Текст книги "От предвидения к власти. Как ИИ-прогнозирование трансформирует экономику и как использовать его силу в своих целях"

Часть III. Системы

Глава 7. Жесткие и адаптивные системы

ИИ не спас нас от COVID-19, но мог бы. Не спас потому, что в условиях неопределенности многие страны проводили в области общественного здравоохранения политику, основанную на правилах, а не на решениях. Мы уже отмечали, что машинное прогнозирование способно обеспечить переход от правил к решениям. Следовательно, пандемия – это удобный случай обсудить возможности ИИ в этой области.

ИИ не избавил нас от последствий COVID-19 не потому, что не мог этого сделать, а потому, что мы не были к этому готовы. Во многих странах традиционные правила, установленные органами здравоохранения в государственном секторе, не позволяли принимать решения, необходимые для поддержания экономики в условиях неожиданно вспыхнувшей пандемии. Однако были и исключения. Мы приводим пример небольшой группы крупных компаний, создавшей инновационную платформу именно для того, чтобы облегчить принятие решений в условиях неопределенности. Это помогало предотвратить экономический кризис из-за жесткой системы, основанной на правилах и игнорирующей актуальную информацию.

Самое затратное правило

Сегодня все мы знаем о рисках для здоровья, возникающих во время пандемии. В январе 2021 года около 9 млн американцев были инфицированы COVID-19. Для них это означало серьезную проблему со здоровьем. Однако у большинства остальных жителей США – 320 млн человек – новый вирус не привел к проблемам со здоровьем, ведь они не заболели и не были заразны. Однако многие из них все равно серьезно пострадали, потеряв возможность работать, учиться и вести привычный образ жизни. Для большинства людей причиной возникших проблем стало не здоровье, а низкое качество прогнозирования. Не хватало информации, чтобы определить, кто из окружающих инфицирован и может передать вирус другим.

Органы здравоохранения заявляли: вы в безопасности, если относитесь к окружающим как к повально заразным и опасным. При инфекционных заболеваниях, передающихся от человека к человеку, контакт с другими людьми более опасен, если вы не знаете, кто из них инфицирован. Именно поэтому во время пандемии мы дистанцируемся от окружающих. Это самый простой способ защитить себя.

Рассмотрим это с точки зрения дерева решений. Надо принять решение – изолироваться или продолжать контактировать с другими людьми (см. рис. 3.1). Если вы выбираете изоляцию, то не распространяете болезнь, но приходится держать дистанцию с окружающими, что требует больших личных затрат. Если продолжаете контактировать, то результат зависит от того, инфицированы ли вы. Если да, то есть вероятность передачи вируса окружающим. Если нет, то ваша жизнь продолжается как обычно.

Рис. 3.1. Дерево решений: «изолироваться» или «продолжать контактировать»

Дерево решений описывает проблему, возникающую в связи с тем, что большинство людей не инфицированы. Если вы в настоящее время инфицированы вирусом COVID-19, то представляете гораздо большую опасность, чем если вы здоровы. Другими словами, если бы мы знали, кто инфицирован, а кто нет, то могли бы вести себя иначе. Можно было бы держаться дальше от инфицированных и вести себя как обычно с теми, кто не заражен. Это и составляет основную проблему прогнозирования в условиях пандемии: мы могли бы избежать многих издержек, если бы знали, кто именно заразился, и сумели изолировать их от окружающих. Тогда все инфицированные находились бы в карантине, а остальные спокойно занимались бы своими делами. Можно не только продолжать вести нормальную жизнь, но и остановить пандемию, разорвав цепочки передачи инфекции. Проблема в том, что превратить социальное дистанцирование из правила в решение можно лишь на основе информации. А потребность в информации для устранения неопределенности означает, что у нас есть проблема прогнозирования.

COVID-19 как проблема прогнозирования

Первый шаг в определении проблемы прогнозирования – это вопрос о том, в чем состоит неопределенность. С этой точки зрения пандемии несут в себе неопределенность. Неизвестно, когда может появиться патоген с пандемическим потенциалом. ИИ действительно может помочь в решении этой задачи. Однако давайте сосредоточимся на более близкой нам проблеме – управлении пандемией. Иными словами, если пандемия вот-вот начнется или уже развернулась, что надо считать ключевой неопределенностью в деле борьбы с ней?

Возможно, это странная формулировка для управления пандемией. Ведь в таком случае мы привыкли думать о медицинских мерах. Как создать вакцину, чтобы повысить устойчивость к инфекции, какие методы лечения спасают жизнь, какие меры по минимизации распространения следует принять? Но если вникнуть в то, что на самом деле делает пандемию пандемией, со всеми ее человеческими издержками в плане не только здоровья, но и средств к существованию и социальных связей, то становится ясно, что меры, предотвращающие распространение болезни, уносят с собой и нашу обычную жизнь.

В первые месяцы пандемии было разработано множество инструментов для прогнозирования возможных случаев заражения. Один из самых старых способов, с помощью которого работники здравоохранения определяют, кто может или не может быть инфицирован, это отслеживание контакта. Если вы находитесь рядом с больным, то вероятность заражения для вас выше. Такое отслеживание контактов может помочь специалистам определить, кто заразился в последнее время. Во многих странах чиновники обзванивали заразившихся и спрашивали, с кем они виделись, – трудоемкий процесс, не гарантирующий результата. В Южной Корее органы здравоохранения разработали новые процедуры отслеживания контактов, объединив данные, полученные с камер видеонаблюдения, мобильных телефонов и кредитных карт.

Инновации не ограничивались отслеживанием контактов. Специалисты по ИИ также разработали инструменты для прогнозирования степени инфицирования. Одна группа специалистов разработала метод выявления бессимптомного течения заболевания: для этого людей просили кашлять в телефон. На границе Греции еженедельно обновляемое приложение на основе ИИ, учитывающее такие факторы, как вид транспорта, пункт отправления и демографическая информация, позволило выявить в 1,85 раза больше людей с бессимптомно протекающим заболеванием, чем жесткий контроль. Это помогло определить, кому из путешественников можно разрешить въезд в страну без дополнительного тестирования. Были разработаны инструменты прогнозирования, не связанные с ИИ. Во многих странах для выявления лихорадки использовали тепловизоры и термометры, исходя из предположения, что у людей с повышенной температурой с большей вероятностью будет COVID-19. В Таиланде обучили собак выявлять заболевших.

К осени 2020 года многим стало ясно, что в прогнозировании инфицирования наиболее эффективны именно экспресс-тесты на антиген. Анализ по методу полимеразной цепной реакции (ПЦР) позволяет обнаружить даже очень малое количество вируса, но он дороже теста на антиген, и ждать результата надо дольше.

Прогнозирование – это процесс получения недостающей информации, и тесты на COVID-19 помогли получить информацию о том, инфицирован ли человек. Как и другие методы прогнозирования, экспресс-тесты на антиген не дают стопроцентной точности. Тем не менее они редко дают ложноположительные результаты, то есть маловероятен положительный результат у здорового человека. Таким образом, если бы можно было тестировать людей и требовать от тех, у кого положительный результат на антиген, оставаться дома, то распространение болезни можно было бы сдержать. Этого не скажешь о тестах ПЦР, где положительный результат может сохраняться в течение нескольких недель или месяцев после окончания инфекционного периода. Другими словами, к осени 2020 года у нас был недорогой инструмент прогнозирования COVID-19, пригодный для серийного выпуска и не имеющий отношения к ИИ.

Вооружившись этими знаниями, мы в сотрудничестве с эпидемиологом Лорой Розелла, политологом Дженис Стайн и исполнительным директором ЛСР Соней Сенник разработали и помогли корпорациям реализовать программу экспресс-тестирования, позволяющую продолжать безопасно работать.

Идея заключалась в том, чтобы регулярно тестировать сотрудников и переводить на карантин людей с положительным результатом анализа. Тогда все остальные смогут спокойно ходить на работу с уверенностью, что среди коллег никто не инфицирован. Казалось бы, простой и надежный план, да к тому же есть доступный инструмент для прогнозирования. Это позволило бы сделать безопасными основные рабочие места, которые еще не закрылись, и со временем дать возможность экономике начать восстанавливаться.

Однако вскоре мы убедились, что создать инструмент прогнозирования – это не самое трудное. Система функционировала на основе множества жестко связанных между собой правил, непригодных для принятия решений на основе информации. Существовали правила конфиденциальности, связанные со сбором информации о здоровье людей, правила профсоюза, ограничивающие доступ на рабочие места, правила безопасности данных, связанные с хранением и обработкой личной информации, правила утилизации опасных отходов, связанные с утилизацией буферного раствора после проведения тестов, правила выплаты компенсации работникам, определяющие, за чей счет оплачивается больничный в случае положительного теста, и так далее. Список можно продолжать.

Несмотря на срочность проблемы получения информации, которая грозила привести к экономическому кризису, зависимость системы от правил делала принятие решений на основе информации практически невозможным. Необходимо было найти способ «смазать» систему, чтобы она лучше реагировала на информацию – в частности, на прогнозы инфекционной заболеваемости.

Мы обсудили эту проблему с группой руководителей компаний и идейных лидеров, включая бывшего управляющего Банка Англии и Банка Канады Марка Карни, бывшего директора Центра по контролю и профилактике заболеваний в Атланте Бренду Фицджеральд и писательницу Маргарет Этвуд. К октябрю 2020 года появилось двенадцать руководителей компаний, которые согласились сформировать условия для создания адаптивной системы, реагирующей на внешнюю информацию. Каждый из них обязался поручить одному из своих непосредственных подчиненных работу над этим проектом и устранить воздвигаемые правилами препятствия там, где это возможно. Наша цель заключалась в том, чтобы создать в этой адаптивной среде систему, достаточно убедительную для того, чтобы побудить другие компании, а также должностных лиц в министерстве здравоохранения поменять некоторые жесткие системы, которые держатся на правилах, на адаптивные – те, что базируются на решениях, принимаемых на основе информации.

Эти двенадцать крупных компаний – партнеры-основатели Консорциума по экспресс-тестированию CDL – представляют производство, транспорт, финансовые услуги, коммунальное хозяйство, индустрию развлечений и розничную торговлю. В общей сложности в них работает более полумиллиона человек. Руководители компаний с нетерпением ждали начала тестирования, открытия рабочих мест и обеспечения безопасности своих сотрудников. Вскоре после начала нашей работы опрошенные сотрудники сообщили, что чувствуют себя уверенно, поскольку они и их коллеги будут проходить тестирование перед выходом на работу.

Один из наших основателей запустил первый пилотный проект 11 января 2021 года на объекте в центре Торонто. В течение следующих нескольких месяцев система доказала свою эффективность. Немногие инфицированные люди ушли на карантин. Работники сообщили, что чувствуют себя в безопасности, а руководители обеспечили работу объектов, которые в противном случае, скорее всего, пришлось бы закрыть. Затем мы создали пособие для распространения среди других компаний, а впоследствии – прочих организаций, включая некоммерческие, а также лагеря, детские сады и школы. В нем содержалось руководство по организации сбора данных, проведению экспресс-тестов на антиген, установке пункта тестирования, обучению персонала, управляющего процессом, информированию сотрудников и их профсоюзов о программе, управлению потоками данных, утилизации использованных тестов, маршрутизации сотрудников с положительным результатом, заказу экспресс-тестов на антиген в государственных учреждениях и так далее.

Со временем степень жесткости систем в других компаниях начала снижаться. В Канаде, как на национальном уровне, так и в отдельных провинциях, работники могли сначала пройти тест на работе под наблюдением, а затем и дома, без участия медицинского работника.

Кроме того, необходимо было отслеживать результаты тестов. Люди опасались, что некоторые контактировавшие с больными участники воспримут отрицательный тест как сигнал о том, что болезнь не проявится в течение нескольких недель, в то время как в лучшем случае это вопрос нескольких дней. Частое тестирование снижало этот риск, поэтому требовалась система данных, позволяющая отслеживать, кто и когда сдавал анализы. Однако компании согласились бы на ее внедрение только при условии, что персональные данные работников будут защищены. Мы разработали систему отслеживания информации, которая удовлетворяла как опасениям сотрудников по поводу конфиденциальности, так и медицинским требованиям надежности результатов.

Политика компании была направлена на поддержку экспресс-тестирования. Без оплаты больничных листов и других мер защиты на рабочем месте сотрудники не хотели участвовать в тестировании. Поэтому работодателям надо было решить, кто и когда будет проходить тестирование, считать ли его частью рабочего дня, где проводить и что делать в случае положительного результата. Кроме того, необходимо было распределить ответственность за реализацию решений в области охраны труда. Изначально не существовало процесса, регламентирующего ответственность работников, менеджеров и специалистов по охране труда. Жесткость системы снижалась по мере того, как компании убеждались в действенности рекомендаций нашего пособия, в том числе по постоянному обновлению и свободному распространению стандартных операционных процедур.

В итоге наша система экспресс-тестирования на антиген была внедрена более чем в 2000 организаций Канады, что позволило предотвратить тысячи случаев заболевания COVID-19 на рабочих местах и в школах. Если люди получали положительный результат анализа, то оставались дома. Тем не менее мы столкнулись с большими трудностями. Большинству первых участников потребовалось шесть месяцев, чтобы масштабировать программу, и год, чтобы организовать регулярное тестирование десятков тысяч работников. Разработка экспресс-теста оказалась самым простым этапом проекта. Однако это была лишь небольшая часть изменений, необходимых для решения информационной проблемы COVID-19 и возвращения людей к работе и учебе.

Адаптивные системы

Из этой главы следует, что для реализации преимуществ прогностических машин нужно заменить правила решениями. Однако система – набор процедур, в соответствии с которыми что-то делается, – должна обладать адаптивностью к этим изменениям. Если надежность системы требует неразрывной связи правил между собой, то принятие решения оказывается бесполезным.

Мы особо выделили правило, которого придерживались многие из нас весной 2020 года: оставаться дома. Мы не знали, кто заразен, и такая неопределенность означала, что следует держаться как можно дальше от людей. Это правило породило целый ряд трудностей.

Во-первых, многие работают исключительно вне дома и клиенты их компаний также должны иметь возможность свободно перемещаться. Рестораны, розничная торговля, театры простаивают в условиях карантина. Если нельзя выходить на улицу, то многие останутся без работы. Правительства во всем мире выделили субсидии на заработную плату и поддержку бизнеса – дорогостоящее решение, разработанное для того, чтобы компенсировать созданные этим правилом затруднения.

Во-вторых, изоляция порождает свои собственные проблемы. Она влияет на психическое состояние людей. Стало трудно проверить, в безопасности ли дети, есть ли у пожилых людей все необходимое. Визиты к врачу переносились в интернет или вовсе отменялись. Эти проблемы повлекли за собой новые правила. Члены семьи следили за самочувствием друг друга. Во многих школах при подозрении на инфекцию звонили домой. Врачи тщательнее наблюдали за пациентами. В некоторых странах мира для обеспечения безопасности пожилых людей были введены домашние мониторы.

Пандемия напомнила о том, что мы слишком доверяем правилам, а они во многих случаях неэффективны. В случае с COVID-19 отсутствие решения проблемы прогноза заразности привело к тому, что нам пришлось быстро останавливать целые экономики, вызывая массовую безработицу, нарушая социальную жизнь и школьное образование. Прогнозирование, при условии его доступности и интегрированности в хорошо отлаженную систему, позволило бы принимать решения по управлению пандемией без ущерба для здоровья и при минимизации затрат, ложащихся на все общество. Этот вопрос мы обсуждаем в главе 6. Правила, означающие, что мы даем всем одинаковый продукт или одинаковое образование, ограничивают принимаемые решения и создаваемую ценность.

Правила – наша главная цель при поиске новых возможностей для принятия решений, которые может открыть ИИ-прогнозирование. В случае с пандемией имелись прогностические инструменты. Экспресс-тесты на антигены помогли собрать недостающую информацию о том, кто инфицирован, а кто – нет. Также были внедрены инновации в зависимые процедуры – оплату больничных листов и карантин. Если решения взаимозависимы, то переход от правил к решениям требует отлаженной координации. ЛПР должны знать, что делают другие, согласовывать цели и внедрять изменения. Однако новая система может оказаться настолько разрушительной, что для ее органичного развития придется искать для нее новую организацию, вместо того чтобы пытаться адаптировать к ней уже существующие компании.

В более широком смысле анализ неопределенности – первый шаг к внедрению новых решений на основе прогнозирования. Для эффективного решения задачи требуется изменение зависимых процедур – как отмечалось в главе 2; это системное решение.

КЛЮЧЕВЫЕ МОМЕНТЫ

• Мы использовали правило социального дистанцирования для управления пандемией. Это правило потребовало больших затрат. Оно привело к приостановке деятельности значительной части организаций в сфере образования, здравоохранения, а также замедлению мировой экономики в целом. Введенная в соответствии с этим правилом изоляция имела такие последствия для психического здоровья, которые еще не скоро будут полностью осознаны. На основе правила социального дистанцирования было создано множество других правил, например ограничение вместимости ресторанов, загрузки общественного транспорта, внедрение дистанционного обучения в школах, ограничения на проведение спортивных мероприятий, субсидирование заработной платы и корректировка процедур оказания неотложной помощи.

• Хотя большинство людей считают COVID-19 медицинской проблемой, мы воспринимаем ее как проблему сбора информации. Для тех, кто был инфицирован, COVID-19 действительно представлял собой проблему со здоровьем. Однако для подавляющего большинства тех, кто не был инфицирован, COVID-19 таковым не был, это была проблема получения данных. Ведь, не имея информации о том, кто инфицирован, нам приходилось следовать правилу и относиться ко всем так, как будто они инфицированы. Это привело к остановке развития экономики. Если бы вместо этого мы могли достаточно точно прогнозировать, кто заражен, то есть решить проблему получения информации, то в карантин следовало бы помещать только тех, у кого высокая вероятность заражения. Правила – наша главная цель при поиске новых возможностей для принятия решений, на основе прогностических возможностей ИИ.

• Для того чтобы воспользоваться преимуществами прогностических машин, нам придется замещать правила новыми решениями. Однако не всегда система способна принять это изменение. Если для надежности системы одно правило жестко связано с другим, то принятие решения в рамках этой системы может оказаться безрезультатным. Выше описан связанный с COVID-19 пример, когда мы разработали небольшую, но надежную систему, первоначально состоящую из двенадцати крупных компаний, где руководители давали указания своим топ-менеджерам принимать информационные решения на основе прогнозов инфицированности сотрудников по результатам экспресс-тестирования на антиген. В результате эти компании сохранили свой бизнес в условиях, когда сложившаяся система, скорее всего, привела бы к его остановке. Успех оказался настолько убедительным, что впоследствии еще более 2000 организаций приняли эту систему и перешли от правил к решениям.