Текст книги "Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности"

Что вас ждет в этой книге

Цель этой главы состояла в том, чтобы познакомить вас с когнитивными технологиями и описать контекст их использования крупными организациями и поставщиками технологий. Хотя активнее всего когнитивные технологии используются именно компаниями-поставщиками, у которых можно многому научиться, не стоит забывать, что они работают, чтобы открыть возможности для предприятий-пользователей. Именно об этом и рассказывается в настоящей книге. На мой взгляд, вопросы внедрения интеллектуальных машин в их продукты, услуги, стратегии, культуры и модели поведения – наиболее интересные проблемы ИИ. В главе 2 рассматриваются некоторые возможности и сложности внедрения ИИ на предприятиях.

В главе 3 я подробнее опишу, какие технологии применяют компании, как именно они их используют, какую выгоду получают, а также какие возможности ИИ пытаются развить.

В главе 4 перечислю плюсы стратегии внедрения когнитивных технологий. Трудно гарантировать, что ваши инвестиции и исследования принесут плоды, если вы не разработаете подобную стратегию или хотя бы не ответите на некоторые стратегические вопросы. Я немного расскажу о процессе разработки стратегии, а затем подробно опишу все аспекты, которые она должна учесть.

В главах 5–7 рассматривается несколько новых типов организаций, которые эффективно используют когнитивные технологии. В главе 5 обсуждается, как могут измениться организационные структуры и бизнес-процессы при использовании когнитивных технологий для автоматизации и управления знаниями при решении ключевых задач. Глава 6 посвящена новым ролям и навыкам, которые потребуются работникам когнитивных компаний. В главе 7 описывается, каким образом необходимо изменить технологии и данные, чтобы организация смогла добиться успеха. Многие уроки из этих трех глав могут пригодиться не только тем, кто использует когнитивные технологии, но и тем, кто их создает.

В главе 8 рассматриваются вопросы, связанные с организационными и социальными переменами, вызванными ИИ. В ней обсуждаются некоторые этические аспекты использования когнитивных технологий, в первую очередь затрагивающие давно существующие компании. Кроме того, в главе описывается, как будет выглядеть и действовать когнитивная компания будущего.

В этой книге я попытался свести к минимуму ажиотаж вокруг ИИ (в мире его и так достаточно) и сосредоточиться на том, что на самом деле происходит с ИИ в организациях. Если вы хотите услышать дифирамбы ИИ, который изменит завтрашний мир, возможно, эта книга не для вас. Если же вы предпочитаете честный и прямой взгляд на то, как эта мощная технология повлияет на бизнес в краткосрочной и долгосрочной перспективе, читайте дальше.

2
ИИ на предприятии

Учитывая ажиотаж, который раздувают вокруг ИИ пресса и поставщики технологий, вы, возможно, опасаетесь, что пузырь ИИ лопнет, прежде чем большинство организаций хотя бы начнет с ним работать. Именно так произошло на прошлой волне интереса к ИИ, но я полагаю, что наступление очередной «зимы» ИИ относительно маловероятно. Продукты поставщиков технологий приходят и уходят, но теперь многие уважаемые компании-пользователи занимаются разработкой масштабных проектов в когнитивном пространстве. Те же, кто понимает когнитивные технологии и их ценность для бизнеса, позитивно смотрят в будущее, если не сказать большего.

Вот несколько выводов, сделанных на основании уже упоминавшегося опроса об осведомленности о когнитивных технологиях, проведенного Deloitte в 2017 г., и показывающих, как оптимистично руководители оценивают потенциал этих технологий в своем бизнесе:

● 88 % опрошенных назвали когнитивные технологии «важными» или «очень важными» для разработки продуктов и услуг;

● 93 % опрошенных назвали их важными или очень важными для внутренних бизнес-процессов;

● 76 % опрошенных уверены, что когнитивные технологии «существенно преобразят» их компании в течение следующих трех лет;

● 57 % опрошенных сказали, что их отрасли тоже преобразятся в этот период;

● никто из опрошенных не посчитал, что когнитивные технологии не окажут существенного воздействия на их компании или отрасль.

Судя по этим цифрам, когнитивные технологии вряд ли провалятся. В опросе мы также обнаружили, что наиболее позитивно когнитивные технологии оценивали те, кто имел наибольший опыт работы с ними. В этой книге я опишу несколько других опросов, проводившихся поставщиками технологий и консалтинговыми компаниями, но ни один из них не демонстрирует оптимизм руководителей крупных предприятий нагляднее.

Само собой, не каждая организация и не каждый руководитель работает с этими технологиями. Многие знакомы с ними лишь поверхностно. Чтобы найти 250 управленцев из крупных организаций для опроса Deloitte, нам пришлось связаться с 1507 управленцами. Некоторые из них были исключены из выборки по причинам, не связанным с неосведомленностью об ИИ, но 56 % кандидатов выбыли именно потому, что не располагали достаточными знаниями о технологиях, а их компании не были их активными пользователями.

Подобным образом из 3073 участников проведенного в 2017 г. опроса McKinsey только 20 % сказали, что применяют одну или несколько технологий ИИ в определенной сфере деятельности своей компании или что такая технология лежит в основе их бизнеса[24]24
  Jacques Bughin et al., «Artificial Intelligence: The Next Digital Frontier?» McKinsey Global Institute, June 2017, https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-artificial-intelligence-can-deliver-real-value-to-companies.


[Закрыть]. Конечно, другие экспериментировали с технологиями ИИ, но еще не уделяли им серьезного внимания. Почти каждый опрос демонстрирует наличие большого энтузиазма относительно ИИ, но показывает, что его широкое применение в организациях только начинается. Однако некоторые дальновидные компании играют лидирующую роль.

Обоснование необходимости применения когнитивных технологий в бизнесе

Почему руководители и сотрудники предприятий должны изучать когнитивные технологии и применять их на практике? Некоторые экономисты утверждают, что новейшие технологии не оказывают такого влияния, как более старые, например поезда, автомобили и электричество, и это кажется правдой. Но технологии, которые могут мыслить и действовать в достаточной степени автономно, сулят значительное повышение производительности. В последнее десятилетие в США, Европе и других развитых странах не наблюдалось существенного роста производительности труда. В США темпы роста производительности труда не достигали 3 % с середины 1970-х гг., а на протяжении последних десяти лет среднегодовые темпы роста составляли 1,2 %. В последние два года темп роста снизился вдвое и стал совсем удручающим, а в Европе показатель и того ниже – в последнее время он не превышает 0,5 %.

Само собой, повышение производительности труда означает, что тот же объем работ может выполнять меньшее количество работников. Многие опасаются, что рост производительности труда в результате использования когнитивных инструментов приведет к тому, что многие потеряют работу. С другой стороны, когнитивные технологии могут противодействовать негативному воздействию старения рабочей силы и сокращению доли работающего населения. Я подробнее рассмотрю эти вопросы в главе 8. Но пока кажется, что воздействие когнитивных технологий на рабочую силу будет незначительным и медленным. А производительность труда должна расти, чтобы росла экономика и повышался уровень жизни.

Когнитивные технологии нацелены на интеллектуальный труд, процессы которого особенно важны и проблематичны с точки зрения производительности. Еще в 1959 г. (предложив термин «работник интеллектуального труда») Питер Друкер утверждал, что производительность интеллектуального труда – ключ к экономическому успеху в XXI в. Друкер также отметил, что отрасли с наивысшей долей работников интеллектуального труда – здравоохранение, образование и профессиональные услуги – демонстрируют худший рост производительности. Если бы некоторые из задач могли выполнять умные машины (и теперь им это под силу), разве это не пошло бы всем нам или большинству из нас на пользу?

Меня давно интересует вопрос производительности интеллектуального труда в организациях – в 2005 г. я написал об этом книгу «Как зарабатывать с помощью мышления» (Thinking for a Living). До недавнего времени помочь с интеллектуальными задачами могло лишь сравнительно небольшое количество умных машин. Но при этом они могут существенно преобразить многие профессии и процессы.

Когнитивное преимущество в здравоохранении

Возьмем, к примеру, процесс медицинской диагностики и лечения. Как я указывал в главе 1, компания IBM несколько лет работала над тем, чтобы использовать Watson для диагностики рака и рекомендации методов лечения. Пока Watson не добился окончательного успеха в этом, но IBM и лидирующие медицинские центры, использующие Watson, движутся к этой важной цели. Основное внимание при этом уделяется обучению на основании огромного количества опубликованных медицинских и научных исследований – каждый год появляется около 2,5 млн новых исследовательских статей. Обучение на их основе может привести к повышению показателей излечения, а также обеспечить более свободный доступ к лучшим врачебным практикам даже в отдаленных районах. Это одна из причин, по которой Мемориальный онкологический центр имени Слоуна – Кеттеринга решил работать с Watson – так весь мир мог получить доступ к знаниям и опыту лучших онкологов больницы.

Значительно улучшить диагностику заболеваний также можно с помощью медицинской визуализации. Множество исследований показывает, что компьютерная диагностика с использованием МРТ, КТ или ультразвука уже работает не хуже многих радиологов. Но пока это не привело к снижению расходов на визуализацию, которые в настоящее время составляют около 10 % всех расходов на здравоохранение в США[25]25
  Whitney L. Jackson, «Imaging Utilization Trends and Reimbursement,» Diagnostic Imaging website, July 21, 2014, http://www.diagnosticimaging.com/reimbursement/imaging-utilization-trends-and-reimbursement.


[Закрыть]. Еще более высокая точность диагностики, которая вполне достижима при распознавании изображений на базе глубокого обучения, может привести к более широкому распространению компьютерной диагностики в сфере визуализации. Крупные поставщики технологий вроде IBM, некоторые стартапы, крупные производители аппаратов визуализации вроде GE и академические медицинские центры усердно работают над улучшением диагностики на базе визуализации. Прежде чем эти технологии сумеют оказать существенное влияние, потребуется приложить немало сил для разработки стандартов их использования в лечебной работе, но перспективы есть.

Когнитивные технологии также могут поспособствовать удешевлению отпускаемых по рецепту лекарств и сократить время их вывода на рынок. Фармацевтическая компания тратит около 12 лет на исследования, разработку, тестирование и запуск продукта. Несколько компаний, включая Pfizer, Novartis и Celgene, работают с IBM Watson, чтобы быстрее выявлять и выводить на рынок новые лекарства. До сих пор непонятно, выйдет ли из этого толк.

Такие компании, как Pfizer, также используют машинное обучение для анализа данных пациентов и врачей, чтобы понять, какие подходы к лечению лучше всего для пациентов. Компания построила модель, которая использовала анонимизированные данные о назначениях врачей за продолжительный период времени. После того как тысячи переменных были изучены при помощи машинного обучения, анализ показал, что врачи, которые оптимально титровали (то есть определяли наиболее эффективную дозировку) один из препаратов компании Pfizer, добивались лучших результатов при лечении своих пациентов. Этими наблюдениями поделились с отделом продаж, чтобы обеспечить ведение более пациент-ориентированных и оптимизированных разговоров в офисе, а также их встроили в цифровые каналы общения, чтобы доводить значимую информацию до пациентов. Данные обновляются каждые полгода, благодаря чему обеспечивается их актуальность и принимаются взвешенные решения о выделении ресурсов.

Сколько отраслей, столько и функций

Конечно же, когнитивные технологии могут преобразить ключевые виды деятельности многих других отраслей, помимо здравоохранения. Некоторые из них уже подверглись трансформации. Например, можно существенно повысить точность маркетинга и продаж: сотрудники отделов продаж могут звонить только тем клиентам, которые наверняка совершат покупку. Технологии машинного обучения могут анализировать и постоянно обновлять модели «предрасположенности к покупке», которые предсказывают, какие клиенты с наибольшей вероятностью приобретут конкретные продукты и услуги. Компании вроде Cisco Systems и IBM уже создают десятки тысяч моделей такого типа, применяя технологии машинного обучения. Cisco, к примеру, перешла от создания десятков «кустарных», разрабатываемых людьми моделей предрасположенности к автономной генерации около 60 000 моделей. Небольшая группа аналитиков и специалистов по обработке данных ежеквартально генерирует эти модели с использованием технологий машинного обучения в рамках программы Global Customer Insights. В этих моделях учитывается каждый потенциальный покупатель (а их больше сотни миллионов) каждого продукта Cisco в каждой стране, что и объясняет необходимость такого большого количества моделей. Отделы продаж и маркетинга Cisco используют модели, чтобы решить, какие продукты каким клиентам предлагать[26]26
  Данные Cisco – из интервью с руководителями компании и статьи: Alex Woodie, «Inside Cisco's Machine Learning Model Factory,» Datanami website, January 12, 2015, https://www.datanami.com/2015/01/12/inside-ciscos-machine-learning-model-factory/.


[Закрыть]. Они так сильно опираются на эти модели, что Cisco пришлось внедрить более мощные информационные технологии для генерации моделей в начале каждого квартала, чтобы специалисты отдела продаж могли ими воспользоваться.

В цифровом маркетинге машинное обучение уже используется для таргетирования рекламы, ориентированной на конкретных издателей и индивидуальных потребителей. С этой целью создаются тысячи моделей в неделю. Интерпретировать такое множество сложных моделей часто нелегко, но ставки не настолько высоки (несколько центов за каждое размещение рекламы), чтобы причина, по которой конкретная реклама помещается на конкретный сайт, имела большое значение.

Другие компании работают над маркетинговым использованием технологий машинного обучения для повышения вовлеченности клиентов. Например, Macy's сотрудничает с IBM Watson и Cognitive Scale (поставщиком технологий ИИ из Остина), чтобы улучшить персонализацию и вовлеченность на своем сайте и в мобильном приложении. Технология Cognitive Scale с помощью игры формирует профиль одежды, которая нравится конкретному покупателю. Технология Watson, называемая Macy's OnCall, отвечает на вопросы покупателей в мобильном приложении естественным языком и направляет покупателей в нужные отделы в офлайн-магазинах. Использованный на сайте Macys.com разговорный агент может отвечать на простые текстовые вопросы вроде «Где мой заказ?» и «Как вернуть этот товар?» и уже обрабатывает более 25 % обращений покупателей на сайте, а при необходимости привлекает к общению с покупателем человека. Macy's изучает подобные технологии для использования в своем кол-центре[27]27
  Информация о Macy's – из интервью с руководителями компании и статьи: «Macy's Uses AI-Driven Virtual Agent to Transform Online and Mobile Customer Service,» Microsoft website, September 25, 2017, https://customers.microsoft.com/en-us/story/macys-retail-microsoft-ai.


[Закрыть].

В сотрудничестве со стартапом ModeAl компания Levi's использует распознавание изображений на базе машинного обучения и глубокого обучения, чтобы поддерживать работу виртуального стилиста, который должен сделать онлайн-шопинг таким же интересным, как и посещение настоящего магазина. Диалоговый интерфейс приложения сочетается с визуальной составляющей, которая помогает клиенту подобрать размер джинсов и других продуктов Levi's. Система также анализирует данные из интернета и социальных сетей, чтобы показать клиентам, как одежду Levi's носят по всему миру.

В сфере обслуживания клиентов на вопросы покупателей все чаще отвечают приложения обработки естественного языка, создаваемые такими компаниями, как IBM (Watson Virtual Agent) и IPsoft (Amelia). Они дают точные ответы в любое время дня, без необходимости ждать. Например, один крупный американский банк каждый год принимает два миллиарда звонков в свои кол-центры и хочет, чтобы Amelia отвечала хотя бы на относительно простые вопросы клиентов – сообщала им остаток по карте и делала переводы.

Организации используют те же самые технологии для взаимодействия с сотрудниками. Хотите спросить в отделе кадров, каковы условия вашей медицинской страховки или сколько у вас осталось дней отпуска? Нужно переустановить пароль или сообщить о неисправности принтера в ИТ-отдел? Вполне вероятно, что вскоре подобные вопросы будут задаваться не человеку, а умной машине. Такие компании, как ServiceNow, которая уже решает многие подобные вопросы при помощи автоматизированной технологии, внедряют в свои продукты технологии машинного обучения, чтобы сделать их более интеллектуальными. Многим сотрудникам не нравится снова и снова отвечать на одни и те же вопросы, так что вполне вероятно, что они не откажутся потерять эту функцию.

Компании используют когнитивные технологии и в цепочке поставок. Например, традиционные технологии оптимизации, которые помогали оценивать количество запасов и избегать дефицита, заменяются системами машинного обучения, осуществляющими постоянный мониторинг продаж, погоды и реакции на маркетинговые акции с целью корректировки цепочек поставок. Такие компании, как UPS, заменяют фиксированные ежедневные маршруты динамическими, которые в реальном времени корректируются с учетом погоды и загруженности дорог – и для этого тоже используются технологии машинного обучения. Только когнитивные технологии в состоянии обрабатывать все необходимые данные. Наступит день, когда поставки будут осуществляться беспилотными грузовиками, что также приведет к перестройке цепочек поставок.

Наконец, когнитивные технологии идут на пользу и компаниям-производителям. Само собой, некоторые из них внедряют когнитивные технологии в свои продукты. Как я покажу в главе 4, совершенствование продуктов с помощью когнитивных технологий входит в задачу большого количества компаний. Транспортные средства, телекоммуникационные и вычислительные устройства, промышленное оборудование, бытовая техника – все эти продукты рано или поздно смогут стать платформами для технологий ИИ. Некоторые из них уже стали такими платформами, хотя размах используемых в них технологий пока не поражает. Конечно же, производители легковых и грузовых автомобилей стараются как можно скорее сделать свои транспортные средства более автономными. В отсутствие когнитивных технологий об этом оставалось бы только мечтать.

Но когнитивные технологии используются и для перестройки различных аспектов самого процесса производства. Роботы неизменно становятся более контактными и работают с большей гибкостью. Они все чаще обладают интеллектом, который могут обеспечить только когнитивные системы. Когда они начнут общаться друг с другом и учиться друг у друга, уровень их интеллекта будет расти как на дрожжах (глава Исследовательского института Toyota Гилл Пратт в своей авторитетной статье назвал это «кембрийским взрывом» интеллекта роботов)[28]28
  Gill Pratt, «Is a Cambrian Explosion Coming for Robotics?» Journal of Economic Perspectives 29 (3) (2015): 51–60, https://www.aeaweb.org/articles?id=10.1257/jep.29.3.51.


[Закрыть].

Кроме того, когнитивные технологии используются, чтобы сделать промышленное оборудование более производительным и надежным. Над этим работает целый ряд компаний, но больше всего усилий прилагает GE. Все данные с датчиков, установленных на произведенных GE реактивных и газотурбинных двигателях, ветряных турбинах, сканерах МРТ и КТ и других аппаратах, записываются и хранятся в виртуальном макете. Эта цифровая модель может обнаруживать неполадки и сообщать о необходимости ремонта и обслуживания, тем самым снижая длительность незапланированных простоев аппарата или устраняя простои вовсе. Можно также построить виртуальный макет целой группы машин, например всего заводского оборудования или воздушного флота.

Виртуальный макет постоянно получает подпитку данными, в которых может быть множество переменных. Со временем переменные и модели, сообщающие о необходимости ремонта и обслуживания оборудования, могут меняться. В таких ситуациях лучше всего использовать технологию машинного обучения. Она способна учиться на новых данных и со временем корректировать прогностические модели. Кроме того, эта когнитивная технология может обнаруживать аномалии, характерные особенности и тенденции работы машины, а также понимать модель ее поведения и замечать удачные аспекты функционирования, чтобы использовать все эти данные в качестве образца для настройки других машин. Уже имея около 750 000 виртуальных макетов, GE быстро увеличивает их число.

Само собой, когнитивные технологии можно использовать и в других областях. Они уже применяются при разработке новых продуктов, в финансовой сфере, в области информационных технологий и многих других отраслях. Если нужно принять решение, для которого необходимо проанализировать огромный объем структурированных данных, уместно использовать технологии машинного обучения. Если нужно проанализировать текст или речь, можно применить технологию обработки естественного языка. Нужно распознать изображения? Возможно, вам понадобится глубокое обучение. Как вы догадываетесь, в бизнесе существуют сотни или даже тысячи сценариев, для которых подойдет та или иная форма ИИ. Не любая технология подойдет везде идеально, но лучше рассмотреть все возможные варианты.