Чтобы сократить время вывода новых продуктов на рынок, в Airbnb разработали ИИ-систему, которая автоматически преобразует неформальные элементы дизайна в код. Руководитель конструкторско-технологического отдела Маркус Уилкинс заметил:
Мы в экспериментальном порядке использовали одну и ту же технологию, чтобы программировать прототипы на основе рисунков, разбивать эталонные макеты на спецификации компонентов для наших инженеров, а также преобразовывать промышленный код в проектные файлы для доработки силами дизайнеров[56].
Компания планирует, что прототипирование с использованием ИИ в итоге войдет в пакет ее программного обеспечения для разработки продуктов.
Когнитивные технологии начинают использоваться для создания и совершенствования продуктов за пределами сферы ИТ и разработки программного обеспечения. Например, компания Monsanto (приобретенная Bayer) с 2013 г. предлагает фермерам услуги директивного планирования, которые осуществляются с опорой на разработанные на основе технологии машинного обучения модели климатических данных, характеристик почвы и урожайности семян. Специалисты по климатологии могут использовать модели глубокого обучения также для анализа спутниковых снимков. Monsanto потратила около миллиарда долларов на получение климатических данных (именно за эту цену она купила Climate Corporation), но модели машинного обучения, анализирующие высокодетализированные местные погодные данные, помогают фермерам понять, когда производить посадку семян, организовывать полив, удобрять почву, собирать урожай и т. д. Фермеры платят за эти советы, эффективность которых становится очевидной, когда урожай злаковых возрастает – как правило, на 10–15 %. Этот подход представляет собой один из элементов точного земледелия, без которого, как ожидается, невозможно будет прокормить население мира[57].
Сегодня многие компании также предлагают другую услугу на базе машинного обучения – прогнозное техническое обслуживание (которое иногда называют прогнозным управлением активами). Я уже упоминал, что в компании GE эта услуга стала одним из основных элементов перехода к цифровой промышленности. Однако подобные подходы используют и другие промышленные компании, например Cummins Engine, Boeing, Caterpillar и Robert Bosch. Данные поступают с датчиков, как правило, динамическими рядами. Если компании могут генерировать маркированные данные, связанные с исправными и неисправными машинами, модели относительно несложно обучить понимать, когда машина, скорее всего, сломается в будущем. Промышленные продукты становятся все более надежными, и некоторым компаниям сложно накопить достаточный объем данных о поломках, чтобы научить свои модели предсказывать проблемы.
Пожалуй, использовать когнитивные технологии для разработки совершенно новых продуктов несколько сложнее, чем для совершенствования имеющихся. Это особенно верно в фармацевтической отрасли, где разработка новых препаратов занимает огромное количество времени и требует гигантского вливания средств. Чтобы ускорить этот процесс и повысить его эффективность, несколько фармацевтических компаний пытаются использовать когнитивные технологии (в частности, IBM Watson) для разработки новых лекарств.
Одна из главных причин использования Watson заключается в том, что ученый-фармацевт прочитывает в среднем от 200 до 300 статей в год[58], в то время как система Watson for Drug Discovery проанализировала 27 млн аннотаций Medline, более 1 млн полнотекстовых статей из медицинских журналов, а также 4 млн патентов. Кроме того, Watson регулярно обновляется. Систему Watson for Drug Discovery можно обогатить частными данными компании, например лабораторными, что поможет ученым изучать разрозненные массивы данных, находить взаимосвязи и выявлять скрытые закономерности посредством динамических визуализаций. Ни одна из фармацевтических компаний пока не может заявить о победоносном завершении этой кампании по повышению эффективности разработки лекарств, но топ-менеджеры нескольких из них утверждают, что система Watson уже помогла им выявить потенциальные сферы разработки препаратов – и сделать это гораздо быстрее, чем без использования технологии.
Кроме того, технологии ИИ применяются, чтобы определять, правильные ли препараты принимает пациент. Компания Express Scripts, которая долгое время занимается управлением фармацевтическими пособиями и распространением отпускаемых по рецепту препаратов, добавляет в свое портфолио новые продукты, ориентированные на эту проблему. Компания предлагает страховщикам услугу оценки использования препаратов, чтобы сопоставлять новые прописанные препараты с другими препаратами, принимаемыми пациентом. Пока пациент ожидает получения препарата по рецепту, программа информирует фармацевта, не противопоказан ли прием этого препарата в сочетании с другими лекарствами, прописанными тому же пациенту. Затем фармацевт может обсудить потенциальную проблему с пациентом[59].
Express Scripts также снабжает этой компетенцией другие продукты. Она внедряет ИИ-датчики в ингаляторы, чтобы отслеживать использование устройства пациентом с астмой и сопоставлять эти данные с историей его болезни, а затем давать рекомендации по более эффективному применению препаратов от астмы[60].
Систему рекомендаций на основе ИИ можно также применять в косметической сфере. Компания Procter & Gamble использовала этот подход в приложении Olay Skin Advisor. Оно анализирует сделанные на смартфон фотографии человеческих (вероятно, в основном женских) лиц и с помощью технологии глубокого обучения определяет возраст кожи и выявляет проблемные зоны. Затем оно рекомендует продукты Olay, которые особенно хорошо подходят для ухода за кожей конкретного клиента.
Новые бизнес-модели
Когнитивные технологии, определенно, могут поддерживать или стимулировать стратегические изменения бизнес-моделей. Бизнес-моделями я называю новые способы получения прибыли или обслуживания клиентов, включая подходы к предложению существующих продуктов и услуг, способы выхода на рынок, каналы распространения продукции и расширение сферы деятельности компаний.
Пожалуй, лучшими примерами давно зарекомендовавших себя компаний, пытающихся изменить свои бизнес-модели с помощью ИИ, можно считать автомобильные концерны Ford и General Motors. Эти компании были локомотивами индустриальной эпохи, но теперь ищут новое будущее в сфере электромобилей, беспилотных автомобилей и автомобилей совместного пользования. Задача Ford сегодня формулируется так: «Стать самой надежной автомобильной компанией, создавая умные транспортные средства для умного мира»[61]. GM не так агрессивна в формулировке своих целей, но и она пытается «интегрировать прорывные технологии в транспортные средства, которые придутся людям по душе». GM также хочет монетизировать часть данных, генерируемых почти девятью миллионами ее подключенных автомобилей.
Функционирование беспилотных автомобилей и автомобилей совместного пользования во многом зависит от технологий ИИ (функционирование электромобилей, как правило, от них не зависит, хотя Toyota, очевидно, использует ИИ, чтобы находить новые материалы для производства батарей или катализаторы водородного топлива)[62]. Хорошо известно, как важен ИИ для беспилотных автомобилей. Он анализирует дорогу, выявляет все препятствия и принимает решения о том, как и куда ехать. Я не стану пускаться в рассуждения о том, когда беспилотные автомобили получат широкое распространение, хотя и склонен думать, что это произойдет позднее, чем предсказывают в Кремниевой долине. Однако нет сомнений, что беспилотным автомобилям необходимы сильные технологии ИИ. Ford и GM приобрели компании по производству беспилотных автомобилей (Ford купила Argo AI, а GM – Cruise Automation), а также инвестировали средства в развитие других компаний или вступили в партнерство с ними. У обеих компаний в Кремниевой долине есть исследовательские центры, где работает множество специалистов по ИИ.
Совместное пользование автомобилями также требует обработки огромных массивов данных и использования технологий ИИ, по крайней мере в компаниях вроде Uber и Lyft. Так, в компании Lyft алгоритмы прокладки маршрутов, ценообразования и выбора водителей в той или иной степени задействуют машинное обучение[63], а прокладка маршрутов и механизм ценообразования важны и для беспилотных автомобилей совместного пользования. В Uber создали масштабную платформу «машинное обучение как услуга», которая использует прогнозные модели во множестве предлагаемых Uber услуг[64]. В Uber говорят, что используют машинное обучение «среди прочего… чтобы создавать условия для эффективной работы рынка совместных поездок, выявлять подозрительные или мошеннические профили, предлагать оптимальные места для посадки и высадки из автомобиля и даже улучшать работу доставки UberEATS посредством рекомендации ресторанов и прогнозирования времени доставки заказов»[65].
Само собой, пока неясно, смогут ли Ford и GM на равных конкурировать с ориентированными на ИИ компаниями, включая Waymo, которая принадлежит холдингу Alphabet, а также гигантами сферы совместных поездок U