Книга Искусственный интеллект на службе бизнеса, страница 23. Автор книги Джошуа Ганс, Аджей Агравал, Ави Голдфарб

Разделитель для чтения книг в онлайн библиотеке

Онлайн книга «Искусственный интеллект на службе бизнеса»

Cтраница 23

Прогностические машины, в отличие от людей, не способны к суждениям, потому что только человек может сформулировать относительную отдачу от разных действий. Прогноз полностью возлагается на ИИ, поэтому людям для принятия решений реже придется раздумывать одновременно над прогнозом и суждением, и они сосредоточатся только на последнем. Это создаст диалоговый интерфейс между машинным прогнозом и человеческим суждением – аналогично запуску альтернативного запроса в динамической таблице или базе данных.

С повышением точности прогнозов появилось больше возможностей рассмотрения отдачи от действий – иными словами, больше возможностей для суждений. А это значит, что с точными, быстрыми и дешевыми прогнозами нам придется принимать решения чаще.

Суждение о мошенничестве

Сети кредитных карт, такие как MasterСard, Visa и American Express, постоянно прогнозируют и оценивают. Им необходимо прогнозировать, отвечают ли просители кредитных карт их стандартам кредитоспособности. Если нет, то в выдаче кредитной карты будет отказано. Можно подумать, что роль играет только прогноз, но суждение тоже имеет большое значение. Кредитоспособность – понятие растяжимое, и компании приходится взвешивать, какой риск она готова на себя взять с учетом разных процентных ставок и долей невозврата. Такие решения приводят к разработке заметно различающихся бизнес-моделей – от люксовой платиновой карты American Express до базового уровня, ориентированного на студентов.

Компании также необходимо прогнозировать правомерность каждой транзакции. Как и в примере с зонтиком, компания взвешивает четыре отдельных исхода (рис. 6.1).


Искусственный интеллект на службе бизнеса

Рис. 6.1. Четыре исхода для кредитных компаний


Компания прогнозирует, является снятие денег мошенническим или правомерным, далее решает, авторизовать или отклонить транзакцию, а затем оценивает каждый исход (отклонить мошенническую транзакцию – хорошо, разозлить клиента отклонением правомерной транзакции – плохо). Если бы эмитенты кредитных карт идеально прогнозировали мошенничество, все было бы отлично. Но они этого не могут.

Например, у Джошуа Ганса регулярно отклоняют транзакцию при покупке беговых кроссовок – он приобретает их примерно раз в год, обычно в стоковых магазинах и находясь в отпуске. Уже много лет ему приходится звонить в банк для одобрения транзакции.

Кредитные карты чаще всего крадут в торговых центрах, и, как правило, мошенники сразу приобретают одежду и обувь (вещи легко перевести в наличные после возврата в любом магазине сети). И поскольку Джошуа редко покупает одежду и обувь и нечасто посещает торговые центры, банк прогнозирует высокую вероятность кражи кредитки. Это вполне логичное предположение.

Факторы, влияющие на прогноз о том, украдена ли карта, разделяются на общие (вид транзакции, например покупка беговых кроссовок) и частные (в данном случае это возраст и частота покупок). При сочетании факторов алгоритмы, отслеживающие транзакции, усложняются.

ИИ обещает сделать прогнозы гораздо более точными, особенно при наличии одновременно общей и индивидуальной информации. Например, с учетом данных транзакций Джошуа за многие годы прогностическая машина могла бы обнаружить в них закономерности, в том числе ежегодную покупку кроссовок примерно в одно и то же время. И считать эту покупку обычной для конкретного человека, а не классифицировать как подозрительную. Прогностической машине стоило бы учитывать и другие вещи, например, сколько времени потребуется на выбор вещей и покупку, если произошли две транзакции подряд в разных магазинах. Когда прогноз мошеннических транзакций станет точнее, банки смогут с большей уверенностью отклонять их, в некоторых случаях даже не связываясь с клиентом. И это время не за горами. Последняя покупка беговых кроссовок в стоковом магазине прошла у Джошуа без осложнений.

Пока прогностические машины еще совершенствуются в прогнозировании мошенничества, банкам приходится вычислять цену ошибки, что требует суждения. Предположим, что прогноз не идеален и вероятность ошибки равна 10 %. Тогда если компания отклонит транзакцию, то будет права в 90 % случаев и сэкономит издержки по возмещению неавторизованной транзакции. Но существует 10 % вероятности отклонения правомерной транзакции, и в таком случае компания получает недовольного клиента. Для выбора правильных действий необходимо сопоставить издержки по выявлению мошенничества с издержками, связанными с разочарованием клиента. У банков готового ответа на этот вопрос нет. Им следует все взвешивать: это и есть суждение.

Все точно так же, как и в примере с зонтиком, но вместо нести / не нести и промокнуть / не промокнуть на чаше весов мошенничество и удовлетворение клиента. В данном случае, поскольку вероятность мошенничества в девять раз выше, чем правомерной транзакции, компания не отклонит операцию только при условии, что удовлетворение клиента в девять раз важнее возможных издержек.

Что касается мошенничества с кредитными картами, о вариантах отдачи судить достаточно легко. Очень вероятно, что издержки на компенсацию обладают особой денежной ценностью, которую сеть может определить. Предположим, компенсация за транзакцию в $100 составляет $20. Если разочарование клиента стоит меньше $180, есть смысл отклонить транзакцию (10 % от $180 составит $18 – столько же, сколько 90 % от $20). Большинство клиентов отклонение одной транзакции не приведет к разочарованию, эквивалентному $180. Сети кредитных карт также должны оценить вероятность того, что конкретный клиент является исключением. Скажем, у держателя платиновой кредитки с высоким уровнем чистой стоимости, скорее всего, есть и другие, и после отклонения транзакции он может перестать пользоваться этой картой. А если клиент в отпуске и собирается потратить много денег, сеть много на нем потеряет.

Выявление мошеннических транзакций – четко определенный процесс, хотя и довольно сложный, поэтому мы так часто приводим его в пример. Но во многих других решениях потенциальные действия еще сложнее (не просто отклонение или подтверждение операции), а возможные ситуации (или состояния) варьируются.

Суждение требует понимания отдачи от любой пары «действие+ситуация». В примере с кредитными картами всего четыре исхода (или восемь, если отделить клиентов с высоким уровнем чистой стоимости от остальных). Если у вас, скажем, десять вариантов действий и двадцать возможных ситуаций, нужно вынести суждения по двум сотням исходов. А с дальнейшим усложнением количество вариантов отдачи превышает все мыслимые пределы.

Когнитивные издержки суждений

Люди, изучавшие принятие решений в прошлом, принимали отдачу как данность – она просто есть. Вам нравится шоколадное мороженое, а вашему другу – манговое, и несущественно, как каждый пришел к своему мнению. Аналогично мы предполагаем, что большинство компаний стремится к увеличению прибыли или стоимости акционерного капитала. Интересующиеся вопросами ценообразования экономисты обнаружили, что эти показатели удобно принимать на веру.

Вход
Поиск по сайту
Ищем:
Календарь
Навигация