Искусственный интеллект на службе бизнеса как машинное прогнозирование помогает принимать решения

Если следующая ситуация вам пока в новинку, скоро вы к ней привыкнете. Ребенок в соседней комнате делает уроки, вы слышите, как он говорит: «Назови столицу Делавэра». Вы погружаетесь в размышления: «Балтимор?.. Нет, это первое, что пришло в голову… Уилмингтон?.. Нет, не столица». Не успели вы продолжить, как «Алекса» дает правильный ответ: «Столица Делавэра – Довер». «Алекса» – искусственный интеллект[1] компании Amazon.сom, она обрабатывает вербальный запрос и молниеносно выдает результат. В глазах ребенка «Алекса» как источник информации заменила всезнающих родителей.

ИИ – повсюду. В наших телефонах, автомобилях, больницах, банках, без него не обходятся покупки, знакомства и электронные СМИ. Понятно, что руководители и вице-президенты компаний, менеджеры, начальники отделов, предприниматели, инвесторы, коучи и политики стремятся узнать о нем как можно больше: они понимают, что скоро ИИ коренным образом изменит всю их деятельность.

Мы наблюдали за преимуществами ИИ втроем: мы – экономисты, добившиеся профессиональных успехов на ниве последнего технологического достижения современности – интернета. Много лет занимаясь исследованиями и научившись отделять зерна от плевел, выявляя истинное значение технологий для руководителей, мы организовали «Лабораторию созидательного разрушения» (ЛСР) – программу для ранних этапов развития бизнеса, повышающую вероятность успеха наукоемких стартапов. Изначально ЛСР предназначалась для любых стартапов, но к 2015 году большинство самых интересных начинаний основывались на ИИ. В сентябре 2017-го ЛСР третий год подряд подтвердила высокую эффективность ИИ-стартапов по сравнению с остальными разработками.

В результате немало стартап-лидеров регулярно приезжали в Торонто для участия в ЛСР. Например, один из основных разработчиков ИИ, лежащего в основе «Алексы», Уильям Танстолл-Пидоу, каждые восемь недель прилетал из Кембриджа в Англию для участия в программе. Как и Барни Пелл из Сан-Франциско, ранее возглавлявший в НАСА команду из 85 человек, которая запустила в космос первый ИИ.

Такого успеха в своей сфере ЛСР добилась отчасти благодаря расположению в Торонто, где зарождалось и развивалось большинство ключевых разработок в области так называемого машинного обучения, способствовавших недавнему всплеску интереса к ИИ. Специалисты, ранее занятые на кафедре IT-наук Университета Торонто, ныне возглавляют команды ведущих мировых компаний ИИ, в том числе в Facebook, Apple и проекте Илона Маска Open AI.

Близость к практическому применению ИИ заставила нас сосредоточиться на том, как данные технологии влияют на стратегии бизнеса. Как вы скоро узнаете, ИИ – это прогностическая технология, а поскольку решения принимаются на основе прогнозов, экономика предоставляет идеальную схему для понимания вариантов выбора, лежащих в основе принятия любого решения. Итак, благодаря везению и некоторым усилиям мы оказались в нужном месте в нужное время, чтобы наладить связь между техническими специалистами и представителями сферы бизнеса. Результатом стала эта книга.

Первоначально ее основная идея заключалась в том, что новая волна ИИ принесла нам не в полной мере разум, а лишь его критическую составляющую – прогнозирование. Когда ребенок произнес запрос, «Алекса» преобразовала звуки в слова и спрогнозировала, какая информация им соответствует. «Алекса» «не знает» столицу Делавэра, но способна спрогнозировать, что в ответ на такой запрос люди получат конкретный ответ: «Довер».

Каждый стартап в нашей лаборатории базируется на преимуществах улучшенного прогнозирования. Компания Deep Genomics сделала шаг вперед в медицине, предполагая, какие процессы начнутся в клетке после изменений в последовательности ДНК. Компания Chisel усовершенствовала правовую практику прогнозом, какая именно часть документа подлежит редактированию. Компания Validere повысила эффективность нефтедобычи, рассчитав процент содержания влаги в поступающем на переработку и хранение сырье. Все это – лишь малый перечень всех возможностей применения, которые появятся в бизнесе в ближайшем будущем.

Если вы плохо представляете, что значит ИИ для вас, мы поможем вам понять все его возможности и сориентироваться в преимуществах технологии, даже если вы ни разу не программировали свёрточную нейронную сеть и не изучали байесовскую статистику[2].

Руководителям бизнеса мы объясним влияние ИИ на управление и принятие решений. Студентам и недавним выпускникам дадим пищу для размышлений о перспективах развития трудовой деятельности и карьеры. Финансовым аналитикам и венчурным инвесторам предложим схему, на основании которой они разработают инвестиционные декларации. Политикам предоставим примерный план изменений общества с помощью ИИ, обсудим, какие меры можно предпринять, с тем чтобы перемены оказались к лучшему.

Экономика представляет собой надежную основу для понимания неопределенности и ее роли в принятии решений. Поскольку качественное прогнозирование снижает неопределенность, мы объясним в терминах экономики значение ИИ для принятия решений по развитию бизнеса, что, в свою очередь, даст представление о том, какие инструменты с наибольшей вероятностью помогут максимизировать прибыль от рабочих бизнес-процессов. Это приведет нас к схеме разработки новых стратегий – например, изменения масштаба и диапазона бизнеса для применения новых экономических реалий, проистекающих из удешевления прогнозов. И, наконец, мы изложим основные плюсы и минусы влияния ИИ на трудовую деятельность, концентрацию корпоративной власти, конфиденциальность и геополитику.

Какие прогнозы важны для вашего бизнеса? Как дальнейшее развитие ИИ повлияет на предположения, из которых вы исходите? Как изменятся рабочие места в вашей сфере деятельности с развитием прогностических технологий, что уже происходило с появлением ПК и интернета? ИИ – это новая и еще не до конца понятая технология, но существуют надежные инструменты экономики по оценке возможных последствий удешевления прогностики, хотя приводимые нами примеры, без сомнения, когда-нибудь устареют, в отличие от предложенной схемы. Идеи сохранят свою эффективность и с развитием технологий, и с повышением точности и сложности прогнозов.

Наша книга не предлагает рецептов успеха в экономике ИИ – напротив, мы подчеркиваем его преимущества и недостатки. Чем больше данных, тем меньше конфиденциальность; чем выше скорость, тем ниже точность; чем больше независимости – тем слабее контроль. Мы не предлагаем рекомендаций для выработки оптимальной бизнес-стратегии: это ваша забота. Лучшая стратегия для компании, карьеры или страны зависит от вашей оценки соотношения плюсов и минусов. Мы разработали схему определения ключевых преимуществ и недостатков, а также способы оценки всех «за» и «против» для оптимального решения какой-либо задачи. Разумеется, даже располагая нашей схемой, вы заметите, что все меняется очень быстро и вам придется действовать, не обладая исчерпывающей информацией, но, как правило, это все же лучше пассивности.

Выводы

• Новая волна ИИ принесла нам не в полной мере разум, а лишь его критическую составляющую – прогнозирование.

• Любое решение по большей части зависит от прогнозов. В экономике наработаны схемы принятия решений. Новые и не совсем понятные последствия развития прогностических технологий можно объединить с проверенной логикой экономической теории принятия решений и вывести ряд идей, помогающих сориентироваться в том, как применить ИИ в вашей организации.

• Единственного верного ответа на вопрос о том, какая стратегия или инструменты ИИ оптимальны, не существует, потому что неизбежно придется искать компромисс: больше скорость – ниже точность, больше независимости – слабее контроль, больше данных – меньше конфиденциальности. Мы предлагаем метод определения благоприятных и неблагоприятных последствий принятия связанных с ИИ решений, чтобы вы оценили потенциальную выгоду и потери в свете миссии и целей организации, а затем нашли оптимальный для вашего бизнеса вариант.

Дешевизна меняет все

Каждый человек уже соприкасался с ИИ либо очень скоро откроет его для себя. Мы привыкли к регулярным сообщениям в СМИ о новых технологиях, изменяющих нашу жизнь. Технофилы предвкушают возможности будущего, технофобы горюют о старых добрых временах. Впрочем, все уже привыкли к бомбардировке технологическими новостями и, не задумываясь, повторяют: «Единственное, что остается неподвластным переменам, – это сами перемены». Пока не сталкиваются с ИИ. И тогда понимают, как эта технология отличается от остальных.

Некоторые IT-специалисты впервые оценили потенциал ИИ в 2012 году, когда команда студентов Университета Торонто одержала триумфальную победу на ежегодных соревнованиях по распознаванию визуальных образов ImageNet (Large Scale Visual Recognition Challenge). В последующие годы все финалисты ImageNet использовали новаторский для того времени подход «глубокого обучения»: распознавание объектов – не просто игра, оно наделяет машину «зрением».

Ряд руководителей технологических компаний увидели новые возможности ИИ, узнав о том, что в 2014 году Google приобрела британскую компанию DeepMind за более чем $600 млн, несмотря на ничтожный по сравнению с этой суммой доход. Крупнейшая сделка состоялась только потому, что DeepMind продемонстрировала свой ИИ, который научился – самостоятельно, без всякого программирования – играть в некоторые видеоигры Atari со сверхчеловеческой эффективностью.

Всемирно известной новостью ИИ стал в том же 2014 году благодаря решительному заявлению знаменитого физика Стивена Хокинга: «Все в нашей цивилизации является продуктом человеческого интеллекта… и создание искусственного интеллекта стало бы крупнейшим событием в истории человечества»[3].

Кто-то другой осознал грандиозность ИИ, впервые отпустив руль едущей «Теслы», управляемой автопилотом.

В Китае откровением стал момент, когда AlphaGo – ИИ DeepMind – выиграл у Ли Седоля, корейского профессионального игрока в го, а позднее в том же году победил лучшего китайского игрока Кэ Цзе. «Нью-Йорк Таймс» назвала эту игру «моментом Спутника»[4] для Китая[5]. Как после запуска спутника в СССР в Америке вложили огромные средства в науку, так и Китай отреагировал национальной стратегией повсеместного распространения ИИ к 2030 году и внушительным финансированием осуществления этого плана.

В своей компании мы осознали значимость ИИ в 2012 году, когда в ЛСР сначала обратились несколько стартапов, применяющих ультрасовременные методики машинного обучения, а затем они хлынули потоком. Обращения следовали почти из всех сфер: исследовательской фармакологии, клиентского обслуживания, производства, контроля качества, розничных продаж, медицинской техники. Технологии были мощными, широко применимыми, обещали заметное повышение эффективности. Понимая их экономическую ценность, мы углубились в работу. Мы знали, что ИИ будет развиваться в той же экономике, что и остальные технологии.

Говоря проще, технология сама по себе потрясающая. Как метко сказал знаменитый венчурный инвестор Стив Джурвертсон: «Почти каждый продукт, который в ближайшие пять лет покажется волшебством, наверняка будет построен на этих же алгоритмах»[6]. Джурвертсон назвал ИИ «волшебством», что перекликается с распространенным сюжетом таких фильмов, как «2001 год: Космическая одиссея», «Звездные войны», «Бегущий по лезвию», и недавних «Она», «Превосходство» и «Из машины».

Мы согласны с Джурвертсоном: это действительно волшебство. И наша задача как экономистов состоит в том, чтобы воплотить волшебство ИИ в простой, понятной и практичной форме.

Отделить зерна от плевел

Экономисты смотрят на мир иначе, чем большинство людей. Мы воспринимаем все относительно схемы, управляемой такими силами, как спрос и предложение, производство и потребление, цена и издержки. Иногда экономисты расходятся во мнениях, но всегда действуют в рамках общей схемы. Мы оспариваем допущения и интерпретации, не сомневаясь в фундаментальных понятиях вроде роли дефицита и конкуренции в регулировании цен. Такой подход дает нам уникальную позицию наблюдателей, что можно отнести к плюсам нашей профессии. Минус же состоит в том, что наша точка зрения суха и бесстрастна, поэтому нас не очень жалуют на званых вечеринках. Тем не менее она добавляет ясности в принятии деловых решений.

Начнем с азов – цен. Когда снижается цена на какой-либо предмет, товар или услугу, спрос немедленно повышается. Более дешевые вещи покупают чаще. Так действует простейшая экономика, именно это сейчас и происходит с ИИ. Он повсюду: встроен в приложения для телефона, оптимизирует сети электроснабжения и заменил управляющего вашим портфелем акций. Скоро он будет возить вас по городу и прилетать к двери вашего дома с посылками.

Экономисты лучше всех умеют отделять зерна от плевел. Где другие замечают трансформационные инновации, мы видим всего лишь снижение цен. Но не все так просто. Чтобы понять влияние ИИ на вашу организацию, следует точно знать, как изменилась цена и как это отразится на экономической ситуации в целом. Только после этого можно приступать к разработке плана действий. История экономики учит, что последствия крупных инноваций часто проявляются в самых неожиданных местах.

Вспомним пример 1995 года из коммерческого интернета. Тогда очень многие смотрели сериал Seinfeld, а Microsoft выпустила Windows 95 – первую многозадачную операционную систему. В том же году правительство США отменило все ограничения на коммерческий трафик в интернете, и Netscape – изобретатель интернет-браузера – отпраздновала первое публичное размещение (IPO) в данном сегменте.

Так и произошел перелом в сфере IT, когда интернет из технологической диковины превратился в коммерческую приливную волну, омывающую экономику.

Первое публичное размещение Netscape оценивалось более чем в $3 млрд, хотя не принесло существенной прибыли. Венчурные инвесторы оценивали стартапы в миллионах, даже если они были (используем возникший тогда термин) «преддоходными». Новоиспеченные выпускники МБА отказывались от прибыльных традиционных профессий ради заработка в интернете. Когда влияние интернета начало распространяться на все сферы вверх и вниз по цепи издержек, проповедники технологий стали называть его «новой экономикой» вместо «новой технологии». Термин прижился. Интернет вышел за технологические границы и проник в человеческую деятельность на фундаментальном уровне. Политики, руководители, инвесторы, предприниматели и крупные СМИ ввели термин в широкое употребление. Все кому не лень называли интернет новой экономикой, за исключением экономистов.

Мы не видели ни новой экономики, ни новых экономистов. Для нас это была все та же старая экономика. Хотя следует признать, что ряд важных изменений все же произошел. Появилась возможность распространять через интернет товары и услуги. Коммуникации упростились. Информацию теперь получали, просто нажав на кнопку «поиск». Но все это было доступно и раньше – разница лишь в том, что снизилась цена. Расцвет интернета ознаменовал падение цен на распределение, коммуникацию и поиск. Чтобы понять последствия для бизнеса, необходимо оценить результаты технологического развития, заключающиеся в переходе от дорогостоящего к дешевому или от дефицита к изобилию. К примеру, вспомните, когда вы впервые использовали Google, – новоприобретенная способность мгновенно, словно по волшебству, получать нужную информацию завораживала. С экономической же точки зрения Google удешевила поиск. И в результате компании, зарабатывавшие на продаже информации другими средствами (справочники, турагентства, рекламные издания), потеряли конкурентное преимущество. В то же время компании, которым требовалось, чтобы их нашли, – самодеятельные авторы, продавцы коллекционных товаров и доморощенные режиссеры – процветали.

Изменение относительных издержек определенной деятельности радикально повлияло на ряд бизнес-моделей и даже преобразовало некоторые сферы. Однако законы экономики остались прежними: мы еще могли рассматривать все что угодно с точки зрения спроса и предложения, разрабатывать стратегии, устанавливать политику и предвидеть будущее с помощью стандартных законов экономики.

«Дешево» значит «повсеместно»

Когда цена на что-то внезапно и существенно падает, может измениться целый мир. Возьмем, к примеру, свет. Не исключено, что вы читаете эту книгу при искусственном освещении. И более того, включая свет, вы, скорее всего, никогда не подсчитывали, во сколько вам обойдется чтение. Электричество настолько дешево, что им пользуются, не задумываясь. Однако, согласно подробному исследованию экономиста Уильяма Нордхауса, в начале XIX века освещение стоило в сотню раз дороже[7]. Всего два века назад вы сто раз подумали бы, прежде чем читать при свете. Падение цен на электричество осветило мир. Ночь легко превращалась в день, стало возможным жить и работать в больших зданиях, куда не проникал естественный свет. Практически ничего из того, что мы имеем сейчас, не существовало бы без мизерной платы за электричество.

С технологическими новшествами удешевляется все. С изменением цены за бытовое электричество изменилось и наше поведение – от раздумий, стоит ли включать свет, к бездумному щелчку выключателем. Существенное падение цен дает шанс делать то, что мы не делали раньше; невозможное становится возможным. И неудивительно, что экономисты озабочены последствиями грандиозного падения цен на такие фундаментальные результаты прогресса, как свет.

Одни последствия дешевизны света были более предсказуемы, другие – менее. Не всегда полностью очевидно, на что именно повлияет падение цены вследствие появления новых технологий, будь то искусственное освещение, паровые машины, автомобили или вычисления.

Тим Бреснахан, экономист из Стэнфорда и один из наших наставников, подчеркивал, что компьютеры выполняют расчеты, и ничего более. Распространение и коммерциализация компьютеров понизили стоимость вычислений[8]. Теперь мы не только чаще используем их для обычных расчетов, но и применяем новую, дешевую арифметику в сферах, традиционно не связываемых с ней, например в музыке.

Ада Лавлейс, которая считается первым программистом, раньше всех разглядела эти возможности. Работая при дорогостоящем освещении в начале XIX века, она написала первую программу расчета последовательности чисел (называемых «числами Бернулли») для компьютера, разработанного Чарльзом Бэббиджем тогда еще в теории. Бэббидж тоже был экономистом, и, как вы узнаете из нашей книги, это не единственный случай пересечения экономики и IT-дисциплин. Лавлейс понимала, что арифметика может, выражаясь современным жаргоном стартапов, «масштабироваться» и содержит огромный потенциал. Ада догадывалась, что возможности компьютеров не сводятся к арифметическим операциям: «Если предположить, например, что фундаментальные соотношения тонов звукоряда в гармонии и музыкальной композиции можно выразить и адаптировать в таком виде, то машина могла бы сочинять затейливые и искусные музыкальные произведения любой степени сложности»[9]. Никаких компьютеров тогда и в помине не было, но Лавлейс предполагала, что вычислительные машины могут хранить и воспроизводить музыку – форму искусства, повлиявшую на все его остальные жанры и человечество в целом.

Так и произошло. Когда полтора века спустя цена на расчеты опустилась достаточно низко, арифметике нашлось столько применений, сколько никому и не снилось. Она внесла такой важный вклад во множество сфер деловой и обычной жизни, что с ее удешевлением мир, как это уже бывало, преобразился. Если свести что-либо к чистым издержкам, легко отделить зерна от плевел, хотя это и не самый увлекательный способ поведать о новейших передовых технологиях. Стив Джобс никогда не анонсировал выпуск «счетной машины», хотя только ими всю жизнь и занимался. Новые счетные машины Джобса имели успех, потому что снижали цену на что-то значимое.

Это возвращает нас к ИИ. Для экономики он имеет огромное значение именно потому, что удешевит что-то важное. Сейчас вы, вероятно, думаете об интеллекте, логических рассуждениях и мышлении вообще. А может, представляете себя среди роботов или бестелесных существ, таких как дружелюбные компьютеры из фильма «Звездный путь», которые избавят вас от необходимости думать. У Лавлейс было похожее предположение, но она быстро от него отказалась. Во всяком случае в отношении компьютеров она писала, что «у них нет никаких притязаний к созиданию. Они могут только то, что умеем мы. Они способны следовать порядку расчетов, но не обладают возможностью предвосхищать аналитические соотношения или истины»[10].

Несмотря на ажиотаж вокруг ИИ, «возражения леди Лавлейс», как позднее назвал их Алан Тьюринг[11], все еще актуальны. Компьютеры пока не умеют думать, так что мысли подешевеют нескоро. Однако цена снизится на нечто настолько привычное и повсеместно используемое (как и арифметика), что никто, скорее всего, еще не догадывается, насколько удешевление повлияет на нашу жизнь и экономику.

Что же подешевеет благодаря ИИ? Ответим: прогнозы. Следовательно, согласно законам экономики, мы не только станем чаще пользоваться ими, но и начнем применять в самых неожиданных областях нашей жизни.

Дешевизна создает преимущества

Прогнозирование (или прогностика) – это процесс заполнения информационных пробелов. Берется имеющаяся информация, называемая данными, и из нее выводится отсутствующая информация. В многочисленных обсуждениях ИИ акцентируется разнообразие прогностических методов с непонятными названиями: классификация, кластеризация, регрессия, дерево решений, байесовское оценивание, нейронные сети, топологический анализ данных, глубокое обучение, стимулированное обучение, глубокое стимулированное обучение, капсульные сети и т. д. Специалисты используют для внедрения ИИ соответствующие конкретной прогностической задаче способы.

В книге мы избавим вас от математики, лежащей в основе этих методов. Хотим лишний раз подчеркнуть, что все они касаются прогностики: использования имеющейся информации для генерации отсутствующей. Мы поможем вам определить, в каких ситуациях необходимо иметь прогноз и как получить от него максимальную выгоду.

Удешевление прогностики ведет к ее распространению. Снова элементарная экономика в действии: мы покупаем больше товаров или услуг, если цены на них падают. Например, когда в 1960-е годы зарождалась компьютерная индустрия, цена на арифметику начала быстро снижаться, и там, где она была уже востребована, к ней обращались чаще – например, в Бюро переписи населения США, Министерстве обороны США, НАСА (что отображено в фильме 2016 года «Скрытые фигуры»). Позднее новая, дешевая арифметика нашла применение в сферах, к которым прежде не имела отношения, – таких как фотография. Когда-то фотоновинки разрабатывались благодаря химии, но с удешевлением арифметики появилось и соответствующее решение – цифровые камеры. Цифровой снимок представляет собой всего лишь последовательность нулей и единиц, посредством арифметики преобразуемую в визуальное изображение.

То же касается и прогнозов. Они используются в привычных задачах: управлении ресурсами и прогнозировании спроса, – но благодаря удешевлению все чаще применяются в сферах, не относящихся к прогностике. Кэтрин Хауи из Integrate.ai призывает переформулировать любую проблему в контексте прогностики, и современные инженеры всего мира все чаще так и поступают. Беспилотный транспорт существует в управляемой среде уже больше двадцати лет, однако функционировал он при наличии подробных планов этажей на заводах и складах. С поэтажным планом разработчики программировали своих роботов двигаться согласно логической схеме «если, то»: если перед роботом находится человек, то следует команда «стоп». Если полка пуста, то нужно двигаться к следующей. Обычные улицы оставались для роботов недоступными – в городском пространстве может случиться все что угодно – слишком много возникает условий «если, то», всего не предусмотреть.

Беспилотный транспорт не будет работать вне полностью предсказуемой и контролируемой среды до тех пор, пока инженеры не переформулируют проблему навигации в прогностическую. Они уже поняли, что вместо того, чтобы просчитывать для машины действия во всех возможных обстоятельствах, необходимо поставить одну прогностическую задачу: что сделал бы человек? И сейчас компании вкладывают миллиарды долларов в обучение машин беспилотному передвижению в неконтролируемой среде, в том числе на городских улицах и шоссе.

Представьте ИИ сидящим в автомобиле рядом с водителем. Человек проезжает миллионы километров, получает зрительную и звуковую информацию из окружающей среды, обрабатывает ее мозгом и реагирует соответственно: едет прямо или сворачивает, тормозит или разгоняется. Инженеры оснастили ИИ собственными глазами и ушами – датчиками (камерами, радарами, лазерами). Таким образом ИИ собирает поступающие к нему со всех сторон данные, пока человек управляет автомобилем, и одновременно регистрирует реакцию водителя. При совокупности конкретных данных человек поворачивает направо, тормозит или нажимает на газ. Чем дольше ИИ наблюдает за водителем, тем лучше предсказывает его действия, исходя из поступающих данных. ИИ учится водить машину, прогнозируя, как поступил бы человек в соответствующих обстоятельствах.

И вот что самое главное: когда такая важная вводная, как прогноз, дешевеет, возрастает ценность других вещей. Экономисты называют их «дополняющими факторами». Как падение цены на кофе повысило ценность сахара и сливок, так для беспилотных автомобилей падение цены прогноза повышает ценность датчиков сбора данных окружающей среды. Например, в 2015 году Intel заплатила больше $15 млрд за израильский стартап Mobileye, в первую очередь за технологию сбора данных, позволяющую транспортному средству эффективно распознавать объекты (дорожные знаки, людей и т. д.) и разметку (на улицах и дорогах).

Дешевея, прогностика станет использоваться чаще, возрастет количество дополняющих ее факторов: данные базовые экономические силы приводят в действие новые возможности, создаваемые прогностическими машинами. На элементарном уровне они снимут с человека задачи прогнозирования и таким образом снизят издержки. По мере распространения машин прогностика изменит и улучшит качество принятия решений. Но в какой-то момент прогностические машины, вероятно, станут столь точными и надежными, что изменят и деятельность организаций. Некоторые ИИ настолько заметно повлияют на деловую экономику, что перестанут использоваться только для повышения продуктивности в соответствии со стратегией; они изменят саму стратегию.

От дешевизны к стратегии

Руководители постоянно спрашивают нас: «Как ИИ повлияет на нашу стратегию бизнеса?» Проведем для ответа мысленный эксперимент. Большинство людей делали покупки на Amazon. Как и в остальных онлайн-магазинах, вы открываете сайт, находите нужные вещи, кладете их в корзину, оплачиваете и затем получаете по почте. Сейчас модель Amazon такова: «покупка – затем доставка».

Когда вы заходите на сайт, ИИ Amazon прогнозирует, что вы хотели бы купить, и предлагает соответствующие товары. Это целесообразный труд, однако его результаты далеки от идеала. В нашем случае точность прогнозов не превышает 5 %. И мы заказываем одну из множества рекомендуемых вещей. С учетом миллионного ассортимента это совсем не плохо!

Представьте, что ИИ Amazon собрал больше информации о нас и использует ее для улучшения качества прогнозов, – это усовершенствование сравнимо с поворотом регулятора громкости на колонках, только вместо звука регулируется точность прогнозов.

В определенный момент поворота ручки точность прогнозов ИИ достигает порогового значения и меняет бизнес-модель Amazon. Прогнозы становятся настолько точными, что компании выгоднее присылать вам товары, которые вы предположительно захотите купить, чем ждать, пока вы закажете их на сайте.

В таком случае другие магазины вам уже не нужны, а каждая покупка будет стимулировать следующую. Amazon получит основную долю содержимого вашего кошелька. Очевидно, что это выгодно Amazon, но также удобно и вам. Магазин доставляет покупки до того, как вы их совершили, и таким образом избавляет вас от траты времени на шопинг. С поворотом регулятора точности на максимум бизнес-модель Amazon меняется с «покупка – затем доставка» на «доставка – затем покупка».

Разумеется, покупатели не захотят возиться с возвратом нежелательных товаров. Поэтому Amazon вложится в отладку этого процесса – скажем, раз в неделю служба доставки будет собирать невостребованные посылки[12].

Но если такая бизнес-модель лучше, почему Amazon до сих пор ее не внедрил? Дело в том, что сегодня издержки сбора и обработки возвратов перевешивают рост дохода от основной доли кошелька. Например, сейчас мы вернули бы 95 % доставленных товаров. Это трудоемко для нас и затратно для Amazon. Для освоения новой бизнес-модели прогнозы пока еще недостаточно точны.

Возможен иной вариант: Amazon обращается к новой стратегии до того, как точность прогнозов достигнет качественного уровня, исходя из предположения, что однажды это принесет выгоду. Благодаря раннему запуску ИИ соберет больше данных за короткий срок и усовершенствуется. В Amazon понимают, что чем раньше они стартуют, тем сложнее будет конкурентам их нагнать. Качественный прогноз привлечет больше покупателей, что увеличит объем данных для обучения ИИ и, в свою очередь, приведет к повышению качества прогнозов, а далее этот цикл неоднократно повторится. Раннее внедрение обойдется дорого, но опоздание может стать роковым[13].

Мы не утверждаем, что Amazon будет или должен внедрять такую практику, хотя для скептиков у нас есть неожиданная новость: в 2013 году Amazon получил патент США на «опережающую доставку»[14]. Несомненно, вращение регулятора точности прогнозов коренным образом повлияет на стратегию. В данном примере оно меняет бизнес-модель Amazon с «покупка – затем доставка» на «доставка – затем покупка», создает стимул для вертикальной интеграции посредством организации услуги по возврату товаров (в том числе грузового автопарка) и ускоряет процесс инвестирования. И все это вследствие поворота регулятора точности прогностической машины.

Что это означает для стратегии? Во-первых, необходимо инвестировать в сбор информации относительно того, как быстро и насколько высоко вырастет точность прогнозов в вашем и в смежных секторах. Во-вторых, разработка тезиса о стратегических возможностях, образовавшихся в результате вращения регулятора точности, потребует финансовых вложений.

Чтобы начать «научное фантазирование», закройте глаза, мысленно возьмитесь за регулятор прогностической машины и, следуя бессмертным словам члена группы Spinal Tap[15], поверните его на 11 часов.

План книги

Прежде всего необходимо построить фундамент для стратегического внедрения прогностических машин в своей организации. Именно так мы структурировали книгу – возводили пирамиду от основания.

В части I мы заложим фундамент и объясним, как машинное обучение повышает качество прогнозов. Затем разберемся, чем новые преимущества отличаются от статистики, которой вас учили или которой уже занимаются ваши аналитики. Далее мы затронем ключевые дополняющие факторы прогнозов – данные, особенно те, что необходимы для качественной прогностики, – и расскажем, как убедиться, что они у вас есть. И в завершение рассмотрим, когда прогностические машины работают эффективнее человека и в каких случаях людям и машинам целесообразно объединить усилия для получения максимально точных прогнозов.

В части II мы опишем роль прогнозов в качестве вводных для принятия решений и объясним значение еще одной составляющей, пока недооцененной в сфере ИИ, – суждений. Прогнозы помогают принимать решения, снижая неопределенность, а суждения определяют ценность. В экономической терминологии суждением называется определение окупаемости, целесообразности, дохода и прибыли. Самое значительное свойство прогностических машин состоит в том, что они повышают ценность суждения.

В части III перейдем к практике. Прогностические машины оснащены инструментами ИИ в соответствии с конкретными задачами. Мы опишем шаги, помогающие определить, когда создание (или покупка) инструментов ИИ максимально повысит доход. Иногда такие инструменты идеально укладываются в рабочий процесс, но бывает, что побуждают изменить его. Также мы познакомим вас с важным подспорьем для уточнения ключевых требований к инструментам – «шаблоном ИИ».

В части IV вернемся к стратегии. Как в описанном нами эксперименте с Amazon, иногда ИИ настолько масштабно влияет на экономику задачи, что преобразует компанию или промышленность. Тогда он становится краеугольным камнем стратегии организации. В результате воздействия на стратегию ИИ переключает на себя внимание высшего руководства помимо менеджеров продукта и инженеров.

Как правило, заранее предусмотреть степень влияния ИИ на стратегию нельзя. Например, немногие, опробовав инструменты поиска Google, предсказывали, что они преобразуют медиаиндустрию и лягут в основу самых успешных компаний планеты.

Помимо возможностей получения прибыли ИИ несет системные риски, способные повлиять на бизнес. Все сосредоточены на рисках ИИ для человечества, но мало кто обращает внимание на опасность ИИ для организаций. К примеру, некоторые прогностические машины, обучаемые на полученных от человека данных, заодно усваивают ненужные отклонения и стереотипы.

Книгу завершает часть V, в которой мы отвечаем на вопросы о широком влиянии ИИ на общество и касаемся пяти основных спорных тем.

1. Сохранятся ли рабочие места? Ответим: да.

2. Усугубится ли проблема неравенства? Вероятно.

3. Будут ли несколько крупнейших компаний контролировать весь мир? Зависит от обстоятельств.

4. Страны погрузятся в политику «гонки уступок», лишат нас приватности и безопасности ради конкурентного преимущества отечественных компаний? Некоторые – да.

5. Наступит ли конец света? До него достаточно времени, чтобы успеть с пользой применить полученную информацию.

Выводы

• Экономика предлагает четкое представление о влиянии удешевления прогнозов на бизнес. Прогностические машины будут использоваться как для традиционных (управление ресурсами и прогнозирование спроса), так и для новых задач. Падение цен на прогнозы повлияет на ценность других понятий и предметов, повысит ценность дополняющих факторов (данных, суждения и действий) и снизит ценность эквивалентов (человеческого прогноза).

• Организации могут использовать прогностические машины, внедряя инструменты ИИ с целью выполнения текущей стратегии. Когда инструменты станут мощнее, они изменят саму стратегию. Например, если Amazon сможет прогнозировать желания покупателей, то перейдет с модели «покупка – затем доставка» на модель «доставка – затем покупка» – будет доставлять товары до размещения заказов. Такой переход преобразит организацию.

• В результате новых стратегий, разработанных с учетом преимуществ ИИ, мы встанем перед фактом его влияния на общество. Наш выбор будет зависеть от потребностей и предпочтений и наверняка в разных странах и культурах окажется разным. Мы разделили книгу на пять частей в соответствии с уровнями влияния ИИ и от основы пирамиды – прогнозов – начнем подниматься выше: прогностика, принятие решений, инструменты, стратегия и общество.

Глава 1. Волшебство прогностических машин