Несмотря на то, что системы с ИИ сейчас могут обучиться игре и побеждать чемпионов через несколько часов, их сложно применять в бизнес-приложениях.
MIT Sloan Management Review и Boston Consulting Group опросили 3 000 руководителей бизнеса и выяснили, что, хотя 85% из них считают, что ИИ предоставит их компаниям конкурентное преимущество, только 1 из 20 «широко» включил его в свои предложения или процессы. Проблема заключается в том, что внедрение ИИ не так просто, как установка программного обеспечения. Это требует знаний, видения и информации, которая является труднодоступной.
Когда вы смотрите на известные приложения с ИИ, такие как AlphaGo Zero от Google, создается впечатление, что это похоже на волшебство: ИИ обучился самой сложной настольной игру в мире всего за три дня и обыграл чемпиона; ИИ от Nvidia может генерировать фотореалистичные изображения людей, которые выглядят как знаменитости, просто просматривая их фото.
AlphaGo и Nvidia использовали технологию, называемую генеративными состязательными сетями, которая разбивает две системы с ИИ, чтобы они могли учиться друг у друга. Хитрость заключалась в том, что до того, как сети соперничали, они прошли большое обучение. И, что более важно, их задачи и результаты были четко определены.
Но большинство бизнес-задач нельзя превратить в игру; здесь более двух игроков и нет четких правил. Результаты бизнес-решений редко бывают очевидными победами или потерями, и слишком много переменных. Для компаний намного сложнее реализовать ИИ, чем кажется.
Современные системы с ИИ реализуются так, чтобы подражать функционированию нейронных сетей человеческого мозга, но делать это очень ограниченно. Они используют метод, называемый глубоким обучением, который регулирует отношения компьютерных инструкций, разработанных по аналогии с поведением нейронов. Проще говоря, вы сообщаете ИИ чему хотите его обучить и предоставляете ему четко обозначенные примеры, а он анализирует шаблоны в этих данных и сохраняет их для будущего применения. Точность шаблонов зависит от данных, поэтому чем больше примеров вы даете, тем лучше.
Вот здесь и проблема. ИИ настолько хорош, насколько данные, которые он получает. ИИ способен интерпретировать их только в узких пределах контекста. Он не «понимает» то, что он проанализировал, поэтому не может применить свой анализ к сценариям в другом контексте. И он не может отличить причинность от корреляции. AI больше похож на таблицу Excel на стероидах, чем на мыслящий субъект.
Большая трудность в работе с такой формой ИИ заключается в том, что то, что он изучил, остается загадкой, набором неопределенных реакций на данные. Когда тренируется нейронная сеть, даже ее разработчик точно не знает, как она делает то, что делает. Как объясняет профессор Нью-Йоркского Университета Гэри Маркус, системы глубокого обучения имеют миллионы или даже миллиарды параметров, идентифицируемых их разработчиками только с точки зрения их географии в сложной нейронной сети. По словам исследователей, это «черный ящик».
Говоря о новых разработках в AlphaGo, исполнительный директор Google/DeepMind Демис Хасабис сказал: «ИИ не играет как человек, и не играет, как программа. Он играет каким-то дркугим, инопланетным способом».
Компании не могут позволить себе, чтобы их системы принимали инопланетные решения. Они сталкиваются с нормативными требованиями и репутационными проблемами и должны быть способны понимать, объяснять и демонстрировать логику каждого решения, которое они принимают.
Для того, чтобы ИИ стал более ценным, он должен иметь возможность видеть общую картину и включать в себя гораздо больше источников информации, чем компьютерные системы, которые он заменяет.
В управлении запасами, например, решения о покупке обычно производятся опытными лицами, называемыми закупщиками. Их системы показывают уровни запасов в магазине, и они используют свой опыт и инстинкты для размещения заказов. ИИ мог бы консолидировать данные из всех отделов, чтобы увидеть более крупные тенденции, и связать их с социально-экономическими данными, запросами на обслуживание клиентов, спутниковыми изображениями парковочных мест конкурентов, прогнозами Weather Company и другими факторами. Многие розничные торговцы, включая Amazon.com, делают некоторые из этих вещей.
ИИ быстро развивается и, несомненно, упростит очистку и интеграцию данных. Но бизнес-лидерам все равно нужно будет понять, что он на самом деле делает, им нужно видеть его преимущества.