Текст книги "Что делать, когда машины начнут делать все. Как роботы и искусственный интеллект изменят жизнь и работу"

Исходных параметров в новых машинах много, и они весьма разнообразны. Некоторые являются зрелыми системами на базе ERP, в другие будет в реальном времени поступать информация от оснащенных оборудованием предметов – тот самый Ореол кодов с данными об окружающих продуктах, людях и местах, – то есть постоянно информировать свой нервный центр о том, что происходит вокруг. Со временем эти параметры будут изменяться, иногда быстро и радикально. Эти вводные параметры отвечают за создание контекстуализированных, ценных данных. Без новых источников данных строить или подпитывать ваши современные машины будет сложно. За выработку новой информации – кода – будут ответственны сенсоры в вашем мобильном телефоне, одежде, спортивном оборудовании, машинах, дорогах и буквально любых других физических объектах. Связь этих сенсоров с интеллектуальными системами – это и есть зарождающийся «Интернет вещей».

Данные могут казаться невесомой абстракцией (если вам интересно, все электроны Интернета весят, вероятно, как две клубники⁷). Но хотя данные весят так мало, они обладают огромной ценностью, когда применяются в правильном месте и в правильное время. Обширное число данных должно быть собрано, сохранено, защищено, проанализировано и сделано доступными. Именно поэтому нам требуются большие системы баз данных, которые будут стабильными, эластичными и проверенными (какими бы крутыми ни казались новые блестящие приборы). Приобретает популярность новое поколение баз данных (например, Hadoop), однако никуда не делись имеющие клиентскую базу в целом более чем в семьсот сорок тысяч компаний Oracle и SAP. А с ними и другие заслуженные «торговцы оружием» в лице IBM, Microsoft и иных главных предприятий-поставщиков ПО. В цифровой экономике нам по-прежнему будут так же нужны высококачественные учетные системы (как традиционные, так и появляющиеся вновь), как нужны электросети с переменным током.

Как и любая производственная машина, новая машина нуждается в энергии и «трубопроводе». Инфраструктура включает все сетевые соединения, серверы, источники электроэнергии и все прочее, что заставляет машину загудеть. В нынешних системах все элементы управляются, как правило, или непосредственно из IT-департамента, или внешним поставщиком услуг, или – что все более распространено сегодня – облачным провайдером. Обязательно наличие мобильных сетей, как правило, являющихся основным носителем данных. Чтобы обладать должной вычислительной мощностью, все интеллектуальные системы, работают они на серверах Amazon, где-то в Googleplex или в вашем собственном центре обработки данных, нуждаются в высокоэффективном, всегда включенном трубопроводе.

Интеллектуальные системы в действии

«Анатомия» новых машин может показаться чем-то абстрактным, хотя эти части соединены между собой в настоящую новую машину, видимую в реальном мире. Уже многое было сказано о Netflix, но мы хотим сказать о другом. Все мы знакомы с этой платформой потокового мультимедиа, являющейся отличной иллюстрацией того, как компания, применяющая новую машину, новые сырьевые материалы и ориентированные на них бизнес-модели, переворачивает бизнес каждый день и в штатном режиме.

В 2016 году Netflix занимал примерно 35% всего интернет-трафика в Северной Америке и имел весьма оживленные ТВ-сети⁸. Если попытаться разобрать Netflix на косточки, мы увидим анатомию новой машины в действии (см. табл. 4.2).

Таблица 4.2. Анатомия интеллектуальной системы Netflix

Что такое «хорошо»? Атрибуты успешной интеллектуальной системы

Есть большая разница между тем, чтобы иметь все необходимые ингредиенты новой машины, и действительно получить их, для работы на высоком уровне. Интеллектуальная система, которая поможет вам стать Хусейном Болтом в любой гонке, из тех, где участвуете, будет иметь все или большинство из этих характеристик.

• Умная, а не глупая. Эффективные новые машины становятся лучше, более мощными и ценными, по мере роста. Единственный правильный тест для хорошего ИИ – с поступлением новых данных завтра он становится умнее, чем был сегодня. В любом случае, лучшие интеллектуальные системы высасывают информацию из широкого круга источников, что позволяет достичь массы данных, требуемой для получения инсайтов и создания персонифицированного восприятия. Сегодняшние мастера цифровых данных говорят однозначно: «Все дело в данных».

• Открытые, а не закрытые. Интеллектуальные системы, способные полностью раскрывать свой потенциал, как правило, больше открытые, чем закрытые. Подумайте о Tesla, раздающей свои патенты, и Uber с открытыми API: обе эти политики помогли сгенерировать новые решения, построенные на винтиках и шестеренках искусственного интеллекта компаний. Один из ярких примеров конкурентной борьбы разворачивается сегодня между Amazon и Walmart.com. Если использовать систему анатомии, приведенную в этой главе, обе компании выглядят похоже. И покупательский опыт, получаемый через приложения, одинаковый, плюс-минус 10%. Однако если смотреть через призму API, то компании не могли бы выглядеть более разными. У Amazon – массив из более чем 325 API, что открывает его платформу другим. У Walmart, Target, Macy’s и Sears на сентябрь 2015 года их три или меньше²¹. Открытость обязательна для цифрового успеха, поскольку полностью оформленная, наполненная содержанием экосистема будет более мощной, чем среда с замкнутым развитием.

• Умные руки, не только боты. Самые успешные узкие ИИ включают участие людей. Одна из самых распространенных ошибок, которую мы наблюдали в поездках, состоит в том, что компании пытаются полностью избавиться от человеческого фактора²². Есть множество вещей, которые машина не может делать так же хорошо, как можем мы (по крайней мере, в те временные рамки, когда надо принимать значимые бизнес-решения). Меняющие правила игры интеллектуальные системы создаются ради интеграции ИИ с человеком, где объединяется лучшее из того, что может компьютер и умеют люди (больше о «расширении» ИИ в главе 9). Некоторые из инструментов, такие как робот в роли отельного консьержа, пытающийся подражать тому, что так хорошо делает человек, – верный способ потерять время и деньги.

• Узкий, не широкий. Попытка создать магический черный ящик, что решит все ваши проблемы, которые хотели бы адресовать искусственному интеллекту, кажется заманчивой, но ее невероятно трудно осуществить. Даже сложные платформы, вроде Watson от IBM или Predix от GE, имеют серьезную коммерческую ценность только тогда, когда сконфигурированы под конкретный процесс или клиентский опыт²³. Фокус на «моменте» или простом действии – важный индикатор того, что интеллектуальная система может дать значительный ожидаемый эффект.

• Один для одного, не один многим. Если вы когда-то работали с PeopleSoft или SAP, сразу понимали, что пользовательский опыт не был создан лично для вас. Он был разработан для как можно большего числа людей. Со времен перфорированных карт это было частью архитектуры практически любой коммерческой программной системы. А при том, что большинство существующих коммерческих систем, в целом, разрабатывались не для того, чтобы дать нам индивидуальные впечатления, интеллектуальные системы определенно таковы. Например, Alexa конфигурирует себя под ваше поведение. Amazon обращает свои предложения к вашей виртуальной сущности. Олдскульное программное обеспечение требует, чтобы подстраивались под него, машина нового времени подстраивается под вас.

• На заказ, не готовое. Было бы здорово зайти в магазин iTunes, предлагающий различные интеллектуальные системы, и выбрать решения именно для своей организации, однако такой возможности пока не существует. Со временем ИИ станет «полноценным» продуктом, и уже сейчас есть много решений с машинным обучением, доступ к которым осуществляется по принципу «доступа к услуге», но не думайте, что в ближайшем будущем ваша организация сможет просто купить полный комплект ПО, который немедленно перенесет вас в пучину эры новой машины. Новые интеллектуальные системы возникают каждый день, так что все быстро меняется. Это и есть самая большая область для инноваций практически в каждой отрасли. Вам повезло, если ищете платформу, предназначенную для обработки заявок, финансовых и бухгалтерских процессов или получения специального образования, потому что подобные мощные системы уже существуют. Однако во многих, если не в большинстве, случаях продуктов еще не существует. Внимательно присматривайтесь ко всем новым решениям, имеющим значение для вашего бизнеса, но сегодня многие системы надо создавать или собирать из существующих компонентов.

Три ключевых навыка для построения интеллектуальных систем

Начавшись с истории глубокого анализа данных LexisNexis®, LexisNexis Risk Solutions помогает клиентам оценивать, предсказывать и управлять рисками во множестве отраслей (в том числе страхование, банковский сектор, розничная торговля, здравоохранение, коммуникации и бюджетный сектор).

За стратегию платформы и разработку нового продукта отвечают д-р Флавио Вилланустре (Flavio Villanustre), вице-президент по технологической инфраструктуре и разработке продукта, и Дэвид Гловацки (David Glowacki), вице-президент по инженерному проектированию продукта. Они участвуют в ряде проектов, задействующих большие данные, аналитику и машинное обучение, отвечают за команды, строят и запускают машины, которые начинают уметь (почти) все.

Они создали не одну, а множество интеллектуальных систем, которые помогают клиентам в управлении разногласиями, выявлении мошенничества, отслеживании результатов лечения, рисков и других основных бизнес-процессов. В работе они пришли к определенным умозаключениям, которые можно применить к вашему бизнесу.

Данные без интеллектуальной системы – просто белый шум. Многие компании, с которыми мы работали, все еще не могли разобраться с новыми сырьевыми материалами. Лидеры закопались не только под своими данными, но и под многочисленными инструментами – API-библиотеки, онлайн-программы межмашинного обучения, решения на основе облаков, автоматизированные системы и так далее. Хотя иметь так много инструментов и широко доступных возможностей – это хорошо, но такое количество опций может оказаться и ошеломляющим, может подавлять.

Интеллектуальные системы, как та, что построил LexisNexis, оживают, когда присоединяют данные к признанным и значительным результатам. Как заметил Вилланустре: «Цель – взять неразрешимую задачу, что-то, с чем будет бесконечно трудно разобраться человеку, и сократить ее до набора блоков данных, чтобы представить исследователю или аналитику из ФБР и получить из этого достаточно информации, в которую можно погрузиться и дать начало расследованию, если эксперты сочтут, что оно того стоит».

Вилланустре продолжает: «Лидеры добиваются лучшей реализации: какие бы данные они ни собирали – через экономические операции и другие сведения, полученные в процессе ведения бизнеса, – все данные имеют какую-либо ценность. Добавив блок данных к другому блоку данных, вы потенциально способны совершить что-то совершенно новое».

Не считайте, что должны сделать все это сами. Как мы уже говорили, сегодня многие решения на основе искусственного интеллекта просто не доступны в «готовом» виде. Именно здесь вступают такие компании, как LexisNexis и другие. «Мы твердо уверены, что будущее за инструментами, дающими возможности, – говорит Вилланустре. – Иметь возможность взять все наличные ресурсы и представить их в осмысленном виде пользователю, который, возможно, обладает глубокими познаниями в конкретной области, но не обладает какими-то техническими знаниями, значит, расширить число людей, которые могут по-настоящему «рыть землю» и извлекать пользу из имеющихся у нас ресурсов».

Рекомендации для руководителей заключаются в том, чтобы сосредоточиться на конкретных процессах и опыте, который вы хотите воплотить в интеллектуальной системе. Если вы определили процесс или опыт, к которому хотели бы применить новую машину, выясните, существует ли готовое решение у партнеров (как LexisNexis). И хотя может быть правильным купить часть сервисов у общего провайдера платформ (например, Google, Amazon Web Services, Palantir, Microsoft и др.), будьте готовы к серьезной работе по конфигурации, чтобы сделать технологию полностью подходящей под требования вашего бизнеса.

Если ваша интеллектуальная система хороша, вам не понадобятся десять тысяч специалистов по обработке данных. Если системы оснащены измерительными приборами, вы получаете поток данных. Общий рефлекс компаний – нанять кучу специалистов по обработке данных, чтобы разбирались в информации. Изначально это может быть правильным порывом, но со временем справляться все равно будет трудно.

Гловацки и его команда ясно осознают, что бремя разгребания информации должно перейти от людей к платформе: «Со временем простое получение доступа к горе информации уже не поможет». Именно здесь интеллектуальные системы имеют решающее значение, поскольку действительное «создание смыслов» может и должно быть прописано в ИИ.

Как заметил Вилланустре: «Почему сегодня так трудно найти специалиста по обработке данных? Потому что вы как будто пытаетесь найти единорога. Вы пытаетесь найти кого-то с хорошими программными навыками, обладающего системными, глубокими познаниями в математике, в физике, а также инженерным и аналитическим умом, чтобы решать проблемы и создавать программы. Этот специалист также должен быть экспертом в конкретной области, понимать, к чему идет, и разбираться в данных. Мы говорим о ком-то, кого не существует… Единственный, кого вы не можете заменить, это эксперт в данной области. Все остальное может быть сделано машиной».

От ничего к ценности

При более детальном взгляде на интеллектуальные системы возникает много глубоких, стратегических, даже экзистенциальных вопросов. Что есть универсальный магазин в эпоху Amazon? Что есть отель во времена Airbnb? Что такое автомобильная страховка в эпоху беспилотных автомобилей?

При том, насколько серьезны эти вопросы, заманчивой кажется мысль о том, что то, что мы зовем главным трендом, на самом деле – лишь кратковременное поветрие или последняя теория в консалтинге. Мы слышим это постоянно: «Может быть, это проблема завтрашнего дня? Может быть, надо подождать, пока законодательство или разрушительная сила каких-то происшествий изменит нашу отрасль».

Мы не согласны. Каждый проходящий день дает все больше свидетельств и усиливает убежденность в том, что новые машины, которые мы рассмотрели в этой главе, служат двигателем Четвертой индустриальной революции. Мы уже преодолели теоретическую фазу. Люди и компании, понимающие преимущество первых, – не все гении или легендарные предприниматели. Они такие же люди, как вы, использующие новые технологии для решения своих главных проблем.

Помните, построить собственную новую машину становится все легче, даже несмотря на то, что в какие-то моменты потребуется некоторое стороннее участие. Все чаще вы можете достать кредитную карту и получить доступ к коду машинного обучения, инфраструктуре или базам данных. Облачная платформа Google дает немедленный доступ к нейронным сетям платформ машинного обучения²⁴. Машинное обучение Amazon предоставляет доступ к платформам прогнозной аналитики, обеспечивающим рекомендациями платежеспособных лиц и предприятия²⁵. Всего несколько лет назад это стоило бы компаниям миллионы и занимало бы месяцы.

Все сегодняшние создатели новых машин говорят одно и то же: поместить узкий ИИ в сердце интеллектуальной системы – это не теоретическое упражнение, это возможно, и это происходит сегодня. И настоящим турбонаддувом этого взрыва активности служит то, что топливо для новых машин находится вокруг нас, если вы сможете его увидеть, собрать и использовать, что и является темой следующей главы.

Глава 5
Ваш новый сырьевой материал: Данные лучше, чем нефть

Катализатором каждой индустриальной революции служили сырьевые материалы: уголь, сталь, нефть, электричество. В этот раз главное сырье – это данные.

В этой революции побеждающие организации точно знают, как двигатель Е17BBI работает во время перелета V26 из Нью-Йорка в Лондон. Они знают, как предполагаемый рост процентной ставки в 0,5% в Новой Зеландии повлияет на выпущенные правительством штата Калифорния облигации с нулевым купонным доходом еще до их выпуска. Они знают, как их ребенок отвечает на сегодняшнем уроке по дифференциальному исчислению. Как же они это знают? Потому что имеют данные.

Как и нефть, данные надо «добыть», «очистить» и «распространить». Но в отличие от нефти, данные – это многогранный, любопытный продукт. Потенциально этот источник неисчерпаем – непрозрачный, недолговечный, подчас непостижимый. Они могут многократно вырасти в размерах и ценности, но могут и обесцениться и даже стать обузой, если рассмотреть их с неправильного ракурса или неправильно распорядиться. Нынешние лидеры должны понимать, как распорядиться этим продуктом, доступным всем и каждому, и превратить в конкурентное преимущество. В конце концов, поставить себе на службу новую машину без обширных данных подобно тому, чтобы владеть флотом из грузовых тягачей с прицепами, не имея доступа к бензину.

Данные, о которых мы говорим, уже сейчас находятся у вас под носом, они готовы к извлечению из ваших повседневных бизнес-операций. Например, на примере с рейсом V26, типичный Airbus A350 оснащен примерно шестью тысячами сенсоров по всему самолету, которые генерируют 2,5 терабайта информации в день¹ (и да, это правда, что слово «тера» происходит от греческого «монстр»).

Так насколько велики эти монструозные данные? Давайте скажем так: все сочинения Шекспира в виде базовых текстов, сохраненных на вашем компьютере, заняли бы примерно пять мегабайт². При том что гигабайт – это 1024 мегабайта, а терабайт – это 1024 гигабайта, то это значит, что средний А350 производит эквивалент пятисот двадцати четырех тысяч трудов Барда Эйвона каждый день. Вы, наверное, думаете: «Что Airbus и его пассажирам делать со всеми этими данными? Не слишком ли много шума из ничего?» (Простите, это было слишком прямолинейно.) Иногда так и есть. Многие организации часто не знают, что делать со всеми этими данными. Иногда это просто статистика, иногда превращается в чье-то обязательство, повинность. Однако в следующее десятилетие прорыв совершат компании, которые станут мастерами в последовательном превращении этих избыточных данных в имеющие практическую ценность, и собственно в инсайты.

Превращение данных из обязательств в статью дохода

В последние годы фраза «данные – это новая нефть» превратились во что-то вроде клише. Но как многие клише, фраза выражает правду. Давайте разберем, что на самом деле это значит.

Представьте себя в городе где-то в Великобритании 1850-х годов – в мире, превосходно описанном Чарльзом Диккенсом. Вторая индустриальная революция находилась в самом разгаре реализации, и многое из происходившего было малосимпатичным. Это время до появления законов о детском труде. Здания покрыты сажей. Улицы заполнены лошадьми и продуктами деятельности сотен тысяч лошадиных кишечников. Во многих странах происходят политические волнения (если не сказать хуже). И хотя вы, милорд, находились на верхушке экономической цепи питания, жизнь порой бывала очень жесткой и сложной.

Уголь и пар все еще питали экономику. Нефть использовалась для освещения, гидроизоляции и других случайных целей. Люди знали о нефти и находили ей применение, но никто не видел в ней топливо для полноценной Третьей индустриальной революции. В те времена нефть просачивалась через землю либо ее находили взрывники, пришедшие за углем. Нефть все еще воспринималась как проблема: коричневая, липкая «жижа», мешающая добывать уголь.

В 1847 году шотландский химик по имени Джеймс Янг (James Young) переосмыслил восприятие нефти. Наткнувшись на природное просачивание нефти на шахте в Дербишире, он применил дистилляционный процесс, чтобы превратить «жижу» во что-то совершенно другое и более полезное – очищенную нефть. В последовавшие за этим десятилетия появлялось все больше и больше идей того, как использовать возникший новый продукт, были посеяны семена невероятного бума нефтяной индустрии, а также всех смежных отраслей, пришедших за ней в следующие сто лет.

Сегодня многие из сотен принимающих решения сотрудников, с которыми мы работаем, с трудом проходят тот же этап переосмысления данных. Мы еще только надеемся наткнуться на того, кто скажет: «Мы полностью контролируем наши данные, полностью осознаем их ценность и жаждем большего. Давайте данные нам!» Пока же, напротив, слышим жалобу за жалобой по поводу цены, сложности и нереализованной ценности, которая зарыта в трясине структурированных и неструктурированных данных. Если спросить почти любого бизнес-лидера крупного индустриального предприятия, он скажет, что видит в своих данных скорее жижу, чем нефть.

Эти чувства хорошо выразил известный технологический и бизнес-консультант Джеффри Мур (Geoffrey Moore) (автор «Crossing the Chasm» и многих других очень важных книг), заявивший, что «[данные] это обязательства до того, как они стали статьей дохода»³.

Однако управленческие команды сегодняшних бизнес-лидеров, напротив, настроены на «данные вперед», сосредоточены не на продукте или процессе, а на своих новых сырьевых материалах. Их данные – не «жижа», это жизненные соки новой машины, топливо, движущее вперед. И обращаясь к нашей метафоре, как сырьевой материал данные превосходят нефть по нескольким параметрам, как показано в таблице 5.1.

Таблица 5.1. Свойства нефти и данных