Джошуа Ганс – От предвидения к власти. Как ИИ-прогнозирование трансформирует экономику и как использовать его силу в своих целях (страница 2)

NASDAQ приобрела не что иное, как искусственный интеллект. Verafin вложила значительные средства в создание инструментов, позволяющих выявлять случаи мошенничества, отмывания денег и подтверждать личность клиентов банка. Для финансовых организаций это критично с точки зрения деятельности в целом и соблюдения регламентов в частности. В основе таких программных решений – анализ больших данных, которые наиболее объемны именно у банков и кредитных кооперативов.

При зрелом размышлении лидерство финтеха Verafin уже не кажется случайным. Оно было неизбежным. Сосредоточившись на возможностях инструментов прогнозирования, мы не учли вероятности их реального коммерческого использования. Увлекшись экономическими последствиями собственно внедрения ИИ – снижением стоимости прогнозирования, мы недооценили экономические последствия, к которым приведет создание новых систем со встроенным ИИ.

Вместо того чтобы оценивать производство самых современных моделей машинного обучения, нам стоило обратить внимание на приложения, ориентированные на устранение проблем прогнозирования. Такие приложения встраиваются в системы, которые работают на базе машинного прогнозирования, но так, что не вытесняют человеческий труд. Нам следовало обратить внимание на компании, которые интегрировали предиктивную аналитику в рабочий процесс и располагают большим штатом специалистов, анализирующих данные. И тогда мы бы сразу выяснили, что большинство таких организаций – финансовые, где целые отделы аналитиков прогнозируют мошенничество, отмывание денег, нарушение санкций и другие преступные действия. Затем мы поискали бы небольшие компании, использующие последние достижения в области ИИ для решения этих проблем. И тогда мы бы узнали, что в Канаде на тот момент всего несколько подобных компаний – и одна из них Verafin, со штаб-квартирой в Сент-Джонсе (Ньюфаундленд).

Настало время вернуться назад и подумать об экономике ИИ. Подход Verafin весьма напоминал сценарий, описанный в книге «Искусственный интеллект на службе бизнеса». В этом не было ничего удивительного. Менее очевидны причины, по которым многие другие приложения требуют гораздо больше времени для масштабного развертывания. Стало явно, что необходимо учитывать экономику не только самой технологии, но и систем, в которых она задействована. Мы должны понять, почему ИИ быстро внедрялся для автоматического обнаружения мошенничества в банковской сфере и рекомендаций товаров в электронной коммерции и медленно – для автоматического андеррайтинга в страховании и поиска лекарств в фармацевтике. Наша задача – разобраться, какие экономические силы к этому привели.

Не только мы недооценивали сложности внедрения ИИ в существующие организационные структуры. Наш коллега из Университета Торонто Джеффри Хинтон, получивший прозвище Крестный Отец ИИ за свою новаторскую работу в области глубокого обучения, в своих прогнозах, возможно, также недооценивал трудности внедрения. Ранее он говорил: «Если вы, например, рентгенолог, то сейчас вы в положении койота, который уже добрался до края обрыва, но еще не посмотрел вниз и не понял, что дальше земли нет. Сейчас уже нет смысла обучать этой специальности. Совершенно очевидно, что в течение пяти лет глубокое обучение будет работать лучше, чем люди». Он был прав в том, что касается темпов технического прогресса: сегодня ИИ превосходит рентгенологов в широком спектре диагностических задач. Однако спустя пять лет после его высказывания Американский колледж рентгенологии сообщает, что число желающих освоить эту специальность не уменьшилось.

На каком-то этапе мы осознали, что переживаем уникальный момент в истории – «междувременье»: потенциал ИИ уже очевиден, но он еще не получил широкого распространения. В некоторых случаях внедрение инноваций представляет собой точечные решения. Они прямолинейны. Где-то применение ИИ сводится к простой замене старой машинной предиктивной аналитики на более новые инструменты (это происходит быстро – например, как в Verafin). Но где-то надо перестроить продукт или услуги, а также производящую их компанию, чтобы полностью реализовать преимущества ИИ и оправдать затраты на его использование. В таком случае бизнес и власти стремятся найти выгодный путь.

Мы сместили акцент с исследования нейронных сетей на изучение человеческого познания (как мы принимаем решения), социального поведения (почему в одних отраслях люди стремятся быстро освоить ИИ, а в других – сопротивляются), производственных систем (как одни решения зависят от других) и отраслевых структур (как мы скрываем некоторые решения, чтобы оградить себя от неопределенности).

Чтобы разобраться в этом, мы встречались с руководителями компаний, менеджерами по продуктам, предпринимателями, инвесторами, специалистами по обработке данных и учеными, внедряющими ИИ. Мы проводили семинары и конференции с участием экспертов и политиков, а также внимательно изучали, что работает, а что нет в сотнях финансируемых венчурными фондами стартапов в области ИИ.

Конечно, мы обратились к базовым принципам экономики в эмпирических исследованиях экономики ИИ – эта сфера бурно развивается, хотя едва ли существовала всего несколькими годами ранее, когда была написана книга «Искусственный интеллект на службе бизнеса». Мы начали аккумулировать собранную информацию и формировать экономическую концепцию, в которой различались бы точечные и системные решения. Она помогла бы не только объяснить парадокс Verafin, но и спрогнозировать следующую волну внедрения ИИ. Фокус на системных, а не на точечных решениях помогает объяснить, как эта технология в итоге охватит все отрасли, укрепив позиции одних компаний и ослабив другие. Пришло время написать еще одну книгу. Именно ее вы держите в руках.

Часть I. Межвременье

Глава 1. Притча о трех типах предпринимателей

Электричество изменило наше общество. Оно повлияло на образ жизни человека: мы получаем недорогое и безопасное освещение, стоит щелкнуть выключателем, а холодильники, стиральные машины, пылесосы и другие приборы значительно облегчают быт. Оно повлияло и на рабочие места, вдохнув новую жизнь в промышленные предприятия. Что потребовалось для этих коренных изменений? Время.

Электричество настолько распространено, что трудно представить мир без него, а ведь на рубеже ХIХ и XX веков, через два десятилетия после изобретения лампы накаливания, его не было практически нигде. В 1879 году Эдисон продемонстрировал усовершенствованную им электрическую лампочку, а всего через несколько лет запустил электростанцию Pearl Street Station на Манхэттене и осветил улицы. Однако двадцать лет спустя всего 3 % американских домохозяйств и едва ли большая доля фабрик были обеспечены электричеством (см. рис. 1.1). Еще через два десятилетия в домохозяйствах этот показатель вырос до 50 %. Период межвременья для электричества занял сорок лет.

Рис. 1.1. Распространение электричества в США

Источник: Paul A. David, Computer and Dynamo: The Modern Productivity Paradox in a Not-Too-Distant Mirror (working paper #339, Stanford University, Department of Economics, 1989), twerp339.pdf (warwick.ac.uk).

Тогда энтузиазма по его поводу было много, а реальных результатов мало. Сегодня, когда появляются новые радикальные технологии, мы склонны забывать об этом опыте. Свет зажегся, но перемены происходили постепенно. И свет ИИ зажегся тоже. Но впереди еще много работы. Сейчас мы находимся в своего рода межвременье: нам уже известны возможности технологии, но ее потенциал пока полностью не реализован – она не внедряется повсеместно. Будущее ИИ пока неопределенно. Но мы уже наблюдали подобную картину с электричеством. Поэтому, чтобы понять проблемы, стоящие перед коммерциализацией ИИ, поставьте себя на место предпринимателей 1880-х годов. Электричество – это будущее. Но как в него попасть?

Во второй половине XIX века экономику двигала энергия пара. Уголь использовался для нагрева воды, в результате вырабатывалась энергия, приводившая в движение рычаги, шкивы и ремни, а они, в свою очередь, запускали промышленные станки. По общему мнению, именно пар стал движущей силой экономической революции – крупнейшей со времен аграрного переворота. Поэтому предпринимателю, желающему зарабатывать на электричестве, сначала приходилось убеждать потенциальных покупателей в недостатках пара как источника энергии.

При сравнении преимущества электроэнергии очевидны. Пар рассеивал тепло – в этом и был смысл, но значительная его часть уходила впустую. От 30 до 85 % энергетического потенциала терялось из-за конденсата, негерметичности клапанов и трения при использовании вала и ремней для передачи энергии к станкам. Система центрального вала выглядит довольно громоздкой. Представьте источник паровой энергии, вращающий длинный трехдюймовый вал из железа или стали, который, в свою очередь, приводит в движение ремни и шкивы. Иногда валы располагались горизонтально, но на некоторых фабриках – вертикально, проходя через несколько этажей. Один такой вал мог приводить в действие сотни ткацких станков.

Самое простое применение электричества состояло в том, чтобы оно приводило вал в движение вместо пара. Бывший сотрудник компании Edison Фрэнк Спрейг оценил эту возможность и в 1886 году разработал один из первых электродвигателей. Эдисон сосредоточился на освещении, а Спрейг вовремя понял, что днем электроэнергия будет дешевой и ее можно использовать для питания моторов. Его идеи нашли применение в электрификации трамваев и строительных лифтов. Другие изобретатели внедряли электродвигатели на заводах.