Автор Ирвинг Владавски-Бергер

После десятилетий обещаний и ажиотажа AI теперь по-видимому, повсюду. За последние несколько лет собрались необходимые ингредиенты, чтобы продвинуть ИИ за пределы исследовательских лабораторий на рынок: мощные и недорогие компьютерные технологии; огромное количество данных; и продвинутые алгоритмы, включая машинное обучение.

Хотя ИИ, вероятно, станет одной из самых важных технологий нашей эпохи, мы все еще находимся на ранних стадиях развертывания, особенно за пределами передовых технологических компаний. Но поскольку ИИ продолжает стремительно развиваться, не рано задавать несколько важных вопросов: какова общая ценность ИИ для экономики? Каковы самые большие возможности применения? и каковы самые серьезные проблемы и ограничения ИИ?

Чтобы ответить на эти вопросы, McKinsey недавно опубликовала дискуссионный документ о рыночном потенциале ИИ. Бумага особенно ориентирована на машинное обучение и связанные с ним технологии и основана на подробном анализе более 400 вариантов использования в 19 отраслях и девяти бизнес-функциях.

«Две трети возможностей использования ИИ связаны с повышением эффективности существующих аналитических сценариев использования», - главный вывод, сделанный в статье.

Это очень интересное открытие. В настоящее время ИИ успешно применяется к задачам, которые еще недавно считались исключительной сферой деятельности людей - машинный перевод, обработка естественного языка, победа над ведущими мировыми игроками в го - но только 16% случаев использования, изученных McKinsey, являются новые случаи, когда можно использовать только методы машинного обучения. Для подавляющего большинства случаев использования, 69%, ключевое значение машинного обучения заключается в повышении производительности сверх того, что обеспечивается традиционными аналитическими методами. А в оставшихся 15% случаев машинное обучение обеспечило ограниченную дополнительную производительность по сравнению с существующими аналитическими методами.

Требования к данным для машинного обучения существенно отличаются от требований других аналитических методов по ряду параметров. Эффективность традиционной аналитики имеет тенденцию к стабилизации по мере увеличения размера набора данных. Однако производительность правильно обученных методов машинного обучения значительно улучшится по мере увеличения наборов данных. Методы машинного обучения особенно ценны при извлечении шаблонов из сложных неструктурированных данных, включая аудио, речь, изображения и видео.

«Для методов глубокого обучения требуются тысячи записей данных, чтобы модели могли сравнительно хорошо справляться с задачами классификации, а в некоторых случаях - миллионы, чтобы они могли работать на уровне людей». Таким образом, такие передовые методы искусственного интеллекта особенно ценны в тех случаях, когда в настоящее время используются методы аналитики, но теперь доступно гораздо больше данных, как неструктурированных, так и структурированных. «Однако, если порог объема данных не будет достигнут, ИИ не сможет повысить ценность традиционных методов аналитики».

McKinsey оценила диапазон годовой ценности для мировой экономики как ИИ, так и всех аналитических методов, включая ИИ. Он сделал это путем анализа стоимости, создаваемой в настоящее время для каждой из 19 отраслей и девяти бизнес-функций в своем исследовательском исследовании, и прогнозирования их будущей потенциальной стоимости. ИИ имеет потенциал для создания годового дохода от 3,5 до 5,8 триллиона долларов, что составляет около 40% от потенциального годового воздействия всей аналитики от 9,5 до 15,4 триллиона долларов. Потенциальная ценность ИИ составляет от 1% до 9% выручки в 2016 году в различных проанализированных отраслях, с наибольшим потенциалом в розничной торговле, транспорте, логистике и путешествиях.

Анализ вариантов использования также показал, что самые большие возможности ИИ связаны с бизнес-функциями, ориентированными на верхний уровень, такими как маркетинг и продажи, и с операционными функциями, ориентированными на конечный результат, такими как управление цепочкой поставок и производство. Потенциальная годовая стоимость ИИ в маркетинге и продажах составляет от 1,4 до 2,6 триллиона долларов из общего годового потенциала аналитики в размере от 3,3 до 6,0 триллиона долларов. Для управления цепочкой поставок и производства годовой потенциал ИИ составляет от 1,2 до 2,0 млрд долларов из общего годового потенциала аналитики в размере от 3,6 до 5,6 млрд долларов.

Эти результаты показывают, что компании, стремящиеся внедрить ИИ в свою деятельность, должны использовать и наращивать свои существующие аналитические возможности. Примеры использования показывают, что ИИ следует развертывать для создания ценности именно в тех областях, где другие методы аналитики уже создают ценность. Компаниям следует расширить свои аналитические возможности, в том числе добавить навыки машинного обучения. Им также необходимо убедиться, что у них есть доступ к необходимым данным.

Такой прагматичный, поэтапный подход к освоению ИИ имеет гораздо больше смысла, чем попытки решать сложные, новые проблемы ИИ, которые требуют навыков и данных, которые обычно доступны только техническим гигантам.

Аналогичный прагматичный, постепенный совет по наращиванию возможностей ИИ был дан в недавней статье Harvard Business Review Том Дэвенпорт и Раджив Ронанки. На основе исследования более 150 проектов на основе ИИ авторы обнаружили, что ИИ может играть важную роль в трех важных бизнес-функциях: расширенная автоматизация процессов, когнитивное понимание с помощью расширенной аналитики и когнитивное взаимодействие с клиентами и сотрудниками.

Неудивительно, что большинство изученных проектов, 71%, использовали ИИ для расширенной автоматизации процессов. Это наименее дорогостоящая и простая в использовании возможность искусственного интеллекта для компаний, поскольку они уже давно занимаются автоматизацией бизнес-процессов. Наступает новая эра умных подключенных процессов. Datafication - возможность фиксировать в виде данных многие аспекты бизнеса и общества, которые ранее никогда не подвергались количественной оценке, что позволяет практически каждому продукту, услуге и процессу стать умным.

Проекты когнитивной проницательности были вторым наиболее распространенным типом в исследовании (38%). В этих проектах начали использоваться алгоритмы машинного обучения для выявления закономерностей в огромных объемах данных и интерпретации их значения, своего рода аналитика на стероидах. Это похоже на результаты исследования McKinsey о том, что расширенная аналитика является прагматичный способ научиться ИИ.

Только 16% проектов экспериментировали с расширенными возможностями искусственного интеллекта, некоторые из них все еще находились на стадии исследования, чтобы взаимодействовать с сотрудниками и клиентами - например, интеллектуальные агенты, чат-боты на естественном языке.

В документе McKinsey отмечается, что для выполнения своего обещания ИИ должен преодолеть ряд серьезных проблем, выходящих за рамки обременительных требований к данным, которые обсуждались ранее.

  • Во-первых, это маркировка огромных объемов обучающих данных, необходимых для контролируемого машинного обучения, которое часто приходится выполнять вручную. Появляются многообещающие новые методы решения этой проблемы.
  • Для многих приложений, например для здравоохранения, часто бывает сложно получить достаточно большие и полные наборы данных для обучения алгоритмов машинного обучения.
  • Почему было принято определенное решение? Все еще довольно сложно объяснить на человеческом языке результаты, полученные от крупных и сложных приложений ИИ.
  • Еще одна большая проблема - это возможность использовать обучение среди связанных приложений машинного обучения. Каждое приложение необходимо обучать отдельно, даже если оно похоже на ранее обученное приложение.
  • Последняя проблема - это риск предвзятости в данных и алгоритмах. При неправильном применении приложения ИИ рискуют увековечить существующие социальные и культурные предубеждения.

«Прежде всего, наш анализ сценариев использования показывает, что успешное внедрение ИИ потребует сосредоточения внимания и расстановки приоритетов», - отмечается в заключении McKinsey. «Его ценность огромна - и, похоже, она станет еще больше по мере развития самих технологий. Определение того, где и как можно получить эту ценность, вероятно, станет одной из ключевых бизнес-задач нашей эпохи ».

Первоначально опубликовано на сайте blog.irvingwb.com 3 июля 2018 г.