ледние два года темп роста снизился вдвое и стал совсем удручающим, а в Европе показатель и того ниже – в последнее время он не превышает 0,5 %.
Само собой, повышение производительности труда означает, что тот же объем работ может выполнять меньшее количество работников. Многие опасаются, что рост производительности труда в результате использования когнитивных инструментов приведет к тому, что многие потеряют работу. С другой стороны, когнитивные технологии могут противодействовать негативному воздействию старения рабочей силы и сокращению доли работающего населения. Я подробнее рассмотрю эти вопросы в главе 8. Но пока кажется, что воздействие когнитивных технологий на рабочую силу будет незначительным и медленным. А производительность труда должна расти, чтобы росла экономика и повышался уровень жизни.
Когнитивные технологии нацелены на интеллектуальный труд, процессы которого особенно важны и проблематичны с точки зрения производительности. Еще в 1959 г. (предложив термин «работник интеллектуального труда») Питер Друкер утверждал, что производительность интеллектуального труда – ключ к экономическому успеху в XXI в. Друкер также отметил, что отрасли с наивысшей долей работников интеллектуального труда – здравоохранение, образование и профессиональные услуги – демонстрируют худший рост производительности. Если бы некоторые из задач могли выполнять умные машины (и теперь им это под силу), разве это не пошло бы всем нам или большинству из нас на пользу?
Меня давно интересует вопрос производительности интеллектуального труда в организациях – в 2005 г. я написал об этом книгу «Как зарабатывать с помощью мышления» (Thinking for a Living). До недавнего времени помочь с интеллектуальными задачами могло лишь сравнительно небольшое количество умных машин. Но при этом они могут существенно преобразить многие профессии и процессы.
Возьмем, к примеру, процесс медицинской диагностики и лечения. Как я указывал в главе 1, компания IBM несколько лет работала над тем, чтобы использовать Watson для диагностики рака и рекомендации методов лечения. Пока Watson не добился окончательного успеха в этом, но IBM и лидирующие медицинские центры, использующие Watson, движутся к этой важной цели. Основное внимание при этом уделяется обучению на основании огромного количества опубликованных медицинских и научных исследований – каждый год появляется около 2,5 млн новых исследовательских статей. Обучение на их основе может привести к повышению показателей излечения, а также обеспечить более свободный доступ к лучшим врачебным практикам даже в отдаленных районах. Это одна из причин, по которой Мемориальный онкологический центр имени Слоуна – Кеттеринга решил работать с Watson – так весь мир мог получить доступ к знаниям и опыту лучших онкологов больницы.
Значительно улучшить диагностику заболеваний также можно с помощью медицинской визуализации. Множество исследований показывает, что компьютерная диагностика с использованием МРТ, КТ или ультразвука уже работает не хуже многих радиологов. Но пока это не привело к снижению расходов на визуализацию, которые в настоящее время составляют около 10 % всех расходов на здравоохранение в США[25]. Еще более высокая точность диагностики, которая вполне достижима при распознавании изображений на базе глубокого обучения, может привести к более широкому распространению компьютерной диагностики в сфере визуализации. Крупные поставщики технологий вроде IBM, некоторые стартапы, крупные производители аппаратов визуализации вроде GE и академические медицинские центры усердно работают над улучшением диагностики на базе визуализации. Прежде чем эти технологии сумеют оказать существенное влияние, потребуется приложить немало сил для разработки стандартов их использования в лечебной работе, но перспективы есть.
Когнитивные технологии также могут поспособствовать удешевлению отпускаемых по рецепту лекарств и сократить время их вывода на рынок. Фармацевтическая компания тратит около 12 лет на исследования, разработку, тестирование и запуск продукта. Несколько компаний, включая Pfizer, Novartis и Celgene, работают с IBM Watson, чтобы быстрее выявлять и выводить на рынок новые лекарства. До сих пор непонятно, выйдет ли из этого толк.
Такие компании, как Pfizer, также используют машинное обучение для анализа данных пациентов и врачей, чтобы понять, какие подходы к лечению лучше всего для пациентов. Компания построила модель, которая использовала анонимизированные данные о назначениях врачей за продолжительный период времени. После того как тысячи переменных были изучены при помощи машинного обучения, анализ показал, что врачи, которые оптимально титровали (то есть определяли наиболее эффективную дозировку) один из препаратов компании Pfizer, добивались лучших результатов при лечении своих пациентов. Этими наблюдениями поделились с отделом продаж, чтобы обеспечить ведение более пациент-ориентированных и оптимизированных разговоров в офисе, а также их встроили в цифровые каналы общения, чтобы доводить значимую информацию до пациентов. Данные обновляются каждые полгода, благодаря чему обеспечивается их актуальность и принимаются взвешенные решения о выделении ресурсов.
Сколько отраслей, столько и функций
Конечно же, когнитивные технологии могут преобразить ключевые виды деятельности многих других отраслей, помимо здравоохранения. Некоторые из них уже подверглись трансформации. Например, можно существенно повысить точность маркетинга и продаж: сотрудники отделов продаж могут звонить только тем клиентам, которые наверняка совершат покупку. Технологии машинного обучения могут анализировать и постоянно обновлять модели «предрасположенности к покупке», которые предсказывают, какие клиенты с наибольшей вероятностью приобретут конкретные продукты и услуги. Компании вроде Cisco Systems и IBM уже создают десятки тысяч моделей такого типа, применяя технологии машинного обучения. Cisco, к примеру, перешла от создания десятков «кустарных», разрабатываемых людьми моделей предрасположенности к автономной генерации около 60 000 моделей. Небольшая группа аналитиков и специалистов по обработке данных ежеквартально генерирует эти модели с использованием технологий машинного обучения в рамках программы Global Customer Insights. В этих моделях учитывается каждый потенциальный покупатель (а их больше сотни миллионов) каждого продукта Cisco в каждой стране, что и объясняет необходимость такого большого количества моделей. Отделы продаж и маркетинга Cisco используют модели, чтобы решить, какие продукты каким клиентам предлагать[26]. Они так сильно опираются на эти модели, что Cisco пришлось внедрить более мощные информационные технологии для генерации моделей в начале каждого квартала, чтобы специалисты отдела продаж могли ими воспользоваться.
В цифровом маркетинге машинное обучение уже используется для таргетирования рекламы, ориентированной на конкретных издателей и индивидуальных потребителей. С этой целью создаются тысячи моделей в неделю. Интерпретировать такое множество сложных моделей часто нелегко, но ставки не настолько высоки (несколько центов за каждое размещение рекламы), чтобы причина, по которой конкретная реклама помещается на конкретный сайт, имела большое значение.
Другие компании работают над маркетинговым использованием технологий машинного обучения для повышения вовлеченности клиентов. Например, Macy's сотрудничает с IBM Watson и Cognitive Scale (поставщиком технологий ИИ из Остина), чтобы улучшить персонализацию и вовлеченность на своем сайте и в мобильном приложении. Технология Cognitive Scale с помощью игры формирует профиль одежды, которая нравится конкретному покупателю. Технология Watson, называемая Macy's OnCall, отвечает на вопросы покупателей в мобильном приложении естественным языком и направляет покупателей в нужные отделы в офлайн-магазинах. Использованный на сайте Macys.com разговорный агент может отвечать на простые текстовые вопросы вроде «Где мой заказ?» и «Как вернуть этот товар?» и уже обрабатывает более 25 % обращений покупателей на сайте, а при необходимости привлекает к общению с покупателем человека. Macy's изучает подобные технологии для использования в своем кол-центре[27].
В сотрудничестве со стартапом ModeAl компания Levi's использует распознавание изображений на базе машинного обучения и глубокого обучения, чтобы поддерживать работу виртуального стилиста, который должен сделать онлайн-шопинг таким же интересным, как и посещение настоящего магазина. Диалоговый интерфейс приложения сочетается с визуальной составляющей, которая помогает клиенту подобрать размер джинсов и других продуктов Levi's. Система также анализирует данные из интернета и социальных сетей, чтобы показать клиентам, как одежду Levi's носят по всему миру.
В сфере обслуживания клиентов на вопросы покупателей все чаще отвечают приложения обработки естественного языка, создаваемые такими компаниями, как IBM (Watson Virtual Agent) и IPsoft (Amelia). Они дают точные ответы в любое время дня, без необходимости ждать. Например, один крупный американский банк каждый год принимает два миллиарда звонков в свои кол-центры и хочет, чтобы Amelia отвечала хотя бы на относительно простые вопросы клиентов – сообщала им остаток по карте и делала переводы.
Организации используют те же самые технологии для взаимодействия с сотрудниками. Хотите спросить в отделе кадров, каковы условия вашей медицинской страховки или сколько у вас осталось дней отпуска? Нужно переустановить пароль или сообщить о неисправности принтера в ИТ-отдел? Вполне вероятно, что вскоре подобные вопросы будут задаваться не человеку, а умной машине. Такие компании, как ServiceNow, которая уже решает многие подобные вопросы при помощи автоматизированной технологии, внедряют в свои продукты технологии машинного обучения, чтобы сделать их более интеллектуальными. Многим сотрудникам не нравится снова и снова отвечать на одни и те же вопросы, так что вполне вероятно, что они не откажутся потерять эту функцию.