Бизнесът и изкуствения интелект

Изкуственият интелект – какво  може и какво не може да направи за вашата организация

Вече над 250 години основните двигатели на икономическия растеж са технологичните иновации. Най-важните от тях са тези, които икономистите наричат технологии с генерална цел –  в тази категория се парната машина, електричеството и двигателят с вътрешно горене. Всяка нова иновация е била катализатор на нови вълни от допълващи иновации и възможности. Например, двигателят с вътрешното горене е довел до създаването на автомобилите, камионите, самолетите, верижните триони и косачки, също и до големите търговци на дребно, търговските центрове, складове, новите веригите за доставки и покрайнините на големите градове.

 

В нашата ера най-важната технология с генерална цел, въздействие e изкуственият интелект (ИИ) и по специално – машинното самообучение (machine learning). То представлява способността на машината да продължи да подобрява своята производителност без да има нужда от някой да ѝ обяснява как да изпълни зададените ѝ задачи. Последните няколко години машинното самообучение (МС) е много по-ефективно и широко разпространено. Сега можем да направим системи, които сами се обучават как да изпълняват задачите си.

Защо това е толкова важно? Това са двете основни причини. Първата е, че ние хората, знаем повече, отколкото можем да изразим: не можем да обясним точно как можем да направим нещо – от разпознаването на друго лице до решенията си в древната азиатска стратегическа игра Go.

Преди МС тази неспособност да изразяваме нашите собствени знания е означавала, че не сме били способни да автоматизираме много задачи. Обаче сега можем. Втората причина е, че системите на МС често са отлични ученици. Те могат да постигнат свръхчовешки резултати в широк кръг от дейности, включително откриване на измами и поставяне на болестни диагнози. Отличните дигитални ученици се използват и в икономиката, и тяхното влияние там става все по-значително.

В сферата на бизнеса ИИ има трансформиращо въздействие. Все още не се използва огромния му потенциал,  въпреки че самият той вече се прилага в много компании по целия свят. Ефектите на ИИ ще нарастват през следващото десетилетие, тъй като производството, търговията на дребно, транспорта, финансите, здравеопазването, правото, рекламите застраховането, развлеченията, образованието и практически всяка индустрия трансформира своите основни процеси и бизнес модели. Сега затрудненията за това идват от мениджмънта, от внедряването му и  от въображението на бизнеса.

Подобно на толкова много други технологии ИИ е породил и много нереалистични очаквания. Виждаме бизнес планове с разпръснати препратки към МС, невралнни мрежи и други форми на технологиите, които имат малка връзка с реалните му възможности.

Тази статия ще намали шума околко ИИ, за да опише реалния му потенциал, практическите му последици и препятствията пред неговото усвояване.

Какво изкуствения интелект може да прави днес?

Терминът ИИ е създаден през 1955 г. от Джон Маккарти, професор по математика в Дартмут. От тогава вероятно и поради интересното наименование на термина, областта на ИИ е породила доста фантастични претенции и обещания. През 1957 г. икономистът Хърбът Саймън предсказва, че компютрите ще победят хората на шах в рамките на 10 години. През 1967 г. когнитивеният учен Марвин Мински е казал: „В рамките на едно поколоение проблемът със създаването на изкуствения интелект ще бъде изцяло решен“.  Симон и Мински са били наистина интелектуални гиганите, но те са сгрешили тук. Затова е разбираемо, че драматичните твърдения за бъдещи важни научни открития са срещат доста скептицизъм.

Нека започнем като проучим какво става сега с ИИ и колко бързо той се развива.

Най-голямият му напредък е в две широки области: възприятието и когнитивното мислене (т.е умственото действие или процес за придобиване на знания и разбирането чрез мисъл, опит и сетивата). В първата категория някои от най-практическите постижения са станали във връзка с речта. Гласовото разпознаване все още е далеч от съвършенството, но сега милиони хора го използват –  помислете за Siri, Alexaи GoogleAssistant. Текстът, който сега четете, първоначално е бил диктуван на компютър и е написан с достатъчна точност, за да стане по-бързо от набирането му. Изследване на компютърния учен Джеймс Ланда и колегите му от Станфорд е разкрило, че разпознаването на речта е вече около три пъти по-бързо, отколкото писането на мобилен телефон.

Въпреки, че ИИ вече се използва в хиляди компании навсякъде по света, най-големите му възможности все още не се използват.

Разпознаването на изображения също драстично се е подобрило. Може би сте забелязали, че  Facebook и други приложения вече разпознават много от лицата на вашите приятели в публикуваните снимки и ви подканват да ги маркирате с техните имена. Приложение за вашия смартфон разпознава почти всяка птица в дивата природа. Разпознаването на изображения дори заменя идентификационните карти в корпоративните офиси. Скоростта на подобрение се е повишила доста през последните години, тъй като беше предприет нов подход, базиран на много големи или т.нар. „дълбоки“ невралнни мрежи.

Второто значително подобрение е в мисленето и решаването на проблемите.

Машините вече са победили най-добрите играчи на покер и играта Go – постижение, което експертите са предвидили, че ще отнеме най-малко още десетилетие. Екипът на Google, DeepMind, използва системи на МС, за да подобри ефективността на охлаждането в центровете за данни с повече от 15%, дори и след оптимизирането им от човешки експерти. Интелигентните агенти се използват и от фирма за кибер защита, DeepInstinct, за откриването на злономаерен софтуер. PayPal също използва сситемите, за да предотврати прането на пари.

Система, използваща технология на IBM, автоматизира процеса на исковете в една застрахователна компания в Сингапур, а система на Lumidatum – платформа за научни данни, предлага своевременни съвети за подобряване на обслужването на клиентите. Много фирми използват МС, за да решат кои търговски сделки да реализират на Уол Стрийт и все повече и повече кредитни решения се вземат с негова помощ. Amazon използва МС за оптимизиране на ивентара си и за подобряването на препоръките за продукти за клиентите си. InfiniteAnalytics са разработили една система на МС, за да придвидят, дали даден протребител ще кликне върху определена реклама, подобрявайки онлайн рекламите на една глобална потребителска компания за пакетиране на продукти.  А друга система, за да подобри процеса на търсене и откриване на клиентите за един бразилски онлайн търговец на дребно. Последните две споменати фирми имат голяма възвръщаемост на инвестициите от реклама.

Системите за МС не само заместват старите алгоритми на много приложения, но вече вършат задачи, които преди са били изпълнявани по най-добрия начин от хора.

Въпреки впечатляващите постижения от прилагането на ИИ, то все още е доста тясно. Системите на МС са обучени да изпълняват определени задачи и обикновено техните знания не са за общи, а за специфични задачи. Заблудата, че тясното разбиране на един компютър предполага по-широко разбиране, е може би най-големият източник на объркване и преувеличени твърдения за напредъка на ИИ. Все още сме далеч от времето, когато машините ще демонстрират обща интелигентност в различни области.

Как да разбираме машинното самообучение?

Най-важното нещо, което трябва да разберем за МС, е, че то представлява фундаментално различен подход към създаването на софтуер: машината учи от примери, а не е предварително програмирана за конкретен резултат. Това е съществен пробив спрямо предишната практика. През по-голямата част от последните 50 години напредъкът в областта на информационните технологии и приложенията към тях са насочени към кодиране на съществуващи знания и процедури и тяхното включването в машини. Всъщност терминът “кодиране” означава опитен процес на предаване на знания от “главите”на разработчиците във форма, която машините могат да разберат и изпълнят. Този подход има фундаментална слабост: много от знанията, които имаме, са латентни (мълчаливи), което означава, че не можем напълно да обясним нещо. За нас е почти невъзможно да напишем инструкции, които биха позволили на друго лице да се научи как да кара колело или да разпознае лице на приятел.

Различни характеристики на машинното самообучение

ИИ и МС имат различни характерситики, но повечето от успехите през последните години са в една категория: контролни системи за обучение, при които машината получава много примери за правилния отговор на конкретен проблем.

Успешните системи често използват набор от данни за учене с хиляди или дори милиони примери,  като е отбелязан всеки правилен отговор. След това системата може да бъде освободена, за да разгледа нови примери. Ако ученето е минало добре, системата ще предскаже отговори с висока степен на точност.

Алгоритмите, които са задвижвали голямата част от този успех, зависят от подхода, наречен дълбоко учене, който използва невралнни мрежи.

Алгоритмите за задълбочено учене имат значително предимство пред по-ранните поколения на алгоритми за МС: Те могат да използват по-добре много по-големи масиви от данни. Според Андрю Нг, един от титаните в тази област, дълбоките неврални мрежи не изглежда, че се изравняват по този начин: повечето данни водят до още по-добри предсказвания. Разбира се, работата с изключително големи масиви от данни изисква все повече и по-голяма производителност. Това е една от причините, поради която много големи системи често се управляват от суперкмпютри или специализирани компютърни архитектури.

Сравнително лесно е да се обозначи набор от данни и да се използва, за да се обучи надзиравана обучаваща се машина.

Затова поне засега контролираните МС системи са по-често срещани от тези без надзор. Безнадзорните системи за учене се стремят да се учат сами. Ние, хората, сме отлични ученици без наблюдавания. Ние повишаваме познания си за света (например как да разпознаем едно дърво) с малко или никакви етикетирани данни. Обаче е изключително трудно това умение да се развие успешно в машинна система.

Ако и когато се научим да изграждаме здрави ненаблюдавани обучаващи се системи, те ще имат доста вълнуващи възможности. Тези машини ще могат да търсят решения на сложни проблеми по свежи начини, за да ни помогнат да открием модели за тях  – например при разпространението на болести, при движението на цените в ценни книжа на даден пазар, при поведението на купувачите и т.н. Неща, които в момента не знаем.

Веднъж след като система за изкуствен интелект надвиши човешкото представяне по дадена задача, все по-вероятно е тя да се разпростани бързо.

Друга малка, но растяща област в областта на ИИ е укрепващото обучение. Този подход е вграден в системите на видео игри на Atari и бордови игри борда като Go. Също така то спомага да се оптимизира използването на енергията в центрове за данни и да се разработят стратегии за търговия на фондовия пазар. В системите за  укрепващото обучение програмистът определя текущото състояние на системата и целта ѝ, изброява допустимите действия и описва елементите на средата, които ограничават резултатите за всяко от тези действия. Използвайки допустимите действия, системата трябва да разбере как да стигне възможно най-близо до целта. Тези системи работят добре, когато хората могат да определят целта, но не непременно и нейното достигане.

Използване на машинното самообучение за работни цели

Към настоящия момент има три добри новини за организациите, които искат да използват МС.

Първо, уменията на ИИ се разпространяват бързо. Светът все още няма достатъчно учени и специалисти по МС, но търсенето им се задоволява от онлайн образователни ресурси както и от университети. Най-добрите от тях, включително Udacity, Coursera и fast.ai, правят много повече, отколкото да преподават въвеждащи концепции. Всъщност те могат да получат умни и мотивирани ученици до такава степен, че да могат да създават индустриални МС модули. Освен обучението на собствените си хора, заинтересованите компании могат да използват онлайн платформи за таланти като Upwork, Topcoder и Kaggle, за да намерят MС експерти с проверени експертни познания.

Второто ползотворно развитие е, че необходимите алгоритми и хардуер за съвременен ИИ могат да бъдат закупени или наети според нуждите.

Google, Amazon, Microsoft, Salesforce и други компании правят мощна МС инфраструктура достъпна чрез клауда. В крайна сметка конкуренцията между тези конкуренти означава, че компаниите, които искат да експериментират или да използват МС с течение на времето ще виждат все повече и повече възможности на все по-ниски цени.

Последната добра новина и вероятно най-подценяваната е, че може да не се нуждаете от толкова много данни, за да започнете продуктивно използване на МС. Представянето на повечето системи за МС се подобрява, като им се дават повече данни за работа.  Изглежда логично да се заключи, че компанията с най-много данни ще спечели. Това може да се случи, ако под”победа” разбираме “доминиране на глобалния пазар за едно приложение като например насочване на реклами или разпознаване на реч”. Но ако вместо това успехът се определя като значително подобряване на представянето е доста изненадващо колко е лесно да се получат достатъчно данни за това.

МС води до промени на три нива: задачи и професии, бизнес процеси и бизнес модели.

Пример за редизайн на задачата и професия е използването на системи за машинно виждане и идентифициране на потенциални ракови клетки. Това е освобождаване на рентгенолозите да се съсредоточат върху наистина критични случаи, да комуникират с пациентите и да се координират с други лекари. Пример за редизайн на процес е преоткриването на работния поток и оформлението на центровете за изпълнение на Amazon след въвеждането на роботи и алгоритми за оптимизация, базирани на МС. По подобен начин бизнес моделите трябва да бъдат преосмислени, за да се възползват от системите на МС, които могат интелигентно да препоръчват музика или филми по персонализиран начин.

Имайте предвид, че системите за МС почти никога не могат да заместват цялата работа, процес или бизнес модел.

Най-често те допълват човешката дейност и могат да добавят стойност към качеството на самата работа. Ако успешното завършване на процеса изисква 10 стъпки, един или два от тях могат да станат автоматизирани, докато останалите е по-ценно и добре да се правят от хора.

Проектирането и внедряването на нови комбинации от технологии, човешки умения и капиталови активи за посрещане на нуждите на клиентите изисква мащабно творчество и планиране. Това е задача, с която машините не се справят много добре. Това прави професиите на предприемачите и бизнес мениджърите едни от най-престижните и добре платени те в епохата на МС.

Рискове и ограничения

Втората вълна на епохата на машината носи със себе си нови рискове. По-специално системите за МС често имат ниска „интерпретативност“ – нещо, което означава, че хората трудно могат да разберат как системите са достигнали до своите решения. Дълбоките неврални мрежи могат да имат стотици милиони връзки, всяка от които допринася по малко за крайното решение. В резултат на това предсказанията на тези системи са склонни да се противопоставят на прости и ясни обяснения.

За разлика от хората, машини не са (все още!) добри разказвачи.

Те не винаги могат да дадат обосновка защо даденият кандидат е бил приет или отхвърлен за работа или защо даден фармацевтичен продукт е бил препоръчан. Иронично е, че въпреки че започнахме да преодоляваме парадокса на Полани, ние сме изправени пред някаква обратна версия на този парадокс: машините знаят повече, отколкото могат да ни кажат.

Това създава три риска. Първо, машините може да имат скрити отклонения, които не произтичат от намеренията на дизайнера им, а от предоставените данни за обучението на системата.

Вторият риск е, че за разлика от традиционните системи, изградени върху изрични логически правила, системите на невралните мрежи се занимават със статистически истинни, а не с буквални истини. Липсата на проверка може да бъде опасна в критични приложения като контролиране на атомна електроцентрала или когато се вземат решения на живот или смърт.

Третият риск е, когато системата на МС прави грешки, тъй като почти неизбежно тя ще прави. Например тя поставя диагноза и точно нейното коригиране може да бъде реализирано доста трудно. Основната структура, която е довела до решението може да бъде немислимо сложна и решението може да бъде далеч от оптималното, ако условията, при които системата е била обучена, се променят.

Въпреки че всички тези рискове са много реални, правилният критерий в случая не е безпогрешността, а най-добрата налична алтернатива.

В края на краищата и ние, хората, имаме пристрастия, правим грешки и изпитваме трудности да обясним истинно как сме стигнали до определено решение. Предимството на машинните системи е, че с течениете на времето те могат да бъдат подобрени и да дадат състоятелни отговори, когато им бъдат предоставени същите данни.

Това означава ли, че няма граници на това, което ИИ и МС могат да направят? 

Възприятието и мисленето покриват всичко – от шофиране на автомобил до прогнозиране на продажбите, решението кого да наемем или да повишим.

Смятаме, че шансовете за това ИИ скоро да достигне свръхчовешки нива на ефективност в повечето или всички тези области са отлични. И така, какво няма да могат да направя ИИ и МС?

Понякога чуваме, че „ИИ никога няма да бъде добър при оценяването на емоционални, хитри, лукави, непостоянни човешките същества – твърде е строг и безличен, за да прави това“. Ние не сме съгласни. Системите на МС като тези в Affectiva, вече са на или над човешкото ниво, когато разпознават емоционалното състояние на човека въз основа на тона на гласа или изражението на лицето му. Други системи могат да загатват, когато дори и най-добрите световни играчи на покер блъфират, и то достатъчно добре, за да ги победят в невероятно сложната игра Heads-UpNo-LimitTexasHold’em. Да четеш хората е изтънчена работа, но това не е магия. Това изисква възприятие и мислене – точно областите, в които МС в момента нерекъснато стават все по-силни.

Много добро място за да започне дискусията за границите на ИИ е наблюдението на Пабло Пикасо за компютрите: „Но те са безполезни. Те могат да ви дадат само отговори“. Всъщност, те са далеч от безполезни, тъй като последните триумфи на МС показват, но наблюдението на Пикасо все още е валидно. Компютрите са устройства за отговаряне на въпроси, а не за поставянето им.

Това означава, че предприемачите, новаторите, учените, създателите и други хора, които разберат с какъв  проблем или с каква възможност да се справят, или каква нова територия да проучат, ще продължат да имат съществена роля.

Докато всички рискове на ИИ са много реални, подходящата референтна точка не е тяхното съвършеноство, а най-добрата им алтернатива.

По същия начин има огромна разлика между пасивното оценяване на психическо състояние или нравственост на някого и активната работа, за да го променим. Системите на МС стават доста добри в първото, но остават доста назад в последното. Ние, хората, в дълбочината си сме социални същества. Други хора, а не машини, са тези, които най-добре могат да проникват в социалните инстинкти като състрадание, гордост, солидарност и срам, за да убедят, мотивират и вдъхновяват някого. През 2014 г. фондацията ХPrize на TED конференция е обявила награда за „първия изкуствен интелект, който ще стъпи в сцената и ще говори така убедително на TED, за да спечели овацията на публиката“. Съмняваме се, че скоро някой ще претендира за наградата.

Вярваме, че най-големите и най-важните възможности за човешките умове в новата епоха на свръхсилното МС се намират в пресечната точка на тези две области: да обмислим и разберем кои проблеми да решим и да убедим хората да се заемат с тях и с решението им. Това е добро определение за лидерство, което става все по-важно през втората епоха на машината.

Съществуващото разделение на работата между умовете и машините се разпада много бързо. Фирмите, които се придържат към него ще се поставят в още по-неблагопрятно конкуретно положение спрямо конкрентите си, които разберат и ефективно интегрират възможности на МС с тези на човечеството.

В днешната епоха важна роля имат новаторите, които са достатъчно отворени, за да преодолеят статуквото. Също могат да предвидят много различни подходи и са достатъчно умни, за да ги приложат в бизнеса.

Едно от най-големите наследства на МС може да окаже създаването на ново поколение бизнес лидери.

Според нас ИИ и особено МС е най-важната технология с генерална цел на нашата епоха. Въздействието на тези иновации върху бизнеса и икономиката ще се отрази не само в техния директен принос, но и в тяхната способност да предоставят възможности и да са вдъхновение за допълващи се иновации. Новите продукти и процеси стават възможни чрез по-добри визуални системи, разпознаване на речта, интелигентно решаване на проблеми и много други възможности, които МС предоставя.

Въпреки че е трудно да се предскаже точно кои фирми ще доминират в новата среда, един общ принцип е ясен: най-гъвкавите и адаптивни компании и лидери ще успеят. Организации, които бързо могат да усетят възможностите, ще се възполват от предимствата в новата среда на ИИ.

Успешната стратегия е да бъдете готови да експериментирате и да учите бързо. Ако мениджърите не ускоряват експериментите в областта на МС, то те не вършат работата си добре. През следващото десетилетие ИИ няма да замени мениджърите, но мениджърите, които използват ИИ, ще заменят тези, които не го използват.

Автори: Erik Brynjolfsson и Andrew MCaffee

Ерик Бриньолфсон (@erikbryn), Директор на Инициативата на MIT за дигиталната икономика, професор по мениджмънт в the MIT Sloan School of Management и научен сътрудник в NBER. Изследванията му разглеждат ефектите на информационните технологии върху бизнес стратегиита, производителността, цифровата търговия и нематериалните активи. Има курсове по икономика на информацията и Analytics Labs в Масачузетския технологичен инуверситет.

Източник: https://hbr.org

Ако искате да станете богати, поръчайте си книгата “Ангел” на Джейсън Каланис!