Искусственный интеллект (ИИ) сегодня является неотъемлемой частью жизни и уже существенно изменил поведение и судьбы многих людей. Например, появление навигационных систем лишило профессиональных таксистов конкурентного преимущества в знании города, что позволило многим людям работать водителями в сервисах, таких как Uber, полагаясь на подсказки навигатора. Поисковые системы заменили традиционные справочные службы и библиотеки, а онлайн-магазины с интеллектуальными рекомендательными системами вытесняют обычные торговые точки. Подобных примеров множество.
Как и любая новая технология, ИИ со временем становится доступнее, что ведет к увеличению спроса на него. Однако даже самые оптимистичные прогнозы не позволяют точно определить, как именно развитие ИИ повлияет на конкретные компании. Компьютеры, которые в 1980-х рассматривались как устройства для простых вычислений, сегодня управляют беспилотными автомобилями и создают музыкальные произведения.
Чтобы понять, какое влияние ИИ оказывает на бизнес, важно разобраться в его сути и возможностях. В книге, написанной канадскими экономистами и авторами «Лаборатории созидательного разрушения» для высокотехнологичных стартапов, рассматривается процесс построения прогнозов с помощью умных машин и их практическое применение в бизнесе. Предложенная методика декомпозиции бизнес-решений и рекомендации по внедрению инструментов ИИ делают данное произведение полезным для предпринимателей, управленцев, инженеров и студентов экономических и технических специальностей.
ИИ представляет собой инструмент прогнозирования, который заполняет информационные пробелы путем анализа имеющихся данных. Современные вычислительные мощности позволяют обрабатывать объемы информации, недоступные двадцать лет назад. При этом применяются разнообразные методы, включая классификацию, кластеризацию, регрессию, деревья решений, байесовское оценивание, нейронные и капсульные сети, топологический анализ данных, а также глубокое и стимулированное обучение.
Развитие бизнеса в значительной степени связано с прогнозированием спроса, цен, поведения конкурентов, расходов и прибыли. На основе этих прогнозов принимаются управленческие решения. Следовательно, чем точнее и экономичнее становятся прогнозы, создаваемые ИИ, тем активнее они внедряются в повседневную практику компаний.
Несмотря на то, что работу прогностических систем иногда не считают проявлением интеллекта, существуют основания для такой интерпретации. Например, Джефф Хокинс в книге «Об интеллекте» указывает, что префронтальная кора мозга выполняет функцию прогностического органа, что делает аналогию между ИИ и человеческим мозгом обоснованной. Однако в текущий момент ИИ не способен полностью заменить человека, и этому посвящено отдельное обсуждение.
Принцип работы ИИ базируется на трех типах данных: исходных входных данных, данных о критериях исходов и данных о точности прогнозов. Машинное обучение заключается в том, что система на основе этих данных самостоятельно улучшает свои алгоритмы. В отличие от классической регрессии, которая опирается на теоретические модели, машинное обучение корректирует прогнозы с учетом реальной обратной связи.
Гибкость методов машинного обучения позволяет анализировать множество переменных в сочетаниях, которые могут быть недоступны даже опытным аналитикам. Примером ограничений человеческого анализа является финансовый кризис 2008 года, когда локальные оценки рынков недвижимости не учли взаимосвязи между сегментами, что привело к ошибочным прогнозам. ИИ способен обрабатывать огромные объемы данных и учитывать сложные взаимозависимости, создавая более полную и точную картину процессов.
Рост объемов, разнообразия и качества цифровых данных за последние два десятилетия является важным фактором развития ИИ. Широкое распространение датчиков, а также технологии распознавания и оцифровки текстов и изображений создают богатую базу для обучения систем. Однако сбор и хранение данных связаны с финансовыми затратами. Лишь крупные компании, такие как Google и Facebook, обладают ресурсами для накопления практически неограниченных объемов пользовательской информации. Большинство организаций вынуждены самостоятельно определять, сколько средств они готовы инвестировать в получение и обработку данных, чтобы обеспечить эффективное развитие своих ИИ-решений. Для оценки необходимых капиталовложений важно учитывать ряд ключевых вопросов, касающихся объема и качества данных.
