Дилемма инноватора перестает быть неразрешимой, когда компания сталкивается с жесткой конкуренцией, особенно с новыми участниками рынка, не связанными необходимостью удовлетворения спроса имеющихся клиентов. В этой ситуации цена бездействия слишком высока. Конкуренция склоняет чашу весов в сторону быстрого освоения подрывной технологии даже для сформировавшихся компаний. Иначе говоря, подрывные веяния технологий вроде ИИ с грандиозными последствиями в долгосрочной перспективе способствуют освоению их на раннем этапе даже компаниями, владеющими большой долей рынка.
На обучение понадобится много времени и данных, прежде чем машина начнет выдавать надежные прогнозы, – она сразу готова к работе в очень редких случаях. Продавец оснащенного ИИ устройства, вероятно, уже выполнил трудную задачу по обучению. Но если ИИ нужен для связанных с вашим бизнесом целей, готовое решение вам вряд ли подойдет. И вместо руководства пользователя вам понадобится руководство по обучению, во время которого ИИ будет собирать данные и совершенствоваться
[134].
Путь к обучению
Историк экономики Натан Розенберг назвал явление, когда компания улучшает свой продукт по результатам взаимодействия с пользователями, «обучением посредством использования»
[135]. В основном оно применялось в отношении характеристик самолетов, консервативный дизайн которых уступил место улучшенному, с повышенной вместимостью и эффективностью, которой производители добивались опытным путем. Они изначально обладали преимуществом, поскольку постоянно учились. Конечно, темпы обучения дают стратегическое преимущество в разнообразных контекстах и особенно важны для прогностических машин, основанных на машинном обучении.
До сих пор мы не уделили достаточно внимания классификации типов машинного обучения. Нас интересовало в основном контролируемое обучение. Данный метод используется, когда большой объем данных о прогнозируемом предмете уже накоплен. Например, у вас имеются миллионы изображений и вам известно, что на них либо кошка, либо опухоль. Исходя из такого знания, вы обучаете ИИ. Мы как ученые в основном занимаемся контролируемым обучением и знакомим студентов с новым материалом, описывая им проблемы и решения.
Для сравнения: что произойдет, если вы не располагаете данными для прогноза, но по факту можете узнать, насколько были правы? В такой ситуации, как мы уже обсуждали, IT-специалисты применяют методы обучения с подкреплением сигналами от среды взаимодействия: так учатся маленькие дети и животные. Физиолог Иван Павлов звонил в колокольчик, когда кормил собак, и вскоре слюна у них начинала выделяться сразу после звонка. Животные связали звук и еду, выяснив, что после первого сразу появляется второе.
В сфере ИИ наибольший прогресс с помощью этого метода был достигнут в обучении машин компьютерным играм. DeepMind давала ИИ пульт управления к играм, таким как Breakout, и «вознаграждала» за очки, не давая никаких инструкций. ИИ освоил игры Atari и обошел лучших игроков: это обучение посредством использования. ИИ сыграл тысячи раз и совершенствовался, как и люди, – разве что он мог пройти больше игр и действовать быстрее любого человека
[136].
Обучение происходит, когда машина делает ходы и сравнивает данные по ним с прошлым опытом (ходов и баллов). Так она прогнозирует, какие ходы дают больше баллов, а единственный способ научиться – играть. Без этого машина не сможет ни хорошо играть, ни совершенствоваться. Но путь к обучению требует затрат.
Когда задействовать ИИ
Всем знакомым с разработкой ПО известно, что код многократно тестируют для поиска багов. Иногда компании предоставляют программу пользователям, чтобы те нашли баги при стандартном использовании. «Дегустация собачьего корма» (внутреннее тестирование первых версий – полностью: «дегустировать собачий корм собственного производства») и «бета-тестирование» (с привлечением пользователей) – эти формы обучения посредством использования подразумевают кратковременные инвестиции для постепенного улучшения продукта.
Краткосрочные издержки обучения с долгосрочной выгодой аналогичны повышению квалификации сотрудников. Чтобы устроиться в McDonald’s, не требуется специальная подготовка: новички медлительнее и чаще ошибаются, чем их опытные коллеги. Но чем больше клиентов они обслужат, тем лучше их навыки.
Пилоты коммерческих авиалиний также непрерывно наращивают профессиональный опыт. 15 января 2009 года рейс US Airways 1549 столкнулся со стаей канадских гусей, двигатели отказали, и капитан Чесли Салленбергер по прозвищу «Салли» мастерски посадил самолет на реку Хадсон и спас жизни 155 пассажиров. Большинство репортеров приписали его заслуги опыту. Он налетал уже 19 663 часа, в том числе 4765 на Airbus A320. Вот как выразился сам Салли: «Думаю, дело в том, что в течение 42 лет я регулярно вносил маленькие вклады в банк своего опыта, образования и подготовки. И на 15 января там оказалось достаточно средств, чтобы я мог снять столько, сколько нужно»
[137]. Салли и его пассажиры получили выгоду от всех его предыдущих полетов.
Разница в том, что именно называется «неплохо для начала» у начинающих кассиров и пилотов, и в серьезности последствий их ошибок. У пилотов она очевидно выше. Утешает, что сертификацию пилотов проводит Министерство транспорта и Федеральное управление гражданской авиации США и минимальный требуемый опыт составляет не менее 1500 летных часов, 500 часов маршрутных полетов, 100 часов ночных полетов и 75 часов полета по приборам в условиях ограниченной видимости. И это несмотря на то, что пилоты постоянно совершенствуются. Для каждого вида деятельности существует собственное определение того, что такое «достаточно хорошо». То же можно сказать и о машинном обучении.
Компании разрабатывают системы обучения (и обучают) новых сотрудников до приемлемого уровня и затем допускают к работе, зная, что те будут набираться опыта на практике. Но очень важно определить, с чего именно начинается «приемлемый уровень». В случае прогностических машин это стратегическое решение и касается времени, когда следует переходить с внутрифирменного обучения к практике.
