Некоторые суждения можно вложить в программный код. По большей части опыт – это абстрактные переживания, которые трудно записать или выразить в доступной форме. Эндрю Мак-Афи и Эрик Брайнджолфсон писали: «Замена людей компьютерами возможна только до определенных пределов, потому что многие задачи являются для человека само собой разумеющимися и выполняются безо всяких усилий, но ни программисты, ни кто-либо другой не способны сформулировать их “правила” и методы»
[68]. Однако данный вывод касается не всех задач. Для некоторых решений вполне возможно изложить соответствующее суждение и выразить его в программном коде. В конце концов, мы ведь можем иногда объяснить суждение другим людям. Если оно логически продолжает цепочку «если, то», значит, поддается кодированию.
Сложность в том, что, даже если суждение запрограммировать, а не брать его у человека, получаемый машиной прогноз должен быть очень точным. При наличии большого количества возможных ситуаций на предварительное уточнение действий в каждой из них уйдет слишком много времени. Легко программировать машину на конкретное действие, когда очевидно, что будет; однако, указывая машине, что делать в неопределенности, необходимо более тщательно продумать издержки ошибок. Неопределенность означает, что суждение требуется не только при верном прогнозе, но и в обратном случае. Иными словами, неопределенность повышает издержки суждений об отдачах для данного решения.
Сети кредитных карт освоили новые методы машинного обучения для выявления мошенничества. Прогностические машины позволяют с уверенностью программировать решение о том, блокировать транзакцию или нет. С повышением точности прогнозов в отношении мошеннических транзакций снижается вероятность ошибочной блокировки правомерных операций. Если эмитенты кредитных карт не боятся ошибок в прогнозах, то могут программировать решения машины без необходимости судить об издержках разочарования конкретных клиентов в результате отклонения транзакции. Процесс принятия решений упрощается: если мошенничество, то отклонить транзакцию; в противоположном случае подтвердить операцию.
Разработка функции вознаграждения
Прогностические машины выдают более точные и дешевые прогнозы, и нам необходимо решить, как использовать их наилучшим образом. Возможно заранее сформулировать суждение или нет, кто-то его должен выносить. Разработка функции вознаграждения – это процесс определения положительной отдачи от разных действий с учетом выданного ИИ прогноза. Качественная разработка требует понимания потребностей организации и технических возможностей машины.
Иногда в разработку функции вознаграждения входит кодирование суждения – программирование положительной отдачи до совершения прогноза с целью автоматизации действий. Примером запрограммированных вознаграждений являются беспилотные автомобили. Действие незамедлительно следует за прогнозом. Но вот правильно выбрать вознаграждение не так просто. Следует предусмотреть вероятность, что ИИ чрезмерно оптимизирует один критерий успеха и, как следствие, отклонится от общих целей организации. В сфере беспилотных автомобилей над этим трудятся целые комитеты; однако такой анализ понадобится для самых разных решений.
В других случаях количество возможных прогнозов повышает издержки на предварительное суждение обо всех вариантах отдачи. Человеку приходится дожидаться прогноза и только после этого оценивать отдачу, как это происходит почти во всех процессах принятия решений, с машинным прогнозом или без него. Как мы увидим в следующей главе, машины уже посягают и на это. В некоторых обстоятельствах прогностические машины могут научиться прогнозировать человеческое суждение на основе предыдущих решений.
Подведение итогов
Большинство людей уже занимаются разработкой функции вознаграждения, но не для машин, а для людей. Наставники показывают новым работникам, как функционирует система. Менеджеры ставят сотрудникам цели и подталкивают к повышению эффективности работы. Мы ежедневно принимаем решения и судим о вознаграждении. Но для людей мы объединяем прогноз и суждение, и разработка функции вознаграждения не обособлена. Ее роль будет становиться важнее с повышением точности прогнозов.
Для примера разработки функции вознаграждения рассмотрим ценообразование ZipRecruiter – биржи труда в интернете. Компании платят ей за поиск квалифицированных сотрудников на открывшиеся вакансии. Основной продукт ZipRecruiter – это эффективный и масштабный алгоритм сравнения – версия специалиста по рекрутингу, подбирающего работодателям подходящих соискателей
[69].
На сайте ZipRecruiter о стоимости услуг для компаний ничего не сказано. Если цена будет слишком низкая, клиенты начнут бросать деньги на ветер, если слишком высокая – уйдут к конкурентам. Для установления цен ZipRecruiter пригласила экспертов: Дж. П. Дюбе и Санджога Мизру – экономистов Школы бизнеса им. Бута при Университете Чикаго, которые проводили эксперименты по определению оптимальной цены. Они случайным образом называли цены потенциальным клиентам и определяли вероятность покупки каждой группой. Это позволило им выяснить, как люди реагируют на разные цены.
В задачу входило определение значения «оптимальная». Стоит ли компании стремиться к увеличению краткосрочного дохода? В этом случае следует установить высокую цену. Но чем она выше, тем меньше клиентов (пусть даже каждый приносит большую выгоду), и они вряд ли порекомендуют услуги компании другим людям. К тому же в таком случае будет меньше объявлений о вакансиях, количество соискателей снизится. И наконец, высокие цены могут заставить клиентов искать альтернативу. Возможно, один раз они заплатят, но в дальнейшем предпочтут работать с конкурентами. Как же прийти к разумному решению? К какой отдаче стремиться?
Краткосрочные последствия высокой цены измерили относительно легко. Эксперты подсчитали, что повышение цены для некоторых типов новых клиентов повысит ежедневный доход более чем на 50 %. Но ZipRecruiter не стала действовать сразу. Она признала долгосрочные риски и решила проверить, уйдут ли клиенты, которые платят высокую цену. Через четыре месяца повышение цен все еще приносило доход. Компания не хотела и дальше отказываться от получения выгоды, рассудив, что четыре месяца – достаточно долгий срок для внедрения новой цены.
Выяснение вознаграждения в результате разных действий – основная составляющая суждения – является разработкой функции вознаграждения, фундаментальной частью процесса принятия решений человеком. Машинный прогноз – это всего лишь инструмент; пока человеку приходится взвешивать исходы и выносить суждения, главная роль сохраняется за ним.
Выводы
• Прогностические машины повышают отдачу от суждения, поскольку снижением стоимости прогнозов повышают ценность понимания вознаграждения в результате действий. Однако суждение требует издержек. Выяснение вариантов отдачи от разных действий в разных ситуациях требует времени, усилий и экспериментов.
