Глава 3. Современный инструмент инноваций
* * *
Искусственный интеллект в НИОКР и бизнес-инновациях
Американская компания-производитель автомобилей Tesla достигла немалых успехов. Конечно, она наиболее известна шикарными (и дорогими) автомобилями — в частности, Tesla Roadster, первым электрическим спорткаром, заинтересовавшим не только клиентов, но и инвесторов. Весной 2017 года рыночная капитализация Tesla достигла $50 миллиардов, почти сравнявшись с General Motors. Однако стоит отметить не только стильные электромобили и запредельные рыночные котировки компании, но и то, насколько умно в компании ведутся научные исследования и разработки.
В 2016 году Tesla объявила, что все новые автомобили будут оснащаться оборудованием для беспилотных поездок, в частности комплектом датчиков и бортовым компьютером, управляемым нейронной сетью. Самое интересное: автономные ИИ-программы не будут развернуты полностью. Tesla планирует тестировать водителей на симуляторах, запущенных в фоновом режиме на бортовых компьютерах. Только когда программа уверенно научится водить машину и будет это делать безопаснее человека, автономные программы будут готовы к повсеместному внедрению. Тогда Tesla официально представит программу и удаленно обновит программное обеспечение автомобилей. Иными словами, водители Tesla обучают автопарк компании.
Tesla обучает ИИ-платформу на множестве рассредоточенных испытательных стендов и с использованием наилучших доступных баз данных — в реальных условиях, с участием собственных водителей. В данном случае навыки вождения человека — точнее, множества людей — имеют решающее значение при обучении системы. Искусственный интеллект позволяет Tesla переосмыслить все НИОКР-процессы и на этой основе ускорить разработку собственной системы. Такой инновационный подход к проведению НИОКР позволяет Tesla оставаться лидером в сегменте беспилотных автомобилей.
Не только Tesla задействует искусственный интеллект в научных исследованиях и конструкторских разработках, по-новому сочетая работу машин и людей. В этой главе мы поговорим о том, как именно искусственный интеллект обеспечивает экспериментальную работу, как он трансформирует бизнес-процессы, прежде всего связанные с обслуживанием клиентов, пациентов и других людей, работа с которыми позволяет получить полезную информацию.
Вы узнаете, как искусственный интеллект стимулирует НИОКР в фармацевтике и естественных науках, подкрепляет исследовательскую интуицию, помогает проверять гипотезы и на несколько порядков ускоряет разработку продукта. Благодаря данным, в изобилии поступающим от клиентов и пациентов, меняются традиционные методы исследования и процессы разработки продуктов и услуг. Ранее главная задача компании состояла в поиске флагманского товара для массового рынка, а теперь на первый план выходит адаптация продукта под нужды конкретного клиента, одновременно дающая максимальный экономический эффект.
Новые возможности для исследователя: как устроена наука в эпоху искусственного интеллекта
Для понимания некоторых базовых принципов следует вспомнить историю вопроса. Научный метод — самый понятный и широко применяемый исследовательский подход в мире. Это серия последовательных воспроизводимых шагов. Сначала ставим вопросы и делаем наблюдения. Затем выдвигаем рабочие гипотезы. После этого ставим эксперимент, чтобы проверить прогнозы, сделанные на основе гипотез. После эксперимента обобщаем информацию. Наконец, формулируем теорию. Научный метод можно визуализировать как циклический процесс. Все полученные данные и теории открывают путь для новых наблюдений и дальнейших исследований.
Поскольку этапы научного метода так четко очерчены, неудивительно, что искусственный интеллект потенциально позволяет реорганизовать этот процесс. До настоящего времени научно-исследовательские институты и наукоемкие производства не пересматривали научный метод как таковой, но некоторым удалось существенно расширить или сократить его отдельные этапы. В следующих разделах мы расскажем, как искусственный интеллект трансформирует каждый этап научного метода, с учетом того, какие задачи больше подходят людям, какие — машинам, а где им лучше всего работать вместе.
Новые возможности на этапе наблюдения
Айзек Азимов утверждал, что «самая волнующая фраза, какую можно услышать в науке, — фраза, возвещающая о новых открытиях, и это вовсе не “Эврика!”, а “Вот забавно”». Этап наблюдения в научном процессе нелинеен и полон неожиданных поворотов: ученые погружаются в отчеты о последних исследованиях, обнаруживают необычную химическую реакцию или разговор с коллегой наводит их на мысль по-новому определить исследовательскую задачу.
Только задумайтесь, насколько сложными стали научные наблюдения в наше время, ведь сейчас необходимо учитывать огромное количество исследований и сортировать колоссальные объемы данных. В 2009 году исследователи из Университета Оттавы отметили, что после 1665 года было опубликовано более 50 миллионов научных работ, а в наше время ежегодно публикуется более 2,5 миллиона. И это только статьи. Что же тогда можно сказать обо всем объеме данных — структурированных и неструктурированных, каталогизированных, очищенных, сортированных и несортированных, анализируемых? Мы живем в цифровом мире, ежедневно генерируя умопомрачительные объемы данных. Какие наблюдения можно сделать с их помощью? Как дойти до той точки, когда что-то покажется нам «забавным» или достойным дальнейшего изучения?
Если человеку-исследователю свойственны творческие озарения, то машина, безусловно, превосходит его в структурировании и представлении большого объема данных. Компания Quid использует искусственный интеллект для переосмысления одного из этапов исследовательского процесса, связанного с изучением и обобщением информации. Платформа Quid обрабатывает естественный язык и создает визуализации на основе больших объемов текстовых данных — от патентов до новостных репортажей, — а также сортирует тексты в виде «сетей идей». В интерфейсе, с которым удобнее всего работать через сенсорный экран, концепты, кластеры и фрагменты информации группируются по критерию сходства, а между идеями выявляются сильные и слабые взаимосвязи.
Учиться на ошибках
Исследователи-химики из Хаверфордского колледжа (штат Пенсильвания) воспользовались машинным обучением для извлечения ценной информации из записей об удачных и неудачных экспериментах. Они проанализировали почти четыре тысячи химических реакций, приводящих к образованию кристаллов (записи о них накапливались в лаборатории более десяти лет), в том числе реакций, не давших ожидаемого результата, несмотря на все усилия. Когда анализ данных был завершен — каждая реакция была описана почти по трем сотням признаков, — они задействовали алгоритм машинного обучения, при помощи которого попытались выявить совокупность условий, приводящих к росту кристаллов.
Алгоритму удалось верно спрогнозировать кристаллизацию в 89% случаев, обойдя исследователей с их 78% (они полагались на интуицию и опыт). Алгоритм использовал модель дерева решений, позволившую составить разветвленную блок-схему, описывавшую каждый последующий шаг таким образом, что ученые смогли проследить логику принятых решений. Благодаря такой прозрачности исследователи смогли сформулировать новые гипотезы.
Шивон Зилис, инвестор из Bloomberg Beta, пользуется Quid в самых разных аспектах своей работы. Она может потратить целый день на формулирование тезисов для доклада о зарождающемся технологическом тренде, на поиск поставщиков или консультирование компаний, в которые она инвестирует.
Не имея такого инструмента, как Quid, Зилис пришлось бы двигаться в своих исследованиях буквально на ощупь: искать в Google, тщательно подбирая запросы, либо читать новости из самых разных источников (подборка неизбежно получилась бы ограниченной). Но при помощи Quid Зилис удается визуализировать тенденции, прослеживаемые при анализе более полного набора новостных источников. Она может уловить такие взаимосвязи между технологиями, которые легко могли бы остаться незамеченными. Более того, этот инструмент усиливает научную интуицию Зилис, давая возможность ставить дополнительные вопросы, прослеживать необычные тенденции, доступные при масштабировании рассматриваемого участка сети идей. Quid дает инвестору платформу для выхода на качественно новый уровень наблюдений. Вопросы формулируются быстрее, получаются более точными и конкретными, что открывает возможности для новых и неожиданных направлений научного поиска, позволяя формулировать более умные гипотезы.
«Умная» автоматизированная гипотеза
По итогам наблюдений ученые формулируют гипотезы. В сущности, гипотеза — это возможное и проверяемое объяснение феномена. Что произойдет с научным методом, если гипотезы можно будет генерировать автоматически? Компания GNS Healthcare, работающая в области точной медицины, изучает такую возможность. Она использует мощный программный пакет для машинного обучения и моделирования REFS (что расшифровывается как «обратное проектирование и прогнозное моделирование»), который формулирует гипотезы непосредственно из данных с целью, например, выявить взаимосвязи в медицинских картах пациентов. В одном случае GNS удалось за три месяца воспроизвести двухлетнее исследование, посвященное взаимодействию лекарственных препаратов.
Это исследование было призвано выявить патологические побочные реакции у пожилых пациентов, пользующихся программой Medicare и принимающих несколько препаратов одновременно. Неудачные лекарственные комбинации — это большая проблема, не имеющая стандартного решения: при тестированиях, проводимых FDA, разные комбинации лекарственных препаратов не проверяются, поэтому нет простого способа выяснить, какие из них опасны. В прошлом исследователи полагались на научную интуицию, подсказывавшую, что лекарства со схожей ферментативной активностью могут взаимодействовать с другими препаратами аналогичным образом. Затем исследователи формулировали гипотезу — например, сочетание препарата A с препаратом B приводит к патологической реакции C, — после чего, естественно, проверяли ее. Таким методом ученые могли выяснить, что два распространенных препарата для пожилых людей негативно взаимодействуют друг с другом, но исследование позволяло выявить взаимодействие лишь между двумя конкретными препаратами.
Тестируя систему REFS, компания GNS Healthcare оценила анонимизированные данные примерно от 200 000 пациентов и обширный спектр лекарств, представленных на рынке. Глава GNS Колин Хилл — основатель и СЕО компании — заявил, что данные были зашифрованы. «Мы не знали, что за лекарства проверяем. То есть любые манипуляции исключены». Платформа машинного обучения «перебрала» примерно 45 квадриллионов гипотез и всего через три месяца выдала конечный результат: взаимодействия лекарственных препаратов, которые с наибольшей вероятностью могли приводить к осложнениям.
Хилл утверждает, что люди из его команды не знали, верны ли полученные ими результаты; они просто передали эту информацию ученым, изучающим взаимодействия лекарственных средств. Оказалось, что REFS действительно выявила взаимодействие, на подтверждение которого ученым потребовалось два года. Удалось обнаружить взаимодействие препаратов, которое обсуждали между собой лишь пациенты, а официально его никто не изучал. Исследователи смогли проверить собственные наблюдения, собранные годом ранее, а затем посмотреть записи и увидеть, какие взаимодействия программа обнаружила год спустя. Именно там, в их собственных записях, удалось подтвердить причинно-следственную связь, прежде незамеченную. «Впервые мне довелось узнать, как эти машины добывают новые медицинские знания, — сказал Хилл, — прямо из данных. Человек не участвовал в этом открытии».
GNS Healthcare демонстрирует, что, когда искусственный интеллект привлекается к научному методу на этапе формирования гипотез, удается обнаруживать ранее не выявленные корреляции и причинно-следственные связи, а также существенно сократить издержки. Недавний успех GNS связан с радикальным переосмыслением бизнес-процесса: компании удалось без предварительных гипотез или предположений, а только с помощью метода обратного проектирования воспроизвести PCSK9 — класс препаратов, снижающих уровень «плохого» холестерина в крови. Потребовалось 70 лет, чтобы открыть PCSK9; за десятилетия на исследования были потрачены десятки миллиардов долларов. Применяемые же в GNS модели машинного обучения на основе исходных данных смогли воссоздать всю известную биологическую активность липопротеинов низкой плотности (ЛПНП) всего за десять месяцев и менее чем за миллион долларов.
Переворот в дизайне
Гипотезу необходимо подтвердить или опровергнуть. Это происходит на этапе тестирования, который во многих организациях тесно связан с продуктовым дизайном. Здесь компании могут применять искусственный интеллект и большие данные для рассмотрения бесчисленных альтернатив и последующего сужения поля экспериментов для выбора наиболее перспективных вариантов. Как и в примерах, рассмотренных выше, в данном случае искусственный интеллект помогает организациям перенаправить ресурсы, в том числе наиболее ценный человеческий ресурс, на более важные виды деятельности.
Рассмотрим Nike — компанию, недавно применившую искусственный интеллект для решения конкретной проблемы: проектирование более качественных шиповок для спринтеров. Задача: жесткая шипованная пластина прямо под пальцами спортсмена заставляет его бежать на носочках в буквальном смысле слова. Бегун получает прочную опору, которая обеспечивает максимальное сцепление с поверхностью и облегчает отталкивание. Жесткость проще всего обеспечить за счет сравнительно тяжелых материалов, что увеличивает вес обуви и снижает скорость спринтера.
Дизайнеры Nike, воспользовавшись разработанным в компании ПО, смогли сбалансировать жесткость шипованной пластины и вес обуви, создав новые шиповки буквально с нуля. Вероятно, если бы дизайном занимался человек, он бы начал с имеющейся модели и постепенно совершенствовал ее, пока не пришел к удовлетворительному решению. И все равно оно было бы хуже, чем решение, предложенное машиной. Nike изготовила на 3D-принтере несколько прототипов и испытала их; этот цикл повторялся множество раз, пока не был найден лучший вариант. Финальная модель кроссовок позволяет спринтеру выиграть 1/10 секунды, а такое преимущество порой отделяет первое место от четвертого. Скорость разработки прототипов спортивной обуви Nike позволяет оценить, как искусственный интеллект трансформирует следующий этап научной работы. Интеллектуальные алгоритмы существенно сокращают время, затрачиваемое на испытания (подробнее об использовании искусственного интеллекта при проектировании изделий см. врезку ).
Ускоренные тесты
Многие исследователи согласятся, что наименее приятная часть их работы связана как раз с проведением экспериментов и сбором данных. Другие этапы НИОКР-процесса — совершение открытий и постановка вопросов — приносят гораздо больше удовлетворения. Вот почему они с облегчением осознают, каким благом оказывается искусственный интеллект во время экспериментальных испытаний. Искусственный интеллект берет на себя рутинную часть работы и позволяет ученым сосредоточиться на разработке новых типов испытаний или на формулировании гипотез. Польза для бизнеса в данном случае очевидна: на рынок быстрее выводятся первоклассные продукты.
Конечно, нынешние экспериментальные комплексы во многом похожи на лаборатории, существовавшие несколько десятилетий назад: все те же мыши в клетках, чашки Петри в инкубаторах, титровальные установки и так далее, однако все больше научных дисциплин цифровизуются, то есть все эксперименты моделируются на компьютере. В мы обсуждали платформу Predix, благодаря цифровым двойникам которой GE моделирует и отслеживает состояние всех основных средств на заводе и за его пределами. В реальности нам не требуется Predix, чтобы моделировать наши процессы и проводить испытания. Нужно всего лишь четко представлять все этапы технологического процесса и выделять те данные, которые могут нам потребоваться для разработки модели.
Любые продукты и услуги — от финансовых услуг и страховых полисов до пивоварения и формулы крема для бритья — можно описать в цифровом виде, а значит, оптимизировать. Исторически оптимизационные алгоритмы оставались академической дисциплиной и применялись лишь исследователями. Стартап SigOpt осознал, что благодаря машинному обучению любая цифровая модель может свестись к задаче по оптимизации, а эту проблему решить сравнительно легко. Таким образом широкой аудитории открывается доступ к этому мощному вычислительному инструменту.
«Не обязательно в совершенстве владеть байесовской оптимизацией, чтобы сразу использовать подобные приемы», — считает Скотт Кларк, СЕО SigOpt. Цель компании — освободить узкопрофильных специалистов от необходимости тратить время на настройку цифровых систем (пытаясь найти оптимальные сценарии) и дать им возможность больше экспериментировать.
Искусственный интеллект в разработке продуктов и услуг
Интернет, способствующий коммуникациям и накапливающий всевозможные пользовательские данные, обеспечил качественный сдвиг в методах совершенствования продуктов и услуг, применяемых коммерческими компаниями. Теперь искусственный интеллект позволяет еще быстрее анализировать потребительские предпочтения, обеспечивая персонализацию и адаптацию продукта под нужды конкретного потребителя.
• Пивоваренная компания IntelligentX рекламирует свою продукцию как первое пиво, сваренное искусственным интеллектом. Из отзывов потребителей, получаемых через мессенджер Facebook, компания черпает идеи для совершенствования рецептуры, влияющие в итоге на вкус пива.
• Lenovo использует интеллектуальный анализ текста, чтобы собирать обратную связь от пользователей по всему миру и узнавать об их проблемах. Информация, добытая таким образом, в дальнейшем используется для совершенствования продуктов и услуг.
• Компания Sands Corp. из Лас-Вегаса использует искусственный интеллект для моделирования расстановки игровых автоматов в казино, чтобы оптимизировать прибыль. Отслеживая влияние тех или иных вариантов расстановки автоматов на финансовые показатели, компания постоянно получает новую информацию, которая позволяет планировать обновление.
«Химику, экспериментирующему с реактивами у себя в лаборатории, достаточно открыть ноутбук или запустить SigOpt на смартфоне, — объясняет Кларк. — Программа подскажет: “А теперь попробуйте вот этот опыт”. Либо заметит, что тот или иной эксперимент особенно удался. Она дает подсказки специалистам, причем делает это максимально просто, поэтому исследователю нет необходимости разбираться в принципе ее работы, — говорит Кларк. — Специалисты просто получают наилучшие результаты». Иными словами, инструментарий SigOpt упрощает исследователю одну из самых главных задач: проверку гипотез.
Персонализированная доставка: теория и практика
Проведя эксперименты, ученые выдвигают гипотезы, после чего повторяют весь процесс, начиная с наблюдений. В бизнесе после тестирования и оптимизации продукт выводится на рынок и доставляется потребителю.
Ответственный искусственный интеллект: этика как предпосылка научных открытий
Значительная доля исследований проводится на людях. Чтобы защитить таких испытуемых, во многих учреждениях создаются экспертные советы: это комитеты, одобряющие, отслеживающие и контролирующие подобные исследования. В США без подобных советов невозможно провести ни одно академическое исследование, однако в коммерческом секторе таких советов практически нет. Однако некоторые компании, например Facebook, решили самостоятельно разработать собственные правила, касающиеся создания внутренних комитетов по исследовательской этике. Эти правила основаны на протоколах действующих экспертных советов, но могут отличаться по степени прозрачности информации и корпоративной принадлежности людей, которые допускаются в состав таких комитетов.
Положение осложняется тем, что, за исключением фармацевтической индустрии, не существует стандартного протокола, позволяющего определить, требуется ли провести испытание нового продукта на людях или как именно следует действовать компании в процессе его разработки и тестирования. Естественно, когда речь заходит о новых технологиях вообще и об искусственном интеллекте в частности, мы сталкиваемся со множеством проблем этического характера. Так, Facebook спровоцировал общественную дискуссию, когда выяснилось, что в ходе одного из своих экспериментов компания манипулировала контентом, отображаемым в пользовательских новостных лентах, — увеличивала количество положительных или негативных постов, — чтобы проверить, как это отразится на настроении пользователей. Один колумнист Forbes даже задался вопросом: «Может ли Facebook манипулировать нашим сознанием в научных целях?»
Во второй части мы исследуем проблемы, связанные с этикой применения искусственного интеллекта в НИОКР и других областях. В главе 5 мы расскажем, как в компаниях появляются новые должности, например «менеджер по соблюдению этических норм», — фактически это официальный корпоративный надзиратель и омбудсмен, гарантирующий, что компания придерживается общепринятых норм и ценностей.
Многие тенденции — в частности, растущая доступность пользовательских данных — выводят нас на новый уровень персонализации продукта и его доставки с учетом интересов конкретного клиента. В мы разобрали, каким образом благодаря искусственному интеллекту производство кастомизированных продуктов, например автомобилей, становится экономически целесообразным. В мы рассказали, как искусственный интеллект может превратить рутинные операции бэк-офиса в персонализированные услуги, повышающие степень удовлетворенности клиента. Искусственный интеллект также задействован в отделах научных исследований и разработок, отвечающих за широкую персонализацию. (Проблема разумного баланса между персонализацией и конфиденциальностью кратко рассмотрена во врезке ).
Возьмем, к примеру, сферу здравоохранения. Искусственный интеллект открывает нам путь в эпоху «персонализированной медицины», основанной на генетических исследованиях. В прошлом было практически невозможно применять все возможные варианты лечения конкретного пациента и анализировать результаты вручную. Сегодня такие задачи решаются при помощи интеллектуальных систем. Через несколько десятилетий (или ранее) покажется абсурдным, что врачи лечили по одному протоколу самых разных своих пациентов. Каждому человеку будет подбираться индивидуальный курс лечения.
Именно в этом контексте аналитическая компания GNS обрабатывает огромные объемы данных, подбирая препараты и немедикаментозные методы лечения для каждого пациента. По мнению сооснователя компании Хилла, можно улучшить результаты лечения, снизить расходы и сэкономить сотни миллиардов долларов, подбирая препараты в индивидуальном порядке. Сейчас доступно такое множество данных о геномах конкретных пациентов и о чувствительности к разным химическим веществам, что больше не имеет смысла назначать лечение «одно на всех». Персонализированные методы лечения могут решить актуальную проблему, возникающую при клинических исследованиях: около 80% таких испытаний завершаются неудачей из-за индивидуальной несовместимости пациента и препарата.
Фактор риска в НИОКР
Применение искусственного интеллекта на разных этапах НИОКР — в ходе наблюдений, формулирования гипотез, проведения экспериментов и так далее — дает ощутимый положительный эффект. Открытия, путь к которым занимал десятилетие, теперь воспроизводятся за считаные месяцы без какого-либо человеческого вмешательства, благодаря чему существенно экономятся время и ресурсы. Вот почему компании смогли в корне переосмыслить подход к научным исследованиям и разработкам.
В прошлом исследования и разработки далеко не всегда завершались успехом, что оборачивалось ежегодными убытками в десятки миллионов долларов и выше. Именно поэтому компании не спешили рисковать и финансировать фундаментальные исследовательские проекты. Однако с внедрением искусственного интеллекта в «конвейер» НИОКР одни проекты ускоряются, а у других повышается вероятность успешного завершения. В таком случае можно высвободить дополнительные средства на более рискованные — и потенциально наиболее прибыльные и прорывные — исследовательские инициативы.
Искусственный интеллект в здравоохранении и естественных науках
В сфере здравоохранения искусственный интеллект помогает ученым и врачам сосредоточиться на самых важных задачах, чтобы повысить качество жизни пациентов.
• Компания Berg Health использует искусственный интеллект для анализа информации о пациенте и составления «молекулярной карты», с помощью которой оценивает вероятность того, что больной раком поджелудочной железы положительно отреагирует на второй этап лечения, применяемого в Berg.
• Исследователи из детской больницы города Цинциннати используют машинное обучение, чтобы точнее прогнозировать готовность пациентов участвовать в клинических исследованиях. В настоящий момент этот показатель составляет около 60%, но врачи надеются, что искусственный интеллект позволит повысить эту цифру до 72%.
• Компания Johnson & Johnson обучает платформу Watson от IBM быстро читать и анализировать научные публикации, чтобы экономить время ученых и ускорять процесс изыскания новых лекарств.
Типичный пример — фармацевтика. Традиционно разработка нового препарата начиналась с химика-технолога: такие специалисты хорошо умеют концентрироваться на задаче и подыскивать подходящие молекулы. «К сожалению, они успевают проверить в лучшем случае 1% своих идей, — объясняет Брендон Олгуд, технический директор и сооснователь компании Numerate. — Приходится запускать своеобразную сортировку, сужая круг идей, которые, очевидно, можно апробировать. Во многом эта выборка субъективна и основана на здравом смысле».
Numerate использует машинное обучение, чтобы выявить соединения, которые с наибольшей вероятностью окажутся максимально эффективными при лечении конкретных заболеваний. Благодаря этой технологии удалось разработать более эффективный препарат, назначаемый больным ВИЧ, всего за шесть месяцев — тогда как разработка нынешнего потребовала десяти лет и $20 миллионов. «Наша система машинного обучения позволяет запрограммировать все эти по-настоящему хорошие идеи, чтобы программа могла перебрать миллиард молекул и сократить это множество до сотни-двух, — говорит Олгуд. — Она позволяет проработать огромное количество идей, до которых мы бы даже не додумались, — я бы назвал такие идеи “экзотическими”, — а теперь у нас появляется возможность их протестировать… программа позволяет нам действовать креативнее, мыслить шире и апробировать разные идеи».
Повышение эффективности НИОКР при помощи интеллектуальных систем
На каждом этапе НИОКР искусственный интеллект значительно расширяет возможности исследователей и разработчиков продукта. Благодаря ему можно переосмыслить весь процесс планирования испытаний, высвободить ресурсы на изучение направлений, которые ранее оставались вне поля зрения, поскольку требовали слишком много времени и денег. В этой главе мы увидели, как компании вроде Tesla при помощи искусственного интеллекта переосмысливают процесс разработки и испытаний нового поколения беспилотных автомобилей, — речь об экспериментировании, одном из элементов MELDS. Искусственный интеллект также позволяет ученым извлекать данные из уже завершившихся испытаний, чтобы совершать научные прорывы и проводить виртуальные эксперименты для ускоренной проверки гипотез. Это требует изменения необходимых навыков сотрудника — элемент S в MELDS. Так, когда разработчики продукта имеют возможность запустить цифровое моделирование для тестирования нового дизайна, это экономит им средства и время, позволяя избежать рутинной работы, связанной с конструированием модели-прототипа. Таким образом, разработчики могут сосредоточиться на создании инновационных продуктов. Благодаря искусственному интеллекту происходят фундаментальные перемены в мышлении — начинается проработка идей, которые изначально казались малоперспективными, однако в дальнейшем могут привести к прорыву. Мы уже наблюдаем этот процесс в фармацевтике. Поскольку компании все активнее задействуют инструментарий искусственного интеллекта для перестройки своих НИОКР-процессов, лидеры (L в аббревиатуре MELDS) должны учитывать этические проблемы, особенно когда испытания проводятся на людях.
В следующей главе мы перейдем от НИОКР к маркетингу и продажам. В этих сферах влияние искусственного интеллекта столь же значительно, а возможно, и больше, ведь технологии машинного обучения (например, Siri от Apple и Alexa от Amazon) становятся цифровым воплощением этих брендов.
