Что же подешевеет благодаря ИИ? Ответим: прогнозы. Следовательно, согласно законам экономики, мы не только станем чаще пользоваться ими, но и начнем применять в самых неожиданных областях нашей жизни.
Дешевизна создает ценность
Прогнозирование – это процесс заполнения информационных пробелов. Берется имеющаяся информация, называемая данными, и из нее выводится отсутствующая информация. В многочисленных дискуссиях об ИИ подчеркивается разнообразие прогностических методов с непонятными названиями: классификация, кластеризация, регрессия, дерево решений, байесовская оценка решений, нейросети, топологический анализ данных, глубокое обучение, обучение с подкреплением, глубокое обучение с подкреплением, генеративно-состязательные сети и т. д. Специалисты используют для внедрения ИИ соответствующие конкретной прогностической задаче способы.
В книге мы избавим вас от математики, лежащей в основе этих методов. Хотим лишний раз подчеркнуть, что все они касаются прогностики: использования имеющейся информации для генерации отсутствующей. Мы поможем вам определить, в каких ситуациях необходимо иметь прогноз и как получить от него максимальную выгоду.
Удешевление прогностики ведет к ее распространению. Снова элементарная экономика в действии: мы покупаем больше товаров или услуг, если цены на них падают. Например, когда в 1960-е годы зарождалась компьютерная индустрия, цена на арифметику начала быстро снижаться, и там, где она была уже востребована, к ней обращались чаще – например, в Бюро переписи населения США, Министерстве обороны США, НАСА (что отображено в фильме 2016 года «Скрытые фигуры»). Позднее новая, дешевая арифметика нашла применение в сферах, к которым прежде не имела отношения, – таких как фотография. Когда-то фотоновинки разрабатывались благодаря химии, но с удешевлением арифметики появилось и соответствующее решение – цифровые камеры. Цифровой снимок представляет собой всего лишь последовательность нулей и единиц, посредством арифметики преобразуемую в визуальное изображение.
То же касается и прогнозов. Они используются в привычных задачах: управлении запасами и прогнозировании спроса, – но благодаря удешевлению все чаще применяются в сферах, не относящихся к прогностике. Кэтрин Хьюм (сейчас возглавляющая отдел инвестиций в цифровые активы Королевского банка Канады) называет способность осознать проблему и переосмыслить ее как задачу прогнозирования «ИИ-инсайтом». Сегодня инженеры по всему миру все чаще так и поступают. Беспилотный транспорт существует в управляемой среде уже больше двадцати лет, однако функционировал он при наличии подробных планов этажей на заводах и складах. С поэтажным планом разработчики программировали своих роботов двигаться по алгоритму «если, то»: если перед роботом находится человек, то следует команда «стоп». Если полка пуста, то нужно двигаться к следующей. Обычные улицы оставались для роботов недоступными: в городском пространстве может случиться все что угодно – слишком много возникает условий «если, то», всего не предусмотреть.
Беспилотный транспорт не будет работать вне полностью предсказуемой и контролируемой среды до тех пор, пока инженеры не переформулируют проблему навигации в прогностическую. Они уже поняли, что вместо того, чтобы просчитывать для машины действия во всех возможных обстоятельствах, необходимо поставить одну прогностическую задачу: что сделал бы человек? И сейчас компании вкладывают миллиарды долларов в обучение автопилота в неконтролируемой среде, в том числе на городских улицах и шоссе.
Представьте ИИ сидящим в автомобиле рядом с водителем. Человек проезжает миллионы километров, получает данные об окружающей среде с помощью собственных глаз и ушей, обрабатывает эту информацию в своем мозге и действует соответствующим образом: едет прямо или сворачивает, тормозит или разгоняется. Программисты наделили ИИ глазами и ушами – датчиками (камерами, радарами, лазерами). Таким образом ИИ собирает поступающие к нему со всех сторон данные, пока человек управляет автомобилем, и одновременно наблюдает за действиями водителя. Что он делает, получив тот или иной набор данных: поворачивает направо, тормозит или нажимает на газ? Чем дольше ИИ наблюдает за водителем, тем лучше предсказывает его действия, исходя из поступающих данных. ИИ учится водить машину, прогнозируя, как поступил бы человек в соответствующих обстоятельствах.
Когда такой фактор, как прогнозирование, дешевеет, это повышает ценность других вещей. И это критически важно. Экономисты называют их дополняющими факторами. Как снижение стоимости кофе повышает ценность сахара и сливок, так для беспилотных автомобилей снижение стоимости прогнозирования повышает ценность датчиков для сбора данных о том, что происходит вокруг машины. Так, в 2017 году Intel купила израильский стартап Mobileye, заплатив более $15 млрд. Прежде всего компанию интересовала его технология сбора данных, позволявшая машине эффективно распознавать объекты (дорожные знаки, людей и т. д.) и разметку на дорогах.
Благодаря удешевлению прогнозирования будет больше прогнозов и больше дополнений к ним. Эти две простые экономические силы запустят новые возможности, создаваемые алгоритмами. На элементарном уровне машина может снять с человека задачи прогнозирования и таким образом снизить издержки. По мере развития и увеличения мощности таких машин изменится само прогнозирование, а с ним улучшится и качество принимаемых решений. Но в какой-то момент прогностические машины станут столь точными и надежными, что изменят методы работы организации. Некоторые ИИ настолько сильно повлияют на ведение бизнеса, что их перестанут использовать только для повышения производительности в рамках стратегических планов. С их помощью изменится сама стратегия.
От дешевизны к стратегии
Руководители постоянно спрашивают нас: «Как ИИ повлияет на нашу стратегию бизнеса?» Проведем для ответа мысленный эксперимент. Большинство людей делали покупки на Amazon. Как и в остальных онлайн-магазинах, вы открываете сайт, находите нужные вещи, кладете их в корзину, оплачиваете и затем получаете по почте. Сейчас модель Amazon такова: «сначала оплата, потом доставка».
Когда вы заходите на сайт, ИИ Amazon прогнозирует, что вы хотели бы купить, и предлагает соответствующие товары. Это целесообразный труд, однако его результаты далеки от идеала. В нашем случае точность прогнозов не превышает 5 %. И мы заказываем одну из множества рекомендуемых вещей. С учетом миллионного ассортимента это совсем не плохо!
Представьте, что ИИ Amazon собрал больше информации о нас и использует ее для улучшения качества прогнозов, – это усовершенствование сравнимо с поворотом регулятора громкости на колонках, только вместо звука регулируется точность прогнозов.
В определенный момент поворота ручки точность прогнозов ИИ достигает порогового значения и меняет бизнес-модель Amazon. Прогнозы становятся настолько точными, что компании выгоднее присылать вам товары, которые вы предположительно захотите купить, чем ждать, пока вы закажете их на сайте.
В таком случае другие магазины вам уже не нужны, а каждая покупка будет стимулировать следующую. Amazon получит основную долю содержимого вашего кошелька. Очевидно, что это выгодно Amazon, но также удобно и вам. Магазин доставляет покупки до того, как вы их совершили, и таким образом избавляет вас от траты времени на шопинг. С поворотом регулятора точности на максимум бизнес-модель Amazon меняется с «сначала оплата, потом доставка» на «сначала доставка, потом оплата».