Kitobni o'qish: «Потенциал ИИ в бизнесе. Стратегическое применение искусственного интеллекта и Big Data»

© 2023 by Asha Saxena

© Елена Жевлакова, перевод на русский язык, 2025

© Оформление. ООО «Издательство „Эксмо“», 2025

* * *

Эта книга посвящена миссии организации Women Leaders in Data and AI (WLDA) и ее участникам. WLDA объединяет опытных лидеров для создания успешного цифрового мира на основе равенства и справедливости.

Я организовала WLDA в 2020 году как уникальную социальную сеть для обмена знаниями и опытом в области ИИ, в которой лидеры, мужчины и женщины, сотрудничают ради поддержания тенденций роста и устойчивого развития.

Эти замечательные люди уже заняли свои места за столом переговоров и дают шанс многим другим присоединиться к ним.

Предисловие

Согласно последнему исследованию Pricewaterhouse Coopers (PwC), к 2030 году использование искусственного интеллекта добавит в мировую экономику более пятнадцати триллионов долларов США. Но на данный момент мы находимся в 2022 году, и недавнее исследование Morning Consult показало, что только 35 % организаций в мире внедрили ИИ на своих предприятиях. Чтобы к 2030 году достичь прогнозируемого показателя, необходимо применять ИИ гораздо более обширно.

Итак, где же недостающее звено? Ответ вы найдете в этой книге.

Существуют четыре тесно взаимосвязанных и зависящих друг от друга аспекта – четыре, если хотите, «недостающих звена». Во-первых, должна существовать система показателей, отражающих реальную бизнес-ценность,– и нет, количество построенных ИИ-моделей не является адекватной метрикой. ИИ следует связать с экономией затрат или получением новых доходов. Во-вторых, необходимо сформировать доверие к ИИ. Для этого технология должна быть прозрачной, объяснимой, справедливой, надежной и сохранять конфиденциальность. В-третьих, должна иметься возможность наблюдать цепочку операций с участием ИИ на всем предприятии. Наконец, стратегию использования искусственного интеллекта нужно прочно связать с бизнес-стратегией компании. Встроив эти недостающие звенья, вы поставите человека в центр результатов применения ИИ и всей цепочки создания ценности.

В этом вопросе часто теряется человеческий компонент. Когда компании говорят об ИИ, ориентированном на человека, они обычно имеют в виду удобство использования. Книга Аши поднимает вопросы применения ИИ человеком, а также влияния ИИ на жизнь человека, даже не являющегося пользователем ИИ. Она делает человека неотъемлемой частью дискурса об ИИ, и о таком измерении я пока не задумывался.

Если вы разработали наилучшую стратегию, прочно связанную с планом использования ИИ, а ваш бизнес и клиенты не принимают его, рентабельность инвестиций будет отрицательной. Решающее значение для обеих сторон имеет доверие. Чтобы по-настоящему разобраться в его базовых составляющих, определенных мной на основе личного опыта, нужно принимать во внимание людей. Данная книга поможет сделать это очень эффективным и масштабируемым способом.

В своей книге Аша описывает хорошо продуманный и основанный на опыте подход к созданию ИИ-стратегии, всецело опирающейся на бизнес-стратегии. Этот уникальный подход исходит от человека, который сделал (и продолжает делать) весьма успешную карьеру как в сфере обработки данных, так и в бизнесе. Ее «концепция управления данными»¹ помогает заложить основу для восполнения всех четырех недостающих звеньев, описанных выше.

Эта книга имеет еще одну ценность: она дает возможность определить, на каком участке пути вы сейчас находитесь, и постоянно отслеживать прогресс, используя инструмент «квадранты стратегий роста, ориентированных на данные». Построив на основании этой схемы «концепцию управления данными», вы решите проблему связи с бизнес-стратегией.

Прелесть книги заключается в увлекательном подходе, доказывающем ценность и эффективность методологии Аши на реальных примерах таких компаний, как Netfl ix и Starbucks, успешно внедривших массовое использование ИИ в своем бизнесе. Она также приводит менее известные, но в равной степени важные, воспроизводимые примеры из собственной профессиональной карьеры и работ других видных экспертов в этой области.

Если вы хотите стать одной из компаний, которая претендует хотя бы на часть ВВП, связанную с ИИ, в размере более пятнадцати триллионов долларов, предлагаю потратить время на чтение и, что более важно, на внедрение изложенных в этой книге концепций.

Какую часть из этих пятнадцати триллионов получите вы?

Сет Добрин

* * *

Доктор Сет Добрин – первый глобальный директор по искусственному интеллекту в IBM. Его роль заключается в управлении корпоративной ИИ-стратегией IBM, помимо этого, он отвечает за согласование практик разработки и использования ИИ по бизнес-подразделениям IBM с систематическим формированием бизнес-ценности. Приверженность ориентированному на человека ИИ побудила Сета создать новую методологию, помогающую компаниям развивать ИИ-стратегии на основе доверия, что способствует получению более честных, точных и ориентированных на потребности реальных людей результатов. Эта методология уже помогла превратить ИИ из простого инструмента для увеличения эффективности процессов во всеобъемлющий катализатор трансформации бизнеса. В 2021 году на церемонии AIconics Awards Сет был признан «Новатором года» в области искусственного интеллекта, он вошел в число Топ-100 лидеров в области данных и аналитики по мнению Corinium.

Введение

Для бейсбольной команды «Окленд Атлетикс» девяностые годы стали десятилетием посредственных результатов. Многие винили «Окленд» в неспособности нанять лучших игроков, как это делали такие лидеры рынка, как «Янкиз». Действительность была (и есть) такова, что получающие огромные доходы от телевещания команды, например из Нью-Йорка или Лос-Анджелеса, всегда смогут потратить на покупку игроков в два или даже в три раза больше, чем «Окленд».

В 2002 году «Окленд» вошла в число трех самых низкооплачиваемых членов Высшей лиги бейсбола – «Янкиз» опередила ее на несколько световых лет. Отсутствие бюджета для найма топовых игроков делало перспективы команды туманными. Тогда генеральный менеджер Билли Бин применил другой подход. Используя статистический метод, известный как саберметрика², его команда бросила вызов общепринятому мнению о потенциале некоторых игроков. Инновационные измерения, превосходящие распространенные в то время методы, основанные на интуиции скаутов и простых статистических выкладках, позволили выявить недооцененных игроков. Бин рассудил, что такие игроки доступны по цене, что позволит создать команду-победитель при самом ограниченном бюджете.

Майкл Льюис описал это в своей противоречивой книге «Человек, который изменил все» (Moneyball¹), которая затем легла в основу одноименного фильма 2011 года. По мнению Льюиса, неординарный подход Бина изменил игру навсегда.

В этот год «Атлетикс» зафиксировал беспрецедентную победную серию из двадцати матчей и вышел в плей-офф, повторив успех и на следующий год. С тех пор другие команды, в том числе из разных видов спорта, внедрили в спортивный бизнес подход, ориентированный на данные, и стали использовать его для преумножения успеха. Обозреватель Forbes отметил, что современные спортивные франшизы теперь включают трех основных новых игроков: большие данные, аналитику и искусственный интеллект, или ИИ².

Почему именно эта книга?

Наверняка вы, как и многие другие, хотите понять: возможно ли вообще использовать эти технологии в вашей организации? Допустим, вы уже имеете некоторое представление о потенциале ИИ, например из книги Мишеля Льюиса, из классического фильма Стэнли Кубрика 2001 года или из длинного списка книг и статей. Но все равно возникают вопросы: «Что я могу реально сделать с этим?» и «Чем эта книга про искусственный интеллект отличается от других?».

Прежде чем вы продолжите читать, позвольте объяснить, почему я решила написать эту книгу. Да, есть множество трудов о важности ИИ, машинном обучении (МО), предиктивной аналитике и других разнообразных технологиях обработки данных. Некоторые авторы даже объясняют (как и я) важность вовлеченности руководителей, информационной грамотности и общей готовности к работе с данными. Но ни одна из книг не работает с уникальными культурными требованиями, необходимыми для создания логически связной, последовательной стратегии обработки данных. Я постаралась охватить весь спектр вопросов, зачем нужен ИИ, как начать его применение, а также о концепции и важных составляющих его успешного внедрения.

Именно эти вопросы мы обсуждали с коллегой Кэмероном Дэвисом, директором по обработке данных в Yum! Brands и надежным союзником Women Leadersin Data and AI (WLDA)– социальной сети для обмена опытом и знаниями в области данных и ИИ, которую я основала в 2020 году. Как и полагается другу, он спросил, есть ли в моей книге нечто уникальное, выделяющее ее среди остальных. Вот его слова:

«Об искусственном интеллекте и готовности организации с технической точки зрения говорят все. Рассуждают о теме с точки зрения данных. Но никто не уделяет внимание готовности организации с учетом культурной составляющей. Да, м ы декларируем необходимость изменить культуру, но забываем о влиянии уже существующей культуры на подход к решению проблемы.

Например, генеральный директор компании Virgin Ричард Брэнсон сказал просто: „Я хочу реализовать все это множество проектов по ИИ за следующие пять лет. Вы, ребята, должны это сделать“, –  и это поручение не оспаривается. Но в других компаниях случается, что генеральный директор придерживается стратегии, основанной на данных, а вот четыре других руководителя, или четыре остальных подразделения, или совет директоров имеют иные приоритеты».

Я знаю ответ на вопрос Кэмерона. В этой книге я поставила цель не просто подтвердить общепринятые представления о больших данных и ИИ. Я хотела найти способ объединить интересы лидеров бизнеса и обработки данных на широком, практическом и межкультурном уровне, не прибегая к чрезмерным упрощениям. Стремилась найти модель, говорящую за себя и помогающую каждому сразу визуализировать концепцию, как иерархия потребностей Маслоу³. Еще важнее, что это дало бы четкий план –  «четырехэтапный процесс», если хотите, –  для превращения ИИ в практическую реальность.

К этой схеме мы обратимся позже в главах 7 и 8

Для начала я решила создать собственную, ориентированную на ИИ, версию классического инструмента «шаблон бизнес-модели». Как и оригинал, моя версия давала визуальное представление о строительных блоках, необходимых для планирования и измерения успешной стратегии (включая потенциальные компромиссы) с использованием ИИ, машинного обучения или предиктивной аналитики. Ее цель –  определять стратегию, я надеюсь, очевидную для всех.

Сделав это смелое заявление, я приглашаю вас продолжить чтение и разобраться, как ИИ и большие данные помогут достичь целей, которые вы раньше и представить себе не могли.

Мой путь

Я начала путешествие в мир данных около двадцати пяти лет назад. После работы в должности инженера по информатике я стала технологическим предпринимателем, создала крупную консалтинговую фирму по управлению данными, компанию по продажам через интернет и фирму по разработке программного обеспечения для медицинской аналитики. Под эгидой CXO Coaching, CEO Coaching International и WLDA я консультировала бизнес-руководителей, стремящихся разобраться в непонятных технологиях.

Стоит сказать, что меня всегда приводили в восторг данные, компьютерные технологии и математика. В начале карьеры консультанта я заметила, что многие компании уделяли внимание построению реляционных баз данных – структурированным данным. Они говорили: «Давайте все перенесем в хранилище данных, так мы сможем создавать понятные отчеты». Сейчас разговор радикально изменился. Революция в области больших данных позволила нам использовать и обрабатывать как структурированные, так и неструктурированные данные, и благодаря этому лучше понимать клиентов, окружающую среду и многое другое.

Для бизнеса вопрос использования данных особенно обострился из-за «трех V» больших данных, которые мы рассмотрим в главе 2. Один только объем данных (volume) увеличился в геометрической прогрессии, перейдя отметку в петабайт³. Благодаря все более быстрым процессорам и соединениям скорость обработки данных (velocity) теперь приближается к показателям, обеспечивающим доступ к результатам в режиме реального времени. Третья «V» – разнообразие (variety)– самая сложная из всех. Сегодня мы имеем дело преимущественно с неструктурированными данными: диалоги, изображения, аудио, видео. Традиционные методы здесь не справляются. Поэтому неудивительно, что бизнесмены зачастую не видят ценности (value –  четвертая «V») в больших данных.

Гораздо позже, когда моя карьера перешла от науки данных к миру бизнеса, я стала замечать нечто важное. Выйдя за пределы научного круга, я обнаружила, что руководители бизнеса и управленцы знают, что данные им необходимы, но не понимают, где их взять и что делать с уже имеющимися. (Честно сказать, специалисты по данным часто сталкиваются с противоположной проблемой. Они умеют работать с данными, но не всегда видят их бизнес-потенциал.)

Правда в том, что многие, если не большинство руководителей уже обладают данными, которые позволили бы им достичь впечатляющих успехов. Проблема в том, что они не знают, как найти или использовать их. В этой книге я покажу, что единственный способ эффективно найти, собрать и задействовать большие данные –  это использовать искусственный интеллект, или ИИ. Это цифровые технологи, которые имитируют способности человеческого мозга решать проблемы и принимать решения, выявляя закономерности и выполняя рутинные задачи гораздо точнее и быстрее, чем это доступно человеку. Фактор искусственного интеллекта не является исключительной прерогативой крупных и влиятельных компаний; вы тоже можете его использовать.

* * *

Из многочисленных заблуждений об ИИ и смежных технологиях самым пагубным является представление, что их могут использовать только огромные, сложно устроенные организации и что их применение в некотором роде неэтично или безответственно. СМИ постоянно муссируют образ сложных технологий, доминирующих в области больших данных, вызывая у рядовых бизнес-руководителей чувство безнадежности. Между тем на момент написания этой книги «большая тройка» в мире технологических компаний (Google, Facebook⁴, Amazon) лидирует по доходам от цифровой рекламы благодаря использованию ИИ и данных о пользователях для предсказания их поведения. Однако дальнейшее доминирование этих компаний никоим образом не гарантировано, поскольку опасения по поводу конфиденциальности использования ими персональных данных могут оказать негативное влияние на бизнес⁴. Такие мрачные новости отвлекают нас от факта существования и других компаний, использующих поведенческую и предиктивную аналитику и делающих это более ответственно и устойчиво.

Почему важны данные и ИИ

Эта книга о вас и вашем бизнесе, а также о скрытом потенциале ваших данных. Как и «Окленд Атлетикс», вы боретесь с огромными, кажущимися непреодолимыми внутренними и внешними ограничениями. Но, как и у Билли Бина, у вас есть потенциальный доступ к данным, которые могут указать на новые возможности. (Возможно даже, вы уже располагаете данными, но не знаете, что с ними делать.) В отличие от мира в 2002 году, вы обладаете гораздо более обширным доступом к ИИ и другим инструментам, которые могут по-новому и с более значимым эффектом использовать большие данные, чтобы вывести ваш бизнес на новый уровень успеха. Эти технологии могут показаться странными и незнакомыми, но от вас требуется только решение использовать эти инструменты с умом.

Вполне возможно, у ваших коллег сложилось впечатление, что ИИ –  это нечто странное и таинственное. Поэтому проведите такой эксперимент. Спросите, использовали ли они сегодня искусственный интеллект. Скорее всего, на вас посмотрят с удивлением и ответят «нет». Копнув глубже, вы наверняка обнаружите, что собеседники вообще мало сведущи в теме. Они слышали об ИИ из фильмов или по телевизору. Для них ИИ существует, но в действительности не влияет на повседневную жизнь. Возможно, вы и сами разделяете это весьма далекое от истины убеждение.

Если на вашем смартфоне есть приложение банка, вы используете ИИ. Именно он защищает вашу учетную запись от подозрительной активности, использует камеру телефона для обработки чека и рекомендует варианты расходов и инвестиций на основе вашей активности и предпочтений. Совершая покупки онлайн, вы пользуетесь ИИ, который рекомендует товары и варианты, соответствующие истории просмотров и покупок. Используя приложение для онлайн-знакомств, вы доверяете ИИ обработку данных профиля для выбора подходящего кандидата. Помимо этого, современное здравоохранение все больше полагается на ИИ, который анализирует закономерности в данных из часто фрагментированных ресурсов, чтобы быстрее предоставлять врачам и пациентам четкую информацию. Сегодня даже некоторые компании по страхованию автомобилей используют ИИ для отслеживания и поощрения безопасного вождения. Одним словом, ИИ есть везде.

Вы не только используете его по несколько раз в день, каждый день, но применяете – извлекая выгоду – основные компоненты ИИ, включая большие данные, облачные сервисы, умные гаджеты и многое другое. Эта книга рассказывает обо всех возможностях, уже ставших неотъемлемой и даже существенной частью нашей жизни, замечаем мы это или нет. Точно так же, как эти технологии помогают отдельным потребителям, они способны приумножить успех компаний, которые правильно применяют их. Эта книга –  дорожная карта такого роста.

* * *

Сопротивление искусственному интеллекту казалось вполне объяснимым в прошлом, но сегодня компании просто не могут игнорировать большие данные и ИИ. Сегодня эти технологии являются совершенно необходимым компонентом роста, несмотря на то что СМИ описывают их иначе. Даже сейчас средства массовой информации не отказываются от чрезмерной сенсационности, как в случае с Replika⁵ – чат-ботом на основе ИИ, позволяющим пользователям создавать виртуального друга. Некоторые говорили о его пользе: например, ограниченные в правах люди могли свободно выражать здесь свое мнение; другие высказывались об опасениях по поводу этики и неприкосновенности частной жизни⁶. Совсем недавно СМИ с тревогой обсуждали эту тему, ссылаясь на все более частое использование ИИ и распознавания лиц в репрессивных политических целях⁷.

Временами тема становится источником публичных скандалов, с чем столкнулась Microsoft, выпустив злополучного чат-бота Тэя (Tay), изначально созданного в виде разговорного ИИ⁸. На основе обработки искусственным интеллектом постов собственных подписчиков компания попыталась создать в социальной сети крутого миллениал-персонажа. Как и следовало ожидать, это вызвало пиар-катастрофу. В набор данных вошел поток намеренно опубликованных интернет-троллями постов. В результате персонаж Тэя быстро превратился в узко мыслящую расистскую карикатуру. С технической точки зрения ИИ функционировал, но по вине искаженных данных не так, как задумали его создатели. Однако если бы Microsoft строго придерживалась четырех основных «столпов» ответственного ИИ (организационного, операционного, технического и репутационного)⁹, катастрофу вполне можно было бы предотвратить. Более подробно мы обсудим это в главе 4.

Проблема в том, что такие истории, даже самые правдивые, подпитывают распространенные заблуждения об ИИ и больших данных. Еще больше негативное восприятие усиливается посредством фильмов и телевизионных программ, о чем мы подробнее поговорим в главе 2. В результате мы страдаем от неосознанного предубеждения, которое в дальнейшем портит наши перспективы. Частные лица или владельцы бизнеса, мы говорим: «ИИ слишком великий, пугающий и сложный для меня». После чего добавляем: «ИИ и большие данные могут использовать только крупные компании, такие как Amazon и Facebook⁵». Иногда мы приходим к выводу, что ИИ слишком сильно вмешивается в нашу жизнь или вообще изначально неэтичен. Но, как мы увидим, все это неправда. На самом деле по мере того, как все больше компаний и некоммерческих организаций учатся ответственно использовать эти технологии, они обнаруживают, что полученное увеличение ценности и влияния не только впечатляет с чисто деловой точки зрения, но и приносит выгоду и, в конечном счете, является примером устойчивого развития.

Четырехэтапный процесс

Как и любой уважаемый автор, я стараюсь кратко изложить здесь основы, чтобы вы чувствовали себя уверенно, когда ваш знакомый управленец или коллега предложат обсудить эту тему. Но если вам не терпится начать действовать и по-настоящему принять принципы, описанные в этой книге, можете перейти к главе 1.

Первая часть начинается с историй двух широко известных компаний – Netfl ix и Starbucks. Они встраивают работу с данными во множество своих бизнес-процессов, что способствует многократному росту. Во второй главе излагаются сами концепции, которые отделяют мифы об ИИ от реальной науки и дают четкое представление о потенциале каждой технологии. В главе 3 мы рассмотрим множество типов бизнеса: каждый из них отличается по миссии и структуре, но все они уже сегодня извлекают выгоду из фактора ИИ.

Огромную мощь этих возможностей нельзя недооценивать. В главе 4 мы обсудим, как использовать их этично и ответственно. Недавние события доказали, что эта технология, в отличие от революционных усовершенствований прошлого, производит инновации настолько быстро, что за ними не успевают ни законодательство, ни общепринятые нормы. Это означает, что ответственное использование больших данных и ИИ приведет к устойчивому росту, и не только для отдельных компаний и организаций, подобных вашей, но и для нашей политики и самой планеты.

Во второй части этой книги мы изучим, как именно следовать принципам, которые я использую в своих консультациях для руководителей бизнеса на протяжении многих лет. Такие действия обеспечивают план реализации преимуществ ИИ и больших данных независимо от типа и размера вашего бизнеса или некоммерческой организации. Это четырехэтапный процесс.

– Оценка вашего бизнеса. На первом этапе использования этих факторов необходимо определить, к какому типу относится или на какой стадии развития находится ваш бизнес, исходя из потенциала роста (реального или предполагаемого), а также вашу готовность к инновациям и риску. Глава 5 поможет понять эти этапы. Например, одни компании в первую очередь хотят сократить расходы, оптимизировать процессы и применить другие защитные тактики. Другие находятся на стадии роста, их привлекают слияния и поглощения или перспектива завоевать новую долю рынка. Третьи активно исследуют, проектируют и тестируют новые продукты и услуги, ищут таланты для их создания. Наконец, кто-то стремится обойти или нарушить правила, отбрасывая все, что мешает геометрическому росту их бизнеса.

Независимо от стадии, на которой вы находитесь, необходимо понять и согласовать цели и потребности вашего бизнеса. Честная оценка не помешает внедрять большие данные и ИИ. Вернее, она подскажет, как сделать это более эффективно. Неважно, организацией какого типа вы руководите, фактор ИИ позволит добиться успеха: либо развиться в более крупный и инновационный бизнес, либо просто стать сильнее на стадии, где вы сейчас находитесь.

– Определение вашей готовности к работе с данными. Следующий шаг этого процесса, а также тема главы 6, –  понимание структуры вашего бизнеса и его готовности к созданию и реализации стратегии в области данных. Ваша актуальная способность использовать ИИ и большие данные должна основываться на честной оценке целей, практических методов управления данными и других факторах, определяющих готовность к работе с такими технологиями. Это поможет понять, какие из областей нуждаются в дальнейшем развитии или даже в радикальном пересмотре. В этом ключе следует рассмотреть организационную структуру, использование данных, стратегическое планирование продукта, человеческие ресурсы, исследования и разработки (R&D), практики управления и обслуживание клиентов.

– Выбор первого приоритетного проекта. Третий шаг, а также предмет обсуждения в главе 7, –  выбор правильной цели, во-первых, имеющей высокую потенциальную ценность для бизнеса, во-вторых, представляющей собой область, в которой ИИ принесет существенную пользу. Ни одна компания, даже такая, как Netfl ix или Starbucks, не способна одновременно внедрять стратегию искусственного интеллекта в нескольких направлениях. Выделив наиболее ценную возможность для применения ИИ и больших данных, вы достигнете сразу двух целей. Во-первых, распределите ресурсы для достижения конкретной измеряемой цели с высокой вероятностью получения положительных результатов. Во-вторых, в случае успеха опыт использования ИИ, полученный при достижении первой цели, послужит основой для формирования стратегии для второй и последующих. Это поможет развеять страх и заблуждения, связанные с ИИ, и придаст уверенности в ответственном подходе к бизнесу, ориентированному на данные.

В главе 7 мы рассмотрим многие практические аспекты преобразований, необходимых для применения ИИ и больших данных. Там вы найдете специфические советы, касающиеся вашей бизнес-модели и масштабов бизнеса. Помимо этого, вы сможете ответить на наводящие вопросы о конкурентном окружении, а также отраслевых нормах или соглашениях, которые неявно руководят вашими действиями. В любом случае получение пользы от фактора ИИ зависит от практического и реалистичного понимания науки о данных; и это входит в приоритетные направления для любого бизнеса.

– Внедрение, измерение и масштабирование. В главе 8 рассматриваются практически все аспекты внедрения фактора ИИ, измерения результатов, защиты от необоснованных допущений и предвзятости. Мы также поговорим о разных критериях оценки и принятия решений и рассмотрим особенности этих критериев в различных областях, например разработке продукта, привлечении клиентов, ценообразовании, управлении затратами. В главе также ставится чрезвычайно важный вопрос о масштабировании первых проектов для других, еще более перспективных направлений, потенциально преобразующих бизнес или некоммерческую организацию сверх всех ожиданий.

Конечно, ИИ включает в себя множество технологий и перспективных новых трендов, выходящих за рамки этой книги. Глава 9 не только обобщает основные этапы, описанные здесь, но и дает представление о грядущем. ИИ является лишь исходной точкой для перехода к децентрализации данных, продвинутым биометрическим устройствам, тому, что мы (пока) назвали метавселенной, и взаимодействию посредством виртуальной реальности. Как и в ситуации с ИИ, уже появились неверные представления об этих новых технологиях, и даже описаны злоупотребления ими со стороны недальновидных людей и компаний. Однако так же, как и в ИИ, в них таятся большие надежды на лучшее будущее.

Фактор ИИ включает технологии, очевидно, пересекающиеся с другими областями. Терминология иногда может показаться запутанной, поэтому для лучшего понимания общей картины в конце книги приведен глоссарий, а также некоторые рекомендуемые источники информации, которые помогут в работе.

* * *

Эти технологии влияют на каждый аспект нашей деловой и личной жизни, осознаем мы это или нет. Цель моей работы –  показать руководителям бизнеса, как понимать, адаптировать и использовать их для получения беспрецедентного роста в своих компаниях и организациях. Книга также призвана дать технологическим лидерам знания, как эффективно использовать свои данные и приумножить ценность компании в долгосрочной перспективе.

Каждый аспект фактора ИИ, по отдельности и вместе, обладает потенциалом для устранения неэффективностей и неудовлетворенных потребностей, препятствующих успеху. Используя эти принципы в качестве основы, бизнес-лидеры и технические специалисты могут раскрыть огромную ценность своих данных и использовать их для получения устойчивого и долговременного эффекта для бизнеса.

Я желаю вам всяческих успехов в этом захватывающем путешествии.

Часть первая
Что такое фактор ИИ

Глава 1
Как Netflix и Starbucks изменили мир

Изменяя мир, всегда нужно начинать с того, чем вы можете управлять, то есть с ваших личных и коллективных решений. Чему и посвящена книга, которую вы читаете. Дойдя до конца, вы получите дорожную карту применения весьма конкретной технологии для таких решений. Сокращенным термином «фактор ИИ» я обозначаю технологию искусственного интеллекта и связанные с ней компоненты. Как и у многих людей, уже завершивших это путешествие, у вас появится практическое понимание его потенциала для экспоненциального роста. Но чтобы полностью оценить значение технологии, давайте рассмотрим несколько ярких примеров.

Начнем с двух самых узнаваемых брендов на планете: Netfl ix и Starbucks. На старте эти предприятия не были суперзвездами. Они работали на высококонкурентных рынках: в Америке почти на каждом углу располагались видеомагазины и кофейни. Обе компании собирали данные, чтобы улучшать результаты своего бизнеса, но это не приносило большой пользы.

Однако в какой-то момент обе компании поступили иначе. Они сознательно решили не только собрать огромное количество данных, но и по-настоящему научно их применить. Используя ИИ и большие данные, Netfl ix и Starbucks вышли на новый уровень по количественным показателям. В результате их бизнес многократно вырос в цене.

Примечание автора. Пока я это пишу, Netfl ix и Starbucks проходят через период потрясений и неопределенности. Но даже несмотря на то, что обе компании, как и все мы, переживают трудные времена, их успех в долгосрочной перспективе весьма вероятен. Аналитики прогнозируют, что в будущем и Netfl ix¹, и Starbucks² продолжат устойчиво расти именно благодаря приверженности искусственному интеллекту.

Для полной ясности, каждое предприятие может стать бизнесом, ориентированным на данные, если для своего развития и ради выделения на фоне конкурентов оно применяет данные и ИИ. Эффективно использовать искусственный интеллект –  это не то, что могут только крупные компании с большим количеством данных, финансовыми ресурсами и техническими специалистами. Хорошая новость: каждый может применять науку о данных, чтобы выйти на новый уровень и многократно расширить бизнес.

Возвращение Давида и Голиафа

В 1980-х и 1990-х годах Blockbuster⁶ стал именем нарицательным. В пятницу вечером все смотрели кино. Мы с друзьями бродили по рядам с кассетами или DVD-дисками, удивляясь ужасному качеству малобюджетных фильмов и сокрушаясь, что все новинки уже разобраны. Наконец мы останавливались на нескольких фильмах, покупали огромные упаковки фастфу-да, сканировали штрих-код на знаменитой сине-золотой карточке Blockbuster и отправлялись смотреть фильмы, заедая их попкорном. Испытывая при этом успокаивающие, знакомые и предсказуемые ощущения.

Однако бизнес-модель Blockbuster имела существенные недостатки для клиентов. Неудобный сервис предоставлял ограниченный выбор и печально известный штраф за просрочку, который начислялся, даже если фильм вернули на один день позже. (По данным Quartz³, оплата за просрочку приносила компании 16 % прибыли.) Но, несмотря на это, Blockbuster доминировал на рынке проката фильмов. В 1994 году компания Viacom выкупила Blockbuster за 8,4 миллиарда долларов. На тот момент он располагал 6000 магазинами, а пять лет спустя вышел на биржу.

Тем не менее к 2010 году Blockbuster объявил о банкротстве. В 2012 году этот бренд приобрела компания Dish Network. Однако в 2013 году последняя объявила о закрытии всех оставшихся точек. На момент написания книги Blockbuster существует в виде единственного магазина в Бенде, штат Орегон⁴, да и тот переименовали в Airbnb.

Что же случилось?

Возможно, вам уже известны основные сюжетные моменты этой истории. В 2000 году Рид Хастингс и Марк Рэндольф, основатели Netfl ix, предложили Blockbuster выкупить компанию за 50 миллионов долларов, но в ответ услышали: «Нет, спасибо». Однако вы вряд ли досконально знакомы с истинными причинами того, почему всего через тринадцать лет после основания Netfl ix смогла обогнать и окончательно сокрушить казавшийся непобедимым Blockbuster.

Согласно популярному мифу, руководители Blockbuster расслабились и не распознали прорывной потенциал интернета, из-за чего растратили свое огромное преимущество на рынке. В гонке инноваций они безнадежно отстали от Netfl ix и догоняющего их Redbox, внедряя непродуманные и неэффективные программы в панической попытке удержать первенство. В какой-то степени это правда. Нежелание Blockbuster меняться превратило его в добровольного соучастника собственной гибели.

Но Netfl ix не просто наблюдала сложа руки, как их главный конкурент сам себя уничтожает. Они стремились к переменам – ломали и переделывали свою бизнес-модель каждые несколько лет. Именно принятые ими стратегические решения позволили обойти Blockbuster быстрее, чем кто-либо предполагал. Эти решения основывались на данных. Для начала рассмотрим одно исследование.

Небольшая компания по заказу DVD по почте

Netfl ix воплощала идеи Хастингса и Рэндольфа, вдохновленных успехом Amazon в области электронной коммерции. Netfl ix основали в 1997 году, в ее штате работали 30 сотрудников, а в фильмотеке числилось 925 наименований фильмов. Планировалось использовать знания Хастингса в области информатики и опыт Рэндольфа в работе с заказами по почте, чтобы бросить вызов лидирующим игрокам в индустрии домашнего проката фильмов стоимостью 15 миллиардов долларов. На заре существования Netfl ix не являлась стриминговой компанией. Каналы связи еще не позволяли передавать видеоконтент высокого качества в коммерческих целях.

В те ранние годы Netfl ix действовала как компания по прокату DVD по почте и мало чем отличалась от Blockbuster. Клиенты заказывали DVD через веб-сайт, оплачивали прокат и получали диски по почте. На сайте Netfl ix можно было занять «очередь», чтобы взять в прокат интересующий фильм. В начале 2000-х Netfl ix ввела фиксированную ежемесячную абонентскую плату, в 2002 году компания стала публичной, а в 2003-м начала приносить прибыль по инвестициям.

Однако решения, изменившие сферу домашнего развлечения и породившие новые механизмы создания и распространения оригинального контента, приняли лишь в 2002 году. Хастингс и его команда знали, что игроки вроде Walmart и Amazon – компании с гораздо большим капиталом, чем Netfl ix,– планируют выйти на рынок домашнего видеопроката. Они понимали, что, несмотря на всю обретенную популярность, ценность первоначального предложения Netfl ix определяется несколькими ключевыми, но неэксклюзивными моментами: удобством доставки на дом, неограниченным прокатом фильмов, отсутствием сроков оплаты или сборов за просрочку. Более крупный и обеспеченный конкурент мог скопировать эти особенности и переманить значительную часть клиентов Netfl ix. Чтобы противостоять конкуренции и продолжить развитие, компании следовало перестроить бизнес-модель и внедрить инновации.

Впервые Хастингс публично поведал о своих размышлениях в интервью журналу Wired в 2002 году⁵. Он сказал: «Мы мечтали через двадцать лет иметь международную дистрибьюторскую развлекательную компанию, которая предоставляла бы уникальный канал для киностудий и продюсеров». Хастингс знал, что, когда скорость загрузки наконец вырастет достаточно высоко для трансляции видео в режиме реального времени, ее сможет использовать каждый, и это направление станет таким же тиражируемым, как и бизнес Netfl ix по прокату по почте.

Но что не смог бы скопировать ни один другой конкурент? Конечно, эксклюзивные, оригинальные программы от лучших писателей, продюсеров, режиссеров и исполнителей в мире. Если Netfl ix станет ведущим поставщиком такого контента, он сможет преобладать на рынке. Видение Netfl ix в долгосрочной перспективе состояло в стремлении «стать HBO быстрее, чем HBO станет нами»⁶.

Процесс начался с создания системы CineMatch в Netfl ix. После того как клиент оценивал двадцать фильмов по пятибалльной шкале, алгоритм брал эти и другие данные –  включая историю заказов клиента, оценки других клиентов, метаданные фильмов –  и определял закономерности, чтобы научиться предсказывать похожие фильмы, которые клиент, возможно, захочет взять в прокат в будущем. Алгоритм также использовал эти данные, чтобы предлагать контент пользователям с похожими профилями. Netfl ix делилась данными с киностудиями, помогая им планировать маркетинговые кампании. То есть делала то, что необходимо делать каждому, желающему расти в геометрической прогрессии:

Использовала данные, чтобы понимать своих клиентов лучше, чем они понимают себя.

Но на этом Netfl ix не остановилась. В 2006 году она попала в новости по всему миру, запустив конкурс Netfl ix Prize⁷. Компания обещала выплатить миллион долларов первому человеку или команде программистов, которые создадут более точный алгоритм для рекомендации фильмов на основании личных предпочтений клиентов Netfl ix. Компания предоставила участникам конкурса набор данных, включающих в себя сто миллионов оценок фильмов. В 2009 году команда из семи человек под названием BellKor’s Pragmatic Chaos разработала алгоритм, который на 10 % превзошел точность рекомендаций CineMatch.

Конкурс Netfl ix Prize стал следующим шагом в шахматной партии, которую компания разыгрывала с конечной целью разработать платформу для распространения контента. Главная цель нового алгоритма состояла не в предоставлении лучших рекомендаций по романтическим комедиям для субботнего свидания. На самом деле он давал Netfl ix возможность собирать более точные и всеобъемлющие данные о предпочтениях и вкусах клиентов в области развлечений. Компания создала мощную инфраструктуру данных, которой предстояло стать ключевым фактором ее колоссального роста.

Потоковое вещание

В 2005 году Хастингс понял, что потоковая передача мульти-медиаконтента –  будущее домашних развлечений. В январе 2007 года технология в некотором роде догнала его провидческие идеи. Netfl ix объявила, что запускает сервис «видео по запросу», где доступны 1000 наименований. Правда, широкополосная передача находилась в зачаточном состоянии, поэтому эта услуга только дополняла сервис заказа DVD по почте, но не заменяла его.

Потоковая передача быстро стала визитной карточкой Net-fl ix, особенно когда широкополосное соединение и серверы заработали намного быстрее. Компания все еще отправляла DVD-диски по почте (как и в 2020 году для примерно двух миллионов пользователей)⁸, однако она стала предоставлять весь свой каталог и в потоковом режиме. Людям нравилось оставаться дома на диване и выбирать, что посмотреть из десятков тысяч постоянно меняющихся программ. Однако примерно в 2010 году увеличение пропускной способности привело к появлению конкуренции со стороны таких брендов, как Hulu и Amazon Prime.

Именно тогда и окупились видение Хастингса и инвестиции в данные и ИИ. Он и руководители Netfl ix знали, что, получив преимущество над такими конкурентами, как Hulu и Amazon, они смогут стать не просто посредниками в предоставлении контента, но и приступить к созданию оригинального контента. Огромная база подписчиков Netfl ix давала платформе не только возможность популяризировать фильмы и телепрограммы, направляя их к определенным пользователям, но и позволяла компании сотрудничать с создателями фильмов, чтобы производить адаптированный ко вкусам подписчиков контент.

Создатели фильмов получили бы новый специализированный канал для распространения контента и проведения маркетинговых программ, и им не пришлось бы заниматься продвижением в кинотеатрах. Netfl ix получила бы источник оригинального контента. В конце концов, любая компания с достаточно большим бюджетом смогла бы создать свой собственный сервис потокового вещания. Однако без внимания, которое Netfl ix уделяла ИИ и большим данным, никому не удалось бы так легко создать оригинальные сериалы, например «Оранжевый –  новый черный» или «Очень странные дела».

Инновации, основанные на данных

Так в Netfl ix началась эпоха инноваций на основе данных. Компания сделала крупную ставку, принесшую огромные дивиденды. В 2018 году Netfl ix инвестировала около 13 миллиардов долларов в контент, большая часть которого приходилась на оригинальные сериалы. В 2013 году дебютировал сериал Дэвида Финчера «Карточный домик», за ним последовали многие другие, в том числе «Птичий короб» (в дебютную неделю его посмотрели сорок пять миллионов семей), «Несгибаемая Кимми Шмидт», «Озарк», «Конь БоДжек» и другие. Как написал Блейк Морган в Forbes: «Оригинальный контент –  вот что привлекает зрителей. Они могут смотреть большинство телесериалов в нескольких местах, но оригинальный контент получат только напрямую от Netfl ix».

Поток высококачественного оригинального контента, в создании которого помогли терабайты точных данных о предпочтениях пользователей, превратил Netfl ix в гиганта рынка домашних развлечений: доход 20 миллиардов долларов, прибыль 2,6 миллиарда долларов, более 195 миллионов подписчиков в третьем квартале 2020 года и около 9000 сотрудников. Однако самое главное, что компания изменила отрасль так, как удавалось лишь немногим.

В 2016 году Netfl ix начала выпускать сразу целые сезоны новых сериалов, в очередной раз перестраивая индустрию. Это дало компании мощное преимущество, отличающее ее от кабельного, как и факт, что на момент написания этой книги Netfl ix не прерывала вещание рекламными ставками. К тому же она первая в своей сфере сделала возможным просмотр контента через смартфоны, планшеты и другие устройства, и даже открыла доступ к своим сериалам через мобильную сеть передачи данных. Впечатляющий рост Netfl ix привел к появлению новых конкурентов. Потоковые сервисы есть везде, и многие компании производят оригинальный контент. Однако пока ведется оживленное обсуждение, кто же из них лидер, Netflix продолжает удерживать долгосрочное первенство.

Почти все новые маркетинговые преимущества компании невозможно скопировать, поскольку они основаны на огромном хранилище уникальных данных о предпочтениях подписчиков. Конкуренты потокового вещания могут создавать свой контент, но им не удастся скопировать глубокие многолетние познания Netflix о предпочтениях пользователей.

Во второй части книги мы подробнее рассмотрим шаги, необходимые для успешного применения ИИ и больших данных вне зависимости от размера бизнеса или некоммерческой организации. Но если у вас осталось немного терпения, давайте разберем дорожную карту, которой следует Netflix.

– Руководители компании полностью осведомлены о положении своего бизнеса, в том числе о потенциале роста и готовности к риску. Выходя на переполненный рынок с доминирующим конкурентом, они были больше заинтересованы в перестройке существующей бизнес-модели, чем в сокращении расходов и оптимизации существующих процессов.

– С самого начала компания ясно понимала важность имеющихся у нее данных и предпринимала шаги для постоянного повышения своей готовности к работе с ними, использовала их для повышения ценности своего предложения. В том числе создавала новые методы сбора еще большего объема данных и использования их потенциальной ценности для бизнеса.

– В качестве приоритетных намеренно выбирались основанные на данных стратегии и проекты, которые не только показывали высокую прогностическую ценность данных, но и создавали высокую ценность для бизнеса. Конкретнее, компания разрабатывала и улучшала точность своих алгоритмов для предсказания поведения пользователей.

– При реализации проектов в области данных и ИИ компания оценивала результаты и использовала их для масштабирования бизнеса, а не просто улучшала уже работающие сервисы. Она применяла свои навыки по работе с данными для создания совершенно новых направлений в бизнесе. К ним относилось производство нового контента, выделяющего компанию на фоне других потоковых сервисов –  и порождающего множество подражателей.

Теперь Netflix угрожает даже традиционной модели кинобизнеса. Когда из-за пандемии COVID-19 пришлось закрыть кинотеатры, зрители еще больше привыкли смотреть фильмы дома. Вечная бунтарка Netflix внесла свой вклад в этот тренд, создав для Google Chrome расширение Netflix Party, которое позволило пользователям организовывать совместный просмотр фильмов и предоставило возможность делиться эмоциями и впечатлениями через групповой чат. Несмотря на отчаянные попытки традиционных кинотеатров вернуть свои позиции, киностудии уже придерживаются новой практики бизнеса, выпуская фильмы в кинотеатрах и на потоковых платформах с небольшой разницей во времени или даже одновременно. Пандемия ускорила этот тренд, поскольку Netflix и ее конкуренты собрали и использовали для развития бизнеса еще больше данных о поведении пользователей.

Все эти смелые ставки Netflix смогла сделать отчасти потому, что полагалась на сбор и анализ огромного количества пользовательских данных. Доверяя объективным данным, а не догадкам, и избегая искушения принять желаемое за действительное, компания во многом снизила риски вложений в дорогостоящие инициативы, например, тратя миллиарды долларов на создание оригинального контента. Данные определяли все – от изменений в системе рекомендаций до партнерства с Голливудом. В своей новой бизнес-модели Netflix просто ориентировалась по данными, как по карте сокровищ.

В результате компания получила основанный на данных «эффект спирали развития», гарантирующий рост дохода и возможность опередить прочих игроков потокового вещания. Непрерывный поток оригинальных программ постоянно подпитывает алгоритм и искусственный интеллект Netflix свежими данными о симпатиях и антипатиях подписчиков. Анализ этих данных позволяет получать информацию, которая определяет создание все более оригинальных программ, вдохновляет на производство нового или точно нацеленного на определенную аудиторию контента и предоставляет значительное конкурентное преимущество.

От простой до летающей машины

Секретным ингредиентом Netflix стало ноу-хау – оптимизированный алгоритм рекомендаций CineMatch. Алгоритм – это четко определенная последовательность инструкций, которую компьютер использует для решения конкретной проблемы или выполнения заданных вычислений. Это не ИИ, однако весьма тесно связанное с ним понятие. Мир Мусави, основатель QuiGig, пишет, что между алгоритмом и ИИ существует такая же разница, как между простой и летающей машиной. «Ключевое отличие,– говорит он,– заключается в том, что алгоритм имеет четко определенный процесс, на основе которого принимается решение, а ИИ для принятия решений использует обучающие данные⁹».

Netflix использует различные технологии, чтобы извлечь наибольшие прогностические возможности из своей огромной базы данных. Во-первых, алгоритм тщательно просматривает базу данных компании, чтобы найти людей, одинаково оценивших одни и те же фильмы. Например, может отыскать всех пользователей, которые дали пять звезд «Марсианину» с Мэттом Деймоном. Затем алгоритм смотрит, какие оценки эти люди поставили другому фильму, скажем, «Умница Уилл Хантинг», и рассчитывает вероятность того, что пользователям, которым понравился «Марсианин», также понравится «Умница Уилл Хантинг». Если эти шансы высоки, система порекомендует для оставшихся пользователей фильм «Умница Уилл Хантинг». Этот процесс повторится миллионы раз, «рисуя» многочисленные корреляционные связи между фильмами и пользователями.

Помимо этого, Netflix опирается на машинное обучение в искусственном интеллекте. Компания не анализирует традиционные структурированные данные (имена, номера телефонов, адреса электронной почты и тому подобное), а наоборот – их ИИ изучает неструктурированные данные, а именно изображения, являющиеся гораздо более субъективными и трудно классифицируемыми данными. В 2014 году Netflix начала изучать связь между миниатюрными «постерами» фильмов или сериалов, которые пользователи видят на своих домашних страницах Netflix, и контентом, который они выбирают. Обнаружилась тесная взаимосвязь между привлекательностью постеров и популярностью сериала или фильма.

Компания начала использовать МО, чтобы генерировать множество постеров для каждого сериала, и постоянно тестировала их на своих пользователях. Это классический сценарий A/B-теста, в котором десять пользователей Netflix могут увидеть десять совсем разных постеров, сгенерированных ИИ для одних и тех же фильмов или телешоу. После того как люди решили, что смотреть, система запоминает выбор и изменяет посте ры, чтобы повысить их привлекательность. Затем компания использует ИИ для анализа неструктурированных данных, состоящих из изображений, и использует полученные результаты для корректировки бизнес-стратегии.

Система рекомендаций Netflix и искусственный интеллект не только сделали независимые фильмы и контент, не относящийся к мейнстриму, более заметными, но и, по словам Блейка Морган из Forbes, создали поток высококачественного контента, который изменил способ потребления развлечений. До появления Netflix телесериалы и ограниченные серии смотрели медленно, по одной серии за раз, поэтому влияние новых сериалов казалось незаметным. Теперь люди запоем поглощают целые сезоны новых сериалов – это называется «эффектом Netflix» – и за одну ночь определяют формирующие культуру хиты и новых звезд телевидения и кино¹⁰.

Кофейня на углу

Прежде чем посчитать Netflix, с его использованием данных и ИИ, аномалией в бизнесе, давайте рассмотрим еще один пример –  вездесущую франшизу Starbucks. Все началось в 1971 году с компании по обжарке и продаже фасованного кофе в Сиэтле, которая неуклонно росла и в 1980-х годах, когда ею руководил Ховард Шульц, запустила бизнес по продаже готовых напитков. Компания расширялась –  в основном за счет поглощения конкурентов –  и в результате добилась успеха, а в 1992 году стала публичной.

В начале 2000-х годов Starbucks пережила взлеты и падения, в том числе неудачи на некоторых международных рынках¹¹ и последствия экономического спада 2007–2009 годов¹². Но продолжала удерживать сильные позиции. Как и Netflix, эта компания сумела воспитать культуру развития –  стать чем-то большим, чем бизнес по продаже кофе. Так же, как и Netflix, она добилась этого благодаря использованию данных и ИИ.

В 2009 году Starbucks запустила свое первое приложение для смартфонов, которое позволяло удобно оплачивать покупки. Оно работало в шестнадцати торговых точках¹³. Со временем компания внедрила в приложение программу лояльности Starbucks Rewards, в 2017 году насчитывавшую более семнадцати миллионов активных пользователей. Это позволяло собирать данные о предпочтениях покупателей из более чем девяноста миллионов транзакций в неделю¹⁴. Сейчас компания использует этот огромный массив данных для персонализации (и увеличения чека) заказов клиентов. Также она применяет эти данные в своих персонализированных маркетинговых кампаниях¹⁵. Помимо этого, объединяет их с информацией о местной демографии и структуре трафика, выбирая места для новых магазинов. Другими словами:

Starbucks – это не кофейная компания; это компания по управлению данными, которая продает кофе¹⁶.

Сегодня Starbucks использует большие данные и предиктив-ную аналитику не только для того, чтобы персонализировать общение с клиентами, но и в целях существенного увеличения дохода ежегодно на 21%¹⁷. Согласно опросу The Manifest¹⁸, в 2018 году мобильное приложение Starbucks признано наиболее часто используемым приложением программы лояльности (48% респондентов) среди основных приложений ресторанов. На долю онлайн-заказов и продаж в рамках программы лояльности суммарно пришлось 39% продаж по всей сети¹⁹. Что, как мы узнаем из этой главы позже, значительно повлияло на цену акций.

Компания продолжает использовать технологии для многократного роста бизнеса. Она также использует искусственный интеллект для создания «виртуального бариста», который принимает заказы с помощью технологии распознавания голоса²⁰ и удаленно отслеживает огромное количество критически важного подключенного к интернету оборудования, чтобы прогнозировать, когда потребуется ремонт или техническое обслуживание²¹.

Как мы увидим, Starbucks и Netflix добились выдающихся результатов благодаря смелому использованию искусственного интеллекта, больших данных, умных устройств и облачных технологий. Они изменили восприятие ИИ во всем мире. И не только они. Другие компании практически любого размера тоже могут добиться успеха благодаря этим технологиям.

Четыре квадранта роста

Чтобы понять, как наилучшим образом применить ИИ и большие данные в бизнесе, необходимо изучить готовность идти на риск, ломать существующие бизнес-модели и изобретать новые. Как показано на рисунке ниже, помимо этого необходимо работать на рынке с хорошим потенциалом роста, изучен ли он полностью или нет.

В каждом квадранте описано направление развития, в котором ИИ и большие данные являются критически важными элементами. Практически любое предприятие найдет в одном из этих квадрантов цель, соответствующую его стадии жизненного цикла, текущему уровню прибыльности и другим переменным. Например, если компания в настоящий момент не в состоянии совершить скачок, как это сделали Netflix или Starbucks, она почти наверняка получит выгоду от стратегии оптимизатора, в которой данные собираются и исследуются для поиска способов увеличения эффективности, снижения затрат и улучшения качества продукции и обслуживания клиентов. Например, компания может использовать свои внутренние данные, чтобы оптимизировать процессы цепочки поставки и снизить затраты.

В отличие от классического бизнес-позиционирования, любой вид предприятий, независимо от присущего ему потенциала роста или инноваций, может извлечь выгоду из правильного использования искусственного интеллекта и больших данных

Если ваш текущий потенциал роста на рынке ограничен, а вы готовы пойти на риск и внедрить инновации, можно выбрать стратегию новатора. Она предполагает инвестирование в исследования, разработку и инжиниринг ради создания новых продуктов и услуг, которые поддержат более решительные инициативы в будущем. Именно это сделала Apple, потратив годы на разработку первого iPod, запустившего экосистему iOS. Которая, в свою очередь, заложила основы глобальной мобильной экономики.

Возможно, вам лучше подойдет стратегия захвата, где вы примените данные для управления разработкой маркетинговых инициатив, привлекающих новых клиентов. Это позволит увеличить вашу долю на рынке, создать новый или расширить существующий бренд, нарастить бизнес за счет слияний и поглощений.

Все это жизнеспособные стратегии для предприятий, которые стремятся к стратегии мультипликатора, как Netflix или Starbucks, но их руководство, культура и инвесторы еще не готовы взять на себя такие обязательства. Воспринимайте стратегии оптимизатора, новатора и захватчика как шаги на пути к идеалу –  мультипликатору бизнеса. Как только преимущества искусственного интеллекта и больших данных станут понятными после первых проектов, идея более глубокой перестройки бизнеса с помощью ИИ обретет большую очевидность.

Следовать стратегии мультипликатора не так-то просто. Зачастую она выглядит пугающе для акционеров и менеджмента компании, потому что создается впечатление вывода компании в неизвестность из безопасной гавани предсказуемых дохода и прибыли. Однако рано или поздно выживание любого предприятия требует адаптации и внедрения инноваций.

Возможно, у вас не получится сразу начать с разрушения старых бизнес-моделей, но вы уже сейчас можете использовать ИИ для активного повышения эффективности, разработки новых продуктов и расширения за счет слияний и поглощений. Однако единственным проверенным способом сохранить жизнеспособность вашего бизнеса, особенно в быстро меняющемся техническом секторе, будет создание уникального ценностного предложения, которое конкуренты не смогут легко повторить или усовершенствовать. Следуя этим путем, вы получите «эффект маховика», преобразующий импульс каждого решения на основании данных в новые идеи и стратегии роста, о чем мы поговорим в главе 8.

Это означает совершить прыжок. Это означает, что вы будете внедрять инновации и даже бросать вызов вашей текущей бизнес-модели, предпочитая ту, которая управляется ИИ и связанными с ним технологиями.

Результаты мышления мультипликатора

Netflix и Starbucks являются примерами мультипликаторов бизнеса. Как руководитель, вы должны обладать видением. Вам нужно масштабно мыслить и мечтать, но уметь вбить кол в землю и разработать актуальные планы воплощения идей в реальность. Истинные предприниматели готовы рисковать, но при этом заранее выполняют массу домашней работы. Перед тем как открыть бизнес, они просчитывают все риски и ищут способы их максимального снижения. Netflix поступила именно так, когда дело дошло до использования данных и искусственного интеллекта для прогнозирования результатов, потому и добилась выдающихся успехов.

После того как компания начинает применять стратегию с использованием ИИ и больших данных, ее рыночная стоимость экспоненциально вырастает. Например, цена акций Netflix резко пошла вверх с тех пор, как компания начала применять эти принципы.

Благодаря такому росту Netflix сейчас входит в список S&P 500 как одна из пятисот крупнейших компаний США. Конечно, цена акций компании –  это не единственный показатель ценности, к тому же следует учитывать, что и искусственный интеллект не был единственным двигателем роста. Но всегда в основе процесса принятия решений, касающихся данных, лежало мышление мультипликатора. Та же тенденция роста характерна и для Starbucks.

До того как Starbucks начала использовать умные устройства, большие данные и искусственный интеллект, компания уже успешно, хотя и не так стремительно, развивалась. Открывая новые точки по всему миру, они уже, по сути, лидировали на обычном товарном рынке, продавая потребителям кофейные напитки и сопутствующую продукцию. Но Starbucks применила данные, чтобы понимать своих клиентов лучше, чем они понимают себя, и тоже стала одной из пятисот крупнейших компаний в стране.

Рид Хастингс верил, что персонализированные развлечения – это именно то, что хотят получить люди. Поэтому он обратился к данным, чтобы точно узнать, чего на самом деле хотят его клиенты, а затем предоставил им желаемый контент. Starbucks тоже пошла по пути разработки стратегических бизнес-решений на основе фактических данных, собранных с миллионов умных устройств пользователей и проанализированных с помощью ИИ.

Вам не нужны огромные ресурсы Netflix или Starbucks, чтобы использовать истинную мощь искусственного интеллекта и больших данных. Однако скачок можно совершить только одним единственным способом: это изучить о клиентах все, что возможно, то есть собрать как можно больше данных и стать одержимым по отношению к уровню обслуживания.

Начните с правильных вопросов

Несколько лет назад компания Uber стала изучать данные, собранные в результате миллионов поездок на такси клиентов по всей стране. Выяснилось, что многие клиенты по пути к месту назначения просили водителей остановиться в таких местах, как Starbucks. Компания сопоставила данные о поездках в ключевых городах с местоположением пунктов продажи еды и напитков и приняла решение вместо дополнительных остановок открыть новый бизнес по доставке еды клиентам машинами Uber. Так на свет появился Uber Eats.

Такие инновации происходят не случайно. Они внедряются, потому что компании используют данные для лучшего понимания клиентов и разработки способов предоставления удобных и персонализированных услуг, действительно нужных всем. Сейчас все определяется скоростью, простотой и персонализацией, как в заказе за один клик в Amazon. Клиенты ценят индивидуальный подход и удобство, а поскольку обычно последние реализовываются с помощью ИИ (вспомните функцию Amazon «Книги, которые могут вам понравиться»), их стоимость невысока. Изучение данных выявляет скрытые слабые стороны и возможности. Использование данных приумножает ценность.

Но как понять, с чего начать поиски? Как найти нужные данные? Я предлагаю своим клиентам сделать три шага.

Шаг первый: выявите проблему, которую хотите решить. Получению данных предшествуют вопросы. Что вы хотите знать? Ваша компания занимается доставками и ищет более быстрые маршруты к своим клиентам? Вы руководите сетью ресторанов и пытаетесь понять, почему клиенты прерывают попытки заказать еду навынос онлайн, разочаровываются и покидают ваш сайт? Или хотите на основе прошлых покупок предсказать, что люди закажут в будущем? Какие продукты следует запустить, и какой из них станет главным хитом? Какие данные вы ищете и почему? Вы изучаете данные, чтобы узнать уже произошедшие события, или хотите понять их причины? Собираете ли вы данные, которые покажут, какие шаги следует предпринять?

Шаг второй: согласуйте ваши данные со стратегией.

Допустим, ваша цель – ежегодное увеличение прибыли на 20%. Для этого нужно использовать ваши данные, чтобы превзойти ожидания посетителей по обслуживанию, повысить лояльность и количество рефералов, а также удержать больше клиентов. Далее необходимо настроить новые внутренние бизнес-процессы, используя данные для максимального роста операционной эффективности и скорости, а также запускать новые продукты и услуги, которые понравятся вашим клиентам. Кроме того, придется нанять новых сотрудников и обучить тех, кто уже работает у вас. Определив действия, необходимые для достижения ваших целей, вы поймете, какие данные понадобятся и как их использовать.

Шаг третий: соберите данные, имеющие прикладную ценность. Соберите правильные данные. Вам понадобятся исторические данные, такие как финансовые транзакции, опросы клиентов и данные кол-центра. Они покажут ситуацию в прошлом: насколько хорошо работала компания и что делали клиенты. Но, помимо этого, необходимы прогнозные данные, которые на основании выявленных закономерностей подскажут, что именно ваши клиенты с большой вероятностью сделают в будущем. Изучите данные, сформулируйте ключевые выводы; затем примените МО или ИИ для достижения мультипликативного эффекта.

Например, сеть ресторанов, предлагающих доставку, пытается уменьшить количество незавершенных онлайн-заказов. В процессе анализа может обнаружиться, что проблемной точкой, где часто происходят отказы, является страница ввода данных для оплаты. Дальнейшие меры спланировать несложно. Также можно использовать сентимент-анализ⁷ записей кол-центра для решения проблемы оттока клиентов, что так изящно объяснил аналитик Тосин Адеканье в 2021 году²². Возможности безграничны.

Netflix и Starbucks задавали правильные вопросы и добивались ответов, которые, как они знали, приведут к созданию инноваций; кроме того, они руководствовались четким и смелым видением: стать платформой для создания оригинального контента. Они изменили правила игры. В отличие от Blockbuster, которые играли в догонялки с подорвавшей их позиции Netflix, и проиграли, потому что их культуре и стилю руководства не хватило возможностей для внедрения подлинных инноваций. За редким исключением⁸, другие сети кофеен и розничной торговли пытались подражать бизнес-решениям Starbucks, однако их действия не основывались на глубоком анализе данных.

Различие заключается не столько в характере или способностях людей, сколько в их готовности задавать сложные вопросы и использовать данные для получения выводов, которые помогут вносить необходимые бизнесу изменения.

Глава 2
Разбираемся, что такое искусственный интеллект и как он влияет на бизнес

В фильме 2013 года «Она» одинокий Теодор Туомбли (роль которого играет Хоакин Феникс) устанавливает виртуального помощника с искусственным интеллектом, называющего себя Самантой. В результате озвученный Скарлетт оханссон помощник с искусственным интеллектом не только демонстрирует способность полностью перестроить жизнь Теодора, но и оказывается настолько очаровательным, привлекательным и похожим на человека, что Теодор влюбляется в него.

По сценарию к концу фильма выясняется, что вымышленный ИИ обрабатывает миллионы запросов и одновременно ведет миллионы бесед. (На самом деле ИИ так и делает.) В фильме «она» обладает вычислительной мощностью, позволяющей обрабатывать большой объем данных, чтобы одновременно создавать персональные, хотя и нечеловеческие, отношения со многими людьми. К сожалению, узнав, что Саманта разговаривает одновременно с миллионами других собеседников, Теодор чувствует себя преданным.

Более мрачная голливудская версия искусственного интеллекта показана в серии фильмов «Терминатор». Сеть мощных оборонных компьютеров SkyNet обретает самосознание и решает, что люди угрожают ее существованию. По сюжетной линии в недалеком будущем она превентивно начинает ядерную вой ну, уничтожившую большую часть человечества. Затем проектирует и создает устрашающих киборгов –  «терминаторов», чтобы уничтожить оставшихся людей и убить сопротивляющихся бойцов. Наконец, благодаря Арнольду Шварценеггеру и Линде Хэмилтон, ИИ терпит поражение.

Оба этих сюжета об искусственном интеллекте –  захватывающие истории, которые подпитывают наши заблуждения. Суть не в очеловечивании технологии, а в необходимости понять ее потенциальные преимущества. Настоящая, неголливудская реальность одновременно и более прозаичная, и более захватывающая, если смотреть на нее с позиции бизнеса.

Важный факт –  способность искусственного интеллекта проявлять экстраординарные навыки. Это освобождает людей от выполнения повторяющихся задач и экспоненциально увеличивает отдачу. ИИ также может выявлять полезные закономерности в гигантских массивах информации и генерировать удивительно качественный оригинальный письменный, визуальный и аудиоконтент. На самом базовом уровне:

ИИ выполняет любую вычислительную функцию, подражающую основным возможностям человеческого интеллекта.

ИИ анализирует входящие исторические данные и выявляет повторяющиеся модели поведения и результаты, выводит из этой информации закономерности, а затем уже из них извлекает нужную информацию, чтобы лучше предсказывать события и рекомендовать решения. По сути, ИИ пытается действовать так же умно и интуитивно, как люди, и в то же время потенциально выходит за пределы человеческих ограничений, таких как усталость, потребность есть и пить, скука и предвзятость⁹.

Эволюция искусственного интеллекта

В 1950-х и 1960-х годах уже существовала концепция искусственного интеллекта, но для ее воплощения в жизнь не хватало больших объемов данных и вычислительной мощности. Для вычислительных задач использовались огромные по размеру компьютеры (мейнфреймы). Емкость хранилища была незначительной, а скорость обработки – низкой. Проиллюстрирую это на примере простого iPhone: сегодня он имеет более чем в миллион раз больше памяти, а по вычислительной мощности более чем в 100 000 раз превышает компьютер Apollo Guidance, который использовался для высадки людей на Луну в 1969 году¹.

Однако, как и предсказывал закон Мура¹⁰, все это изменилось.

Со временем устройства стали меньше, а их возможности по хранению и анализу данных значительно возросли. Машины стали выполнять миллиарды вычислений в секунду. Наконец появилась достаточная вычислительная мощность, чтобы справляться с обработкой данных с помощью искусственного интеллекта.

Потом появился интернет. Постепенно мы все вышли в онлайн: общаться, рассказывать, творить. Мир уменьшился, потому что люди теперь стали делиться мыслями, предпочтениями и убеждениями друг с другом и с растущим числом компаний и организаций. Внезапно мир наводнили данные об отдельных личностях, компаниях и учреждениях. Стало легче следить за тенденциями, находить закономерности в мыслях людей, в том, что им нравится или не нравится.

Изменился и характер самих данных. Вначале большая часть мировых данных представляла собой структурированные данные, упомянутые в главе 1. Структурированные данные помещаются в заранее определенные форматы – в строки и столбцы или записи и поля. Они организованы предсказуемым образом, как, например, банковские записи, информация об имени и адресе из онлайн-формы, ISBN для книг. Данные такого рода можно встретить в электронной таблице Excel: они обычно содержат много дат, цифр и упорядоченных или классифицированных фактов.

Но поскольку более объемной частью онлайн-мира стали посты в социальных сетях, электронные письма, видео, фотографии, аудиофайлы и другие разновидности обогащенного контента, сегодня в подавляющим количестве поступают неструктурированные данные. Помните, для иллюстрации работы ИИ я привела пример с обработкой чека с помощью мобильного банковского приложения? Изображение вашего документа, которое программное обеспечение с ИИ анализирует, определяя, является ли он валидным, представляет собой разновидность неструктурированных данных. Как и следовало ожидать, анализ таких данных, которые редко имеют смысловые «метки» и часто заключают тонкие оттенки смысла или вообще бывают двусмысленными, требует небывалого уровня сложности вычислений. В этом и заключалась суть ИИ и его более сложных подсистем.

Последовательные волны технологических инноваций радикально изменили человеческий опыт. (В главе 9 мы обсудим некоторые из этих разработок, в частности Web 1–3)

Машинное обучение (МО)– это искусственный интеллект, в котором алгоритмы автоматически обучаются и улучшают точность по мере поступления все большего количества данных. Степень контроля со стороны человека может отличаться и зависит от набора обучающих данных¹¹. Например, предположим, вы хотите, чтобы ваша система искусственного интеллекта научилась различать изображения кошки и собаки. Вы просите компьютер проанализировать тысячи или, возможно, даже миллионы изображений всех видов кошек и собак, каждое из которых снабжено метками «кошка» или «собака». Со временем ИИ «научится» узнавать, какие характеристики связаны с образом «кошка», а какие –  «собака» или «человек». Подобно ребенку, который учится на основе повторяющегося опыта, машина усваивает идеи, многократно просматривая данные, не прибегая при этом к программированию строгого набора правил.

Искусственный интеллект –  это обобщающий термин, в который входят также машинное обучение и глубокое обучение

Другим примером машинного обучения является распознавание речи. Включив новый iPhone, вы не сможете пользоваться Siri, пока не произнесете, следуя инструкциям операционной системы, определенный набор голосовых команд. Это позволит «облачному» ИИ удаленно связаться с вашим телефоном (более подробно об этом я расскажу позже) и научиться распознавать ваш голос. Менее чем через минуту с помощью простого «Привет, Сири» вы сможете устанавливать напоминания, запускать приложения и звонить друзьям.

Наконец, существует глубокое обучение. Оно связано с работой так называемых в мире информатики нейронных сетей – математических систем, смоделированных на основе нейронной структуры человеческого мозга. Точное определение этого термина довольно сложное, но если кратко, то глубокое обучение / нейронные сети используют одновременно множество вычислительных слоев, благодаря чему система выявляет в данных гораздо более сложные характеристики и закономерности, чем сделали бы проще устроенные алгоритмы машинного обучения. Таким образом, глубокое обучение имитирует активность человеческого мозга¹², обладающего высокой пластичностью и адаптивностью. Это требует огромных объемов данных и вычислительной мощности, которые стали доступны благодаря развитию облачных вычислений.

Хорошо известным примером глубокого обучения является способность Facebook¹³ определять людей по чертам лица на фотографиях. (В ноябре 2021 года соцсеть объявила о своих планах отключить эту систему² по причинам, которые мы обсудим в главе 4.) Эта задача гораздо сложнее обучения системы различать «кошку» и «собаку» на основе того, что коты с большей вероятностью имеют заостренные уши и полосатый рисунок на мордочке. Для определения конкретного человека по фотографии потребуется сначала идентифицировать тысячи элементов в визуальных данных, а затем сопоставить их с сотнями или даже тысячами текстовых файлов из различных учетных записей пользователей, что позволит связать имя человека с его изображением. При этом необходимо учитывать освещение, ракурс, качество изображения и другие переменные. Аналогичные методы машинного обучения использует приложение Photos от Apple, когда группирует фотографии пользователей в «альбомы» на основе меток даты и местоположения, а также на основе отдельных элементов, распознанных на самом изображении, таких как черты лица и физическое окружение.

То же самое Google и OpenAI проделали с GPT-3 –  ИИ с обработкой естественного языка (NLP). «Скормив» своей нейронной сети триллионы бит текстовой информации, они получили искусственный интеллект, который выучил распространенные последовательности и порядок в письменной и устной речи человека. Все-таки человеческое общение довольно предсказуемо. Например, если ваш друг случайно напишет незаконченную фразу: «Не хотели бы вы пойти…» –  то для ее осмысленного завершения найдется не так много слов, например: «в кино», «в магазин», «на бейсбольный матч». Вы можете с высокой точностью предсказать, что последним словом в сообщении вашей подруги будет не «бублик» и не «инфекция». Нейронная сеть учится делать такие же прогнозы. Вот почему после нескольких месяцев изучения закономерностей в колоссальных объемах письменных материалов GPT-3 смог дописывать с высокой степенью точности предложения людей, когда они лишь начинали печатать несколько слов. Оказывается, люди довольно предсказуемы, если иметь достаточно много данных.

На сегодняшний день GPT-3 проанализировал триллионы слов в самых разных источниках –  от электронных книг до блогов, социальных сетей и статей в «Википедии». В результате столь масштабного машинного обучения он развил поразительную способность не только за доли секунды сочинять на удивление качественную прозу, но и писать стихи, твиты, ответы на простые вопросы и даже генерировать собственный компьютерный код.

Га з е т а New York Times описала такой случай³: один из программистов проекта попросил GPT-3 имитировать письменный стиль популярного психолога Скотта Барри Кауфмана. Когда ему задали вопрос: «Как стать более творческим?» –  часть ответа ИИ выглядела так:

«Я думаю, что творческое самовыражение –  это естественный побочный продукт взросления в разнообразных условиях. Ведь чем разнообразнее мир, тем больше вы взаимодействуете с разными людьми, возможностями, местами и сложными ситуациями. Чем больше в этом разнообразия, тем выше вероятность того, что вы сможете соединить все воедино и создать нечто новое».

Журналисты попросили самого Кауфмана прокомментировать это, и он признал, что сгенерированный ИИ ответ довольно точно имитировал его письменные работы. Но наиболее захватывающим делает GPT-3 его возможность демонстрировать непредвиденные качества, появление которых не ожидали даже его создатели. Разработчики проектировали ИИ для предсказания следующего слова в последовательности слов, система проанализировала более 175 миллиардов текстов из различных областей в течение последующих месяцев и самостоятельно развила в себе способность выполнять задания, для которых она не предназначена, например писать код. Можно сказать, что она эволюционировала и продолжает это делать.

Чат-боты с ИИ для обслуживания клиентов, или цифровые помощники, обобщающие содержание электронных писем для своих занятых начальников, –  это только вершина айсберга. Поскольку системы NLP, такие как GPT-3, становятся более сложными, можно представить себе «бот», способный автоматически писать и обновлять учебники в университете по результатам последних исследований или создавать рекламные материалы, оптимизированные на основе полученного из рекламного агентства свежего набора данных об удовлетворенности клиента. Более того, языковые ИИ-системы могли бы помочь психологу, работающему через телемедицину, написать правильное сообщение клиенту, задумывающемуся о суициде; или исправить опасную ошибку в ПО, управляющем беспилотным автомобилем во время движения по шоссе.

* * *

Как вы понимаете, все еще бытуют страх и непонимание сути этой технологии, несмотря на факт ее применения практически в каждом сегменте экономики. Подумайте об этом. Покупая продукт, который вам порекомендовал Amazon, или фотографируя чек при помощи банковского приложения, вы используете ИИ. Когда ваш термостат Nest автоматически корректирует температуру в доме в ожидании вашего возвращения с работы, вы используете умное устройство. Когда ваш браслет Fitbit отслеживает количество шагов в день и напоминает, что для достижения среднего показателя за шесть месяцев нужно пройти еще три с половиной километра, задействуются большие данные. А получая доступ к файлу в Dropbox или делясь документом в Google Doc, вы используете облако.

Если вы стремитесь вывести свой бизнес на новый уровень роста и прибыльности, пришло время избавиться от страхов и заблуждений о технологиях вроде ИИ и осознать их необычайный потенциал. Я называю искусственный интеллект и сопутствующие ему технологии – включая больше данные, умные устройства и облачные вычисления – мультипликативными технологиями. Они способны обрабатывать данные, которые ежедневно генерирует каждая компания; выявлять закономерности, обнажающие как проблемы, так и возможности. Эти технологии помогают получить максимум от данных, позволяя компаниям взращивать до небес лояльность клиентов, доминировать на существующих рынках и применять инновации для создания новых. Если при внедрении этих технологий придерживаться четкой стратегии, они помогут вашему бизнесу во много раз быстрее, по сравнению с конкурентами, увеличить доход, прибыль, долю рынка и влияние. Те, кто по незнанию не используют их, довольствуясь своим статус-кво и страшась перемен, –  останутся позади.

Другими словами, благодаря этим технологиям экстраординарные результаты могут стать реальностью. Недостающий элемент здесь – это понимание того, как вы, один из руководителей своего бизнеса, можете использовать эти технологии для выявления неосвоенных возможностей, скрытых в вашей бизнес-модели, получения соответствующих данных, чтобы начать реализовывать эти возможности, предпринимать верные действия в нужное время и в итоге превратить эти возможности в прибыль. На протяжении этой книги мы углубимся в идеи и стратегии, необходимые именно для данной цели. Но для начала давайте подробнее рассмотрим, что представляют собой описываемые технологии, как они работают и особенно чем они не являются.

Четыре типа аналитики

Хотя область анализа данных почти так же стара, как интернет, за последнее десятилетие она кардинально изменилась. На самом деле термины «искусственный интеллект» и «аналитика» иногда ошибочно употребляют как синонимы. Аналитику данных можно значительно улучшить с помощью ИИ и машинного обучения, но ее также можно применять и не используя их.

Давайте начнем с описания четырех основных типов аналитики.

Поскольку аналитические данные становятся более направленными в будущее [и труднее поддаются количественной обработке], их ценность для бизнеса возрастает

Описательная аналитика является наиболее базовой: обзор массы данных позволяет определить, что случилось в прошлом и когда это произошло –  сто лет или пять минут назад.

Диагностическая аналитика рассматривает повторяющиеся элементы данных, чтобы определить возможные причины, влияющие на событие, и понять, почему оно произошло. Поскольку они изучают прошлые события, эти уровни считаются ретроспективными. На деловом языке описательная и диагностическая аналитики являются запаздывающими индикаторами, в отличие от опережающих⁴. Конечно, эти направления могут стать эффективнее при использовании больших данных и ИИ, но применение последних не обязательно.

С третьим уровнем, прогностической аналитикой, мы проникаем в самое сердце современной «экономики персонализации». Прогностическая аналитика изучает закономерности прошлых действий, чтобы предсказать поведение отдельного человека, группы или сложной системы в будущем. Этот подход не является детерминистским, поскольку он основан на вероятности, а не на определенности. В предисловии я рассказала о примере с «Окленд Атлетикс», которые в 2002 году успешно применили саберметрику –  модель прогноза на основе данных, предшественника ИИ, –  чтобы нанять низкооплачиваемых игроков, опираясь на инновационные показатели результативности. Они рассуждали так: даже если прогноз по данным не сработает ни в одной игре, статистическое преимущество команды сохранится лучше на протяжении всего сезона. (Если бы в начале 2000-х существовала приемлемая ИИ-система, команда специалистов по данным «Окленда», возможно, показала бы лучшие результаты, но даже в тех условиях их модель сработала достаточно успешно.)

Наконец, существует рекомендательная аналитика, которая использует данные для составления рекомендаций и выводов, выходящих за рамки простого прогноза результатов. Именно здесь большие данные, ИИ и машинное обучение наиболее часто переплетаются с аналитическим процессом. Например, когда у искусственного интеллекта достаточно неструктурированных данных для выявления закономерностей и его можно научить определять смысл этих закономерностей, он может развить способность подражать человеческой проницательности и рассудительности.

Ярким примером этого является система вопросов и ответов IBM Watson, разработанная в середине 2000-х годов. Недавно на основе Watson построили проект Oncology Expert Advisor, который, используя большой объем онкологических исследований и машинное обучение, дает рекомендации практикующим врачам⁵.

Более знакомый пример –  это любой механизм рекомендаций, например от Netflix или Amazon. Когда вы совершаете покупки на Amazon, прогностическая аналитика изучает ваши модели поведения и определяет, какие товары, возможно, заинтересуют вас; рекомендательная аналитика выбирает определенные продукты и рекомендует их вам, причем в зависимости от страницы Amazon, на которой вы находитесь. Она также широко используется в сфере здравоохранения, о чем мы поговорим в главе 3.

Хотя технические особенности могут показаться сложными, удивительные результаты применения ИИ очевидны всем. Ему по силам анализировать огромные объемы данных, выявлять едва заметные закономерности среди миллиардов отдельных операций и записей и рекомендовать решения и продукты, не только удовлетворяющие потребностям клиента, но и предвосхищающие их. В эпоху, когда персонализация стала ключом к успеху в бизнесе, ИИ дает возможность автоматически персонализировать продукты и услуги для миллионов клиентов в режиме реального времени и с исключительной точностью.

Что умеет делать искусственный интеллект

Сегодня мы располагаем триллионами байт данных для изучения, неуклонно растущими скоростью обработки и емкостью хранения данных и высокоскоростным соединением с облаком практически из любого места. Благодаря этим технологиям ИИ уже может решать поразительный спектр задач. Вот несколько ярких примеров.

– Google Duplex может назначать встречи и реалистично общаться с клиентами по телефону.

– Крупные новостные организации, такие как Washington Post и Reuters, уже используют ИИ для написания простых новостей и обновления статей в режиме реального времени, а иногда для выполнения более сложной и творческой работы. Тем самым они освобождают для журналистов время на составление более углубленных материалов⁶.

– Исследователи из Университета Лафборо в Англии на основе глубокого обучения разрабатывают систему, способную выявлять и диагностировать болезни по «запаху» человеческого дыхания⁷.

Другие реальные примеры использования ИИ – это компании, подобные Affectiva, основанной в Media Lab в MIT в 2009 году, и Realeyes, вышедшей из Оксфордского университета в 2007 году⁸. Они разработали «искусственный интеллект для определения эмоций» (также известный как «эмоциональные вычисления»), использующий датчики, камеры и глубокое обучение для интерпретации эмоциональных реакций человека на все –  от фильмов до образовательных программ. Некоторые системы дистанционного образования уже используют отслеживание движения глаз и ИИ для оценки вовлеченности студента в занятие. Если система обнаруживает, что студент выглядит расстроенным или разочарованным, ИИ может в режиме реального времени упростить задание; если студент выглядит скучающим, система может мгновенно усложнить урок.

Для безопасной работы беспилотных автомобилей необходимо обработать множество видео- и аудиоинформации, а также данных с различных датчиков. Эти ИИ-системы благодаря массивному, постоянно растущему каталогу объектов и людей действительно могут «видеть» мир вокруг себя. Поскольку для вождения в реальном мире требуется способность реагировать в режиме реального времени на почти бесконечное количество непредсказуемых переменных – дорожная обстановка, пешеходы, препятствия, погода, чрезвычайные ситуации и поломки,– ИИ в беспилотных автомобилях еще не готов к работе в час пик, но уже не так далек от этого. В декабре 2020 года дочерняя компания General Motors Cruise начала тестировать беспилотные автомобили на улицах Сансет – оживленного района в Сан-Франциско – с конечной целью снизить смертность в результате ДТП⁹. Можно с уверенностью предсказать, что в течение десяти лет ИИ сможет контролировать большую часть пассажирских перевозок в таких крупных городах, как Нью-Йорк, Токио и Берлин, не говоря уже о грузоперевозках по стране.

Другими словами, ИИ может сделать очень многое, если предоставить ему достаточное количество данных о клиентах, продуктах и услугах, предоставляемых компанией. Если вы управляете компанией по доставке на дом в оживленном городе, то представьте, что ИИ может вычислять оптимальные маршруты для водителей в час пик, экономя ваше время и топливо. Если ваш бизнес запускает крупную кампанию по привлечению новых клиентов и увеличению доли рынка, представьте, что ИИ может составлять письма с красивыми формулировками в еженедельных рассылках для новых потенциальных клиентов, а также персонализировано и уникально отвечать на каждое письмо или запрос. Если вы занимаетесь производством, представьте, что ИИ с помощью датчиков отследит работу вашего оборудования 24/7, предскажет потенциальные сбои до того, как они реально произойдут, определит потребность в ремонте и автоматически, с помощью текстовых сообщений, вызовет людей-инженеров для устранения поломки, –  и сделает все это без остановки производства.

Искусственный интеллект может автоматизировать повторяющиеся задачи, определять полезные закономерности в данных, координировать роботизированную автоматизацию процессов (RPA) и мгновенно общаться с миллионами людей. Его потенциал практически безграничен.