Все права защищены.

Никакая часть данной книги не может быть воспроизведена в какой бы то ни было форме без письменного разрешения владельцев авторских прав.

© 2022 Ajay Agrawal, Joshua Gans, and Avi Goldfarb

This edition published by arrangement with Levine Greenberg Rostan Literary Agency and Synopsis Literary Agency

© Издание на русском языке, перевод, оформление. ООО «Манн, Иванов и Фербер», 2024

Британский словарь английского языка Collins назвал аббревиатуру AI (ИИ, «искусственный интеллект») словом 2023 года не случайно. Частота употребления этого словосочетания в обществе возрастает с пугающей скоростью. И дело не только в распространении больших языковых моделей и расширении доступа к сервисам на их основе. Сегодня ИИ, помимо решения сложных задач, успешно применяется и для постановки самих задач.

В Университете Иннополис мы работаем над медицинскими сервисами для распознавания легочных патологий и рака по медицинским снимкам, ведем проекты по поиску новых материалов и лекарств с заданными свойствами, а также работаем над еще не решенными в мире задачами – такими, как автогенерация кода.

Мы держим в постоянном фокусе практическую пользу технологий ИИ для решения прикладных задач бизнеса: спрос на проекты с применением технологий машинного обучения и компьютерного зрения растет, требования усложняются. Но предсказанного футурологами лавинообразного внедрения технологий ИИ во все сферы нашей жизни мы еще не видим. В ходе собственного исследования о влиянии ИИ на бизнес, которое Университет Иннополис провел в рамках первой международной конференции AI IN 2023, показал, что барьеров все еще немало. Это и нехватка профильных специалистов и их компетенций, и недостаточная зрелость технологий, и высокая стоимость внедрения.

Экономика ИИ – обширная область исследования с отрезвляющими результатами, в которую нас погружают авторы этой работы вместе с экспертами и представителями лидирующих технологических компаний. Эта книга будет полезна всем, так как она повествует не только о применении ИИ для составления прогнозов и цене ошибок, но и о влиянии искусственного интеллекта на частный бизнес и процессы мировой экономики.

Когда в 2018 году из печати вышла наша книга «Искусственный интеллект на службе бизнеса. Как машинное прогнозирование помогает принимать решения»[1], нам казалось, что в ней сказано все, что надо знать об экономике искусственного интеллекта (ИИ). Мы ошибались.

Понимая, что развитие технологий не остановится (тогда ИИ находился в зачаточном состоянии), мы считали, что экономика инноваций полностью сформировалась. Технологии изменятся, экономика – нет. Ее основы, актуальные и сегодня, мы описали в издании «Искусственный интеллект на службе бизнеса». Однако в книге изложена лишь часть истории – та, что касалась точечных решений. За прошедшие годы мы обнаружили, что осталась неохваченной другая, не менее важная часть, а именно системные решения. Их-то мы и обсудим. Но почему мы упустили ключевую информацию? Чтобы объяснить это, вернемся в 2017 год, когда мы работали над «Искусственным интеллектом на службе бизнеса».

Тогда прошло уже лет пять с тех пор, как канадские первопроходцы в области ИИ продемонстрировали высочайшую эффективность глубокого обучения для классификации изображений. Новая технология вызвала прямо-таки взрывной интерес. Повсюду говорили об ИИ – высказывались предположения, что именно он выведет Канаду на мировой технологический уровень. Причем считалось, что это просто вопрос времени.

Мы создали научно-исследовательскую стартап-программу ЛСР с направлением, посвященным ИИ. Все спрашивали: «Где, по-вашему, появится первый канадский ИИ-единорог – стартап с миллиардной капитализацией?» Мы ставили на Монреаль. Или Торонто. А возможно, на Эдмонтон.

Ставки делали не только мы, но и канадское правительство; 26 октября 2017 года мы принимали премьер-министра Канады Джастина Трюдо на нашей ежегодной конференции «Машинное обучение и рынок интеллектуальных систем» по ИИ в ЛСР. В своем выступлении он подчеркнул важность инвестирования в кластеры – группы связанных между собой участников (крупных предприятий, стартапов, университетов, инвесторов и талантливых специалистов), объединенных отраслью и расположенных на одной территории. Их сотрудничество дает больший результат, чем в случае, если бы они действовали по отдельности. Это способствует развитию инноваций и созданию рабочих мест. Ключевое условие – территориальная близость участников. Несколько месяцев спустя правительство объявило, что инвестирует крупную сумму в пять новых «суперкластеров», один из них – специализирующийся на ИИ, в Монреале.

Мы не сомневались в своих представлениях о коммерциализации ИИ и считали себя мировыми экспертами в этой области. Мы написали бестселлер по экономике искусственного интеллекта, опубликовали множество научных статей и управленческих докладов на эту тему, были соредакторами книги Economics of Artificial Intelligence: An Agenda («Экономика искусственного интеллекта: актуальная повестка»), которая стала основным пособием для аспирантов по этой теме. Мы разработали программу коммерциализации ИИ, которая, насколько нам известно, привлекла больше профильных компаний, чем другие подобные инициативы. Мы выступали с докладами перед лидерами бизнеса и членами правительств по всему миру, участвовали в работе политических комитетов, целевых групп и круглых столов, связанных с ИИ.

Наша точка зрения, согласно которой ИИ следует рассматривать как инструмент прогнозирования, нашла отклик у практиков.

Нас приглашали выступить в Google, Netflix, Amazon и Microsoft. Руководитель отдела исследований и развития в одном из крупнейших в мире стриминговых музыкальных сервисов Spotify Густав Седерстрём отозвался о нас в интервью: «[Авторы] прекрасно выразили это в своей книге “Искусственный интеллект на службе бизнеса”. Представьте, что точность прогнозирования системы машинного обучения – это ручка громкости на радиоприемнике… [П]овернув ее до определенной точки – и достигнув определенного уровня точности, – вы понимаете: что-то не так. Вы переступаете черту, за которой следует переосмысление бизнес-модели и продукта на основе машинного обучения… С Discover Weekly мы перешли от парадигмы покупки – доставка к парадигме доставка – покупки, как это описано в [вышеупомянутой книге]. Мы достигли такого уровня точности [прогнозирования], что вслед за еще более совершенными инструментами для составления плейлистов начали предлагать пользователям еженедельные подборки, из которых можно было выбирать и сохранять действительно полюбившиеся треки. От “еще более эффективных инструментов для формирования плейлиста” мы совершили переход к концепции “вам больше никогда не придется составлять плейлист”».

Наш подход к разработке в условиях, когда качественное прогнозирование обходится очень дешево, имеет практическое значение и дает представление о стратегии развития ИИ.