Искусственный интеллект для реальной жизни | Harvard Business Review Russia
Технологии

Искусственный интеллект для реальной жизни

Дейвенпорт Томас , Ронанки Раджив
Искусственный интеллект для реальной жизни
Фото: James Wheaton, Andrew Nguyen

В 2013 году в Онкологическом центре Андерсона запустили проект поистине космического масштаба: диагностика и составление планов лечения некоторых видов рака с помощью когнитивной системы Watson фирмы IBM. Однако в 2017 году, после того как на разработки потратили более $62 млн, проект заморозили, так и не начав испытывать систему на реальных пациентах.

ИДЕЯ КОРОТКО

Проблема
Для решения бизнес-задач все чаще используют когнитивные технологии. Правда, самые амбициозные проекты часто пробуксовывают или вовсе терпят крах.
Подход
Компании должны идти к ИИ постепенно, не предполагая полной трансформации. Акцент надо делать на расширение, а не на замену человеческих навыков и умений.
Процесс
Чтобы получить максимальную отдачу от ИИ, фирмы должны понять, какие технологии подойдут для их типов задач, создать портфель приоритетных проектов на основе потребностей бизнеса и разработать план развертывания ИИ по всей компании.

ИТ-отдел онкоцентра не прекратил экспериментировать с когнитивными технологиями, но проекты стали гораздо менее амбициозными. К примеру, искусственный интеллект (ИИ) легко справился с такими задачами, как подбор гостиниц и ресторанов для семей больных; выявление нуждающихся в финансовой поддержке пациентов; консультирование сотрудников центра по ИТ. Результаты этих проектов налицо: повысилась удовлетворенность пациентов, улучшились финансовые показатели, снизилось время, затрачиваемое на утомительный ввод данных. Первая неудачная попытка достичь главной цели: заставить когнитивные технологии работать в практике лечения онкобольных — не остановила Центр Андерсона: в настоящее время в его отделе когнитивных вычислений идут проработки нескольких новых проектов.

Понимать разницу между «журавлем в небе» и «синицей в руках» важно для любой организации, планирующей проекты с ИИ. Из 250 опрошенных нами руководителей, в компаниях которых есть такие инициативы, три четверти считают, что ИИ существенно изменит их бизнес в ближайшие три года. Наш анализ 152 проектов показывает, что у «прорывных» систем меньше шансов на реальное воплощение, чем у «лежащих на поверхности» улучшений бизнес-процессов. В этом нет ничего удивительного, ведь такое случалось с подавляющим большинством новых технологий, которые внедряли прежде. Но нынешний ажиотаж вокруг мощи ИИ был настолько мощным, что некоторые организации не смогли сопротивляться соблазну.

В этой статье мы рассмотрим различные категории ИИ и дадим общую схему, которая поможет компаниям наращивать свой «когнитивный» потенциал в ближайшие годы.

Три типа искусственного интеллекта

На ИИ полезнее смотреть сквозь призму бизнеса, а не возможностей самих технологий. В целом когнитивные системы могут поддерживать три типа задач: автоматизация бизнес-процессов, получение знаний на основе анализа данных и взаимодействие с клиентами и сотрудниками (см. врезку «Типы когнитивных проектов»).

Автоматизация процессов. Среди изученных нами проектов самыми распространенными оказались системы автоматизации — чаще всего административной и финансовой работы бэк-­офиса с помощью роботизированных технологий обработки (RPA). RPA — более продвинутая, чем прежние, среда для автоматизации бизнес-процессов. В этой среде робот (то есть программа на сервере), подобно человеку, обменивается информацией сразу с несколькими ИТ-системами, решая такие задачи, как:

перенос данных из электронной почты и сис­тем call-центра в базы данных — например, для отслеживания изменения адреса в файле клиента или сохранения запроса на дополнительные услуги;

замена утерянных кредитных и дебетовых карт с обработкой сообщений и последующим обновлением данных по клиенту в нескольких системах;

сверка отказов в оплате услуг через биллинговые системы с поиском информации в различных типах документов;

«чтение» юридической и контрактной документации для извлечения решений с помощью анализа естественного языка.

RPA — самый дешевый и простой в реализации тип когнитивных технологий. Как правило, он приносит быструю и высокую отдачу от инвестиций. Но он и наименее «умный» в том смысле, что эти приложения не запрограммированы, чтобы самообучаться и совершенствоваться, хотя разработчики постепенно добавляют им «интеллекта» и «способностей к обучению». Особенно хорошо роботам удаются проекты, связывающие несколько ИТ-систем.

NASA запустило четыре пилотных RPA-проекта — для расчетов дебиторской и кредиторской задолженности, расходов на ИТ и кад­рового учета. Ими управляет единый центр. Эти проекты показали себя хорошо (например, в программе найма 86% операций проходят без участия человека) и были распространены на всю организацию. А сейчас NASA внедряет еще больше RPA-ботов и некоторые из них имеют «повышенный уровень интеллекта». По словам руководителя проекта единого обслуживания Джима Уокера, «пока все идет гладко».

Кто-то подумает, что роботизация и автоматизация процессов приведут к тому, что множество людей станут терять работу. Но в 71 RPA-проекте, которые мы рассмотрели, замена административных сотрудников не была ни главной целью, ни высокочастотным результатом. Лишь несколько проектов привели к высвобождению персонала, а в большинстве роботам передали задачи, которые прежде решались аутсорсингом. В будущем проекты роботизации и автоматизации будут сопровождаться сокращениями в первую очередь в аутсорсинговых компаниях-офшорах. Вообще, если задачу можно отдать на аутсорсинг, скорее всего, ее можно и автоматизировать.

Когнитивные инсайты. Второй по распространенности тип проектов (38% от общего числа) использует алгоритмы для выявления и интерпретации закономерностей в огромных объемах данных. Можно назвать это «аналитикой на стероидах». Такие самообучающиеся сис­темы бизнес использует для:

предсказаний того, что определенный клиент, вероятно, купит в будущем;

выявления мошенничества с кредитными картами и страховками в режиме реального времени;

анализа данных гарантийного ремонта для выявления проблем с безопасностью и качеством автомобилей или других продуктов;

автоматизации персонализированного таргетинга диджитал-рекламы;

построения более точной и подробной актуарной модели для страховщиков.

Когнитивные решения на основе выявленных машиной закономерностей отличаются от традиционной аналитики в трех отношениях: (а) они гораздо более информационно емкие и детализированные; (б) они, как правило, обучаются на какой-то части данных; (в) со временем их способности использовать новые данные, делать прогнозы и разбивать объекты на категории улучшаются.

Некоторые виды машинного самообучения (в частности, глубинное обучение, которое пытается имитировать работу мозга с паттернами) способны на невероятные вещи, такие как распознавание изображений и «понимание» речи. Машина может и сама представить новые данные, улучшающие аналитику. Работа с данными всегда была трудоемкой, но теперь благодаря самообучающимся алгоритмам стало легче, например, находить информацию, которая скорее всего связана с одним и тем же человеком или компанией. Компания GE применила эту технологию для сличения данных о своих поставщиках и в первый же год сэкономила $80 млн за счет удаления дубликатов и пересмотра условий договоров разных отделов с одной и той же организацией. А в крупном банке эта технология использовалась для извлечения контрактной информации и сличения ее с реальными накладными. Оказалось, что десятки миллионов долларов были потрачены на продукты и услуги, которые не были получены. Компания Deloitte использует ИИ для извлечения условий из текстов контрактов. Это позволяет проводить аудит большей части документов (часто почти всех) без вычитывания аудитором-человеком.

Когнитивные решения обычно используют для улучшения работы, которую и так умеют делать только машины. Примером служит программируемый показ рекламных объявлений в сети, всегда требовавший скорости обработки данных за пределами человеческих возможностей. Подобные приложения вообще не несут угрозы для рабочих мест.

Системы взаимодействия. Это такие проекты, как: общение на естественном языке с применением чат-ботов, интеллектуальные агенты и машинное обучение. В нашей выборке этот тип составляет 16% от общего числа проектов. Вот примеры таких разработок:

интеллектуальные агенты, обслуживающие клиентов 24/7 и решающие широкий класс проблем: от запросов на восстановление пароля до технической поддержки, причем общение идет на естественном языке;

внутренние сайты для ответов на вопросы сотрудников, касающиеся ИТ, льгот для персонала или политик компании;

продукты и системы рекомендаций для ритейлеров, настроенные на улучшение персонализации предложения и общения с клиентом и повышение продаж — обычно с богатыми языковыми или визуальными средствами;

рекомендательные системы для врачей по ведению больных: помощь в разработке индивидуальных планов, учитывающих состояние здоровья и предыдущее лечение пациента.

В нашем исследовании чаще встречались когнитивные системы для взаимодействия с сотрудниками, а не с клиентами. Однако быстрый сдвиг весьма вероятен: фирмы стали проще относиться к передаче машине функций общения с клиентами. К примеру, компания Vanguard ведет пилотный проект интеллектуального агента, который помогает сотрудникам службы поддержки отвечать на часто задаваемые вопросы клиентов. Ожидается, что рано или поздно агент-робот полностью возьмет на себя общение с людьми. Шведский SEBank и медицинский производитель-гигант Becton Dickinson из США используют аватара Амелию для ИТ-поддержки своих сотрудников. SEBank недавно стала вводить Амелию и в клиентскую поддержку. Пока лишь для небольшой группы, чтобы проверить, как она работает и как на нее реагируют пользователи.

Осторожность в применении когнитивных технологий для общения с клиентами во многом объясняется их незрелостью. Например, в Facebook* подсчитали, что 70% вопросов, задаваемых через мессенджер, требуют ответа человека. Как результат, Facebook* и другие компании нашего списка ограничили применение ботов определенными темами и типами онлайн-бесед.

Наши исследования показывают, что когнитивные приложения для коммуникации в настоящее время не угрожают сотрудникам отделов продаж или сервиса. В большинстве проектов цель была не в сокращении штата, а в том, чтобы справиться с ростом интенсивности общения между компанией и клиентами без дополнительного найма. Некоторые организации планируют передать машинам рутинную коммуникацию, оставив службе поддержки более сложные задачи вроде клиентских проблем, требующих вмешательства руководства, ведения неструктурированных диалогов или предупреждения клиентов о риске — до того, как они сами позвонят и сообщат о неприятности.

По мере овладения когнитивными инструментами компании начинают экспериментировать с проектами, которые сочетают в себе элементы разных категорий. Итальянский страховщик, например, разработал «справочное бюро» по ИТ. В ходе взаимодействия с сотрудниками программа самообучается — выявляет часто задаваемые вопросы, ранее решенные проблемы и ссылки на документы, помогающие с ответом, (признаки принадлежности к категории когнитивных инсайтов). Смарт-маршрутизация, характерная для RPA, применяется для пересылки сложных проблем человеку, а интерфейс на естественном языке (итальянском) характерен для когнитивных технологий коммуникации.

Опыт работы с когнитивным инструментарием расширяется, но компании пока сталкиваются с серьезными препятствиями в реализации проектов. Мы разработали схему из четырех шагов. Она поможет правильно развернуть и интегрировать в работу компании когнитивные технологии любой степени амбициозности, от скромных до прорывных.

1. Понимание технологий

Прежде чем вступать в область искусственного интеллекта, надо понять, какие типы ИТ пригодны для ваших задач, разобраться в достоинствах и недостатках каждого класса ПО. Работа экспертных систем и программ автоматизации процессов понятна и прозрачна, но они не способны учиться и улучшаться. Глубинное обучение прекрасно подходит для иccледования больших объемов размеченных данных, но редко когда можно понять, по какой модели оно их анализирует. Функционирование в режиме «черного ящика» может стать серьезной проблемой в сильно зарегулированных отраслях, таких как финансовые услуги, ведь регулятор нередко хочет понимать, почему было принято то или иное решение.

В некоторых организациях неправильный выбор ПО уже привел к напрасным тратам времени и денег. Чтобы удовлетворять реальные потребности своего бизнеса, надо знать и правильных поставщиков ПО, и классы программных оболочек, и примерные сроки их внедрения. ИТ-отдел или инновационная группа должны быть готовы потратить немало сил на изучение и исследование рынка.

Кроме того, надо привлекать специалистов, владеющих статистикой и достаточно разбирающихся в больших данных, чтобы понять, как устроены когнитивные системы. Главный фактор успеха — желание сотрудников учиться. Одни будут в восторге от возможности узнать новое, а другие захотят остаться со своим привычным инструментарием. Постарайтесь, чтобы в вашей команде было больше первых.

советуем прочитать

* деятельность на территории РФ запрещена

Войдите на сайт, чтобы читать полную версию статьи
советуем прочитать
Мера лидерства
Генри Минцберг
Как запустить двигатель инноваций за 90 дней
Дункан Дэвид,  Сайрен Понтус,  Энтони Скотт