ь крупных организаций, проведенном в конце 2017 г. компанией NewVantage Partners, 53 % заявили, что тратит на технологии больших данных и ИИ менее $50 млн. Использование когнитивных технологий на уровне организаций только начинается, поэтому большинство компаний еще не имеет устоявшегося бюджета для них.
Опрос ИТ-директоров транснациональных компаний показывает, что многие внедряют ИИ с еще большей осторожностью. Ежегодный опрос ИТ-директоров проводит компания Gartner, и неудивительно, что в опросе 2018 г. (проведенном в середине 2017 г.) особенное внимание уделялось технологиям ИИ. В опросе приняло участие 3100 ИТ-директоров, из которых только 4 % заявили, что их компании уже выделили средства и внедрили технологии ИИ, и еще 21 % сказали, что в их компаниях «строятся краткосрочные планы и проводятся эксперименты» по внедрению технологий ИИ. В среднесрочной и долгосрочной перспективе внедрять ИИ планировали также 25 % компаний, а 49 % опрошенных сказали, что технологии ИИ не представляют интереса для их компаний или «изучаются, но не планируются к внедрению»[31].
Компании из опроса Deloitte успели запустить пилотные проекты и провести испытания, а также начали внедрять технологии ИИ в производство. У 34 % опрошенных было запущено от трех до пяти пилотных проектов. Кроме того, 28 % опрошенных заявили о наличии «одного-двух» пилотных проектов, а 20 % – о наличии «от шести до десяти» проектов. На производстве технологии распространены не так широко: по 31 % опрошенных ответили, что их компании нашли «одно-два» или «три – пять» применений технологиям ИИ. Компании, где было больше проектов, сообщали о более высокой выгоде (рис. 2.1). В интервью после опроса представитель компании, производящей потребительские товары, отметил, что компания запустила несколько небольших пилотных проектов с использованием технологии машинного обучения, но все они отвечали одной цели – лучше понять клиентов и определить эффективность стимулирования сбыта и маркетинговых расходов.
Определить степень приверженности компании технологиям ИИ можно также на основании того, где компания предпочитает эти технологии применять. О высоком уровне приверженности свидетельствует использование технологий для работы с клиентами или для генерации доходов, например в сфере продаж. Использование технологий для решения корпоративных задач (например, в ИТ-службе, о чем чаще всего говорили в опросе Deloitte) пока свидетельствует о более низком уровне вовлеченности. Несомненно, многие компании используют технологии самоуправляющихся систем, чтобы мониторить работу серверов и перезагружать их, или применяют интеллектуальных агентов для ответа на ИТ-вопросы. Все это важно, но вряд ли у генеральных директоров может захватить от этого дух.
Само собой, некоторые компании используют технологии для взаимодействия с клиентами и оптимизации операционной деятельности. На втором месте после применения в сфере ИТ в опросе Deloitte стояло применение технологий для разработки продуктов и проведения исследований (об этом заявили 44 % опрошенных). Кроме того, многие упоминали, что их компании применяют технологии ИИ при обслуживании клиентов (40 %), в цепочке поставок и закупок (38 %), в процессе обслуживания оборудования (37 %) и производства (32 %).
Когда компании освоятся в мире когнитивных технологий и накопят опыт работы с ними (и когда сами технологии «повзрослеют»), мы, без сомнения, увидим, как они станут более непосредственно применяться при работе с клиентами и приносить более очевидную прибыль. Пока имеет смысл экспериментировать с ними, как это делают многие компании. Однако эти эксперименты будут иметь смысл, только если хотя бы некоторые из них приведут к внедрению технологий в производство.
С какими трудностями сталкиваются компании
Однажды мой друг, не первый десяток лет работающий в ИТ-сфере, отметил, что авторы книг об ИИ должны писать честно: «Эта дрянь по-прежнему сложна». Возможно, сложнее всего встроить когнитивные технологии в существующие системы и бизнес-процессы. Таким был вывод опроса об осведомленности о когнитивных технологиях, где 47 % сказали, что им «сложно встраивать когнитивные проекты в существующие процессы и системы». И все же, если не провести эту интеграцию должным образом, организация не сможет успешно внедрить когнитивные технологии в производство.
В случае с большинством технологий ИИ необходимо сначала разработать модель, которая затем должна быть встроена в существующую систему. Часто разработать модель гораздо проще, чем внедрить. Некоторые поставщики технологий, например канадский стартап Element AI, утверждают, что разрабатывают продукт «ИИ как услуга», чтобы облегчить интеграцию. Как я расскажу в главе 7, есть и другой способ облегчить интеграцию – внедрить в свою деятельность когнитивные инструменты, которые используют в своих приложениях поставщики технологий или крупные системы обработки транзакций, включая системы распределения ресурсов, управления взаимодействием с клиентами и управления кадрами.
При ответе на другие вопросы 40 % опрошенных сочли «технологии и навыки слишком дорогими», а 37 % пожаловались, что «руководители не понимают когнитивные технологии и принцип их работы». Кроме того, 35 % заявили, что сталкиваются с трудностями из-за «невозможности найти достаточное количество специалистов, имеющих опыт работы с этими технологиями». Несколько меньше оказалась доля людей, назвавших технологии «незрелыми» (31 %) или «слишком разрекламированными» (18 %).
Разработка некоторых приложений на основе когнитивных систем не вызывает затруднений, если выбрана верная технология. Не все технологии ужасно сложны: например, внедрить роботизированную автоматизацию процессов (РАП) довольно легко, хотя при масштабном внедрении РАП могут возникнуть трудности, связанные с ее интеграцией с существующими технологиями и последующим изменением итоговых архитектур. Статистическое машинное обучение с использованием маркированных тренировочных данных также не вызовет особых сложностей у любого, кто имеет опыт в аналитике. Относительно несложно разрабатывать небольшие системы на основе правил.
Однако другие аспекты работы с когнитивными технологиями по-прежнему тяжело даются большинству организаций. Например, запрограммировать компьютер на глубокое обучение вполне возможно, хоть и непросто, но затем необходимо предоставить ему огромный объем маркированных данных, чтобы он сумел разработать эффективную модель, а как я уже заметил, результаты такой деятельности с трудом поддаются интерпретации, даже если их интерпретируют специалисты по работе с данными, имеющие докторскую степень. В целом эффективное использование технологий обычно требует большого опыта, но найти специалистов нелегко, а финансировать их затратно.
Компьютерам по-прежнему сложно понимать язык. Если посмотреть рекламу IBM Watson, может сложиться впечатление, что достаточно просто задать Watson текстовый или устный вопрос – и компьютер тотчас выдаст на него умный ответ. Как правило, это не так. Чтобы машина научилась обрабатывать язык, необходимо для начала его структурировать. Как заметил в своей статье генеральный директор Earley Information Sciences и мой хороший друг Сет Эрли, «ИИ невозможен без ИА» (информационной архитектуры)[32].
Например, банк Morgan Stanley разработал новую систему (подобную системе банка DBS и основанную на машинном обучении), чтобы выявлять инвестиционные возможности, которые финансовые советники смогут представлять клиентам. Система работает хорошо, но в Morgan Stanley хотят добавить в нее возможность анализировать отчеты инвестиционных аналитиков банка, чтобы давать рекомендации клиентам. Однако каждый аналитик пишет отчет по-своему, а структура отчетов сильно различается. По словам экспертов банка по технологиям, нет такой технологии, которая извлекала бы из этих отчетов важную информацию, чтобы использовать ее в когнитивном приложении. Единственный способ добиться этого – убедить инвестиционных аналитиков лучше структурировать свои документы и писать в едином стиле, но аналитикам это вряд ли понравится. В данный момент документы «обрабатывают» внештатные сотрудники из других стран, которые приводят отчеты в единый формат.
Структурировать человеческий язык очень сложно – и это одна из причин, по которой реализация проектов IBM Watson часто занимает гораздо больше времени и требует гораздо больших вложений, чем изначально ожидают организации. В частности, если вы первым внедряете технологию в своей отрасли, вам придется научить Watson языку своей отрасли, а также найти способ структурировать информацию, которую он должен поглотить. Такое случается и с другими приложениями для обработки естественного языка.
Внедрять интеллектуальных агентов несколько проще, однако их нелегко натаскать до такого уровня, чтобы клиенты готовы были обращаться именно к ним. Как правило, для этого компании приходится составить словарь терминов, которые могут всплывать при взаимодействии с агентом и между агентами, то есть диалоговый граф. Если вы делаете это первым в своей отрасли, вам понадобится по меньшей мере несколько месяцев. Даже если кто-то в вашей отрасли уже делал это и поставщик технологий делится с вами результатом, вам все равно, скорее всего, потребуется персонализация.
В целом всем, кто внедряет когнитивные технологии, важно помнить, что они еще не достигли зрелости. Сегодня прогресс идет быстро, но, если вы шагаете в авангарде этого прогресса, готовьтесь столкнуться с трудностями. Прежде чем взяться за конкретный проект, имеет смысл оценить, насколько близко к авангарду вы окажетесь.
Несмотря на эти и другие сложности, некоторые компании внедряют когнитивные технологии и умело продвигаются вперед. В следующей главе мы поговорим о том, что именно они делают и как прогрессируют, даже если используемые ими технологии еще далеки от совершенства.