IT-инженер Дэн Бриклин учился на МБА в Гарвардской бизнес-школе и изнемогал от многочисленных расчетов для анализа разных сценариев. Дэн написал программу для выполнения таких расчетов, и она оказалась удобной настолько, что он вместе с Бобом Фрэнкстоном разработал на ее основе VisiCalc для компьютера Apple II. Это была первая программа эры ПК, и именно благодаря ей компьютеры появились в большинстве офисов
[103]. Программа не только в сотни раз сократила время, которое отнимали расчеты, но и позволила анализировать гораздо большее число сценариев.
В то время люди, в чьи обязанности входили расчеты, назывались счетоводами; в конце 1970-х в США их было больше 400 тысяч. Электронные таблицы выполняли за них то, что отнимало больше всего времени, – арифметику. Логично предположить, что такие специалисты стали не нужны, но что-то не слышно блюзов о потерявших работу счетоводах, и они не бунтовали, требуя запретить электронные таблицы, которые в конце концов стали очень востребованы. Почему же счетоводы не восприняли их как угрозу? Потому что VisiCalc прибавила их работе ценности. Расчеты упростились, стало легко прикинуть, какой выгоды ожидать и какой она будет при других условиях. Вместо фрагмента картины возможность многократно рассчитывать заново давала возможность увидеть ее полностью. Вместо того чтобы проверять выгоды вложения, можно было сравнить несколько инвестиций с разными прогнозами и выбрать лучший вариант. Но кто-то все еще должен быть судить, какие инвестиции тестировать. Электронная таблица быстро дает ответы и существенно повышает отдачу от задаваемых вопросов.
И как раз люди, кропотливо занимавшиеся расчетами до появления электронных таблиц, лучше, чем кто-либо иной, умели задавать правильные вопросы. Таблицы не заменили людей, а упростили им работу.
Такое развитие событий – расширение обязанностей после передачи машине некоторых (но не всех) задач – скорее всего, станет распространенным следствием внедрения ИИ. Задачи, входящие в функции людей, изменятся: некоторые исчезнут, так как будут возложены на прогностические машины, другие добавятся, поскольку на их выполнение освободится достаточно времени. А необходимые в прошлом навыки для большинства задач станут неактуальными, и им на смену придут другие. Счетоводы стали кудесниками электронных таблиц, и не менее грандиозные перемены ждут нас в результате распространения инструментов ИИ.
Наш процесс внедрения инструментов ИИ определяет, к какому исходу стремиться. В него включен анализ всех рабочих процессов, входящих в обязанности одного человека, отдела или организации, а затем разделение процессов на задачи и поиск эффективного применения прогностической машины для их выполнения. Далее следует объединить задачи в обязанности.
Недостающие звенья автоматизации
В некоторых случаях целью становится полная автоматизация всех задач, связанных с профессией. Сами по себе инструменты ИИ на это способны вряд ли, поскольку поддающиеся полной автоматизации рабочие процессы состоят из последовательности задач, которые нельзя (или непросто) исключить, даже если изначально они кажутся не требующими специальных навыков и пустяковыми.
В 1986 году произошла катастрофа космического шаттла «Челленджер» из-за взрыва челнока в результате повреждения уплотнительного кольца диаметром менее 0,5 дюйма. Эта поломка привела к разрушению корабля. При полной автоматизации задачи один неработающий участок может поставить под угрозу ее выполнение; необходимо анализировать каждый шаг. Такие маленькие задачи становятся трудноопределимыми недостающими звеньями автоматизации и существенно ограничивают пересмотр обязанностей. Следовательно, инструменты ИИ, способные обнаружить эти звенья, имеют огромное значение.
Рассмотрим сферу обработки заказов, активно развивающуюся последние двадцать лет с распространением онлайн-шопинга. Обработка заказов – основной этап продаж вообще и электронной коммерции в частности. Она заключается в принятии заказа и подготовке к доставке клиенту. В электронной коммерции обработка заказов состоит из нескольких частей: поиска товара на огромном складе, снятия с полки, сканирования для учета наличия, упаковки в пакет и коробку, ее маркировки и подготовки к отправке.
Поначалу применение машинного обучения в обработке заказов ограничивалось учетом товаров: прогнозированием, какие из них необходимо закупить, потому что они хорошо продаются, какие не требуют пополнения запаса из-за низкого спроса и так далее. Эти отработанные прогностические задачи несколько десятков лет оставались основной частью офлайновых продаж и складского управления. Технологии машинного обучения сделали прогнозы еще лучше.
За последние двадцать лет автоматизировали большую часть процесса. Например, исследованиями установлено, что работники центров обработки заказов больше половины времени тратили на складские поиски товаров и упаковку. В результате несколько компаний разработали автоматизированный процесс транспортировки товаров с полок, чтобы сократить время на поиски. В 2012 году Amazon за $775 млн приобрела лидирующую на этом рынке компанию Kiva и в итоге прекратила поставки Kiva другим клиентам. Позднее появились другие поставщики, желающие удовлетворить спрос расширяющегося рынка внутренних центров обработки заказов и сторонних логистических компаний.
Несмотря на значительную автоматизацию, в центрах обработки заказов работает много людей. Хотя роботы могут взять товар и принести его человеку, его необходимо еще сортировать – то есть разобраться, что куда отправлять, – а затем поднять предмет и переложить в нужное место. Последнее самое сложное из-за самого движения захвата. И пока его выполняют люди, склады не могут воспользоваться всеми преимуществами автоматизации – они должны обеспечивать персоналу комнатную температуру, пространство для передвижения, комнаты отдыха, туалеты, устанавливать камеры наблюдения для предотвращения краж и т. д. Это дорого.
Устоявшаяся роль человека в обработке заказов объясняется относительной производительностью привычных хватательных движений: протянуть руку, взять товар и переложить куда следует. Эта задача пока недоступна для автоматизации, поэтому только в Amazon 40 тыс. человек работают полный день и еще десятки тысяч на неполной ставке в предпраздничное время. Человек обрабатывает примерно 120 товаров в час. Фирмы с большими объемами продаж предпочли бы автоматизировать эту задачу. Начиная с 2014 года Amazon проводит программу Amazon Picking Challenge для мотивации лучших робототехнических компаний мира на решение давно изучаемой проблемы хватательного движения робототехнического устройства и автоматизации сортировки в неупорядоченной среде склада. Хотя проблемой занимаются лучшие команды, такие как МТИ, и многие используют передовое робототехническое оборудование промышленного класса производства Baxter, Yaskawa Motoman, Universal Robots, ABB, PR2 и Barrett Arm, на момент написания книги удовлетворительное решение для промышленного применения не найдено.
