Современная система ранжирования заявок достаточно примитивна. Обычно заявления делят на три стопки: 1) обязательно зачислить; 2) зачислить, если откажется кто-то из категории 1; и 3) не зачислять. Это, в свою очередь, приводит к необходимости управления рисками, чтобы уравновесить все «за» и «против» действий, повышающих вероятность ошибок. Например, нежелательно, чтобы абитуриенты, которых следовало бы отнести к категории 1 или хотя бы 2, попали в категорию 3 по причинам, не очевидным из их заявления. Аналогично не хотелось бы допустить в категорию 1 тех, кому следует находиться в конце списка. Поскольку заявки однозначно оценивать трудно, абитуриенты распределяются по категориям под влиянием одновременно и объективных, и субъективных причин.
Предположим, что программа МБА разработала ИИ, способный на основе заявок и другой информации (видеозаписей интервью и публикаций в соцсетях) четко ранжировать абитуриентов. Для этого его обучали на данных за прошедший период – заявках студентов, впоследствии причисленных к категории лучших. Инструмент ИИ будет выполнять задачу по выбору абитуриентов, достойных получить приглашение, быстрее, дешевле и точнее. Основной вопрос в том, как эта волшебная прогностическая технология повлияет на остальную часть рабочего процесса МБА.
Наша гипотетическая технология ранжирования абитуриентов выдает прогноз, кто из них, вероятнее всего, окажется в числе лучших. Это повлияет на другие решения рабочего процесса, в том числе по поводу ранних приглашений (чтобы опередить другие учебные заведения), материальных поощрений (стипендии) и особого внимания (обеды с профессурой или ранг почетных выпускников). Все эти решения требуют поиска компромиссов, а ресурсы на них ограничены. С появлением точного списка желаемых кандидатов станет понятно, на кого тратить ресурсы. А чем больше уверенность в потенциале абитуриента, тем, вероятно, больше ресурсов в него готовы вложить.
Заметно ощутимее прогностическое ранжирование может повлиять на решения, принимаемые до подачи заявок. Хотя большинство учебных заведений хотят заполучить побольше абитуриентов, они знают: если их окажется слишком много, анализ и ранжирование усложнятся. Наша прогностическая машина существенно снизит издержки всех этапов и, как следствие, повысит отдачу от большого количества абитуриентов. Особенно в случае, если технология способна анализировать их целеустремленность (почему бы и нет, она ведь волшебная). Таким образом, школы расширят охват абитуриентов и смогут отказаться от оплаты за рассмотрение заявок, потому что их сортировка упростится настолько, что не потребует издержек с увеличением количества желающих.
В результате изменения рабочего процесса могут оказаться весьма ощутимыми. С таким методом ранжирования школы сократят время между получением заявки и отправлением приглашения.
При налаженном методе все происходит почти мгновенно, поэтому рабочий процесс и динамика конкуренции приоритетных кандидатов меняются.
Это гипотетический ИИ, но на его примере понятно, как в результате внедрения инструментов ИИ в задачи рабочего процесса они устраняются (ранжирование вручную) или добавляются (больше рекламы). Конечно, у всех компаний будут разные исходы, но в ходе разбора рабочих процессов можно проанализировать вероятность того, что прогностические машины выйдут далеко за пределы отдельных решений, для которых были разработаны.
Как инструмент ИИ улучшил клавиатуру iPhone
У клавиатуры смартфона больше общего с механической пишущей машинкой, чем с клавиатурой ПК. Возможно, вы еще застали пишущие машинки и помните, что при слишком высокой скорости печатания механизм заклинивает. Поэтому и придумали раскладку QWERTY – чтобы снизить вероятность нажатия двух соседних клавиш, что и вызывало проблемы со старыми машинками. Из-за этого машинистки с высокой скоростью печати вынуждены были работать медленнее.
Раскладка QWERTY до сих пор существует, в отличие от пишущих машинок. Когда инженеры Apple разрабатывали iPhone, было много споров о том, пора ли наконец избавиться от прежней раскладки. Но все к ней уже привыкли, пришлось на ней и остановиться. У ближайшего конкурента Apple в то время, BlackBerry, была кнопочная клавиатура QWERTY, которая работала настолько хорошо, что телефон из-за повального им увлечения назвали Crackberry (нарко-berry).
Крупнейшим научным проектом iPhone стала виртуальная клавиатура
[101]. Но в 2006 году (первый iPhone выпустили в 2007-м) она была просто ужасной. До BlackBerry ей было далеко – она настолько неудобная, что никто не печатал на ней текстовые сообщения, тем более письма. Проблема заключалась в крошечных клавишах, но иначе они не уместились бы на 4,7-дюймовом экране, и пользователь легко промахивался, нажимая соседнюю кнопку. Многие инженеры Apple предлагали отличную от QWERTY раскладку.
На поиск решения оставалось всего три недели, и, если бы его не нашли, проект рухнул бы, и всем разработчикам дали полную свободу на апробирование любых вариантов. К концу срока клавиатура выглядела как маленькая стандартная, но с одним отличием. Пользователь не замечал изменений, но рабочее поле некоторых клавиш во время печати увеличивалось. Например, после t чаще всего следует h, поэтому она становилась больше. Далее расширялись e и i и т. д.
Это инструмент ИИ в действии. Инженеры Apple раньше всех использовали достижения машинного обучения 2006 года для создания прогностических алгоритмов, меняющих размер поля клавиш исходя из уже напечатанных букв. Сегодняшняя технология автокоррекции текста работает так же, но по большому счету решение было найдено благодаря QWERTY. Раскладка, разработанная во избежание нажатия соседних клавиш, позволила виртуальным клавишам смартфона при необходимости расширяться, поскольку маловероятно, что следующая клавиша находится рядом с той, что только что нажали.
Во время разработки iPhone инженеры Apple досконально разобрались в рабочем процессе, примененном для клавиатуры. Пользователь находит нужную клавишу, нажимает и переходит к следующей. Разбив процесс, они поняли, что идентификации и нажатию не мешает различающийся внешний вид клавиш. Что самое главное – прогноз определял, какая клавиша станет следующей. Понимание рабочего процесса обеспечило возможность оптимального применения инструмента ИИ, и это верно в отношении любых процессов.
Выводы
• Инструменты ИИ представляют собой точечное решение. Каждый предназначен для конкретного прогноза, а большинство разработано для конкретной задачи. Большинство стартапов нацелены на создание одного инструмента ИИ.
• Крупные корпорации состоят из рабочих процессов, обращающих ресурсы в продукт. Рабочие процессы подразделяются на задачи (например, первичное размещение акций Goldman Sachs состоит из 146 отдельных задач). Принимая решение о внедрении ИИ, компании должны разбить процессы на задачи, оценить прибыль от затрат по разработке или покупке ИИ для выполнения каждой задачи, ранжировать ИИ с учетом выгоды от затрат, затем начать работать по списку сверху вниз. Иногда можно добавить инструмент ИИ в рабочий процесс и сразу увидеть выгоду в результате повышения эффективности выполнения задачи. Однако чаще всего это не так просто. Извлечение реальной выгоды от внедрения инструмента ИИ требует реинжиниринга всего рабочего процесса. В итоге по аналогии с революцией ПК понадобится много времени, чтобы увидеть в большинстве рядовых компаний рост производительности в результате ИИ.
