автордың кітабынан сөз тіркестері Внедрение искусственного интеллекта в бизнес-практику: Преимущества и сложности
Технологии решают — и создают — проблемы. Постыдный секрет технологического мира заключается в том, что каждое решение рождает проблему. Стоит исправить А, как из строя выходит B. Стоит разработать C (что просто прекрасно), как оказывается, что вместе с ним появилось и D, от которого нужно как можно скорее избавиться. Умные машины решат многие проблемы общества (см. выше), но при этом также создадут множество новых проблем, с которыми придется работать людям. И эта работа будет монетизирована. Работа никогда не стоит на месте.
2 Ұнайды
автоматизировать структурированные и повторяющиеся процессы
Применение в бизнес-процессах
Как я отметил выше, эти подходы могут использоваться в широком спектре бизнес-ситуаций. Вот несколько типичных примеров из разных отраслей:
использование внешних данных для оптимизации ценообразования (как в XOJET);
определение лучшего типа цифровой рекламы для конкретного клиента и площадки;
создание детализированных моделей предрасположенности для клиентов и продуктов;
разработка подробных рекомендаций по лечению в сфере точной медицины;
выявление потенциальных случаев мошенничества в банковском секторе и страховой отрасли;
выявление потенциальных случаев отмывания денег и оповещение следователей;
обнаружение клиентов, находящихся на грани разрыва отношений с компанией;
прогнозирование угроз кибербезопасности до их возникновения;
определение, кто из сотрудников обладает необходимыми навыками для работы на проектах конкретного типа;
выявление инсайдеров, способных совершить мошенничество или поставить под угрозу безопасность компании;
прогнозирование появления энергоресурсов, достойных оценки.
В простейшем случае это подразумевает использование автоматизированных версий базового регрессионного анализа. Более сложные формы машинного обучения используют такие статистические алгоритмы, как случайный лес, градиентный бустинг, дерево решений и т.д. Все это — вариации и комбинации таких базовых методов статистического моделирования, как регрессионный анализ.
Скажем, автомобильная страховая компания хочет изменить свои процессы обработки претензий по ДТП клиентов. Она может замахнуться на разработку единственного ИИ-проекта, который будет проводить оценку ущерба (возможно, на основании фотографий, загруженных клиентом со своего смартфона), определять стоимость ремонта и мгновенно переводить необходимую сумму на банковский счет клиента. Но не стоит и говорить, что разработать такой проект будет очень сложно.
Не столь амбициозным, но весьма полезным шагом в этом направлении может стать, например, разработка проекта глубокого обучения для оценки нескольких присланных клиентом фотографий в автосервисе с целью определения, повреждена ли рама автомобиля. В то же время компания может разработать приложение для опроса клиентов о претензиях по страховке и предоставления рекомендаций ремонтных мастерских. Она также может создать программу машинного обучения для выявления возможного страхового мошенничества.
Компания утверждает, что с помощью автоматизированного машинного обучения новые высокодоходные торговые модели может создать даже балерина — на самом деле сотрудник крупного банка, имеющий социологическое образование и отличающийся любовью к балету.
При разработке стратегий компании используют целый ряд подходов, но когнитивную стратегию следует разрабатывать совместными силами в рамках определенного процесса. Если стратегия будет разработана на уровне топ-менеджмента, она вряд ли быстро укоренится в организации, а отсутствие регламента при ее разработке, скорее всего, не позволит достичь желаемых результатов. В процессе разработки стратегии необходимо проводить интервью со штатными и внештатными экспертами, собирать рабочие группы и устраивать регулярные оценки стратегии.
Результатом этого процесса должна стать не разработка задокументированной стратегии, а создание почвы для принятия взвешенных решений и определения обоснованных действий. Во многих случаях разработка эффективной стратегии приводит к запуску серии пилотных проектов, созданию прототипов или промышленному внедрению когнитивных инструментов в различных сферах бизнеса.
Разработка когнитивной стратегии осложняется тем фактом, что многие руководители не понимают, как функционируют различные технологии и на что они годятся. В связи с этим, прежде чем начинать разработку стратегии, имеет смысл организовать обучение для руководителей.
В оставшейся части настоящей главы в основном разбираются конкретные темы и субстратегии, на которые организациям необходимо обращать внимание при внедрении когнитивных технологий. Само собой, в каждом конкретном случае темы могут отличаться, поэтому их выбор может стать одной из задач раннего этапа разработки стратегии.
Есть потребность в стартапах, но стартапам не хватает клиентов. Радикально новые бизнес-модели требуют радикально новых бизнес-процессов, разработанных с нуля с фокусом на значительное повышение эффективности и продуктивности. Однако, даже если стартапы разрабатывают подобные процессы, они сталкиваются с трудностями на этапе привлечения клиентов. Например, в радиологии новые процессы должны принять не только сами радиологи, но и больницы, пациенты и страховые компании.
Крупные компании покупают стартапы. Даже если новые поставщики когнитивных технологий располагают многообещающими решениями, способными трансформировать бизнес-модели, часто их в итоге приобретают более крупные компании, которые, как правило, внедряют эти решения медленно. Многие полагали, что в финтех-секторе, где господствуют технологические стартапы, ориентированные на отрасль финансовых услуг, значительные изменения бизнес-моделей не за горами. Однако вместо этого банки стали приобретать финтех-стартапы или вливать в них свой капитал, поэтому темпы трансформации с использованием ИИ и других новейших технологий в итоге замедлились.
У стартапов нет ресурсов, чтобы ждать перемен. Как правило, ресурсы стартапов ограниченны. Часто их не хватает, чтобы финансировать компанию, пока она не наберет «критическую массу» для масштабного внедрения своей технологии. Сегодня ИИ-стартапам доступен немалый венчурный и акционерный капитал, однако так будет не всегда. Любой общий спад в среде технологических компаний, скорее всего, негативно скажется также на ИИ-стартапах и их способности ждать появления новых бизнес-моделей.
Установленное оборудование не исчезнет в одночасье. В ряде отраслей, испытывающих на себе влияние когнитивных технологий, существует огромная база установленного оборудования, на ликвидацию которой уйдут годы. Например, если взять сферу беспилотных автомобилей и грузовиков, мы увидим множество обычных автомобилей, которые не сойдут с дорог в ближайшие десятилетия. Если только государства или страховые компании не решат вознаградить водителей за переход к использованию беспилотного транспорта, внедрение новых технологий будет идти медленно. Кроме того, в этой сфере часто возникают серьезные технические трудности, когда беспилотные автомобили встречаются на дорогах с обычными.
Большинство когнитивных технологий самостоятельны, но требуют интеграции с существующими системами. Многие когнитивные решения, доступные на рынке, разработаны для самостоятельного выполнения конкретных задач. Однако, чтобы эффективно внедрить их в крупных организациях, необходимо отказаться от их самостоятельности и интегрировать их с существующими системами и процессами. Например, если компания хочет получать более точную информацию о потенциальных покупателях, анализируя внешние данные о компании (с помощью комбинации машинного обучения и обработки естественного языка), ей нужно будет либо заставить сотрудников своего отдела продаж освоить новую систему, либо интегрировать эту систему с системой управ
Почему существующие бизнес-модели выживают, несмотря на появление ИИ
Сказанное о радиологии и туристической сфере можно отнести и к другим отраслям и областям бизнеса. ИИ-стартапы хвалятся своей способностью менять правовую сферу, а также сферы грузоперевозок, розничной торговли, финансовых услуг и т.д. Однако традиционные бизнес-модели не исчезают. Какие факторы не дают им исчезнуть? Поняв это, мы увидим, в каких сферах когнитивные технологии действительно смогут изменить бизнес-модели. Вот девять факторов, которые ограничивают трансформацию бизнес-моделей на основе ИИ:
Технологии пока несовершенны. Многие когнитивные технологии имеют потенциал менять бизнес-модели, но пока еще не достигли совершенства. Например, беспилотные автомобили справляются с большинством ситуаций на дорогах, но пока не со всеми. Всегда кажется, что им еще расти и расти до того момента, когда они смогут справляться с такими вещами, как дождь и снег, неожиданно выходящие на дорогу пешеходы, сложные перекрестки и т.д.
Доступны только частичные решения. Когнитивные технологии могут автоматизировать выполнение определенных задач, но не целые профессии. Поскольку обычно они не в состоянии полностью заменить работников, они не приносят больших экономических выгод, а потому внедряются медленно. Например, в правовой сфере когнитивные технологии по большей части автоматизируют выполнение таких задач, как изучение правовой практики в определенных сферах, быстрый анализ документов и извлечение условий контрактов. Однако эти задачи либо слишком специфичны, либо обычно выполняются относительно низкооплачиваемыми работниками. По этой причине они пока не оказали существенного влияния на юридические фирмы.
ИИ берет на себя простейшие задачи. В отраслях, где когнитивные технологии распространились достаточно широко, ИИ используется для решения простейших задач. Хорошим примером могут служить роботизированные советники финансового сектора. Консалтинговые компании используют ИИ (по крайней мере относительно примитивную форму машинного обучения), чтобы распределять активы взаимных и биржевых инвестиционных фондов. Но это простейшие задачи инвестиционного консультирования. Гораздо более серьезные проблемы подразумевают обучение на основании инвестиционного поведения, управление многочисленными классами активов, а также организацию финансовой активности, отличной от пенсионных взносов. В какой-то момент роботизированные советники смогут заняться и этим, но до тех пор они не будут представлять особенной угрозы традиционной бизнес-модели финансового консультирования.
Отсутствие рассудка. Несмотря на несколько десятилетий обучения, когнитивные технологии еще неспособны к рассуждениям на основе здравого смысла, хотя в последнее время в этой сфере наметился определенный прогресс. Пока этого не произойдет, решения на основе ИИ будут в некотором отношении проигрывать людям. Например, в медицинской диагностике когнитивные решения (в частности, IBM Watson, пожалуй, наиболее медицински ориентированное