Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности

Почему только крупные компании и технологические стартапы?

До сих пор активнее всего ИИ внедряли «цифровые аборигены» – онлайн-компании (Google, Facebook и др.), крупные предприятия и технологические стартапы, у многих из которых определенные аспекты когнитивных технологий лежат в основе бизнеса. Малые и средние компании, работающие за пределами технологической сферы, внедряют когнитивные технологии относительно редко. Этому есть несколько причин – уважительных и не очень.

Прежде всего схема внедрения ИИ не слишком отличается от схемы внедрения других технологий. Технологические компании внедряют технологии рано по очевидным причинам. Стартапы выстраивают свою деятельность вокруг новых технологий. Как правило, следующими в очередь за технологиями выстраиваются крупные предприятия, которые достаточно подкованы в технологическом отношении, чтобы инвестировать в новые технологии, и могут позволить себе нанять сотрудников для разработки и внедрения новых решений.

Подобным образом внедрялись технологии больших данных и аналитики – технологические компании и крупные предприятия обратились к ним достаточно рано. Как оказалось, своевременное внедрение этих технологий имеет решающее значение для успешного внедрения когнитивных технологий. В основе большинства когнитивных технологий лежит статистика, а если ваша организация не работала со статистикой и аналитикой, вероятно, она не справится и с технологиями ИИ.

Крупные компании (в частности, компании, значительную часть клиентов которых составляют конечные потребители), как правило, располагают огромными объемами данных об этих клиентах и совершенных с ними сделках. В процессе своей деятельности они генерируют значительные объемы данных о других аспектах ведения бизнеса. Это дает существенное преимущество при использовании когнитивных методов и инструментов, для корректной работы которых требуется большое количество данных. Небольшие компании, а также компании, клиентами которых выступают не конечные потребители, не всегда располагают необходимыми данными – по крайней мере о своих клиентах. Однако компании, ведущие бизнес для бизнеса, могут применять все больше когнитивных технологий, используя машинные данные или выбирая технологии другого типа.

Размер компании может давать финансовые преимущества, которые поспособствуют внедрению ИИ в крупных организациях. Некоторые программы достаточно дороги. Хотя не все когнитивные программы стоят больших денег (некоторые из них можно получить бесплатно в качестве программного обеспечения с открытым кодом), обучение навыкам работы с ними стоит немало^[29]. Крупные компании могут позволить себе оплачивать работу поставщиков закрытых технологий, а также платить консультантам и специалистам по работе с данными. Небольшие компании часто не могут себе этого позволить.

Вероятно, главная проблема средних и малых компаний, отстающих в деле внедрения ИИ, заключается в том, что им недостает понимания, на что способны новые технологии. В крупных компаниях работают профессионалы, следящие за развитием технологий и внедряющие многообещающие технологии в организации, но в малых компаниях таких сотрудников обычно нет. Руководители малых и средних компаний часто слишком озабочены производством продуктов (или услуг), их продажей и применением на практике. Даже если когнитивным технологиям под силу сделать все эти процессы гораздо лучше, быстрее и дешевле, руководители компаний могут не знать о такой возможности. Руководителям малых и средних компаний стоит выделять время на то, чтобы смотреть по сторонам и заглядывать в будущее в поисках технологий, которые могут сделать их организации успешнее.

Конечно же, крупные компании тоже сталкиваются с некоторыми трудностями при внедрении ИИ. Как правило, в основе их деятельности лежат отлаженные бизнес-процессы, которые обслуживаются устаревшими ИТ-системами. Внедрять в эти системы технологии ИИ порой нелегко. Например, если компания разработала новый набор моделей предрасположенности к покупке, чтобы выявлять наиболее вероятных покупателей конкретных продуктов и услуг, внедрить рекомендации в системы и процессы взаимодействия с клиентами (и в работу специалистов отдела продаж), скорее всего, будет довольно сложно. Кроме того, для крупных компаний характерны бюрократические процедуры планирования и устоявшиеся процедуры распределения средств, которые меняются не так часто, как следовало бы. Однако в целом крупные компании внедряют технологии ИИ чаще, чем малые и средние организации. К несчастью для небольших компаний, весьма вероятно, что ИИ поможет крупным компаниям стать еще крупнее.

Уже не разведка, но еще не глубокое погружение

Насколько привержены этим технологиям крупные компании? Большинство из них уже не просто проводят разведку, но еще не готовы нырнуть в омут с головой. Многие компании изучают когнитивные технологии на экспериментальной основе. Директор по информационным технологиям GE Джим Фаулер высказался от лица многих крупных компаний, когда (в конце 2017 г.) сказал, что в 2018 г. «необходимо поумнеть в отношении ИИ и перейти от экспериментов к решению множества реальных проблем»^[30].

Экспериментальный подход к внедрению ИИ имеет ряд особенностей. Первая из них – несколько консервативный уровень расходов на технологии. Лишь 12 % компаний, представленных в опросе, инвестируют в когнитивные технологии не менее $10 млн. Примерно по 25 % компаний тратят на технологии от $5 млн до $10 млн, от $1 млн до $5 млн или от $500 000 до $1 млн, а 7 % выделяют на технологии менее $500 000. В другом опросе 59 очень крупных организаций, проведенном в конце 2017 г. компанией NewVantage Partners, 53 % заявили, что тратит на технологии больших данных и ИИ менее $50 млн. Использование когнитивных технологий на уровне организаций только начинается, поэтому большинство компаний еще не имеет устоявшегося бюджета для них.

Опрос ИТ-директоров транснациональных компаний показывает, что многие внедряют ИИ с еще большей осторожностью. Ежегодный опрос ИТ-директоров проводит компания Gartner, и неудивительно, что в опросе 2018 г. (проведенном в середине 2017 г.) особенное внимание уделялось технологиям ИИ. В опросе приняло участие 3100 ИТ-директоров, из которых только 4 % заявили, что их компании уже выделили средства и внедрили технологии ИИ, и еще 21 % сказали, что в их компаниях «строятся краткосрочные планы и проводятся эксперименты» по внедрению технологий ИИ. В среднесрочной и долгосрочной перспективе внедрять ИИ планировали также 25 % компаний, а 49 % опрошенных сказали, что технологии ИИ не представляют интереса для их компаний или «изучаются, но не планируются к внедрению»^[31].

Компании из опроса Deloitte успели запустить пилотные проекты и провести испытания, а также начали внедрять технологии ИИ в производство. У 34 % опрошенных было запущено от трех до пяти пилотных проектов. Кроме того, 28 % опрошенных заявили о наличии «одного-двух» пилотных проектов, а 20 % – о наличии «от шести до десяти» проектов. На производстве технологии распространены не так широко: по 31 % опрошенных ответили, что их компании нашли «одно-два» или «три – пять» применений технологиям ИИ. Компании, где было больше проектов, сообщали о более высокой выгоде (рис. 2.1). В интервью после опроса представитель компании, производящей потребительские товары, отметил, что компания запустила несколько небольших пилотных проектов с использованием технологии машинного обучения, но все они отвечали одной цели – лучше понять клиентов и определить эффективность стимулирования сбыта и маркетинговых расходов.

Определить степень приверженности компании технологиям ИИ можно также на основании того, где компания предпочитает эти технологии применять. О высоком уровне приверженности свидетельствует использование технологий для работы с клиентами или для генерации доходов, например в сфере продаж. Использование технологий для решения корпоративных задач (например, в ИТ-службе, о чем чаще всего говорили в опросе Deloitte) пока свидетельствует о более низком уровне вовлеченности. Несомненно, многие компании используют технологии самоуправляющихся систем, чтобы мониторить работу серверов и перезагружать их, или применяют интеллектуальных агентов для ответа на ИТ-вопросы. Все это важно, но вряд ли у генеральных директоров может захватить от этого дух.

Само собой, некоторые компании используют технологии для взаимодействия с клиентами и оптимизации операционной деятельности. На втором месте после применения в сфере ИТ в опросе Deloitte стояло применение технологий для разработки продуктов и проведения исследований (об этом заявили 44 % опрошенных). Кроме того, многие упоминали, что их компании применяют технологии ИИ при обслуживании клиентов (40 %), в цепочке поставок и закупок (38 %), в процессе обслуживания оборудования (37 %) и производства (32 %).

Когда компании освоятся в мире когнитивных технологий и накопят опыт работы с ними (и когда сами технологии «повзрослеют»), мы, без сомнения, увидим, как они станут более непосредственно применяться при работе с клиентами и приносить более очевидную прибыль. Пока имеет смысл экспериментировать с ними, как это делают многие компании. Однако эти эксперименты будут иметь смысл, только если хотя бы некоторые из них приведут к внедрению технологий в производство.

С какими трудностями сталкиваются компании

Однажды мой друг, не первый десяток лет работающий в ИТ-сфере, отметил, что авторы книг об ИИ должны писать честно: «Эта дрянь по-прежнему сложна». Возможно, сложнее всего встроить когнитивные технологии в существующие системы и бизнес-процессы. Таким был вывод опроса об осведомленности о когнитивных технологиях, где 47 % сказали, что им «сложно встраивать когнитивные проекты в существующие процессы и системы». И все же, если не провести эту интеграцию должным образом, организация не сможет успешно внедрить когнитивные технологии в производство.

В случае с большинством технологий ИИ необходимо сначала разработать модель, которая затем должна быть встроена в существующую систему. Часто разработать модель гораздо проще, чем внедрить. Некоторые поставщики технологий, например канадский стартап Element AI, утверждают, что разрабатывают продукт «ИИ как услуга», чтобы облегчить интеграцию. Как я расскажу в главе 7, есть и другой способ облегчить интеграцию – внедрить в свою деятельность когнитивные инструменты, которые используют в своих приложениях поставщики технологий или крупные системы обработки транзакций, включая системы распределения ресурсов, управления взаимодействием с клиентами и управления кадрами.

При ответе на другие вопросы 40 % опрошенных сочли «технологии и навыки слишком дорогими», а 37 % пожаловались, что «руководители не понимают когнитивные технологии и принцип их работы». Кроме того, 35 % заявили, что сталкиваются с трудностями из-за «невозможности найти достаточное количество специалистов, имеющих опыт работы с этими технологиями». Несколько меньше оказалась доля людей, назвавших технологии «незрелыми» (31 %) или «слишком разрекламированными» (18 %).

Разработка некоторых приложений на основе когнитивных систем не вызывает затруднений, если выбрана верная технология. Не все технологии ужасно сложны: например, внедрить роботизированную автоматизацию процессов (РАП) довольно легко, хотя при масштабном внедрении РАП могут возникнуть трудности, связанные с ее интеграцией с существующими технологиями и последующим изменением итоговых архитектур. Статистическое машинное обучение с использованием маркированных тренировочных данных также не вызовет особых сложностей у любого, кто имеет опыт в аналитике. Относительно несложно разрабатывать небольшие системы на основе правил.

Однако другие аспекты работы с когнитивными технологиями по-прежнему тяжело даются большинству организаций. Например, запрограммировать компьютер на глубокое обучение вполне возможно, хоть и непросто, но затем необходимо предоставить ему огромный объем маркированных данных, чтобы он сумел разработать эффективную модель, а как я уже заметил, результаты такой деятельности с трудом поддаются интерпретации, даже если их интерпретируют специалисты по работе с данными, имеющие докторскую степень. В целом эффективное использование технологий обычно требует большого опыта, но найти специалистов нелегко, а финансировать их затратно.

Компьютерам по-прежнему сложно понимать язык. Если посмотреть рекламу IBM Watson, может сложиться впечатление, что достаточно просто задать Watson текстовый или устный вопрос – и компьютер тотчас выдаст на него умный ответ. Как правило, это не так. Чтобы машина научилась обрабатывать язык, необходимо для начала его структурировать. Как заметил в своей статье генеральный директор Earley Information Sciences и мой хороший друг Сет Эрли, «ИИ невозможен без ИА» (информационной архитектуры)^[32].

Например, банк Morgan Stanley разработал новую систему (подобную системе банка DBS и основанную на машинном обучении), чтобы выявлять инвестиционные возможности, которые финансовые советники смогут представлять клиентам. Система работает хорошо, но в Morgan Stanley хотят добавить в нее возможность анализировать отчеты инвестиционных аналитиков банка, чтобы давать рекомендации клиентам. Однако каждый аналитик пишет отчет по-своему, а структура отчетов сильно различается. По словам экспертов банка по технологиям, нет такой технологии, которая извлекала бы из этих отчетов важную информацию, чтобы использовать ее в когнитивном приложении. Единственный способ добиться этого – убедить инвестиционных аналитиков лучше структурировать свои документы и писать в едином стиле, но аналитикам это вряд ли понравится. В данный момент документы «обрабатывают» внештатные сотрудники из других стран, которые приводят отчеты в единый формат.

Структурировать человеческий язык очень сложно – и это одна из причин, по которой реализация проектов IBM Watson часто занимает гораздо больше времени и требует гораздо больших вложений, чем изначально ожидают организации. В частности, если вы первым внедряете технологию в своей отрасли, вам придется научить Watson языку своей отрасли, а также найти способ структурировать информацию, которую он должен поглотить. Такое случается и с другими приложениями для обработки естественного языка.

Внедрять интеллектуальных агентов несколько проще, однако их нелегко натаскать до такого уровня, чтобы клиенты готовы были обращаться именно к ним. Как правило, для этого компании приходится составить словарь терминов, которые могут всплывать при взаимодействии с агентом и между агентами, то есть диалоговый граф. Если вы делаете это первым в своей отрасли, вам понадобится по меньшей мере несколько месяцев. Даже если кто-то в вашей отрасли уже делал это и поставщик технологий делится с вами результатом, вам все равно, скорее всего, потребуется персонализация.

В целом всем, кто внедряет когнитивные технологии, важно помнить, что они еще не достигли зрелости. Сегодня прогресс идет быстро, но, если вы шагаете в авангарде этого прогресса, готовьтесь столкнуться с трудностями. Прежде чем взяться за конкретный проект, имеет смысл оценить, насколько близко к авангарду вы окажетесь.

Несмотря на эти и другие сложности, некоторые компании внедряют когнитивные технологии и умело продвигаются вперед. В следующей главе мы поговорим о том, что именно они делают и как прогрессируют, даже если используемые ими технологии еще далеки от совершенства.

3
Что сегодня делают компании?

В этой главе я опишу, что сегодня происходит в крупных компаниях и как именно они применяют технологии ИИ^[33]. Я расскажу, как ИИ внедряется в настоящее время (и в каком объеме), какие технологии используются чаще всего, каковы бизнес-цели этих проектов и насколько они успешны. Затем, поскольку внедрение ИИ на предприятиях только начинается, я поясню, в каком направлении развиваются компании, чтобы расширить свои когнитивные возможности.

Приводимый здесь анализ основан по большей части на исследовании 152 консалтинговых проектов, внедряющих когнитивные технологии, которое я провел с командой Deloitte. Большинство проектов осуществлялось сотрудниками отделов консалтинговых услуг Deloitte – преимущественно (но не исключительно) в Северной Америке. Кроме того, в выборку вошли проекты (в том числе европейские), в которых принимал участие я сам. Анализ проводился в середине 2017 г., а проекты осуществлялись в 2016 и 2017 гг.

Обзор когнитивных проектов

На рис. 3.1 представлены данные о том, в каких сферах осуществляются 152 проекта, связанных с ИИ. Само собой, выборка проектов составлена не случайным образом – отчасти на нее могли повлиять разные уровни интереса к когнитивным технологиям в различных отраслевых группах Deloitte, а также структура деятельности компании. Как и ожидалось, большинство проектов осуществляется в информационно-зависимых сферах, таких как финансовые услуги, медико-биологические науки и здравоохранение. Относительно небольшое число проектов реализовывается в сфере медиа и телекоммуникаций (где компании также располагают значительными объемами данных), а кроме того, на энергетических и коммунальных предприятиях. Лишь менее 10 % проектов осуществляется в государственном секторе, причем большинство из них курирует правительство США. В большей части правительственных проектов задействована роботизированная автоматизация процессов.

Что касается областей применения когнитивных проектов, большинство из них реализовывались сразу в нескольких областях – например, в виде сочетания финансовой деятельности и функционирования цепочки поставок посредством сравнения выставленных поставщиками счетов с реальными комплектами поставки. Обособленность была характерна прежде всего для операционных и клиентоориентированных проектов (в сфере маркетинга и продаж).

Спонсорами проектов чаще всего становились топ-менеджеры компаний. Кроме того, проекты часто спонсировали вице-президенты и директора. Пожалуй, любопытнее всего многообразие функций, исполняемых в рамках когнитивных проектов. Помимо перечисленных, я слышал о проектах в сферах корпоративного права, корпоративной безопасности и стратегического планирования.

Три типа возможностей ИИ

Поскольку технологии ИИ не всегда понятны и порой перекрывают друг друга, можно рассматривать ИИ через призму возможностей для бизнеса, а не через призму технологий. Если не вдаваться в детали, ИИ способен поддерживать три важных аспекта бизнеса:

● автоматизировать структурированные и повторяющиеся процессы, часто посредством робототехники или роботизированной автоматизации процессов;

● делать выводы на основании исчерпывающего анализа структурированных данных, чаще всего с использованием машинного обучения;

● взаимодействовать с клиентами и сотрудниками при помощи чат-ботов, обрабатывающих естественный язык, интеллектуальных агентов и машинного обучения.

Автоматизация процессов

Больше всего проектов (71 из 152, то есть 47 %) было направлено на автоматизацию цифровых и физических задач – чаще всего административного и финансового характера. В эту категорию попадают и физические роботы, но в большинстве изученных проектов использовалась роботизированная автоматизация процессов, с помощью которой решались структурированные цифровые задачи вспомогательного характера. Эти возможности представляют собой следующий шаг на пути к автоматизации бизнес-процессов, поскольку «роботы» (на самом деле код на сервере), подобно человеку, вводят и поглощают информацию из нескольких ИТ-систем. Вот несколько примеров:

● перенос данных из систем электронной почты и кол-центров в системы записи – например, запросов на изменение адреса или добавление новых услуг;

● замена потерянных кредитных или дебетовых карт без человеческого вмешательства с использованием нескольких систем для обновления записей и обеспечения взаимодействия с клиентами;

● устранение ошибок при выставлении счетов за услуги в различных биллинговых системах банков посредством извлечения информации из нескольких типов документов;

● «чтение» юридических и контрактных документов с целью выявления положений контракта с использованием обработки естественного языка;

● автоматизированная генерация инвестиционной информации (краткого обзора инвестиций клиента за последний период) для клиентов страховых компаний, осуществляющих управление капиталом.

Эти проекты широко распространены отчасти потому, что РАП – самая дешевая из технологий автоматизации, а внедрить ее проще всего и при этом она, как правило, характеризуется быстрой и высокой окупаемостью инвестиций. Приложения РАП не запрограммированы на обучение и совершенствование, однако поставщики технологий постепенно повышают их интеллектуальность и обучаемость. Некоторые эксперты даже называют технологию роботизированной и когнитивной автоматизацией, но, на мой взгляд, когнитивной называть ее рано. РАП особенно хорошо подходит для сквозной работы с несколькими бэкенд-системами и не требует перестройки этих систем.

Некоторые пользователи разрабатывают несколько роботов для автоматизации различных процессов. Например, в NASA необходимость сокращения расходов привела к запуску четырех пилотных проектов РАП – в отделах кредиторской и дебиторской задолженности, расходов на ИТ и кадровой службе, – управляемых из единого сервисного центра. Все четыре проекта хорошо зарекомендовали себя и были развернуты во всей организации. Например, в кадровой службе РАП позволила обрабатывать 86 % запросов без человеческого вмешательства. Теперь NASA внедряет больше ботов РАП (и некоторые из них более интеллектуальны). Однако руководитель проекта единого сервисного центра организации Джим Уокер заметил, что «пока они звезд с неба не хватают» (а в NASA о звездах знают немало).

Может показаться, что роботизированная автоматизация процессов быстро заменит административных работников. Однако проведенный нами анализ 71 проекта (включая проекты NASA) показал, что это не главная цель автоматизации и не типичное ее следствие. Реализация лишь нескольких проектов привела к сокращению персонала, причем работу потеряли в основном внештатные работники. Только в одном случае мы узнали о планах использовать РАП, чтобы ликвидировать значительное количество штатных позиций. При этом я все же считаю, что в будущем когнитивные технологии и роботизированная автоматизация процессов приведут к сокращению количества рабочих мест. Вероятно, сильнее всего это затронет сферу офшорного аутсорсинга бизнес-процессов. Если у вас есть возможность передавать процесс людям из других стран, находящимся за тысячи километров от вас, вероятно, вы сумеете и автоматизировать его с помощью РАП.

Технология РАП относительно проста в использовании, но при ее внедрении могут возникнуть трудности – как правило, связанные с организацией бизнес-процессов. Прежде чем внедрять технологию, компании должны хорошо разобраться, как устроены их текущие бизнес-процессы и каким образом они хотят изменить их с помощью РАП. Однако большинство компаний этого не делают. Дэвид Брейн, соучредитель консалтингового агентства Symphony Ventures, которое специализируется на консультировании по вопросам внедрения РАП, заявляет, что компаниям необходимо работать над дизайном и инжинирингом процессов почти в каждом проекте РАП, и это называется возвращением процессов в РАП.

Брейн утверждает, что работа с процессами крайне важна для эффективного внедрения РАП по нескольким причинам, включая следующие:

● Существующий процесс часто слишком сложен и включает в себя ненужные шаги, которые можно устранить перед внедрением РАП.

● РАП предполагает кодификацию бизнес-правил, но существующие бизнес-правила часто не пересматривались много лет и не имеют смысла в текущей среде.

● Многие существующие бизнес-правила все те, кто работает по ним, называют суждениями, однако на самом деле их можно превратить в более точные и последовательные алгоритмы.

● Уровень знания и понимания процессов внутри компаний, как правило, низок. Компании могут иметь списки стандартных операционных процедур (СОП), но они плохо задокументированы или не соответствуют текущему положению вещей.

● РАП часто поддерживает процессы «вращающегося кресла», которые предполагают многократное обращение к информационным системам, но во многих случаях процесс может извлечь все необходимые данные из системы единовременно, а потому вращаться на кресле не придется.

● В процессах, ориентированных на человека, часто предусмотрены проверки, необходимость которых пропадает после внедрения РАП, поскольку, после того как компьютерная система прошла отладку, ошибки ей, как правило, не свойственны.

● Многие компании исключили из текущих процессов шаги, которые добавляют потребительскую ценность, но требуют слишком много ресурсов. Например, коммуникация с клиентами в ходе процесса выполнения их заказов может занимать слишком много времени, если ее осуществляют сотрудники организации, но очень проста для робота.

Подобные изменения могут сделать автоматизированный процесс гораздо более эффективным, чем он был раньше. Хотя весьма вероятно, что некоторые функции людей возьмет на себя РАП, в большинстве компаний, внедряющих технологию, существенных кадровых изменений пока не наблюдалось. Чтобы понять воздействие этой формы ИИ, необходимо дальше наблюдать за ситуацией и следить за динамикой в сфере кадров.

Когнитивный анализ

Вторая широкая сфера применения ИИ в бизнесе (57 из 152 проектов, или 37 %) – использование алгоритмов для выявления закономерностей в огромных массивах структурированных данных и для интерпретации их значений, что можно назвать аналитикой на стероидах. Это самая старая форма искусственного интеллекта, поскольку машинное обучение, которое, как правило, лежит в основе когнитивного анализа, доступно уже несколько десятков лет. Однако теперь она распространена гораздо шире и значительно более автоматизирована, чем в прошлом. Она необходима, когда приходится иметь дело с гигантскими объемами данных и большим количеством прогностических параметров феномена, который должен прогнозироваться или классифицироваться. Вот несколько примеров применения когнитивного анализа:

● прогнозирование вероятных покупок конкретного клиента (моделирование предрасположенности к покупке);

● выявление кредитного и страхового мошенничества в реальном времени;

● анализ гарантийных данных с целью выявления проблем, связанных с безопасностью и качеством автомобилей и других продуктов промышленного производства;

● сбор и анализ информации от датчиков с целью прогнозирования поломок промышленного оборудования;

● автоматизация персонализированного таргетинга цифровой рекламы;

● обеспечение страховщиков более точными и детализированными актуарными моделями.

Когнитивный анализ, осуществляемый с помощью машинного обучения, отличается от традиционной аналитики по трем критериям: как правило, он использует большее количество данных и характеризуется более высокой детализацией, модели в большинстве случаев приходится тренировать на части доступных данных, а они при этом способны к обучению, в ходе которого повышается их способность давать прогнозы или осуществлять категоризацию. Как я упоминал в предыдущей главе, вариации машинного обучения (в частности, глубокое обучение) способны выполнять и другие задачи, например распознавать изображения и речь.

Обычно когнитивный анализ применяется, чтобы улучшить производительность в тех сферах, где работать могут только машины, – в частности, при выполнении таких задач, как покупка программируемой рекламы, для которой требуется высокоскоростная обработка данных и автоматизация, выходящая далеко за пределы человеческих возможностей. Следовательно, эта форма ИИ вряд ли лишит работы людей.

Не столь очевидна другая сфера применения когнитивного анализа – использование машинного обучения для интеграции данных с целью повышения качества аналитики. Исторически наблюдение за данными требовало много времени и сил, но теперь машинное обучение может выявлять вероятные совпадения – данные, которые, скорее всего, относятся к одному человеку или компании, но представлены в разных форматах, – в разных базах данных. Компания GE использовала эту технологию (от компании Tamr, которую я рекомендую), чтобы интегрировать данные поставщиков, и в первый год сэкономила $80 млн, устраняя избыточность и заключая договоры, которыми ранее занималось бизнес-подразделение. Теперь GE применяет тот же подход к клиентским данным и данным о продуктах. Подобным образом крупный банк использовал эту технологию, чтобы извлечь данные об условиях контрактов с поставщиками и сопоставить их с номерами счетов, что позволило увидеть расхождения на десятки миллионов долларов. В сфере профессиональных аудиторских услуг когнитивный анализ используется, чтобы извлекать условия из подлежащих аудиту контрактов, что дает аудиторам возможность проверять гораздо большую долю документов, а часто и все документы, но людям при этом не приходится внимательно вчитываться в каждый из них.

Основными сдерживающими факторами использования этой формы когнитивных технологий остаются необходимость наличия больших объемов данных, ряд которых должен быть «маркирован» с учетом известных исходов, подлежащих прогнозированию. Например, если организация пытается использовать данные от датчиков, чтобы прогнозировать поломки оборудования (с целью осуществления прогностического технического обслуживания), она должна располагать информацией о значительном количестве настоящих поломок, которую система сможет использовать для обучения. Такая форма обучения на маркированных данных называется обучением с учителем и чаще всего используется бизнесом.

Когнитивная вовлеченность

Проекты этого типа встречаются реже, чем проекты двух типов, описанных выше (24 из 152 проектов, или 16 %). Они привлекают сотрудников и клиентов организации к участию в процессе, предоставляя им богатую языковую или образную персонализированную информацию и услуги. В эту категорию входят:

● интеллектуальные агенты, которые в круглосуточном режиме обслуживают клиентов, выполняя все больше задач (от запросов на смену пароля до обращений в службу технической поддержки) и общаясь с клиентами на естественном языке;

● внутренние сервисные сайты, предназначенные для ответов на вопросы сотрудников по ряду тем, включая проблемы ИТ-характера, льготы работникам и кадровую политику компании;