В качестве основного когнитивного инструмента эта когнитивная служба поддержки использует технологию глубокого обучения без учителя, относящуюся к категории когнитивного анализа. Поставщиком технологии выступает компания LoopAI Labs (где я работаю советником). Программа (что довольно необычно для инструмента обучения без учителя) может изучать набор текстовых документов на любом языке и выявлять ключевые концепции, часто задаваемые вопросы и ответы на ранее решенные проблемы, связанные с текущей задачей, а также разделы основных документов, где с наибольшей вероятностью будет обнаружено необходимое решение. Эксплуатируя способность роботизированной автоматизации процессов к умной маршрутизации, система существенно снизила время решения вопросов (на 35–70 % в зависимости от типа вопроса) и повысила точность ответов на запросы в службу поддержки (теперь она составляет 70–85 % в зависимости от вопроса).
Как стать когнитивной корпорацией
Когда мы анализируем, «что сегодня происходит» в бизнесе с ИИ, важно обращать внимание не только на применение технологий ИИ, но и на компетенции. Многие крупные организации явно начинают расширять текущие компетенции с помощью применения когнитивных технологий и становятся когнитивными корпорациями. Одни компетенции компании хотят получить, поскольку когнитивные технологии предлагают стратегические выгоды и повышение производительности, а другие – поскольку организации столкнулись с рядом проблем при внедрении первых когнитивных проектов.
Переход только начался, но уже понятно, что он происходит. Определились и ключевые компетенции:
● понимание, какие технологии какие задачи выполняют;
● развитие сильных сторон больших данных и аналитики;
● создание приоритетного портфеля технологий, сопоставленных с процессами и задачами;
● создание серии пилотных или тестовых проектов;
● когнитивная перестройка работы с использованием принципов дизайн-мышления;
● фокус на масштабировании и повышении производительности.
Очень важно понимать, какие технологии какие задачи выполняют, а также знать сильные и слабые стороны каждой из технологий. В главе 1 я описал различные технологии и их функции, но организациям и руководителям необходимо усвоить эту информацию. В одном исследовании 37 % опрошенных заявили, что «руководители не понимают когнитивные технологии и принципы их работы», в связи с чем организации сталкиваются с проблемами при их внедрении. Я наблюдаю такую картину и во многих компаниях, с которыми работаю сам.
Не понимая побочных эффектов технологий, люди совершают ошибки. Например, механизм работы экспертных систем на основе правил и роботизированной автоматизации процессов вполне прозрачен, но ни одна из этих технологий не способна к обучению и совершенствованию. С другой стороны, технология глубокого обучения прекрасно справляется с обучением на основе огромных объемов маркированных данных, но понять, каким образом она создает модели, практически невозможно. Такая проблема «черного ящика» особенно критична в сильно регулируемых отраслях, например в секторе финансовых услуг, где регуляторы требуют объяснять, почему принимается то или иное решение.
Как я заметил в главе 1, обработка естественного языка может производиться на базе одной из двух альтернативных технологий – либо статистически, методом «грубой силы», который требует большого количества данных (один из лучших примеров – Google-переводчик), либо в большей степени семантически, посредством использования графа знаний, описывающего термины и взаимосвязи в конкретной сфере. Создание графа знаний, как правило, требует много времени и сил, особенно если для конкретной области знаний он создается впервые. Статистические методы ОЕЯ подходят для компаний, располагающих большими объемами данных (скажем, базой данных голосовых обращений в службу поддержки, которые можно перевести в текст), в то время как семантический подход не требует большого количества данных, но предполагает необходимость предварительного создания архитектуры силами экспертов.
Понимание сильных и слабых сторон каждой из технологий поможет принимать решения о том, какая из них лучше подойдет для решения конкретной задачи, с какими поставщиками услуг работать и насколько быстро можно внедрить систему определенного типа. Я знаю несколько организаций, которые потеряли немало времени и денег, внедряя технологию, не подходящую для решения текущих задач. Чтобы понять технологии, необходимо исследовать их и учиться, чем обычно занимается ИТ-отдел или инновационный сектор. Некоторые руководители ИИ-групп, с которыми я встречался, говорят, что тратят большую часть времени на описание когнитивных технологий и объяснение различий между их типами. В связи с этим специалисты должны не только разбираться в науке и программировании, но и уметь передавать свои знания другим. Я рекомендую всем компаниям познакомиться хотя бы с категориями инструментов, описанных в главе 1.
В основе многих когнитивных технологий лежит статистический анализ и аналитика больших данных, поэтому организации важно задействовать эти компетенции, если они у нее уже есть. На этом этапе немногие профессионалы имеют опыт работы в сфере ИИ, поэтому азам этих технологий, скорее всего, сумеют обучиться специалисты по обработке данных, имеющие навыки работы со статистикой и большими данными. Именно они помогут усовершенствовать их и применить для достижения стоящих перед организацией целей. Это особенно верно, когда новая технология представляет собой вариацию статистического машинного обучения, которое во многих случаях становится относительно несложным логическим продолжением прогнозной аналитики. Чтобы добиться успеха, специалисты по обработке данных должны быть готовы осваивать новые навыки и методы. Одни схватятся за эту возможность, в то время как другие предпочтут и дальше использовать техники, освоенные в университете. Старайтесь, чтобы у вас было как можно больше специалистов первого типа.
Если у вас есть команды, которые занимаются традиционной обработкой или аналитикой данных, рассмотрите возможность сконцентрировать свои ИИ-проекты вокруг них, ведь это позволит всей организации использовать их опыт. Компетенции этих групп пригодятся как для осуществления специализированных краткосрочных проектов, так и для развития более общих долгосрочных инициатив. Если в вашей организации нет подобных групп, вероятно, вам следует создать «экосистему» внешних поставщиков услуг ИИ, которые смогут обеспечить необходимые компетенции в краткосрочной перспективе. Если же вы планируете продолжать работу с ИИ в долгосрочной перспективе, вам лучше всего принять специалистов в штат.
Учитывая дефицит специалистов по когнитивным технологиям, большинству организаций следует создать централизованный пул ресурсов (например, в одном из ключевых отделов, таких как департамент ИТ или стратегического планирования) и выделить экспертов для приоритетных проектов. Впоследствии, когда спрос на специалистов возрастет, можно сформировать группы, которые будут заниматься конкретными задачами или обслуживать конкретные подразделения, но даже тогда лучше иметь центральный координирующий орган, занимающийся управлением проектами и кадрами. Во многих организациях уже функционируют центральные (или централизованно координируемые) аналитические группы, так что входящим в них специалистам будет относительно несложно усвоить навыки работы с ИИ.
Перед запуском программы ИИ крайне важно проводить систематическую оценку потребностей и компетенций компании. В тех компаниях, которые я изучал, этим обычно занималась рабочая группа или другой небольшой консультационный орган, исследовавший три широкие сферы. Услуги подобных рабочих групп предлагают несколько поставщиков и консалтинговых фирм.
В ходе оценки областей выявляются те области бизнеса, которым могут пойти на пользу когнитивные технологии. Как правило, это подразделения компании, где определенный тип знания – выводы, сделанные на основе анализа данных или корпуса текста, – пригодился бы, но пока недоступен.
● Узкие места распространения знаний. В некоторых случаях недоступность знаний объясняется наличием узкого места: знание где-то существует, но не распределяется оптимальным образом. Например, такое часто наблюдается в области здравоохранения, где знание нередко становится заложником конкретных специалистов, отделений или городских академических медицинских центров. Так, эксперты Мемориального онкологического центра имени Слоуна – Кеттеринга считают, что главные выгоды программа лечения рака на основе системы Watson принесет не в самой нью-йоркской больнице (где работает множество специалистов-онкологов), а в отдаленных клиниках и изолированных регионах, где специалистов мало.
● Проблемы масштабирования. В других случаях объемы знания растут, но масштабирование процесса происходит слишком медленно или требует слишком больших затрат. Так происходит со знаниями опытных брокеров и финансовых советников. В ответ многие компании по управлению инвестициями и капиталом разрабатывают экономически эффективных роботизированных советников, которые помогают клиентам ориентироваться в финансовой среде. В фармацевтической отрасли компания Pfizer использует IBM Watson, чтобы ускорить исследования новых препаратов в области иммуноонкологии – новом подходе к лечению рака, использующем иммунную систему организма. Иммуноонкологические препараты могут быть весьма эффективными, но их разработка и вывод на рынок занимают до 12 лет из-за трудоемкости процесса. Компания использовала машинное обучение, обработку естественного языка и другие когнитивные технологии рассуждений Watson, чтобы поддерживать выявление новых мишеней лекарственных препаратов