Участникам конференции практически сразу удалось определить направление исследований и согласовать многие математические модели, связанные с концепцией искусственного интеллекта, что послужило источником вдохновения на следующие несколько десятилетий. Так, Минский вместе с Сеймуром Пейпертом написали фундаментальную монографию о сфере применения нейронных сетей и их ограничениях, описав работу искусственного интеллекта с помощью модели биологического нейрона. Именно к этой конференции восходят многие разработки, в частности экспертные системы, обработка естественного языка, компьютерное зрение и мобильные роботы.
Одним из участников конференции был Артур Сэмюэл, инженер из компании IBM, разрабатывавший компьютерную программу для игры в шашки. Его программа должна была оценивать текущее расположение шашек на доске и вычислять вероятность победы. В 1959 году Сэмюэл предложил термин «машинное обучение»: это дисциплина, изучающая, как компьютеры могут усваивать информацию, которая в них исходно не была запрограммирована. В 1961 году его самообучающейся программе удалось обыграть четвертого по силе шашиста в США. Однако поскольку Сэмюэл был человеком скромным и саморекламой не занимался, его работы по машинному обучению получили более широкое признание лишь после его ухода из IBM в 1966 году
[28].
Десятилетиями машинное обучение оставалось в тени, всеобщее внимание было приковано к другим видам искусственного интеллекта. В 1970–1980-е годы исследователи сосредоточились на концепции интеллекта, основанной на символьных вычислениях и логических правилах. Однако в те годы такие формальные системы не нашли практического применения, и неудачи способствовали приходу «первой зимы» искусственного интеллекта.
Интеграция с методами статистики и теории вероятности в 1990-е годы привела к расцвету машинного обучения. Одновременно широчайшее распространение получили персональные компьютеры. В течение следующего десятилетия цифровые системы, датчики, интернет и мобильные телефоны прочно вошли в нашу жизнь, предоставив в распоряжение специалистов по машинному обучению любые виды информации для «тренировки» адаптивных систем.
Сегодня прикладное машинное обучение понимается как создание моделей на основе множеств данных, которые инженеры и специалисты используют для обучения системы. Машинное обучение принципиально отличается от традиционного программирования. Стандартный алгоритм содержит определенную последовательность операций, жестко заданную программными инструкциями или программным кодом. Система машинного обучения может «учиться» в процессе функционирования. Обработав каждый новый набор данных, она обновляет свое «видение» мира. Сегодня, когда машины могут учиться и корректировать свои действия на основе полученных данных, программист напоминает не столько дрессировщика и ментора, сколько педагога и тренера.
В настоящее время повсеместно применяются системы искусственного интеллекта, работающие на основе машинного обучения. В банках они используются для выявления мошенничества, на сайтах знакомств — для подбора потенциальных партнеров, маркетологи с их помощью прогнозируют реакцию целевой аудитории на рекламу, а на сайтах для хранения и обмена фотографиями машинное обучение применяется для автоматического распознавания лиц. Мы проделали долгий путь со времен той игры в шашки. В 2016 году программа AlphaGo от Google продемонстрировала прогресс машинного обучения: компьютер обыграл чемпиона мира по игре в го, гораздо более сложной, чем шахматы или шашки. Характерно, что некоторые ходы AlphaGo оказались столь неожиданными, что наблюдатели сочли их изобретательными и даже «красивыми»
[29].
На протяжении десятилетий искусственный интеллект и машинное обучение развивались нелинейно, но их проникновение в продукты и бизнес-процессы за последнее время очевидно указывает на их звездный час. По мнению Дэнни Лэнга, бывшего руководителя отдела по машинному обучению в компании Uber, эта технология наконец-то вырвалась из исследовательских лабораторий и быстро становится «ключевым элементом трансформации бизнеса»
[30].
Глава 2. Бухгалтерия для роботов
* * *
Искусственный интеллект и управление компаниями
Отмывание денег — одна из основных проблем, с которыми сталкиваются финансовые организации, ведь за любые подобные нарушения им грозят огромные штрафы и жесткие санкции от регулятора. В одном международном банке до десяти тысяч сотрудников занимались выявлением подозрительных транзакций и счетов, которые могли быть связаны с отмыванием денег, финансированием терроризма и другой противозаконной деятельностью. Такой тщательный мониторинг был необходим для соблюдения жестких требований Министерства юстиции США. Издержки оказались очень высоки — система давала массу ложноположительных результатов, которые банк был вынужден перепроверять.
Банк внедрил полный набор современных аналитических инструментов для противодействия отмыванию денег, в том числе алгоритмы машинного обучения для более корректной классификации транзакций и счетов и для установки оптимальных пороговых значений, по достижении которых начинали поступать уведомления о подозрительных операциях. Сетевой анализ помогает выявлять новые закономерности. Так, поняв, насколько тесно связаны между собой два банковских клиента, банк может определить, насколько вероятны противозаконные действия со стороны одного из них, если другой уже вовлечен в подобную деятельность.
Результаты впечатляют. Система противодействия отмыванию денег (AML) помогла сократить число ложноположительных сигналов на 30%, позволяя сотрудникам уделять больше времени тем случаям, которые требуют экспертизы и проверки на соответствие законодательству. Система также помогла сократить время, затрачиваемое на обработку каждого уведомления, поэтому расходы уменьшились на 40%.
Позвольте сотрудникам чувствовать себя людьми
Люди редко достигают блестящих результатов, выполняя однообразные операции изо дня в день. Поговорите с кем-нибудь, кому приходится делать рутинную работу, состоящую из множества этапов, — и узнаете, как они рады любой нестандартной ситуации, нарушающей типичный рабочий день или рабочую неделю. Если же такому человеку выпадает шанс разобраться в сложной проблеме — он чувствует, что совершает нечто важное в масштабах всей организации либо даже меняет чью-то жизнь. Исследования, проведенные Джорданом Иткином из Университета Дьюка и Кэсси Могильнер из Уортонской бизнес-школы, демонстрируют, что некоторое разнообразие в течение рабочего дня поднимает настроение, мотивирует работника и повышает его производительность
[31]. Так зачем же продолжать учить людей работать как роботы? Почему бы не позволить работникам почувствовать себя людьми? Почему бы не позволить сотрудникам сосредоточиться на творческих задачах, требующих их экспертных суждений, опыта и знаний, как это было сделано в упомянутом выше банке?
