Часть I. Взаимодействие человека и машины в будущем… и сегодня

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[4].

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 «Краткая история искусственного интеллекта».) 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[5].

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»[6].

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[7] 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[8].

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»[9].

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[10].

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 «Две зимы искусственного интеллекта»). 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[11].)

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»[12].

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[13].

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[14].


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[15].


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[16]. 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[17].

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[18].

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[19].

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[20].

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»[21].


• 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[22].

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»[23]. (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[24].

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[25]. 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[26].

«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[27].

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[28].

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»[29].

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»[30].

Глава 2. Бухгалтерия для роботов

* * *

Искусственный интеллект и управление компаниями

Отмывание денег — одна из основных проблем, с которыми сталкиваются финансовые организации, ведь за любые подобные нарушения им грозят огромные штрафы и жесткие санкции от регулятора. В одном международном банке до десяти тысяч сотрудников занимались выявлением подозрительных транзакций и счетов, которые могли быть связаны с отмыванием денег, финансированием терроризма и другой противозаконной деятельностью. Такой тщательный мониторинг был необходим для соблюдения жестких требований Министерства юстиции США. Издержки оказались очень высоки — система давала массу ложноположительных результатов, которые банк был вынужден перепроверять.

Банк внедрил полный набор современных аналитических инструментов для противодействия отмыванию денег, в том числе алгоритмы машинного обучения для более корректной классификации транзакций и счетов и для установки оптимальных пороговых значений, по достижении которых начинали поступать уведомления о подозрительных операциях. Сетевой анализ помогает выявлять новые закономерности. Так, поняв, насколько тесно связаны между собой два банковских клиента, банк может определить, насколько вероятны противозаконные действия со стороны одного из них, если другой уже вовлечен в подобную деятельность.

Результаты впечатляют. Система противодействия отмыванию денег (AML) помогла сократить число ложноположительных сигналов на 30%, позволяя сотрудникам уделять больше времени тем случаям, которые требуют экспертизы и проверки на соответствие законодательству. Система также помогла сократить время, затрачиваемое на обработку каждого уведомления, поэтому расходы уменьшились на 40%.

Позвольте сотрудникам чувствовать себя людьми

Люди редко достигают блестящих результатов, выполняя однообразные операции изо дня в день. Поговорите с кем-нибудь, кому приходится делать рутинную работу, состоящую из множества этапов, — и узнаете, как они рады любой нестандартной ситуации, нарушающей типичный рабочий день или рабочую неделю. Если же такому человеку выпадает шанс разобраться в сложной проблеме — он чувствует, что совершает нечто важное в масштабах всей организации либо даже меняет чью-то жизнь. Исследования, проведенные Джорданом Иткином из Университета Дьюка и Кэсси Могильнер из Уортонской бизнес-школы, демонстрируют, что некоторое разнообразие в течение рабочего дня поднимает настроение, мотивирует работника и повышает его производительность[31]. Так зачем же продолжать учить людей работать как роботы? Почему бы не позволить работникам почувствовать себя людьми? Почему бы не позволить сотрудникам сосредоточиться на творческих задачах, требующих их экспертных суждений, опыта и знаний, как это было сделано в упомянутом выше банке?

Наши исследования подтвердили: очень часто искусственный интеллект помогает сотрудникам почувствовать себя людьми. Изначально рутинный характер некоторых видов работ, таких как выставление счетов, бухгалтерский учет, рассмотрение жалоб и рекламаций, обработка формуляров и планирование, сформировался под влиянием информационных технологий 1990-х — 2000-х. В те годы возможности машин были ограниченны, человек должен был постоянно корректировать их работу. HR-отдел, отдел IT-безопасности и отдел соблюдения требований регулятора — все эти подразделения используют процессы, зачастую состоящие из четко определенных повторяющихся задач. Такой была «вторая волна» оптимизации бизнеса.

В этой главе мы поговорим об инновационных совершенствованиях бизнес-процессов — данная тенденция формировалась годами, но благодаря технологическим достижениям только недавно стала доступной большинству компаний. Мы покажем, какие ключевые вопросы возникают у любого специалиста, заинтересованного во внедрении искусственного интеллекта в масштабах всей организации. Как изменится характер рутинного труда в эпоху трансформации бизнес-процессов? Какие задачи больше подходят людям, а какие — машинам? Действительно, во многих организациях сразу становятся заметны позитивные перемены, как только искусственный интеллект приходит на помощь сотрудникам, однако что будет, если переосмыслить все бизнес-процессы, адаптировав их под сверхинтеллектуальные системы? Какие продукты и услуги появятся тогда на рынке и каких темпов роста при этом удастся достичь?

Ваш офисный робот

Чтобы ответить на эти вопросы, давайте начнем со знакомого процесса: классификация и рассмотрение жалоб и претензий. Ранее значительный объем работы по сортировке клиентских жалоб приходилось выполнять вручную; такой труд настолько однообразен и утомителен, что человек просто не мог получать удовольствие от того, что делал. Так, в британской железнодорожной компании Virgin Trains команда менеджеров по работе с рекламациями занималась ознакомлением, сортировкой и распределением обращений. Такая однообразная работа утомляла сильнее любой другой, больше, чем непосредственное общение с клиентами.

Процесс «ознакомление — сортировка — распределение» четко прописан и потому отлично подходит для автоматизации. Из-за того что информация поступает в текстовом формате и является «неструктурированной» с точки зрения прикладных программ, не столь продвинутая система может столкнуться с трудностями при обработке данных. И вот тут на помощь приходит искусственный интеллект. Virgin Trains уже создала платформу машинного обучения inSTREAM с возможностью обработки естественного языка, которая способна выявлять закономерности в неструктурированных данных, анализируя корпус схожих примеров — в данном случае жалоб — и отслеживая, как менеджеры по работе с клиентами обращаются с поступающими к ним запросами.

Теперь, как только в Virgin Trains приходит жалоба, она автоматически распознается, сортируется и «трансформируется» в файл, который сотрудник может быстро просмотреть и обработать. На самые распространенные жалобы поступают автоматические ответы. Если программа «не уверена» в оценке жалобы, она помечает случай как исключительный и переадресует на рассмотрение работнику-человеку; фактически своим откликом сотрудник обновляет модель данных, имеющуюся в программе. Со временем такая обратная связь повышает надежность алгоритма. Система может обрабатывать как лаконичные, так и пространные жалобы, типичные или специфические, написанные по-английски или на других языках.

Благодаря этой новой технологии отделу по работе с рекламациями Virgin Trains удалось сократить ручную работу на 85%. На 20% также увеличился объем обрабатываемой корреспонденции, поскольку новые возможности позволили компании более активно взаимодействовать с клиентами. Ранее жалобы принимались только через сайт. Теперь можно обрабатывать обращения любого типа — по электронной почте, факсу, обычной почте или в социальных сетях[32]. (Virgin Trains — одна из многих компаний, оснастивших бэк-офис возможностями искусственного интеллекта. Дополнительные примеры приведены во врезке «Искусственный интеллект в бизнес-процессах».)

Искусственный интеллект в бизнес-процессах

В любой компании, структурном подразделении и отделе кипит невидимая постороннему глазу работа. Внедряя искусственный интеллект, компания может частично освободить сотрудников от бремени монотонных, никому не заметных задач, чтобы те могли заняться более важными вещами.


• В Goldman Sachs искусственный интеллект изучает до миллиона разных аналитических отчетов, определяя основные факторы, влияющие на цены акций[33].


• В Woodside Petroleum используется платформа Watson от IBM, позволяющая обмениваться в масштабах всей компании информацией, полученной HR-отделом, юристами и отделом геологоразведочных работ[34].


• В Huffington Post наряду с сотрудниками-модераторами работает искусственный интеллект, помечающий недопустимые комментарии, спам и оскорбительные выражения[35].


• Университет штата Аризона использует искусственный интеллект для предоставления адаптированных курсов и функций тьютора на вводных учебных программах[36].

RPA — это только начало

Система Virgin Trains — относительно продвинутое решение для автоматизации бэк-офиса, поскольку оно позволяет анализировать неструктурированные данные и адаптироваться к ним, а также справляется с массовым наплывом данных. Подобные приложения представляют собой так называемую роботизированную автоматизацию процессов (RPA). Проще говоря, RPA — это программа, которая выполняет функции виртуального офиса, беря на себя в первую очередь управляющие повторяющиеся операционные рабочие процессы. Иными словами, она автоматизирует имеющиеся процессы. Но для переосмысления процессов компаниям потребуются более совершенные технологии — то есть искусственный интеллект (см. врезку «Технологии и искусственный интеллект: как это сочетается?» в конце этой главы).

Сейчас мы говорим о системах, использующих такие возможности искусственного интеллекта, как компьютерное зрение или инструменты машинного обучения для анализа неструктурированной или сложной информации. Система может «читать» счета, контракты, заявки на приобретение тех или иных продуктов и услуг. Она может обрабатывать эти документы независимо от формата — и разносить верные значения в формы и базы данных. Существуют и еще более продвинутые системы, где применяются тончайшие алгоритмы машинного обучения: с их помощью компьютер может не только выполнять те задачи, на которые он был заранее запрограммирован, но и оценивать задачи и процессы, а также корректировать их при необходимости. Компьютер может учиться, наблюдая, «заглядывая через плечо» сотруднику-человеку, и со временем работать все эффективнее. Иными словами, это именно та технология, которая обеспечивает третью волну совершенствования бизнес-процессов — внедрение адаптируемых процессов (о ней мы говорили во введении). Такие приложения обладают более высоким преобразующим потенциалом и обычно требуют активного участия человека, применяющего неявное знание или опыт, который сложно описать или смоделировать. Представьте рассмотренную выше глобальную банковскую систему противодействия отмыванию денег. Обрабатывается сложная финансовая транзакция; автоматизированная система помечает ее как подозрительную, после чего она поступает на рассмотрение человеку-эксперту, и тот решает, требуется ли дополнительная проверка. Такие взаимодействия человека и машины типичны для бизнес-трансформации третьей волны.

Компании могут задействовать целый спектр подобных технологий, иногда даже для одной прикладной задачи. Рассмотрим, как в Unilever нанимают новых сотрудников. Допустим, вы ищете работу и через сеть LinkedIn находите в Unilever подходящую вакансию. На первом этапе вам как соискателю предложат сыграть в двенадцать онлайн-игр, основанных на тестах из когнитивной нейробиологии. Игры помогают оценить черты вашей личности, например насколько вы склонны к риску, насколько хорошо считываете эмоциональные сигналы по сравнению с контекстуальными. В этих играх нет однозначно верных или неверных ответов, поскольку, например, склонность к риску может быть полезна для одного типа задач, а неприятие риска — для другого. На этом этапе отбора не требуется продвинутый искусственный интеллект — достаточно относительно простой технологии, например RPA.

На следующем этапе вам предложат отправить с компьютера или смартфона видеозапись вашего интервью, где вы отвечаете на ряд вопросов, специально подобранных для той должности, на которую вы претендуете. Именно здесь в игру вступают продвинутые технологии искусственного интеллекта: ваши ответы анализирует интеллектуальное приложение HireVue, и не только ваши слова, но и мимику, язык тела и тон голоса. Затем самых успешных кандидатов приглашают в офис компании на интервью, где их компетенции оценят те, кто и примет окончательное решение.

Пример Unilever иллюстрирует не только применение разных технологий на разных этапах в рамках одного и того же приложения, но и весь потенциал взаимодействия человека и машины. В течение первых 90 дней после запуска новой системы компания получила 30 000 обращений от соискателей — вдвое больше, чем за аналогичный период прошлого года. Среднее время выбора кандидата сократилось с четырех месяцев до месяца, а время, которое рекрутеры тратят на изучение резюме, уменьшилось на 75%. По данным компании, после внедрения этой системы удалось набрать самый разнообразный персонал за всю ее историю. Так, радикально расширился круг университетов, выпускников которых принимают на работу, — с 840 до 2600[37].

Как узнать, какой процесс следует переосмыслить?

Повторяемость. Воспроизводимость. Избыточность. Хорошо отлаженный процесс. Если для ваших бизнес-операций характерны именно такие черты — это верный признак, что ваши задачи и процессы готовы к трансформации.

Роджер Дики, разработчик и основатель динамично растущего стартапа Gigster, признает, что воспроизводимость и избыточность характерны для исходного кода большинства приложений. В то же время разработка новой программы — независимо от того, насколько этот проект похож на предыдущие — исключительно сложна, полна багов и иных стопперов. Можно ли применить искусственный интеллект, чтобы переосмыслить бизнес-процессы, необходимые для создания ПО?

Gigster говорит «да». Компания использует искусственный интеллект для оценки потребностей конкретного проекта по разработке программного обеспечения и автоматически собирает специально под него команду разработчиков. Если вы маленькая фирма, которой требуется мобильное приложение или какой-то другой программный продукт, но у вас нет времени или ресурсов, чтобы самостоятельно нанять команду разработчиков, обратитесь к Gigster. Если вы крупная корпорация, не желающая выводить ресурсы из текущих проектов, — обратитесь к Gigster.

Gigster эффективно решает проблемы сразу в нескольких областях: организация труда (команды разработчиков формируются при помощи искусственного интеллекта), снабжение (за объем закупок отвечает искусственный интеллект) и IT (работа программистов и управление ими осуществляется с применением искусственного интеллекта).

Как Gigster смог перевернуть представления о снабжении и работе с персоналом? Допустим, вы хотите написать приложение, которое помогло бы пациентам объединить все их медицинские карты, чтобы предоставлять врачу исчерпывающую информацию. С чего начать? Сперва готовим для Gigster краткий документ, описывающий основные функции приложения и то, каким вы видите пользователя. В Gigster описание проекта сверяется с другими, уже имеющимися в портфолио компании «структурами данных» — в сущности, это портфолио представляет собой каталог реализованных программных возможностей. Дики говорит, что его компания описала «геном прикладной программы» и выделила пятьсот характеристик, свойственных тем или иным продуктам. Gigster учитывает еще около двадцати клиентских требований к тому, как должен выглядеть пользовательский интерфейс, как быстро должна выполняться задача, и т. д. На основании пользовательской модели, описания и требований заказчика искусственный интеллект Gigster анализирует уже готовые проекты со схожими требованиями и ограничениями для расчета стоимости и сроков разработки.

Если стоимость и сроки вас как клиента устраивают, запускается следующий набор ИИ-функционала от Gigster. Компания задействует «генератор программистов», в котором сопоставляет потребности вашего приложения с квалификацией и опытом разработчиков, которые могут вам помочь. Как правило, такая команда состоит из трех-пяти человек: менеджера проекта, одного-двух дизайнеров, одного-двух разработчиков; все они — высокоэффективные профессионалы, чьи разработки постоянно отслеживает система онлайн-мониторинга Gigster, благодаря которой компания гарантирует качественные решения в срок. Такая первичная подготовка выполняется за один-три дня.

Поскольку разработчики действуют в цифровой реальности, все, что они делают, относительно легко фиксируется и анализируется. «Мы считаем, что их работа поддается измерению, и что в данных прослеживаются закономерности, и что эти закономерности можно использовать для поиска новых эффективных подходов к работе», — утверждает Дики. Таким образом, Gigster известно, какие процессы ведут разработчиков к успеху (на основе изучения сотен аналогичных проектов). Инструмент, оснащенный искусственным интеллектом, может использовать эту информацию для обнаружения потенциальных проблем прежде, чем они выйдут из-под контроля. Более того, как только у разработчиков возникнут проблемы с конкретным фрагментом кода, интеллектуальный помощник немедленно свяжет их со специалистом, который недавно решил подобную проблему или как раз работает над ней. «Этот интеллектуальный помощник точно знает, на каком этапе проекта вы сейчас находитесь, — говорит Дики, — и может соединить вас с другими людьми в любой точке земного шара, работающими над точно такими же задачами»[38]. Подобное взаимодействие сотрудников — одна из ключевых черт третьей волны интеграции человека и машины.

Как узнать, насколько глубокими должны быть изменения?

Сама природа бизнеса по разработке компьютерных программ Gigster такова, что компания способна использовать искусственный интеллект для широкого спектра IT- и бизнес-процессов, в то время как другие компании смогут получить преимущество от использования искусственного интеллекта лишь для нескольких бизнес-процессов. Руководству таких организаций нужно принять взвешенное решение о том, как лучше всего дополнить возможности своих сотрудников. У них также должен быть план широкого внедрения искусственного интеллекта в текущие бизнес-процессы.

Именно такие проблемы предстояло решить Skandinaviska Enskilda Banken (SEB), крупному шведскому банку, который захотел внедрить виртуального помощника. Amelia, созданная IPsoft (позднее ставшая Aida в приложении SEB), сейчас напрямую взаимодействует с миллионом клиентов SEB. «За первые три недели работы программа провела более 4000 бесед с 700 людьми и сумела решить большинство проблем», — сообщает Расмус Йерборг, директор по развитию SEB. Решение «делегировать» Aida все взаимодействие с клиентами было принято лишь после того, как банк протестировал программу внутри компании в качестве виртуального агента IT-поддержки, успешно оказывавшего помощь 15 000 сотрудников банка[39].

Aida отлично справляется с обработкой естественного языка; технология способна отслеживать даже тон звонящего. Программа адаптируется, усваивая новые навыки; для этого она следит за работой сотрудников, общающихся с клиентами. Таким образом, ее возможности расширяются и совершенствуются; новые задачи и процессы взаимодействия с клиентами можно автоматизировать практически без прямого участия сотрудников фронт-офиса.

SEB — первый банк, использующий Amelia для общения с клиентами, и IPsoft помогла собрать внутрикорпоративный пул специалистов, способных тренировать программу. Эти люди-наставники контролируют обучение и производительность, находят новые способы применения технологии для обслуживания клиентов[40]. Мы подробно обсудим подобные виды взаимодействия человека и машины в главе 5.

Aida демонстрирует, что в масштабной и сложной бизнес-среде возможна автоматизированная коммуникация с клиентом на естественном языке. По мере того как совершенствуются приемы обработки естественного языка и улучшаются интерфейсы, автоматизированные коммуникации будут охватывать все больше бизнес-процессов в разных отраслях. В главе 4 мы обсудим, как чат-боты, использующие технологии обработки естественного языка, например Alexa от Amazon, становятся новыми «лицами» фронт-офиса компаний.

Трансформация целой отрасли

По мере того как бизнес-процессы миддл- и бэк-офисов становятся все «умнее» благодаря искусственному интеллекту, эта технология потенциально способна трансформировать целые отрасли. Например, в сфере IT-безопасности появляются компании, сочетающие методы машинного обучения для создания ультраинтеллектуальной, постоянно совершенствующейся защиты против вредоносного ПО. Такие системы могут выявлять опасные вирусы и программы еще до того, как они нанесут урон, а также обнаруживать уязвимости прежде, чем те превратятся в бреши, через которые хакеры смогут взять под контроль эти системы. В ряде случаев обеспечение IT-безопасности — это замкнутый автоматизированный цикл; люди могут отвлечься от повседневного администрирования и уделить время изучению угроз или созданию новых симуляций для дальнейшего тестирования и обучения ботов (см. врезку «Противоборство ботов»).

В рамках традиционной кибербезопасности компания может анализировать имеющиеся данные, обобщать характерные признаки угроз и использовать эту информацию для защиты от новых угроз в будущем. Это статическая операция, не способная к адаптации в режиме реального времени. Напротив, методы на основе искусственного интеллекта позволяют распознавать аномальные паттерны по мере их возникновения. Это достигается путем классификации моделей в зависимости от динамики сетевого трафика и ранжирования аномалий по степени отклонения от нормы. Способность искусственного интеллекта к анализу совершенствуется после устранения человеком или машиной очередной угрозы, так как новые знания накапливаются в процессе работы.

У каждой компании, занимающейся компьютерной безопасностью, свои подходы к этой проблеме. Так, SparkCognition предлагает продукт Deep Armor, в котором используется несколько технологий искусственного интеллекта, в том числе нейронные сети, эвристика, наука о данных и обработка естественного языка. Deep Armor способен обнаруживать никогда ранее не встречавшиеся угрозы и удалять вредоносные файлы.

Противоборство ботов

В 2016 году в Лас-Вегасе состоялся конкурс DARPA Cyber Grand Challenge, ставший своего рода ареной борьбы разных моделей ботов. Автоматизированные системы были запрограммированы на поиск и использование брешей в программном обеспечении машин-конкурентов и одновременно на отражение их атак[41].

Победил бот Mayhem, созданный в рамках проекта ForAllSecure Университета Карнеги — Меллон. Он выиграл, используя тактику, разработанную на основе теории игр. В сущности, он искал бреши в собственной системе безопасности, после чего проводил анализ рентабельности, решая, следует ли немедленно устранить эти уязвимости (для этого системе требовалось ненадолго отключиться от сети). Если атака казалась маловероятной, программа могла дольше проработать онлайн, используя слабости других систем.

У ботов, участвовавших в соревновании, имелись баги, свидетельствовавшие о том, что программы были недоработаны, однако эксперты сошлись во мнении, что системы действовали впечатляюще; в некоторых случаях им удалось найти и исправить заранее внедренные баги быстрее, чем это сделал человек. Все это указывает на формирование мира автоматизированного хакерства, в котором роль человека принципиально изменится: он будет обучать ботов или контролировать их поведение с целью предотвратить нарушения правовых или этических норм.

Компания Darktrace предлагает продукт Antigena, смоделированный по образцу иммунной системы человека, идентифицирующий и нейтрализующий баги по мере их появления[42]. Поведенческий анализ сетевого трафика — ключевой метод компании Vectra. Ее программа, оснащенная искусственным интеллектом, изучает характеристики вредоносных активностей в Сети и способна автоматически принимать меры к подавлению атаки или делегировать проблему команде экспертов по безопасности[43].

Переосмысление процессов, связанных с людьми

Технологии искусственного интеллекта позволяют надеяться, что многие рутинные и однообразные задачи можно будет перепоручить программам-роботам, что позволит сотрудникам получать от работы больше удовлетворения. Это и есть «недостающая середина» симбиотического взаимодействия человека и машины. Именно из нее — а не из автоматизации — компании смогут извлечь максимальную выгоду, инвестируя в передовые цифровые технологии.

В этой главе мы упоминали еще об одном элементе MELDS — лидерстве на примере международного банка, сумевшего трансформировать процессы противодействия отмыванию денег при помощи алгоритмов машинного обучения. Сократилось число ложноположительных результатов, а эксперты-люди получили возможность сосредоточиться на наиболее сложных случаях. Бизнес-процессы такого рода в значительной степени опираются на качественные данные, и многие компании открыли для себя, насколько важно собирать данные сразу из нескольких источников. Ранее Virgin Trains удавалось обрабатывать жалобы, поступающие только через сайт, но теперь компания инвестировала в данные — еще один элемент MELDS — и смогла запустить приложение для обработки естественного языка, позволяющее принимать клиентские обращения через множество каналов, в том числе через социальные сети. По мере внедрения таких систем сотрудникам придется корректировать свой подход к работе, а компаниям — выделять ресурсы на освоение новых навыков (skills), еще одного элемента MELDS. На примере Gigster мы увидели, как интеллектуальные помощники могут связать разработчика с другими специалистами, уже сталкивавшимися с подобной проблемой; следовательно, на первый план выйдет умение сотрудников взаимодействовать. Другой урок этой главы — на заполнение недостающей середины требуется время. Так, при переходе от RPA к более продвинутому искусственному интеллекту компаниям не обойтись без экспериментирования. Шведский банк SEB уделил должное внимание экспериментированию (еще один элемент MELDS), организовав масштабное тестирование своего виртуального помощника Aida на пятнадцати тысячах сотрудников, прежде чем предложить систему миллиону клиентов. Наконец, мы убедились в важности надлежащего мышления на примере сферы IT-безопасности, оценив преобразующий потенциал искусственного интеллекта, который позволил трансформировать всю индустрию с помощью автоматизированных систем, обеспечивающих упреждающее решение проблем.

В главе 3 мы поговорим о том, как можно распространить эту «среднюю зону» на НИОКР. Здесь, как и в цеху, и в офисе, находчивые компании пожинают плоды умного, взаимодополняющего сотрудничества человека и машины.

Технологии и искусственный интеллект: как это сочетается?

Ниже мы кратко описываем ИИ-технологии, знать о которых сегодня просто необходимо. Они связаны с машинным обучением, возможностями искусственного интеллекта, а также сферами их применения (см. рис. 2)[44].

Рис. 2. Совокупность технологий искусственного интеллекта и их прикладных решений для бизнеса

Машинное обучение

Машинное обучение. Область компьютерных наук, занимающаяся алгоритмами, которые самостоятельно обучаются и прогнозируют ситуацию на основе имеющихся данных, не требуя вмешательства программиста. Родоначальником этих исследований является Артур Сэмюэл из IBM, предложивший в 1959 году этот термин и использовавший принципы машинного обучения в исследованиях компьютерных игр. Благодаря резкому росту объема доступных данных, необходимых этим алгоритмам для обучения, сегодня МО применяется в таких разных областях, как исследования на основе компьютерного зрения, выявление мошенничества, прогнозирование цен, обработка естественного языка и пр.


Обучение с учителем. Это тип машинного обучения, где алгоритму даются заранее классифицированные и отсортированные данные (их называют «размеченными»), состоящие из примеров вводимых данных и желаемых результатов их обработки. Цель алгоритма — усвоить общие правила, связывающие вводимые данные и получаемые результаты, и на основе этих правил прогнозировать события, имея в распоряжении только входные данные.


Обучение без учителя. Обучающий алгоритм не включает никаких классификаций и меток, машина сама определяет структуру и взаимосвязи входных данных. Само по себе обучение без учителя может быть как целью (обнаружение скрытых закономерностей), так и средством (извлечение признаков из массива данных). Обучение без учителя менее сфокусировано на результатах, нежели обучение с учителем, зато в большей степени ориентировано на исследование входных данных и распознавание структуры неразмеченных данных.


Частично контролируемое обучение: здесь используются как размеченные, так и неразмеченные данные — обычно неразмеченных больше. Многие исследователи машинного обучения обнаружили, что при комбинации двух этих типов данных эффективность обучения значительно возрастает.


Обучение с подкреплением — это тип обучения, при котором алгоритм имеет конкретную цель (например, управлять роботизированным манипулятором или играть в го). Каждый шаг на пути к цели отмечается вознаграждением либо штрафом. Учитывая такую обратную связь, алгоритм может выработать наиболее эффективный способ достичь цели.


Нейронная сеть — это тип машинного обучения, при котором алгоритм обрабатывает полученные данные примерно по тому же принципу, что и биологическая нервная система. Фрэнк Розенблатт из Корнеллского университета в 1957 году изобрел первую нейронную сеть с простой однослойной архитектурой, также именуемую «неглубокой сетью».


Глубокое обучение и его разновидности: глубокие нейронные сети, рекуррентные нейронные сети, нейронные сети прямого распространения — это совокупность приемов для обучения многослойной нейронной сети. В глубоких нейронных сетях «усвоенные» данные пропускаются через несколько слоев; на каждом следующем слое результат предыдущего слоя используется в качестве вводной информации. В рекуррентных нейронных сетях данные могут распространяться между слоями вперед и назад, а в нейронных сетях с прямым распространением — только вперед.

Сегмент возможностей искусственного интеллекта

Прогностические системы — это системы, которые на основе данных за прошедшие периоды устанавливают взаимосвязи между входными переменными и полученными результатами. На основе этих взаимосвязей разрабатываются модели, которые, в свою очередь, применяются для прогнозирования новых результатов.


Локальный поиск (оптимизация) — это математический подход к решению задач, где используется матрица возможных решений. Алгоритм ищет оптимальное решение, начиная с одного конца матрицы, а затем систематически, итерация за итерацией, двигается к смежным решениям, пока не найдет наилучшее.


Представление знаний — это область искусственного интеллекта, занимающаяся представлением информации о мире в такой форме, чтобы компьютерная система могла использовать ее для решения сложных задач — например, диагностики заболевания или беседы с человеком.


Экспертные системы (логические умозаключения) — это системы, использующие отраслевые знания (из медицины, химии, права) в сочетании со сводом правил их применения. Системы совершенствуются по мере добавления новых знаний либо обновления или совершенствования правил.


Компьютерное зрение — это дисциплина, в рамках которой компьютеры обучаются идентифицировать, распределять по категориям и понимать информацию, содержащуюся в изображениях и видео. Такие системы имитируют человеческое зрение и расширяют его возможности.


Обработка аудио и сигналов — это машинное обучение, которое может использоваться для анализа аудио и других сигналов, особенно в средах с высоким уровнем шума. Такие технологии применяются, в частности, для компьютерного синтеза речи, обработки аудио- и аудиовизуальной информации.


Преобразование речи в текст — нейронные сети, преобразующие аудиосигналы в текст на множестве языков. Возможности применения: машинный перевод, голосовое управление, расшифровка аудио и пр.


Обработка естественного языка (NLP) — это область исследований, где компьютер обрабатывает человеческий (естественный) язык. Возможности применения: распознавание речи, машинный перевод и анализ интонации.

Сегмент прикладного искусственного интеллекта

Интеллектуальные агенты — это программы, общающиеся с человеком на естественном языке. Они могут помогать менеджерам по работе с клиентами, HR-службе, сотрудникам, занятым обучением и другими бизнес-задачами, связанными с обработкой запросов типа FAQ.


Коллаборативные роботы (коботы) — роботы, работающие сравнительно медленно и укомплектованные датчиками, обеспечивающими безопасное взаимодействие с работниками-людьми.


Биометрия, распознавание лиц и жесты: технология идентифицирует людей, их жесты или состояния по биометрическим показателям (стресс, активность и т. д.) для обеспечения взаимодействия человека и машины или идентификации личности и ее подтверждения.


Интеллектуальная автоматизация: позволяет делегировать некоторые задачи от человека к машине, принципиально меняя традиционные рабочие процессы. У машин есть свои сильные стороны (скорость, возможность масштабирования, способность ориентироваться в условиях многозадачности), дополняющие человеческий труд, максимально расширяя границы возможного.


Рекомендательные системы: формулируют рекомендации на основе неявных закономерностей, обнаруживаемых алгоритмами на основе искусственного интеллекта с течением времени. Они могут быть нацелены на взаимодействие с клиентом (предлагать новые продукты) либо использоваться внутри компании (подсказывать стратегические решения).


Интеллектуальные продукты: искусственный интеллект внедряют в продукт уже на этапе проектирования, чтобы продукт мог развиваться, соответствуя меняющимся потребностям клиентов, а также предвосхищать их потребности и предпочтения.


Персонализация: анализируются тренды и закономерности поведения сотрудников и клиентов с целью настроить программные средства и продукты под конкретных пользователей или потребителей.


Распознавание текста, речи, изображений и видео: распознавание текста, изображений, речи, видеозаписей для извлечения данных и связей, которые могут быть применены для большого спектра аналитических задач и использоваться для создания более высокоуровневых систем, предназначенных для взаимодействия с людьми.


Расширенная реальность: возможности искусственного интеллекта комбинируются с технологиями виртуальной, дополненной и смешанной реальности. Так искусственный интеллект создает дополнительные возможности для обучения, технической поддержки и других видов деятельности.

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[45]. 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[46]. 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”»[47]. 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[48]. 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[49].

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[50].

«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[51], 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»[52]. 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»[53].

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[54] (подробнее об использовании искусственного интеллекта при проектировании изделий см. врезку «Искусственный интеллект в разработке продуктов и услуг»).

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 главе 1 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[55].


• 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[56].


• 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[57].

«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»[58]. 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[59]. 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?»[60]

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 главе 1 мы разобрали, каким образом благодаря искусственному интеллекту производство кастомизированных продуктов, например автомобилей, становится экономически целесообразным. В главе 2 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 «Ответственный искусственный интеллект: этика как предпосылка научных открытий»).

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[61].

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[62].


• 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%[63].


• Компания Johnson & Johnson обучает платформу Watson от IBM быстро читать и анализировать научные публикации, чтобы экономить время ученых и ускорять процесс изыскания новых лекарств[64].

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»[65].

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»[66].

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.

Глава 4. Знакомьтесь: ваши новые помощники из фронт-офиса

* * *

Искусственный интеллект в сфере обслуживания клиентов, продажах и маркетинге

Coca-Cola, компания-гигант по производству безалкогольных напитков, устанавливает в розничных магазинах по всему миру огромное количество холодильных шкафов (около 16 миллионов) для хранения своей продукции[67]. Тысячи сотрудников объезжают все торговые точки и вручную ведут учет продукции Coca-Cola. Недавно компания запустила пилотный проект по использованию искусственного интеллекта для удаленного управления холодильниками. Он предполагает внедрение нового ИИ-решения под названием Einstein от компании Salesforce, работающей на рынке CRM-платформ. Einstein использует технологии компьютерного зрения, глубокого обучения и обработки естественного языка.

Прибыв на место и запустив пилотное приложение на основе Einstein, сотрудник фотографирует холодильник на смартфон — и встроенные в Einstein функции распознавания образов анализируют изображение, идентифицируют разные бутылки Coca-Cola и подсчитывают их. Затем Einstein делает прогноз и формирует заказ на пополнение запасов, воспользовавшись информацией из CRM, а также другими данными — в частности, прогнозом погоды, данными о промоакциях, информацией об объеме запасов и сведениями за прошедшие периоды, — чтобы учесть сезонные колебания и иные факторы. Автоматизация подсчета и снабжения существенно экономит время сотрудников и избавляет их от бумажной работы, а дополнительная интеллектуальность системы может увеличить продажи и повысить качество работы с клиентами.

Искусственный интеллект во фронт-офисе помогает таким компаниям, как Coca-Cola, сделать работу с клиентами более удобной и эффективной; это касается трех основных сфер взаимодействия с потребителями: продаж, маркетинга и обслуживания клиентов. В этих областях искусственный интеллект автоматизирует задачи, которые раньше выполняли сотрудники, и одновременно расширяет их возможности. Например, мы узнали, как интеллектуальные агенты (вроде Alexa от Amazon и других подобных систем), автоматизирующие взаимодействие с клиентом, теперь помогают сотрудникам справляться с более сложными задачами, а компаниям — перераспределять персонал туда, где решающее значение имеют навыки людей.

Подобные изменения существенно влияют на то, как клиент воспринимает корпорации и бренды. Зачастую удается сэкономить время и ресурсы клиента, а также предоставить ему персонализированные решения и продукты, отказавшись от ненужной рекламы; эта тенденция постепенно выходит на первый план в розничной торговле. В других случаях, например при кредитовании в режиме реального времени (где искусственный интеллект используется для анализа обширных и разнообразных данных), можно очень быстро и существенно упростить доступ к кредитам и займам для тех клиентов, которые, возможно, никогда бы не получили кредит при традиционной банковской проверке.

Наконец, эти изменения неизбежно влияют на отношения, связывающие клиентов, компании и продукты. По мере того как генерируется все больше информации о характеристиках товаров и сами изделия отправляют данные изготовителю, компании могут переосмыслить постпродажное обслуживание и сам продукт. Например, в умных светильниках компании Philips искусственный интеллект прогнозирует, когда лампочка начнет тускнеть, и эти данные встраиваются в циклы ремонта и утилизации. Иными словами, датчики и искусственный интеллект позволяют компании продавать не просто лампочки, а «освещение как услугу»[68].

Невероятно, честно говоря. С внедрением искусственного интеллекта во фронт-офис вновь встает вопрос о лучших практиках. Как искусственный интеллект и новые формы взаимодействия человека и машины меняют корпоративные стандарты доставки товаров и предоставления услуг и как эти взаимодействия в будущем изменят саму суть работы? Как новые пользовательские интерфейсы (например, Alexa) меняют отношение потребителей к брендам? Какие дизайнерские решения может подсказать или забраковать бот, предназначенный для работы с естественным языком? Что произойдет, когда логотипы и символы-талисманы — традиционные амбассадоры брендов — станут «умными»? Именно на эти вопросы отвечает данная глава.

Магазин, который знает своих клиентов

Чтобы ответить на эти вопросы, вернемся в торговый зал. Пока Coca-Cola запускает пилотные проекты с ИИ-технологиями для автоматизации снабжения, другие компании уделяют больше внимания совершенствованию работы с клиентами, расширяя профессиональные возможности сотрудников отдела продаж. Международный бренд Ralph Lauren начал сотрудничать со стартапом из Сан-Франциско Oak Labs, заказав разработку интегрированного коммерческого интерфейса для покупателей[69]. Ключевой элемент этого решения — подключенная к интернету примерочная, оснащенная умным зеркалом, которое при помощи радиочастотной идентификации (RFID) автоматически распознает товары, которые покупатель берет с собой в кабинку.

Зеркало умеет переводить на шесть языков и выводить подробную информацию о товаре. Оно также может менять освещение в примерочной (яркий солнечный свет, закат, клубное освещение и т. д.), показывая клиенту, как он будет выглядеть в разных условиях. Зеркало подскажет, какие товары доступны в других вариантах (иной цвет, иной размер), и продавец принесет нужные модели в примерочную. Подобная возможность — это персонализированное обслуживание клиентов, которое обычно не в силах обеспечить сотрудник-человек, ведь к нему одновременно обращается множество покупателей.

Разумеется, умное зеркало собирает информацию о покупателе: сколько времени он провел в примерочной, какая конверсия (отношение выбранных товаров к купленным) и другие данные. Магазин может обобщить, проанализировать эту информацию и получить неочевидные выводы. Например, покупатели часто примеряют ту или иную одежду, но почти никогда ее не покупают — на основе этой информации магазин может в будущем скорректировать закупки. Более того, подобная информация о клиенте, а также другие данные, например его перемещения по залу, могут применяться при проектировании магазинов. Представьте: вы можете управлять множеством моделей потребительского поведения и оптимизировать планировку магазина так, чтобы ваши покупатели остались довольны, возвращались к вам снова или покупали определенные товары.

Ритейлер также может использовать искусственный интеллект для решения операционных задач, например управления персоналом. Так, глобальная японская сеть магазинов одежды занимается оптимизацией труда продавцов, работающих в зале. В отделах одежды и обуви именно эти сотрудники играют ключевую роль: около 70% опрошенных покупателей признались, что нуждаются в их рекомендациях[70], поэтому для эффективного управления персоналом было решено воспользоваться ИИ-решением от компании Percolata.

Программа выработала оптимальное расписание, состоящее из пятнадцатиминутных блоков, и предложила наиболее эффективные связки продавцов, заступающих на смену. Автоматизация позволила устранить непреднамеренные ошибки менеджеров, чаще вызывавших на смену «любимчиков», даже если те не способствовали общему успеху команды продавцов-консультантов. Внедрив ИИ-решение в 20 магазинах в США, компания обнаружила, что в течение 53% рабочего времени в ее магазинах находятся лишние сотрудники, а в течение 33%, напротив, ощущается их нехватка. Рекомендации Percolata по планированию рабочего времени персонала обеспечили японскому ритейлеру рост продаж на 10–30%[71], а менеджерам позволили высвободить примерно три часа в день, которые ранее тратились на планирование смен.

Еще одна пришедшая из Европы инновация предлагает другие способы расширения возможностей торговой сети. Итальянская компания Almax разработала манекен, оснащенный компьютерным зрением и технологией распознавания лиц[72]. Система с искусственным интеллектом может определить ваш пол, примерный возраст и расу. Бутики и модные бренды вроде Benetton задействуют такие высокотехнологичные манекены, чтобы подробнее изучить своих клиентов. Так, в одном магазине было замечено, что мужчины, совершавшие покупки в течение первых нескольких дней распродаж, обычно тратили больше денег, чем женщины. Именно поэтому компания соответствующим образом оформила витрины. В другом магазине выяснили, что из всех посетителей, заходящих в магазин после 16:00 через определенный вход, треть составляют китайцы, поэтому именно в эти часы там работал сотрудник, владеющий китайским языком.

В будущем ритейлеры начнут применять ИИ-технологии для персонализированной работы с клиентами. Так, манекен или зеркало, узнавшие вас, могут загрузить историю ваших покупок и подсказать сотруднику, какие модели одежды стоит вам предложить (поскольку они могут вам понравиться). Такой формат станет типичным примером взаимодействия человека и машины, о чем шла речь во введении. ИИ-технологии отвечают за то, в чем сильны машины (обработка большого объема данных с последующей рекомендацией определенных действий), а человек — за то, в чем сильны люди (суждение и гибкие навыки, помощь клиентам в приобретении тех товаров, которые более всего отвечают их потребностям). По мере совершенствования ИИ-систем машины смогут анализировать человеческую мимику и интонацию, определяя эмоциональное состояние человека и подстраиваясь под него. В главе 5 мы рассмотрим, как некоторые продвинутые ИИ-приложения обучаются эмпатии.

С одной стороны, такие технологические новшества расширяют возможности розничной торговли, с другой стороны, они могут порождать проблемы, связанные с этикой и конфиденциальностью. Например, Almax занимается доработкой слуховых способностей своих манекенов, что вызывает опасения, будут ли манекены подслушивать клиентов, фиксируя, как те относятся к выставленной в зале одежде. В главе 5 мы обсудим, насколько компании, внедряющие передовые технологии, нуждаются в сотрудниках-людях, способных оценивать и решать разные этические вопросы.

Искусственный интеллект в ритейле

Последние исследования опровергают известный тезис о гибели традиционных магазинов под натиском интернет-торговли. Теперь с помощью искусственного интеллекта оба канала продаж могут сделать ваш шопинг персонализированным.


• Робот LoweBot компании Lowe работает в 11 магазинах розничной сети в Сан-Франциско. Он отвечает на вопросы покупателей и проверяет количество товара на полках[73].


• H&M в сотрудничестве с популярным мессенджером Kik разработала бота, который на основе короткой анкеты предлагает одежду и изучает предпочтения клиентов по стилю[74].


• Приложение iFood Assistant от компании The Kraft предлагает «рецепты дня» с перечнем ингредиентов, а также указывает, где их купить. Постепенно оно изучает предпочтения пользователей: любимые магазины, количество членов семьи, чтобы уточнить свои рекомендации[75].

Искусственный интеллект для суперпродавцов

Искусственный интеллект помогает продавцам не только в торговом зале, он расширяет их возможности при взаимодействии с клиентом, значительно снижая нагрузку сотрудника и беря на себя многие задачи — от автоматической рассылки идеально составленных электронных писем (это делает интеллектуальный агент) до быстрого и грамотного упорядочивания данных о продажах. По мере цифровизации продажи и маркетинг постепенно обезличиваются — а ведь многие люди ранее шли в эти сферы именно ради общения. Искусственный интеллект фокусируется на обработке больших объемов цифровых коммуникаций, высвобождая специалистам по продажам и маркетингу время на работу с людьми.

Так, стартап 6sense предлагает программное обеспечение, обрабатывающее огромные объемы данных и помогающее продавцу сделать потенциальному клиенту выгодное предложение в самый подходящий момент. Анализируя посетителей, заходящих на сайт клиента, а также сторонние данные из множества общедоступных источников, даже из соцсетей, 6sense позволяет составить более полную картину интересов, оценить, когда клиент будет готов к покупке (и будет ли вообще), и даже провести работу с возражениями. Ранее продавец мог увидеть благоприятную возможность, ориентируясь по физиологическим или поведенческим особенностям, улавливая эти сигналы при телефонном разговоре или в личном общении. 6sence возвращает продавцу навыки, утраченные с распространением обезличенных взаимодействий — например, при общении по электронной почте[76].

Твой приятель бренд

Некоторые важнейшие изменения во фронт-офисе происходят с помощью онлайн-инструментов и интерфейсов с функциями искусственного интеллекта. Задумайтесь, с какой легкостью клиенты Amazon приобретают разнообразные товары благодаря основанной на искусственном интеллекте системе подсказок и рекомендаций, а также персональному боту-помощнику Alexa, подключенному к Echo (умному динамику с функцией распознавания голоса).

ИИ-системы, аналогичные тем традиционным системам, которые предназначены для обслуживания клиентов, начинают играть все более заметную роль в генерировании прибыли (традиционной задаче фронт-офиса). Простота покупки становится ключевым фактором для клиента. В рамках одного исследования 98% клиентов, совершавших покупки онлайн, признались, что, скорее всего (или с большой долей вероятности), купили бы что-нибудь еще, если бы с сайтом было удобно работать[77].

Когда искусственный интеллект берет на себя взаимодействие с клиентом, то ключевым преимуществом компании, выделяющим ее на фоне конкурентов, становится программное обеспечение. В таких сценариях искусственный интеллект перестает быть чисто технологическим инструментом, он становится лицом бренда (как Alexa сейчас начинает олицетворять Amazon).

Почему бренды так важны? В течение XX века, по мере того как корпорации приобретали известность, а реклама превращалась в самостоятельную отрасль, сформировалось такое направление маркетинга, как корпоративный брендинг. Появились запоминающиеся талисманы, символы бренда — например, тигр, который хвалит хлопья на завтрак, или дружелюбный человечек из покрышек. Тигр Тони и человек Мишлен (известный как Bibendum) — это примеры «персонификации бренда». Дополняя бренд таким персонажем, запоминающимся слоганом или другой отличительной особенностью, компании проще привлечь клиентов и удержать их. Сегодня персонификация брендов выражается в создании ИИ-ботов. Мы знаем, что это не люди, но они достаточно очеловечены, чтобы привлекать наше внимание и даже вызывать эмоции.

Персонификация бренда с помощью искусственного интеллекта способна привести к довольно неожиданным результатам. Со временем Alexa может стать более узнаваемой, чем разработавшая ее компания Amazon. Благодаря простоте разговорного интерфейса, возможно, вскоре клиенты станут больше общаться с искусственным интеллектом, а не с сотрудниками компании. Такая перемена в коммуникациях (в некоторых отношениях она даже кое-что упрощает) не обойдется без проблем, с которыми компаниям предстоит справиться. Каждое подобное взаимодействие даст клиенту возможность составить свое впечатление об ИИ-боте и, соответственно, о бренде и успешности компании. Каждого из нас может удовлетворять или, наоборот, раздражать общение с клиент-менеджером — точно так же у нас может сформироваться субъективное впечатление о боте. Более того, область действия бота гораздо шире любого разового разговора с продавцом или менеджером по работе с клиентами. Теоретически один бот может одновременно общаться с миллиардами людей, поэтому хорошие или плохие впечатления о нем могут получить глобальный охват в долгосрочной перспективе.

Следовательно, решения относительно имени, личности и голоса амбассадора бренда становятся критически важными для любой организации. Будет ли этот голос мужским, женским или унисекс? Должен ли персонаж быть дерзким или милым, «ботаником» или продвинутым?

Характер и имидж узнаваемого «лица» бренда связаны с ценностями организации — или как минимум с ценностями, которые, по мнению компании, разделяют ее клиенты. Даже при создании статичного персонажа-талисмана возникает немало проблем, а при использовании искусственного интеллекта подобные решения становятся еще сложнее и многограннее. Так, в Amazon посчитали, что Alexa не будет употреблять ненормативную лексику и совсем редко станет прибегать к сленгу. Коммуникационные боты изначально динамичны — они способны обучаться и исправлять самих себя, — поэтому компании придется определить «потолок», до которого сможет развиваться ее бот.

Любопытное новшество — бренды без посредников

Интересный эффект проявляется по мере того, как все больше компаний применяют решения с использованием таких ИИ-платформ, как Siri, Watson, Cortana и Alexa. Происходит так называемая дезинтермедиация бренда[78].

С 1994 года общение Amazon с клиентами оставалось визуальным. На сайте компании (а также в появившихся позднее мобильных приложениях) легко ориентироваться, поэтому вы с легкостью находите то, что вам нужно (или понимаете, что вам не нужно), и совершаете покупку. Затем в 2014 году Amazon добавила новый режим общения: по домашнему устройству Echo. Умный динамик оснащен искусственным интеллектом, активируется голосом, подключается к Wi-Fi.

Так у Amazon появились уши. Внезапно клиенты стали общаться с компанией напрямую, без посредников: заказывая бумажные полотенца, они просили ИИ-бота Alexa поставить какую-нибудь композицию или прочитать отрывок из электронной книги. По мере развития Alexa все лучше справлялась с обслуживанием клиентов других компаний, позволяя заказать пиццу у Domino, проверить счет через Capital One и получить актуальную информацию о рейсах авиакомпании Delta. Ранее такие компании, как Domino’s Pizza, Capital One и Delta, общались со своими клиентами самостоятельно, но теперь, c появлением Alexa, Amazon получил доступ к этой информации, а также стал основным каналом связи между компаниями и ее клиентами. Amazon может пользоваться этими данными для улучшения собственных услуг. Бренду больше не нужны посредники.

Этот процесс может приобретать и другие формы. Например, Facebook не создает никакого контента, однако опосредует контент миллиардов людей и тысяч медиарынков. У Uber почти нет собственного парка автомобилей, однако это крупнейший игрок на глобальном рынке такси. В гиперсетевом мире, где мобильные телефоны, микрофоны, термостаты и даже спортивная одежда могут подключаться к интернету, а потенциально и друг к другу, брендам приходится эффективнее взаимодействовать между собой и отчасти уступать контроль над своим продуктом тем, у кого самые популярные интерфейсы. Хорошо это или плохо, сейчас платформа — это сила.

Тем временем искусственный интеллект инициировал существенные изменения в Amazon. К концу 2016 года онлайн-ритейлер продал более 5 миллионов устройств Echo, и электронная коммерция стала переходить от кликов к общению. Эта тенденция получила название «продажи без клика»[79].

Когда бренды персонифицируются

Когда клиент сможет настраивать искусственный интеллект по своему усмотрению, персонификация бренда выйдет далеко за рамки, заданные в XX веке анимированными символами-талисманами. И тогда мы окажемся в неизведанной области этики, и там придется учитывать последствия того, как мы проектируем коммуникационных ботов. Чем коммуникабельнее становится такая программа, тем проще принять ее за верного друга, у которого всегда найдется мудрый совет или слова утешения. Но обдумывали ли разработчики ботов, как те будут отвечать на глубоко личные вопросы? Может ли бот распознать, что человек ищет в интернете информацию о симптомах, которые могут указывать на аппендицит или даже рак? Что если человек признается в стремлении лишить себя жизни? Либо в том, что недавно стал жертвой насилия? Как в таком случае реагировать боту?

В ходе исследования 2016 года выяснилось, как Siri от Apple, Cortana от Microsoft, Google Now и S Voice от Samsung реагируют на разные сигналы, свидетельствующие об умственном или физическом нездоровье. Все четыре бота оказались неспособны распознать кризисную ситуацию, отреагировать вежливо и определить, что человеку нужно подсказать телефон доверия или центр медицинского обслуживания. Siri лучше других угадывала физическое недомогание, часто отвечая на описания расстройств списком расположенных поблизости медицинских учреждений. Однако ей не удавалось уверенно различать степень опасности тех или иных состояний — например, при сравнении сердечного приступа с головной болью.

«Исследование указывает на упущенные возможности и недостаточно эффективное использование технологии при подборе медицинских услуг, — заключили авторы. — По мере того как искусственный интеллект все активнее проникает в повседневную жизнь, программисты, врачи и профессиональные ассоциации должны разрабатывать и тестировать методы, которые позволили бы повысить качество работы коммуникационных агентов»[80].

Создавать внимательных ботов можно с помощью «модуля эмпатии», подключаемого к любому искусственному интеллекту. Стартап Koko из Массачусетского технологического института в настоящее время разрабатывает подобное программное обеспечение. Такой сервис, встроенный в мессенджер Kik, переадресует деликатные вопросы человеческому коллективу, а на основе их ответов совершенствуется система машинного обучения. Вы можете, например, сообщить ей, что нервничаете перед собеседованием. Через несколько минут Koko ответит что-нибудь вроде: «Будет здорово, если ты просто будешь вести себя естественно»[81].

Уже сейчас искусственный интеллект достаточно умен, чтобы давать ответы на некоторые вопросы быстрее, чем их смысл поймет консультант-человек, но автоматическая система все еще не преодолела стадию «подслушивания». Сооснователь Koko Фрейзер Келтон говорит: «Мы работаем над предоставлением эмпатии как услуги на любой голосовой платформе или в мессенджере… мы считаем, что это важнейший аспект взаимодействия с пользователем в нашем мире, где так много приходится иметь дело с компьютерами»[82].

Итак, повторю: мы начинали с тигра Тони, напоминавшего вам, как хороши хлопья Frosted Flakes, а заканчиваем коммуникационным ИИ-ботом, достаточно продвинутым, чтобы посочувствовать вам, когда вы волнуетесь перед собеседованием. Мы также обсудили динамик, который активируется голосом и выполняет ваши команды — например, может заказать блендер Magic Bullet для приготовления смузи к завтраку. Это подлинный прорыв, причем территория, на которой «живут» коммуникационные боты, еще во многом не исследована. (Во второй части мы обсудим, каким образом принимать долгосрочные и выгодные решения об использовании сильных сторон искусственного интеллекта.)

Стратегии цифровых гигантов

Традиционные компании все чаще используют аналитику в маркетинге и продажах. Раньше подобные практики ассоциировались больше с Amazon, eBay и Google. Теперь и Coca-Cola может стать признанным лидером в области искусственного интеллекта.

Выше мы рассказывали, как компания-гигант по производству безалкогольных напитков разработала «умные» холодильники и установила их в миллионах розничных точек по всему миру. Она также применяет искусственный интеллект для маркетинга в социальных сетях. ИИ-приложение от Coca-Cola отличается от аналогичных на рынке: оно способно замерять эмоциональный фон, сопутствующий громким событиям и новостям — таким как смерть Дэвида Боуи или финал Суперкубка. Благодаря креативному маркетингу Coca-Cola вызывает у клиентов живой отклик.

В ходе тестирований во время летних Олимпийских игр 2016 года креативный контент, учитывающий настроение пользователей (эту информацию собирали с помощью искусственного интеллекта), на 26% увеличивал готовность людей просмотреть такой контент или поделиться им. Такие показатели могут существенно повлиять на финансовые результаты компании.

Искусственный интеллект в продажах и маркетинге

Широкая доступность данных, миграция продаж и продвижения товара в интернет означают, что искусственный интеллект становится чрезвычайно важным инструментом для разработки новых стратегий продаж.


• State Farm комбинирует оценку мастерства водителя с его биометрическими данными (характеризующими эмоциональное состояние), получаемыми при помощи датчиков и камер. Это помогает компании точнее выставлять оценки в соответствии с реальным риском и фактическим уровнем безопасности[83].


• GlaxoSmithKline использует платформу Watson Ads от IBM для создания интерактивной онлайн-рекламы. Пользователь, который увидел рекламу, может задавать ей вопросы голосом или через систему распознавания текста[84].


• Google использует искусственный интеллект для анализа миллионов сигналов с целью определить оптимальную стоимость рекламы на AdWords и DoubleClick Search, максимально используя свои маркетинговые инструменты[85].

Другие варианты применения искусственного интеллекта в продажах и маркетинге могут показаться не столь впечатляющими, однако их эффект не менее значим. Например, компания-производитель супов Campbell совместно с Ditto Labs задействовала искусственный интеллект для извлечения данных из общения пользователей в социальных сетях. Приложение перебирает и анализирует колоссальные объемы визуальных данных. Пока компания успела испытать эту технологию на своем бренде V8 и, по словам Умана Шаха, глобального директора Campbell по цифровому маркетингу и инновациям, анализ спонтанных и достоверных данных позволил сделать ряд ценных выводов о клиентах[86]. Искусственный интеллект показывает отличные результаты на любом этапе реализации — продажа конечному покупателю, бизнес, реклама, ценообразование, маркетинг. Подробнее об этом см. врезку «Искусственный интеллект в продажах и маркетинге».

Рабочие места будущего

В этой главе мы говорили о компаниях, которые первыми переосмыслили принципы работы фронт-офиса и взаимодействия с клиентом. Coca-Cola запустила пилотный проект, который может трансформировать весь процесс поставок безалкогольных напитков — установив по всему миру 16 миллионов «умных» холодильников, оснащенных искусственным интеллектом. Это относится к элементу мышление модели MELDS. Компания Ralph Lauren разработала «умное» зеркало, помогающее покупателю с выбором одежды. Зеркало не просто советует другой цвет или размер, оно собирает информацию о клиентах. Здесь мы видим на практике работу с данными (согласно структуре MELDS), поскольку Ralph Lauren может анализировать собранную информацию и извлекать ценные сведения — например, выявлять такие изделия, которые часто примеряют, но редко покупают. Однако использование умных зеркал, а также «подслушивающих» манекенов и других подобных устройств создает моральную дилемму и нарушает конфиденциальность — с этими проблемами бизнесу еще предстоит разобраться. Вот почему нельзя пренебрегать элементом L — лидерством. По мере развития таких ИИ-систем, как умные зеркала, им потребуется более высокий уровень обучения. И Siri, и Alexa уже достаточно долго учатся у людей, чтобы проявлять сочувствие к клиенту, когда он расстроен, разозлен или нервничает. Вот почему руководители должны уделять внимание элементу S, то есть навыкам, и гарантировать, что в компании найдутся специалисты, способные организовать подобное обучение. Организациям также следует выделять достаточно ресурсов на экспериментирование (еще один элемент MELDS), чтобы, например, находить оптимальный баланс эмоций для таких ботов, как Siri и Alexa.

В этой главе мы предположили, какие новые специальности могли бы возникнуть во фронт-офисе. По мере того как боты становятся ключевыми звеньями в инфраструктуре обслуживания клиентов, им требуется виртуальная личность, обновляемая и контролируемая. Руководство этими переменами ляжет на плечи необычных специалистов — экспертов по человеческим коммуникациям, диалогу, юмору, поэзии и эмпатии. В новом мире дополненного и автоматизированного труда разработчики пользовательских интерфейсов станут архиважными сотрудниками, потому что именно от цифрового взаимодействия между людьми (будь то сотрудники или клиенты компании) будет зависеть, сможет ли продукт или услуга на основе искусственного интеллекта занять свое место на рынке и обрести популярность либо его ждет крах. Во второй части этой книги (и особенно в главе 5) мы обсудим инновационный функционал и значение таких специалистов для компаний будущего.

Загрузка...