ber и Lyft. Оба производителя автомобилей за последние несколько лет повысили эффективность своей аналитики и наняли новых директоров по обработке и анализу данных. Привлечение специалистов по ИИ, конкуренция с авторитетными игроками сферы совместных поездок и решение огромных технических трудностей функционирования беспилотных автомобилей – сложные задачи для любой компании. Автомобильные концерны смогут стать компаниями «интеллектуальной мобильности» только при условии использования технологий ИИ.
Большинство других компаний, совершающих попытки создать бизнес-модели на основе ИИ, составляют стартапы, которым не приходится менять предыдущую бизнес-модель или отказываться от нее. Однако даже они сталкиваются с трудностями, когда выводят свои бизнес-модели на рынок.
В качестве примера можно привести сферу медицинской визуализации (радиологии), где компьютерная диагностика обсуждалась десятилетиями, но это до сих пор не повлияло на существенное изменение стоимости или бизнес-модели медицинской визуализации. Как я отметил в главе 2, коррективы не внес и значительный прогресс в использовании глубокого обучения для выявления потенциальных проблем на снимках. Несколько стартапов (и некоторые крупные компании, включая IBM) утверждают, что очень скоро ИИ-диагностика на основе визуализации будет повсеместно внедрена в медицинскую практику.
Например, в компании Enlitic, которая базируется в Сан-Франциско и применяет глубокое обучение при анализе радиологических снимков, утверждают, что такая диагностика уже входит в бизнес-модель. На сайте компании говорится:
Технология глубокого обучения основывается на работе человеческого мозга. Сети искусственных нейронов анализируют крупные массивы данных, чтобы автоматически выявлять скрытые закономерности без человеческого вмешательства. Сети глубокого обучения Enlitic изучают миллионы изображений, чтобы научиться автоматически выявлять заболевания. В отличие от традиционной компьютерной диагностики, сети глубокого обучения могут одновременно искать множество болезней. Они также могут способствовать раннему обнаружению заболеваний, планированию методики лечения и контролю заболеваемости[66].
Однако вы не найдете множества упоминаний об использовании решения Enlitic в больницах или радиологических центрах (я не нашел ни одного), поскольку внедрение в клиническую практику радиологии «без человеческого вмешательства» – весьма непростая бизнес-модель.
Чтобы понять почему, я побеседовал с доктором Китом Дрейером – радиологом и директором по обработке данных крупного академического медицинского центра Partners Healthcare, расположенного в Бостоне. Дрейер позитивно отзывается о применении глубокого обучения в радиологии:
Пару десятков лет мы использовали компьютерную диагностику, но технология глубокого обучения гораздо лучше. Она обеспечит значительно более высокую, чем сегодня, чувствительность и специфичность – и радиологи будут ей доверять. Ее внедрение в клиническую практику сулит множество потенциальных выгод.
Однако бизнес-модель «без человеческого вмешательства» пока не совсем готова к внедрению. Дрейер замечает:
Прошлой весной Американская коллегия радиологии [ACR – профессиональная ассоциация, в совет председателей которой входит Дрейер] создала Институт обработки данных [ACRDCI]. В сотрудничестве с проектом CCDS Институт обработки данных Американской коллегии радиологии проанализировал несколько одобренных Управлением по контролю качества пищевых продуктов и лекарственных препаратов (FDA) приборов для обнаружения пульмональных узлов. Все они использовали технологию глубокого обучения. Нам было интересно сравнить их и проверить, дают ли они сходные цифры. Но все результаты были разными! Одни приборы оценивали вероятность патологических изменений, а другие – вероятность рака. Одни описывали природу узла, а другие показывали его местоположение. Мы в ACR пришли к выводу, что нам нужно объяснить производителям этих приборов, на какие входящие и исходящие данные им следует ориентироваться. Прежде чем технологии выйдут на рынок, нам следует оценивать эффективность и полезность лежащих в их основе алгоритмов. Нам следует предложить радиологам методику работы с этими приборами. Нам понадобится «карта внимания», чтобы понимать, почему система заявляет о раке, а в идеале еще и коды причин, чтобы обеспечить прозрачность.
Хотя технология глубокого обучения стремительно развивается в исследовательских лабораториях, таких как лаборатории Enlitic (и Partners Healthcare, в состав которого входит Центр обработки клинических данных, где работает Дрейер), вполне очевидно, что на отладку принципов ее использования на практике уйдет немало лет. Кроме того, чтобы сделать эту бизнес-модель реальностью, стартапам вроде Enlitic, крупным компаниям вроде IBM и GE, больничным сетям вроде Partners, страховым компаниям, государственным организациям и профессиональным ассоциациям вроде ACR придется работать вместе.
Трудности могут возникнуть даже с запуском и масштабированием бизнес-моделей на основе ИИ, которые подразумевают вмешательство человека. Например, в туристической сфере соучредитель онлайн-агентства Kayak Пол Инглиш основал новую компанию Lola, которая предлагает путешественникам помощь силами людей и машин. Инглиш описывает, как работают машины:
Наш код генерирует алгоритм для каждого путешественника на основе истории его посещений и покупок. Алгоритм узнает, что нравится [путешественнику], и предлагает ему соответствующие результаты. Мы также делим пользователей на группы и создаем модели подобия, чтобы пользователь мог увидеть подходящий для него отель, скажем, в Майами, даже если раньше он в Майами не был. Мы анализируем историю цен и мнения. Мы проверяем миллионы отзывов, [чтобы определить], какие слова дают ключевую информацию о типе отелей, которые нравятся путешественнику. Например, мне нравится отель Gansevoort в Нью-Йорке, поэтому при поиске отелей в Майами [Lola] будет выбирать именно те, в описании которых и в отзывах на которые содержатся те же самые ключевые слова[67].
Однако Lola не ограничивается рекомендациями на основе ИИ – в компании также работает группа туристических агентов, которые помогают клиентам планировать путешествия. Агенты, обычно взаимодействующие с клиентами посредством текстовых сообщений, справляются с теми аспектами организации путешествий, которые обычно не поддаются автоматизированным системам: они осуществляют общее планирование поездок, занимаются организацией ранних заездов и поздних выездов из отелей, улучшением категории номеров, а также принимают меры в случае непредвиденного изменения погодных условий.
Такая бизнес-модель кажется вполне жизнеспособной, но Lola столкнулась с серьезными трудностями при поиске своей ниши на переполненном рынке туристических услуг. Сначала компания ориентировалась на туристов, но теперь в основном занимается организацией командировок для сотрудников малых и средних компаний, поскольку они не сталкиваются с ограничениями, типичными для туристов и командированных сотрудников крупных корпораций. В крупных корпорациях, как правило, действуют ограничения по размеру тарифов, а туристы часто ищут самые дешевые тарифы на онлайн-площадках вроде Kayak.
Почему существующие бизнес-модели выживают, несмотря на появление ИИ
Сказанное о радиологии и туристической сфере можно отнести и к другим отраслям и областям бизнеса. ИИ-стартапы хвалятся своей способностью менять правовую сферу, а также сферы грузоперевозок, розничной торговли, финансовых услуг и т. д. Однако традиционные бизнес-модели не исчезают. Какие факторы не дают им исчезнуть? Поняв это, мы увидим, в каких сферах когнитивные технологии действительно смогут изменить бизнес-модели. Вот девять факторов, которые ограничивают трансформацию бизнес-моделей на основе ИИ:
1. Технологии пока несовершенны. Многие когнитивные технологии имеют потенциал менять бизнес-модели, но пока еще не достигли совершенства. Например, беспилотные автомобили справляются с большинством ситуаций на дорогах, но пока не со всеми. Всегда кажется, что им еще расти и расти до того момента, когда они смогут справляться с такими вещами, как дождь и снег, неожиданно выходящие на дорогу пешеходы, сложные перекрестки и т. д.
2. Доступны только частичные решения. Когнитивные технологии могут автоматизировать выполнение определенных задач, но не целые профессии. Поскольку обычно они не в состоянии полностью заменить работников, они не приносят больших экономических выгод, а потому внедряются медленно. Например, в правовой сфере когнитивные технологии по большей части автоматизируют выполнение таких задач, как изучение правовой практики в определенных сферах, быстрый анализ документов и извлечение условий контрактов. Однако эти задачи либо слишком специфичны, либо обычно выполняются относительно низкооплачиваемыми работниками. По этой причине они пока не оказали существенного влияния на юридические фирмы.
3. ИИ берет на себя простейшие задачи. В отраслях, где когнитивные технологии распространились достаточно широко, ИИ используется для решения простейших задач. Хорошим примером могут служить роботизированные советники финансового сектора. Консалтинговые компании используют ИИ (по крайней мере относительно примитивную форму машинного обучения), чтобы распределять активы взаимных и биржевых инвестиционных фондов. Но это простейшие задачи инвестиционного консультирования. Гораздо более серьезные проблемы подразумевают обучение на основании инвестиционного поведения, управление многочисленными классами активов, а также организацию финансовой активности, отличной от пенсионных взносов. В какой-то момент роботизированные советники смогут заняться и этим, но до тех пор они не будут представлять особенной угрозы традиционной бизнес-модели финансового консультирования.