Человек + машина - читать онлайн книгу. Автор: Пол Догерти, Джеймс Уилсон cтр.№ 22

Cтраница 22

Многие тенденции — в частности, растущая доступность пользовательских данных — выводят нас на новый уровень персонализации продукта и его доставки с учетом интересов конкретного клиента. В главе 1 мы разобрали, каким образом благодаря искусственному интеллекту производство кастомизированных продуктов, например автомобилей, становится экономически целесообразным. В главе 2 мы рассказали, как искусственный интеллект может превратить рутинные операции бэк-офиса в персонализированные услуги, повышающие степень удовлетворенности клиента. Искусственный интеллект также задействован в отделах научных исследований и разработок, отвечающих за широкую персонализацию. (Проблема разумного баланса между персонализацией и конфиденциальностью кратко рассмотрена во врезке «Ответственный искусственный интеллект: этика как предпосылка научных открытий»).

Возьмем, к примеру, сферу здравоохранения. Искусственный интеллект открывает нам путь в эпоху «персонализированной медицины», основанной на генетических исследованиях. В прошлом было практически невозможно применять все возможные варианты лечения конкретного пациента и анализировать результаты вручную. Сегодня такие задачи решаются при помощи интеллектуальных систем. Через несколько десятилетий (или ранее) покажется абсурдным, что врачи лечили по одному протоколу самых разных своих пациентов. Каждому человеку будет подбираться индивидуальный курс лечения.

Именно в этом контексте аналитическая компания GNS обрабатывает огромные объемы данных, подбирая препараты и немедикаментозные методы лечения для каждого пациента. По мнению сооснователя компании Хилла, можно улучшить результаты лечения, снизить расходы и сэкономить сотни миллиардов долларов, подбирая препараты в индивидуальном порядке. Сейчас доступно такое множество данных о геномах конкретных пациентов и о чувствительности к разным химическим веществам, что больше не имеет смысла назначать лечение «одно на всех». Персонализированные методы лечения могут решить актуальную проблему, возникающую при клинических исследованиях: около 80% таких испытаний завершаются неудачей из-за индивидуальной несовместимости пациента и препарата ^[61].

Применение искусственного интеллекта на разных этапах НИОКР — в ходе наблюдений, формулирования гипотез, проведения экспериментов и так далее — дает ощутимый положительный эффект. Открытия, путь к которым занимал десятилетие, теперь воспроизводятся за считаные месяцы без какого-либо человеческого вмешательства, благодаря чему существенно экономятся время и ресурсы. Вот почему компании смогли в корне переосмыслить подход к научным исследованиям и разработкам.

В прошлом исследования и разработки далеко не всегда завершались успехом, что оборачивалось ежегодными убытками в десятки миллионов долларов и выше. Именно поэтому компании не спешили рисковать и финансировать фундаментальные исследовательские проекты. Однако с внедрением искусственного интеллекта в «конвейер» НИОКР одни проекты ускоряются, а у других повышается вероятность успешного завершения. В таком случае можно высвободить дополнительные средства на более рискованные — и потенциально наиболее прибыльные и прорывные — исследовательские инициативы.

Типичный пример — фармацевтика. Традиционно разработка нового препарата начиналась с химика-технолога: такие специалисты хорошо умеют концентрироваться на задаче и подыскивать подходящие молекулы. «К сожалению, они успевают проверить в лучшем случае 1% своих идей, — объясняет Брендон Олгуд, технический директор и сооснователь компании Numerate. — Приходится запускать своеобразную сортировку, сужая круг идей, которые, очевидно, можно апробировать. Во многом эта выборка субъективна и основана на здравом смысле» ^[65].

Numerate использует машинное обучение, чтобы выявить соединения, которые с наибольшей вероятностью окажутся максимально эффективными при лечении конкретных заболеваний. Благодаря этой технологии удалось разработать более эффективный препарат, назначаемый больным ВИЧ, всего за шесть месяцев — тогда как разработка нынешнего потребовала десяти лет и $20 миллионов. «Наша система машинного обучения позволяет запрограммировать все эти по-настоящему хорошие идеи, чтобы программа могла перебрать миллиард молекул и сократить это множество до сотни-двух, — говорит Олгуд. — Она позволяет проработать огромное количество идей, до которых мы бы даже не додумались, — я бы назвал такие идеи “экзотическими”, — а теперь у нас появляется возможность их протестировать… программа позволяет нам действовать креативнее, мыслить шире и апробировать разные идеи» ^[66].