Пять правил корпоративной
ИИ-трансформации

Искусственный интеллект, до недавних пор воспринимавшийся как технология будущего, прочно вошел в нашу жизнь. Попытки совершенствовать с его помощью деловые процессы предпринимаются в самых разных сферах: от сервиса Spotify с его рекомендациями на основе машинного обучения до устройств «умного» дома вроде Google Home или Amazon Alexa. Надо признать, что многие ранние проекты в этой области провалились. Вспомним хотя бы Tay — чат-бот компании Microsoft, который после общения с враждебно настроенными пользователями Twitter возненавидел человечество, или платформу Watson компании IBM, которая так и не добилась нужных персонализированных результатов в медицине. Успешные ИИ-проекты от неуспешных часто отличают принципы их реализации. Вот несколько стратегий, способных помочь бизнес-лидерам не просто эффективно применять искусственный интеллект в своих организациях, но и успешно адаптировать их для того, чтобы заниматься инновациями, развиваться и успешно конкурировать. 

1. Помните, что ИИ — это средство, а не цель.

Запуская проекты, компания может попасть в ловушку, если будет полагать, что эта технология нужна всегда и везде по умолчанию. Руководство должно придерживаться разумного подхода и тщательно формулировать стратегию работы с ИИ как с инструментом достижения конкретных корпоративных целей. В отчете MIT Sloan Management Review и Boston Consulting Group рекомендуется «отталкиваться от нужного стратегического результата и двигаться назад, а не от ИИ — вперед».

Соответственно, вместо того чтобы перечислять все области, где мог бы пригодиться искусственный интеллект, стоит свериться с задачами компании и найти среди них те, где пригодился бы ИИ. Например, при наличии качественных обучающих данных алгоритмы машинного обучения могут существенно усилить прогностические ресурсы фирмы. Надо отыскать среди корпоративных процессов страдающие от недостаточно точных предсказаний: именно там не только можно, но и нужно применить ИИ.

Типичный пример застарелой проблемы, для решения которой пригодятся сильные стороны искусственного интеллекта, — выявление мошеннических операций с кредитными картами. В прошлом такие транзакции чаще всего обнаруживали постфактум. Но ИИ позволяет банкам находить и блокировать их в режиме реального времени. Располагая огромными массивами данных о прошлых мошеннических операциях и их особенностях, банк с легкостью обучит нужные алгоритмы. Кроме того, сам процесс предсказания и блокирования мошенничества представляет собой тот тип повторяющихся заданий, которые машина может выполнять с недостижимой для человека скоростью и частотой.

2. Собирайте портфолио.

В долгосрочной перспективе выгоднее всего рассматривать искусственный интеллект как инструмент и отыскивать решения, помогающие реализовать стратегию компании. Тем не менее, я не советую, приступая к работе с этой технологией, сосредотачивать все ИИ-ресурсы на одном большом, амбициозном проекте. Я, скорее, за то, чтобы составлять своеобразное ИИ-портфолио и включать в него как небольшие инициативы, позволяющие быстро достичь успеха, так и долгосрочные. Такой подход поможет набраться опыта в сфере ИИ, прийти к внутреннему консенсусу по его поводу — и таким образом заложить фундамент для успеха последующих проектов — более крупных, стратегических, трансформационных.

Быстрый успех обеспечивают небольшие программы, оптимизирующие значимые для сотрудников элементы работы. Скажем, компания может найти болевые точки в повседневных процессах и выяснить, способны ли ИИ-технологии упростить или ускорить их реализацию. Примеры такого применения ИИ в компании — голосовые решения для составления графиков и управления совещаниями или голосовые интерфейсы для поиска. Организацию в целом такие новшества не преобразят — зато продемонстрируют рядовым сотрудникам (в том числе скептически настроенным) преимущества искусственного интеллекта. Все эти проекты позволяют почти без риска приобрести навыки работы с крупными массивами данных, которые пригодятся при реализации более серьезных ИИ-проектов.

Второй компонент портфолио — долгосрочные проекты — существеннее влияет на развитие компании. Он должен поддерживать определенные аспекты бизнес-стратегии. Такие проекты направлены уже не на поиск простых путей оптимизации рабочих процессов, а на их полный пересмотр или даже выработку новых концепций клиентского опыта. К примеру, долгосрочный проект автостраховой компании может предполагать разработку полностью автоматизированного процесса по рассмотрению заявлений о выплате страхового возмещения, который позволит клиентам фотографировать повреждения машины и следить за рассмотрением заявления через приложение. Построение подобных систем, повышающих эффективность и создающих новые интегрированные процессы взаимодействия с клиентом, требует технических навыков и согласованности работы в сфере ИИ — и то и другое должно возникнуть благодаря коротким успешным проектам.

3. Переучивайте сотрудников и вкладывайтесь в них.

Компании должны не только развивать навыки с помощью коротких инициатив, но и системно растить базу талантов, дообучая уже имеющихся сотрудников и нанимая экспертов со стороны. Фокус на развитии кадров особенно важен сейчас, ведь большинство инженеров современных компаний овладели ремеслом еще до повального интереса к машинному обучению, и поэтому специалистов, умеющих запускать ИИ-проекты, всем не хватает — а потребность в переучивании огромна.

В начальный период работы с искусственным интеллектом Google внедрила внутреннюю программу обучения: группе сотрудников предлагалось шесть месяцев трудиться над проектом по машинному обучению под руководством наставника. По завершении программы Google распределила полученных экспертов по продуктовым командам в разных частях компании, чтобы вся организация получила выгоду от новых ИИ-навыков. Если важна экономия, можно переобучить сотрудников, записав их на один из множества доступных сегодня онлайн-курсов.

В упомянутом отчете MIT Sloan Management Review и Boston Consulting Group также показано, что важно развивать навыки, связанные не только с производством, но и с потреблением ИИ-технологий. Менеджерам, например, они пригодятся, чтобы пользоваться ИИ-инструментами и следовать их рекомендациям и выводам. Дело в том, что ИИ-системы редко способны автоматизировать целый процесс за один раз. Они чаще всего помогают участвующему в процессе человеку. Чтобы понять ограничения и возможности современного машинного обучения и решить, где можно положиться на его модели, менеджеру нужны, среди прочего, базовые знания статистики.

4. Играйте вдолгую.

Искусственный интеллект — слишком новая технология, чтобы компании могли уберечься от возможных провалов на ранних стадиях. Неудачи не должны отбивать охоту инвестировать в ИИ. Наоборот, организациям следует противиться желанию спасовать после первого же сбоя. 

Можно вспомнить, что и с передовыми технологиями прежних поколений, например с интернетом или облачными и мобильными вычислениями, поначалу возникало немало проблем. И если компания сдавалась, закрывала или сокращала свои проекты, то в долгосрочной перспективе ее обходили более упорные конкуренты. Предвижу тот же тренд и с ИИ-технологиями. Многие обожгутся на первых инициативах — но сам искусственный интеллект никуда не денется. Те, кто не поддастся унынию и научится работать с умными решениями, преуспеют, оставив далеко позади тех, кто опустил руки.

5. Активно работайте с рисками и предвзятостью алгоритмов.

Компании должны быть в курсе связанных с искусственным интеллектом новых рисков и проактивно управлять ими с самого начала. Затевать ИИ-проекты без понимания этих уникальных угроз — значит непреднамеренно подвергать опасности общество, а саму компанию — дополнительным репутационным, юридическим и регуляторным рискам.

Мы много раз видели, как эти технологии дискриминируют исторически незащищенные группы людей. В частности, ипотечные алгоритмы проявили себя как расисты, а решение от Amazon для помощи в найме — как сексист — правда, компании удалось обнаружить этот недостаток на этапе тестирования. Считается, что алгоритмы заражаются предвзятостью, потому что в них, как и в нас, сочетаются природные и социальные факторы. Природа в конкретном случае — это внутренняя логика алгоритма, а социум — обучающие данные. Как правило, эти данные представляют собой информацию о поведении людей — о конкретных решениях или суждениях, ранее выносившихся по соответствующим вопросам, — например, какого кандидата предпочесть или какую заявку на ипотеку одобрить. Таким образом, наборы данных состоят из предвзятых человеческих решений — и алгоритмы научаются воспроизводить их. Важно понимать, что алгоритмы почти никогда не создают новых предрассудков — все их перекосы определяются человеческими когнитивными искажениями и усиливаются более масштабным (а значит, и более опасным) применением.

Отказываться от применения искусственного интеллекта нет смысла, ведь его альтернатива — человеческое решение — ничем не лучше. Вместо этого следует осознавать, какое общественное зло потенциально несут в себе технологии, и тщательно выпалывать искажения из алгоритмов, прежде чем те успеют навредить социуму. Если не думать о социальных рисках, в какой-то момент придется задуматься о репутационных, юридических и регуляторных (а главное, о существенном ущербе для общества).

Источник: Knowledge at Wharton