кие капиталовложения с наибольшей вероятностью возрастут, если в 2016 г. Дональда Трампа изберут президентом США.
Некоторые специалисты по обработке данных противятся внедрению технологии автоматизированного машинного обучения, опасаясь, что она лишит их работы. Тем не менее я считаю, что работы лишатся лишь те специалисты по количественным данным, которые противятся внедрению подобных технологий.
Учитывая относительную зрелость и простоту использования этой технологии в сравнении со многими другими технологиями ИИ, можно сказать, что техническая сторона вопроса не становится препятствием для широкого внедрения этой технологии в организациях. Как отмечалось выше, для работы с этой технологией не нужны серьезные навыки разработки, особенно если сравнивать ее с другими технологиями ИИ, например глубоким обучением.
Тем не менее преградой может стать доступность данных. Лучше всего машинное обучение работает при наличии большого объема данных (например, тысяч примеров или записей), причем часть данных должна быть маркирована – иными словами, мы должны знать показатели прогнозируемых переменных. Например, если мы пытаемся спрогнозировать факторы, которые могут вызывать у пациентов диабет второго типа, мы должны знать, проявилась ли болезнь у некоторого подмножества пациентов (как правило, его называют набором тренировочных данных). Как уже говорилось, такой тип машинного обучения называется обучением с учителем – именно он применяется в подавляющем большинстве использующих машинное обучение организаций. Многим компаниям нелегко набрать большой объем маркированных данных.
Другая преграда (как и в случае с остальными инструментами ИИ) заключается в том, что многие руководители и бизнесмены не понимают, на что способно машинное обучение. Широкий спектр решаемых задач лишь усугубляет эту проблему. Руководителей необходимо информировать о возможностях машинного обучения. Компания DataRobot, которая специализируется на автоматизации с применением технологий машинного обучения (и которую я консультирую), создала проект «Университет DataRobot», чтобы рассказывать пользователям технологии и руководителям предприятий о ценности и спектре применения машинного обучения.
В одном из солидных американских банков о технологии рассказали сорока руководителям крупного бизнес-подразделения – им пояснили все понятия, описали типичные проекты с использованием машинного обучения и способы его применения в секторе финансовых услуг. После этого группа руководителей предлагала идеи для применения технологии в работе банка. На последнем этапе образовательного процесса были выбраны шесть руководителей важнейших бизнес-направлений, которые должны были найти применение машинному обучению в своих сферах. Теперь в банке запущено множество рабочих проектов с использованием моделей машинного обучения, включая прогнозирование досрочного погашения кредитов и сбор внешних данных о частных компаниях.
Выполнение структурированных цифровых задач
Относительно новая, но уже зрелая технология роботизированной автоматизации процессов (РАП) сочетает целый ряд компетенций для выполнения структурированных, информационно насыщенных цифровых задач. РАП не учится сама – ее необходимо тренировать, чтобы она предпринимала верные действия в различных обстоятельствах, – но может работать автономно и выполнять полезные функции в бизнесе. Проекты РАП характеризуются одним из самых высоких уровней окупаемости среди всех проектов с использованием технологий ИИ, что отчасти объясняется простотой и дешевизной технологии. Как правило, внедрение РАП (которое часто предполагает создание визуальных технологических схем и разработку базовых правил принятия решений) может производиться силами сотрудников, не имеющих отношения к технологиям: одни компании нанимают для этого консультантов, но другие не испытывают потребности в них. Именно эта технология с наибольшей вероятностью со временем заменит работников.
Что такое структурированная цифровая задача? Это повторяющаяся деятельность, которую можно с достаточной точностью определить заранее и которая предполагает принятие решений на основе правил и требует многократного обращения к одной или более информационным системам для вывода и ввода данных. В рамках общего процесса система РАП работает так, как если бы на ее месте был обычный пользователь.
Для РАП не подходят задачи, требующие вынесения независимых суждений, не позволяющие заранее спрогнозировать все случайности, а также подразумевающие непредсказуемое взаимодействие с клиентами или сотрудниками организации. Как правило, РАП не обладает способностью к общению на естественном языке, хотя в некоторых проектах РАП сочетается с чат-ботами или интеллектуальными агентами.
● Выявление и пересмотр записей, которые не соответствуют друг другу.
● Замена утерянных кредитных или дебетовых карт и других финансовых документов.
● Перенос данных из одной системы в другую.
● Сравнение информации из разных систем.
● Автоматизированная генерация отчетов и текстового контента.
● Чтение электронных писем и текстов и генерация стандартных ответов.
● Одобрение транзакций или определение исключений.
● Выдача квитанций, подтверждений и других уведомлений о транзакциях.
Само собой, в прошлом работу, которую сегодня выполняют системы РАП, обычно выполняли люди. Поскольку больше люди ее не выполняют, можно сделать вывод, что эти люди либо больше не работают в организации, либо делают что-то еще. Безусловно, некоторое количество людей лишилось работы, но их не так много, как может показаться. Такие компании, как швейцарский банк UBS, внедряют тысячи роботов РАП (фактически это фрагменты кода, работающие на серверах) для выполнения задач, которые раньше выполняли люди, с целью сокращения штатов. Исполнительный директор UBS сказал, что компания рассчитывает снизить расходы посредством автоматизации, и заметил: «Мы не скрываем, что в определенной степени экономию обеспечит сокращение штатов».
Как и многие крупные организации, UBS ожидает значительной экономии от снижения или ликвидации потребности во внештатных работниках. Можно даже сказать, что задачу, которая достаточно структурирована для передачи на офшорный аутсорсинг, с высокой вероятностью можно передать системе РАП, хотя, конечно, бывают и исключения. При оценке ряда проектов РАП в ходе консультаций было выявлено, что сегодня или в будущем сокращениям подвергнется гораздо больше внештатных, чем штатных сотрудников.
Однако несколько организаций пришли к выводу, что после внедрения РАП сотрудники скорее не лишатся работы, а станут выполнять другие задачи. Работы в организациях часто бывает больше, чем под силу выполнить существующему штату. Например, в NASA роботы РАП не заменяют сотрудников, а выполняют «больше работы параллельно с сотрудниками». Само собой, сотрудники могут обрабатывать выявляемые роботами исключения, а также контролировать и совершенствовать процесс выполнения ключевых задач посредством технологии РАП. Кроме того, сотрудники могут решать неструктурированные задачи, с которыми не справиться роботу РАП.
РАП – относительно дешевая и простая для внедрения технология. Существуют ли преграды для ее широкого внедрения? Да, существуют. Впрочем, обычно они возникают только при внедрении значительного количества роботов.
Одна проблема связана с ИТ-архитектурами. Роботы РАП становятся пользователями существующих систем транзакций и оповещений. Если основополагающая система меняется, в большинстве случаев приходится перепрограммировать и систему РАП. Перепрограммировать нескольких роботов несложно, однако, если их тысячи, на это может уйти немало времени и сил. Наличие большого количества роботов также требует от организации постоянного контроля за тем, какие роботы какие задачи выполняют и к каким системам обращаются в процессе их выполнения.
Вторая проблема, по сути, представляет собой возможность. Внедрение РАП дает возможность перестроить бизнес-процессы, прежде чем автоматизировать их. Эффективное применение технологии может сделать процессы быстрее, продуктивнее и надежнее. Большинство компаний не имеют достаточного опыта перестройки или реконструкции бизнес-процессов, чтобы в полной мере пользоваться всеми преимуществами РАП.
По этим причинам компании, которые решаются на масштабное внедрение РАП, как правило, приглашают консультанта. Этот консультант помогает им произвести обновление ИТ-архитектуры или перестройку процессов, а порой осуществить и то и другое. Без поддержки компания может попасть «в ловушку РАП» или применять роботов для выполнения многих задач, которые вовсе не требуют выполнения.
Управление информацией
Одной из наименее ярких (и наиболее ценных) когнитивных компетенций можно назвать способность управлять информацией для достижения бизнес-целей. Существует несколько вариаций этой компетенции. Пожалуй, шире всего распространено чтение текста с бумаги, которое называется оптическим распознаванием символов (OCR). Технология OCR используется уже несколько десятков лет, но опытным пользователям нередко приходилось создавать шаблоны для разных типов символов и документов, в то время как самой технологии недоставало гибкости. Сегодня OCR на основе ИИ может читать документы различных типов без шаблонов и делать это не только с бумажных, но и с электронных носителей, обрабатывая электронные письма, PDF-файлы и электронные бланки.
Извлеченную с помощью OCR информацию можно сопоставлять и сравнивать различными способами. Крупные компании, например GE, Thompson Reuters и GlaxoSmithKline, используют эти инструменты для создания единственной версии ключевой информации. Они применяют машинное обучение для выявления