Искусственный интеллект на службе бизнеса - читать онлайн книгу. Автор: Джошуа Ганс, Аджей Агравал, Ави Голдфарб cтр.№ 48

• ИИ повысит стимулы к владению данными. Тем не менее аутсорсинг данных бывает необходим, когда обеспечиваемые данными прогнозы для организации стратегически не важны. В таких случаях оптимально заказывать непосредственно прогнозы, а не данные для самостоятельного их составления.

В марте 2017-го во вступительном слове к ежегодному событию I/O СЕО Google Сундар Пичаи объявил, что компания «вместо мобильных устройств начинает ориентироваться на ИИ». Затем последовал ряд заявлений с упоминанием ИИ в той или иной форме: от разработки специальных чипов для оптимизации машинного обучения до использования глубокого обучения в новых программах, в том числе по исследованию онкологических заболеваний, с целью внедрения ИИ-ассистента Google в как можно большее количество устройств. Пичаи сообщил, что компания переходит «от поиска и организации мировой информации к ИИ и машинному обучению».

Заявление в большей степени касалось стратегии, чем основополагающей концепции компании. Основатель Google Ларри Пейдж подчеркнул это в 2002 году:

В этом смысле Google уже много лет идет по пути создания ИИ. И лишь недавно открыто поставила технологии ИИ в центр всей своей деятельности.

Google не одинока в данной стратегической приверженности; Microsoft анонсировала «ориентированные на ИИ» намерения, также отодвинув на второй план мобильные устройства и облака ^[131]. Но что означает ориентированность на ИИ? В отходе от приоритизации мобильных устройств ориентация на них – это привлечение к ним трафика и оптимизация пользовательского интерфейса даже в ущерб всему сайту и другим платформам. Последнее имеет стратегическое значение. Цель – «качество воспроизведения на мобильном устройстве». Стремление к ней даже во вред остальным каналам и есть настоящая приверженность стратегии.

Что это значит в контексте приоритизации ИИ? Руководитель исследований Google Питер Норвиг отвечает:

Хороший ответ для IT-специалиста: в нем подчеркнута техническая эффективность и, в частности, точность, но подразумевается кое-что еще. Если ИИ оказывается на первом месте (максимизации прогностической точности), то что на втором?

Экономисту очевидно, что в любом утверждении вроде «мы направим свое внимание на Х» подразумевается компромисс. Что-то придется принести в жертву. Чем чревато возведение прогностической точности во главу угла? Ответ подскажет ключевая экономическая структура: ориентация на ИИ означает выделение ресурсов на сбор данных и обучение (долгосрочная цель) в ущерб важным краткосрочным вопросам, таким как мгновенный опыт пользователя, прибыль и количество пользователей.

Освоение стратегии ориентирования на ИИ заключается в приоритизации качества прогнозов и поддержке машинного обучения даже в ущерб краткосрочным факторам, таким как удовлетворение потребителей и операционные показатели. Сбор данных означает использование ИИ, качество которого пока ниже оптимального уровня. Основная стратегическая дилемма заключается в выборе следующих действий: приоритизировать обучение или защищать другие аспекты от потерь производительности, которые повлечет за собой применение ИИ.

Все компании подойдут к этой дилемме по-своему и сделают разный выбор. Но почему Google, Microsoft и другие технологические компании выносят ИИ в приоритет? Не стоит ли остальным последовать их примеру? Или у них есть что-то особенное?

Отличительная черта этих компаний состоит в том, что они уже собирают и генерируют огромный объем цифровых данных и работают в неопределенной среде. Прогностические машины, вероятно, обеспечат их инструментами, которые они будут активно использовать в своих продуктах. Инструменты, включающие точный и дешевый прогноз, пользуются спросом и наряду с этим предоставляют преимущества со стороны предложения. В данных компаниях уже есть технические сотрудники для разработки и применения машинного обучения.

Если соотнести крупные технологические компании с примером гибридной кукурузы, они подобны фермерам Айовы. Но технологии ИИ обладают еще одной важной характеристикой. Учитывая, что для обучения требуется время, а оно часто приводит к снижению производительности (особенно для потребителя), у него есть общие черты с «подрывными технологиями» (как их назвал Клэй Кристенсен): давно функционирующим компаниям будет сложнее освоить их быстро ^[133].

Рассмотрим новую ИИ-версию существующего продукта. Для разработки продукта нужны пользователи. И у первого будет не самый лучший пользовательский опыт, потому что ИИ необходимо учиться. Компания с большой базой клиентов может привлечь их к использованию продукта для получения обучающих данных. Однако клиенты вполне довольны тем, что имеют, и могут не пожелать переходить на новый, пока не совершенный ИИ-продукт.

Это классическая «дилемма инноватора» – давно существующие компании не хотят портить сложившиеся отношения с клиентами даже ради улучшений в долгосрочной перспективе. Дилемма возникает, когда изначально инновации недостаточно хороши для удовлетворения клиентских запросов, но вполне годятся для новых стартапов, чтобы создать продукт для небольшого количества потребителей в ограниченной нише. Со временем стартап набирается опыта и в конце концов обретает способность разработать качественный продукт и переманить клиентов у более крупного конкурента (он на этот момент уже безнадежно отстал, и стартап берет над ним верх). ИИ требуется обучение, и вкладываться в него в большей степени склонны стартапы, а не состоявшиеся компании.