Кітаптан алынған дәйексөздер Искусственный интеллект на службе бизнеса (обновленное издание)авторлар Ави Гольдфарб, Аджай Агравал, Джошуа Ганс
Производительность или распределение. Многие предполагают, что из-за ИИ мы обеднеем или потеряем в чем-то. Это не так. Экономисты сходятся во мнении, что технический прогресс несет благо и повышает производительность. ИИ однозначно ее повысит. Проблема не в благосостоянии, а в распределении благ.
4 Ұнайды
Компания Deep Genomics сделала шаг вперед в медицине, предполагая, какие процессы начнутся в клетке после изменений в последовательности ДНК.
1 Ұнайды
Развитие технологий приводит к трансформации бизнес-моделей, а также того, как мы находим своих клиентов, понимаем их потребности и создаем для них ценность: таргетированная реклама, динамические модели ценообразования и системы лояльности, цифровые продукты, переход на сервисные модели и управление жизненным циклом, оптимальный клиентский опыт.
1 Ұнайды
Если ранее стратегический выбор был в первую очередь следствием меняющихся потребительских предпочтений, то сегодня к ключевым драйверам изменений добавились технологии.
1 Ұнайды
По оценкам аналитиков, мировой рынок искусственного интеллекта и нейротехнологий к 2025 году превысит 500 млрд долларов США, а размер российского рынка составит около 20 млрд долларов. Многие лидеры стран определили технологии ИИ как важнейший фактор конкурентоспособности. Только за последние три года более чем в двадцати ведущих странах были разработаны национальные стратегии развития ИИ. Россия имеет хорошие шансы занять достойное место среди глобальных лидеров в области ИИ.
1 Ұнайды
По мере того как прогнозы совершенствуются, лица, принимающие решения, будут переходить от страхования к высокорискованным действиям с точки зрения управления рисками.
1 Ұнайды
самолетами все по-другому. Благодаря автопилотам и прочим видам компьютерного управления у экипажа появилось свободное время, но теперь пилотам особенно нечем заняться. В итоге они спят за пультом в прямом и переносном смысле. Всем известен случай в конце 2009 года, когда автопилот пролетел мимо аэропорта в Миннеаполисе больше чем на 100 миль, потому что пилоты не отрывались от своих ноутбуков»168.
Закономерно, что другие примеры, обсуждаемые в нашей книге, в том числе беспилотные автомобили, попадают в категорию самолетов, а не обращений в службу поддержки. Что мы станем делать без опыта вождения, когда машина в экстремальной ситуации переложит ответственность на нас? И как придется поступать нашим детям?
Людям необходимо развивать и сохранять навыки и снижать влияние автоматизации на процесс обучения. Опыт по сути своей — ресурс дефицитный, и его частично следует выделить человеку во избежание потери квалификации.
Обратное тоже верно. Прогностические машины должны получить ценный опыт событий, потенциально ведущих к катастрофе. Но откуда он возьмется, если в цикл включен человек? Возникает еще один компромиссный выбор — между опытом человека и машины.
Данные компромиссы раскрывают подтекст ориентированности на ИИ, провозглашенной руководством Google, Microsoft и других компаний. Они готовы инвестировать в данные для обучения прогностических машин, чье усовершенствование возводится в приоритет, даже в ущерб опыту пользователя и обучению сотрудников. В стратегии ИИ первое место занимают данные.
Нехватка опыта приобретает еще большее значение, когда речь идет о людях. Если опыта набирается машина, он может проходить мимо человека. Согласно недавним предположениям, автоматизация грозит человечеству утратой навыков.
В 2009 году над Атлантическим океаном потерпел крушение рейс 447 Air France Рио-де-Жанейро — Париж. Сначала испортилась погода, затем отключился автопилот. По сообщениям в печати, в отличие от Салли из US Airways, неопытный пилот не справился с ситуацией. Когда его место занял квалифицированный коллега (до этого он спал), то не смог правильно оценить обстановку, потому что накануне ночью не выспался167. Суть в том, что почти трех тысяч летных часов молодого пилота оказалось недостаточно, поскольку большую часть из них он летал с автопилотом.
Автоматизация полетов уже стала обычным делом вследствие того, что большинство авиакатастроф после 1970-х произошли в результате ошибок людей. С тех пор человек устранен из контрольного цикла, однако по иронии теперь пилоты получают еще меньше опыта и подготовлены еще хуже.
Для экономиста Тима Хартфорда решение очевидно: автоматизацию следует сокращать. По его мнению, автоматизировать необходимо рутинные процессы, а чрезвычайные ситуации требуют вмешательства человека, и с ними нельзя научиться справляться на повседневных примерах. Самолет Air France попал в экстремальную ситуацию, а опытного человека в кабине экипажа не оказалось.
Хартфорд подчеркивает, что автоматизация не всегда чревата проблемами:
«В большинстве ситуаций автоматизация не создает такого парадокса. Веб-страница клиентской службы справляется с обычными жалобами и запросами, что избавляет сотрудников от рутинной работы, поэтому они эффективнее решают сложные вопросы.
Навигационное приложение Waze собирает данные пользователей для прогнозирования проблем (прежде всего пробок) на дорогах. Лично для вас оно подберет кратчайший маршрут. Если бы это было его единственной задачей, проблем бы не возникло. Но прогноз меняет поведение людей, а именно для этого Waze и разрабатывалось. И если приложение получает информацию от множества пользователей, то прогнозы могут искажаться.
Загвоздка в том, что пользователи Waze решат объехать пробки по предложенному маршруту, скорее всего, по переулкам. И если приложение не учтет это в режиме реального времени и не внесет соответствующие корректировки, пользователи не узнают, что движение изменилось и прежний маршрут вновь стал наикратчайшим. Чтобы обновить данные, придется направить к этому месту несколько водителей и проверить, рассосалась пробка или нет. И это проблема, так как эти люди станут агнцами, которых принесут в жертву ради всеобщего блага. Разумеется, вряд ли они останутся довольны продуктом.
Когда прогноз меняет поведение толпы и тем самым лишает ИИ необходимой для прогнозирования информации, решение найти непросто. В данном случае потребности большинства ставятся выше нужд нескольких человек (или одного). И это определенно не лучший пример взаимодействия с клиентами.
Иногда для улучшения продукта, особенно при обучении посредством использования, важно встряхнуть систему таким образом, чтобы клиенты действительно испытали нечто новое, полезное для обучения машины. Попав в новую среду против собственного желания, потребители часто получают негативный опыт, но от этого выигрывают все остальные. В бета-тестировании это происходит добровольно, поскольку клиенты соглашаются использовать еще сырой продукт. Однако некоторые бета-тестировщики начинают использовать продукт совершенно не так, как ваши типичные клиенты (или как вы изначально предполагали). Иногда, чтобы получить представление обо всех ваших клиентах, нужно снизить качество продукта и собрать обратную связь от таких «пионеров», и это принесет пользу всем остальным.
В 2022 году стартап из Торонто OTI Lumionics и исследователи из Университета Британской Колумбии продемонстрировали, что квантовое машинное обучение может превосходить классические вычисления при моделировании материалов на органических светодиодах, которые используются в дисплеях163. Это очень важно для более точной цветопередачи, а также имеет потенциальное значение для разработки других материалов и медицинских препаратов.