Когнитивные технологии сегодняшнего дня окажут влияние на организационные структуры и профессии. Поскольку в основном они поддерживают работу людей, а не полностью автоматизируют их должностные обязанности, то не приведут к значительным изменениям организационных структур – сотрудники компаний не подвергнутся массовым сокращениям. Однако постепенно их влияние может привести к тому, что организации ближайшего будущего станут существенно отличаться от нынешних. Я также опишу вероятное организационное воздействие каждой из когнитивных компетенций.
Кроме того, важно помнить, что внедрение этих технологий произойдет не в одночасье. Каждой из них придется преодолеть ряд преград и проблем на пути к повсеместному и быстрому внедрению. Я включу эту тему в обсуждение каждой ИИ-технологии.
В оставшейся части главы я опишу восемь типов задач, с которыми сегодня справляются когнитивные технологии. Я расставлю их по порядку, начиная с того, который чаще всего в настоящее время применяется в бизнесе. Несомненно, этот рейтинг со временем изменится: например, беспилотное перемещение по миру пока занимает довольно низкую позицию, но по мере совершенствования технологии беспилотных автомобилей оно будет подниматься по списку. Также не стоит сомневаться, что все технологии со временем станут справляться с задачами лучше (и я опишу ряд вероятных траекторий и векторов развития), но и сейчас они достаточно хороши, чтобы способствовать внедрению новых структур и процессов. Само собой, задачи можно категоризировать и иным образом: большинство из них, к примеру, предполагает выявление закономерностей в данных или создание моделей, соответствующих структурированным или неструктурированным данным. Но важнее всего описать задачи, которые организациям необходимо выполнять, чтобы реализовать свои бизнес-программы.
Создание детализированных моделей прогнозирования и классификации
Возможность создания и применения детализированных статистических моделей – сильная сторона машинного обучения. Оно подобно традиционному статистическому анализу на стероидах и может делать ряд вещей, практически невыполнимых при использовании базовой аналитики. Среди них обучение на основе данных для создания высокоэффективных моделей и генерация множества разных моделей высокого уровня детализации и настройки, что не требует значительных усилий аналитиков и специалистов по обработке данных. Это стоит называть не просто машинным обучением, а автоматизированным машинным обучением. Если ваша организация располагает большим объемом динамических числовых данных и вам хочется их осмыслить, этот метод, вероятно, подойдет вам лучше всего.
Машинное обучение – одна из самых широких и зрелых категорий ИИ-технологий, но мы немного сузим ее в рамках нашей дискуссии. Я уже описал использование глубокого обучения – особой формы нейронных сетей – для распознавания изображений и речи. Оно представляет собой одну из форм машинного обучения, но в рамках этой дискуссии мы сосредоточимся только на машинном обучении, которое использует относительно традиционные (и доступные для понимания) статистические модели для прогнозирования или классификации чего-либо. В простейшем случае это подразумевает использование автоматизированных версий базового регрессионного анализа. Более сложные формы машинного обучения используют такие статистические алгоритмы, как случайный лес, градиентный бустинг, дерево решений и т. д. Все это – вариации и комбинации таких базовых методов статистического моделирования, как регрессионный анализ.
Такой тип машинного обучения, как и базовая аналитика, применим к очень широкому спектру бизнес-явлений с большим объемом структурированных (например, числовых) данных. Возможно, чаще всего он используется в маркетинге, особенно в цифровом маркетинге, где лежит в основе программируемых закупок рекламы, то есть механизма размещения цифровой рекламы на сайтах. Он также применяется в сфере продаж для прогнозирования вероятности ответа конкретного клиента на рекламный посыл, что экономит время и силы сотрудникам отделов продаж. Кроме того, он широко применяется в таких сферах, как банковский сектор (для предотвращения мошенничества и отмывания денег), точная медицина (для рекомендаций методик лечения пациентам на основе их истории болезни и генетической информации), страхование (для одобрения страховых требований), оборонный сектор и разведка. Во всех этих сферах технология машинного обучения используется уже более десяти лет.
Машинное обучение также может применяться для значительного повышения производительности в тех сферах, где уже использовалась традиционная аналитика. Хорошим примером служит оптимизация ценообразования, которую также называют управлением выручкой. Она уже несколько десятилетий практикуется в авиакомпаниях, гостиничном бизнесе и других отраслях и исторически осуществлялась на основе внутренних данных (какие продукты по какой цене продаются) и методов эконометрики. Однако сочетание новых внешних источников данных и методов машинного обучения может привести к резкому повышению рентабельности бизнеса.
Например, чартерная авиакомпания XOJET, имеющая более 1300 частных самолетов, ранее устанавливала цены, используя простой набор правил, разработанных на основе внутренних данных. Теперь XOJET с помощью компании Noodle.ai стала применять для оценки спроса и предложения и установления цен модели машинного обучения. Для этого используются внешние базы данных, которые включают в себя данные о полетах и местоположении самолетов в масштабе отрасли, необходимые для оценки предложений конкурентов, а также данные об основных факторах стимуляции спроса, сезонных закономерностях и особенностях кривой бронирования для прогнозирования спроса. После внедрения нового алгоритма выручка компании за один заполненный рейс возросла на 5 %.
Кроме того, XOJET применяет технологию машинного обучения для оценки популярности направлений, чтобы принимать более обоснованные решения о ценообразовании. Чартерные самолеты, летающие по менее популярным маршрутам, часто возвращаются обратно порожняком, то есть без пассажиров, из-за чего компания недополучает выручку, а окружающая среда страдает зря. Теперь XOJET использует приложение для управления флотом, созданное на основе машинного обучения, чтобы прогнозировать спрос на следующий день после рейса в заданный пункт назначения или из него. В результате самолеты компании реже летают порожняком, что способствует повышению выручки. Другие модели прогнозируют, какую прибыль принесет компании дневная эксплуатация всего флота и какое влияние это окажет на выручку и ценообразование в течение следующего месяца.
Как я отметил выше, эти подходы могут использоваться в широком спектре бизнес-ситуаций. Вот несколько типичных примеров из разных отраслей:
● использование внешних данных для оптимизации ценообразования (как в XOJET);
● определение лучшего типа цифровой рекламы для конкретного клиента и площадки;
● создание детализированных моделей предрасположенности для клиентов и продуктов;
● разработка подробных рекомендаций по лечению в сфере точной медицины;
● выявление потенциальных случаев мошенничества в банковском секторе и страховой отрасли;
● выявление потенциальных случаев отмывания денег и оповещение следователей;
● обнаружение клиентов, находящихся на грани разрыва отношений с компанией;
● прогнозирование угроз кибербезопасности до их возникновения;
● определение, кто из сотрудников обладает необходимыми навыками для работы на проектах конкретного типа;
● выявление инсайдеров, способных совершить мошенничество или поставить под угрозу безопасность компании;
● прогнозирование появления энергоресурсов, достойных оценки.
В целом этот тип искусственного интеллекта позволяет принимать более взвешенные, оптимизированные и эффективные бизнес-решения. Некоторые из генерируемых им заключений все равно необходимо будет отправлять сотрудникам, ответственным за принятие решений: например, специалист отдела продаж сможет получать рекомендации, кому из клиентов звонить дальше. Другие решения будут принимать сами машины: например, они будут решать, какую цифровую рекламу показать вам при следующем посещении сайта The New York Times. Учитывая ненадежность принимающих решения людей и сложность интерпретации процесса машинного обучения, вполне вероятно, что со временем машины будут самостоятельно принимать (и даже исполнять) все больше решений. Среди этих решений будут и типичные решения, которые сегодня принимаются руководителями среднего звена, например о назначении сотрудников на конкретный проект. Со временем это может урезать роль руководителей среднего звена[87].
Однако, кто бы ни принимал решение, данных, как правило, слишком много, а ответ нужен слишком быстро, чтобы проводить анализ традиционными «кустарными» аналитическими методами. При использовании этой формы машинного обучения аналитик или специалист по обработке данных обычно все же должен запускать процесс и направлять ИИ-программы на анализ конкретных массивов данных, но эти инструменты помогают генерировать гораздо больше моделей на каждого специалиста по количественным данным. Со временем организация либо начнет генерировать гораздо большее число моделей, либо продолжит генерировать то же самое число моделей силами несколько меньшего количества аналитиков.
Такие системы уже способствуют демократизации обработки данных. Поскольку для функционирования этого типа машинного обучения не всегда необходимо детальное знание алгоритмов, аналитику могут осуществлять сотрудники, не являющиеся специалистами по количественным данным. Например, в одном крупном банке заметили, что с помощью инструментов машинного обучения даже бывшая балерина, имеющая лишь степень бакалавра по социологии, смогла провести неплохой анализ того, ка