Читать книгу От предвидения к власти. Как ИИ-прогнозирование трансформирует экономику и как использовать его силу в своих целях - Аджей Агравал - Страница 4

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.

Почему же мы были так уверены, что первый ИИ-единорог появится в Монреале, Торонто или Эдмонтоне? Мы общались с двумя недавними лауреатами премии Тьюринга (в сфере компьютерных наук это аналог Нобелевской премии) из Монреаля и Торонто, награжденными за новаторскую работу по глубокому обучению, а также с одним из первопроходцев в области обучения с подкреплением из Эдмонтона. Правительство Канады собиралось щедро профинансировать три новых института, развивающих машинное обучение, – в Монреале, Торонто и Эдмонтоне. Многие мировые корпорации поспешили создать лаборатории ИИ в этих городах: например, Ericsson, Microsoft, Huawei и Samsung в Монреале; Nvidia, LG Electronics, Johnson & Johnson, Roche, Thomson Reuters, Uber и Adobe в Торонто; Google/DeepMind, Amazon, Mitsubishi и IBM в Эдмонтоне.

Поэтому мы небезосновательно считали, что многое знаем о коммерциализации ИИ. Однако и это оказалось ошибкой, причем глубокой. Первый канадский ИИ-единорог появился не в Монреале, Торонто или Эдмонтоне и даже не в городах, занимавших в нашем рейтинге кандидатов вторую строчку, – Ванкувере, Калгари, Ватерлоо или Галифаксе. Но если не в одном из этих технологических центров Канады, то где?

19 ноября 2020 года газета Wall Street Journal опубликовала статью под заголовком «NASDAQ покупает компанию Verafin за 2,75 млрд долларов». Штаб-квартира Verafin находилась в Сент-Джонсе на острове Ньюфаундленд. Мало кто, и уж точно не мы, мог предположить, что первый канадский ИИ-стартап с миллиардной капитализацией появится именно здесь, на северо-восточной оконечности Северной Америки.

Трудно представить более далекое от центра событий место, чем город Сент-Джонс. Ньюфаундленд – самая восточная провинция Канады с населением всего около полумиллиона человек, где никогда не случалось событий, заслуживающих внимания технологического сообщества. Действительно, хотя США граничат с Канадой, многие американцы впервые услышали о Ньюфаундленде только в 2017 году, когда прогремевший бродвейский мюзикл «Гости издалека» (Come from Away) был выдвинут на премию Tony Awards в пяти номинациях. Душевная и полная доброго юмора постановка основана на реальных событиях, произошедших в течение недели после теракта 11 сентября: тридцать восемь самолетов получили приказ приземлиться в Ньюфаундленде, и местные жители сердечно приняли семь тысяч пассажиров. Именно в этом небольшом городе Брендан Бразерс, Джейми Кинг и Рэймонд Претти основали компанию Verafin, которая впоследствии предоставила решения для борьбы с киберпреступлениями трем тысячам финансовых учреждений в Северной Америке. Как мы могли это упустить? Была ли это чистая случайность? Игра судьбы? Что ж, как известно, все крепки задним умом. Эксперты тоже время от времени ошибаются. Иногда случается маловероятное.

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.