До пришествия ИИ и интернета прогремела компьютерная революция. Компьютеры удешевили арифметику, точнее, подсчеты множества вещей. Одна из первых «убойных» программ упростила жизнь счетоводам.

IT-инженер Дэн Бриклин учился на МБА в Гарвардской бизнес-школе и изнемогал от многочисленных расчетов для анализа разных сценариев. Дэн написал программу для выполнения таких расчетов, и она оказалась удобной настолько, что он вместе с Бобом Фрэнкстоном разработал на ее основе VisiCalc для компьютера Apple II. Это была первая программа эры ПК, и именно благодаря ей компьютеры появились в большинстве офисов. Программа не только в сотни раз сократила время, которое отнимали расчеты, но и позволила анализировать гораздо большее число сценариев.

В то время люди, в чьи обязанности входили расчеты, назывались счетоводами; в конце 1970-х в США их было больше 400 тысяч. Электронные таблицы выполняли за них то, что отнимало больше всего времени, – арифметику. Логично предположить, что такие специалисты стали не нужны, но что-то не слышно блюзов о потерявших работу счетоводах, и они не бунтовали, требуя запретить электронные таблицы, которые в конце концов стали очень востребованы. Почему же счетоводы не восприняли их как угрозу? Потому что VisiCalc прибавила их работе ценности. Расчеты упростились, стало легко прикинуть, какой выгоды ожидать и какой она будет при других условиях. Вместо фрагмента картины возможность многократно рассчитывать заново давала возможность увидеть ее полностью. Вместо того чтобы проверять выгоды вложения, можно было сравнить несколько инвестиций с разными прогнозами и выбрать лучший вариант. Но кто-то все еще должен быть судить, какие инвестиции тестировать. Электронная таблица быстро дает ответы и существенно повышает отдачу от задаваемых вопросов.

И как раз люди, кропотливо занимавшиеся расчетами до появления электронных таблиц, лучше, чем кто-либо иной, умели задавать правильные вопросы. Таблицы не заменили людей, а упростили им работу.

Такое развитие событий – расширение обязанностей после передачи машине некоторых (но не всех) задач – скорее всего, станет распространенным следствием внедрения ИИ. Задачи, входящие в функции людей, изменятся: некоторые исчезнут, так как будут возложены на прогностические машины, другие добавятся, поскольку на их выполнение освободится достаточно времени. А необходимые в прошлом навыки для большинства задач станут неактуальными, и им на смену придут другие. Счетоводы стали кудесниками электронных таблиц, и не менее грандиозные перемены ждут нас в результате распространения инструментов ИИ.

Наш процесс внедрения инструментов ИИ определяет, к какому исходу стремиться. В него включен анализ всех рабочих процессов, входящих в обязанности одного человека, отдела или организации, а затем разделение процессов на задачи и поиск эффективного применения прогностической машины для их выполнения. Далее следует объединить задачи в обязанности.

В некоторых случаях целью становится полная автоматизация всех задач, связанных с профессией. Сами по себе инструменты ИИ на это способны вряд ли, поскольку поддающиеся полной автоматизации рабочие процессы состоят из последовательности задач, которые нельзя (или непросто) исключить, даже если изначально они кажутся не требующими специальных навыков и пустяковыми.

В 1986 году произошла катастрофа космического шаттла «Челленджер» из-за взрыва челнока в результате повреждения уплотнительного кольца диаметром менее 0,5 дюйма. Эта поломка привела к разрушению корабля. При полной автоматизации задачи один неработающий участок может поставить под угрозу ее выполнение; необходимо анализировать каждый шаг. Такие маленькие задачи становятся трудноопределимыми недостающими звеньями автоматизации и существенно ограничивают пересмотр обязанностей. Следовательно, инструменты ИИ, способные обнаружить эти звенья, имеют огромное значение.

Рассмотрим сферу обработки заказов, активно развивающуюся последние двадцать лет с распространением онлайн-шопинга. Обработка заказов – основной этап продаж вообще и электронной коммерции в частности. Она заключается в принятии заказа и подготовке к доставке клиенту. В электронной коммерции обработка заказов состоит из нескольких частей: поиска товара на огромном складе, снятия с полки, сканирования для учета наличия, упаковки в пакет и коробку, ее маркировки и подготовки к отправке.

Поначалу применение машинного обучения в обработке заказов ограничивалось учетом товаров: прогнозированием, какие из них необходимо закупить, потому что они хорошо продаются, какие не требуют пополнения запаса из-за низкого спроса и так далее. Эти отработанные прогностические задачи несколько десятков лет оставались основной частью офлайновых продаж и складского управления. Технологии машинного обучения сделали прогнозы еще лучше.

За последние двадцать лет автоматизировали большую часть процесса. Например, исследованиями установлено, что работники центров обработки заказов больше половины времени тратили на складские поиски товаров и упаковку. В результате несколько компаний разработали автоматизированный процесс транспортировки товаров с полок, чтобы сократить время на поиски. В 2012 году Amazon за $775 млн приобрела лидирующую на этом рынке компанию Kiva и в итоге прекратила поставки Kiva другим клиентам. Позднее появились другие поставщики, желающие удовлетворить спрос расширяющегося рынка внутренних центров обработки заказов и сторонних логистических компаний.

Несмотря на значительную автоматизацию, в центрах обработки заказов работает много людей. Хотя роботы могут взять товар и принести его человеку, его необходимо еще сортировать – то есть разобраться, что куда отправлять, – а затем поднять предмет и переложить в нужное место. Последнее самое сложное из-за самого движения захвата. И пока его выполняют люди, склады не могут воспользоваться всеми преимуществами автоматизации – они должны обеспечивать персоналу комнатную температуру, пространство для передвижения, комнаты отдыха, туалеты, устанавливать камеры наблюдения для предотвращения краж и т. д. Это дорого.

Устоявшаяся роль человека в обработке заказов объясняется относительной производительностью привычных хватательных движений: протянуть руку, взять товар и переложить куда следует. Эта задача пока недоступна для автоматизации, поэтому только в Amazon 40 тыс. человек работают полный день и еще десятки тысяч на неполной ставке в предпраздничное время. Человек обрабатывает примерно 120 товаров в час. Фирмы с большими объемами продаж предпочли бы автоматизировать эту задачу. Начиная с 2014 года Amazon проводит программу Amazon Picking Challenge для мотивации лучших робототехнических компаний мира на решение давно изучаемой проблемы хватательного движения робототехнического устройства и автоматизации сортировки в неупорядоченной среде склада. Хотя проблемой занимаются лучшие команды, такие как МТИ, и многие используют передовое робототехническое оборудование промышленного класса производства Baxter, Yaskawa Motoman, Universal Robots, ABB, PR2 и Barrett Arm, на момент написания книги удовлетворительное решение для промышленного применения не найдено.

Роботы вполне способны собирать автомобили и управлять самолетами. Почему же они не могут взять предмет на складе Amazon и положить его в коробку? Ведь эта задача вроде бы несравнимо проще. Роботы умеют собирать автомобили, потому что компоненты строго стандартизированы, а процесс четко определен. А товары, разложенные на полках на складе Amazon, бесконечно варьируются по форме, размерам, весу и твердости и лежат как попало. Иными словами, в задаче на складе есть неограниченное количество «если», а манипуляции на автосборочном заводе предполагают очень мало «если».

Следовательно, чтобы научиться забирать что-либо с полки в условиях склада, робот должен «видеть» товары (анализировать изображение), правильно прогнозировать угол и давление, чтобы взять требуемый товар, не уронить и не сломать его. Иначе говоря, в корне проблемы захвата разнообразных предметов в центрах обработки заказов лежит прогноз.

В исследованиях функции захвата роботов учат подражать человеку в процессе обучения с подкреплением от среды взаимодействия. Ванкуверский стартап Kindred, основанный Сюзанной Гилдерт, Джорди Роуз и командой с участием одного из авторов (Аджея Агравала), использует робота, названного Kindred Sort, – руку, управляемую одновременно автоматическим программным комплексом и человеком-оператором. Автоматика идентифицирует и классифицирует предмет, а человек – с гарнитурой виртуальной реальности – направляет руку, чтобы взять его и переложить.

В первой итерации человек может находиться вне склада и заполнять недостающее звено в рабочем процессе обработки заказов, выбирая угол и степень сжатия руки в удаленном режиме. Но в долгосрочной перспективе Kindred собирается тренировать робота выполнять эту задачу самостоятельно с помощью прогностической машины, обученной на многократных наблюдениях за действиями удаленного оператора.

В октябре 2016 года Джеффри Хинтон, один из первых исследователей глубокого обучения нейронных сетей, стоя на сцене перед аудиторией из 600 человек во время ежегодной конференции ЛСР по вопросам машинного интеллекта, провозгласил: «Пришла пора прекратить обучение рентгенологов». Основная часть их работы – это изучение снимков и обнаружение аномалий, предполагающих наличие заболеваний. С точки зрения Хинтона, ИИ вскоре будет способен лучше любого специалиста выявлять важные с медицинской точки зрения объекты на снимках. Рентгенологи уже с начала 1960-х опасаются, что их заменят машины. Чем же новые технологии отличаются от прежних?

Технологии машинного обучения постоянно совершенствуются в прогнозировании отсутствующей информации, в том числе в идентификации и распознавании объектов.

Получив комплект снимков, они эффективно сопоставляют миллионы предыдущих примеров с признаками заболевания (и без них) и прогнозируют их присутствие на новом изображении. Именно таким распознаванием объектов с целью прогнозирования болезни и занимаются рентгенологи.

IBM Watson и многие стартапы уже превратили инструменты ИИ в источник дохода в сфере рентгенологии. Watson распознает легочную эмболию и многие другие заболевания. Один из стартапов, Enlitic, применяет глубокое обучение для выявления узлов в легких (достаточно простая процедура) и переломов (что сложнее). В своем прогнозе Хинтон исходил из этих новых инструментов, но для рентгенологов, рентгенотехников и специалистов лабораторной диагностики они пока остаются предметом обсуждения.

Какое будущее ожидает, по нашему мнению, рентгенологов? Они будут проводить меньше времени за анализом рентгенограмм. Основываясь на беседах с терапевтами и рентгенологами и общеизвестных законах экономики, опишем несколько ключевых ролей в сфере медицинской визуализации, которые сохранятся за людьми.

Первое и самое очевидное таково: в ближайшей и среднесрочной перспективе необходимость проведения рентгена для конкретного пациента будет определять человек. Визуализация связана с издержками, как временными, так и с точки зрения последствий радиационного воздействия для здоровья (в некоторых технологиях). Со снижением издержек количество снимков возрастет, поэтому вероятно, что в ближайшей и, возможно, среднесрочной перспективе их возросшее количество компенсирует сокращение времени, которое человек тратит на один снимок.

Во-вторых, существует диагностическая и инвазивная рентгенография. Прогресс в распознавании объектов, который изменит будущее рентгенологии, затрагивает первую. Инвазивная рентгенография рассматривает снимки в реальном времени для содействия медицинским процедурам. Пока она требует суждения и квалифицированных действий от человека, на которые развитие ИИ не влияет, за исключением, пожалуй, частичного упрощения работы инвазивных рентгенографов благодаря повышению качества анализа снимков.

В-третьих, большинство рентгенологов считают себя «врачами врачей». Их основная задача – предоставить описание снимка терапевту.

Сложность заключается в том, что расшифровка рентгеновских снимков (или просто «рентгенов», как они говорят) чаще всего вероятностная: «С вероятностью 70 % это болезнь А, с вероятностью 20 % человек здоров и с вероятностью 10 % это болезнь Б. Если через две недели проявятся такие-то симптомы, то вероятность болезни А составит 99 %, а отсутствия болезни – 1 %». Немногие терапевты хорошо разбираются в статистике и с трудом оценивают вероятности, в том числе условные. Рентгенологи помогают им в этом, облегчая выбор оптимальной для пациента схемы лечения. Когда-нибудь расчетами вероятности займется ИИ, но по крайней мере в ближайшем и обозримом будущем обязанность расшифровки результатов ИИ для терапевтов остается за рентгенологами.

В-четвертых, по ходу совершенствования технологий рентгенологи могут содействовать в обучении машин интерпретации снимков с новых аппаратов. Специалисты высочайшего класса станут расшифровывать снимки и учить машины ставить диагноз. Свою диагностическую квалификацию специалисты направят на обучение машин. Услуги рентгенологов будут высоко цениться, им станут платить не за прием больного, а за каждый новый метод, которому они обучат ИИ, или за каждого пациента, тестируемого ИИ в рамках обучения.

Напомним, что два основных аспекта обязанностей рентгенолога-диагноста – это изучение снимков и предоставление расшифровки терапевту. В описании снимка в большинстве случаев сообщается диагноз (скажем, «у пациента наверняка пневмония»), но иногда с отрицательной формулировкой («не исключена пневмония»), и она служит прогнозом вероятного состояния пациента, который терапевт использует для назначения лечения.

Прогностические машины снизят неопределенность, но не всегда смогут ее устранить. Например, машина может выдать такой прогноз: «Исходя из демографических данных и снимков мистера Пателя, образование в печени с вероятностью 66,6 % доброкачественное, с вероятностью 33,3 % злокачественное и с вероятностью 0,1 % отсутствует».

Если бы машина давала однозначный безошибочный прогноз – доброкачественная или злокачественная опухоль, было бы очевидно, что делать. Сейчас врач решает, назначать ли для уточнения диагноза инвазивную процедуру, такую как биопсия. Она представляет собой менее рискованное решение; да, это недешевая манипуляция, зато позволяет поставить окончательный диагноз.

В таком свете роль прогностической машины заключается в том, чтобы врач мог с уверенностью отказаться от проведения биопсии. Неинвазивные процедуры требуют меньших издержек (особенно для пациента). Они дают врачу основания сделать вывод, можно ли избежать инвазивного исследования (такого как биопсия), и позволяют без сомнений отказаться от лечения и дальнейших анализов. Повышение качества прогнозов приведет к снижению количества инвазивных процедур.

Пятая и последняя роль специалистов-рентгенологов сводится к суждению о решении проводить инвазивное исследование в случаях, когда машина предполагает высокую вероятность отсутствия проблемы. Врач располагает информацией об общем состоянии здоровья пациента, его психологических переживаниях по поводу возможности ложноотрицательного прогноза и прочей качественной информацией. Ее не всегда легко закодировать и загрузить в машину: такие данные требуют диалога между рентгенологом с опытом интерпретации вероятностей и терапевтом, понимающим потребности пациента. Данные сведения иногда дают повод не учитывать рекомендации ИИ.

Итак, мы насчитали пять ролей в сфере медицинской визуализации, которые сохранятся за человеком по крайней мере в ближайшем и обозримом будущем: выбор снимка, использование его в реальном времени в ходе медицинских процедур, интерпретация машинного результата, обучение машин на новых технологиях и применение суждения, которое может привести к отказу от рекомендаций машины, основанное, скорее всего, на информации, недоступной ей. Будущее рентгенологов зависит от того, способны ли они взять на себя одну из ролей, заменят ли их другие специалисты и появятся ли новые формы обязанностей, например рентгенолог-терапевт в одном лице (то есть рентгенолог, принимающий решение о биопсии, и, вполне возможно, сразу после снимка).

Некоторые профессии останутся, но потребуют новых умений. Автоматизация конкретной задачи может подчеркнуть важность других навыков, имеющих значение для работы, но ранее недооцененных. Рассмотрим это на примере водителя школьного автобуса. Частью его задачи служит вождение, то есть управление автобусом по дороге к школе и обратно. С пришествием беспилотных автомобилей и автоматизации вождения работа водителя школьного автобуса перестанет существовать. Когда профессора Оксфордского университета Карл Фрей и Майкл Осборн изучали необходимые рабочие навыки, то пришли к выводу, что профессия водителя школьного автобуса (в отличие от водителей общественного транспорта) с 89 %-ной вероятностью будет автоматизирована в ближайшие 10–20 лет.

Даже если водитель больше не водит автобус в школу и обратно, стоит ли местным государственным органам тратить сэкономленные на его зарплате средства на другие нужды? Даже если автобус беспилотный, нынешние водители выполняют не только функцию вождения. Во-первых, водитель – единственный взрослый человек в группе школьников, он присматривает за ними и предотвращает возможные угрозы за пределами автобуса. Во-вторых, что в равной степени важно, он отвечает за дисциплину в автобусе. Потребность в человеческом суждении для управления детьми и их защите никуда не делась. То, что автобус может ехать сам, не устраняет данные дополнительные задачи, а дает возможность присутствующему взрослому уделять детям больше внимания.

Так что требуемые навыки для работника, формально именуемого водителем школьного автобуса, наверняка изменятся. Водитель будет выполнять обязанности учителя в большей мере, чем сейчас. Но суть в том, что автоматизация, отстраняющая человека от выполнения задачи, не обязательно лишает его работы. С точки зрения работодателей, работа есть, и кому-то ее необходимо делать. А с точки зрения работников, возникает риск, что это будут уже не они.

Автоматизация задач вынуждает внимательнее задуматься, из чего состоит работа и чем люди заняты в действительности. Как и водители школьных автобусов, дальнобойщики тоже выполняют не только функцию управления автомобилем. Водитель грузовика – одна из самых широких категорий в США и первый кандидат на автоматизацию. В некоторых кинофильмах действие происходит в ближайшем будущем и грузовики изображаются как контейнеры на колесах.

Но действительно ли мы однажды увидим курсирующие по континенту автомобили без признаков человека? Задумайтесь о трудностях, которые возникнут именно из-за того, что большую часть времени грузовики будут находиться без человеческого присмотра. Например, их могут угнать, а груз украсть. Возможно, их запрограммируют на остановку в случае появления перед ними человека и таким образом сделают легкой добычей для мошенников.

Решение очевидно: в грузовике должен находиться человек. Его задача станет проще вождения и позволит совершать более длительные поездки без остановок и перерывов. Один человек мог бы ехать на машине гораздо большего размера или сопровождать целую их колонну. Но по крайней мере в одном из грузовиков будет необходима кабина для человека, который станет защищать транспортные средства, заниматься логистикой, сопровождать погрузку и разгрузку в каждом пункте маршрута и разбираться со всеми возникающими в пути неожиданностями. Именно поэтому такие профессии пока рано списывать со счетов, а поскольку нынешние водители обладают необходимой квалификацией и опытом, они, скорее всего, и станут первыми претендентами для выполнения работы по новому образцу.

• Обязанности – это совокупность задач. Если разбить рабочий процесс и применить инструменты ИИ, некоторые задачи, ранее выполняемые людьми, можно автоматизировать. Их порядок и значимость могут измениться, и к ним могут прибавиться новые задачи. Следовательно, совокупность задач, составляющих обязанности, изменится.

• Инструменты ИИ:

• иногда служат подспорьем, как в примере с электронными таблицами и счетоводами;

• способны сузить диапазон обязанностей, как в примере с центрами обработки заказов;

• иногда приводят к преобразованию обязанностей, когда одни задачи добавляются, а другие устраняются, как в примере с рентгенологами;

• могут повысить значимость конкретных профессиональных навыков, как в примере с водителями школьных автобусов.

• Инструменты ИИ способствуют изменению относительной отдачи от определенных навыков и, таким образом, меняют тип людей, подходящих для конкретной работы. В случае счетоводов появление электронных таблиц снизило отдачу от умения быстро производить многочисленные расчеты на калькуляторе. И в то же время повысило отдачу от способности задавать правильные вопросы с целью воспользоваться всеми преимуществами технологии для эффективного анализа сценариев.