В книге мы избавим вас от математики, лежащей в основе этих методов. Хотим лишний раз подчеркнуть, что все они касаются прогностики: использования имеющейся информации для генерации отсутствующей. Мы поможем вам определить, в каких ситуациях необходимо иметь прогноз и как получить от него максимальную выгоду.
Удешевление прогностики ведет к ее распространению. Снова элементарная экономика в действии: мы покупаем больше товаров или услуг, если цены на них падают. Например, когда в 1960-е годы зарождалась компьютерная индустрия, цена на арифметику начала быстро снижаться, и там, где она была уже востребована, к ней обращались чаще – например, в Бюро переписи населения США, Министерстве обороны США, НАСА (что отображено в фильме 2016 года «Скрытые фигуры»). Позднее новая, дешевая арифметика нашла применение в сферах, к которым прежде не имела отношения, – таких как фотография. Когда-то фотоновинки разрабатывались благодаря химии, но с удешевлением арифметики появилось и соответствующее решение – цифровые камеры. Цифровой снимок представляет собой всего лишь последовательность нулей и единиц, посредством арифметики преобразуемую в визуальное изображение.
То же касается и прогнозов. Они используются в привычных задачах: управлении ресурсами и прогнозировании спроса, – но благодаря удешевлению все чаще применяются в сферах, не относящихся к прогностике. Кэтрин Хауи из Integrate.ai призывает переформулировать любую проблему в контексте прогностики, и современные инженеры всего мира все чаще так и поступают. Беспилотный транспорт существует в управляемой среде уже больше двадцати лет, однако функционировал он при наличии подробных планов этажей на заводах и складах. С поэтажным планом разработчики программировали своих роботов двигаться согласно логической схеме «если, то»: если перед роботом находится человек, то следует команда «стоп». Если полка пуста, то нужно двигаться к следующей. Обычные улицы оставались для роботов недоступными – в городском пространстве может случиться все что угодно – слишком много возникает условий «если, то», всего не предусмотреть.
Беспилотный транспорт не будет работать вне полностью предсказуемой и контролируемой среды до тех пор, пока инженеры не переформулируют проблему навигации в прогностическую. Они уже поняли, что вместо того, чтобы просчитывать для машины действия во всех возможных обстоятельствах, необходимо поставить одну прогностическую задачу: что сделал бы человек? И сейчас компании вкладывают миллиарды долларов в обучение машин беспилотному передвижению в неконтролируемой среде, в том числе на городских улицах и шоссе.
Представьте ИИ сидящим в автомобиле рядом с водителем. Человек проезжает миллионы километров, получает зрительную и звуковую информацию из окружающей среды, обрабатывает ее мозгом и реагирует соответственно: едет прямо или сворачивает, тормозит или разгоняется. Инженеры оснастили ИИ собственными глазами и ушами – датчиками (камерами, радарами, лазерами). Таким образом ИИ собирает поступающие к нему со всех сторон данные, пока человек управляет автомобилем, и одновременно регистрирует реакцию водителя. При совокупности конкретных данных человек поворачивает направо, тормозит или нажимает на газ. Чем дольше ИИ наблюдает за водителем, тем лучше предсказывает его действия, исходя из поступающих данных. ИИ учится водить машину, прогнозируя, как поступил бы человек в соответствующих обстоятельствах.
И вот что самое главное: когда такая важная вводная, как прогноз, дешевеет, возрастает ценность других вещей. Экономисты называют их «дополняющими факторами». Как падение цены на кофе повысило ценность сахара и сливок, так для беспилотных автомобилей падение цены прогноза повышает ценность датчиков сбора данных окружающей среды. Например, в 2015 году Intel заплатила больше $15 млрд за израильский стартап Mobileye, в первую очередь за технологию сбора данных, позволяющую транспортному средству эффективно распознавать объекты (дорожные знаки, людей и т. д.) и разметку (на улицах и дорогах).
Дешевея, прогностика станет использоваться чаще, возрастет количество дополняющих ее факторов: данные базовые экономические силы приводят в действие новые возможности, создаваемые прогностическими машинами. На элементарном уровне они снимут с человека задачи прогнозирования и таким образом снизят издержки. По мере распространения машин прогностика изменит и улучшит качество принятия решений. Но в какой-то момент прогностические машины, вероятно, станут столь точными и надежными, что изменят и деятельность организаций. Некоторые ИИ настолько заметно повлияют на деловую экономику, что перестанут использоваться только для повышения продуктивности в соответствии со стратегией; они изменят саму стратегию.
От дешевизны к стратегии
Руководители постоянно спрашивают нас: «Как ИИ повлияет на нашу стратегию бизнеса?» Проведем для ответа мысленный эксперимент. Большинство людей делали покупки на Amazon. Как и в остальных онлайн-магазинах, вы открываете сайт, находите нужные вещи, кладете их в корзину, оплачиваете и затем получаете по почте. Сейчас модель Amazon такова: «покупка – затем доставка».
Когда вы заходите на сайт, ИИ Amazon прогнозирует, что вы хотели бы купить, и предлагает соответствующие товары. Это целесообразный труд, однако его результаты далеки от идеала. В нашем случае точность прогнозов не превышает 5 %. И мы заказываем одну из множества рекомендуемых вещей. С учетом миллионного ассортимента это совсем не плохо!
Представьте, что ИИ Amazon собрал больше информации о нас и использует ее для улучшения качества прогнозов, – это усовершенствование сравнимо с поворотом регулятора громкости на колонках, только вместо звука регулируется точность прогнозов.
В определенный момент поворота ручки точность прогнозов ИИ достигает порогового значения и меняет бизнес-модель Amazon. Прогнозы становятся настолько точными, что компании выгоднее присылать вам товары, которые вы предположительно захотите купить, чем ждать, пока вы закажете их на сайте.
В таком случае другие магазины вам уже не нужны, а каждая покупка будет стимулировать следующую. Amazon получит основную долю содержимого вашего кошелька. Очевидно, что это выгодно Amazon, но также удобно и вам. Магазин доставляет покупки до того, как вы их совершили, и таким образом избавляет вас от траты времени на шопинг. С поворотом регулятора точности на максимум бизнес-модель Amazon меняется с «покупка – затем доставка» на «доставка – затем покупка».
Разумеется, покупатели не захотят возиться с возвратом нежелательных товаров. Поэтому Amazon вложится в отладку этого процесса – скажем, раз в неделю служба доставки будет собирать невостребованные посылки
[12].
Но если такая бизнес-модель лучше, почему Amazon до сих пор ее не внедрил? Дело в том, что сегодня издержки сбора и обработки возвратов перевешивают рост дохода от основной доли кошелька. Например, сейчас мы вернули бы 95 % доставленных товаров. Это трудоемко для нас и затратно для Amazon. Для освоения новой бизнес-модели прогнозы пока еще недостаточно точны.
