В начале января 2019 г. Forbes составил ТОП-10 главных технологических книг 2018 года, среди которых оказалась и «Машины прогнозирования: Простая экономика искусственного интеллекта» (Prediction Machines: The Simple Economics of Artificial Intelligence). Книга, написанная коллективом авторов — Джошуа Ганс (Joshua Gans), Аджай Агравал (Ajay Agrawal) и Ави Голдфарб (Avi Goldfarb), взрывает устоявшееся представление об искусственном интеллекте и переводит его в совершенно иную плоскость. Эта книга — реальный must have.

Один из авторов книги — эксперт по искусственному интеллекту Джошуа Ганс, профессор школы менеджмента Ротмана в Университете Торонто (Канада), ежедневно тратит много времени, отслеживая новости в области ИИ, отделяя хайп от реальности. Сегодня он преподает студентам MBA сетевое взаимодействие и стратегию цифрового маркетинга, в том числе то, каким образом компании могут успешно конкурировать на своих рынках за счет внедрения технологических инноваций.

Редакция журнала CEO.com обсудила с Джошуа его нашумевшую в бизнес-кругах книгу «Машины прогнозирования: Простая экономика искусственного интеллекта». Перевод интервью с ним читайте далее.

Сегодня много говорят о возможностях ИИ. Но есть ли конкретные примеры преимуществ ИИ в современном деловом мире?

Я признаю: вокруг искусственного интеллекта сегодня поднята большая шумиха. Но в книге мы по-иному подходим к рассмотрению всего того, что за последние 10 лет было создано в области ИИ. Мы не говорим в книге об общем интеллекте, способным заменить людей и все их когнитивные способности — мы говорим только об одном аспекте, а именно о нашей способности предвидеть (предсказывать, предугадывать).

Обычно мы говорим о предвидении в контексте прогнозирования. Как, например, с погодой — мы сперва собираем исторические данные о ветре, осадках и других факторах, и затем делаем прогноз погоды на завтра или следующую неделю.

Но предсказание — это не всегда о будущем. Компьютерное зрение является здесь одним из удачных примеров: когда вы даете компьютеру изображение и спрашиваете, что «он видит», то получаемый ответ — в действительности предугадывание. Компьютер как бы спрашивает себя: «А что подумал бы человек о том, что именно изображено на этой картинке?» и выдает ответ.

Предвидение всегда имеет целью принятие лучших решений. Благодаря прогнозам погоды мы можем решить, какую надеть одежду. А когда у вас есть предположение относительно того, что находится, например, на снимке МРТ, вы можете назначить правильный курс лечения.

С этой точки зрения ИИ довольно скучен. Это просто более лучшая статистическая технология. Но огромный прогресс в развитии ИИ ведет к тому, что его предсказания будут становиться все лучше, быстрее и дешевле. И это откроет большие возможности, которых раньше у нас не было.

Так как же ИИ переходит от рекламы к реальной ценности?

Когда мы писали эту книгу, мы вспоминали о том, что происходило с компьютерной революцией и интернет-революцией. Вокруг них также был большой ажиотаж, и многие компании потратили миллионы долларов на вещи, которые на самом деле не были хорошо продуманы.

Мы не хотим повторять эту ошибку. Вместо этого мы говорим:

«Если прогнозирование помогает улучшить процесс принятия решений, то давайте возьмем рабочие процессы нашей организации и выделим из них все те решения, которые нам необходимо принять, чтобы перейти от исходных данных к результату, и в этом процессе определим, где находятся источники неопределенности».

Именно тогда вы и начнете понимать, где ИИ может быть полезен именно вам для уменьшения числа неопределенностей и принятия более правильных решений.

Этот процесс уже происходил ранее с компьютерами. Люди тогда разделили рабочие процессы и задачи на отдельные итерации, и выяснили, где будут полезны компьютеры. 20–25 лет назад это привело к такому явлению, как реинжиниринг. Мы предлагаем сделать это снова.

Вы пишете, что у всех бывает момент озарения с ИИ — момент, когда все становится понятным, как по щелчку пальцами. Стоит ли каждой отрасли ждать своего озарения, чтобы начать использовать ИИ?

Есть люди, которые еще лишь задаются вопросом: «А может ли ИИ помочь нашему бизнесу?» Но это может быть уже реальностью. Например, мы изучали одну сеть супермаркетов. Они использовали ИИ для прогнозирования уровня загрузки холодных складов, что в случае оптимизации может привести к существенной экономии средств. Ведь продовольственные склады стоят дорого, и требуется соблюдать оптимальный баланс спроса и предложения, иначе вам грозит порча товара.

Эта сеть применяла машинное обучение, чтобы понять, что именно стимулирует спрос на йогурт в Канаде. Они обнаружили, что существенным фактором, определяющим, было ли в конце дня в магазине больше йогурта или меньше, чем ожидалось, оказалась погода. Даже снижение температуры на несколько градусов в общем-то и так холодной Канаде изменяло покупательский спрос на йогурт. И это оказалось чем-то совершенно невероятным! Они начали видеть прибыль — 5% здесь, 5% там — и все это суммируется в общую прибыль. Это тот самый момент, когда люди осознают: «О, это действительно имеет важное значение для нас».

Известно, что ИИ «питается» данными. Есть компании, которые накопили огромные объемы данных для работы, и другие, которые отстают в этой области. Даст ли ИИ преимущество тем компаниям, которые обладают большими объемами данных?

В действительности на этот вопрос довольно сложно ответить. Однозначно, для ИИ нужны данные, но самый простой способ отпугнуть всех от ИИ — это сказать: «У них есть данные, а у вас нет». Я не сомневаюсь, что такие компании, как Google, Facebook и Amazon лидируют в ИИ на данный момент потому, что они уже давно думали о данных, и собирали их правильно. Обычно же компания, собирая данные, не задумывается о том, каким образом они будут использованы, и поэтому не обязательно находится в том же положении.

Для ИИ нужны правильные данные — правильно структурированные, измеряющие правильные характеристики, чистые. Есть вероятность, что новые компании, начинающие сегодня сбор данных с нуля, могут в итоге создать лучшие данные для ИИ.

Где находится потенциал применения ИИ в организации?

Это сложный вопрос, с которым сталкиваются многие организации. Сейчас я вижу ИИ как одну из функций систем аналитики, поскольку все еще остается большое число различных элементов, требующих глубокого изучения связанных с ними данных.

Но в долгосрочной перспективе это должно измениться. Во-первых, всегда есть выбор —аутсорсинг или создание собственных систем, и в обоих вариантах есть свои преимущества и риски. Также это зависит от того, на какие сферы деятельности организации должны влиять функции ИИ. Возможности ИИ общего характера имеют смысл в централизованных задачах, но более специфичные для конкретных отделов задачи могут приводить к смещению соответствующих функций ИИ в эти отделы.

Возьмем, к примеру, сферу HR: менеджеры по персоналу всегда пытаются предугадать, окажется ли новый сотрудник продуктивным, или — повышать ли в должности существующего сотрудника. Сегодня в HR-отделах накоплено много данных, которые могли бы помочь этим прогнозам, но все нужные сведения хранятся в файлах и не используются.

Что стоит предпринять, чтобы подготовиться к внедрению ИИ?

Остерегайтесь истории. Остерегайтесь людей, дарящих технологические подарки. ИИ — это очень специфичная вещь.

Глубокое знание технологии и того, что она может дать вам, помогут вам понять, пытаются ли продать вам что-то действительно стоящее и каков его потенциал. Другими словами, очень важно, чтобы в организации были люди, которые помогли бы вам оценить, являются ли потенциальные выгоды реальными или нет, с точки зрения науки о данных и операционной деятельности компании.

При этом есть огромная польза от экспериментов. Если у вас большая организация, то позвольте отдельным командам найти применение искусственному интеллекту в их деятельности. В качестве именно эксперимента (а не как замена основных функций) это может принести огромную пользу. Вы обязаны управлять своими рисками, но и не стоит терять те возможности, которые дает ИИ.