Три ключевых навыка для построения интеллектуальных систем
Начавшись с истории глубокого анализа данных LexisNexis®, LexisNexis Risk Solutions помогает клиентам оценивать, предсказывать и управлять рисками во множестве отраслей (в том числе страхование, банковский сектор, розничная торговля, здравоохранение, коммуникации и бюджетный сектор).
За стратегию платформы и разработку нового продукта отвечают д-р Флавио Вилланустре (Flavio Villanustre), вице-президент по технологической инфраструктуре и разработке продукта, и Дэвид Гловацки (David Glowacki), вице-президент по инженерному проектированию продукта. Они участвуют в ряде проектов, задействующих большие данные, аналитику и машинное обучение, отвечают за команды, строят и запускают машины, которые начинают уметь (почти) все.
Они создали не одну, а множество интеллектуальных систем, которые помогают клиентам в управлении разногласиями, выявлении мошенничества, отслеживании результатов лечения, рисков и других основных бизнес-процессов. В работе они пришли к определенным умозаключениям, которые можно применить к вашему бизнесу.
Данные без интеллектуальной системы – просто белый шум. Многие компании, с которыми мы работали, все еще не могли разобраться с новыми сырьевыми материалами. Лидеры закопались не только под своими данными, но и под многочисленными инструментами – API-библиотеки, онлайн-программы межмашинного обучения, решения на основе облаков, автоматизированные системы и так далее. Хотя иметь так много инструментов и широко доступных возможностей – это хорошо, но такое количество опций может оказаться и ошеломляющим, может подавлять.
Интеллектуальные системы, как та, что построил LexisNexis, оживают, когда присоединяют данные к признанным и значительным результатам. Как заметил Вилланустре: «Цель – взять неразрешимую задачу, что-то, с чем будет бесконечно трудно разобраться человеку, и сократить ее до набора блоков данных, чтобы представить исследователю или аналитику из ФБР и получить из этого достаточно информации, в которую можно погрузиться и дать начало расследованию, если эксперты сочтут, что оно того стоит».
Вилланустре продолжает: «Лидеры добиваются лучшей реализации: какие бы данные они ни собирали – через экономические операции и другие сведения, полученные в процессе ведения бизнеса, – все данные имеют какую-либо ценность. Добавив блок данных к другому блоку данных, вы потенциально способны совершить что-то совершенно новое».
Не считайте, что должны сделать все это сами. Как мы уже говорили, сегодня многие решения на основе искусственного интеллекта просто не доступны в «готовом» виде. Именно здесь вступают такие компании, как LexisNexis и другие. «Мы твердо уверены, что будущее за инструментами, дающими возможности, – говорит Вилланустре. – Иметь возможность взять все наличные ресурсы и представить их в осмысленном виде пользователю, который, возможно, обладает глубокими познаниями в конкретной области, но не обладает какими-то техническими знаниями, значит, расширить число людей, которые могут по-настоящему «рыть землю» и извлекать пользу из имеющихся у нас ресурсов».
Рекомендации для руководителей заключаются в том, чтобы сосредоточиться на конкретных процессах и опыте, который вы хотите воплотить в интеллектуальной системе. Если вы определили процесс или опыт, к которому хотели бы применить новую машину, выясните, существует ли готовое решение у партнеров (как LexisNexis). И хотя может быть правильным купить часть сервисов у общего провайдера платформ (например, Google, Amazon Web Services, Palantir, Microsoft и др.), будьте готовы к серьезной работе по конфигурации, чтобы сделать технологию полностью подходящей под требования вашего бизнеса.
Если ваша интеллектуальная система хороша, вам не понадобятся десять тысяч специалистов по обработке данных. Если системы оснащены измерительными приборами, вы получаете поток данных. Общий рефлекс компаний – нанять кучу специалистов по обработке данных, чтобы разбирались в информации. Изначально это может быть правильным порывом, но со временем справляться все равно будет трудно.
Гловацки и его команда ясно осознают, что бремя разгребания информации должно перейти от людей к платформе: «Со временем простое получение доступа к горе информации уже не поможет». Именно здесь интеллектуальные системы имеют решающее значение, поскольку действительное «создание смыслов» может и должно быть прописано в ИИ.
Как заметил Вилланустре: «Почему сегодня так трудно найти специалиста по обработке данных? Потому что вы как будто пытаетесь найти единорога. Вы пытаетесь найти кого-то с хорошими программными навыками, обладающего системными, глубокими познаниями в математике, в физике, а также инженерным и аналитическим умом, чтобы решать проблемы и создавать программы. Этот специалист также должен быть экспертом в конкретной области, понимать, к чему идет, и разбираться в данных. Мы говорим о ком-то, кого не существует… Единственный, кого вы не можете заменить, это эксперт в данной области. Все остальное может быть сделано машиной».
От ничего к ценности
При более детальном взгляде на интеллектуальные системы возникает много глубоких, стратегических, даже экзистенциальных вопросов. Что есть универсальный магазин в эпоху Amazon? Что есть отель во времена Airbnb? Что такое автомобильная страховка в эпоху беспилотных автомобилей?
При том, насколько серьезны эти вопросы, заманчивой кажется мысль о том, что то, что мы зовем главным трендом, на самом деле – лишь кратковременное поветрие или последняя теория в консалтинге. Мы слышим это постоянно: «Может быть, это проблема завтрашнего дня? Может быть, надо подождать, пока законодательство или разрушительная сила каких-то происшествий изменит нашу отрасль».
Мы не согласны. Каждый проходящий день дает все больше свидетельств и усиливает убежденность в том, что новые машины, которые мы рассмотрели в этой главе, служат двигателем Четвертой индустриальной революции. Мы уже преодолели теоретическую фазу. Люди и компании, понимающие преимущество первых, – не все гении или легендарные предприниматели. Они такие же люди, как вы, использующие новые технологии для решения своих главных проблем.
Помните, построить собственную новую машину становится все легче, даже несмотря на то, что в какие-то моменты потребуется некоторое стороннее участие. Все чаще вы можете достать кредитную карту и получить доступ к коду машинного обучения, инфраструктуре или базам данных. Облачная платформа Google дает немедленный доступ к нейронным сетям платформ машинного обучения24. Машинное обучение Amazon предоставляет доступ к платформам прогнозной аналитики, обеспечивающим рекомендациями платежеспособных лиц и предприятия25. Всего несколько лет назад это стоило бы компаниям миллионы и занимало бы месяцы.
Все сегодняшние создатели новых машин говорят одно и то же: поместить узкий ИИ в сердце интеллектуальной системы – это не теоретическое упражнение, это возможно, и это происходит сегодня. И настоящим турбонаддувом этого взрыва активности служит то, что топливо для новых машин находится вокруг нас, если вы сможете его увидеть, собрать и использовать, что и является темой следующей главы.
Глава 5
Ваш новый сырьевой материал: Данные лучше, чем нефть
Катализатором каждой индустриальной революции служили сырьевые материалы: уголь, сталь, нефть, электричество. В этот раз главное сырье – это данные.
В этой революции побеждающие организации точно знают, как двигатель Е17BBI работает во время перелета V26 из Нью-Йорка в Лондон. Они знают, как предполагаемый рост процентной ставки в 0,5% в Новой Зеландии повлияет на выпущенные правительством штата Калифорния облигации с нулевым купонным доходом еще до их выпуска. Они знают, как их ребенок отвечает на сегодняшнем уроке по дифференциальному исчислению. Как же они это знают? Потому что имеют данные.
