Искусственный интеллект на службе бизнеса

• Входные данные. Какие данные необходимы для запуска прогностического алгоритма? Atomwise использует данные по характеристикам белков крови (или тканей) заболевшего органа (или организма в целом).

• Обучающие данные. Какие данные требуются для обучения прогностического алгоритма? Atomwise применяет данные по связывающей способности молекул и белков наряду с их характеристиками.

• Данные обратной связи. Как усовершенствовать алгоритм посредством информации об исходах? Для улучшения будущих прогнозов Atomwise учитывает результаты тестов независимо от их успешности.

Ценностное предложение Atomwise основано на инструменте ИИ, выполняющем задачу прогнозирования в рабочем процессе, направленном на изыскание лекарственных препаратов. Он снимает задачу прогнозирования с человека. Для ее выполнения он собрал комплект уникальных данных для прогнозирования связывающей способности фармацевтических веществ. Прогностическая ценность заключается в сокращении издержек и повышении вероятности успешного открытия новых лекарств.

Клиенты Atomwise используют прогноз в сочетании с собственным профессиональным суждением об отдаче от молекул с различающейся связывающей способностью к разным видам белков.

Шаблон ИИ для МБА

Наш шаблон полезен и для крупных организаций. С его помощью мы разбиваем рабочий процесс на задачи. Здесь мы рассматриваем шаблон ИИ применительно к выбору абитуриентов на МБА (рис. 11.3).

Рис. 11.3. Шаблон ИИ для отбора абитуриентов

Как мы заполняли шаблон? В первую очередь требуется прогноз: какие абитуриенты станут лучшими или перспективными студентами. Кажется, что все просто, достаточно определить, что означает понятие «лучший». В этом поможет стратегия учебного заведения. Однако у большинства организаций смутная и неоднозначная формулировка миссии, подходящая для брошюр по маркетингу, но не для выяснения прогностической цели ИИ.

Стратегии бизнес-школ прямо или косвенно определяют понятие «лучший». Они могут применять такие конкретные критерии, как высокие результаты тестов (например, на проверку управленческих способностей), или более общие цели (такие как набор абитуриентов, которые поднимут рейтинг школы в Financial Times или US News & World Report). Также желательно наличие у будущих студентов количественных и качественных навыков. Некоторые школы отдают предпочтение иностранным студентам, другие стремятся к разнообразию обучаемой аудитории. Ни одно учебное заведение не может преследовать все эти цели одновременно – нужно делать выбор. Иначе по всем направлениям придется идти на компромисс и успеха не будет ни в одном из них.

Мы исходили из стратегии школы стать самой влиятельной в сфере бизнеса во всем мире (рис. 11.3). Данное субъективное утверждение является стратегическим, потому что ориентировано на мировой, а не местный масштаб и на влияние, а не, скажем, на увеличение дохода студентов или повышение платы за учебу.

Чтобы ИИ прогнозировал влияние на международный бизнес, следует его измерить. Здесь мы берем на себя роль разработчика функции вознаграждения. Какие из имеющихся обучающих данных могут стать индикаторами влияния на международный бизнес? Один из вариантов – идентификация лучших, самых авторитетных выпускников каждого курса, по 50 человек за каждый год. Выбор, конечно, получится субъективным, но он вполне осуществим.

Хотя в качестве цели для прогностической машины можно установить авторитет в международном бизнесе, ценность зачисления конкретного студента зависит от суждения. Во что обойдется зачисление слабого студента, ошибочно отнесенного к будущей элите? Во сколько обойдется отсев способного студента, ошибочно причисленного к слабым? Анализ этого торга и получается «суждением» – наглядным элементом шаблона ИИ.

С формулированием цели прогноза сразу становится понятно, какие входные данные необходимы. Для прогнозирования успехов абитуриентов нужны их заявки на обучение. Также можно учитывать информацию из соцсетей. Позднее мы станем отслеживать карьерный рост студентов и использовать обратную связь для совершенствования прогнозов. Они подскажут, каких абитуриентов зачислить, но только после определения цели и вынесения суждения об издержках ошибок.

Выводы

• Чтобы увидеть, где целесообразно использовать прогностические машины, необходимо декомпозировать задачи. Это позволяет проанализировать преимущества улучшенного прогноза и издержки на его создание. Обосновав свою оценку, ранжируйте ИИ от высокой отдачи на капитал к низкой и пройдитесь по списку сверху вниз, внедряя ИИ при условии, что ожидаемая отдача это оправдывает.

• Шаблон ИИ упрощает процесс декомпозиции. Заполняйте его для каждого решения и задачи. Он упорядочивает и структурирует процесс. Шаблон заставляет прояснить все три типа данных (обучающие, входные и обратной связи) и точно сформулировать:

• предмет прогнозирования;

• суждение, требуемое для анализа относительной ценности разных действий и исходов;

• варианты действий и исходов.