Kitabı oxu: «Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности»

Переводчик З. Мамедьяров

Главный редактор С. Турко

Руководитель проекта Л. Разживайкина

Корректоры Е. Аксёнова, Е. Чудинова

Компьютерная верстка А. Абрамов

Художественное оформление и макет Ю. Буга

© 2018 Thomas H. Davenport

© Издание на русском языке, перевод, оформление. ООО «Альпина Паблишер», 2021

Все права защищены. Данная электронная книга предназначена исключительно для частного использования в личных (некоммерческих) целях. Электронная книга, ее части, фрагменты и элементы, включая текст, изображения и иное, не подлежат копированию и любому другому использованию без разрешения правообладателя. В частности, запрещено такое использование, в результате которого электронная книга, ее часть, фрагмент или элемент станут доступными ограниченному или неопределенному кругу лиц, в том числе посредством сети интернет, независимо от того, будет предоставляться доступ за плату или безвозмездно.

Копирование, воспроизведение и иное использование электронной книги, ее частей, фрагментов и элементов, выходящее за пределы частного использования в личных (некоммерческих) целях, без согласия правообладателя является незаконным и влечет уголовную, административную и гражданскую ответственность.

⁂

Предисловие

Я давно интересуюсь искусственным интеллектом. В 1986 г. я возглавлял исследовательский центр по управлению технологиями PRISM (Центр партнерских исследований в области управления информационными системами). Работая в тесном сотрудничестве с ныне покойным профессором Массачусетского технологического института и гуру реинжиниринга бизнес-процессов Майклом Хаммером, в тот год мы исследовали множество тем, но одна из них заинтересовала меня особенно. Она называлась «Экспертные системы: перспективы и раннее развитие» и затрагивала быстрорастущую область искусственного интеллекта (ИИ) – так раньше называли сегодняшние когнитивные технологии. Экспертные системы были технологией ИИ, которая волновала бизнес в то время в наибольшей степени.

У PRISM было около 50 крупных корпоративных спонсоров, многие из которых тестировали пилотные версии экспертных систем. Казалось, технология вот-вот расцветет. Тогда я работал в районе Кендалл-сквер в Кембридже, Массачусетс, и там только и разговоров было, что об ИИ. Моя компания Index Systems преимущественно оказывала консалтинговые услуги, однако мы только что запустили стартап Applied Expert Systems (Apex), чтобы разработать экспертную систему для финансового планирования. Рядом с нами работала открытая MIT Лаборатория информатики и ИИ (CSAIL), которая существует и сегодня. На той же улице находилась штаб-квартира компании Symbolics – пионера в создании специализированных лисп-машин (лисп – язык программирования, хорошо подходящий для применения в сфере ИИ). Хоть это и не относится к делу, я помню, как 15 марта 1985 г. прочитал, что Symbolics только что зарегистрировала первый интернет-домен – Symbolics.com.

Десятки лет я интересовался технологиями и их применением в различных компаниях. В 1990-х и начале 2000-х гг. я в основном работал в сфере менеджмента и аналитики знаний (с конца 1990-х), в то время как ИИ переживал одну из «зим», характеризующихся низким коммерческим интересом к теме. Однако я все равно с любопытством следил, как ИИ используется в бизнесе. В тот период доминировала технология процессоров правил, и некоторые компании (включая Accenture, где я руководил исследовательским центром) зарабатывали на создании и использовании таких процессоров. Мы с моей коллегой по Accenture Джинн Харрис решили их изучить. В 2005 г. мы опубликовали статью «Автоматизированное принятие решений вступает в эпоху зрелости», где описали компании (по большей части из сферы финансовых услуг), которые извлекали значительную выгоду из этой технологии. Но эта статья не положила «зиме» конец. Если верить Google Scholar, по цитируемости она занимает 86-е место из всех моих публикаций – лишь 99 смельчаков отважились упомянуть о ней в печати!

Поскольку на протяжении последней пары десятков лет я занимался в основном аналитикой и большими данными, я старался плыть в потоке, куда бы он меня ни направлял. В последние два-три года стало ясно, что он ведет меня к ИИ. В настоящей книге я утверждаю, что ИИ – это преимущественно аналитическая технология и для большинства организаций, работающих с ИИ, она представляет собой прямое продолжение того, что они делают с аналитикой и данными.

Я мог бы написать эту книгу о промышленном использовании ИИ и когнитивных технологий еще пару лет назад. Когда появляются новые технологии, я сразу обращаю внимание на предприятия: я писал книги о системах планирования ресурсов предприятия (ERP), менеджменте знаний, аналитике и больших данных. Но пару лет назад мне было не найти достаточного количества крупных предприятий, эффективно использующих ИИ. Я написал другую книгу (в соавторстве с Джулией Кирби) – о том, как ИИ повлияет на рабочих и профессии, а когда она вышла в свет в 2016 г., все больше предприятий стало внедрять системы ИИ. Совершенно очевидно, что мир готов прочесть книгу, которая очертит путь искусственного интеллекта и когнитивных технологий в классический бизнес. Вот моя попытка написать такую книгу.

1
Искусственный интеллект вступает в эпоху зрелости. Медленно

Возможно, на амбициозные попытки «зондирования» сферы искусственного интеллекта (ИИ) многие организации вдохновил успех компьютера IBM Watson, который в январе 2011 г. обыграл, а точнее уничтожил, лучших участников телеигры Jeopardy!. Увидев систему ИИ, которой не было равных в игре со сложными и хитро сформулированными вопросами и ответами, люди, вероятно, поверили, что ИИ способен решить любую проблему – и даже найти лекарство от рака.

В марте 2012 г. IBM заключила с Мемориальным онкологическим центром имени Слоуна – Кеттеринга в Нью-Йорке соглашение о совместной разработке системы Watson Oncology Advisor, чтобы помочь врачам с диагностикой и лечением рака. Руководство больницы не питало больших надежд в отношении этого сотрудничества, и в опубликованном пресс-релизе не обещалось никаких чудес:

Мемориальный онкологический центр имени Слоуна – Кеттеринга и компания IBM объявили о сотрудничестве с целью разработки мощного ресурса о раке на основе системы IBM Watson. Ожидается, что он обеспечит работникам медицинской сферы более свободный доступ к текущим и исчерпывающим данным о раке и практиках его лечения. Новый инструмент поддержки принятия решений поможет врачам всего мира с проведением индивидуальной диагностики рака и разработкой плана лечения пациентов¹.

Не желая уступать пальму первенства своему вечному конкуренту, Онкологический центр имени М. Д. Андерсона в Хьюстоне в октябре 2013 г. объявил, что годом ранее заключил с IBM соглашение с целью совместной разработки системы Oncology Expert Advisor (OEA) на базе компьютера Watson. Проект вошел в Программу зондирования Центра Андерсона и получил серьезную поддержку руководства больницы.

Всего через месяц после объявления о запуске проекта в блоге Центра Андерсона появился пост, в котором говорилось, что проект в отношении рака, в частности лейкемии, был фактически завершен. В посте также содержалось интервью с работавшим в больнице специалистом по лейкемии, который заметил:

Система OEA позволяет нам обеспечивать более качественный, более персонализированный уход посредством точных, эмпирически обоснованных рекомендаций по лечению, исходя из характерных особенностей пациента и особенностей его лейкемии. OEA также помогает докторам определять лучший курс лечения для конкретного пациента, находя стандартные варианты лечения и клинические исследования, в которых может принять участие этот пациент… Кроме того, вместе с врачом наблюдая за пациентом на протяжении длительного времени, OEA помогает минимизировать риск возникновения побочных эффектов и непрестанно оптимизировать лечение пациента².

Проект профинансировал азиатский миллиардер, который выделил Центру Андерсона $50 млн на разработку системы. Результатов пришлось подождать. В прессе приводились высказывания сотрудников Центра Андерсона, а сам проект сравнивался с «обучением Watson в медицинском институте». В 2013 г. в The Wall Street Journal была опубликована тревожная статья, в которой приводились слова главы подразделения Watson, утверждавшего, что проект Центра Андерсона «накрылся медным тазом»³. Однако остальная пресса по-прежнему была настроена благосклонно, что иллюстрирует статья в The Washington Post:

Кандида Витале и другие врачи Онкологического центра имени М. Д. Андерсона, занимающегося лечением лейкемии, знали друг друга всего несколько месяцев, но уже создали сплоченную команду. Девять из них ютились в маленьком кабинете и часто встречались по выходным… Однако новенький был для нее загадкой… Ходили слухи, что он окончил медицинский институт за два года и мог похвастаться фотографической памятью, которая позволяла ему запоминать тысячи статей и результатов клинических исследований. Когда врачи по утрам давали старшему персоналу сводку о состоянии пациентов, новенький отвечал лучше всех… «Я не переставала удивляться, – сказала 31-летняя Витале, которая училась на врача в Италии. – Собрать и структурировать такое количество информации невозможно, даже если работать всю ночь напролет»… У новенького оказалось сложное имя, поэтому коллеги дали ему короткое прозвище Watson⁴.

Однако в ноябре 2016 г. аудиторская проверка Системы техасских университетов (к которой относится Центр Андерсона) выявила проблемы в хьюстонской больнице. Был опубликован сенсационный отчет «Специальная проверка закупочных процедур по проекту Oncology Expert Advisor Онкологического центра имени М. Д. Андерсона». Аудит показал, что на разработку ОЕА уже ушло $62 млн, что система еще не использовалась для лечения пациентов и вообще не была интегрирована в электронную систему медицинских карт больницы и что подходы к управлению проектом и ведению отчетности оставляли желать лучшего. Проект OEA был приостановлен на неопределенный срок – фактически Watson ушел в академический отпуск, так и не увидев больного. Руководитель проекта в 2015 г. перешел на другую работу в Системе техасских университетов. Через несколько месяцев после публикации аудиторского отчета в отставку подал и генеральный директор.

Тем не менее, пока шла разработка проекта OEA, в Центре Андерсона осуществлялись и другие проекты, связанные с ИИ. Они реализовывались под руководством директора по информационным технологиям Криса Белмонта (чья ИТ-служба, как указывалось в аудиторском отчете, практически не участвовала в проекте OEA) и являлись гораздо менее амбициозными и дорогостоящими. Среди них были программы «эксклюзивного медицинского обслуживания», которые дают рекомендации по отелям и ресторанам для семей пациентов, приложение, определяющее пациентов, нуждающихся в помощи с оплатой счетов, а также автоматизированная «когнитивная служба поддержки» для решения ИТ-проблем персонала. После включения рекомендаций в портал для пациентов больницы началась разработка множества новых познавательных проектов. Новые системы способствуют повышению удовлетворенности пациентов и финансовых показателей в больнице, а также сокращению времени, затрачиваемого на ввод данных сотрудниками больницы. Несмотря на неудачу в зондировании возможностей лечения рака, Центр Андерсона ориентирован на внедрение когнитивных технологий и развивает центр компетенции для решения этой проблемы.

Центр Андерсона также не отказался от использования ИИ для диагностики и лечения рака. Еще одна программа зондирования получила название APOLLO (Программа адаптивного, пациент-ориентированного долгосрочного обучения и оптимизации). Она использует машинное обучение для генерации детальных прогностических моделей того, как пациенты с различными геномными профилями и историями болезни реагируют на лечение рака⁵. Хотя проект использует (возможно, не слишком удачно) чересчур общую и громкую терминологию, применявшуюся ранее при описании Oncology Expert Advisor, он опирается на методы машинного обучения, которые отлаживались десятилетиями, и похож на проекты, осуществляемые в ряде других центров исследования рака.

Сингапурский банк DBS – крупнейший банк Юго-Восточной Азии и лидер в использовании технологий для улучшения обслуживания и операционной деятельности. Когда-то его называли «чертовски медленным», но в 2016 г. журнал Euromoney объявил DBS лучшим цифровым банком в мире. Уже несколько лет банк уделяет особенное внимание ИИ. Он стал одной из первых коммерческих организаций, заключивших контракт с IBM на разработку приложения на базе искусственного интеллекта. Приложение, о грядущем выходе которого было объявлено в январе 2014 г., должно было стать интеллектуальным роботом-советником, который консультировал бы клиентов DBS по вопросам управления активами и возможностей для инвестирования. Роботы-советники есть и в других финансовых учреждениях, но их рекомендации, как правило, недостаточно хороши, поскольку им недостает интеллекта.

DBS хотел получить систему, которая могла бы переваривать различные вводные данные – исследовательские отчеты, новости компании, индикаторы настроений на рынке и существующий портфель клиента, а затем давать рекомендации банковским менеджерам по работе с клиентами и самим клиентам. Но директор по информационным технологиям DBS Дэвид Гледхилл отметил, что технология не готова решить столь серьезную проблему:

Мы начали очень рано, и в то время технология Watson еще не достигла зрелости. Она не была готова стать новейшим разносторонним консультантом по благосостоянию, как планировали и DBS, и IBM. Приступив к реализации этого проекта, мы опередили время. Оглядываясь назад, можно понять, что технология не была достаточно зрелой. Она не была подготовлена для многих из наших сценариев использования. Отчасти проблема заключалась в том, что программное обеспечение не могло понять множество диаграмм и графиков, которые должно было понимать. Кроме того, исследовательские отчеты банка были представлены в различных форматах, а это затрудняло анализ данных системой Watson без особого вмешательства человека. Таким образом, хотя мы и разработали пилотного робота-советника, он был вдвое менее эффективен и продуктивен, чем средний менеджер по работе с клиентами. Мы извлекли из этого урок и остановили проект на ранней стадии.

Гледхилл и его коллеги продолжают оценивать новые технологии, которые могут быть полезны для совершенствования интеллектуального робота-советника, но пока они ничего не нашли. Однако по-прежнему верят в ценность ИИ. Они сосредоточили внимание на важных, но несколько менее масштабных проблемах своего бизнеса, которые могут быть хотя бы частично решены с помощью когнитивных технологий.

Проекты ИИ, реализуемые DBS, охватывают широкий спектр областей, но большинство из них касается операционных процессов. Например, банк использует модели машинного обучения для прогнозирования необходимости пополнения банкоматов наличными. Если раньше наличные в банкомате заканчивались в среднем раз в три месяца, то теперь этот показатель составляет раз в 55 лет, а количество поездок для пополнения банкоматов сократилось более чем на 10 %.

В сфере кадров DBS прогнозирует отток своих продажников. На основе ряда факторов, выявленных моделями машинного обучения (включая время отпуска, количество больничных, а также скорость ответов на электронные письма), банк может с 85 %-ной вероятностью предсказывать, уволится ли кто-либо из сотрудников, за три месяца до увольнения.

Банк также использует ИИ, чтобы выявлять мошенничество в области торговли ценными бумагами, строить алгоритмические модели кредитования, управлять чат-ботами в службе поддержки клиентов, а также выполнять ряд других задач. Особенно большую роль ИИ играет в исключительно цифровом банке DBS в Индии, где работает на 90 % меньше сотрудников, чем в обычном банке. Во всем банке взаимодействия клиентов с ИИ на 15 % снижают количество звонков в службу поддержки.

Гледхилл прокомментировал изменение фокуса ИИ в DBS:

Первоначальный робот-советник был нашим самым амбициозным проектом. Он пошел не по плану, потому что мы хотели получить продукт, намного опережающий время. Однако мы извлекли уроки из этого первого проекта и не отступились от ИИ. Мы идем по пути наименьшего сопротивления, используя ИИ для оптимизации бизнес-процессов в банке, и добиваемся огромных успехов. По отдельности эти проекты не столь амбициозны, но в совокупности они трансформируют бизнес, поскольку способствуют снижению операционных расходов, повышению производительности труда сотрудников, уменьшению количества ошибок и увеличению скорости вывода продуктов на рынок. Главное для нас – не сократить численность персонала, а существенно улучшить обслуживание клиентов и перейти от транзакционного банкинга к консультативному. Мы стремимся увеличить доход и расширить бизнес, сохраняя при этом разумное соотношение расходов и доходов.

Наиболее активно искусственный интеллект (как в своих продуктах, так и во внутренних процессах) используют такие технологические компании, как Amazon.com. Эта быстрорастущая компания заявляет, что «инвестировала» в ИИ более 20 лет, то есть на протяжении почти всей своей истории⁶. ИИ и технологии машинного обучения лежат в основе успешных продуктов Amazon по распознаванию голоса Echo/Alexa. Кроме того, хорошо известно, что Amazon находит потенциально прорывное применение искусственному интеллекту и в своей бизнес-модели, в том числе организуя доставку с помощью дронов в рамках проекта Prime Air и полностью автоматизированное обслуживание в магазинах Amazon Go.

Эти проекты сталкиваются с серьезными техническими, поведенческими и нормативными проблемами и реализуются не в полном объеме. Тем не менее кажется вероятным, что Amazon хотя бы частично преуспеет в своем зондировании (недавно я посетил магазин Amazon Go в Сиэтле – автоматизированная система обслуживания работает достаточно хорошо, хотя в магазине еще есть несколько сотрудников). Немногим компаниям под силу тягаться с Amazon в этой сфере. Компания располагает целым рядом алгоритмов искусственного интеллекта (как с открытым исходным кодом, так и проприетарных), которые предлагает клиентам и использует сама в Amazon Web Services. Складывается впечатление, что никто точно не знает, сколько специалистов по данным работает в компании, но сейчас в Amazon открыто 505 вакансий соответствующей направленности. На сайте Amazon по подбору персонала можно найти 171 вакансию в области искусственного интеллекта. Оба числа намного больше количества сотрудников этой сферы в других компаниях, которым и не снились такие цифры⁷. Если кто-то и может создать смелые, сложные и хорошо заметные когнитивные технологии для внутреннего и внешнего использования, похоже, это Amazon.

Однако в 2017 г. в своем письме акционерам Amazon.com Джефф Безос утверждал, что ИИ (в частности, машинное обучение) окажет на компанию значительное, но незаметное влияние:

Но многое из того, что мы делаем с машинным обучением, происходит не на виду. Машинное обучение определяет наши алгоритмы прогнозирования спроса, поискового ранжирования продуктов, рекомендаций по продуктам и предложениям, размещения товаров, обнаружения мошенничества, переводов и многого другого. Хотя это и не столь очевидно, машинное обучение в основном будет воздействовать на процессы именно таким образом – незаметно, но значительно улучшая основные операции⁸.

Постепенный переход к когнитивным технологиям

Несмотря на несколько десятилетий чередования «зим» и «весен» ИИ, когда интерес к исследованиям ИИ снижался, а затем повышался вновь, сегодня ИИ в моде. Его принимают крупные организации, такие как Центр Андерсона, банк DBS и Amazon. Технологические стартапы в Кремниевой долине и по всему миру, а также компании, оказывающие профессиональные услуги, считают, что ИИ станет – или уже стал – следующим важным этапом развития отрасли. В эту область вкладывают деньги венчурные компании. Никогда еще пресса так внимательно не следила за развитием технологий и не раздувала вокруг них такой ажиотаж.

Само собой, я согласен, что отчасти это возбуждение оправданно. Когда технология ИИ соответствует задаче, а проблема не настолько сложна, как в случае с лечением рака, сбором огромной базы банковских знаний об инвестировании или управлением флотом дронов без участия пилотов-людей, успех не заставляет себя ждать. Однако искусственный интеллект не изменит работу организаций (или жизнь людей) так быстро, как многие полагают. Он станет одной из многих технологий, подчиняющихся закону Амары (который носит имя ученого и футуролога Роя Амары):

Мы склонны переоценивать влияние технологий в краткосрочной перспективе и недооценивать их влияние в долгосрочной перспективе⁹.

В краткосрочной перспективе ИИ поспособствует эволюционным изменениям, а в долгосрочной перспективе его влияние, скорее всего, окажется революционным.

ИИ действительно имеет большую ценность для бизнеса, но по большей части эта ценность не слишком привлекательна и не очень заметна. Благодаря ИИ продукты и процессы станут несколько лучше и проще в использовании. Решения будут более обоснованны. Мы продолжим прогрессировать в сфере данных и аналитики и, возможно, даже несколько ускорим замечательные темпы этого прогресса, наблюдавшиеся в последние пару десятилетий. Но все, кто обратился к технологиям ИИ на ранних этапах, уже заметили, что нам по-прежнему сложно создавать системы, которые думают и общаются как люди – даже в специализированных областях. Это особенно верно по части относительно новых и сложных технологий ИИ, как показал пример использования IBM Watson в Центре Андерсона и банке DBS.

Хотя ИИ очевидно открывает много источников потенциальной ценности для бизнеса, возникает вопрос, насколько заметными в организациях будут технологии ИИ и преимущества от их использования. Эти технологии могут привести как к радикальной трансформации бизнеса в результате осуществления нескольких проектов зондирования, так и оказать значительное, но по большей части незаметное влияние на процессы. Думаю, второй вариант несколько более вероятен. Не забывайте, что полету на Луну предшествовало множество других, менее амбициозных космических миссий. В 2014 г. специалист по прогнозированию развития технологий Кевин Келли написал, что он видит в ИИ «дешевую, надежную интеллектуальную технологию промышленного уровня, которая лежит в основе всех процессов, но почти никак не проявляет себя, пока неожиданно не прекращает работать». Келли сравнил ИИ с электричеством и заметил: «Нет почти ничего, что нельзя было бы обновить, изменить и улучшить, наделив дополнительным интеллектом… Как и все практичные вещи, ИИ будет в высшей степени скучным, даже трансформируя интернет, мировую экономику и цивилизацию»¹⁰.

Не только Amazon, но и другие солидные организации могут найти любопытные и весьма смелые способы применения технологий ИИ. Но этих способов, скорее всего, окажется не так уж много, а появляться они будут редко. Весьма велика вероятность, что зондирование ничего не даст. Однако существует множество прозаичных возможностей для использования ИИ, которые достаточно ценны, чтобы сделать когнитивные технологии достойными внимания.

Не стоит сомневаться, что ИИ заслуживает внимания организаций, но им необходимо экспериментировать с технологией и накопить достаточный опыт, чтобы использовать ее эффективным образом. Некоторые из ранних проектов уже потерпели неудачу, а при осуществлении других возникли серьезные трудности, поскольку ни технологии, ни применяющие их организации еще не были полностью готовы. Подобно тому, как самые умные инвесторы «богатеют медленно», компании должны переходить к использованию когнитивных технологий постепенно. В сфере искусственного интеллекта преуспеют предприятия и организации, которые будут постоянно инвестировать в ИИ, не станут обращать внимания на ажиотаж вокруг него, сумеют приспособить ИИ для решения конкретных бизнес-задач и будут ориентироваться на долгосрочную перспективу. В настоящей книге объясняется, как компаниям взять соответствующий курс.

Однако я также утверждаю, что в этой области опасно сидеть сложа руки или двигаться слишком медленно. Почти каждый день я общаюсь с представителями крупных компаний, которые уже осознали силу этой технологии. Позже я упомяну большинство опрошенных руководителей этих уважаемых организаций, которые считают, что когнитивные технологии преобразуют как их внутренние процессы, так и предлагаемые ими продукты и услуги. Скорее всего, эти компании и руководители станут вашими конкурентами, поэтому было бы глупо не начать наращивать возможности ИИ сегодня же.

Само собой, другую серьезную угрозу представляют прорывные стартапы. Как я уже заметил, активнее всего ИИ внедряют такие онлайн-гиганты, как Google, Amazon и Facebook. Мы наблюдаем, как эти ориентированные на данные компании входят в различные отрасли и бросают вызов традиционным лидерам. Так, Google нашла применение своим обширным картографическим данным и мастерству в сфере ИИ, в результате став крупным игроком в отрасли беспилотных транспортных средств.

Вероятно, в определенных секторах также появятся стартапы, которые будут ориентироваться на ИИ в качестве ключевого компонента своих бизнес-моделей. Взять хотя бы отрасль страхования имущества и ответственности, где работает множество уважаемых американских компаний, включая State Farm, Allstate, Geico, Progressive и других. Некоторые из этих компаний, например Progressive, сильны в традиционной аналитике данных, но пока неясно, начала ли хоть одна из них активно внедрять в свою деятельность технологии ИИ.

Однако конкуренцию этим уважаемым игрокам все чаще составляют стартапы вроде нью-йоркской компании Lemonade, которая сделала ИИ основой своего бизнеса. Генеральный директор и соучредитель Lemonade Дэниел Шрайбер написал в своем блоге:

В последние годы отрасль страхования уделяла огромное внимание технологическим стартапам. Они замечают, как цифровая трансформация преобразует пользовательский опыт, привлекает более молодых потребителей и способствует сокращению затрат, одновременно все ускоряя. Все это правда, но это только первое действие… Пока все восхищаются развиваемыми на этом этапе технологиями, замечательные приложения генерируют массу данных. Вскоре они накопят миллиарды записей, после машинной обработки которых и начнется второе действие… Первое действие демонстрирует способность технологии трансформировать любой бизнес путем снижения затрат, повышения скорости и удовлетворения запросов потребителей. Однако, когда начнется второе действие, мы увидим, что ИИ способен трансформировать сферу страхования уникальным образом. Его воздействие не будет ограничиваться повышением удовлетворенности клиентов и ростом производительности – он позволит оценивать риски так точно, как никогда ранее. И этот день близок¹¹.

Конечно же, уважаемые компании в сфере страхования имущества и ответственности не спешат уступать дорогу конкурентам. Крупная японская страховая компания Sompo Holdings (где я работаю советником) развивает технологии ИИ в нескольких направлениях (хотя стартапы вроде Lemonade пока не столь опасны в Японии). Sompo Holdings одной из первых начала эксперимент с применением интеллектуального агента IBM Watson в сфере обслуживания клиентов. Он создает прогностические модели, используя технологию автоматизированного машинного обучения. При помощи ИИ он извлекает ключевые данные из запросов на страхование бизнеса, а также моделирует метеорологические данные с применением технологий машинного обучения. Генеральный директор Sompo Кенго Сакурада и директор компании по информационным технологиям Коити Нарасаки прекрасно знают, что ИИ способен преобразовать их бизнес, и полны решимости активно исследовать технологию.

Что мы называем искусственным интеллектом и когнитивными технологиями?

Вообще говоря, ИИ и когнитивные технологии используют возможности, которыми ранее обладали только люди (а именно знание, понимание и восприятие), для решения узко определенных (при текущем состоянии технологий) задач. Как правило, это задачи, с которыми быстро справляется любой человек, – идентификация изображений или трактовка смысла предложений. Когда-то решение этих задач было под силу только человеческому мозгу (поэтому они и входят в категорию когнитивных). Немногие сегодня готовы спорить с этим громким определением, хотя не утихают дискуссии о том, насколько близко ИИ подошел к дублированию структур и функций мозга (на мой взгляд, он еще достаточно далек от этого).

Однако важно понимать, что в повседневном применении терминов «искусственный интеллект» и «когнитивные технологии» наблюдается значительная неопределенность. Кое-кто включает в спектр в высокой степени статистические технологии вроде машинного обучения, хотя машинное обучение имеет больше общего с традиционной аналитикой, чем с другими формами ИИ. Некоторые из тех, кто считает машинное обучение искусственно интеллектуальным, даже предпочитают этот термин термину «искусственный интеллект». Кое-кто включает в сферу ИИ технологию роботизированной автоматизации процессов (RPA), которая пока не демонстрировала особой интеллектуальности. Я намереваюсь использовать термин «искусственный интеллект» в самом широком смысле, отчасти потому, что мир, похоже, склоняется именно к этому, а отчасти потому, что все технологии, претендующие на звание искусственного интеллекта, со временем действительно становятся более интеллектуальными.

На основании этого можно сделать вывод о существовании еще одной сложности в использовании ИИ на предприятиях: дело в том, что технологий ИИ достаточно много и большинство из них можно применять несколькими способами, приспосабливая для выполнения различных функций. Комбинации технологий и функций достаточно сложны – настолько, что исследователь ИИ Крис Хэммонд даже предложил «периодическую систему» ИИ¹². Далее приведена таблица, в которой перечисляются семь ключевых технологий, дается краткое описание каждой из них, а также называются сферы их применения и типичные функции.

Я также опишу, насколько распространена каждая из технологий в мире бизнеса. Я работаю со многими компаниями и прежде всего являюсь профессором в бизнес-школе, но также занимаю должность старшего советника по стратегии и аналитике в Deloitte, что предполагает оказание консалтинговых услуг по вопросам искусственного интеллекта. В 2017 г. я помог подготовить и проанализировать опрос, в котором приняли участие 250 американских работников руководящего звена, осведомленных о когнитивных технологиях, то есть работающих в организациях, активно использующих такие технологии, и понимающих принципы их применения. В первую очередь участников опроса спрашивали, какие технологии используются в их компаниях.

Ниже приведена таблица, в которой подробнее описывается каждая из технологий и сфера ее применения.

Статистическое машинное обучение

Машинное обучение – это техника автоматической подгонки моделей к данным и «обучения» посредством тренировки моделей данными. Машинное обучение представляет собой одну из самых распространенных форм ИИ: в проведенном в 2017 г. опросе Deloitte 58 % из 250 «осведомленных о когнитивных технологиях» руководителей, компании которых уже внедряли ИИ, ответили, что в их бизнесе используется машинное обучение. Эта техника лежит в основе многих решений в сфере искусственного интеллекта и имеет множество вариантов. Резкий рост объемов данных внутри компаний и – особенно – за их пределами сделал возможным и необходимым применение машинного обучения для осмысления всей этой информации.

Более сложную форму машинного обучения представляет собой нейронная сеть – доступная с 1960-х гг. технология, которая используется для категоризации, например для выявления мошенничества в сфере кредитных операций. Она рассматривает каждую задачу как совокупность входящих и исходящих данных, а также переменных или «функций» различного веса, которые связывают входящие данные с исходящими. Работа этой технологии напоминает процесс обработки сигналов нейронами мозга, но аналогия с мозгом не слишком удачна.

Наиболее сложные формы машинного обучения предполагают глубокое обучение, или построение моделей нейронных сетей, имеющих множество уровней функций и переменных, предсказывающих результаты. В таких моделях могут быть тысячи функций, которые обеспечиваются более быстрой работой современных компьютерных архитектур. В отличие от более ранних форм статистического анализа, каждая функция модели глубокого обучения, как правило, мало что значит для человека. В связи с этим модели очень трудно или невозможно интерпретировать. В опросе Deloitte 34 % компаний использовали технологии глубокого обучения.

Модели глубокого обучения прогнозируют и классифицируют результаты с применением техники обратного распространения ошибки¹³. Именно эта технология ИИ стоит за целым рядом недавних прорывов – от победы над человеком при игре в го до классификации изображений в интернете. Отцом глубокого обучения часто называют Джеффри Хинтона из Университета Торонто и компании Google – и отчасти как раз из-за ранней работы над техникой обратного распространения ошибки.

В машинном обучении задействуется более сотни возможных алгоритмов, и большинство из них весьма причудливы. Спектр этих алгоритмов весьма широк и охватывает все – от повышения градиента (метода построения моделей, которые устраняют ошибки предыдущих моделей, тем самым повышая их способность к прогнозированию и классификации) до случайных лесов (моделей, которые представляют собой ансамбль моделей дерева принятия решений). Все чаще программное обеспечение (включая DataRobot, SAS и AutoML от Google) позволяет автоматизировать построение моделей машинного обучения, в ходе которого происходит апробация различных алгоритмов с целью выявить наиболее удачный¹⁴. Как только обнаруживается лучшая модель для прогнозирования или классификации тренировочных данных, ее используют для прогнозирования и классификации новых данных (иногда это называют скорингом).

Однако важен не только используемый алгоритм, но и принцип обучения создаваемых моделей. Модели обучения с учителем (на сегодняшний день наиболее распространенные в бизнесе) учатся на основе набора тренировочных данных с маркированным результатом. Например, модель машинного обучения, которая пытается предсказать мошенничество в банке, необходимо учить на системе, где мошенничество в некоторых случаях было однозначно установлено. Это непросто, поскольку частота мошенничества может составлять 1 случай на 100 000, и порой эту проблему называют проблемой несбалансированности классов.

Обучение с учителем очень похоже на традиционный аналитический метод регрессионного анализа, который используется в модели оценки. Цель регрессионного анализа заключается в том, чтобы создать модель, предсказывающую известный результат, используя набор входных переменных с известными значениями, которые могут быть связаны с этим результатом. Когда модель разработана, ее можно использовать для предсказания неизвестного результата на основе известных значений тех же входных переменных. Например, можно разработать регрессионную модель, предсказывающую вероятность заболевания диабетом в зависимости от возраста пациента, уровня его физической активности, количества потребляемых калорий и индекса массы тела. При разработке этой модели мы будем ориентироваться на пациентов, которые уже заболели или не заболели диабетом, используя все доступные данные для построения регрессионной модели. Обнаружив хорошую предсказательную регрессионную модель, мы сможем использовать ее на новом наборе данных, чтобы предсказать неизвестный результат – вероятность заболевания диабетом в зависимости от определенных значений входных переменных. Это называется скорингом (как в регрессионном анализе, так и в машинном обучении).

Регрессионный процесс напоминает машинное обучение с учителем, но имеет ряд особенностей:

● В машинном обучении данные, используемые для разработки (тренировки) модели, называются тренировочными данными и могут представлять собой подмножество данных, необходимых исключительно для тренировки системы.

● В машинном обучении тренировочная модель часто утверждается при помощи другого подмножества данных, для которого известен подлежащий предсказанию результат.

● В регрессионном анализе может и не возникнуть желание использовать модель для предсказания неизвестных результатов, тогда как в машинном обучении наличие этого желания подразумевается.

● В машинном обучении может использоваться множество различных алгоритмов, которые не ограничиваются простым регрессионным анализом.

Модели обучения без учителя, как правило, более сложны в разработке. Они распознают закономерности в данных, которые не маркированы заранее и для которых неизвестен результат. Третий способ обучения, обучение с подкреплением, предполагает, что система машинного обучения имеет определенную цель и каждое продвижение к этой цели вознаграждается. Такой способ весьма полезен в играх, однако он также требует огромного объема данных (и из-за этого порой теряет практичность)¹⁵. Важно отметить, что модели машинного обучения с учителем обычно не учатся непрерывно: они учатся на основе набора тренировочных данных, а затем продолжают использовать ту же модель, если только не задействуется новый набор тренировочных данных, на основе которого обучаются новые модели.

Модели машинного обучения опираются на статистику. Оценить их растущую ценность можно в сравнении с традиционной аналитикой. Как правило, они точнее традиционных «кустарных» аналитических моделей, основанных на человеческих предположениях и регрессионном анализе, но при этом они сложнее и хуже поддаются интерпретации. Автоматизированные модели машинного обучения могут создаваться намного быстрее и описывать более детализированные наборы данных, чем в случае с традиционным статистическим анализом. При наличии необходимого объема данных для обучения модели глубокого обучения очень хорошо справляются с такими задачами, как распознавание изображений и голоса. Они работают гораздо лучше, чем ранние автоматизированные системы для решения этих задач, а в некоторых сферах их возможности уже сравнимы с человеческими или даже превосходят их.

Обработка естественного языка (ОЕЯ)

С 1950-х гг. перед исследователями ИИ стояла цель научить машину распознавать язык человека. В эту сферу, называемую обработкой естественного языка, входят такие варианты использования технологий, как распознавание речи, текстовый анализ, перевод, генерация текста и решение других языковых задач. ОЕЯ использовали 53 % компаний, участвовавших в опросе об осведомленности о когнитивных технологиях. Есть два основных подхода к ОЕЯ – статистический и семантический. Статистическая ОЕЯ основана на машинном обучении и сегодня совершенствуется быстрее семантической. Она требует большого корпуса, или совокупности, текстов, на которых учится. Например, для перевода требуется большой объем переведенных текстов, статистически анализируя которые система узнает, что испанское и португальское слово amor находится в тесной статистической взаимосвязи с английским словом love. Этот метод использует «грубую силу», однако часто он довольно эффективен.

До последнего десятилетия внимание уделялось исключительно семантической ОЕЯ, и она демонстрирует умеренную эффективность, если система удачно натренирована на распознавание слов, синтаксиса и концептуальных связей. Однако обучение языку и инженерия знаний (которая часто предполагает создание графа знаний в определенной области) требуют много времени и сил. Для этого необходима разработка онтологий или моделей отношений между словами и фразами. Хотя создавать семантические модели ОЕЯ нелегко, сегодня этим занимаются несколько систем интеллектуальных агентов.

Производительность систем ОЕЯ следует измерять двумя способами. Первый – оценивать процент произнесенных слов, которые система понимает. Этот показатель возрастает при использовании технологии глубокого обучения и часто превышает 95 %. Второй способ – проверять, на какое количество различных типов вопросов система в состоянии ответить, а также сколько задач она может решить. Как правило, для этого необходима семантическая ОЕЯ, а поскольку в этой сфере нет серьезных технических прорывов, системы, которые отвечают на вопросы или решают конкретные задачи, контекстно обусловлены и требуют тренировки. Компьютер IBM Watson прекрасно справился с ответами на вопросы Jeopardy! но не сможет отвечать на вопросы Wheel of Fortune, если его не тренировать, а эти тренировки часто весьма трудоемки. Возможно, в будущем для ответов на вопросы будет применяться метод глубокого обучения, однако пока этого еще не делали.

Экспертные системы на основе правил

В 1980-х гг. экспертные системы на основе наборов правил «если – то» были доминирующей технологией ИИ и долгое время широко использовались в коммерческих целях. Сегодня их обычно не считают последним словом техники, но проведенный в 2017 г. опрос Deloitte об осведомленности о когнитивных технологиях показал, что их по-прежнему используют 49 % американских компаний, работающих с ИИ.

Экспертные системы требуют, чтобы эксперты и инженеры знаний разработали набор правил для конкретной области знаний. Они широко распространены, к примеру, в страховом андеррайтинге и банковском кредитном андеррайтинге, но также используются в нетрадиционных областях вроде обжарки кофе в Folgers или приготовлении супов в Campbell's. Они неплохо работают и просты для понимания. Однако, если количество правил велико (обычно больше нескольких сотен) и правила начинают конфликтовать друг с другом, системы не справляются с задачами. Кроме того, если меняется область знаний, приходится менять и все правила, а это сложно и трудоемко.

Системы на основе правил не слишком усовершенствовались с момента своего раннего расцвета, но представители активно применяющих их отраслей (вроде страхования и банковского дела) надеются, что вскоре появится новое поколение технологий на основе правил. Исследователи и поставщики технологий уже обсуждают возможность создания «адаптивных машин обработки правил», которые будут постоянно модифицировать правила на основе новых данных, или комбинаций машин обработки правил с машинным обучением (но все это пока не получило широкого распространения).

Физические роботы

Физическими роботами сегодня никого не удивить, ведь каждый год по всему миру внедряется более 200 000 промышленных роботов. В том или ином качестве физических роботов используют 32 % компаний, руководители которых приняли участие в опросе об осведомленности о когнитивных технологиях. На заводах и складах роботы выполняют такие задачи, как подъем и перемещение грузов, а также сварка и сборка объектов. Ранее они управлялись детализированными компьютерными программами, которые позволяли им выполнять конкретные задачи, но в последнее время роботы более тесно сотрудничают с людьми, а обучать их стало легче, поскольку можно просто пройти с ними весь цикл необходимой задачи. Они также становятся более интеллектуальными по мере того, как в их «мозг» (то есть в операционную систему) встраиваются другие возможности ИИ. Кажется весьма вероятным, что со временем интеллект физических роботов будет улучшен так же, как интеллект других систем.

Роботизированная автоматизация процессов (РАП)

Эта технология выполняет структурированные цифровые задачи (то есть задачи, связанные с информационными системами) так, как если бы их выполнял человек, следующий сценарию или правилам. Не все согласны, что РАП принадлежит к семейству технологий ИИ и когнитивных технологий, поскольку она не слишком интеллектуальна. Однако системы РАП популярны и автоматизированы, а их интеллектуальность растет, поэтому я включаю их в мир ИИ. Иногда их называют цифровой рабочей силой. В сравнении с другими формами ИИ они не слишком дороги и просты в программировании. При этом их работа прозрачна. Если вы умеете пользоваться мышкой, понимаете графические модели технологических процессов и готовы создать несколько бизнес-правил «если – то», вы в состоянии разобраться в этой технологии и, возможно, даже разработать РАП. Настраивать и внедрять такие системы также гораздо проще, чем разрабатывать собственные программы, используя язык программирования.

РАП не задействует роботов – только компьютерные программы на серверах. Опираясь на сочетание рабочего процесса, бизнес-правил и интеграции «уровня представления» с информационными системами, она функционирует как полуинтеллектуальный пользователь этих систем. Порой РАП сравнивают с макрокомандами электронных таблиц, но я считаю такое сравнение некорректным, поскольку РАП может справляться с гораздо более сложными задачами. Ее также сравнивают с инструментами управления бизнес-процессами, которые могут управлять рабочим процессом, но на самом деле технология была создана для того, чтобы документировать и анализировать процесс, а не автоматизировать его¹⁶.

Некоторые системы РАП уже в определенной степени наделены интеллектом. Они могут «наблюдать» за тем, как работают их коллеги-люди (например, как они отвечают на частые вопросы клиентов), и имитировать их действия. Другие сравнивают процесс автоматизации с машинным зрением. Как и физические роботы, системы РАП постепенно становятся более интеллектуальными, а для управления их поведением начинают использоваться другие типы технологий ИИ.

Я описал эти технологии по отдельности, но все чаще они объединяются и интегрируются. Однако сегодня человеку, принимающему бизнес-решения, очень важно знать, какие технологии какие задачи выполняют. Директор по информационным технологиям Global Inc. Кришна Натан отмечает, что в 2018 г. один из ключевых приоритетов его компании – «помочь акционерам понять, на что способен и не способен ИИ, чтобы использовать его должным образом»¹⁷. Возможно, в будущем эти технологии окажутся так тесно переплетены, что необходимость в таком понимании исчезнет, а возможно, технологии вообще станут неотделимы друг от друга.

ИИ в сообществе поставщиков технологий

В этой книге я в основном рассказываю об использовании когнитивных технологий крупными предприятиями в таких сферах, как предоставление финансовых услуг, производство и телекоммуникация. Но большая часть работы, выполняемой крупными коммерческими предприятиями, стала возможной благодаря исследованиям и разработкам, проводившимся в тех же местах, где в 2000-х гг. развивались технологии больших данных (включая Hadoop, Pig и Hive). В этот период Google, Facebook и в меньшей степени Yahoo! направляли значительные усилия на развитие технологий ИИ. Эти компании располагали огромным объемом данных для анализа, огромным количеством денег (по крайней мере в случае Google и Facebook) и прочными связями с учеными.

Google

Пожалуй, не стоит удивляться, что компания Google стала самым активным разработчиком и пользователем технологий ИИ среди интернет-гигантов (а возможно, и среди всех компаний мира). Работая в сотрудничестве со стэнфордским профессором Эндрю Ыном, Google начала исследовать ИИ (в частности, глубокое обучение) в лабораториях Google X еще в 2011 г. Этот проект получил название Google Brain. Главным образом в рамках него изучалась технология глубокого обучения, которая использовалась для распознавания изображений и решения других задач. К 2012 г. группа исследователей решила одну из самых важных проблем человечества – как заставить машину распознать фотографию кота в интернете.

В следующем году Google наняла исследователя из Университета Торонто Джеффри Хинтона, который помог возродить нейронные сети. В 2014 г. Google купила лондонскую компанию DeepMind, весьма компетентную в сфере глубокого обучения. Инструменты группы были использованы, чтобы помочь созданной Google программе AlphaGo, играющей в древнюю игру го, победить одного из лучших игроков в мире. В 2016 г. команда Google Brain помогла Google существенно улучшить точность переводов Google-переводчика. К тому году Google и ее материнская компания Alphabet использовали машинное обучение более чем в 2700 проектах, включая разработку алгоритмов поиска (RankBrain), создание беспилотных автомобилей (теперь этим занимается Waymo – дочерняя компания Alphabet) и усовершенствование медицинской диагностики (дочерняя компания Calico)¹⁸. Как это принято в Кремниевой долине, в 2015 г. Google также открыла бесплатный доступ к своей библиотеке машинного обучения TensorFlow, которая стала проектом с открытым кодом и завоевала популярность среди компаний более узкой направленности, использующих ИИ.

Facebook

Возможно, Facebook внедряет когнитивные технологии в свои продукты и процессы не столь успешно, как Google, но получается все же довольно неплохо. Вместо Эндрю Ына и Джеффа Хинтона исследованиями ИИ в компании занимается Ян Лекун, который также преподает в Нью-Йоркском университете. Лекун уделяет особое внимание распознаванию изображений, что стало ключевым направлением разработок Facebook. У компании есть приложение для распознавания изображений Lumos, которое анализирует фотографии в Facebook и Instagram и предлагает пользователям персонализированную рекламу на основании их материалов. Lumos также помогает идентифицировать запрещенные порнографические материалы или материалы, содержащие насилие (хотя в этом процессе по-прежнему задействовано и большое количество людей), неправомерное использование брендов и логотипов и материалы террористической направленности.

Однако в главе 7 я подробно расскажу, с какими трудностями Facebook столкнулся при внедрении некоторых когнитивных технологий. Он пытался использовать их с целью выявления важных и актуальных новостей для представления клиентам (Facebook Trending Topics), но автоматизированный процесс не сумел отличать реальные новости от фальшивых. Недавно российские хакеры намеренно разместили на Facebook фальшивые новости, но автоматизированные фильтры этого не заметили. Автоматизированный таргетинг рекламы на Facebook подвергся осуждению за возможность таргетирования рекламы для расистов¹⁹. Во всех трех случаях Facebook пришлось обратиться за помощью к людям. Однако есть надежда, что когнитивные инструменты помогут людям быстрее и эффективнее фильтровать фальшивые новости и агрессивную речь²⁰.

IBM Watson

Само собой, обычно IBM не считается гигантом больших данных и интернета. Однако эта компания также владеет продвинутыми когнитивными технологиями (обычно это когнитивные вычисления), которые предлагает на рынке вместе с компьютером Watson. На заре своего существования Watson был результатом (весьма успешной) попытки обыграть человека в телеигре Jeopardy! в 2011 г. В соответствии с форматом этой игры Watson изначально был системой вопросов и ответов, основанной главным образом на текстовых знаниях, почерпнутых из интернета.

Теперь же Watson превратился в бренд и решает не одну задачу, а множество. Он может не только отвечать на вопросы, но и распознавать изображения, анализировать метеорологические данные, работать с интернетом вещей, проводить базовый статистический анализ и организовывать отчетность. Даже когнитивный Watson имеет целый набор программных интерфейсов (API) – небольших модульных программ, которые получают данные, выполняют конкретную задачу и выдают результат (и эти интерфейсы можно комбинировать для решения конкретных проблем).

Преимущество Watson в том, что он представляет собой надежную «платформу» для работы когнитивных технологий – одну из немногих, доступных на сегодняшний день. В основном его API работают как и обещано. Компания провела титаническую работу по созданию «экосистемы» Watson, куда вошли более мелкие компании, использующие некоторые возможности Watson в своих продуктах.

Однако у Watson есть и недостатки – в сообществе ИИ многие относятся к нему негативно²¹. Маркетинг системы опередил ее способность давать результаты. Например, IBM утверждает, что уже освоила лечение шести типов рака, но, по оценкам исследователей рака и онкологических больниц, на самом деле это вовсе не так однозначно²². Нет никаких объективных, детально проработанных исследовательских статей, в которых оценивались бы проекты Watson в области здравоохранения. Более того, когда Watson действительно добивается успехов в здравоохранении и других областях, ему обычно помогает огромное количество консультантов IBM (и других компаний). В 2017 г. Watson подвергся за это критике в аналитическом отчете для инвесторов, составленном Jeffries & Co²³.

Иными словами, на фоне всеобщего энтузиазма в отношении когнитивных технологий IBM кажется одновременно и героем, и злодеем. Без сомнения, впечатляющая победа Watson на Jeopardy! и последующий маркетинг системы немало поспособствовали подъему интереса к этим технологиям. Однако, если в ближайшем будущем наступит очередная «зима» ИИ, вызванная неспособностью когнитивных технологий оправдать завышенные ожидания, вина за это будет в немалой степени лежать на IBM. Более сдержанный маркетинг и бóльшая открытость в вопросе, что на самом деле умеет система, могли бы это предотвратить.

Что вас ждет в этой книге

Цель этой главы состояла в том, чтобы познакомить вас с когнитивными технологиями и описать контекст их использования крупными организациями и поставщиками технологий. Хотя активнее всего когнитивные технологии используются именно компаниями-поставщиками, у которых можно многому научиться, не стоит забывать, что они работают, чтобы открыть возможности для предприятий-пользователей. Именно об этом и рассказывается в настоящей книге. На мой взгляд, вопросы внедрения интеллектуальных машин в их продукты, услуги, стратегии, культуры и модели поведения – наиболее интересные проблемы ИИ. В главе 2 рассматриваются некоторые возможности и сложности внедрения ИИ на предприятиях.

В главе 3 я подробнее опишу, какие технологии применяют компании, как именно они их используют, какую выгоду получают, а также какие возможности ИИ пытаются развить.

В главе 4 перечислю плюсы стратегии внедрения когнитивных технологий. Трудно гарантировать, что ваши инвестиции и исследования принесут плоды, если вы не разработаете подобную стратегию или хотя бы не ответите на некоторые стратегические вопросы. Я немного расскажу о процессе разработки стратегии, а затем подробно опишу все аспекты, которые она должна учесть.

В главах 5–7 рассматривается несколько новых типов организаций, которые эффективно используют когнитивные технологии. В главе 5 обсуждается, как могут измениться организационные структуры и бизнес-процессы при использовании когнитивных технологий для автоматизации и управления знаниями при решении ключевых задач. Глава 6 посвящена новым ролям и навыкам, которые потребуются работникам когнитивных компаний. В главе 7 описывается, каким образом необходимо изменить технологии и данные, чтобы организация смогла добиться успеха. Многие уроки из этих трех глав могут пригодиться не только тем, кто использует когнитивные технологии, но и тем, кто их создает.

В главе 8 рассматриваются вопросы, связанные с организационными и социальными переменами, вызванными ИИ. В ней обсуждаются некоторые этические аспекты использования когнитивных технологий, в первую очередь затрагивающие давно существующие компании. Кроме того, в главе описывается, как будет выглядеть и действовать когнитивная компания будущего.

В этой книге я попытался свести к минимуму ажиотаж вокруг ИИ (в мире его и так достаточно) и сосредоточиться на том, что на самом деле происходит с ИИ в организациях. Если вы хотите услышать дифирамбы ИИ, который изменит завтрашний мир, возможно, эта книга не для вас. Если же вы предпочитаете честный и прямой взгляд на то, как эта мощная технология повлияет на бизнес в краткосрочной и долгосрочной перспективе, читайте дальше.

2
ИИ на предприятии

Учитывая ажиотаж, который раздувают вокруг ИИ пресса и поставщики технологий, вы, возможно, опасаетесь, что пузырь ИИ лопнет, прежде чем большинство организаций хотя бы начнет с ним работать. Именно так произошло на прошлой волне интереса к ИИ, но я полагаю, что наступление очередной «зимы» ИИ относительно маловероятно. Продукты поставщиков технологий приходят и уходят, но теперь многие уважаемые компании-пользователи занимаются разработкой масштабных проектов в когнитивном пространстве. Те же, кто понимает когнитивные технологии и их ценность для бизнеса, позитивно смотрят в будущее, если не сказать большего.

Вот несколько выводов, сделанных на основании уже упоминавшегося опроса об осведомленности о когнитивных технологиях, проведенного Deloitte в 2017 г., и показывающих, как оптимистично руководители оценивают потенциал этих технологий в своем бизнесе:

● 88 % опрошенных назвали когнитивные технологии «важными» или «очень важными» для разработки продуктов и услуг;

● 93 % опрошенных назвали их важными или очень важными для внутренних бизнес-процессов;

● 76 % опрошенных уверены, что когнитивные технологии «существенно преобразят» их компании в течение следующих трех лет;

● 57 % опрошенных сказали, что их отрасли тоже преобразятся в этот период;

● никто из опрошенных не посчитал, что когнитивные технологии не окажут существенного воздействия на их компании или отрасль.

Судя по этим цифрам, когнитивные технологии вряд ли провалятся. В опросе мы также обнаружили, что наиболее позитивно когнитивные технологии оценивали те, кто имел наибольший опыт работы с ними. В этой книге я опишу несколько других опросов, проводившихся поставщиками технологий и консалтинговыми компаниями, но ни один из них не демонстрирует оптимизм руководителей крупных предприятий нагляднее.

Само собой, не каждая организация и не каждый руководитель работает с этими технологиями. Многие знакомы с ними лишь поверхностно. Чтобы найти 250 управленцев из крупных организаций для опроса Deloitte, нам пришлось связаться с 1507 управленцами. Некоторые из них были исключены из выборки по причинам, не связанным с неосведомленностью об ИИ, но 56 % кандидатов выбыли именно потому, что не располагали достаточными знаниями о технологиях, а их компании не были их активными пользователями.

Подобным образом из 3073 участников проведенного в 2017 г. опроса McKinsey только 20 % сказали, что применяют одну или несколько технологий ИИ в определенной сфере деятельности своей компании или что такая технология лежит в основе их бизнеса²⁴. Конечно, другие экспериментировали с технологиями ИИ, но еще не уделяли им серьезного внимания. Почти каждый опрос демонстрирует наличие большого энтузиазма относительно ИИ, но показывает, что его широкое применение в организациях только начинается. Однако некоторые дальновидные компании играют лидирующую роль.

Обоснование необходимости применения когнитивных технологий в бизнесе

Почему руководители и сотрудники предприятий должны изучать когнитивные технологии и применять их на практике? Некоторые экономисты утверждают, что новейшие технологии не оказывают такого влияния, как более старые, например поезда, автомобили и электричество, и это кажется правдой. Но технологии, которые могут мыслить и действовать в достаточной степени автономно, сулят значительное повышение производительности. В последнее десятилетие в США, Европе и других развитых странах не наблюдалось существенного роста производительности труда. В США темпы роста производительности труда не достигали 3 % с середины 1970-х гг., а на протяжении последних десяти лет среднегодовые темпы роста составляли 1,2 %. В последние два года темп роста снизился вдвое и стал совсем удручающим, а в Европе показатель и того ниже – в последнее время он не превышает 0,5 %.

Само собой, повышение производительности труда означает, что тот же объем работ может выполнять меньшее количество работников. Многие опасаются, что рост производительности труда в результате использования когнитивных инструментов приведет к тому, что многие потеряют работу. С другой стороны, когнитивные технологии могут противодействовать негативному воздействию старения рабочей силы и сокращению доли работающего населения. Я подробнее рассмотрю эти вопросы в главе 8. Но пока кажется, что воздействие когнитивных технологий на рабочую силу будет незначительным и медленным. А производительность труда должна расти, чтобы росла экономика и повышался уровень жизни.

Когнитивные технологии нацелены на интеллектуальный труд, процессы которого особенно важны и проблематичны с точки зрения производительности. Еще в 1959 г. (предложив термин «работник интеллектуального труда») Питер Друкер утверждал, что производительность интеллектуального труда – ключ к экономическому успеху в XXI в. Друкер также отметил, что отрасли с наивысшей долей работников интеллектуального труда – здравоохранение, образование и профессиональные услуги – демонстрируют худший рост производительности. Если бы некоторые из задач могли выполнять умные машины (и теперь им это под силу), разве это не пошло бы всем нам или большинству из нас на пользу?

Меня давно интересует вопрос производительности интеллектуального труда в организациях – в 2005 г. я написал об этом книгу «Как зарабатывать с помощью мышления» (Thinking for a Living). До недавнего времени помочь с интеллектуальными задачами могло лишь сравнительно небольшое количество умных машин. Но при этом они могут существенно преобразить многие профессии и процессы.

Когнитивное преимущество в здравоохранении

Возьмем, к примеру, процесс медицинской диагностики и лечения. Как я указывал в главе 1, компания IBM несколько лет работала над тем, чтобы использовать Watson для диагностики рака и рекомендации методов лечения. Пока Watson не добился окончательного успеха в этом, но IBM и лидирующие медицинские центры, использующие Watson, движутся к этой важной цели. Основное внимание при этом уделяется обучению на основании огромного количества опубликованных медицинских и научных исследований – каждый год появляется около 2,5 млн новых исследовательских статей. Обучение на их основе может привести к повышению показателей излечения, а также обеспечить более свободный доступ к лучшим врачебным практикам даже в отдаленных районах. Это одна из причин, по которой Мемориальный онкологический центр имени Слоуна – Кеттеринга решил работать с Watson – так весь мир мог получить доступ к знаниям и опыту лучших онкологов больницы.

Значительно улучшить диагностику заболеваний также можно с помощью медицинской визуализации. Множество исследований показывает, что компьютерная диагностика с использованием МРТ, КТ или ультразвука уже работает не хуже многих радиологов. Но пока это не привело к снижению расходов на визуализацию, которые в настоящее время составляют около 10 % всех расходов на здравоохранение в США²⁵. Еще более высокая точность диагностики, которая вполне достижима при распознавании изображений на базе глубокого обучения, может привести к более широкому распространению компьютерной диагностики в сфере визуализации. Крупные поставщики технологий вроде IBM, некоторые стартапы, крупные производители аппаратов визуализации вроде GE и академические медицинские центры усердно работают над улучшением диагностики на базе визуализации. Прежде чем эти технологии сумеют оказать существенное влияние, потребуется приложить немало сил для разработки стандартов их использования в лечебной работе, но перспективы есть.

Когнитивные технологии также могут поспособствовать удешевлению отпускаемых по рецепту лекарств и сократить время их вывода на рынок. Фармацевтическая компания тратит около 12 лет на исследования, разработку, тестирование и запуск продукта. Несколько компаний, включая Pfizer, Novartis и Celgene, работают с IBM Watson, чтобы быстрее выявлять и выводить на рынок новые лекарства. До сих пор непонятно, выйдет ли из этого толк.

Такие компании, как Pfizer, также используют машинное обучение для анализа данных пациентов и врачей, чтобы понять, какие подходы к лечению лучше всего для пациентов. Компания построила модель, которая использовала анонимизированные данные о назначениях врачей за продолжительный период времени. После того как тысячи переменных были изучены при помощи машинного обучения, анализ показал, что врачи, которые оптимально титровали (то есть определяли наиболее эффективную дозировку) один из препаратов компании Pfizer, добивались лучших результатов при лечении своих пациентов. Этими наблюдениями поделились с отделом продаж, чтобы обеспечить ведение более пациент-ориентированных и оптимизированных разговоров в офисе, а также их встроили в цифровые каналы общения, чтобы доводить значимую информацию до пациентов. Данные обновляются каждые полгода, благодаря чему обеспечивается их актуальность и принимаются взвешенные решения о выделении ресурсов.

Сколько отраслей, столько и функций

Конечно же, когнитивные технологии могут преобразить ключевые виды деятельности многих других отраслей, помимо здравоохранения. Некоторые из них уже подверглись трансформации. Например, можно существенно повысить точность маркетинга и продаж: сотрудники отделов продаж могут звонить только тем клиентам, которые наверняка совершат покупку. Технологии машинного обучения могут анализировать и постоянно обновлять модели «предрасположенности к покупке», которые предсказывают, какие клиенты с наибольшей вероятностью приобретут конкретные продукты и услуги. Компании вроде Cisco Systems и IBM уже создают десятки тысяч моделей такого типа, применяя технологии машинного обучения. Cisco, к примеру, перешла от создания десятков «кустарных», разрабатываемых людьми моделей предрасположенности к автономной генерации около 60 000 моделей. Небольшая группа аналитиков и специалистов по обработке данных ежеквартально генерирует эти модели с использованием технологий машинного обучения в рамках программы Global Customer Insights. В этих моделях учитывается каждый потенциальный покупатель (а их больше сотни миллионов) каждого продукта Cisco в каждой стране, что и объясняет необходимость такого большого количества моделей. Отделы продаж и маркетинга Cisco используют модели, чтобы решить, какие продукты каким клиентам предлагать²⁶. Они так сильно опираются на эти модели, что Cisco пришлось внедрить более мощные информационные технологии для генерации моделей в начале каждого квартала, чтобы специалисты отдела продаж могли ими воспользоваться.

В цифровом маркетинге машинное обучение уже используется для таргетирования рекламы, ориентированной на конкретных издателей и индивидуальных потребителей. С этой целью создаются тысячи моделей в неделю. Интерпретировать такое множество сложных моделей часто нелегко, но ставки не настолько высоки (несколько центов за каждое размещение рекламы), чтобы причина, по которой конкретная реклама помещается на конкретный сайт, имела большое значение.

Другие компании работают над маркетинговым использованием технологий машинного обучения для повышения вовлеченности клиентов. Например, Macy's сотрудничает с IBM Watson и Cognitive Scale (поставщиком технологий ИИ из Остина), чтобы улучшить персонализацию и вовлеченность на своем сайте и в мобильном приложении. Технология Cognitive Scale с помощью игры формирует профиль одежды, которая нравится конкретному покупателю. Технология Watson, называемая Macy's OnCall, отвечает на вопросы покупателей в мобильном приложении естественным языком и направляет покупателей в нужные отделы в офлайн-магазинах. Использованный на сайте Macys.com разговорный агент может отвечать на простые текстовые вопросы вроде «Где мой заказ?» и «Как вернуть этот товар?» и уже обрабатывает более 25 % обращений покупателей на сайте, а при необходимости привлекает к общению с покупателем человека. Macy's изучает подобные технологии для использования в своем кол-центре²⁷.

В сотрудничестве со стартапом ModeAl компания Levi's использует распознавание изображений на базе машинного обучения и глубокого обучения, чтобы поддерживать работу виртуального стилиста, который должен сделать онлайн-шопинг таким же интересным, как и посещение настоящего магазина. Диалоговый интерфейс приложения сочетается с визуальной составляющей, которая помогает клиенту подобрать размер джинсов и других продуктов Levi's. Система также анализирует данные из интернета и социальных сетей, чтобы показать клиентам, как одежду Levi's носят по всему миру.

В сфере обслуживания клиентов на вопросы покупателей все чаще отвечают приложения обработки естественного языка, создаваемые такими компаниями, как IBM (Watson Virtual Agent) и IPsoft (Amelia). Они дают точные ответы в любое время дня, без необходимости ждать. Например, один крупный американский банк каждый год принимает два миллиарда звонков в свои кол-центры и хочет, чтобы Amelia отвечала хотя бы на относительно простые вопросы клиентов – сообщала им остаток по карте и делала переводы.

Организации используют те же самые технологии для взаимодействия с сотрудниками. Хотите спросить в отделе кадров, каковы условия вашей медицинской страховки или сколько у вас осталось дней отпуска? Нужно переустановить пароль или сообщить о неисправности принтера в ИТ-отдел? Вполне вероятно, что вскоре подобные вопросы будут задаваться не человеку, а умной машине. Такие компании, как ServiceNow, которая уже решает многие подобные вопросы при помощи автоматизированной технологии, внедряют в свои продукты технологии машинного обучения, чтобы сделать их более интеллектуальными. Многим сотрудникам не нравится снова и снова отвечать на одни и те же вопросы, так что вполне вероятно, что они не откажутся потерять эту функцию.

Компании используют когнитивные технологии и в цепочке поставок. Например, традиционные технологии оптимизации, которые помогали оценивать количество запасов и избегать дефицита, заменяются системами машинного обучения, осуществляющими постоянный мониторинг продаж, погоды и реакции на маркетинговые акции с целью корректировки цепочек поставок. Такие компании, как UPS, заменяют фиксированные ежедневные маршруты динамическими, которые в реальном времени корректируются с учетом погоды и загруженности дорог – и для этого тоже используются технологии машинного обучения. Только когнитивные технологии в состоянии обрабатывать все необходимые данные. Наступит день, когда поставки будут осуществляться беспилотными грузовиками, что также приведет к перестройке цепочек поставок.

Наконец, когнитивные технологии идут на пользу и компаниям-производителям. Само собой, некоторые из них внедряют когнитивные технологии в свои продукты. Как я покажу в главе 4, совершенствование продуктов с помощью когнитивных технологий входит в задачу большого количества компаний. Транспортные средства, телекоммуникационные и вычислительные устройства, промышленное оборудование, бытовая техника – все эти продукты рано или поздно смогут стать платформами для технологий ИИ. Некоторые из них уже стали такими платформами, хотя размах используемых в них технологий пока не поражает. Конечно же, производители легковых и грузовых автомобилей стараются как можно скорее сделать свои транспортные средства более автономными. В отсутствие когнитивных технологий об этом оставалось бы только мечтать.

Но когнитивные технологии используются и для перестройки различных аспектов самого процесса производства. Роботы неизменно становятся более контактными и работают с большей гибкостью. Они все чаще обладают интеллектом, который могут обеспечить только когнитивные системы. Когда они начнут общаться друг с другом и учиться друг у друга, уровень их интеллекта будет расти как на дрожжах (глава Исследовательского института Toyota Гилл Пратт в своей авторитетной статье назвал это «кембрийским взрывом» интеллекта роботов)²⁸.

Кроме того, когнитивные технологии используются, чтобы сделать промышленное оборудование более производительным и надежным. Над этим работает целый ряд компаний, но больше всего усилий прилагает GE. Все данные с датчиков, установленных на произведенных GE реактивных и газотурбинных двигателях, ветряных турбинах, сканерах МРТ и КТ и других аппаратах, записываются и хранятся в виртуальном макете. Эта цифровая модель может обнаруживать неполадки и сообщать о необходимости ремонта и обслуживания, тем самым снижая длительность незапланированных простоев аппарата или устраняя простои вовсе. Можно также построить виртуальный макет целой группы машин, например всего заводского оборудования или воздушного флота.

Виртуальный макет постоянно получает подпитку данными, в которых может быть множество переменных. Со временем переменные и модели, сообщающие о необходимости ремонта и обслуживания оборудования, могут меняться. В таких ситуациях лучше всего использовать технологию машинного обучения. Она способна учиться на новых данных и со временем корректировать прогностические модели. Кроме того, эта когнитивная технология может обнаруживать аномалии, характерные особенности и тенденции работы машины, а также понимать модель ее поведения и замечать удачные аспекты функционирования, чтобы использовать все эти данные в качестве образца для настройки других машин. Уже имея около 750 000 виртуальных макетов, GE быстро увеличивает их число.

Само собой, когнитивные технологии можно использовать и в других областях. Они уже применяются при разработке новых продуктов, в финансовой сфере, в области информационных технологий и многих других отраслях. Если нужно принять решение, для которого необходимо проанализировать огромный объем структурированных данных, уместно использовать технологии машинного обучения. Если нужно проанализировать текст или речь, можно применить технологию обработки естественного языка. Нужно распознать изображения? Возможно, вам понадобится глубокое обучение. Как вы догадываетесь, в бизнесе существуют сотни или даже тысячи сценариев, для которых подойдет та или иная форма ИИ. Не любая технология подойдет везде идеально, но лучше рассмотреть все возможные варианты.

Почему только крупные компании и технологические стартапы?

До сих пор активнее всего ИИ внедряли «цифровые аборигены» – онлайн-компании (Google, Facebook и др.), крупные предприятия и технологические стартапы, у многих из которых определенные аспекты когнитивных технологий лежат в основе бизнеса. Малые и средние компании, работающие за пределами технологической сферы, внедряют когнитивные технологии относительно редко. Этому есть несколько причин – уважительных и не очень.

Прежде всего схема внедрения ИИ не слишком отличается от схемы внедрения других технологий. Технологические компании внедряют технологии рано по очевидным причинам. Стартапы выстраивают свою деятельность вокруг новых технологий. Как правило, следующими в очередь за технологиями выстраиваются крупные предприятия, которые достаточно подкованы в технологическом отношении, чтобы инвестировать в новые технологии, и могут позволить себе нанять сотрудников для разработки и внедрения новых решений.

Подобным образом внедрялись технологии больших данных и аналитики – технологические компании и крупные предприятия обратились к ним достаточно рано. Как оказалось, своевременное внедрение этих технологий имеет решающее значение для успешного внедрения когнитивных технологий. В основе большинства когнитивных технологий лежит статистика, а если ваша организация не работала со статистикой и аналитикой, вероятно, она не справится и с технологиями ИИ.

Крупные компании (в частности, компании, значительную часть клиентов которых составляют конечные потребители), как правило, располагают огромными объемами данных об этих клиентах и совершенных с ними сделках. В процессе своей деятельности они генерируют значительные объемы данных о других аспектах ведения бизнеса. Это дает существенное преимущество при использовании когнитивных методов и инструментов, для корректной работы которых требуется большое количество данных. Небольшие компании, а также компании, клиентами которых выступают не конечные потребители, не всегда располагают необходимыми данными – по крайней мере о своих клиентах. Однако компании, ведущие бизнес для бизнеса, могут применять все больше когнитивных технологий, используя машинные данные или выбирая технологии другого типа.

Размер компании может давать финансовые преимущества, которые поспособствуют внедрению ИИ в крупных организациях. Некоторые программы достаточно дороги. Хотя не все когнитивные программы стоят больших денег (некоторые из них можно получить бесплатно в качестве программного обеспечения с открытым кодом), обучение навыкам работы с ними стоит немало²⁹. Крупные компании могут позволить себе оплачивать работу поставщиков закрытых технологий, а также платить консультантам и специалистам по работе с данными. Небольшие компании часто не могут себе этого позволить.

Вероятно, главная проблема средних и малых компаний, отстающих в деле внедрения ИИ, заключается в том, что им недостает понимания, на что способны новые технологии. В крупных компаниях работают профессионалы, следящие за развитием технологий и внедряющие многообещающие технологии в организации, но в малых компаниях таких сотрудников обычно нет. Руководители малых и средних компаний часто слишком озабочены производством продуктов (или услуг), их продажей и применением на практике. Даже если когнитивным технологиям под силу сделать все эти процессы гораздо лучше, быстрее и дешевле, руководители компаний могут не знать о такой возможности. Руководителям малых и средних компаний стоит выделять время на то, чтобы смотреть по сторонам и заглядывать в будущее в поисках технологий, которые могут сделать их организации успешнее.

Конечно же, крупные компании тоже сталкиваются с некоторыми трудностями при внедрении ИИ. Как правило, в основе их деятельности лежат отлаженные бизнес-процессы, которые обслуживаются устаревшими ИТ-системами. Внедрять в эти системы технологии ИИ порой нелегко. Например, если компания разработала новый набор моделей предрасположенности к покупке, чтобы выявлять наиболее вероятных покупателей конкретных продуктов и услуг, внедрить рекомендации в системы и процессы взаимодействия с клиентами (и в работу специалистов отдела продаж), скорее всего, будет довольно сложно. Кроме того, для крупных компаний характерны бюрократические процедуры планирования и устоявшиеся процедуры распределения средств, которые меняются не так часто, как следовало бы. Однако в целом крупные компании внедряют технологии ИИ чаще, чем малые и средние организации. К несчастью для небольших компаний, весьма вероятно, что ИИ поможет крупным компаниям стать еще крупнее.

Уже не разведка, но еще не глубокое погружение

Насколько привержены этим технологиям крупные компании? Большинство из них уже не просто проводят разведку, но еще не готовы нырнуть в омут с головой. Многие компании изучают когнитивные технологии на экспериментальной основе. Директор по информационным технологиям GE Джим Фаулер высказался от лица многих крупных компаний, когда (в конце 2017 г.) сказал, что в 2018 г. «необходимо поумнеть в отношении ИИ и перейти от экспериментов к решению множества реальных проблем»³⁰.

Экспериментальный подход к внедрению ИИ имеет ряд особенностей. Первая из них – несколько консервативный уровень расходов на технологии. Лишь 12 % компаний, представленных в опросе, инвестируют в когнитивные технологии не менее $10 млн. Примерно по 25 % компаний тратят на технологии от $5 млн до $10 млн, от $1 млн до $5 млн или от $500 000 до $1 млн, а 7 % выделяют на технологии менее $500 000. В другом опросе 59 очень крупных организаций, проведенном в конце 2017 г. компанией NewVantage Partners, 53 % заявили, что тратит на технологии больших данных и ИИ менее $50 млн. Использование когнитивных технологий на уровне организаций только начинается, поэтому большинство компаний еще не имеет устоявшегося бюджета для них.

Опрос ИТ-директоров транснациональных компаний показывает, что многие внедряют ИИ с еще большей осторожностью. Ежегодный опрос ИТ-директоров проводит компания Gartner, и неудивительно, что в опросе 2018 г. (проведенном в середине 2017 г.) особенное внимание уделялось технологиям ИИ. В опросе приняло участие 3100 ИТ-директоров, из которых только 4 % заявили, что их компании уже выделили средства и внедрили технологии ИИ, и еще 21 % сказали, что в их компаниях «строятся краткосрочные планы и проводятся эксперименты» по внедрению технологий ИИ. В среднесрочной и долгосрочной перспективе внедрять ИИ планировали также 25 % компаний, а 49 % опрошенных сказали, что технологии ИИ не представляют интереса для их компаний или «изучаются, но не планируются к внедрению»³¹.

Компании из опроса Deloitte успели запустить пилотные проекты и провести испытания, а также начали внедрять технологии ИИ в производство. У 34 % опрошенных было запущено от трех до пяти пилотных проектов. Кроме того, 28 % опрошенных заявили о наличии «одного-двух» пилотных проектов, а 20 % – о наличии «от шести до десяти» проектов. На производстве технологии распространены не так широко: по 31 % опрошенных ответили, что их компании нашли «одно-два» или «три – пять» применений технологиям ИИ. Компании, где было больше проектов, сообщали о более высокой выгоде (рис. 2.1). В интервью после опроса представитель компании, производящей потребительские товары, отметил, что компания запустила несколько небольших пилотных проектов с использованием технологии машинного обучения, но все они отвечали одной цели – лучше понять клиентов и определить эффективность стимулирования сбыта и маркетинговых расходов.

Определить степень приверженности компании технологиям ИИ можно также на основании того, где компания предпочитает эти технологии применять. О высоком уровне приверженности свидетельствует использование технологий для работы с клиентами или для генерации доходов, например в сфере продаж. Использование технологий для решения корпоративных задач (например, в ИТ-службе, о чем чаще всего говорили в опросе Deloitte) пока свидетельствует о более низком уровне вовлеченности. Несомненно, многие компании используют технологии самоуправляющихся систем, чтобы мониторить работу серверов и перезагружать их, или применяют интеллектуальных агентов для ответа на ИТ-вопросы. Все это важно, но вряд ли у генеральных директоров может захватить от этого дух.

Само собой, некоторые компании используют технологии для взаимодействия с клиентами и оптимизации операционной деятельности. На втором месте после применения в сфере ИТ в опросе Deloitte стояло применение технологий для разработки продуктов и проведения исследований (об этом заявили 44 % опрошенных). Кроме того, многие упоминали, что их компании применяют технологии ИИ при обслуживании клиентов (40 %), в цепочке поставок и закупок (38 %), в процессе обслуживания оборудования (37 %) и производства (32 %).

Когда компании освоятся в мире когнитивных технологий и накопят опыт работы с ними (и когда сами технологии «повзрослеют»), мы, без сомнения, увидим, как они станут более непосредственно применяться при работе с клиентами и приносить более очевидную прибыль. Пока имеет смысл экспериментировать с ними, как это делают многие компании. Однако эти эксперименты будут иметь смысл, только если хотя бы некоторые из них приведут к внедрению технологий в производство.

С какими трудностями сталкиваются компании

Однажды мой друг, не первый десяток лет работающий в ИТ-сфере, отметил, что авторы книг об ИИ должны писать честно: «Эта дрянь по-прежнему сложна». Возможно, сложнее всего встроить когнитивные технологии в существующие системы и бизнес-процессы. Таким был вывод опроса об осведомленности о когнитивных технологиях, где 47 % сказали, что им «сложно встраивать когнитивные проекты в существующие процессы и системы». И все же, если не провести эту интеграцию должным образом, организация не сможет успешно внедрить когнитивные технологии в производство.

В случае с большинством технологий ИИ необходимо сначала разработать модель, которая затем должна быть встроена в существующую систему. Часто разработать модель гораздо проще, чем внедрить. Некоторые поставщики технологий, например канадский стартап Element AI, утверждают, что разрабатывают продукт «ИИ как услуга», чтобы облегчить интеграцию. Как я расскажу в главе 7, есть и другой способ облегчить интеграцию – внедрить в свою деятельность когнитивные инструменты, которые используют в своих приложениях поставщики технологий или крупные системы обработки транзакций, включая системы распределения ресурсов, управления взаимодействием с клиентами и управления кадрами.

При ответе на другие вопросы 40 % опрошенных сочли «технологии и навыки слишком дорогими», а 37 % пожаловались, что «руководители не понимают когнитивные технологии и принцип их работы». Кроме того, 35 % заявили, что сталкиваются с трудностями из-за «невозможности найти достаточное количество специалистов, имеющих опыт работы с этими технологиями». Несколько меньше оказалась доля людей, назвавших технологии «незрелыми» (31 %) или «слишком разрекламированными» (18 %).

Разработка некоторых приложений на основе когнитивных систем не вызывает затруднений, если выбрана верная технология. Не все технологии ужасно сложны: например, внедрить роботизированную автоматизацию процессов (РАП) довольно легко, хотя при масштабном внедрении РАП могут возникнуть трудности, связанные с ее интеграцией с существующими технологиями и последующим изменением итоговых архитектур. Статистическое машинное обучение с использованием маркированных тренировочных данных также не вызовет особых сложностей у любого, кто имеет опыт в аналитике. Относительно несложно разрабатывать небольшие системы на основе правил.

Однако другие аспекты работы с когнитивными технологиями по-прежнему тяжело даются большинству организаций. Например, запрограммировать компьютер на глубокое обучение вполне возможно, хоть и непросто, но затем необходимо предоставить ему огромный объем маркированных данных, чтобы он сумел разработать эффективную модель, а как я уже заметил, результаты такой деятельности с трудом поддаются интерпретации, даже если их интерпретируют специалисты по работе с данными, имеющие докторскую степень. В целом эффективное использование технологий обычно требует большого опыта, но найти специалистов нелегко, а финансировать их затратно.

Компьютерам по-прежнему сложно понимать язык. Если посмотреть рекламу IBM Watson, может сложиться впечатление, что достаточно просто задать Watson текстовый или устный вопрос – и компьютер тотчас выдаст на него умный ответ. Как правило, это не так. Чтобы машина научилась обрабатывать язык, необходимо для начала его структурировать. Как заметил в своей статье генеральный директор Earley Information Sciences и мой хороший друг Сет Эрли, «ИИ невозможен без ИА» (информационной архитектуры)³².

Например, банк Morgan Stanley разработал новую систему (подобную системе банка DBS и основанную на машинном обучении), чтобы выявлять инвестиционные возможности, которые финансовые советники смогут представлять клиентам. Система работает хорошо, но в Morgan Stanley хотят добавить в нее возможность анализировать отчеты инвестиционных аналитиков банка, чтобы давать рекомендации клиентам. Однако каждый аналитик пишет отчет по-своему, а структура отчетов сильно различается. По словам экспертов банка по технологиям, нет такой технологии, которая извлекала бы из этих отчетов важную информацию, чтобы использовать ее в когнитивном приложении. Единственный способ добиться этого – убедить инвестиционных аналитиков лучше структурировать свои документы и писать в едином стиле, но аналитикам это вряд ли понравится. В данный момент документы «обрабатывают» внештатные сотрудники из других стран, которые приводят отчеты в единый формат.

Структурировать человеческий язык очень сложно – и это одна из причин, по которой реализация проектов IBM Watson часто занимает гораздо больше времени и требует гораздо больших вложений, чем изначально ожидают организации. В частности, если вы первым внедряете технологию в своей отрасли, вам придется научить Watson языку своей отрасли, а также найти способ структурировать информацию, которую он должен поглотить. Такое случается и с другими приложениями для обработки естественного языка.

Внедрять интеллектуальных агентов несколько проще, однако их нелегко натаскать до такого уровня, чтобы клиенты готовы были обращаться именно к ним. Как правило, для этого компании приходится составить словарь терминов, которые могут всплывать при взаимодействии с агентом и между агентами, то есть диалоговый граф. Если вы делаете это первым в своей отрасли, вам понадобится по меньшей мере несколько месяцев. Даже если кто-то в вашей отрасли уже делал это и поставщик технологий делится с вами результатом, вам все равно, скорее всего, потребуется персонализация.

В целом всем, кто внедряет когнитивные технологии, важно помнить, что они еще не достигли зрелости. Сегодня прогресс идет быстро, но, если вы шагаете в авангарде этого прогресса, готовьтесь столкнуться с трудностями. Прежде чем взяться за конкретный проект, имеет смысл оценить, насколько близко к авангарду вы окажетесь.

Несмотря на эти и другие сложности, некоторые компании внедряют когнитивные технологии и умело продвигаются вперед. В следующей главе мы поговорим о том, что именно они делают и как прогрессируют, даже если используемые ими технологии еще далеки от совершенства.

3
Что сегодня делают компании?

В этой главе я опишу, что сегодня происходит в крупных компаниях и как именно они применяют технологии ИИ³³. Я расскажу, как ИИ внедряется в настоящее время (и в каком объеме), какие технологии используются чаще всего, каковы бизнес-цели этих проектов и насколько они успешны. Затем, поскольку внедрение ИИ на предприятиях только начинается, я поясню, в каком направлении развиваются компании, чтобы расширить свои когнитивные возможности.

Приводимый здесь анализ основан по большей части на исследовании 152 консалтинговых проектов, внедряющих когнитивные технологии, которое я провел с командой Deloitte. Большинство проектов осуществлялось сотрудниками отделов консалтинговых услуг Deloitte – преимущественно (но не исключительно) в Северной Америке. Кроме того, в выборку вошли проекты (в том числе европейские), в которых принимал участие я сам. Анализ проводился в середине 2017 г., а проекты осуществлялись в 2016 и 2017 гг.

Обзор когнитивных проектов

На рис. 3.1 представлены данные о том, в каких сферах осуществляются 152 проекта, связанных с ИИ. Само собой, выборка проектов составлена не случайным образом – отчасти на нее могли повлиять разные уровни интереса к когнитивным технологиям в различных отраслевых группах Deloitte, а также структура деятельности компании. Как и ожидалось, большинство проектов осуществляется в информационно-зависимых сферах, таких как финансовые услуги, медико-биологические науки и здравоохранение. Относительно небольшое число проектов реализовывается в сфере медиа и телекоммуникаций (где компании также располагают значительными объемами данных), а кроме того, на энергетических и коммунальных предприятиях. Лишь менее 10 % проектов осуществляется в государственном секторе, причем большинство из них курирует правительство США. В большей части правительственных проектов задействована роботизированная автоматизация процессов.

Что касается областей применения когнитивных проектов, большинство из них реализовывались сразу в нескольких областях – например, в виде сочетания финансовой деятельности и функционирования цепочки поставок посредством сравнения выставленных поставщиками счетов с реальными комплектами поставки. Обособленность была характерна прежде всего для операционных и клиентоориентированных проектов (в сфере маркетинга и продаж).

Спонсорами проектов чаще всего становились топ-менеджеры компаний. Кроме того, проекты часто спонсировали вице-президенты и директора. Пожалуй, любопытнее всего многообразие функций, исполняемых в рамках когнитивных проектов. Помимо перечисленных, я слышал о проектах в сферах корпоративного права, корпоративной безопасности и стратегического планирования.

Три типа возможностей ИИ

Поскольку технологии ИИ не всегда понятны и порой перекрывают друг друга, можно рассматривать ИИ через призму возможностей для бизнеса, а не через призму технологий. Если не вдаваться в детали, ИИ способен поддерживать три важных аспекта бизнеса:

● автоматизировать структурированные и повторяющиеся процессы, часто посредством робототехники или роботизированной автоматизации процессов;

● делать выводы на основании исчерпывающего анализа структурированных данных, чаще всего с использованием машинного обучения;

● взаимодействовать с клиентами и сотрудниками при помощи чат-ботов, обрабатывающих естественный язык, интеллектуальных агентов и машинного обучения.

Автоматизация процессов

Больше всего проектов (71 из 152, то есть 47 %) было направлено на автоматизацию цифровых и физических задач – чаще всего административного и финансового характера. В эту категорию попадают и физические роботы, но в большинстве изученных проектов использовалась роботизированная автоматизация процессов, с помощью которой решались структурированные цифровые задачи вспомогательного характера. Эти возможности представляют собой следующий шаг на пути к автоматизации бизнес-процессов, поскольку «роботы» (на самом деле код на сервере), подобно человеку, вводят и поглощают информацию из нескольких ИТ-систем. Вот несколько примеров:

● перенос данных из систем электронной почты и кол-центров в системы записи – например, запросов на изменение адреса или добавление новых услуг;

● замена потерянных кредитных или дебетовых карт без человеческого вмешательства с использованием нескольких систем для обновления записей и обеспечения взаимодействия с клиентами;

● устранение ошибок при выставлении счетов за услуги в различных биллинговых системах банков посредством извлечения информации из нескольких типов документов;

● «чтение» юридических и контрактных документов с целью выявления положений контракта с использованием обработки естественного языка;

● автоматизированная генерация инвестиционной информации (краткого обзора инвестиций клиента за последний период) для клиентов страховых компаний, осуществляющих управление капиталом.

Эти проекты широко распространены отчасти потому, что РАП – самая дешевая из технологий автоматизации, а внедрить ее проще всего и при этом она, как правило, характеризуется быстрой и высокой окупаемостью инвестиций. Приложения РАП не запрограммированы на обучение и совершенствование, однако поставщики технологий постепенно повышают их интеллектуальность и обучаемость. Некоторые эксперты даже называют технологию роботизированной и когнитивной автоматизацией, но, на мой взгляд, когнитивной называть ее рано. РАП особенно хорошо подходит для сквозной работы с несколькими бэкенд-системами и не требует перестройки этих систем.

Некоторые пользователи разрабатывают несколько роботов для автоматизации различных процессов. Например, в NASA необходимость сокращения расходов привела к запуску четырех пилотных проектов РАП – в отделах кредиторской и дебиторской задолженности, расходов на ИТ и кадровой службе, – управляемых из единого сервисного центра. Все четыре проекта хорошо зарекомендовали себя и были развернуты во всей организации. Например, в кадровой службе РАП позволила обрабатывать 86 % запросов без человеческого вмешательства. Теперь NASA внедряет больше ботов РАП (и некоторые из них более интеллектуальны). Однако руководитель проекта единого сервисного центра организации Джим Уокер заметил, что «пока они звезд с неба не хватают» (а в NASA о звездах знают немало).

Может показаться, что роботизированная автоматизация процессов быстро заменит административных работников. Однако проведенный нами анализ 71 проекта (включая проекты NASA) показал, что это не главная цель автоматизации и не типичное ее следствие. Реализация лишь нескольких проектов привела к сокращению персонала, причем работу потеряли в основном внештатные работники. Только в одном случае мы узнали о планах использовать РАП, чтобы ликвидировать значительное количество штатных позиций. При этом я все же считаю, что в будущем когнитивные технологии и роботизированная автоматизация процессов приведут к сокращению количества рабочих мест. Вероятно, сильнее всего это затронет сферу офшорного аутсорсинга бизнес-процессов. Если у вас есть возможность передавать процесс людям из других стран, находящимся за тысячи километров от вас, вероятно, вы сумеете и автоматизировать его с помощью РАП.

Технология РАП относительно проста в использовании, но при ее внедрении могут возникнуть трудности – как правило, связанные с организацией бизнес-процессов. Прежде чем внедрять технологию, компании должны хорошо разобраться, как устроены их текущие бизнес-процессы и каким образом они хотят изменить их с помощью РАП. Однако большинство компаний этого не делают. Дэвид Брейн, соучредитель консалтингового агентства Symphony Ventures, которое специализируется на консультировании по вопросам внедрения РАП, заявляет, что компаниям необходимо работать над дизайном и инжинирингом процессов почти в каждом проекте РАП, и это называется возвращением процессов в РАП.

Брейн утверждает, что работа с процессами крайне важна для эффективного внедрения РАП по нескольким причинам, включая следующие:

● Существующий процесс часто слишком сложен и включает в себя ненужные шаги, которые можно устранить перед внедрением РАП.

● РАП предполагает кодификацию бизнес-правил, но существующие бизнес-правила часто не пересматривались много лет и не имеют смысла в текущей среде.

● Многие существующие бизнес-правила все те, кто работает по ним, называют суждениями, однако на самом деле их можно превратить в более точные и последовательные алгоритмы.

● Уровень знания и понимания процессов внутри компаний, как правило, низок. Компании могут иметь списки стандартных операционных процедур (СОП), но они плохо задокументированы или не соответствуют текущему положению вещей.

● РАП часто поддерживает процессы «вращающегося кресла», которые предполагают многократное обращение к информационным системам, но во многих случаях процесс может извлечь все необходимые данные из системы единовременно, а потому вращаться на кресле не придется.

● В процессах, ориентированных на человека, часто предусмотрены проверки, необходимость которых пропадает после внедрения РАП, поскольку, после того как компьютерная система прошла отладку, ошибки ей, как правило, не свойственны.

● Многие компании исключили из текущих процессов шаги, которые добавляют потребительскую ценность, но требуют слишком много ресурсов. Например, коммуникация с клиентами в ходе процесса выполнения их заказов может занимать слишком много времени, если ее осуществляют сотрудники организации, но очень проста для робота.

Подобные изменения могут сделать автоматизированный процесс гораздо более эффективным, чем он был раньше. Хотя весьма вероятно, что некоторые функции людей возьмет на себя РАП, в большинстве компаний, внедряющих технологию, существенных кадровых изменений пока не наблюдалось. Чтобы понять воздействие этой формы ИИ, необходимо дальше наблюдать за ситуацией и следить за динамикой в сфере кадров.

Когнитивный анализ

Вторая широкая сфера применения ИИ в бизнесе (57 из 152 проектов, или 37 %) – использование алгоритмов для выявления закономерностей в огромных массивах структурированных данных и для интерпретации их значений, что можно назвать аналитикой на стероидах. Это самая старая форма искусственного интеллекта, поскольку машинное обучение, которое, как правило, лежит в основе когнитивного анализа, доступно уже несколько десятков лет. Однако теперь она распространена гораздо шире и значительно более автоматизирована, чем в прошлом. Она необходима, когда приходится иметь дело с гигантскими объемами данных и большим количеством прогностических параметров феномена, который должен прогнозироваться или классифицироваться. Вот несколько примеров применения когнитивного анализа:

● прогнозирование вероятных покупок конкретного клиента (моделирование предрасположенности к покупке);

● выявление кредитного и страхового мошенничества в реальном времени;

● анализ гарантийных данных с целью выявления проблем, связанных с безопасностью и качеством автомобилей и других продуктов промышленного производства;

● сбор и анализ информации от датчиков с целью прогнозирования поломок промышленного оборудования;

● автоматизация персонализированного таргетинга цифровой рекламы;

● обеспечение страховщиков более точными и детализированными актуарными моделями.

Когнитивный анализ, осуществляемый с помощью машинного обучения, отличается от традиционной аналитики по трем критериям: как правило, он использует большее количество данных и характеризуется более высокой детализацией, модели в большинстве случаев приходится тренировать на части доступных данных, а они при этом способны к обучению, в ходе которого повышается их способность давать прогнозы или осуществлять категоризацию. Как я упоминал в предыдущей главе, вариации машинного обучения (в частности, глубокое обучение) способны выполнять и другие задачи, например распознавать изображения и речь.

Обычно когнитивный анализ применяется, чтобы улучшить производительность в тех сферах, где работать могут только машины, – в частности, при выполнении таких задач, как покупка программируемой рекламы, для которой требуется высокоскоростная обработка данных и автоматизация, выходящая далеко за пределы человеческих возможностей. Следовательно, эта форма ИИ вряд ли лишит работы людей.

Не столь очевидна другая сфера применения когнитивного анализа – использование машинного обучения для интеграции данных с целью повышения качества аналитики. Исторически наблюдение за данными требовало много времени и сил, но теперь машинное обучение может выявлять вероятные совпадения – данные, которые, скорее всего, относятся к одному человеку или компании, но представлены в разных форматах, – в разных базах данных. Компания GE использовала эту технологию (от компании Tamr, которую я рекомендую), чтобы интегрировать данные поставщиков, и в первый год сэкономила $80 млн, устраняя избыточность и заключая договоры, которыми ранее занималось бизнес-подразделение. Теперь GE применяет тот же подход к клиентским данным и данным о продуктах. Подобным образом крупный банк использовал эту технологию, чтобы извлечь данные об условиях контрактов с поставщиками и сопоставить их с номерами счетов, что позволило увидеть расхождения на десятки миллионов долларов. В сфере профессиональных аудиторских услуг когнитивный анализ используется, чтобы извлекать условия из подлежащих аудиту контрактов, что дает аудиторам возможность проверять гораздо большую долю документов, а часто и все документы, но людям при этом не приходится внимательно вчитываться в каждый из них.

Основными сдерживающими факторами использования этой формы когнитивных технологий остаются необходимость наличия больших объемов данных, ряд которых должен быть «маркирован» с учетом известных исходов, подлежащих прогнозированию. Например, если организация пытается использовать данные от датчиков, чтобы прогнозировать поломки оборудования (с целью осуществления прогностического технического обслуживания), она должна располагать информацией о значительном количестве настоящих поломок, которую система сможет использовать для обучения. Такая форма обучения на маркированных данных называется обучением с учителем и чаще всего используется бизнесом.

Когнитивная вовлеченность

Проекты этого типа встречаются реже, чем проекты двух типов, описанных выше (24 из 152 проектов, или 16 %). Они привлекают сотрудников и клиентов организации к участию в процессе, предоставляя им богатую языковую или образную персонализированную информацию и услуги. В эту категорию входят:

● интеллектуальные агенты, которые в круглосуточном режиме обслуживают клиентов, выполняя все больше задач (от запросов на смену пароля до обращений в службу технической поддержки) и общаясь с клиентами на естественном языке;

● внутренние сервисные сайты, предназначенные для ответов на вопросы сотрудников по ряду тем, включая проблемы ИТ-характера, льготы работникам и кадровую политику компании;