Искусственный интеллект на службе бизнеса - читать онлайн книгу. Автор: Джошуа Ганс, Аджей Агравал, Ави Голдфарб cтр.№ 22

Обычные водители обрели знания с помощью мобильных телефонов, а с прогнозом кратчайших путей смогли предоставлять услуги аналогичного уровня. Качественный машинный прогноз недорог, а человеческий упал в цене, поэтому таксисты пострадали. Количество поездок на лондонских такси снизилось из-за наплыва конкурентов. Они тоже обладали навыками вождения и человеческими «датчиками» – дополнительные ресурсы, поднявшиеся в цене с удешевлением прогнозов.

Разумеется, вероятно, что в конце концов на смену всем придут беспилотные автомобили, но к этому мы еще вернемся. Суть в том, что для понимания последствий распространения машинного прогноза требуется знать различные аспекты принятия решений, описанные в их анатомии.

До этого момента мы не совсем точно определяли суждение. Попробуем объяснить его с помощью инструмента для принятия решений – дерева решений ^[66]. Оно особенно пригодится для условий неопределенности, когда вы не уверены в последствиях своего выбора.

Для примера рассмотрим привычную ситуацию. Взять ли зонтик, отправляясь на прогулку? Все знают, что такое зонтик – штука, которую держат над головой, чтобы не промокнуть, но в данном случае это еще и своего рода страховка от дождя. Итак, для всех касающихся страховки решений для снижения риска применяется следующая схема.

Рис. 5.2. Брать ли зонтик?

Конечно, если вы уверены, что дождь не пойдет, то оставите зонтик дома. Если же точно знаете, что пойдет, то возьмете с собой. На рис. 5.2 этот процесс представлен в древовидной диаграмме. У основания дерево расходится на ветви: «взять зонтик» и «оставить зонтик». От них отходят еще две ветви, описывающие то, в чем вы не уверены: «дождь» и «ясно». Без прогноза погоды вы об этом не узнаете, но, возможно, заметили, что в это время года вероятность ясной погоды в три раза выше дождя. Мы готовы приложить усилия к вынесению суждения в случаях, когда раньше предпочитали не решать (то есть принимали все по умолчанию).

В трех случаях из четырех будет ясно, а в одном – дождь. Это ваш прогноз. И, наконец, последствия представлены на кончиках ветвей. Если не взять зонт и пойдет дождь, вы промокнете и т. д.

Какое решение принять? Здесь поможет суждение, то есть процесс определения вознаграждения за конкретное действие в конкретных обстоятельствах. Нужно выяснить, какую цель вы преследуете. Для вынесения суждения следует задать так называемую функцию вознаграждения, сопоставить положительные и отрицательные результаты конкретных действий, приводящих к конкретным исходам. Промокнуть или нет? Обременять себя тяжелым зонтом или нет?

Предположим, вы хотите не промокнуть и не брать зонт (присваиваете этому варианту рейтинг 10 из 10), а не просто не промокнуть, но лучше возьмете зонт (8 из 10), чем промокнете (однозначно 0; рис. 5.3). Этих данных достаточно для выбора действия.

Рис. 5.3. Брать или не брать зонтик: средняя отдача

С вероятностью дождя 1:4 и суждением о том, чтобы промокнуть или нести зонтик, вы можете просчитать усредненную отдачу от двух вариантов – брать или не брать зонтик. Исходя из этого получается, что лучше его взять (средняя отдача 8), чем оставить (средняя отдача 7,5) ^[67].

Если таскать с собой зонт совсем неохота (6 из 10), все равно можно вынести суждение о предпочтениях. В случае если вы не захватите с собой зонт, средняя отдача останется прежней (7,5), но, если возьмете, она составит уже 6. Ненавистники зонтиков оставят их дома.

Пример, конечно, пустяковый: понятно, что люди, предпочитающие промокнуть, лишь бы не тащить с собой зонт, оставят его дома. Но такое дерево решений пригодится и для расчета средней отдачи для нетривиальных решений, поскольку суждение в них особенно важно. Здесь действие – взять зонтик, прогноз – дождь или ясно, исход – промокнуть или нет, а суждение – насколько вы будете довольны («отдача») промокнуть или не промокнуть, с зонтиком или без него.

Прогнозы становятся лучше, быстрее и дешевле, мы чаще будем пользоваться ими для принятия решений, поэтому нам понадобится больше человеческих суждений, и, следовательно, их ценность возрастет.

• Прогностические машины представляют собой ценность:

• потому что почти всегда дают более точный, быстрый и дешевый прогноз, чем люди;

• прогноз есть ключевая составляющая принятия решений в неопределенности;

• решения принимаются повсеместно в экономической и частной жизни.

• Однако сам по себе прогноз – не решение, а только одна из его составляющих; остальные – суждение, действие, исход и три типа данных (входные, обучающие и обратной связи).

• Разбив решение на составляющие, мы можем проследить влияние прогностических машин на ценность человека и других ресурсов. Ценность аналогов прогностических машин, а именно человеческих прогнозов, будет снижаться. При этом ценность других составляющих, таких как навыки человека в сборе данных, вынесении суждения и совершении действий, будет расти. Лондонские таксисты вложили три года в получение знаний – необходимых для прогноза кратчайшего пути из одной точки в другую в конкретное время суток, – и их профессионализм с появлением прогностических машин никуда не делся. Но и другие водители теперь могут выбирать оптимальный маршрут с помощью прогностических машин. Прогностические навыки таксистов больше не являются дефицитным ресурсом. А навыки вождения и человеческие «датчики» (глаза и уши) были и у других водителей, а сейчас стали эффективнее благодаря прогностическим машинам, что привело к росту конкуренции.

• Суждение заключается в определении относительной отдачи для всех возможных исходов решений, как «верных», так и ошибочных. Суждение представляет собой необходимый этап принятия решений и требует уточнения преследуемой цели. Поскольку прогностические машины выдают все более точные, быстрые и дешевые прогнозы, ценность человеческих суждений будет расти вследствие повышения спроса.

С повышением точности прогнозов ценность суждений растет. Ведь информация о вероятности дождя не поможет ничем, если вы точно не знаете, что вам важнее – не промокнуть или не обременять себя зонтиком.