Текст книги "Путеводитель по цифровому будущему"

Каждая страна точно так же, как она заботится о своих дорогах, электросетях, телефонных линиях, школах и культуре, будет печься о собственной матрице в перечисленных выше сферах. Местная цифровая экономика в настоящее время является высшим приоритетом при планировании внутренней политики, и многие правительства назначают для ее курирования влиятельных министров. На местном уровне уже реализовано немало инноваций и экспериментальных проектов.

Многие страны по понятным причинам сосредоточились на качестве сети и пропускной способности. В этой области внутренние противоречия отсутствуют. Китай, Корея, Сингапур и Малайзия особенно активно осуществляют государственные инфраструктурные проекты в отличие (в частности) от Индии, которая начала модернизацию своей национальной телекоммуникационной системы гораздо позже, а сейчас торопится наверстать упущенное, полагаясь на технологии беспроводной связи.

Не менее важные политические и культурные проблемы оказались куда сложнее в решении, поскольку правительства и население часто имеют совершенно разные взгляды на такие вопросы, как использование социальных сетей и доступ к англоязычному контенту. Как будет показано в главе 11, мы движемся к менее глобальной, более многополярной матрице с повышающимся уровнем национального протекционизма, цензуры и других видов контроля.

Не существует правильных или неправильных ответов на вопросы относительно оптимального баланса государственных и частных инвестиций, открытых и закрытых систем, глобальных и местных поставщиков. Недавние события во многих странах показали, насколько важными могут быть технологические решения. Сегодня мало что определяет национальную культуру больше, чем ее отношение к пропускной способности сетей, информации, данным, языку и речи.

Рисунок показывает наше представление о прорыве в экономике, связанном с технологическими эпохами. В ретроспективе прорывной эффект мейнфреймов, мини-компьютеров и ПК кажется относительно скромным, а самые масштабные отраслевые сдвиги связаны с началом бума доткомов. В отличие от этого мобильные технологии хотя и изменили нашу жизнь во многих аспектах, были скорее дополняющим, а не разрушающим фактором. Интернет вещей все еще находится на ранней стадии развития, мы поговорим о нем в главе 3.

Сейчас мы входим в эпоху постепенного развертывания матрицы. Несмотря на то что никто точно не знает, какие существующие или новые цифровые отраслевые игроки будут играть ключевую роль в этом переходе, сомнений в формировании постоблачного мира становится все меньше. Конкуренция будет стимулировать эволюцию матрицы вплоть до заполнения всех мыслимых рыночных возможностей по мере того, как компании все больше полагаются на программное обеспечение, данные и алгоритмы. Возрастающее насыщение общества приборами и инструментами позволит достичь новых уровней интеллекта и автоматизации.

Что особенно важно, матрица будет средой для глобальных научных достижений в 2020–2030-х гг. Не обязательно полностью соглашаться с концепцией сингулярности[2]2
  Ray Kurzweil, The Singularity is Near, Gerald Duckworth & Co Ltd, 2006.


[Закрыть] Рэя Курцвейла для понимания того, что сегодняшние инновации могут вскоре показаться примитивными. ИТ-индустрия существует всего лишь 50 лет, и с учетом экспоненциального развития технологий следующие полвека, скорее всего, принесут значительно больший результат. Но, как бы это чудесное технологическое будущее ни называлось, можно с уверенностью сказать, что оно не будет «облачным».

Цифровая вселенная развивается независимо от чьего-либо замысла или руководства. Хотя наверняка есть области, где вы можете формировать матрицу в своих интересах, контроль над ней установить не удастся. Единственной возможностью становится адаптация к новым условиям. Приведенные выше вопросы дают пищу для размышлений о том, что эти изменения могут означать для вас.

Организации должны признать, что матрица становится основой для большей части современной экономики, а это требует внешней ориентации. Прежде чем думать об обновлении, работе и конкуренции в будущем, нужно посмотреть на внешний рынок. Контрольные листы, представленные в главе 5, помогут фирмам увидеть диапазон новых возможностей.

Для людей ключевой вопрос заключается в том, насколько важны технологии для карьеры и будущего. Хотя ответы на этот вопрос могут быть разными, специалисты с цифровыми навыками уже пользуются существенными преимуществами при трудоустройстве. В главе 9 мы покажем, что эти преимущества будут только расти по мере того, как ИТ-инновации распространяются на человеческую платформу.

Для компаний и людей, которые решили стать частью нового мира, 2020-е гг. представляют захватывающие возможности. Это похоже на фильм «Матрица», где Морфеус ставит Нео перед выбором:

«Назад дороги нет. Примешь синюю таблетку – и сказке конец. Ты проснешься в своей постели и будешь верить во что хочешь. Примешь красную – останешься в стране чудес, и я покажу тебе, насколько глубока кроличья нора».

Глава 2
В машинном интеллекте нет ничего искусственного

В этой главе мы объясняем общую терминологию машинного интеллекта (MИ), которая используется сегодня, рассматриваем причины быстрого развития этой области в наши дни, ее основные формы и применения, а также проблемы, которые она ставит перед традиционными компаниями. Мы показываем, почему стоит сосредоточиться на реальных формах новых источников стоимости, создаваемых МИ, а не на надуманных опасениях.

Приведенные выше вопросы помогают понять, почему на современном рынке так много волнений по поводу машинного интеллекта. Хотя МИ уже давно является святым Граалем компьютерного сообщества, эти вопросы далеко не гипотетические.

К сожалению, западные СМИ зачастую сосредотачиваются на угрозах технологии, а не на ее достоинствах (вспомним хотя бы Франкенштейна или компьютер HAL из фильма «Космическая одиссея 2001 года»), в наше время это касается и машинного интеллекта. В медиа чаще освещаются его потенциальные минусы, такие как сокращение рабочих мест, потеря контроля, унижение человеческого достоинства, нежели бесчисленные выгоды более интеллектуального мира.

Как ни странно, опасения высказывают даже некоторые видные лидеры ИТ-индустрии. Но если в реальности риски могут возникнуть в очень отдаленной перспективе, то сегодняшние тревожные высказывания напоминают сцену из второй части фильма «Крестный отец». Когда Майкл Корлеоне жалуется на неожиданные убийства и карательные меры, с которыми столкнулась его преступная организация, Хайман Рот и слышать ничего об этом не желает, напоминая собеседнику, что «это бизнес, который мы сами себе выбрали».

Для тех из нас, кто работает в ИТ-сфере, приведенные выше вопросы определяют бизнес, который мы сами себе выбрали. Конкуренция и дальше будет двигать нас вперед, равно как и наше внутреннее желание открыть и исследовать все, что только возможно. Кроме того, в обозримом будущем прибыль значительно превысит любые потери. Пути назад нет, по крайней мере сейчас.

Читатели, возможно, заметили, что мы используем термин «машинный интеллект», а не более привычный «искусственный интеллект». Как и в случае со словами «облако» и «матрица» мы сделали такой выбор, поскольку считаем, что правильные слова помогают четче увидеть положение вещей. Образ матрешки, показанный на рисунке, помогает наглядно изобразить структуру МИ.

С такой точки зрения искусственный интеллект (ИИ), машинный интеллект и когнитивные вычисления являются синонимами, обозначающими широкое поле, в котором компьютеры могут демонстрировать способности, подобные человеческим. В настоящее время в основном оперируют понятием «искусственный интеллект», тогда как когнитивные вычисления в ходу главным образом у компании IBM, а иногда у Microsoft. Мы предпочитаем МИ, потому что в компьютерном интеллекте нет ничего искусственного, так же как нет ничего искусственного в мощности трактора. Ход нашей мысли таков: хотя большинство людей говорит «искусственный интеллект», никто не использует словосочетание «искусственное обучение». А ведь раньше в ходу была и фраза «искусственное освещение».

Машинное обучение позволяет компьютерам становиться умнее без явного программирования. Происходить это может как с помощью человека так и без него. Таким образом, машинное обучение является подмножеством общего поля ИИ/МИ.

Наконец, глубинное обучение является одной из форм машинного обучения наряду с кластеризацией, линейными регрессиями и байесовскими вероятностями. Хотя каждый из этих подходов все еще широко используется, глубинное обучение получает все большую популярность, поскольку позволяет улучшить игровой процесс, обработку изображений, перевод и прочее, о чем мы поговорим далее.

Одним из наиболее распространенных цифровых мемов последних лет стало заявление основателя Netscape, а ныне известного венчурного капиталиста Марка Андриссена о том, что «программное обеспечение поглощает мир»[3]3
  Marc Andreessen, Why Software Is Eating the World, Wall Street Journal, August 20, 2011.


[Закрыть]. Этим он хотел сказать, что программное обеспечение неуклонно трансформирует все отрасли от медиа до финансовых услуг и розничной торговли.

Пока это поглощение продолжается, идеи развиваются. Сегодня многие инсайдеры ИТ-индустрии говорят, что программное обеспечение все еще поглощает мир, но данные уже поедают программное обеспечение. Этим они подчеркивают, что традиционный метод написания детальных процедурных программ уступает место новому подходу, при котором машинам предоставляется набор данных, и после сложного математического анализа формируются желаемые возможности. Именно так работает глубинное обучение.

Как показано на рисунке, многие наборы данных поступают от матрицы, а поскольку увеличение объема данных обеспечивает улучшение результатов, системы глубинного обучения самосовершенствуются естественным образом. Это дает иную и гораздо более масштабируемую динамику, которая отличается от постепенно устаревающих (но все еще очень распространенных) экспертных систем, представленных в левой части рисунка. При таком подходе люди стремятся преобразовать свои знания в фиксированные правила и деревья решений.

Хотя оба метода будут существовать параллельно, глубинное обучение уже захватило наше воображение, поскольку оно открывает путь к широкому спектру впечатляющих результатов. Оно намного больше походит на работу человеческого мозга, речь об этом пойдет далее в данной главе.

Глубинное обучение существует не в вакууме – это часть общей формулы инноваций в области МИ. Сегодня известны три его основных компонента:

● Большие данные. Facebook лидирует в распознавании лиц, потому что у него есть база лиц; Google лидирует в языковых переводах, потому что у него лучший набор многоязычных документов; компьютеры могут распознать даже силуэт кошки, потому что существует огромное количество образов кошек, позволяющих обучаться. Глубинное обучение требует большого объема данных для тренировки, а матричные компании обычно владеют наиболее полными базами данных.

● Специализированные компьютеры. Системы глубинного обучения требуют огромных вычислительных мощностей. К счастью, крупнейшие поставщики облачных услуг (Amazon, Microsoft, Google) и производители полупроводников (Nvidia и другие) ответили на эти запросы. Новый вид специализированных процессоров уже разрабатывается и может в конечном итоге привести нас к квантовым вычислениям. Мощность процессоров все еще является ахиллесовой пятой МИ, но уже в значительно меньшей степени, чем раньше.

● Облачная экономика. Хотя бóльшая часть работ по МИ исторически велась в университетах, крупных компаниях и государственных учреждениях, именно матрица в настоящее время является его целевой платформой. Как мы уже увидели, каждая часть матрицы представляет собой потенциальный источник новых доходов, в равной мере мотивируя как предпринимателей, так и венчурных капиталистов с отраслевыми гигантами.

Несмотря на то что мы еще далеки от универсального компьютерного интеллекта, эта простая формула из трех частей позволит добиться впечатляющих результатов на многих фронтах МИ.

Что удивляет в данной матричной формуле МИ-обновления, так это ее отличие от нынешней ситуации в большинстве традиционных компаний.

Компании, которые уже работают на основе алгоритмов для логистики, резервирования, оценки кредитоспособности, оптимизации цен, актуарных оценок, финансовой торговли и других автоматизированных услуг, обычно имеют четкий план действий. Такие компании знают, что значит опираться на данные, и привыкли к автоматизированному принятию решений. Они могут использовать глубинное обучение для улучшения существующих алгоритмов.

Но большинство крупных организаций все еще борется с большими данными, не говоря уже о машинном обучении. Их данные, как правило, не выходят за пределы товарных запасов, услуг, клиентов или организационных вотчин. Это не только затрудняет эффективное агрегирование, но иногда даже противоречит здравому смыслу. У таких организаций обычно весьма ограниченный доступ к передовым навыкам глубинного обучения, а общие темпы внедрения МИ сравнительно невысоки.

Еще более тревожит то, что их внутренние данные зачастую нуждаются в тщательной сортировке и маркировке для правильного отражения конкретных знаний. Такая работа трудоемка, затраты на нее высоки, квалификации не хватает, а выгоды туманны. Ничто не сулит однозначной выгоды. IBM и Watson за свою историю не раз сталкивались с проблемами такого рода, сотрудничая со статусными заказчиками.

Несоответствие бизнес-модели тоже весьма проблематично. Большинству традиционных компаний трудно ориентироваться на что-либо, кроме показателя рентабельности инвестиций (ROI). Это резко контрастирует с поведением гигантов матрицы, которые готовы вкладывать значительные средства в новые области и принимать убытки. Неудивительно, что молодые компании продолжают лидировать в большинстве областей МИ.

Рисунок говорит о расширении разрыва принципов организации работы большинства традиционных фирм и сегодняшних интернет-гигантов. Разница настолько велика, что возникает вопрос, действительно ли все компании в конечном итоге перейдут к модели на основе данных. Большинство компаний в данный момент настроены скептически. Нередко можно услышать:

● «Мы на этом ничего не заработаем».

● «У нас и так все хорошо».

● «Когда эти инновации станут приносить прибыль, я уже выйду на пенсию».

● «Может быть, в других отраслях, но точно не в нашей».

Первые три утверждения в большинстве случаев и впрямь недалеки от действительности. Переход к операционной деятельности на основе интеллектуальных алгоритмов займет немало времени. А вот последнее – это, скорее, принятие желаемого за действительное, корни которого кроются в привычке рассматривать собственную ситуацию как нечто более особенное, чем есть на самом деле. В целом это давно известный подход «поживем – увидим».

Иными словами, создание фундамента ХХІ в. связано с преодолением массы препятствий и требует лидеров, которые верят в будущее на основе МИ. Технологии показывают, что скептики раз за разом ошибаются, не исключено, что так будет и сейчас. Оставшаяся часть этой главы поможет традиционным компаниям увидеть, как остановить расширение разрыва и в конечном итоге устранить его.

Как и в случае человеческого разума существует множество форм машинного интеллекта. Мы сгруппировали 20 наиболее значимых применений МИ в четыре категории, представленные выше.

● Восприятие. Способность машин видеть, слышать, обонять и распознавать постоянно улучшается. Будущие системы, вероятно, смогут точно идентифицировать не только людей, но и животных, растения, здания, товары, голоса, изображения, деятельность и дизайн.

● Взаимодействие. Успешное понимание естественного языка (NLP) значительно снизит нашу зависимость от клавиатур и дисплеев, открывая простор для окружающего разума. Вместе с тем в большинстве случаев применение NLP в ближайшее время будет связано с конкретными прикладными областями.

● Анализ. Различие между аналитикой больших данных и MИ зачастую определяется степенью, а не характером, поскольку почти каждая крупная организация в настоящее время в какой-то степени анализирует свои данные. Сегодня большим шагом вперед является включение глубинного обучения в инструментарий специалиста по обработке данных.

● Автоматизация. Если 15 применений в первых трех группах часто связаны с использованием алгоритмов и API с открытым исходным кодом, то автоматизация на основе МИ, как правило, представляет собой настраиваемое сочетание восприятия, взаимодействия и анализа. Например, автомобиль с автопилотом должен распознавать окружающую обстановку, взаимодействовать с людьми и объектами, а также анализировать варианты движения в режиме реального времени.

Компаниям необходимо оценить, какая из этих 20 областей наиболее важна для них и где появляются наиболее полезные массивы данных, с учетом того, что обладание лучшими данными в конкретной области может принести существенные конкурентные преимущества.

Несколько лет назад мы проводили первые исследования в области МИ. Они показали, что крупные компании больше пользуются МИ, чем занимаются его совершенствованием. Как показано на рисунке, основные поставщики технологий стремятся включать передовое машинное обучение в свои предложения, что делает МИ обычным делом для клиентов. Например:

● Amazon интегрирует МИ во все аспекты Amazon Web Services (AWS) для автоматизации своих операций. Microsoft и другие компании идут по тому же пути.

● На сегодняшний день Einstein от Salesforce является наиболее ярким примером добавления МИ в популярное приложение, но в будущем большинство приложений будут «умными».

● Facebook добавляет функции распознавания изображений, анализа эмоций и другие возможности в свои основные сервисы.

● Google, Microsoft, Apple, Amazon, Facebook и другие компании по всему миру пытаются помочь компаниям создать интерфейс на привычном для клиентов языке.

Воспользоваться предлагаемыми услугами гораздо проще компаниям, которые применяют облачные вычисления и SaaS-решения (т. е. программное обеспечение как услугу вместо корпоративных локальных систем). Это еще одна причина начать пользоваться облачными технологиями.

Важно отметить, что для превращения в интеллектуальные вертикальные наборы цифровых процессов предлагаемые МИ-сервисы должны дополняться внутренними разработками в таких областях, как системы, ориентированные на рынок, умные товары и связанная с ними аналитика. В конечном итоге клиенты будут судить о вашей компании по этим внешним возможностям.

Мы все еще далеки от создания универсального машинного интеллекта, и многие в этой области задаются вопросом, могут ли сегодняшние восходящие процессы глубинного обучения соответствовать способности человека адаптироваться к неожиданным обстоятельствам. Некоторые утверждают, что нисходящие функциональные возможности представления знаний тоже могут пригодиться. Возможно, они правы.

Но такое ограничение не мешает успеху отдельных разработок в этой сфере. Действительно, глядя на сегодняшний МИ-ландшафт, можно провести параллель с индустрией приложений. Как показано на рисунке, появится широкий спектр приложений глубинного обучения, каждое из которых будет работать со своим набором данных. Такой ход событий придаст новое значение знакомому понятию «на основе данных».

Логично ожидать, что некоторые из таких приложений будут работать по принципу «победитель получает все» в результате сильных сетевых эффектов. Чем больше пользователей будет у приложения, тем лучше оно станет работать. В то же время, как и приложения, другие МИ-рынки могут стать высококонкурентными, поскольку создаются разные наборы данных и тестируются разные алгоритмы. Некоторые даже утверждают, что иногда можно обойтись и без наборов данных и что машинное обучение будет основываться исключительно на моделировании.

Эта многогранная проблематика касается все еще молодых рынков, но можно с уверенностью заявить, что отсутствие универсального МИ не остановит создания новой стоимости.