• Для иллюстрации потенциального влияния ИИ на рабочий процесс мы описали вымышленный ИИ, прогнозирующий ранжирование абитуриентов МБА. Чтобы извлечь из этой прогностической машины максимальную выгоду, учебным заведениям придется пересмотреть рабочий процесс. Им понадобится устранить задачу ручного ранжирования и расширить задачу по рекламе программы, поскольку ИИ повысит отдачу от увеличения числа абитуриентов (посредством повышения точности прогнозирования успешных абитуриентов и снижения издержек на анализ их заявок). Школа изменит задачу по предоставлению материальных поощрений, таких как стипендия и финансовая помощь, потому что будет больше уверена в том, какие из абитуриентов лучшие. И наконец, школа отрегулирует остальные элементы рабочего процесса, чтобы воспользоваться преимуществами предоставления мгновенных решений по заявкам на обучение.
Глава 11. Декомпозиция решений
Нынешним инструментам ИИ далеко до машин с человеческим интеллектом, описанным в научной фантастике (их часто называют «общий» или «сильный ИИ»). Сегодняшнее поколение ИИ мало что умеет помимо прогнозирования.
Однако не стоит преуменьшать его значение. Как заметил однажды Стив Джобс, «одна из вещей, отделяющих нас от высших приматов, – это способность изготавливать инструменты». В качестве примера инструмента, подарившего людям возможность передвигаться быстрее любого животного, он назвал велосипед. Компьютеры он воспринимал так же: «Для меня компьютер – лучший из придуманных человеком инструментов, я бы сказал, что это велосипед для ума»
[102].
В настоящее время инструменты ИИ прогнозируют значение слов (Amazon Echo), контекст запроса (Siri Apple), желаемые товары (рекомендации Amazon), ссылки, соответствующие искомой информации (поиск Google), момент торможения во избежание опасности (автопилот Tesla) и интересующие новости (новостная лента Facebook). Ни один из этих инструментов не осуществляет рабочий процесс полностью – наоборот, каждый предоставляет прогностический компонент, упрощающий принятие решений. ИИ расширяет возможности.
Но как узнать, нужен ли инструмент ИИ для конкретной задачи вашего бизнеса? Любая задача состоит из ряда решений с прогностической составляющей.
Мы расскажем вам о способе анализа ИИ в контексте задачи. Как мы предлагали идентифицировать задачи, разбивая рабочий процесс, чтобы найти роль для ИИ, так и сейчас рекомендуем декомпозировать каждую задачу – разложить ее на составляющие.
Шаблон ИИ
В ЛСР мы много раз наблюдали использование преимуществ технологий машинного обучения для разработки новых инструментов ИИ. Каждая компания в лаборатории работает над созданием конкретных инструментов, и некоторые ориентируются на потребителей, а большинство – на корпоративных клиентов. Последние исследуют возможности идентификации задачи внутри рабочего процесса и строят свой бизнес на предоставлении инструмента, обеспечивающего соответствующий прогноз.
В ходе консультаций мы обнаружили, что решения удобно делить на следующие составляющие (см.
рис. 5.1): прогноз, входные данные, суждение, обучение, действие, результат и обратная связь. Затем мы разработали «шаблон ИИ», упрощающий декомпозицию задач для выяснения потенциальной роли прогностической машины (рис. 11.1). Шаблон помогает обдумывать, строить и анализировать инструменты ИИ. Он задает порядок определения каждой составляющей решения задачи и вносит ясность в их описание.
Рис. 11.1. Шаблон ИИ
Чтобы проверить шаблон в действии, рассмотрим стартап Atomwise, предлагающий прогностический инструмент, созданный для сокращения времени на разработку эффективных лекарственных средств. Существуют миллионы молекул фармацевтических препаратов, но покупка и тестирование каждого стоят времени и денег. Как же компании отбирают их для тестирования?
Они выносят обоснованное предположение, то есть прогнозируют, исходя из исследований эффективности использования молекул в лекарственных средствах.
СЕО Atomwise Абрахам Хейфец объяснил нам научную подоплеку: «Чтобы лекарство работало, оно должно связывать вредоносные компоненты и в то же время не связывать белки печени, почек, сердца, мозга и других органов, из-за чего возникают токсические побочные эффекты. То есть все сводится к тому, чтобы “делать то, что нужно, и не делать того, что не нужно”».
Итак, если фармацевтические компании смогут прогнозировать связывающую способность вещества, то определят, какие молекулы им необходимы. Atomwise предлагает для прогноза инструмент ИИ, более эффективно выполняющий задачу идентификации потенциальных лекарственных средств. Инструмент использует ИИ для прогноза связывающей способности молекул, поэтому Atomwise может рекомендовать фармацевтическим компаниям ранжированный список молекул с максимальной способностью связывания белка болезней. Например, Atomwise составит список двадцати молекул с самой высокой такой способностью – скажем, вируса Эбола. Вместо тестирования молекул по одной прогностическая машина Atomwise проверит миллион возможностей. И хотя фармацевтическим компаниям все равно необходимо будет проведение тестов и проверка молекул с помощью человеческих и машинных суждений и действий, ИИ существенно снизит издержки и повысит скорость выполнения задачи.
Где применяется суждение? В определении суммарной ценности конкретной перспективной молекулы для фармацевтической промышленности. Ценность выражается в двух критериях: эффективность лечения и вероятные побочные эффекты. При выборе веществ для тестирования компании необходимо определить отдачу от эффективности лечения и издержки побочных эффектов. Как отметил Хейфец, «побочные эффекты более допустимы в химиотерапии, чем в креме от прыщей».
Прогностическая машина Atomwise учится на данных по связывающей способности. На июль 2017 года она обработала 38 млн опубликованных и еще больше приобретенных и выученных данных на эту тему. Каждый фрагмент данных состоял из молекулы и характеристик белка, а также степени их связи. Чем больше прогностическая машина выдает прогнозов, тем больше получает обратной связи и постоянно совершенствуется.
Используя машину и данные по характеристикам белка, Atomwise прогнозирует, у каких молекул самая высокая связывающая способность. По тем же данным он может прогнозировать наличие высокой связывающей способности у веществ, которые никогда раньше не производились.
Заполним шаблон (рис. 11.2) декомпозиции задачи Atomwise по отбору молекул, для чего определим следующее.
Рис. 11.2. Шаблон ИИ для Atomwise
