Глава 1. «Умный» цех
* * *
Искусственный интеллект в промышленности, логистике и дистрибуции
Веками завод считался образцовым воплощением автоматизации, поэтому рабочих часто оценивали по тем же показателям, что и машины. Следует ли удивляться, что в промышленности между людьми и машинами сложились непростые отношения и рабочий чувствовал, что он находится в заведомо проигрышном положении. И не без основания. С 2000 года промышленность США лишилась пяти миллионов рабочих мест, причем половину сократили из-за повышения производительности и автоматизации производства.
Однако ситуация не столь однозначна, как может показаться на первый взгляд. Как уже говорилось во введении, вторая волна трансформации бизнеса была сосредоточена на автоматизации существующих процессов, именно в тот период многие люди проиграли конкуренцию машинам. Напротив, третья волна включает внедрение полностью переосмысленных адаптивных бизнес-процессов, призванных обеспечить взаимодействие человека и машины. На этом этапе благодаря искусственному интеллекту человек отчасти возвращается на производство; например, рабочие места на сборочных линиях принципиально изменились по характеру и смыслу выполняемых операций, растет и их количество. Искусственный интеллект повышает ценность инженеров и менеджеров. Благодаря искусственному интеллекту возникают совершенно новые специальности и новые возможности для людей, занятых на всех этапах производства.
В эпоху трансформации бизнес-процессов на основе искусственного интеллекта ирония заключается в том, что на заводах и промышленных предприятиях мы наблюдаем возрождение человеческого труда. Все, от рабочего сборочной линии и специалиста по техническому обслуживанию до инженера по робототехнике и руководителя операционного отдела, ощущают, как под влиянием искусственного интеллекта меняется само понятие труда. Искусственный интеллект высвобождает время, потенциал для творчества и ресурсы, позволяя людям не выполнять работу роботов. Значит, с помощью искусственного интеллекта человек сможет работать более творчески и более эффективно, благодаря чему возрастет производительность и снизятся издержки. В долгосрочной перспективе огромное значение приобретает то обстоятельство, что компании заняты переосмыслением своих бизнес-процессов: для людей открываются совершенно новые профессии и возникают новые способы ведения бизнеса, о чем мы подробно поговорим во второй части книги.
Давайте не будем торопить события. Нас ждет трудное путешествие. (Те, кто интересуется историческим контекстом, смогут многое почерпнуть из врезки .) Прежде чем приступать к трансформации бизнес-процессов, должностных обязанностей и бизнес-моделей, нужно ответить на следующие вопросы: с какими задачами лучше всего справляются люди, а с какими — машины? Есть ли такие рабочие места и задачи, которые будут постепенно переходить к роботам, поскольку те лучше людей выполняют рутинные операции и обрабатывают данные? Однако трансформация труда идет не в одностороннем порядке. В этой главе мы поговорим о компаниях, которые уже решили проблему интеграции человека и машины на производстве, при эксплуатации оборудования, в логистике и в аграрном секторе. Эти первопроходцы привлекают к работе как людей, так и машины с искусственным интеллектом, предоставляя им те рабочие места, которым они оптимально соответствуют, — и тем самым оказываются в выигрыше.
Самообучающийся манипулятор
На токийском заводе начинается третья смена — и наступает звездный час роботизированных манипуляторов, которые за ночь могут освоить новые навыки. Манипулятор оснащен видеокамерой и программой на основе машинного обучения, и эти вращающиеся конечности могут без посторонней помощи определить наиболее эффективные способы сборки деталей, после чего передать их далее по конвейеру. Такие операции не требуют дополнительного программирования.
Роботизированные манипуляторы применяются на заводах, к примеру, для нанесения горячего клея, для установки лобовых стекол, для выравнивания кромок металла после его резки. Их предварительно программируют на выполнение конкретной задачи, а когда она меняется, роботов приходится перепрограммировать. Новые роботизированные манипуляторы, разработанные Fanuc в партнерстве с производителем программного обеспечения Preferred Networks (обе фирмы расположены в Японии), могут обучаться самостоятельно благодаря одному из способов машинного обучения — глубокому обучению с подкреплением. Демонстрируем успешный результат роботу, а он самостоятельно учится его достигать методом проб и ошибок.
По свидетельству Шохеи Хидо, ведущего научного сотрудника Preferred Networks, роботу требуется восемь часов, чтобы успешно выполнять задачу в 90% случаев. Практически столько же времени ушло бы у инженера на программирование робота, а так как роботизированный манипулятор умеет обучаться самостоятельно, у программиста высвобождается время для более сложных задач, в частности таких, где требуется вынести суждение, оценить и интерпретировать результаты. Освоив новый навык, робот может делиться приобретенными знаниями с другими роботами, подключенными к сети. Таким образом, восемь манипуляторов, поработавших вместе в течение часа, могут освоить такой же объем навыков, как и один манипулятор, работавший над задачей восемь часов. Этот процесс Хидо называет «распределенным обучением»: «Можете представить тысячу заводских роботов, обменивающихся информацией».
Теперь представьте людей, работающих бок о бок с роботами. Самообучающиеся промышленные роботы прекрасно справляются с рутинными повторяющимися операциями, а также с тяжелой работой. Но на любом предприятии всегда будут задачи, слишком сложные для роботов, — например, подключение многочисленных мелких проводов или работа с движущимися или неудобными для захвата предметами. Для всего этого по-прежнему нужен человек.
Итак, может ли быть успешной совместная работа людей и роботов? История не дает однозначного ответа. Роботы, двигаясь быстро и резко, могут быть полезными и эффективными, но в то же время и опасными для людей. Их часто помещают за защитные барьеры, но это типичное разделение роботов и людей обещает со временем исчезнуть. Так называемые коботы от компаний вроде Rethink Robotics, основанной одним из пионеров робототехники и искусственного интеллекта Родни Бруксом, оснащаются датчиками, позволяющими им различать предметы и избегать столкновения с людьми. Если робот относительно ловок, он прекрасно взаимодействует с человеком. На заводах, оснащенных устройствами Rethink Robotics и подобных компаний, работа часто распределяется между людьми и роботами, трудящимися «плечом к плечу», причем задачи подбираются наиболее соответствующие их возможностям.
Искусственный интеллект на заводе
В течение целого века заводские цеха были главным полигоном роботизации. Здесь можно найти все — от умных конвейерных транспортеров до роботизированных манипуляторов и операционных систем с элементами искусственного интеллекта; завод «умнеет» день ото дня.
Hitachi использует искусственный интеллект для анализа больших данных и выполняемых рабочими-людьми рутинных операций, передавая эту информацию роботам, которые, в свою очередь, передают инструкции сотрудникам, чтобы в режиме реального времени удовлетворять меняющийся спрос и постоянно совершенствовать производственный процесс. В рамках пилотного проекта компания добилась восьмипроцентного роста производительности труда в логистике.
В Siemens используется группа роботов, отпечатанных на 3D-принтере и напоминающих пауков. При помощи искусственного интеллекта эти роботы коммуницируют друг с другом и занимаются сборкой в лаборатории Siemens (Принстон, штат Нью-Джерси). Каждый робот оснащен датчиками с функцией компьютерного зрения и лазерными сканерами, все вместе они подключаются к производственной цепочке «на лету».
В Inertia Switch роботы благодаря системам искусственного интеллекта и сенсорным датчикам могут работать вместе с людьми. Компания использует роботов Universal Robotics, которые могут обучаться на ходу и гибко переключаться между задачами. Таким образом, они становятся прекрасными помощниками работникам-людям в цеху.
Роботы стали более аккуратными и ловкими
Пока длилась вторая «зима» искусственного интеллекта, Родни Брукс выступил с критикой одной из фундаментальных идей, на которых давно базируются исследования искусственного интеллекта. Речь идет о постижении роботами окружающего мира на основе использования заранее определенных наборов символов и взаимосвязей между ними (подробнее см. врезку ). Он высказался в защиту гораздо более надежного подхода: вместо того чтобы заранее каталогизировать окружающий мир, а затем представлять его в виде символов, почему бы не изучать среду при помощи датчиков? «Мир — лучшая модель самого себя», — написал он в знаменитой статье 1990 года под названием «Слоны не играют в шахматы». (Впоследствии Брукс создал компанию iRobot, разработавшую робот-пылесос Roomba, и основал Rethink Robotics. К настоящему времени iRobot выпустила больше всего автономных роботов в мире; в период с 2002 по 2013 год продано более 10 миллионов.)
Сегодня бруксовская трактовка искусственного интеллекта актуальна как в исследовательской, так и в производственной сфере. Rethink Robotics продемонстрировала возможности манипулятора, оснащенного встроенными датчиками и алгоритмами контроля движения, которые помогают роботу «ощущать» свои действия и корректировать их в режиме реального времени. В манипуляторе есть эластичные приводы и сочленения, способные возвращаться в исходное положение; таким образом, он может отклоняться при контакте, гася энергию. Следовательно, даже если он столкнется с объектом (или человеком), удар будет заметно слабее (по сравнению с обычным роботизированным манипулятором).
Что произойдет, когда «железные руки» смогут самостоятельно учиться, как, например, в Fanuc? Либо если манипулятор будет действовать аккуратнее и точнее, как в машинах Rethink? Рабочие на сборочных линиях смогут трудиться вместе с самообучающимися роботизированными манипуляторами. Допустим, человек занят сборкой автомобиля и ему нужно закрепить приборную панель. Робот может поднять ее и установить, а рабочий подкорректирует его действия и закрепит панель, не опасаясь, что громоздкая машина ударит его по голове. Искусственный интеллект помогает как роботам, так и людям проявлять свои сильные стороны, так что весь рабочий процесс на сборочной линии преображается.
Две зимы искусственного интеллекта
Взаимодействие человека и машины — важнейший аспект третьей волны трансформации бизнес-процессов — оказалось тернистым. Изначально искусственный интеллект встречали с большим энтузиазмом, но ожидания не оправдались: за разочарованием вскоре последовал заметный прогресс, что привело ко второй волне ажиотажа и новым разочарованиям. Два этих спада стали называть двумя «зимами» искусственного интеллекта.
Работы в области искусственного интеллекта начались в 1950-е годы, и в последующие десятилетия исследовательский прогресс шел крайне неравномерно. К 1970-м годам финансирование было почти свернуто, тот период называют «первой зимой» искусственного интеллекта. Затем, в течение нескольких лет в 1980-х годах, исследователям удалось добиться отличных результатов в разработке так называемых экспертных систем — компьютерных программ, способных анализировать и делать выводы. Они позволили машине выносить простейшие суждения, а не работать по строгому, заранее предопределенному алгоритму. В то же время набирала обороты революция персональных компьютеров, все внимание переключилось на них, они становились все более доступными для простого человека. Финансирование искусственного интеллекта вновь сократилось, настала «вторая зима» искусственного интеллекта. Такая ситуация сохранялась до начала 2000-х годов.
Появление искусственного интеллекта способствовало трансформации сборочных линий. Инженеры из Фраунгоферовского института логистики (Fraunhofer IML) давно испытывают встраиваемые датчики для создания самонастраиваемых сборочных линий на автомобильных заводах. В сущности, сам конвейер может модифицировать отдельные операции технологического процесса, меняя дополнительные модули и комплектацию для создания автомобилей под заказ. Таким образом, инженеры проектируют не просто конвейер, на котором собирается одна стандартная модель, а конвейер, способный самостоятельно перенастраиваться. Андреас Неттштретер, занимающийся координацией стратегических инициатив в IML, отмечает: «Если одна рабочая станция откажет или сломается, ее функции легко можно будет перекинуть на другие станции конвейера».
Рабочие на сборочной линии решают более сложные задачи, недоступные роботам, а инженерам-технологам не требуется перенастраивать линию при каждом изменении характеристик или поломке. Они могут уделить время более творческим задачам — например, как сделать машины еще эффективнее.
Мониторинг данных
То, что начинается с умных манипуляторов, распространяется по всему заводу и даже за его пределами. Технологии на основе искусственного интеллекта на производстве и, шире, в промышленности освобождают человека. Так, искусственный интеллект изменил сферу технического обслуживания. Сложные ИИ-системы заранее прогнозируют грядущую поломку, а значит, персонал тратит меньше времени на плановые проверки и диагностику и больше — на непосредственно ремонт.
Искусственный интеллект для ускоренного внедрения машин
Sight Machine, стартап из Сан-Франциско, использует аналитику и машинное обучение, помогая клиентам сокращать простои при запуске нового оборудования в цехах. Так, в одном случае удалось сократить время простоя, неизбежное при внедрении новых роботизированных систем, на 50%. Когда все основные средства были введены в эксплуатацию, производительность возросла на 25%. Благодаря новой технологии выросла эффективность производства, а инженеры и специалисты по техобслуживанию смогли сосредоточиться на других, более существенных задачах.
Компания General Electric отслеживает работу поставленного клиентам оборудования. Для этого применяется платформа Predix, оснащенная искусственным интеллектом. В ее основе лежит концепция «цифрового двойника», согласно которой все основные средства на заводе и за его пределами — от болта до ленты конвейера и турбинной лопасти — моделируются и отслеживаются на компьютере. Predix собирает и анализирует огромный объем данных; эти данные можно использовать для переосмысления бизнес-процессов по трем фундаментальным направлениям:
• Переосмысление технического обслуживания. General Electric собирает статистические данные со всех точек, где установлено ее оборудование, и использует технологию машинного обучения для прогнозирования сроков отказа тех или иных деталей (в зависимости от их текущего состояния).
Ранее специалисты по техническому обслуживанию заменяли детали в соответствии с рекомендациями производителя. Так, автомобильные свечи требовалось менять после 120 000 километров пробега. Теперь же заменять их можно по мере износа. Прогнозирование на основе искусственного интеллекта позволяет экономить время и деньги, одновременно повышая заинтересованность ремонтников в своей работе.
• Переосмысление разработки продукта. Дополнительные данные облегчают проведение НИОКР. General Electric устанавливает датчики на деталях турбин, испытывающих наибольшую нагрузку, чтобы отслеживать происходящие в них изменения. В диапазоне рабочих температур датчики буквально сгорают, однако успевают собрать информацию о разогреве турбины. Это помогает лучше понять термодинамику материалов, используемых при изготовлении турбин, и оптимизировать условия эксплуатации. Благодаря датчикам, в распоряжении инженеров оказывается подробнейшая информация, проливающая свет на работу тех или иных систем.
• Переосмысление эксплуатации. General Electric может создавать цифровые двойники на основе полевых данных, собираемых с работающих объектов, например реактивных двигателей. В ходе виртуальных полетов самолет подвергается воздействию низких и высоких температур, пыли, дождя и даже атаке птиц. Компания ведет мониторинг десятков тысяч ветряков, а их цифровые двойники позволяют корректировать работу в режиме реального времени. Анализ этих данных позволил сделать очень важный вывод: в зависимости от направления ветра имеет смысл снижать скорость вращения ведущей турбины по сравнению с расчетной. Когда передняя турбина поглощает меньше энергии, те, что расположены за ней, работают в режиме, близком к оптимальному, увеличивая общую выработку электроэнергии. Этот пример демонстрирует, что модель цифрового двойника не только применима к единичному устройству, но и позволяет оптимизировать работу всей ветряной электростанции. По данным General Electric, цифровые двойники позволяют увеличить производство ветровой энергии на 20%, что эквивалентно $100 миллионам за весь срок эксплуатации ветряной электростанции мощностью 100 мегаватт.
Искусственный интеллект на местности: беспилотные транспортные средства
Дроны, оснащенные искусственным интеллектом, могут послужить человеку «искусственными глазами» в небе или под водой. Благодаря им можно больше не подвергать опасности людей, позволяя удаленно обследовать потенциально опасную территорию.
Австралийская компания Fortescue Metals Group, разрабатывающая железный рудник Cloudbreak, использует дронов для сбора информации о горизонтальном залегании рудных пластов. Парк летающих роботов значительно снижает риск работы на самых опасных участках.
В австралийской горнодобывающей компании BHP Billiton Ltd беспилотные летательные аппараты, оснащенные инфракрасными датчиками и телескопической оптикой, выявляют проблемы, связанные с кран-балками и дорогами, на которых ведутся ремонтные работы. Они также контролируют зоны подрыва, чтобы гарантировать: перед детонацией там нет людей.
Echo Voyager от компании Boeing — беспилотный глубоководный робот, который используется для мониторинга подводной инфраструктуры, забора воды и составления карт дна океана, кроме того, он помогает при разведке нефтяных и газовых месторождений.
Во всех трех случаях Predix освобождает сотрудников от однообразной работы и позволяет им сосредоточиться на более креативных задачах. Специалист по техническому обслуживанию уделяет больше времени устранению сложных неисправностей, не отвлекаясь на рутинный мониторинг. Инженер получает больший объем данных, позволяющих судить, исправно ли функционирует система или дает сбой, что в дальнейшем поможет успешно справляться с более трудными задачами. Наконец, моделирование цифровых двойников открывает огромные возможности для экспериментирования — гораздо шире нынешних. Такие модели помогают применять более креативные подходы к решению проблем, а также выявлять скрытые ранее причины неэффективности — а значит, потенциально экономить время и деньги.
Склад на самообслуживании
Сегодня вы не удивитесь, если, проходя по современному складу или распределительному центру, увидите, как мимо вас катятся роботы. (Небольшая подборка таких умных цепочек поставки и складских роботов приведена во врезке «Искусственный интеллект в складском деле и логистике».)
Искусственный интеллект в складском деле и логистике
Искусственный интеллект решает задачи транспортировки и размещения продукции на складе, меняя наши представления о проектировании складов.
• После того как Amazon в 2012 году приобрела Kiva Robots, стало понятно, что мобильные роботы, передвигающиеся по ее складам, стали главным преимуществом ее бизнес-модели. Роботы помогают поднимать и складывать пластиковые контейнеры, наполненные разными товарами, а также самостоятельно транспортируют товары к людям-«сортировщикам», комплектующим заказы. Благодаря такой скорости компания может обеспечить доставку «день в день».
• L’Oreal использует технологию радиочастотной идентификации (RFID) и машинное обучение для предотвращения несчастных случаев с погрузчиками на итальянском складе компании. Система мониторинга предупреждает операторов погрузчиков и рабочих, проходящих мимо, о том, что поблизости находится такая машина, — и количество несчастных случаев удается снизить.
Такие роботы зачастую весьма продвинуты, чтобы видеть, куда движутся, и понимать, что делают, но и у них есть недостатки. Например, коробка с хлопьями Cheerios может быть повреждена, из-за чего машине не удастся ее захватить. Большинство роботов с такой проблемой не справится. Придется пропустить эту коробку и перейти к следующей. Однако роботы компании Symbotic оснащены алгоритмами машинного зрения, позволяющими оценить очертания упаковки неправильной формы и в любом случае взять ее. Робот может быстро замерить свободное пространство на полке, чтобы убедиться, что коробка туда встанет. В противном случае он оповестит центральную систему управления, которая автоматически перенаправит этот товар на другую полку, куда он точно поместится. Роботы курсируют по складу со скоростью 40 км/ч, переносят грузы, оценивают обстановку при помощи датчиков и действуют по обстоятельствам.
Разница между обычным складом и оснащенным машинами Symbotic разительна. Как правило, паллеты с товаром выгружаются с фуры на специальную платформу; паллеты находятся там до тех пор, пока люди не распакуют их, после чего упаковки с товарами укладываются на ленточные транспортеры и развозятся по разным частям склада. Роботы Symbotic без промедления разбирают товары с паллет и раскладывают их по полкам, поэтому не требуется выделять место для временного размещения паллет. Не нужны и ленточные транспортеры. Таким образом, на складе, оснащенном оборудованием Symbotic, высвобождается дополнительное пространство под стеллажи. Джо Каракаппа, вице-президент Symbotic по развитию, сообщает, что при самом оптимистичном сценарии на складе можно будет разместить вдвое больше товаров или уменьшить его площадь в два раза. Более того, компактные склады легче вписать в сложившиеся микрорайоны, а скоропортящиеся продукты можно хранить ближе к точкам реализации.
Поскольку вся работа персонала сводится к загрузке и разгрузке фур, уместен вопрос: что будет со складскими рабочими? Джо Каракаппа говорит, что многих из них Symbotic переучивает. Например, те, кто занимался ремонтом ленточных транспортеров, обучаются ремонтировать роботов. Появляются и новые специальности. Каракаппа отмечает, что системные операторы отслеживают весь процесс перемещения роботов. «Как правило, до автоматизации на складе не было рабочих таких специальностей, — объясняет он, — но мы набираем их среди сотрудников при активном участии клиента». (Во второй части этой книги мы подробно поговорим о новых специальностях в рамках дискуссии о «недостающей середине».)
Мыслящие цепочки поставки
«Умные» склады — это только начало. В настоящее время технологии искусственного интеллекта позволяют сделать гораздо «умнее» всю цепочку поставок, подобно тому как совершенствуются производственные цеха. Разумеется, компании стремятся избежать любых сбоев в работе логистических цепочек, которые могут быть вызваны самыми разными причинами: качество услуг, предоставляемых поставщиком, политическая нестабильность в регионе, забастовки, неблагоприятные погодные условия и т. п. С этой целью компании собирают и анализируют с помощью искусственного интеллекта данные о поставщиках, помогают составить более полное представление о факторах, влияющих на цепочку поставок, предвосхитить сценарии развития событий и т. д. Компании также хотят свести к минимуму и факторы неопределенности, связанные с последующими этапами реализации. В данном случае искусственный интеллект помогает компаниям оптимизировать прогнозирование спроса, точнее планировать его и лучше контролировать остатки на складах. В результате цепочки поставок становятся более гибкими, способными предусмотреть динамику бизнес-среды и адаптироваться к ней.
Рассмотрим всего один этап работы: прогнозирование спроса. Правильное прогнозирование спроса — болевая точка многих компаний, однако благодаря нейронным сетям, алгоритмам машинного обучения и другим системам искусственного интеллекта можно сгладить остроту этой проблемы. Например, один из лидеров по производству здорового питания активно задействовал возможности машинного обучения для анализа колебаний спроса и трендов при продвижении товаров. Анализ позволил построить надежную модель, способную оценить ожидаемые результаты от стимулирования продаж. Благодаря этому удалось на 20% сократить ошибки прогнозирования и на 30% уменьшить объем нераспроданной продукции.
К подобным результатам стремится и лидер мирового рынка потребительских товаров Procter & Gamble, СЕО которого недавно заявил о намерении сократить логистические издержки на миллиард долларов в год. Отчасти этому будут способствовать краткосрочные меры: речь идет об использовании технологий искусственного интеллекта и интернета вещей (IoT) для автоматизации складов и распределительных центров. Другие возможности связаны с долгосрочными проектами, в частности с адаптацией автоматизированной доставки под запрос клиента (для более чем семи тысяч единиц продукции). Посмотрим, позволят ли компании P&G эта и другие инициативы экономить миллиард долларов каждый год, но уже можно сказать, что искусственный интеллект сыграет в этом важную роль.
Фермы, которые настраиваются сами
Технологии искусственного интеллекта значительно влияют не только на каналы дистрибуции, производство потребительских товаров и промышленного оборудования, но и играют важную роль в производстве продуктов питания. В сельском хозяйстве исключительно остро стоит вопрос повышения производительности труда. Согласно разным статистическим данным, 795 миллионов человек сегодня недоедают, и с поправкой на демографические показатели в следующие 50 лет придется произвести столько же продуктов, сколько за последние десять тысяч лет. Пресная вода и пахотные земли — это ресурсы, которые исторически было сложно приобретать или поддерживать в пригодном для земледелия состоянии. Точное земледелие — активно применяющее искусственный интеллект и узкие данные по сельскохозяйственным культурам — должно значительно увеличить урожайность, уменьшить расход ресурсов, в частности воды и удобрений, и в целом повысить эффективность аграрного сектора.
С этой целью в точном земледелии используется обширная сеть IoT-датчиков, собирающих подробные данные. Используются также фотографии, сделанные со спутников или дронов (благодаря им можно обнаружить признаки стрессовых реакций растений еще до того, как это станет заметно с земли). В полях применяются экологические датчики (позволяющие, например, отслеживать химический состав почвы). Данные также передаются с датчиков, установленных на сельскохозяйственной технике, кроме них используются данные прогнозов погоды и почвенная база данных.
Чтобы лучше понимать собираемые данные, компания Accenture разработала новое решение — сервис точного земледелия, в котором искусственный интеллект помогает принимать рациональные решения с учетом совокупности задач: борьба с вредителями, внесение удобрений и т. д. Данные, поступающие с IoT-датчиков, обрабатываются с помощью технологии машинного обучения; полученную информацию можно использовать двумя способами. Во-первых, переслать непосредственно фермеру, который решит проблему своими силами. Во-вторых, направлять в систему, которая автоматически применит полученные рекомендации. Благодаря механизму обратной связи, использующему актуальные данные с датчиков и аналитику в режиме реального времени, ферма становится самонастраиваемой. Фермеры также могут быть задействованы в этом процессе, например утверждая рекомендации системы. По мере того как система будет становиться все надежнее, человек сможет уделить время другим задачам, автоматизировать которые не так просто.
Искусственный интеллект позволяет внедрять совершенно новые сельскохозяйственные модели, например «вертикальную ферму», где саженцы можно выращивать в многоэтажных лотках. Высота такой «фермы» может достигать десяти метров, ее можно разместить в городах — например, на территории склада. Подобная ферма уже есть в Ньюарке, штат Нью-Джерси, она принадлежит компании AeroFarms. Здесь постоянно аккумулируются данные о температуре, влажности, содержании диоксида углерода и других показателях, программа на базе машинного обучения анализирует эту информацию в режиме реального времени и создает максимально благоприятные условия для выращивания разных культур (в том числе листовой капусты, рукколы и японской капусты мицуна). По данным компании, в ньюаркском комплексе будет использоваться на 95% меньше воды и на 50% меньше удобрений, чем на обычных фермах. А так как растения выращиваются в здании, пестициды им не нужны. По прогнозам AeroFarms, вертикальная ферма в Ньюарке, расположенная всего в 24 километрах от Манхэттена, позволит получать более 900 тонн продукции в год.
Точное земледелие пока не очень распространено, но некоторые связанные с ним технологии — например, анализ спутниковых данных — используются уже много лет. Сегодня все меняется благодаря быстрому распространению интернета вещей, который позволяет своим приложениям получать информацию с датчиков, а затем передавать ее системам машинного обучения. Конечная цель точного земледелия — объединить разрозненные системы таким образом, чтобы они могли вырабатывать рекомендации для фермеров, которые можно применять в режиме реального времени. Как следствие, бизнес-процессы в аграрном секторе будут требовать меньше ресурсов и обеспечат рост урожайности. Согласно прогнозам, рынок услуг точного земледелия к 2020 году вырастет до $4,55 миллиарда. Распространение этих технологий принесет пользу всем: земле, фермерам и сотням миллионов людей, нуждающихся в здоровой и доступной пище.
Искусственный интеллект во имя добра. Akshaya Patra
Индийская некоммерческая организация Akshaya Patra формулирует свою миссию так: «Ни один ребенок в Индии не должен лишиться образования из-за голода». Организация комбинирует возможности искусственного интеллекта с блокчейном (технология цифровых децентрализованных распределенных реестров) и технологиями интернета вещей. Для реализации своей миссии она предлагает программу бесплатных обедов, чтобы школьники сохраняли силы и мотивацию учиться. В 2000 году, на самом старте проекта, Akshaya Patra кормила 1500 детей; к 2017 году программа охватывала уже 1,6 миллиона учащихся. В 2016 году сотрудники Akshaya Patra отпраздновали выдачу двухмиллиардного бесплатного обеда. На текущий момент эта некоммерческая организация добилась повышения эффективности работы кухонь, участвующих в программе, на 20%. Теперь обмен данными в системе ведется только в цифровой форме (тогда как ранее их приходилось вводить вручную), а блокчейн помогает эффективнее организовать аудит, регистрацию участников программы и обработку счетов. Искусственный интеллект применяется для точного прогнозирования спроса, а IoT-датчики отслеживают и упорядочивают процесс приготовления пищи, чтобы минимизировать отходы и поддерживать качество блюд на высоком уровне. Искусственный интеллект в сочетании с этими технологиями поможет Akshaya Patra расширять сферу деятельности — то есть поддерживать силы на учебу еще у большего количества детей.
«Третья волна» в промышленности
В этой главе мы расскажем, как искусственный интеллект меняет суть бизнес-процессов. Заводы и целые отрасли экономики сохранят высокий уровень автоматизации по ряду причин, прежде всего в целях безопасности и высокой эффективности. Новые технологии автоматизации приведут к уничтожению ряда профессий, однако для людей останется достаточно вакансий на производстве, если только руководители сумеют пересмотреть свои взгляды на характер труда и не зацикливаться на ликвидации рабочих мест. Изменение мировоззрения является частью такого элемента модели MELDS, как лидерство, подробно описанного во введении. Концепт лидерства требует от руководителей переосмыслить бизнес-процессы и функционал сотрудников, работающих в области «недостающей середины» (о чем мы подробно поговорим во второй части). Спрос на некоторые навыки растет, более того, появляется потребность в совершенно новых навыках. Как будет показано в главе 8, General Electric и ее клиенты всегда будут нуждаться в специалистах по техническому обслуживанию и ремонту, а работа и навыки этих сотрудников должны быть интегрированы с технологиями. Это еще один элемент MELDS — навыки (skills). Специалисты по техническому обслуживанию будут делать именно то, что удается людям лучше всего: адаптироваться к новым ситуациям и находить новаторские решения возникающих проблем. На долю машин останется изнурительный труд, мониторинг и монотонные операции.
Что касается исследователей, инженеров, фермеров и прочего, данные и аналитика, предоставляемые системами искусственного интеллекта, могут послужить им «третьим глазом». Вот почему в MELDS так важен элемент данные (data). Очень сложные производственные системы становятся понятными. Инженеры и руководители могут устранять ранее скрытые неэффективности и уверенно менять те или иные элементы бизнес-процесса. Если честно оценить сильные стороны людей и машин и понять, что им хорошо удается в сотрудничестве, вам откроется новый спектр возможностей ведения бизнеса и разработки бизнес-процессов (это еще один важный элемент MELDS) — надлежащий образ мышления (mindset). Изучив эти возможности, многие компании запускают инновационный бизнес, например вертикальную ферму. Действительно, именно в процессе экспериментирования (experiment) руководители выявляют инновации, меняющие правила игры и потенциально способные преобразить всю компанию, а возможно, и всю отрасль.
В следующей главе мы обсудим, как искусственный интеллект помогает бэк-офису. Именно там остановилась «вторая волна» автоматизации, и «третья волна» искусственного интеллекта покажется долгожданным облегчением для многих, кому приходится работать с неудобными IT-инструментами или неэффективными процессами. Здесь мы также увидим, как искусственный интеллект и человеческое воображение трансформируют, казалось бы, обыденные явления, открывая новые возможности сотрудничества человека и машины.
Краткая история искусственного интеллекта
Технология искусственного интеллекта, драйвер современных адаптивных процессов, развивалась десятилетиями. Краткий экскурс поможет вам составить представление о том, каковы ее возможности в настоящее время.
Официально считается, что искусственный интеллект как научная дисциплина зародился в 1956 году, когда в Дартмутском колледже на первой конференции по искусственному интеллекту собралась небольшая группа исследователей во главе с Джоном Маккарти. В группу также входили Клод Шеннон, Марвин Минский и другие. На конференции обсуждалось, как машинный интеллект способен имитировать мышление человека.
В сущности, вся конференция представляла собой мозговой штурм, участники которого обсуждали предположение о том, можно ли достичь такой точности в описании любого аспекта обучения и творчества, которая позволяла бы перевести его в математическую модель и воспроизвести на компьютере. Планы были наполеоновскими, начиная с анонса мероприятия: «Будет предпринята попытка выяснить, как научить машину использовать язык, формы, абстракции и понятия, решать задачи, якобы посильные лишь людям, и самосовершенствоваться». Разумеется, это было только начало.
Участникам конференции практически сразу удалось определить направление исследований и согласовать многие математические модели, связанные с концепцией искусственного интеллекта, что послужило источником вдохновения на следующие несколько десятилетий. Так, Минский вместе с Сеймуром Пейпертом написали фундаментальную монографию о сфере применения нейронных сетей и их ограничениях, описав работу искусственного интеллекта с помощью модели биологического нейрона. Именно к этой конференции восходят многие разработки, в частности экспертные системы, обработка естественного языка, компьютерное зрение и мобильные роботы.
Одним из участников конференции был Артур Сэмюэл, инженер из компании IBM, разрабатывавший компьютерную программу для игры в шашки. Его программа должна была оценивать текущее расположение шашек на доске и вычислять вероятность победы. В 1959 году Сэмюэл предложил термин «машинное обучение»: это дисциплина, изучающая, как компьютеры могут усваивать информацию, которая в них исходно не была запрограммирована. В 1961 году его самообучающейся программе удалось обыграть четвертого по силе шашиста в США. Однако поскольку Сэмюэл был человеком скромным и саморекламой не занимался, его работы по машинному обучению получили более широкое признание лишь после его ухода из IBM в 1966 году.
Десятилетиями машинное обучение оставалось в тени, всеобщее внимание было приковано к другим видам искусственного интеллекта. В 1970–1980-е годы исследователи сосредоточились на концепции интеллекта, основанной на символьных вычислениях и логических правилах. Однако в те годы такие формальные системы не нашли практического применения, и неудачи способствовали приходу «первой зимы» искусственного интеллекта.
Интеграция с методами статистики и теории вероятности в 1990-е годы привела к расцвету машинного обучения. Одновременно широчайшее распространение получили персональные компьютеры. В течение следующего десятилетия цифровые системы, датчики, интернет и мобильные телефоны прочно вошли в нашу жизнь, предоставив в распоряжение специалистов по машинному обучению любые виды информации для «тренировки» адаптивных систем.
Сегодня прикладное машинное обучение понимается как создание моделей на основе множеств данных, которые инженеры и специалисты используют для обучения системы. Машинное обучение принципиально отличается от традиционного программирования. Стандартный алгоритм содержит определенную последовательность операций, жестко заданную программными инструкциями или программным кодом. Система машинного обучения может «учиться» в процессе функционирования. Обработав каждый новый набор данных, она обновляет свое «видение» мира. Сегодня, когда машины могут учиться и корректировать свои действия на основе полученных данных, программист напоминает не столько дрессировщика и ментора, сколько педагога и тренера.
В настоящее время повсеместно применяются системы искусственного интеллекта, работающие на основе машинного обучения. В банках они используются для выявления мошенничества, на сайтах знакомств — для подбора потенциальных партнеров, маркетологи с их помощью прогнозируют реакцию целевой аудитории на рекламу, а на сайтах для хранения и обмена фотографиями машинное обучение применяется для автоматического распознавания лиц. Мы проделали долгий путь со времен той игры в шашки. В 2016 году программа AlphaGo от Google продемонстрировала прогресс машинного обучения: компьютер обыграл чемпиона мира по игре в го, гораздо более сложной, чем шахматы или шашки. Характерно, что некоторые ходы AlphaGo оказались столь неожиданными, что наблюдатели сочли их изобретательными и даже «красивыми».
На протяжении десятилетий искусственный интеллект и машинное обучение развивались нелинейно, но их проникновение в продукты и бизнес-процессы за последнее время очевидно указывает на их звездный час. По мнению Дэнни Лэнга, бывшего руководителя отдела по машинному обучению в компании Uber, эта технология наконец-то вырвалась из исследовательских лабораторий и быстро становится «ключевым элементом трансформации бизнеса».
