Ключевые идеи книги: Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения. Аджей Агравал, Джошуа Ганс, Ави Голдфарб
Это саммари – сокращенная версия книги «Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения» Аджея Агравала, Джошуа Ганса и Ави Голдфарба. Только самые ценные мысли, идеи, кейсы, примеры.
Крупнейшие компании мира вкладывают миллиарды в разработку все новых инструментов искусственного интеллекта, который меняет мир на наших глазах. Чем это чревато для бизнеса? Какие возможности дает? Как понять, нужен ли ИИ вашей компании и если да, то какие процессы можно ему передать? Канадские экономисты, основатели «Лаборатории созидательного разрушения» расшифровывают алгоритм бизнес-решений и дают конкретные советы, как конкурировать в эпоху бурного роста ИИ.
Авторы:
Ajay Agrawal, Joshua Gans, Avi Goldfarb
Оригинальное название:
Prediction Machines: The Simple Economics of Artificial Intelligence
www.smartreading.ru
Искусственный интеллект глазами экономистов
Искусственный интеллект (ИИ) – реальность сегодняшнего дня. Он уже изменил привычки и даже судьбы миллионов людей. Например, появление навигаторов лишило профессиональных таксистов их ключевого преимущества – знания города. Теперь каждый может устроиться водителем в Uber и зарабатывать, пользуясь подсказками навигатора. Поисковые машины заменили справочные службы и библиотеки. Онлайновые магазины с умными системами предложения товаров теснят обычные магазины. И таких примеров тысячи.
Как любая технологическая новинка, ИИ с каждым днем становится дешевле – и спрос на него, соответственно, растет. Однако сейчас даже самый смелый визионер не может утверждать, как именно развитие ИИ скажется на конкретной компании.
Еще в 1980-е компьютеры считали машинами, которые пригодны только для вычислений. Сегодня они управляют беспилотными машинами и пишут музыку.
Так что же принесет ИИ реальному бизнесу? Чтобы ответить на этот вопрос, нужно разобраться в сути инструментария ИИ и понять, на что он способен, а на что – нет.
В книге «Искусственный интеллект на службе бизнеса» канадские экономисты, создатели «Лаборатории созидательного разрушения» для наукоемких стартапов, объясняют, как умные машины строят прогнозы и чем они могут быть полезны бизнесу. Методика декомпозиции бизнес-решений и практичные советы по внедрению инструментов ИИ в деятельность компаний делают эту книгу полезной для предпринимателей, владельцев бизнеса, инженеров, менеджеров, студентов экономических и технических специальностей.
ИИ за работой: прогнозы, но не суждения
Искусственный интеллект – это прогностический инструмент, который позволяет заполнять информационные пробелы путем анализа имеющихся данных.
Современные мощные компьютеры легко справляются с объемами вычислений, которые были немыслимы еще двадцать лет назад. При этом применяются десятки методов, которые специалисты по ИИ подбирают под конкретные задачи: классификация, кластеризация, регрессия, дерево решений, байесовское оценивание, нейронные и капсульные сети, топологический анализ данных, глубокое и стимулированное обучение и т. д.
Развитие бизнеса, организации – по сути, работа с прогнозами касательно спроса, цены, поведения конкурентов, расходов и прибылей. На основе прогнозов принимаются решения. Поэтому, чем точнее и дешевле становятся прогнозы ИИ, тем увереннее они будут проникать в повседневную практику бизнеса.
Иногда людям не нравится, что работу прогностических машин называют интеллектом. Однако для этого есть некоторые основания:
конечный результат деятельности ИИ – прогноз, который до недавнего времени оставался прерогативой человека;
ИИ умеет учиться, проверяя свои прогнозы на практике и делая выводы на будущее.
Джефф Хокинс в книге «Об интеллекте» (On Intelligence) писал, что префронтальная кора головного мозга – прогностический орган. Так что аналогия между ИИ и мозгом человека – вполне разумное допущение.
Тем не менее пока ИИ не может заменить человека. И мы разберемся почему.
Инструменты ИИ основаны на трех типах данных:
исходные, которые загружаются в прогностические алгоритмы;
обучающие – данные о среде, необходимые для создания самих алгоритмов ИИ;
данные обратной связи о работе алгоритмов.
ИИ обучает себя сам: входные данные (тип 1) закладываются в машину вместе с данными о критериях исходов (тип 2), затем данные о точности сделанного прогноза (тип 3) становятся основой для уточнения алгоритмов. Этот процесс называется машинным обучением.
Классическая регрессия строится на теоретически работоспособных методах, которые могут оказаться совершенно бесполезными на практике. Машинное обучение тестирует прогнозы и улучшает алгоритмы на основе реальной обратной связи.
Гибкие методы обучения машин позволяют им сочетать множество переменных самым неожиданным образом – таким, какой не пришел бы в голову даже самому квалифицированному аналитику.
Ярким примером того, как человеческий мозг не справляется с анализом множества переменных, можно считать финансовый кризис 2008 года. Аналитики по отдельности изучали локальные сегменты рынка недвижимости и были уверены, что рынок обеспеченных долговых обязательств стабилен. Но когда кризис разразился сразу во многих локациях США, эти прогнозы провалились: в них не было данных о взаимном влиянии рынков.