Текст книги "Человек + машина"

«Умные» склады – это только начало. В настоящее время технологии искусственного интеллекта позволяют сделать гораздо «умнее» всю цепочку поставок, подобно тому как совершенствуются производственные цеха. Разумеется, компании стремятся избежать любых сбоев в работе логистических цепочек, которые могут быть вызваны самыми разными причинами: качество услуг, предоставляемых поставщиком, политическая нестабильность в регионе, забастовки, неблагоприятные погодные условия и т. п. С этой целью компании собирают и анализируют с помощью искусственного интеллекта данные о поставщиках, помогают составить более полное представление о факторах, влияющих на цепочку поставок, предвосхитить сценарии развития событий и т. д. Компании также хотят свести к минимуму и факторы неопределенности, связанные с последующими этапами реализации. В данном случае искусственный интеллект помогает компаниям оптимизировать прогнозирование спроса, точнее планировать его и лучше контролировать остатки на складах. В результате цепочки поставок становятся более гибкими, способными предусмотреть динамику бизнес-среды и адаптироваться к ней.

Рассмотрим всего один этап работы: прогнозирование спроса. Правильное прогнозирование спроса – болевая точка многих компаний, однако благодаря нейронным сетям, алгоритмам машинного обучения и другим системам искусственного интеллекта можно сгладить остроту этой проблемы. Например, один из лидеров по производству здорового питания активно задействовал возможности машинного обучения для анализа колебаний спроса и трендов при продвижении товаров. Анализ позволил построить надежную модель, способную оценить ожидаемые результаты от стимулирования продаж. Благодаря этому удалось на 20 % сократить ошибки прогнозирования и на 30 % уменьшить объем нераспроданной продукции.

К подобным результатам стремится и лидер мирового рынка потребительских товаров Procter & Gamble, СЕО которого недавно заявил о намерении сократить логистические издержки на миллиард долларов в год. Отчасти этому будут способствовать краткосрочные меры: речь идет об использовании технологий искусственного интеллекта и интернета вещей (IoT) для автоматизации складов и распределительных центров. Другие возможности связаны с долгосрочными проектами, в частности с адаптацией автоматизированной доставки под запрос клиента (для более чем семи тысяч единиц продукции). Посмотрим, позволят ли компании P&G эта и другие инициативы экономить миллиард долларов каждый год, но уже можно сказать, что искусственный интеллект сыграет в этом важную роль.

Технологии искусственного интеллекта значительно влияют не только на каналы дистрибуции, производство потребительских товаров и промышленного оборудования, но и играют важную роль в производстве продуктов питания. В сельском хозяйстве исключительно остро стоит вопрос повышения производительности труда. Согласно разным статистическим данным, 795 миллионов человек сегодня недоедают, и с поправкой на демографические показатели в следующие 50 лет придется произвести столько же продуктов, сколько за последние десять тысяч лет. Пресная вода и пахотные земли – это ресурсы, которые исторически было сложно приобретать или поддерживать в пригодном для земледелия состоянии. Точное земледелие – активно применяющее искусственный интеллект и узкие данные по сельскохозяйственным культурам – должно значительно увеличить урожайность, уменьшить расход ресурсов, в частности воды и удобрений, и в целом повысить эффективность аграрного сектора.

С этой целью в точном земледелии используется обширная сеть IoT-датчиков, собирающих подробные данные. Используются также фотографии, сделанные со спутников или дронов (благодаря им можно обнаружить признаки стрессовых реакций растений еще до того, как это станет заметно с земли). В полях применяются экологические датчики (позволяющие, например, отслеживать химический состав почвы). Данные также передаются с датчиков, установленных на сельскохозяйственной технике, кроме них используются данные прогнозов погоды и почвенная база данных.

Чтобы лучше понимать собираемые данные, компания Accenture разработала новое решение – сервис точного земледелия, в котором искусственный интеллект помогает принимать рациональные решения с учетом совокупности задач: борьба с вредителями, внесение удобрений и т. д. Данные, поступающие с IoT-датчиков, обрабатываются с помощью технологии машинного обучения; полученную информацию можно использовать двумя способами. Во-первых, переслать непосредственно фермеру, который решит проблему своими силами. Во-вторых, направлять в систему, которая автоматически применит полученные рекомендации. Благодаря механизму обратной связи, использующему актуальные данные с датчиков и аналитику в режиме реального времени, ферма становится самонастраиваемой. Фермеры также могут быть задействованы в этом процессе, например утверждая рекомендации системы. По мере того как система будет становиться все надежнее, человек сможет уделить время другим задачам, автоматизировать которые не так просто.

Искусственный интеллект позволяет внедрять совершенно новые сельскохозяйственные модели, например «вертикальную ферму», где саженцы можно выращивать в многоэтажных лотках. Высота такой «фермы» может достигать десяти метров, ее можно разместить в городах – например, на территории склада. Подобная ферма уже есть в Ньюарке, штат Нью-Джерси, она принадлежит компании AeroFarms. Здесь постоянно аккумулируются данные о температуре, влажности, содержании диоксида углерода и других показателях, программа на базе машинного обучения анализирует эту информацию в режиме реального времени и создает максимально благоприятные условия для выращивания разных культур (в том числе листовой капусты, рукколы и японской капусты мицуна). По данным компании, в ньюаркском комплексе будет использоваться на 95 % меньше воды и на 50 % меньше удобрений, чем на обычных фермах. А так как растения выращиваются в здании, пестициды им не нужны. По прогнозам AeroFarms, вертикальная ферма в Ньюарке, расположенная всего в 24 километрах от Манхэттена, позволит получать более 900 тонн продукции в год[24]24
  Leanna Garfield, “Inside the World’s Largest Vertical Farm, Where Plants Stack 30 Feet High”, Business Insider, March 15, 2016, http://www.businessinsider.com/inside-aerofarms-the-worlds-largest-vertical-farm-2016-3.


[Закрыть].

Точное земледелие пока не очень распространено, но некоторые связанные с ним технологии – например, анализ спутниковых данных – используются уже много лет. Сегодня все меняется благодаря быстрому распространению интернета вещей, который позволяет своим приложениям получать информацию с датчиков, а затем передавать ее системам машинного обучения. Конечная цель точного земледелия – объединить разрозненные системы таким образом, чтобы они могли вырабатывать рекомендации для фермеров, которые можно применять в режиме реального времени. Как следствие, бизнес-процессы в аграрном секторе будут требовать меньше ресурсов и обеспечат рост урожайности. Согласно прогнозам, рынок услуг точного земледелия к 2020 году вырастет до $4,55 миллиарда[25]25
  “Digital Agriculture: Improving Profitability”, Accenture, https://www.accenture.com/us-en/insight-accenture-digital-agriculture-solutions.


[Закрыть]. Распространение этих технологий принесет пользу всем: земле, фермерам и сотням миллионов людей, нуждающихся в здоровой и доступной пище.

Искусственный интеллект во имя добра. Akshaya Patra

Индийская некоммерческая организация Akshaya Patra формулирует свою миссию так: «Ни один ребенок в Индии не должен лишиться образования из-за голода». Организация комбинирует возможности искусственного интеллекта с блокчейном (технология цифровых децентрализованных распределенных реестров) и технологиями интернета вещей. Для реализации своей миссии она предлагает программу бесплатных обедов, чтобы школьники сохраняли силы и мотивацию учиться. В 2000 году, на самом старте проекта, Akshaya Patra кормила 1500 детей; к 2017 году программа охватывала уже 1,6 миллиона учащихся. В 2016 году сотрудники Akshaya Patra отпраздновали выдачу двухмиллиардного бесплатного обеда. На текущий момент эта некоммерческая организация добилась повышения эффективности работы кухонь, участвующих в программе, на 20 %. Теперь обмен данными в системе ведется только в цифровой форме (тогда как ранее их приходилось вводить вручную), а блокчейн помогает эффективнее организовать аудит, регистрацию участников программы и обработку счетов. Искусственный интеллект применяется для точного прогнозирования спроса, а IoT-датчики отслеживают и упорядочивают процесс приготовления пищи, чтобы минимизировать отходы и поддерживать качество блюд на высоком уровне. Искусственный интеллект в сочетании с этими технологиями поможет Akshaya Patra расширять сферу деятельности – то есть поддерживать силы на учебу еще у большего количества детей[26]26
  “About Us”, Akshaya Patra, https://www.akshayapatra.org/about-us. Дата обращения: 23 октября 2017 года.


[Закрыть].

В этой главе мы расскажем, как искусственный интеллект меняет суть бизнес-процессов. Заводы и целые отрасли экономики сохранят высокий уровень автоматизации по ряду причин, прежде всего в целях безопасности и высокой эффективности. Новые технологии автоматизации приведут к уничтожению ряда профессий, однако для людей останется достаточно вакансий на производстве, если только руководители сумеют пересмотреть свои взгляды на характер труда и не зацикливаться на ликвидации рабочих мест. Изменение мировоззрения является частью такого элемента модели MELDS, как лидерство, подробно описанного во введении. Концепт лидерства требует от руководителей переосмыслить бизнес-процессы и функционал сотрудников, работающих в области «недостающей середины» (о чем мы подробно поговорим во второй части). Спрос на некоторые навыки растет, более того, появляется потребность в совершенно новых навыках. Как будет показано в главе 8, General Electric и ее клиенты всегда будут нуждаться в специалистах по техническому обслуживанию и ремонту, а работа и навыки этих сотрудников должны быть интегрированы с технологиями. Это еще один элемент MELDS – навыки (skills). Специалисты по техническому обслуживанию будут делать именно то, что удается людям лучше всего: адаптироваться к новым ситуациям и находить новаторские решения возникающих проблем. На долю машин останется изнурительный труд, мониторинг и монотонные операции.

Что касается исследователей, инженеров, фермеров и прочего, данные и аналитика, предоставляемые системами искусственного интеллекта, могут послужить им «третьим глазом». Вот почему в MELDS так важен элемент данные (data). Очень сложные производственные системы становятся понятными. Инженеры и руководители могут устранять ранее скрытые неэффективности и уверенно менять те или иные элементы бизнес-процесса. Если честно оценить сильные стороны людей и машин и понять, что им хорошо удается в сотрудничестве, вам откроется новый спектр возможностей ведения бизнеса и разработки бизнес-процессов (это еще один важный элемент MELDS) – надлежащий образ мышления (mindset). Изучив эти возможности, многие компании запускают инновационный бизнес, например вертикальную ферму. Действительно, именно в процессе экспериментирования (experiment) руководители выявляют инновации, меняющие правила игры и потенциально способные преобразить всю компанию, а возможно, и всю отрасль.

В следующей главе мы обсудим, как искусственный интеллект помогает бэк-офису. Именно там остановилась «вторая волна» автоматизации, и «третья волна» искусственного интеллекта покажется долгожданным облегчением для многих, кому приходится работать с неудобными IT-инструментами или неэффективными процессами. Здесь мы также увидим, как искусственный интеллект и человеческое воображение трансформируют, казалось бы, обыденные явления, открывая новые возможности сотрудничества человека и машины.

Краткая история искусственного интеллекта

Технология искусственного интеллекта, драйвер современных адаптивных процессов, развивалась десятилетиями. Краткий экскурс поможет вам составить представление о том, каковы ее возможности в настоящее время.

Официально считается, что искусственный интеллект как научная дисциплина зародился в 1956 году, когда в Дартмутском колледже на первой конференции по искусственному интеллекту собралась небольшая группа исследователей во главе с Джоном Маккарти. В группу также входили Клод Шеннон, Марвин Минский и другие. На конференции обсуждалось, как машинный интеллект способен имитировать мышление человека[27]27
  “Artificial Intelligence and Life in 2030”, Stanford One Hundred Year Study on Artificial Intelligence (AI100), September 2016, https://ai100.stanford.edu/sites/default/files/ai_100_report_0831fnl.pdf.


[Закрыть].

В сущности, вся конференция представляла собой мозговой штурм, участники которого обсуждали предположение о том, можно ли достичь такой точности в описании любого аспекта обучения и творчества, которая позволяла бы перевести его в математическую модель и воспроизвести на компьютере. Планы были наполеоновскими, начиная с анонса мероприятия: «Будет предпринята попытка выяснить, как научить машину использовать язык, формы, абстракции и понятия, решать задачи, якобы посильные лишь людям, и самосовершенствоваться». Разумеется, это было только начало.

Участникам конференции практически сразу удалось определить направление исследований и согласовать многие математические модели, связанные с концепцией искусственного интеллекта, что послужило источником вдохновения на следующие несколько десятилетий. Так, Минский вместе с Сеймуром Пейпертом написали фундаментальную монографию о сфере применения нейронных сетей и их ограничениях, описав работу искусственного интеллекта с помощью модели биологического нейрона. Именно к этой конференции восходят многие разработки, в частности экспертные системы, обработка естественного языка, компьютерное зрение и мобильные роботы.

Одним из участников конференции был Артур Сэмюэл, инженер из компании IBM, разрабатывавший компьютерную программу для игры в шашки. Его программа должна была оценивать текущее расположение шашек на доске и вычислять вероятность победы. В 1959 году Сэмюэл предложил термин «машинное обучение»: это дисциплина, изучающая, как компьютеры могут усваивать информацию, которая в них исходно не была запрограммирована. В 1961 году его самообучающейся программе удалось обыграть четвертого по силе шашиста в США. Однако поскольку Сэмюэл был человеком скромным и саморекламой не занимался, его работы по машинному обучению получили более широкое признание лишь после его ухода из IBM в 1966 году[28]28
  John McCarthy and Ed Feigenbaum, “Arthur Samuel: Pioneer in Machine Learning”, Stanford Infolab, http://infolab.stanford.edu/pub/voy/museum/samuel.html. Дата обращения: 23 октября 2017 года.


[Закрыть].

Десятилетиями машинное обучение оставалось в тени, всеобщее внимание было приковано к другим видам искусственного интеллекта. В 1970–1980-е годы исследователи сосредоточились на концепции интеллекта, основанной на символьных вычислениях и логических правилах. Однако в те годы такие формальные системы не нашли практического применения, и неудачи способствовали приходу «первой зимы» искусственного интеллекта.

Интеграция с методами статистики и теории вероятности в 1990-е годы привела к расцвету машинного обучения. Одновременно широчайшее распространение получили персональные компьютеры. В течение следующего десятилетия цифровые системы, датчики, интернет и мобильные телефоны прочно вошли в нашу жизнь, предоставив в распоряжение специалистов по машинному обучению любые виды информации для «тренировки» адаптивных систем.

Сегодня прикладное машинное обучение понимается как создание моделей на основе множеств данных, которые инженеры и специалисты используют для обучения системы. Машинное обучение принципиально отличается от традиционного программирования. Стандартный алгоритм содержит определенную последовательность операций, жестко заданную программными инструкциями или программным кодом. Система машинного обучения может «учиться» в процессе функционирования. Обработав каждый новый набор данных, она обновляет свое «видение» мира. Сегодня, когда машины могут учиться и корректировать свои действия на основе полученных данных, программист напоминает не столько дрессировщика и ментора, сколько педагога и тренера.

В настоящее время повсеместно применяются системы искусственного интеллекта, работающие на основе машинного обучения. В банках они используются для выявления мошенничества, на сайтах знакомств – для подбора потенциальных партнеров, маркетологи с их помощью прогнозируют реакцию целевой аудитории на рекламу, а на сайтах для хранения и обмена фотографиями машинное обучение применяется для автоматического распознавания лиц. Мы проделали долгий путь со времен той игры в шашки. В 2016 году программа AlphaGo от Google продемонстрировала прогресс машинного обучения: компьютер обыграл чемпиона мира по игре в го, гораздо более сложной, чем шахматы или шашки. Характерно, что некоторые ходы AlphaGo оказались столь неожиданными, что наблюдатели сочли их изобретательными и даже «красивыми»[29]29
  Cade Metz, “How Google’s AI Viewed the Move No Human Could Understand”, Wired, March 14, 2016, https://www.wired.com/2016/03/googles-ai-viewed-move-no-human-understand/.


[Закрыть].

На протяжении десятилетий искусственный интеллект и машинное обучение развивались нелинейно, но их проникновение в продукты и бизнес-процессы за последнее время очевидно указывает на их звездный час. По мнению Дэнни Лэнга, бывшего руководителя отдела по машинному обучению в компании Uber, эта технология наконец-то вырвалась из исследовательских лабораторий и быстро становится «ключевым элементом трансформации бизнеса»[30]30
  Daniel Lange, “Making Uber Smarter with Machine Learning”, презентация на Machine Learning Innovation Summit, Сан-Франциско, 8–9 июня 2016 года.


[Закрыть].