Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения

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

«Дешево» значит «повсеместно»

Когда цена на что-то внезапно и существенно падает, может измениться целый мир. Возьмем, к примеру, свет. Не исключено, что вы читаете эту книгу при искусственном освещении. И более того, включая свет, вы, скорее всего, никогда не подсчитывали, во сколько вам обойдется чтение. Электричество настолько дешево, что им пользуются, не задумываясь. Однако, согласно подробному исследованию экономиста Уильяма Нордхауса, в начале XIX века освещение стоило в сотню раз дороже[8]. Всего два века назад вы сто раз подумали бы, прежде чем читать при свете. Падение цен на электричество осветило мир. Ночь легко превращалась в день, стало возможным жить и работать в больших зданиях, куда не проникал естественный свет. Практически ничего из того, что мы имеем сейчас, не существовало бы без мизерной платы за электричество.

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

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

Тим Бреснахан, экономист из Стэнфорда и один из наших наставников, подчеркивал, что компьютеры выполняют арифметические действия, и ничего более. Появление компьютеров и их широкое коммерческое использование понизили стоимость вычислений[9]. Теперь мы не только чаще используем их для обычных расчетов, но и применяем дешевую арифметику в сферах, традиционно не связываемых с ней, например в музыке.

Ада Лавлейс, которая считается первым программистом, раньше всех разглядела эти возможности. Работая при дорогостоящем освещении в начале XIX века, она написала первую программу расчета последовательности чисел (называемых числами Бернулли) для компьютера, разработанного Чарльзом Бэббиджем тогда еще в теории. Бэббидж тоже был экономистом, и, как вы узнаете из нашей книги, это не единственный случай пересечения экономики и IT-дисциплин. Лавлейс понимала, что арифметика может, выражаясь современным жаргоном стартапов, «масштабироваться» и содержит огромный потенциал. Ада догадывалась, что возможности компьютеров не сводятся к арифметическим операциям: «Если предположить, например, что фундаментальные соотношения тонов звукоряда в гармонии и музыкальной композиции можно выразить и адаптировать в таком виде, то машина могла бы сочинять затейливые и искусные музыкальные произведения любой степени сложности»[10]. Никаких компьютеров тогда и в помине не было, но Лавлейс предполагала, что вычислительные машины могут хранить и воспроизводить музыку – форму искусства, повлиявшую на все его остальные жанры и человечество в целом.

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

Это возвращает нас к ИИ. Для экономики он имеет огромное значение именно потому, что удешевит что-то важное. Сейчас вы, вероятно, думаете об интеллекте, логических рассуждениях и мышлении вообще. А может, представляете себя среди роботов или бестелесных существ, таких как дружелюбные компьютеры из фильма «Звездный путь», которые избавят вас от необходимости думать. У Лавлейс было похожее предположение, но она быстро от него отказалась. Во всяком случае в отношении компьютеров она писала, что «у них нет никаких притязаний к созиданию. Они могут только то, что умеем мы. Они способны следовать порядку расчетов, но не обладают возможностью предвосхищать аналитические соотношения или истины»[11].

Несмотря на ажиотаж вокруг ИИ, «возражения леди Лавлейс», как позднее назвал их Алан Тьюринг[12], все еще актуальны. Компьютеры пока не умеют думать, так что мысли подешевеют не скоро. Однако цена снизится на нечто настолько привычное и повсеместно используемое (как и арифметика), что никто, скорее всего, еще не догадывается, насколько удешевление повлияет на нашу жизнь и экономику.

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

Дешевизна создает 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.

Древние греки чтили своих многочисленных оракулов за пророческие способности, но их предсказания иногда бывали такими туманными, что сбивали с толку вопрошающих. Например, однажды царь Лидии Крёз задумал рискованный штурм Персидской империи. И поскольку не доверял полностью ни одному оракулу, решил проверить каждого, прежде чем просить совета о нападении на Персию. Ко всем оракулам он разослал гонцов. На сотый день они должны были спросить, что Крёз делает прямо сейчас. Ближе всех к истине оказался оракул из Дельф, поэтому царь обратился за пророчеством к нему[17].

Как и в примере с Крёзом, прогноз может касаться и настоящего. Мы предполагаем, правомерная или мошенническая операция проводится по кредитной карте, злокачественная опухоль на снимке или доброкачественная, в камеру телефона смотрит владелец iPhone или посторонний человек.

Слово «прогноз» происходит от греческого слова πρόγνωσις, буквально означающего «предузнавание» (то есть знание того, что произойдет), но в современном понимании это скорее способность видеть скрытую информацию как в будущем, так и в прошлом и настоящем. Наверное, самый известный символ магического предсказания – хрустальный шар. И хотя в нашем представлении он связан с гадалками, обещающими финансовое процветание или успех в любви, в книге Фрэнка Баума «Волшебник страны Оз» Дороти с его помощью видит, что делает ее тетя Эм в настоящем. Все это приводит нас к определению прогностики.

Волшебство прогностики

Несколько лет назад Ави Голдфарб обнаружил, что в казино Лас-Вегаса с его кредитной карты снята крупная сумма. Но он в это время был совершенно в другом месте. А в Лас-Вегас ездил лишь однажды и очень давно – азартные игры не вписываются в его экономическое мировоззрение. После продолжительных переговоров банк отменил транзакцию и выдал новую карту.

Недавно неприятность повторилась. Кто-то снова сделал покупку по кредитной карте Ави. Но на этот раз он даже не успел увидеть транзакцию, так что ему не пришлось сто раз описывать ситуацию вежливому, но строгому сотруднику службы поддержки. Ави сообщили по телефону о подозрительной операции по карте и что уже выслали новую по почте.

Банк совершенно правильно заключил, исходя из потребительских привычек Ави и тонны другой информации, что транзакция мошенническая. И был настолько уверен в этом, что даже не стал блокировать карту до выяснения обстоятельств.

Вместо этого у Ави, как по волшебству, появилась другая карта, для чего он и пальцем не шевельнул. Конечно, хрустального шара у банка нет, но есть данные и надежная прогностическая машина. Повышение качества прогнозов позволило снизить риск мошенничества и одновременно, как выразился президент MasterСard по вопросам безопасности Аджай Бхалла, «избавить клиентов от ошибочного отклонения транзакций»[18].

В сфере бизнеса применение прогностики полностью соответствует ее определению как процесса заполнения информационных пробелов. Эмитентам необходимо знать, не была ли недавняя транзакция мошеннической. Для прогноза по конкретной операции используются данные о совершенных мошеннических (и правомерных) переводах денежных средств. В случае подтверждения неправомерности эмитент может заблокировать карту, а если прогноз сделан достаточно быстро, то успеет отменить и текущую транзакцию.

Данный принцип – когда из имеющейся информации выводится отсутствующая – положен в основу главных современных достижений ИИ в области перевода. Об этой цели говорилось еще в предании тысячелетней давности о Вавилонской башне; цивилизация шла к ней на протяжении всей своей истории. Раньше для разработки автоматических переводчиков нанимали лингвиста (владеющего каким-либо языком), чтобы он изложил грамматические правила в приемлемой для программирования форме[19]. Таким образом, например, если требовалось перевести фразу с испанского языка, слова не просто последовательно переводились, но существительные и прилагательные менялись местами, чтобы в итоге получилось грамотно составленное и понятное предложение.

Недавний рывок в развитии ИИ позволил поместить переводы в сферу прогностических задач. После этого качество Google Translate прямо-таки чудесным образом изменилось.

Рассказ Хемингуэя «Снега Килиманджаро» начинается такими словами: «Килиманджаро – покрытый вечными снегами горный массив высотой в 19 710 футов, как говорят, высшая точка Африки». В ноябре 2016 года профессор Юн Рекимото, ученый, IT-специалист из Токийского университета, переводил рассказ в Google-переводчике с японского языка на английский и получил такой результат: «Килиманджаро высота 19 710 футов гора снежный покров, и сказал самая высокая в Африке». На следующий день перевод выглядел уже по-другому: «Килиманджаро гора высотой 19 710 футов покрыта снегом и считается самой высокой в Африке».