Искусственный интеллект на службе бизнеса

Как и прекрасная модель процесса генерации данных о пулевых отверстиях Вальда, качественная модель поведения человека поможет повысить качество прогнозов, когда данные генерируются человеческими решениями. В ближайшем будущем нам необходимо разработать такие модели и определить прогностические параметры поведения. Прогностические машины не смогут выполнять свои задачи при отсутствии данных, потому что поведение изменчиво. Для этого им необходимо понимать людей[77].

Похожие проблемы возникают в принятии решений на основе вопроса «Что будет, если сделать так?», если вы раньше никогда этого не делали. Добавить ли новый продукт в линейку? Сливаться ли с конкурентом? Покупать ли новый стартап или торгового партнера?[78] Если после изменений люди ведут себя по-другому, то поведение в прошлом ничего не говорит о будущем. У прогностических машин соответствующих данных не будет. Для редко происходящих событий они малоприменимы. Следовательно, такие события ставят важные ограничения способности машин прогнозировать человеческое суждение.

Выводы

• Машины могут научиться прогнозировать человеческое суждение, примером тому служит вождение автомобиля. Человеку практически нецелесообразно программировать суждение о действиях во всех возможных ситуациях. Мы обучаем системы автономного вождения на примерах и вознаграждаем их за прогнозирование человеческого суждения: «Как поступил бы в этой ситуации человек?»

• Машины способны прогнозировать человеческое суждение только до определенных пределов. Ограничения связаны с недостатком данных. Люди обладают некоторыми данными, недоступными машинам, такими как предпочтения. Эти данные представляют ценность, и компании платят за доступ к ним дисконтными картами и бесплатными онлайн-услугами, такими как Google и Facebook.

• Машины плохо прогнозируют редко происходящие события. Руководители принимают решения о слиянии, инновациях и партнерстве, не имея данных о похожих событиях в их компании в прошлом. Для принятия решений в нестандартных ситуациях люди используют аналогии и модели. Машины не могут прогнозировать суждение, если ситуация не повторялась многократно.

Глава 8. Укрощение сложности

В телесериале «Американцы», сюжет которого разворачивается в годы холодной войны в Вашингтоне 1980-х, почту и засекреченные документы в офисе ФБР разносит робот. Удивительно, что в то время уже существовало автономное транспортное средство. Оно появилось десятью годами ранее и называлось «почтамобиль»[79].

Чтобы он мог передвигаться, технические специалисты прокладывали ему маршрут специальными веществами, излучающими ультрафиолет, от почтового офиса вдоль ковровых дорожек до кабинетов. С помощью датчиков робот очень медленно (со скоростью меньше 1,5 км/ч) ехал и останавливался возле соответствующих меток. Почтамобиль стоил от $10 до $12 тыс. (сегодня это эквивалентно $50 тыс.), а за дополнительную плату его оснащали датчиком, позволяющим определять препятствия на пути. Без датчика он предупреждал о своем появлении звуковым сигналом. С работой по доставке почты, которая у человека занимала два часа, робот справлялся за двадцать минут, потому что не тратил времени на разговоры.

Работа робота требовала тщательной подготовки. Для обеспечения его функционирования требовались несложные, но иногда затратные перестановки в офисе: робот мог ориентироваться только в условиях соблюдения абсолютного порядка.

Даже в наши дни во всем мире к установке автоматизированных рельсовых систем предъявляется большой набор требований. Например, в копенгагенском метро нет машинистов, потому что поезда ходят в тщательно подготовленных условиях; об окружающей обстановке робота информирует небольшое число датчиков.

Такие ограничения свойственны большинству машин и оборудования: они разработаны для функционирования в четко определенных условиях. В отличие от производственного оборудования, появление почтовых роботов не осталось незамеченным, потому что их относительно просто установить во многих офисах. Но для работы им необходима была строго контролируемая и стандартизированная среда, поскольку техника не выносит неопределенности.

Больше «если»

Любые машины программируют преимущественно по стандартной логике «если, то». «Если» описывает сценарий, окружающие условия или информацию. «То» сообщает машине, что делать после каждого «если» (а также «если нет» и «иначе»): «Если химический след не обнаружен, то необходимо остановиться». Почтовый робот не видел, что находилось вокруг, и мог функционировать только в среде с доступным ему количеством «если».

Будь у него способность различать ситуации – обрабатывать больше «если», – то, даже не меняя действий, заключавшихся в остановке и следовании к другой точке, он мог бы использоваться и в других целях. Современный Roomba – робот-пылесос компании iRobot – умеет это делать и свободно передвигается в помещении, датчики не дают ему упасть с лестницы или застрять в углу, а дополнительно он оснащен модулем памяти для последовательной уборки.