С повышением точности прогнозов ценность суждений растет. Ведь информация о вероятности дождя не поможет ничем, если вы точно не знаете, что вам важнее – не промокнуть или не обременять себя зонтиком.

Прогностические машины, в отличие от людей, не способны к суждениям, потому что только человек может сформулировать относительную отдачу от разных действий. Прогноз полностью возлагается на ИИ, поэтому людям для принятия решений реже придется раздумывать одновременно над прогнозом и суждением, и они сосредоточатся только на последнем. Это создаст диалоговый интерфейс между машинным прогнозом и человеческим суждением – аналогично запуску альтернативного запроса в динамической таблице или базе данных.

С повышением точности прогнозов появилось больше возможностей рассмотрения отдачи от действий – иными словами, больше возможностей для суждений. А это значит, что с точными, быстрыми и дешевыми прогнозами нам придется принимать решения чаще.

Сети кредитных карт, такие как MasterСard, Visa и American Express, постоянно прогнозируют и оценивают. Им необходимо прогнозировать, отвечают ли просители кредитных карт их стандартам кредитоспособности. Если нет, то в выдаче кредитной карты будет отказано. Можно подумать, что роль играет только прогноз, но суждение тоже имеет большое значение. Кредитоспособность – понятие растяжимое, и компании приходится взвешивать, какой риск она готова на себя взять с учетом разных процентных ставок и долей невозврата. Такие решения приводят к разработке заметно различающихся бизнес-моделей – от люксовой платиновой карты American Express до базового уровня, ориентированного на студентов.

Компании также необходимо прогнозировать правомерность каждой транзакции. Как и в примере с зонтиком, компания взвешивает четыре отдельных исхода (рис. 6.1).

Рис. 6.1. Четыре исхода для кредитных компаний

Компания прогнозирует, является снятие денег мошенническим или правомерным, далее решает, авторизовать или отклонить транзакцию, а затем оценивает каждый исход (отклонить мошенническую транзакцию – хорошо, разозлить клиента отклонением правомерной транзакции – плохо). Если бы эмитенты кредитных карт идеально прогнозировали мошенничество, все было бы отлично. Но они этого не могут.

Например, у Джошуа Ганса регулярно отклоняют транзакцию при покупке беговых кроссовок – он приобретает их примерно раз в год, обычно в стоковых магазинах и находясь в отпуске. Уже много лет ему приходится звонить в банк для одобрения транзакции.

Кредитные карты чаще всего крадут в торговых центрах, и, как правило, мошенники сразу приобретают одежду и обувь (вещи легко перевести в наличные после возврата в любом магазине сети). И поскольку Джошуа редко покупает одежду и обувь и нечасто посещает торговые центры, банк прогнозирует высокую вероятность кражи кредитки. Это вполне логичное предположение.

Факторы, влияющие на прогноз о том, украдена ли карта, разделяются на общие (вид транзакции, например покупка беговых кроссовок) и частные (в данном случае это возраст и частота покупок). При сочетании факторов алгоритмы, отслеживающие транзакции, усложняются.

ИИ обещает сделать прогнозы гораздо более точными, особенно при наличии одновременно общей и индивидуальной информации. Например, с учетом данных транзакций Джошуа за многие годы прогностическая машина могла бы обнаружить в них закономерности, в том числе ежегодную покупку кроссовок примерно в одно и то же время. И считать эту покупку обычной для конкретного человека, а не классифицировать как подозрительную. Прогностической машине стоило бы учитывать и другие вещи, например, сколько времени потребуется на выбор вещей и покупку, если произошли две транзакции подряд в разных магазинах. Когда прогноз мошеннических транзакций станет точнее, банки смогут с большей уверенностью отклонять их, в некоторых случаях даже не связываясь с клиентом. И это время не за горами. Последняя покупка беговых кроссовок в стоковом магазине прошла у Джошуа без осложнений.

Пока прогностические машины еще совершенствуются в прогнозировании мошенничества, банкам приходится вычислять цену ошибки, что требует суждения. Предположим, что прогноз не идеален и вероятность ошибки равна 10 %. Тогда если компания отклонит транзакцию, то будет права в 90 % случаев и сэкономит издержки по возмещению неавторизованной транзакции. Но существует 10 % вероятности отклонения правомерной транзакции, и в таком случае компания получает недовольного клиента. Для выбора правильных действий необходимо сопоставить издержки по выявлению мошенничества с издержками, связанными с разочарованием клиента. У банков готового ответа на этот вопрос нет. Им следует все взвешивать: это и есть суждение.

Все точно так же, как и в примере с зонтиком, но вместо нести / не нести и промокнуть / не промокнуть на чаше весов мошенничество и удовлетворение клиента. В данном случае, поскольку вероятность мошенничества в девять раз выше, чем правомерной транзакции, компания не отклонит операцию только при условии, что удовлетворение клиента в девять раз важнее возможных издержек.

Что касается мошенничества с кредитными картами, о вариантах отдачи судить достаточно легко. Очень вероятно, что издержки на компенсацию обладают особой денежной ценностью, которую сеть может определить. Предположим, компенсация за транзакцию в $100 составляет $20. Если разочарование клиента стоит меньше $180, есть смысл отклонить транзакцию (10 % от $180 составит $18 – столько же, сколько 90 % от $20). Большинство клиентов отклонение одной транзакции не приведет к разочарованию, эквивалентному $180. Сети кредитных карт также должны оценить вероятность того, что конкретный клиент является исключением. Скажем, у держателя платиновой кредитки с высоким уровнем чистой стоимости, скорее всего, есть и другие, и после отклонения транзакции он может перестать пользоваться этой картой. А если клиент в отпуске и собирается потратить много денег, сеть много на нем потеряет.

Выявление мошеннических транзакций – четко определенный процесс, хотя и довольно сложный, поэтому мы так часто приводим его в пример. Но во многих других решениях потенциальные действия еще сложнее (не просто отклонение или подтверждение операции), а возможные ситуации (или состояния) варьируются.

Суждение требует понимания отдачи от любой пары «действие+ситуация». В примере с кредитными картами всего четыре исхода (или восемь, если отделить клиентов с высоким уровнем чистой стоимости от остальных). Если у вас, скажем, десять вариантов действий и двадцать возможных ситуаций, нужно вынести суждения по двум сотням исходов. А с дальнейшим усложнением количество вариантов отдачи превышает все мыслимые пределы.

Люди, изучавшие принятие решений в прошлом, принимали отдачу как данность – она просто есть. Вам нравится шоколадное мороженое, а вашему другу – манговое, и несущественно, как каждый пришел к своему мнению. Аналогично мы предполагаем, что большинство компаний стремится к увеличению прибыли или стоимости акционерного капитала. Интересующиеся вопросами ценообразования экономисты обнаружили, что эти показатели удобно принимать на веру.

Отдача очевидна достаточно редко, а ее анализ требует времени и денег. Однако с развитием прогностических машин мы все чаще возвращаемся к поиску логики и мотивации ценности отдачи.

Выражаясь языком экономистов, основные издержки на анализ отдачи измеряются временем. Рассмотрим конкретный способ определения отдачи: взвешивание и размышление. Чтобы понять, чего вы действительно хотите добиться или каковы издержки от разочарования клиента, требуется некоторое время подумать, все проанализировать и, возможно, попросить совета у эксперта. Можно также посвятить это время исследованиям вариантов отдачи.

Для выявления мошенничества в первую очередь необходимо взвесить варианты отдачи в виде удовлетворенного или неудовлетворенного клиента и издержки, связанные с подтверждением неправомерных транзакций. Дополнительно необходимо продумать варианты отдачи для клиентов с высоким уровнем чистой стоимости. Также важно рассмотреть варианты отдачи в случае, если эти клиенты находятся в отпуске. А что насчет обычных клиентов-отпускников? Будет ли отличаться отдача в таких ситуациях? И стоит ли разделять командировки и отпуск? Или поездку в Рим и посещение Большого Каньона?

Суждение об отдачах во всех случаях требует времени и усилий: чем больше исходов, тем больше суждений, следовательно, тем больше потребуется времени и усилий. Когнитивные издержки на суждение приводят к замедлению процесса принятия решений человеком. Вот почему необходимо сравнить плюсы от расчета отдачи с издержками в результате отсрочки принятия решения. Некоторые предпочитают не рассматривать отдачу отдаленных во времени или маловероятных сценариев. Возможно, организаторам сетей кредитных карт стоит разделять командировку и отпуск, но не поездку в Рим и посещение Большого Каньона.

В таких маловероятных ситуациях решение сети кредитных карт может исходить из предположений, объединить параметры или выбрать наиболее безопасное значение по умолчанию. Для более частых (путешествия вообще) или важных (касательно клиентов с высоким уровнем чистой стоимости) решений отводится больше времени на обдумывание и анализ отдачи. Но чем дольше экспериментировать, тем больше времени пройдет до окончательной отладки процесса принятия решений.

Вычисление отдачи сродни дегустации новых блюд: пробуешь и смотришь, что будет дальше. Или, выражаясь языком современного бизнеса, экспериментируешь. Люди могут действовать по-разному в одних и тех же обстоятельствах и выяснять, что получается. Они проверяют отдачу на практике, а не в теории. Разумеется, поскольку некоторые действия во время экспериментов позднее окажутся ошибочными, неизбежны издержки. Незнакомая пища не всегда приходится по вкусу, а если продолжать пробовать в надежде найти идеальное блюдо, то удовольствие от еды будешь получать не всякий раз. Суждение, теоретическое или экспериментальное, обходится дорого.

Прогноз – это шаг вперед к беспилотным автомобилям и причина популярности таких платформ, как Uber и Lyft: прогноз нужен для расчета маршрута до места назначения. Автономные и встроенные автомобильные навигаторы существуют уже несколько десятков лет.

Распространение подключаемых к интернету мобильных устройств изменило данные, получаемые поставщиками навигационного ПО. Например, израильский стартап Waze до того, как его купил Google, генерировал точные дорожные карты, отслеживая выбираемые водителями маршруты. Затем эта информация использовалась для оптимизации кратчайшего маршрута между двумя точками, с учетом данных от водителей и постоянного мониторинга обстановки на дорогах. Программа также могла прогнозировать изменения дорожной обстановки по мере продвижения водителя вперед и предлагать новый, более быстрый путь с их учетом.

Пользователи приложений вроде Waze не всегда следуют их рекомендациям. С прогнозом как таковым они согласны, но помимо быстроты у них могут быть и другие цели. Например, приложение не знает, что в автомобиле закончился бензин: в таком случае водитель уходит с предложенного маршрута и выбирает другой, к заправке.

Эти приложения, несомненно, будут улучшаться. Скажем, если в автомобиле Tesla закончилось электричество, навигатор это учитывает и показывает расположение станций подзарядки. Приложения могли бы спрашивать пользователя, нужно ли заехать на заправку, или в будущем получать эти данные непосредственно от автомобиля. Это так же просто, как установить настройку объезда платных дорог.

Другие аспекты предпочтений запрограммировать сложнее. В длительных поездках, например, желательно, чтобы в маршруте указывались приличные заведения, где можно отдохнуть и поесть. Или кратчайший путь проходит по проселочным дорогам, где выиграешь максимум пару минут, но замучаешься ехать, ведь кому-то не нравятся извилистые дороги. Приложения могли бы запоминать такие особенности поведения человека, но нельзя запрограммировать автоматические действия для всех обстоятельств, складывающихся в любой момент. Машины не могут узнать всего, что требуется для прогнозирования предпочтений человека.

Цель редко бывает однозначной. Люди обладают явными и скрытыми знаниями о нестандартных и субъективных мотивах своих действий. Машина прогнозирует вероятность событий, а человек решает, какое действие предпринять, исходя из собственного понимания цели. В большинстве ситуаций, как и с Waze, машина предоставляет человеку прогноз, подразумевающий определенный исход (скорость); затем человек решает, принимать ли его как руководство к действию. Если технические возможности прогностической машины позволяют, человек может запросить другой прогноз с заданным условием («Waze, найди маршрут через заправку»).

Стартап Ada Support использует прогноз ИИ для отделения простых вопросов к технической поддержке от сложных. ИИ отвечает на простые вопросы, а со сложными переадресовывает к человеку. Большинство клиентов обращаются в техподдержку провайдера мобильной связи с одними и теми же вопросами. Напечатать ответ легко, сложность заключается в прогнозировании желания клиента и в суждении, какой ему потребуется ответ.

Вместо переадресации людей на страницу с ответами на часто задаваемые вопросы Ada идентифицирует их и отвечает сразу. Программа учитывает индивидуальные характеристики клиента (техническую грамотность, модель телефона, с которого совершается звонок или предыдущие звонки) для повышения качества анализа вопроса. В итоге меньше клиентов будут разочарованы, но главное – это оперативное взаимодействие, больше принятых звонков и экономия на зарплате сотрудникам колл-центра. Специалисты решают нестандартные и сложные вопросы, а с простыми разбирается машина.

С повышением качества машинных прогнозов все чаще будет возникать необходимость в предварительно заданных суждениях. Умея излагать ход своих мыслей другим людям, точно так же мы можем объяснить его и машинам – только в виде программного кода. Для получения точного прогноза возможно запрограммировать суждение. В Ada это уже используется для простых вопросов.

Чтобы предусмотреть образ действий в каждой ситуации, понадобилось бы огромное количество времени, к тому же все учесть невозможно: по этой причине в трудных вопросах Ada требуется участие человека, точнее, его суждение.

Некоторые суждения можно вложить в программный код. По большей части опыт – это абстрактные переживания, которые трудно записать или выразить в доступной форме. Эндрю Мак-Афи и Эрик Брайнджолфсон писали: «Замена людей компьютерами возможна только до определенных пределов, потому что многие задачи являются для человека само собой разумеющимися и выполняются безо всяких усилий, но ни программисты, ни кто-либо другой не способны сформулировать их “правила” и методы». Однако данный вывод касается не всех задач. Для некоторых решений вполне возможно изложить соответствующее суждение и выразить его в программном коде. В конце концов, мы ведь можем иногда объяснить суждение другим людям. Если оно логически продолжает цепочку «если, то», значит, поддается кодированию.

Сложность в том, что, даже если суждение запрограммировать, а не брать его у человека, получаемый машиной прогноз должен быть очень точным. При наличии большого количества возможных ситуаций на предварительное уточнение действий в каждой из них уйдет слишком много времени. Легко программировать машину на конкретное действие, когда очевидно, что будет; однако, указывая машине, что делать в неопределенности, необходимо более тщательно продумать издержки ошибок. Неопределенность означает, что суждение требуется не только при верном прогнозе, но и в обратном случае. Иными словами, неопределенность повышает издержки суждений об отдачах для данного решения.

Сети кредитных карт освоили новые методы машинного обучения для выявления мошенничества. Прогностические машины позволяют с уверенностью программировать решение о том, блокировать транзакцию или нет. С повышением точности прогнозов в отношении мошеннических транзакций снижается вероятность ошибочной блокировки правомерных операций. Если эмитенты кредитных карт не боятся ошибок в прогнозах, то могут программировать решения машины без необходимости судить об издержках разочарования конкретных клиентов в результате отклонения транзакции. Процесс принятия решений упрощается: если мошенничество, то отклонить транзакцию; в противоположном случае подтвердить операцию.

Прогностические машины выдают более точные и дешевые прогнозы, и нам необходимо решить, как использовать их наилучшим образом. Возможно заранее сформулировать суждение или нет, кто-то его должен выносить. Разработка функции вознаграждения – это процесс определения положительной отдачи от разных действий с учетом выданного ИИ прогноза. Качественная разработка требует понимания потребностей организации и технических возможностей машины.

Иногда в разработку функции вознаграждения входит кодирование суждения – программирование положительной отдачи до совершения прогноза с целью автоматизации действий. Примером запрограммированных вознаграждений являются беспилотные автомобили. Действие незамедлительно следует за прогнозом. Но вот правильно выбрать вознаграждение не так просто. Следует предусмотреть вероятность, что ИИ чрезмерно оптимизирует один критерий успеха и, как следствие, отклонится от общих целей организации. В сфере беспилотных автомобилей над этим трудятся целые комитеты; однако такой анализ понадобится для самых разных решений.

В других случаях количество возможных прогнозов повышает издержки на предварительное суждение обо всех вариантах отдачи. Человеку приходится дожидаться прогноза и только после этого оценивать отдачу, как это происходит почти во всех процессах принятия решений, с машинным прогнозом или без него. Как мы увидим в следующей главе, машины уже посягают и на это. В некоторых обстоятельствах прогностические машины могут научиться прогнозировать человеческое суждение на основе предыдущих решений.

Большинство людей уже занимаются разработкой функции вознаграждения, но не для машин, а для людей. Наставники показывают новым работникам, как функционирует система. Менеджеры ставят сотрудникам цели и подталкивают к повышению эффективности работы. Мы ежедневно принимаем решения и судим о вознаграждении. Но для людей мы объединяем прогноз и суждение, и разработка функции вознаграждения не обособлена. Ее роль будет становиться важнее с повышением точности прогнозов.

Для примера разработки функции вознаграждения рассмотрим ценообразование ZipRecruiter – биржи труда в интернете. Компании платят ей за поиск квалифицированных сотрудников на открывшиеся вакансии. Основной продукт ZipRecruiter – это эффективный и масштабный алгоритм сравнения – версия специалиста по рекрутингу, подбирающего работодателям подходящих соискателей.

На сайте ZipRecruiter о стоимости услуг для компаний ничего не сказано. Если цена будет слишком низкая, клиенты начнут бросать деньги на ветер, если слишком высокая – уйдут к конкурентам. Для установления цен ZipRecruiter пригласила экспертов: Дж. П. Дюбе и Санджога Мизру – экономистов Школы бизнеса им. Бута при Университете Чикаго, которые проводили эксперименты по определению оптимальной цены. Они случайным образом называли цены потенциальным клиентам и определяли вероятность покупки каждой группой. Это позволило им выяснить, как люди реагируют на разные цены.

В задачу входило определение значения «оптимальная». Стоит ли компании стремиться к увеличению краткосрочного дохода? В этом случае следует установить высокую цену. Но чем она выше, тем меньше клиентов (пусть даже каждый приносит большую выгоду), и они вряд ли порекомендуют услуги компании другим людям. К тому же в таком случае будет меньше объявлений о вакансиях, количество соискателей снизится. И наконец, высокие цены могут заставить клиентов искать альтернативу. Возможно, один раз они заплатят, но в дальнейшем предпочтут работать с конкурентами. Как же прийти к разумному решению? К какой отдаче стремиться?

Краткосрочные последствия высокой цены измерили относительно легко. Эксперты подсчитали, что повышение цены для некоторых типов новых клиентов повысит ежедневный доход более чем на 50 %. Но ZipRecruiter не стала действовать сразу. Она признала долгосрочные риски и решила проверить, уйдут ли клиенты, которые платят высокую цену. Через четыре месяца повышение цен все еще приносило доход. Компания не хотела и дальше отказываться от получения выгоды, рассудив, что четыре месяца – достаточно долгий срок для внедрения новой цены.

Выяснение вознаграждения в результате разных действий – основная составляющая суждения – является разработкой функции вознаграждения, фундаментальной частью процесса принятия решений человеком. Машинный прогноз – это всего лишь инструмент; пока человеку приходится взвешивать исходы и выносить суждения, главная роль сохраняется за ним.

• Прогностические машины повышают отдачу от суждения, поскольку снижением стоимости прогнозов повышают ценность понимания вознаграждения в результате действий. Однако суждение требует издержек. Выяснение вариантов отдачи от разных действий в разных ситуациях требует времени, усилий и экспериментов.

• Многие решения принимаются в условиях неопределенности. Мы решаем взять зонтик, потому что предполагаем, что будет дождь, но он может и не пойти. Мы решаем авторизовать транзакцию, потому что считаем ее правомерной, но можем ошибаться. В условиях неопределенности необходимо выявить варианты отдачи от действий, предпринятых в результате ошибочных решений, а не только верных: неопределенность увеличивает издержки на суждения о вариантах отдачи для данного решения.

• При наличии контролируемого количества пар «действие+ситуация», связанных с решением, можно возложить обязанность по вынесению суждения на прогностическую машину (это «разработка функции вознаграждения»), чтобы она самостоятельно принимала решение после того, как сделает прогноз. Это позволяет автоматизировать решения. Однако чаще количество пар «действие+ситуация» очень велико и поэтому требует слишком много издержек для предварительного программирования всех вариантов отдачи для каждой комбинации, особенно для уникальных и редко встречающихся. В таких случаях суждение человека после выдачи прогноза машиной эффективнее.