Вторая широкая сфера применения ИИ в бизнесе (57 из 152 проектов, или 37 %) – использование алгоритмов для выявления закономерностей в огромных массивах структурированных данных и для интерпретации их значений, что можно назвать аналитикой на стероидах. Это самая старая форма искусственного интеллекта, поскольку машинное обучение, которое, как правило, лежит в основе когнитивного анализа, доступно уже несколько десятков лет. Однако теперь она распространена гораздо шире и значительно более автоматизирована, чем в прошлом. Она необходима, когда приходится иметь дело с гигантскими объемами данных и большим количеством прогностических параметров феномена, который должен прогнозироваться или классифицироваться. Вот несколько примеров применения когнитивного анализа:
● прогнозирование вероятных покупок конкретного клиента (моделирование предрасположенности к покупке);
● выявление кредитного и страхового мошенничества в реальном времени;
● анализ гарантийных данных с целью выявления проблем, связанных с безопасностью и качеством автомобилей и других продуктов промышленного производства;
● сбор и анализ информации от датчиков с целью прогнозирования поломок промышленного оборудования;
● автоматизация персонализированного таргетинга цифровой рекламы;
● обеспечение страховщиков более точными и детализированными актуарными моделями.
Когнитивный анализ, осуществляемый с помощью машинного обучения, отличается от традиционной аналитики по трем критериям: как правило, он использует большее количество данных и характеризуется более высокой детализацией, модели в большинстве случаев приходится тренировать на части доступных данных, а они при этом способны к обучению, в ходе которого повышается их способность давать прогнозы или осуществлять категоризацию. Как я упоминал в предыдущей главе, вариации машинного обучения (в частности, глубокое обучение) способны выполнять и другие задачи, например распознавать изображения и речь.
Обычно когнитивный анализ применяется, чтобы улучшить производительность в тех сферах, где работать могут только машины, – в частности, при выполнении таких задач, как покупка программируемой рекламы, для которой требуется высокоскоростная обработка данных и автоматизация, выходящая далеко за пределы человеческих возможностей. Следовательно, эта форма ИИ вряд ли лишит работы людей.
Не столь очевидна другая сфера применения когнитивного анализа – использование машинного обучения для интеграции данных с целью повышения качества аналитики. Исторически наблюдение за данными требовало много времени и сил, но теперь машинное обучение может выявлять вероятные совпадения – данные, которые, скорее всего, относятся к одному человеку или компании, но представлены в разных форматах, – в разных базах данных. Компания GE использовала эту технологию (от компании Tamr, которую я рекомендую), чтобы интегрировать данные поставщиков, и в первый год сэкономила $80 млн, устраняя избыточность и заключая договоры, которыми ранее занималось бизнес-подразделение. Теперь GE применяет тот же подход к клиентским данным и данным о продуктах. Подобным образом крупный банк использовал эту технологию, чтобы извлечь данные об условиях контрактов с поставщиками и сопоставить их с номерами счетов, что позволило увидеть расхождения на десятки миллионов долларов. В сфере профессиональных аудиторских услуг когнитивный анализ используется, чтобы извлекать условия из подлежащих аудиту контрактов, что дает аудиторам возможность проверять гораздо большую долю документов, а часто и все документы, но людям при этом не приходится внимательно вчитываться в каждый из них.
Основными сдерживающими факторами использования этой формы когнитивных технологий остаются необходимость наличия больших объемов данных, ряд которых должен быть «маркирован» с учетом известных исходов, подлежащих прогнозированию. Например, если организация пытается использовать данные от датчиков, чтобы прогнозировать поломки оборудования (с целью осуществления прогностического технического обслуживания), она должна располагать информацией о значительном количестве настоящих поломок, которую система сможет использовать для обучения. Такая форма обучения на маркированных данных называется обучением с учителем и чаще всего используется бизнесом.
Проекты этого типа встречаются реже, чем проекты двух типов, описанных выше (24 из 152 проектов, или 16 %). Они привлекают сотрудников и клиентов организации к участию в процессе, предоставляя им богатую языковую или образную персонализированную информацию и услуги. В эту категорию входят:
● интеллектуальные агенты, которые в круглосуточном режиме обслуживают клиентов, выполняя все больше задач (от запросов на смену пароля до обращений в службу технической поддержки) и общаясь с клиентами на естественном языке;
● внутренние сервисные сайты, предназначенные для ответов на вопросы сотрудников по ряду тем, включая проблемы ИТ-характера, льготы работникам и кадровую политику компании;
● системы рекомендации продуктов и услуг для интернет-магазинов, повышающие персонализацию, вовлеченность и количество продаж – как правило, с использованием богатого языка или изображений;
● системы рекомендаций в сфере здравоохранения (часто предлагаемые страховыми компаниями), которые помогают поставщикам медицинских услуг составлять персонализированные планы лечения, учитывающие состояние здоровья пациентов и историю их лечения.
В настоящее время чаще встречаются системы для вовлечения сотрудников, чем для вовлечения клиентов. Это может измениться, когда компании перестанут бояться передавать на откуп машинам взаимодействие с клиентами. Например, компания Vanguard запустила пилотного интеллектуального агента, который помогает сотрудникам службы поддержки отвечать на часто задаваемые вопросы клиентов. Планируется, что со временем клиенты смогут общаться напрямую с когнитивным агентом, а не с сотрудником службы поддержки. Однако на первых порах пилотный проект отнимал у сотрудников службы поддержки слишком много времени. Американская компания Becton Dickinson (BD) использует интеллектуального агента-аватара Amelia, который оказывает техническую поддержку сотрудникам. Компания также планирует рано или поздно начать использование агента во взаимодействиях с клиентами.
Скандинавский банк Skandinaviska Enskilda Banken (SEB) начал использовать интеллектуальных агентов во внутренней службе ИТ-поддержки, но затем сделал Aida, шведскоязычный аватар на базе Amelia, ограниченно доступным для клиентов банка, чтобы протестировать его работу и реакцию клиентов. Этот шаг был произведен в рамках более широкой стратегии перехода на цифровые каналы поддержки клиентов. Цель банка не в том, чтобы заменить людей роботами, а в том, чтобы обеспечить круглосуточное функционирование службы поддержки и содействовать росту, не увеличивая штат[34].
Консервативность подхода этих компаний к клиентским когнитивным сервисам объясняется отчасти несовершенством технологии. Например, в 2017 г. в Facebook пришли к выводу, что чат-боты приложения Messenger не могут ответить на 70 % запросов клиентов без человеческого вмешательства[35]. В результате Facebook и другие компании ограничили использование ботов – теперь они применяются только при разговорах определенного типа и на определенные темы.
Клиенты тоже не слишком довольны текущими возможностями чат-ботов. Результаты опроса клиентов из США и Великобритании, проведенного сайтом Chatbots.org в конце 2017 г., показывают, что более половины опрошенных в обеих странах были недовольны, когда им пришлось повторять информацию, которую они уже сообщили чат-боту, при переходе к общению с оператором[36]. Около трети опрошенных отметили, что чат-боты «заходят в тупик и не знают, что делать дальше». В результате более половины опрошенных назвали чат-боты «неэффективными» или лишь «отчасти эффективными». Очевидно, их необходимо усовершенствовать посредством внедрения когнитивных технологий.
Возможно, отчасти именно несовершенством технологии объясняется тот факт, почему я не слышал ни об одном сотруднике службы поддержки или отдела продаж, который лишился бы работы из-за внедрения приложений когнитивной вовлеченности, а также ни об одной организации, планирующей масштабные сокращения в ближайшем будущем. Как правило, компании используют эту технологию, чтобы обслуживать растущее число взаимодействий с сотрудниками и клиентами, не расширяя штат. Некоторые организации планируют переориентировать персонал службы поддержки клиентов на выполнение более сложных задач, с которыми пока не справляются боты: обрабатывать сложные вопросы клиентов, вести долгие неструктурированные диалоги или связываться с клиентами, прежде чем они заявят о проблеме. Многие сотрудники признаются, что с радостью передадут рутинные задачи машинам.
Сочетание категорий
Даже внутри категорий когнитивные инструменты все чаще разбиваются на отдельные компоненты и программные интерфейсы приложений (API), чтобы выполнять конкретные задачи. Суперкомпьютер IBM Watson, который многие считают монолитной машиной вопросов и ответов, на самом деле представляет собой набор API. API могут быть как готовыми приложениями, выполняющими определенные задачи (как правило, от поставщиков запатентованных технологий, например IBM), так и приложениями с открытым кодом, которые могут модифицироваться на уровне пользователей. Такая гибкость позволяет организациям комбинировать компоненты для достижения стоящих перед ними целей, что часто предполагает сочетание перечисленных выше категорий. Однако это требует опыта и труда.
Один комбинированный набор инструментов был разработан для итальянской страховой компании, которая хотела основать «когнитивную службу поддержки» в своем ИТ-отделе. Для этого использовалось приложение когнитивной вовлеченности, однако, поскольку когнитивные технологии пока не справляются с решением многих вопросов, его необходимо было обеспечить поддержкой операторов-людей. В связи с этим компания прибегла к роботизированной автоматизации процессов, чтобы перенаправлять вопросы правильным ИТ-специалистам. Наконец, система должна была поддерживать текстовую коммуникацию на итальянском языке, а это не было возможным при использовании многих инструментов обработки естественного языка (ОЕЯ).