумались авторы книги и решили разобраться, как развитие искусственного интеллекта повлияет на разные аспекты нашей жизни, в том числе на общество и стратегию компаний.

Аджай Агравал – профессор стратегического менеджмента и предпринимательства в бизнес-школе Университета Торонто. Сооснователь компании Kindred, основатель Creative Destruction Lab.
Джошуа Ганс – профессор стратегического менеджмента в бизнес-школе Университета Торонто. Автор статей в The New York Times, Harvard Business Review, Forbes, Slate, Financial Times.
Ави Гольдфарб – профессор маркетинга в бизнес-школе Университета Торонто. Старший редактор журнала Marketing Science, главный ученый по данным в Creative Destruction Lab.

Прогнозирование и изменения
Волна развития ИИ, которую мы наблюдаем сейчас, на самом деле касается не интеллекта как такового, а способности предсказывать. Когда ваш ребенок задает вопрос: «Какой город является столицей штата Делавэр?», а Alexa – искусственный интеллект от Amazon – быстрее вас отвечает: «Довер», на самом деле он прогнозирует, какой ответ вы хотите услышать.
Многие стартапы сегодня занимаются совершенствованием способности ИИ предсказывать. Скажем, Deep Genomics – улучшением прогнозирования того, что произойдет с клеткой, если изменить ДНК. А Chisel – предсказанием, какие части юридических документов подлежат редактированию.
Прогнозирование – это не то же самое, что разум, но это критически важный его компонент. Оно лежит в основе принятия решений в различных сферах. Понять, как ИИ помогает принимать решения и как это согласуется с привычной для нас логикой, означает создать собственную стратегию использования искусственного интеллекта.

машины_38
У каждого из нас уже был или скоро будет свой момент истинного осознания ИИ. Мы часто читаем статьи о том, что технологии вскоре изменят нашу жизнь. Кто-то из нас этого с нетерпением ждет, кто-то побаивается будущего. Однако пока не наступает этот момент, мы не понимаем в полной мере, насколько данная технология отличается от всех остальных.
У кого-то этот момент наступает, когда он садится за руль Tesla и включает автопилот с ИИ. У кого-то – когда он слушает запись Стивена Хокинга, в которой тот говорит: «Все, что может предложить наша цивилизация, – это продукт человеческого интеллекта. Успех в создании ИИ станет самым главным событием в истории». А у кого-то – когда он читает новость о том, что Google купил неприбыльный английский стартап DeepMind за $600 млн только потому, что он создал ИИ, который способен обучаться, не будучи на это запрограммированным.
Когда у вас наступает такой момент, вы понимаете, какова сила этой технологии. И осознаете, что она не просто способна изменить нашу жизнь, а может ее перевернуть.
Почему же, если речь идет всего лишь о предсказаниях, мы называем это интеллектом? Действительно, существует соблазн сказать: все нынешние разработки в сфере ИИ и машинного обучения – это всего лишь «традиционная статистика на стероидах». Однако на самом деле иногда предсказания могут быть настолько точны, что мы можем использовать прогнозирование вместо обычной логики, основанной на правилах. Ни традиционные статистические методы, ни алгоритмы «если – то» не способны хорошо работать в сложной среде, а эффективное прогнозирование – может.
Цели статистики и машинного обучения различны. Статистика должна быть правдива в среднем. Цель машинного обучения – операционная эффективность. Недавние достижения в машинном обучении относят к сфере ИИ, потому что точность их предсказаний настолько высока, что позволяет выполнять задания, прежде считавшиеся прерогативой человеческого интеллекта.

Ценовой вопрос
Когда цена на что-то фундаментальное существенно падает, это может изменить весь мир. К примеру, освещение, которое сегодня может позволить себе каждый человек, в начале 1800-х стоило в 400 раз больше (в пересчете на нынешние деньги). При такой цене мы бы дважды задумались, прежде чем позволить себе чтение при искусственном освещении. Развитие технологий и сопутствующее ему падение цены зажгло мир. Многое из того, что нас окружает, не было бы создано, если бы цена на свет не упала в сотни раз.
Что именно изменится, когда цена на какую-то технологию снизится, не всегда очевидно. К примеру, главная задача компьютеров – производить арифметические вычисления. Изобретение и коммерциализация компьютеров сделала арифметику дешевой. Однако мы стали использовать ее не только для традиционных задач (скажем, вычислений), но и для других, таких как музыка. Сегодня сложно назвать задачу, с которой не мог бы справиться компьютер, причем задачи эти касаются разных сфер жизни. Оказалось, что арифметику можно применять где угодно и именно падение затрат на ее использование запустило этот креативный процесс.
Искусственный интеллект сделает нечто похожее. Но цену чего именно поможет снизить ИИ? По мнению авторов, это предсказания. Мы не только начнем прогнозировать чаще, но и увидим, как предсказания используются в неожиданных сферах и ситуациях.

машины_40
Предсказание – это процесс восполнения отсутствующей информации. Чтобы составить прогноз, нужно взять данные, которые у вас есть, и использовать их для генерации информации, которой у вас нет. Для этого можно применять множество техник: обучение нейронных сетей, топологический анализ данных и т. д.
Помимо генерирования информации о будущем прогнозирование может генерировать информацию о настоящем или прошлом. Так, например, происходит, когда банковские сервисы классифицируют транзакцию по кредитной карте как подозрительную или медицинские сервисы распознают в изображении злокачественную опухоль.
Традиционно прогнозирование использовалось в задачах вроде управления складскими запасами или предсказания спроса. Но если, благодаря развитию ИИ, оно станет значительно дешевле, то его наверняка начнут применять для решения проблем, на первый взгляд не связанных с составлением прогнозов.
Например, перевозка людей уже сегодня превращается в задачу прогнозирования. Машины с автономным управлением существуют уже 20 лет, однако использовались они преимущественно в контролируемых условиях, например на заводах, где есть четкие планы этажей. Такую задачу можно решить, запрограммировав роботов в терминах «если – то»: если перед вами идет человек, нужно остановиться; если эта полка пуста, нужно переместиться к следующей.
Однако машины с такими алгоритмами нельзя использовать на городских улицах: здесь слишком много вероятных «если», чтобы их можно было описать. Только если инженеры станут рассматривать движение автомобиля с автономным управлением как задачу прогнозирования – появится шанс сделать такие машины частью нашей реальности.

Предсказания для принятия решений
Принятие решений лежит в основе большинства профессий. Школьные учителя решают, как именно обучать своих учеников, обладающих разными особенностями и личностными характеристиками. Управленцы принимают решение о том, кого нанимать в команду, кого продвигать. Водители грузовиков решают, как справляться с перекрытиями дороги и ДТП, встречающимися на их маршруте. Большинство этих решений нужно принимать под влиянием неопределенности. Ведь во всех перечисленных примерах у нас нет полной информации о том, что случится, если мы поступим так или иначе. Каждый из профессионалов должен предсказывать исход ситуации.
В сущности, принятие решений – это суждение, соединенное с предсказанием и превращенное в действие. Суждение включает определение награды (или потери) в случае принятия того или иного решения (как правильного, так и ошибочного). До недавних разработок в сфере ИИ мы считали, что первые два пункта можно не разделять (ведь люди делают это одновременно). Но машинное обучение требует от нас подробно изучить анатомию принятия решения.

машины_41
Машины для предсказаний будут иметь самое сильное влияние на уровне принятия решения. Однако само решение состоит из шести компонентов. Когда кто-то или что-то принимает решение, он берет вводные данные из окружающего мира, что позволяет сделать предположение (предсказание). Это становится возможным благодаря тренировке, которая происходит при обработке разных типов данных в различных ситуациях. Соединение предсказания с суждением позволяет выбрать правильное действие. А оно, в свою очередь, приводит к результату (который часто ассоциируется с наградой). Результат – это последствие принятого решения. Также он может обеспечить обратную связь, чтобы предсказания в дальнейшем были точнее.
Посмотрев так на принятие решения так, мы можем лучше разобраться, какая часть человеческой деятельности пострадает от совершенствования машинного прогнозирования, а какая станет еще более ценной. Непосредственно для предсказаний ИИ подходит лучше, чем человек. Однако другие составляющие принятия решения – суждение, данные, действия – в ближайшем будущем по-прежнему останутся прерогативой людей. И спрос на человеческие суждения лишь будет возрастать по мере того, как станет дешеветь машинное прогнозирование.
Стоит отметить, что со временем машины могут научиться предсказывать человеческие суждения. Пример тому – вождение автомобиля. Для людей было бы слишком дорого и трудоемко (а то и невозможно) запрограммировать свои суждения о том, как вести себя за рулем в каждой возможной ситуации. Однако можно натренировать систему автономного управления, показывая ей множество примеров и вознаграждая за правильное предсказание человеческого суждения в той или иной ситуации.
Тем не менее существуют границы способности машины предугадать человеческое суждение. И эти ограничения связаны с нехваткой данных. Существует информация, которой владеют только люди, а ИИ – нет, например индивидуальные предпочтения людей. В этих данных кроется большая ценность, и уже сегодня компании готовы платить немало за доступ к ним (на этом часто основываются программы лояльности и бесплатные сервисы).
Также машины хуже, чем люди, предсказывают редкие события. Руководители могут принимать удачные решения о слияниях и поглощениях, инновациях, партнерстве в условиях нехватки информации, на основе своего опыта. Люди используют аналогии, чтобы принимать решения в необычных ситуациях. Машины же не могут сделать эффективный прогноз, если у них нет данных о большом количестве таких же случаев в прошлом.

Точка приложения сил
Инструменты ИИ, которые может использовать сегодня бизнес, весьма разнообразны (и очень далеки от роботов из научно-фантастических фильмов). Но как понять, нужны ли они вам для решения той или иной задачи? Авторы предлагают шаблон, который поможет руководителю определиться. Этот шаблон могут использовать как стартапы, так и крупные организации. При этом в первую очередь нужно выбрать задачу, которую вы хотите решить, или решение, которое нужно принять. Например, в книге рассматривается одна из задач бизнес-школ – принятие решения о том, брать ли кандидата в программу.

машины_42
Такое решение требует спрогнозировать, кто из потенциальных участников станет наиболее успешным после окончания школы. Действие в этом случае – зачисление кандидата. Результат – выпускники, которые будут иметь значительное влияние через 10 лет. Вводные данные – формы, которые заполняют кандидаты, их оценки по тестам, профили в социальных медиа, резюме. Заполняя шаблон, компания должна принять решение, какова ее стратегия и каковы основные критерии успешности выпускника. Если, к примеру, для нее важно глобальное влияние (а не максимизация дохода), то именно на это должно быть направлено прогнозирование. То есть этой бизнес-школе нужно научиться предсказывать, кто из потенциальных выпускников будет иметь глобальное влияние через десять лет. Именно здесь она может использовать ИИ с наибольшей выгодой для себя.

Стратегия и предсказания
Многих руководителей интересует, как ИИ повлияет на стратегию их бизнеса. Ответить на этот вопрос авторы предлагают, проведя мысленный эксперимент на примере компании Amazon. Ее бизнес-модель сейчас выглядит так: сначала покупка, потом доставка. Сначала вы заходите на сайт компании, выбираете товары, потом заказываете их и вскоре получаете. Искусственный интеллект при этом рекомендует то, что может вам понравиться, однако точность его прогнозов невелика. В среднем мы покупаем 5% того, что советует ИИ.
Представьте, что точность предсказания искусственного интеллекта сильно возросла и в какой-то момент стала настолько высокой, что для Amazon выгоднее отправлять вам товары, не дожидаясь, пока вы их закажете. Тогда бизнес-модель компании изменится: будет реализована сначала доставка, потом покупка.
Конечно, мало кому из клиентов захочется тратить свое время на отправку назад того, что им не подошло. Поэтому Amazon придется инвестировать в инфраструктуру для легкого возврата товара: например, машины будут раз в неделю сами приезжать к вам домой и забирать ненужные покупки.
Эта бизнес-модель выглядит очень привлекательно, так почему же Amazon еще не реализует ее? Потому что из-за невысокой точности прогнозов затраты на возврат не подошедших товаров будут слишком большими: мы бы отправляли назад 95% того, что нам присылают.
Впрочем, существует и сценарий, в котором Amazon начнет реализовывать новую бизнес-модель раньше, чем точность достигнет определенной отметки, потому что предвидит, что в скором будущем это произойдет. И хотя слишком ранний переход может обойтись дорого, слишком поздний может быть фатальным.
Этот пример показывает, как именно искусственный интеллект может повлиять на вашу стратегию и насколько сильно ее изменить. Авторы рекомендуют уже сейчас собирать информацию и размышлять о том, как и насколько ИИ изменит вашу сферу бизнеса. А также инвестировать в разработку стратегических альтернатив для вероятных сценариев развития событий.
Авторы отмечают, что управленцам не стоит делегировать стратегию использования ИИ своему IT-департаменту, потому что она может не только повышать продуктивность, но и приводить к изменению стратегии всего бизнеса.
Не исключено, что использование алгоритмов прогнозирования приведет и к изменениям в корпоративной иерархии. Например, может оказаться, что определенным ролям или людям стоит предоставить больше полномочий, так как суждения, которые они способны выносить, могут принести больше выгоды бизнесу.
Разнообразные партнерства и экосистемы являются реальностью во многих сферах бизнеса. Поэтому одно из ключевых стратегических решений, которое уже сейчас нужно принимать управленцу, – где заканчивается ваша компания и начинается чужая, то есть где границы вашей организации. Неопределенность сильно влияет на определение своих границ. А поскольку машины для предсказаний позволяют уменьшить степень неопределенности, то они могут повлиять и на границы между вами и внешней средой, что также необходимо учитывать при формировании стратегии.

машины_44

За пределами бизнеса
Дискуссии об искусственном интеллекте чаще всего касаются проблем общества, а не бизнеса. Многие люди не уверены, что появление ИИ – это позитивное достижение человечества. Илон Маск – один из тех, кто предупреждает о вероятной катастрофе. Он считает, что нам не мешало бы больше беспокоиться о том, что произойдет дальше, «но пока люди не увидят, как роботы идут по улицам и убивают встречных, они не поймут, как реагировать на ИИ».
Сейчас технологии искусственного интеллекта, в сущности, находятся на этапе младенчества. Однако уже сейчас есть три дилеммы, с которыми нужно разобраться человечеству:
Продуктивность или распределение благ. Экономисты полагают, что ИИ поможет нам повысить продуктивность, причем радикально. Но проблема не в создании богатства, а в его распределении. Вероятно, ИИ только усилит разрыв между богатыми и бедными. Ведь если роботы начнут занимать рабочие места, то конкуренция между людьми вырастет, а зарплаты будут снижаться. В то же время спрос на немногих высококвалифицированных специалистов будет расти, поэтому они начнут стремительно богатеть.
Инновации или конкуренция. Компании смогут создавать лучшие алгоритмы прогнозирования, если будут иметь больше контроля над данными, однако это может привести к монополизации многих рынков. Получается, что быстрые инновации способны принести выгоду обществу в краткосрочной перспективе, однако быть опасными в долгосрочной.
Результаты или приватность. ИИ будет более эффективен, если начнет получать как можно больше данных, особенно персональных. Однако это означает уменьшение приватности. Разным странам будет необходимо сделать выбор, что для них важнее, точные предсказания или конфиденциальность данных своих граждан.
Однозначного решения этих трех дилемм пока не существует. Нам предстоит внимательно взвесить аргументы за и против – и лишь затем сделать выбор, каким будет наше будущее с приходом искусственного интеллекта.