Что же подешевеет благодаря ИИ? Ответим: прогнозы. Следовательно, согласно законам экономики, мы не только станем чаще пользоваться ими, но и начнем применять в самых неожиданных областях нашей жизни.
Дешевизна создает ценность
Прогнозирование – это процесс заполнения информационных пробелов. Берется имеющаяся информация, называемая данными, и из нее выводится отсутствующая информация. В многочисленных дискуссиях об ИИ подчеркивается разнообразие прогностических методов с непонятными названиями: классификация, кластеризация, регрессия, дерево решений, байесовская оценка решений, нейросети, топологический анализ данных, глубокое обучение, обучение с подкреплением, глубокое обучение с подкреплением, генеративно-состязательные сети и т. д. Специалисты используют для внедрения ИИ соответствующие конкретной прогностической задаче способы.
В книге мы избавим вас от математики, лежащей в основе этих методов. Хотим лишний раз подчеркнуть, что все они касаются прогностики: использования имеющейся информации для генерации отсутствующей. Мы поможем вам определить, в каких ситуациях необходимо иметь прогноз и как получить от него максимальную выгоду.
Удешевление прогностики ведет к ее распространению. Снова элементарная экономика в действии: мы покупаем больше товаров или услуг, если цены на них падают. Например, когда в 1960-е годы зарождалась компьютерная индустрия, цена на арифметику начала быстро снижаться, и там, где она была уже востребована, к ней обращались чаще – например, в Бюро переписи населения США, Министерстве обороны США, НАСА (что отображено в фильме 2016 года «Скрытые фигуры»). Позднее новая, дешевая арифметика нашла применение в сферах, к которым прежде не имела отношения, – таких как фотография. Когда-то фотоновинки разрабатывались благодаря химии, но с удешевлением арифметики появилось и соответствующее решение – цифровые камеры. Цифровой снимок представляет собой всего лишь последовательность нулей и единиц, посредством арифметики преобразуемую в визуальное изображение.
То же касается и прогнозов. Они используются в привычных задачах: управлении запасами и прогнозировании спроса, – но благодаря удешевлению все чаще применяются в сферах, не относящихся к прогностике. Кэтрин Хьюм (сейчас возглавляющая отдел инвестиций в цифровые активы Королевского банка Канады) называет способность осознать проблему и переосмыслить ее как задачу прогнозирования «ИИ-инсайтом». Сегодня инженеры по всему миру все чаще так и поступают. Беспилотный транспорт существует в управляемой среде уже больше двадцати лет, однако функционировал он при наличии подробных планов этажей на заводах и складах. С поэтажным планом разработчики программировали своих роботов двигаться по алгоритму «если, то»: если перед роботом находится человек, то следует команда «стоп». Если полка пуста, то нужно двигаться к следующей. Обычные улицы оставались для роботов недоступными: в городском пространстве может случиться все что угодно – слишком много возникает условий «если, то», всего не предусмотреть.
Беспилотный транспорт не будет работать вне полностью предсказуемой и контролируемой среды до тех пор, пока инженеры не переформулируют проблему навигации в прогностическую. Они уже поняли, что вместо того, чтобы просчитывать для машины действия во всех возможных обстоятельствах, необходимо поставить одну прогностическую задачу: что сделал бы человек? И сейчас компании вкладывают миллиарды долларов в обучение автопилота в неконтролируемой среде, в том числе на городских улицах и шоссе.
Представьте ИИ сидящим в автомобиле рядом с водителем. Человек проезжает миллионы километров, получает данные об окружающей среде с помощью собственных глаз и ушей, обрабатывает эту информацию в своем мозге и действует соответствующим образом: едет прямо или сворачивает, тормозит или разгоняется. Программисты наделили ИИ глазами и ушами – датчиками (камерами, радарами, лазерами). Таким образом ИИ собирает поступающие к нему со всех сторон данные, пока человек управляет автомобилем, и одновременно наблюдает за действиями водителя. Что он делает, получив тот или иной набор данных: поворачивает направо, тормозит или нажимает на газ? Чем дольше ИИ наблюдает за водителем, тем лучше предсказывает его действия, исходя из поступающих данных. ИИ учится водить машину, прогнозируя, как поступил бы человек в соответствующих обстоятельствах.
Когда такой фактор, как прогнозирование, дешевеет, это повышает ценность других вещей. И это критически важно. Экономисты называют их дополняющими факторами. Как снижение стоимости кофе повышает ценность сахара и сливок, так для беспилотных автомобилей снижение стоимости прогнозирования повышает ценность датчиков для сбора данных о том, что происходит вокруг машины. Так, в 2017 году Intel купила израильский стартап Mobileye, заплатив более $15 млрд. Прежде всего компанию интересовала его технология сбора данных, позволявшая машине эффективно распознавать объекты (дорожные знаки, людей и т. д.) и разметку на дорогах.
Благодаря удешевлению прогнозирования будет больше прогнозов и больше дополнений к ним. Эти две простые экономические силы запустят новые возможности, создаваемые алгоритмами. На элементарном уровне машина может снять с человека задачи прогнозирования и таким образом снизить издержки. По мере развития и увеличения мощности таких машин изменится само прогнозирование, а с ним улучшится и качество принимаемых решений. Но в какой-то момент прогностические машины станут столь точными и надежными, что изменят методы работы организации. Некоторые ИИ настолько сильно повлияют на ведение бизнеса, что их перестанут использовать только для повышения производительности в рамках стратегических планов. С их помощью изменится сама стратегия.
От дешевизны к стратегии
Руководители постоянно спрашивают нас: «Как ИИ повлияет на нашу стратегию бизнеса?» Проведем для ответа мысленный эксперимент. Большинство людей делали покупки на Amazon. Как и в остальных онлайн-магазинах, вы открываете сайт, находите нужные вещи, кладете их в корзину, оплачиваете и затем получаете по почте. Сейчас модель Amazon такова: «сначала оплата, потом доставка».
Когда вы заходите на сайт, ИИ Amazon прогнозирует, что вы хотели бы купить, и предлагает соответствующие товары. Это целесообразный труд, однако его результаты далеки от идеала. В нашем случае точность прогнозов не превышает 5 %. И мы заказываем одну из множества рекомендуемых вещей. С учетом миллионного ассортимента это совсем не плохо!
Представьте, что ИИ Amazon собрал больше информации о нас и использует ее для улучшения качества прогнозов, – это усовершенствование сравнимо с поворотом регулятора громкости на колонках, только вместо звука регулируется точность прогнозов.
В определенный момент поворота ручки точность прогнозов ИИ достигает порогового значения и меняет бизнес-модель Amazon. Прогнозы становятся настолько точными, что компании выгоднее присылать вам товары, которые вы предположительно захотите купить, чем ждать, пока вы закажете их на сайте.
В таком случае другие магазины вам уже не нужны, а каждая покупка будет стимулировать следующую. Amazon получит основную долю содержимого вашего кошелька. Очевидно, что это выгодно Amazon, но также удобно и вам. Магазин доставляет покупки до того, как вы их совершили, и таким образом избавляет вас от траты времени на шопинг. С поворотом регулятора точности на максимум бизнес-модель Amazon меняется с «сначала оплата, потом доставка» на «сначала доставка, потом оплата».
Разумеется, покупатели не захотят возиться с возвратом нежелательных товаров. Поэтому Amazon вложится в отладку этого процесса – скажем, раз в неделю служба доставки будет собирать невостребованные посылки[13].
Но если такая бизнес-модель лучше, почему Amazon до сих пор ее не внедрила? Дело в том, что сегодня издержки сбора и обработки возвратов перевешивают рост дохода от большей доли покупок. Например, сейчас мы вернули бы 80 % доставленных товаров. Это трудоемко для нас и затратно для Amazon. Прогноз недостаточно точен, чтобы на его основе Amazon внедряла бы новую бизнес-модель.
Возможен иной вариант: Amazon обращается к новой стратегии до того, как точность прогнозов достигнет качественного уровня, исходя из предположения, что однажды это принесет выгоду. Благодаря раннему запуску ИИ соберет больше данных за короткий срок и усовершенствуется. В Amazon понимают, что чем раньше они стартуют, тем сложнее будет конкурентам их нагнать. Качественный прогноз привлечет больше покупателей, что увеличит объем данных для обучения ИИ и, в свою очередь, приведет к повышению качества прогнозов, а далее этот цикл неоднократно повторится. Раннее внедрение обойдется дорого, но опоздание может стать роковым[14].
Мы не утверждаем, что Amazon будет или должна внедрять такую практику, хотя для скептиков у нас есть неожиданная новость: в 2013 году Amazon получила патент США на «опережающую доставку»[15]. Несомненно, вращение регулятора точности прогнозов коренным образом повлияет на стратегию. В данном примере оно меняет бизнес-модель Amazon с «сначала оплата, потом доставка» на «сначала доставка, потом оплата», создает стимул для вертикальной интеграции посредством организации услуги по возврату товаров (в том числе грузового автопарка) и ускоряет получение инвестиций. И все это вследствие поворота регулятора точности прогностической машины.
Что это означает для стратегии? Во-первых, необходимо инвестировать в сбор информации относительно того, как быстро и насколько высоко вырастет точность прогнозов в вашем и в смежных секторах. Во-вторых, разработка тезиса о стратегических возможностях, образовавшихся в результате вращения регулятора точности, потребует финансовых вложений.
Чтобы начать «научное фантазирование», закройте глаза, мысленно возьмитесь за регулятор прогностической машины и, следуя бессмертным словам члена группы Spinal Tap[16], поверните его на 11 часов.
План книги
Прежде всего необходимо построить фундамент для стратегического внедрения прогностических машин в своей организации. Именно так мы структурировали книгу – возводили пирамиду от основания.
В части I мы заложим фундамент и объясним, как машинное обучение повышает качество прогнозов. Затем разберемся, чем новые преимущества отличаются от статистики, которой вас учили или которой уже занимаются ваши аналитики. Далее мы затронем ключевые дополняющие факторы прогнозов – данные, особенно те, что необходимы для качественной прогностики, – и расскажем, как убедиться, что они у вас есть. И в завершение рассмотрим, когда прогностические машины работают эффективнее человека и в каких случаях людям и машинам целесообразно объединить усилия для получения максимально точных прогнозов.
В части II мы опишем роль прогнозов в качестве вводных для принятия решений и объясним значение еще одной составляющей, пока недооцененной в сфере ИИ, – суждений. Прогнозы помогают принимать решения, снижая неопределенность, а благодаря суждениям выявляется ценность. В экономической терминологии суждением называется определение окупаемости, целесообразности, дохода и прибыли. Самое значительное свойство прогностических машин состоит в том, что они повышают ценность суждения.
В части III перейдем к практике. Прогностические машины оснащены инструментами ИИ в соответствии с конкретными задачами. Мы опишем шаги, помогающие определить, когда создание (или покупка) инструментов ИИ максимально повысит доход. Иногда такие инструменты идеально укладываются в рабочий процесс, но бывает, что побуждают изменить его. Также мы познакомим вас с важным подспорьем для уточнения ключевых требований к инструментам – «шаблоном ИИ».
В части IV вернемся к стратегии. Как в описанном нами эксперименте с Amazon, иногда ИИ настолько масштабно влияет на экономику задачи, что преобразует компанию или промышленность. Тогда он становится краеугольным камнем стратегии организации. В результате воздействия на стратегию ИИ переключает на себя внимание высшего руководства помимо менеджеров продукта и инженеров.
Как правило, заранее предусмотреть степень влияния ИИ на стратегию нельзя. Например, немногие, опробовав инструменты поиска Google, предсказывали, что они преобразуют медиаиндустрию и лягут в основу самых успешных компаний планеты.
Помимо возможностей получения прибыли ИИ несет системные риски, способные повлиять на бизнес. Все сосредоточены на рисках ИИ для человечества, но мало кто обращает внимание на опасность ИИ для организаций. К примеру, некоторые прогностические машины, обучаемые на полученных от человека данных, заодно усваивают ненужные отклонения и стереотипы.
Книгу завершает часть V, в которой мы отвечаем на вопросы о широком влиянии ИИ на общество и касаемся пяти основных спорных тем.
1. Сохранятся ли рабочие места? Ответим: да.
2. Усугубится ли проблема неравенства? Вероятно.
3. Будут ли несколько крупнейших компаний контролировать весь мир? Зависит от обстоятельств.
4. Страны погрузятся в политику «гонки уступок», лишат нас приватности и безопасности ради конкурентного преимущества отечественных компаний? Некоторые – да.
5. Наступит ли конец света? До него достаточно времени, чтобы успеть с пользой применить полученную информацию.
Выводы
• Экономика предлагает четкое представление о влиянии удешевления прогнозов на бизнес. Прогностические машины будут использоваться как для традиционных (управление запасами и прогнозирование спроса), так и для новых задач (беспилотное управление и машинный перевод). Падение цен на прогнозы повлияет на ценность других вещей, повысит ценность дополняющих факторов (данных, суждения и действий) и снизит ценность эквивалентов (человеческого прогноза).
• Организации могут использовать прогностические машины, внедряя инструменты ИИ с целью выполнения текущей стратегии. Когда инструменты станут мощнее, они изменят саму стратегию. Например, если Amazon сможет прогнозировать желания покупателей, то перейдет с модели «сначала оплата, потом доставка» на модель «сначала доставка, потом оплата» – будет доставлять товары до размещения заказов. Такой переход преобразит организацию.
• В результате новых стратегий, разработанных с учетом преимуществ ИИ, мы встанем перед фактом его влияния на общество. Наш выбор будет зависеть от потребностей и предпочтений и наверняка в разных странах и культурах окажется разным. Мы разделили книгу на пять частей в соответствии с уровнями влияния ИИ и от основы пирамиды – прогнозов – начнем подниматься выше: прогностика, принятие решений, инструменты, стратегия и общество.
Часть I. Прогностика
Глава 1. Волшебство прогностических машин
Что общего у Гарри Поттера, Белоснежки и Макбета? Их действиями движет пророчество, то есть прогноз. Даже в «Матрице», фильме о разумных машинах, сюжетом управляет вера персонажей в предсказания. Повсюду, от религии до сказок, знание будущего имеет решающее значение. Предсказания влияют на наше поведение и принятие решений.