Нынешним инструментам ИИ далеко до машин с человеческим интеллектом, описанным в научной фантастике (их часто называют «общий» или «сильный ИИ»). Сегодняшнее поколение ИИ мало что умеет помимо прогнозирования.

Однако не стоит преуменьшать его значение. Как заметил однажды Стив Джобс, «одна из вещей, отделяющих нас от высших приматов, – это способность изготавливать инструменты». В качестве примера инструмента, подарившего людям возможность передвигаться быстрее любого животного, он назвал велосипед. Компьютеры он воспринимал так же: «Для меня компьютер – лучший из придуманных человеком инструментов, я бы сказал, что это велосипед для ума».

В настоящее время инструменты ИИ прогнозируют значение слов (Amazon Echo), контекст запроса (Siri Apple), желаемые товары (рекомендации Amazon), ссылки, соответствующие искомой информации (поиск Google), момент торможения во избежание опасности (автопилот Tesla) и интересующие новости (новостная лента Facebook). Ни один из этих инструментов не осуществляет рабочий процесс полностью – наоборот, каждый предоставляет прогностический компонент, упрощающий принятие решений. ИИ расширяет возможности.

Но как узнать, нужен ли инструмент ИИ для конкретной задачи вашего бизнеса? Любая задача состоит из ряда решений с прогностической составляющей.

Мы расскажем вам о способе анализа ИИ в контексте задачи. Как мы предлагали идентифицировать задачи, разбивая рабочий процесс, чтобы найти роль для ИИ, так и сейчас рекомендуем декомпозировать каждую задачу – разложить ее на составляющие.

В ЛСР мы много раз наблюдали использование преимуществ технологий машинного обучения для разработки новых инструментов ИИ. Каждая компания в лаборатории работает над созданием конкретных инструментов, и некоторые ориентируются на потребителей, а большинство – на корпоративных клиентов. Последние исследуют возможности идентификации задачи внутри рабочего процесса и строят свой бизнес на предоставлении инструмента, обеспечивающего соответствующий прогноз.

В ходе консультаций мы обнаружили, что решения удобно делить на следующие составляющие (см. ): прогноз, входные данные, суждение, обучение, действие, результат и обратная связь. Затем мы разработали «шаблон ИИ», упрощающий декомпозицию задач для выяснения потенциальной роли прогностической машины (рис. 11.1). Шаблон помогает обдумывать, строить и анализировать инструменты ИИ. Он задает порядок определения каждой составляющей решения задачи и вносит ясность в их описание.

Рис. 11.1. Шаблон ИИ

Чтобы проверить шаблон в действии, рассмотрим стартап Atomwise, предлагающий прогностический инструмент, созданный для сокращения времени на разработку эффективных лекарственных средств. Существуют миллионы молекул фармацевтических препаратов, но покупка и тестирование каждого стоят времени и денег. Как же компании отбирают их для тестирования?

Они выносят обоснованное предположение, то есть прогнозируют, исходя из исследований эффективности использования молекул в лекарственных средствах.

СЕО Atomwise Абрахам Хейфец объяснил нам научную подоплеку: «Чтобы лекарство работало, оно должно связывать вредоносные компоненты и в то же время не связывать белки печени, почек, сердца, мозга и других органов, из-за чего возникают токсические побочные эффекты. То есть все сводится к тому, чтобы “делать то, что нужно, и не делать того, что не нужно”».

Итак, если фармацевтические компании смогут прогнозировать связывающую способность вещества, то определят, какие молекулы им необходимы. Atomwise предлагает для прогноза инструмент ИИ, более эффективно выполняющий задачу идентификации потенциальных лекарственных средств. Инструмент использует ИИ для прогноза связывающей способности молекул, поэтому Atomwise может рекомендовать фармацевтическим компаниям ранжированный список молекул с максимальной способностью связывания белка болезней. Например, Atomwise составит список двадцати молекул с самой высокой такой способностью – скажем, вируса Эбола. Вместо тестирования молекул по одной прогностическая машина Atomwise проверит миллион возможностей. И хотя фармацевтическим компаниям все равно необходимо будет проведение тестов и проверка молекул с помощью человеческих и машинных суждений и действий, ИИ существенно снизит издержки и повысит скорость выполнения задачи.

Где применяется суждение? В определении суммарной ценности конкретной перспективной молекулы для фармацевтической промышленности. Ценность выражается в двух критериях: эффективность лечения и вероятные побочные эффекты. При выборе веществ для тестирования компании необходимо определить отдачу от эффективности лечения и издержки побочных эффектов. Как отметил Хейфец, «побочные эффекты более допустимы в химиотерапии, чем в креме от прыщей».

Прогностическая машина Atomwise учится на данных по связывающей способности. На июль 2017 года она обработала 38 млн опубликованных и еще больше приобретенных и выученных данных на эту тему. Каждый фрагмент данных состоял из молекулы и характеристик белка, а также степени их связи. Чем больше прогностическая машина выдает прогнозов, тем больше получает обратной связи и постоянно совершенствуется.

Используя машину и данные по характеристикам белка, Atomwise прогнозирует, у каких молекул самая высокая связывающая способность. По тем же данным он может прогнозировать наличие высокой связывающей способности у веществ, которые никогда раньше не производились.

Заполним шаблон (рис. 11.2) декомпозиции задачи Atomwise по отбору молекул, для чего определим следующее.

Рис. 11.2. Шаблон ИИ для Atomwise

• Действие. Что вы пытаетесь сделать? Atomwise тестирует молекулы с целью излечения и профилактики заболеваний.

• Прогноз. Что необходимо знать для принятия решения? Atomwise прогнозирует связывающую способность перспективных молекул и белков.

• Суждение. Как оценить исходы и ошибки? Atomwise и его клиенты установили критерии относительной значимости эффективности лечения и относительные издержки возможных побочных эффектов.

• Исход. Каковы критерии успешно выполненной задачи? Для Atomwise это результаты теста. Привел ли он в итоге к созданию нового лекарства?

• Входные данные. Какие данные необходимы для запуска прогностического алгоритма? Atomwise использует данные по характеристикам белков крови (или тканей) заболевшего органа (или организма в целом).

• Обучающие данные. Какие данные требуются для обучения прогностического алгоритма? Atomwise применяет данные по связывающей способности молекул и белков наряду с их характеристиками.

• Данные обратной связи. Как усовершенствовать алгоритм посредством информации об исходах? Для улучшения будущих прогнозов Atomwise учитывает результаты тестов независимо от их успешности.

Ценностное предложение Atomwise основано на инструменте ИИ, выполняющем задачу прогнозирования в рабочем процессе, направленном на изыскание лекарственных препаратов. Он снимает задачу прогнозирования с человека. Для ее выполнения он собрал комплект уникальных данных для прогнозирования связывающей способности фармацевтических веществ. Прогностическая ценность заключается в сокращении издержек и повышении вероятности успешного открытия новых лекарств.

Клиенты Atomwise используют прогноз в сочетании с собственным профессиональным суждением об отдаче от молекул с различающейся связывающей способностью к разным видам белков.

Наш шаблон полезен и для крупных организаций. С его помощью мы разбиваем рабочий процесс на задачи. Здесь мы рассматриваем шаблон ИИ применительно к выбору абитуриентов на МБА (рис. 11.3).

Рис. 11.3. Шаблон ИИ для отбора абитуриентов

Как мы заполняли шаблон? В первую очередь требуется прогноз: какие абитуриенты станут лучшими или перспективными студентами. Кажется, что все просто, достаточно определить, что означает понятие «лучший». В этом поможет стратегия учебного заведения. Однако у большинства организаций смутная и неоднозначная формулировка миссии, подходящая для брошюр по маркетингу, но не для выяснения прогностической цели ИИ.

Стратегии бизнес-школ прямо или косвенно определяют понятие «лучший». Они могут применять такие конкретные критерии, как высокие результаты тестов (например, на проверку управленческих способностей), или более общие цели (такие как набор абитуриентов, которые поднимут рейтинг школы в Financial Times или US News & World Report). Также желательно наличие у будущих студентов количественных и качественных навыков. Некоторые школы отдают предпочтение иностранным студентам, другие стремятся к разнообразию обучаемой аудитории. Ни одно учебное заведение не может преследовать все эти цели одновременно – нужно делать выбор. Иначе по всем направлениям придется идти на компромисс и успеха не будет ни в одном из них.

Мы исходили из стратегии школы стать самой влиятельной в сфере бизнеса во всем мире (рис. 11.3). Данное субъективное утверждение является стратегическим, потому что ориентировано на мировой, а не местный масштаб и на влияние, а не, скажем, на увеличение дохода студентов или повышение платы за учебу.

Чтобы ИИ прогнозировал влияние на международный бизнес, следует его измерить. Здесь мы берем на себя роль разработчика функции вознаграждения. Какие из имеющихся обучающих данных могут стать индикаторами влияния на международный бизнес? Один из вариантов – идентификация лучших, самых авторитетных выпускников каждого курса, по 50 человек за каждый год. Выбор, конечно, получится субъективным, но он вполне осуществим.

Хотя в качестве цели для прогностической машины можно установить авторитет в международном бизнесе, ценность зачисления конкретного студента зависит от суждения. Во что обойдется зачисление слабого студента, ошибочно отнесенного к будущей элите? Во сколько обойдется отсев способного студента, ошибочно причисленного к слабым? Анализ этого торга и получается «суждением» – наглядным элементом шаблона ИИ.

С формулированием цели прогноза сразу становится понятно, какие входные данные необходимы. Для прогнозирования успехов абитуриентов нужны их заявки на обучение. Также можно учитывать информацию из соцсетей. Позднее мы станем отслеживать карьерный рост студентов и использовать обратную связь для совершенствования прогнозов. Они подскажут, каких абитуриентов зачислить, но только после определения цели и вынесения суждения об издержках ошибок.

• Чтобы увидеть, где целесообразно использовать прогностические машины, необходимо декомпозировать задачи. Это позволяет проанализировать преимущества улучшенного прогноза и издержки на его создание. Обосновав свою оценку, ранжируйте ИИ от высокой отдачи на капитал к низкой и пройдитесь по списку сверху вниз, внедряя ИИ при условии, что ожидаемая отдача это оправдывает.

• Шаблон ИИ упрощает процесс декомпозиции. Заполняйте его для каждого решения и задачи. Он упорядочивает и структурирует процесс. Шаблон заставляет прояснить все три типа данных (обучающие, входные и обратной связи) и точно сформулировать:

• предмет прогнозирования;

• суждение, требуемое для анализа относительной ценности разных действий и исходов;

• варианты действий и исходов.

• Центральный элемент шаблона ИИ – прогноз. Следует определить ключевой прогноз в основе задачи, а для этого может понадобиться ИИ. Попытка ответить на данный вопрос часто инициирует жизненно важную дискуссию среди руководства: «Какая же все-таки у нас цель?» Прогноз требует конкретности, не всегда присутствующей в формулировке миссии. Бизнес-школам, например, легко заявить, что они ищут «лучших» студентов, но для уточнения прогноза необходимо оговорить, что значит «лучший» – тот, у кого самая высокая зарплата после выпуска? Или тот, кто занял пост директора через пять лет после окончания обучения? А может, самый неординарный? Или тот, кто, вероятнее всего, в будущем станет финансировать школу? Даже такие цели, как повышение прибыли, не просты, как кажется поначалу. Должны ли мы прогнозировать действие, которое увеличит доход на этой неделе, в этом квартале, в году или десятилетии? Компаниям обычно приходится возвращаться к истокам, корректировать цели и уточнять миссию в качестве первого шага в работе над стратегией ИИ.