В рамках проекта EML также разрабатывалась стандартная методология использования машинного обучения. Созданная в результате методология, получившая название 8PML («Процесс машинного обучения 84.51°»), нетипична для организаций, которые не занимаются разработкой технологий. Как правило, компании сосредотачиваются на разработке моделей машинного обучения, но 84.51° решила не останавливаться на этом. Процесс 8PML начинается с конструирования решения, в ходе которого производится рамочный анализ, определяются бизнес-цели проекта и изучаются доступные ресурсы. Например, бизнес-цель проекта может требовать постоянного обновления и быстрого внедрения огромного количества моделей, но компания может не располагать необходимыми для этого финансовыми и кадровыми ресурсами. Технология автоматизированного машинного обучения может снизить количество необходимых ресурсов и раздвинуть «границы возможного», учитывая ее способность быстро адаптировать, обновлять и внедрять тысячи прогнозных моделей.
На этапе разработки модели анализируются данные, определяются переменные или характеристики и выявляется модель, наиболее подходящая для обработки тренировочных данных. Автоматизированное машинное обучение значительно ускоряет эту фазу процесса, повышая продуктивность работы специалистов по обработке данных. В результате у них появляется время на адаптацию большего количества моделей и/или работу с другими важными аспектами процесса (например, конструированием решения или признаков). Технология также позволяет не слишком квалифицированным сотрудникам генерировать высококачественные модели. Более не требуется детальное знание алгоритмов, подходящих для конкретных типов анализа данных, потому что эту функцию берет на себя автоматизированное машинное обучение.
Третий и последний этап процесса 84.51° – внедрение модели. На этой стадии избранная модель внедряется в производственные системы и процессы. Учитывая размах применения машинного обучения в Kroger (например, приложение для прогнозирования продаж создает прогнозы продаж каждого наименования продукции в каждом из более чем 2500 магазинов компании в каждый из последующих четырнадцати дней), это самый важный этап.
Сегодня многие компании экспериментируют с машинным обучением, но 84.51° и Kroger вывели эту форму ИИ на следующий уровень. Проект Embedded Machine Learning, стандартизация инструмента автоматизированного машинного обучения и трехэтапная методология машинного обучения помогли создать «машину машинного обучения». Модели формируются, разрабатываются и внедряются точно так же, как в хороших производственных компаниях создаются физические продукты. Вероятно, в будущем мы увидим немало примеров такого фабричного подхода к машинному обучению, но 84.51° практикует его уже сегодня.
Мне также следует заметить, что для стратегии поиска талантов важны не только люди, создающие когнитивные решения, и используемые ими процессы разработки. Компаниям нужны также люди, обладающие навыками бизнес-аналитики и способные сформулировать бизнес-задачу и определить, какие технологии смогут ее решить. Такие люди невероятно важны для успеха ИИ, причем им достаточно базового понимания принципов функционирования когнитивных технологий. Кроме того, топ-менеджеры и руководители, понимающие ценность когнитивных технологий и цели их применения, могут «втягивать» их в бизнес-процессы, в то время как техническим специалистам бывает непросто «протолкнуть» их со своей стороны.
Стратегия партнерств и приобретений
В большинстве компаний предпочитают разрабатывать и внедрять когнитивные технологии самостоятельно, используя собственных сотрудников. Иногда организации также обращаются к помощи консультантов и поставщиков технологий. Однако сегодня они нередко вступают в партнерство с компаниями, которые могут дать им преимущество в сфере технологий ИИ, или приобретают такие компании.
Учитывая дефицит специалистов, имеющих солидный опыт работы с ИИ, приобретение компании может стать одним из самых быстрых способов пополнить свой штат умными людьми. Стартапы или компании-партнеры могут обладать закрытыми данными, собственными программами и технологиями, которые, возможно, пригодятся компании, нуждающейся в подобных активах.
Чаще всего ИИ-стартапы покупают поставщики ИТ-решений. Особенно выделяется в этой сфере Google: с 2012 г. компания приобрела 12 ИИ-фирм, включая DeepMind, технологии которой она активно использует при исследовании и разработке ИИ-продуктов. Множество ИИ-компаний приобрели также Apple, Microsoft, Facebook, Twitter, Intel, Baidu и Salesforce[74].
Представители автопромышленного сектора также решили, что им необходимо как можно быстрее получить большое количество ИИ-компетенций. Так, General Motors купила компанию по производству беспилотных автомобилей Cruise Automation, которая уделяет огромное внимание технологиям ИИ. Концерн Ford за миллиард долларов приобрел компанию Argo AI. Оба автогиганта поспешно расширяют штат новых бизнес-подразделений, которые остаются во многом самостоятельными. В GM говорят, что штат Cruise Automation в Сан-Франциско к 2021 г. будет увеличен как минимум до 1600 сотрудников, в то время как в момент покупки в компании работало всего 46 человек[75]. GM использует Cruise для разработки программного обеспечения, которое сделает электромобиль Chevrolet Bolt беспилотным автомобилем совместного пользования.
Некоторые компании, в частности компании автомобильной и транспортной промышленности, предпочитают вступать в партнерства, а не приобретать стартапы. Например, многие из них заключили соглашения с Waymo – подразделением холдинга Alphabet, которое работает в сфере беспилотного транспорта дольше любой другой фирмы. Среди прочих в партнерство с Waymo вступили Fiat Chrysler, Avis, Intel, Lyft, AutoNation и страховая компания Trov. В партнерстве со многими автопромышленными организациями работает также компания Nvidia, которая производит полупроводниковые процессоры, прекрасно подходящие для распознавания изображений на основе ИИ[76]. Количество партнерств в сфере разработки беспилотного транспорта зашкаливает. Само собой, некоторые партнерства оказываются недолговечными, поэтому пока слишком рано говорить, какой из подходов – заключение соглашений или приобретение стартапов – окажется более эффективным для создания беспилотных автомобилей.
Стратегия амбиций
Последний стратегический компонент, который я намерен обсудить, это насколько амбициозна должна быть организация в своих когнитивных начинаниях. Как я упоминал в начале главы 1, некоторые организации преследуют крайне амбициозные цели, зондируя такие направления, как лечение рака или переосмысление взаимодействия с клиентами. Амбиции других организаций скромнее: например, они хотят добавить интеллектуального агента в качестве нового, экспериментального канала общения с клиентами или автоматизировать существующий набор задач с помощью РАП.
Однозначно верного ответа на вопрос, насколько амбициозной должна быть организация, не существует. Однако примеров успешной радикальной трансформации с применением когнитивных технологий относительно немного, в то время как с простыми задачами технологии справляются неплохо.
Большинству компаний я советую осуществлять по несколько не слишком смелых проектов в одной сфере бизнеса (скажем, в области взаимодействия с клиентами), чтобы в сочетании эти проекты оказали существенное воздействие на деятельность компании. При таком подходе каждый отдельный проект не будет сопряжен с большими рисками, а компания получит время, чтобы постепенно подойти к трансформации.
Скажем, автомобильная страховая компания хочет изменить свои процессы обработки претензий по ДТП клиентов. Она может замахнуться на разработку единственного ИИ-проекта, который будет проводить оценку ущерба (возможно, на основании фотографий, загруженных клиентом со своего смартфона), определять стоимость ремонта и мгновенно переводить необходимую сумму на банковский счет клиента. Но не стоит и говорить, что разработать такой проект будет очень сложно.
Не столь амбициозным, но весьма полезным шагом в этом направлении может стать, например, разработка проекта глубокого обучения для оценки нескольких присланных клиентом фотографий в автосервисе с целью определения, повреждена ли рама автомобиля. В то же время компания может разработать приложение для опроса клиентов о претензиях по страховке и предоставления рекомендаций ремонтных мастерских. Она также может создать программу машинного обучения для выявления возможного страхового мошенничества.
Само собой, бывают случаи, когда оптимально производить трансформацию в рамках единственного амбициозного проекта, но обстоятельства для этого возникают редко. Такой проект должен использовать зрелую, проверенную технологию. Он должен внедряться в организации, имеющей богатый опыт работы с ИИ и уже преуспевшей в деле масштабной ИТ-трансформации. Топ-менеджмент такой организации должен полностью поддерживать новую инициативу. Организация должна уметь производить существенную трансформацию процессов и быть готовой к ней. Она должна мириться с высоким уровнем риска. Если обстоятельства именно таковы, амбициозный проект может стать успешным.
Учитывая шумиху вокруг когнитивных технологий в прессе и среди поставщиков технологий, топ-менеджмент и советы директоров часто оказывают на компании давление, требуя как можно скорее запустить когнитивный проект – часто по настоянию конкретного поставщика технологий. Некоторые компании уже совершали ошибки, выбирая для своих проектов неправильные технологии и неподходящих консультантов. Чтобы компания сумела наилучшим образом внедрить ИИ в свою стратегию, бизнес-модель и системы, ее не должны ослеплять маркетинговые уловки.