Мы объясняем, почему расширенный интеллект - это правильный ИИ для 2018 года.

Авторы Саймон Уильямс и Крис Вигли

В прошлом году QuantumBlack присоединился к группе в рамках Всемирного экономического форума в Давосе и рассказал о термине, о котором в то время никто не слышал: Расширенный интеллект.

За последние 12 месяцев вокруг искусственного интеллекта возник импульс, который все имеют в виду, когда говорят об искусственном интеллекте. Но мы думаем, что другой ИИ, расширенный интеллект, является подходящим ИИ для 2018 года. Этот термин все больше и больше проникает в средства массовой информации, в наш словарный запас и у технических лидеров, с которыми мы проводим время. На рынке также были сигналы, которые показали важность того, как машины, люди и процессы объединяются, чтобы сформировать что-то действительно очень мощное.

Это не новая идея. Ада Лавлейс в 1842 году представила вычислительную машину и предложила, чтобы ее можно было заставить определять то, что человеческому мозгу трудно или невозможно безошибочно обработать - это еще один способ сказать, что машина улучшит человека.

Сегодня в общественном дискурсе много внимания уделяется ИИ, и мы думаем, что нам нужно решать эти проблемы напрямую, чтобы заработать (или восстановить) доверие. В связи с тем, что сегодня в Давосе снова стартует Всемирный экономический форум, вот некоторые из наших мыслей о том, почему и как нам нужно правильно использовать расширенный интеллект; Сейчас. И почему мы никогда не должны забывать о человеческом аспекте.

Что такое расширенный интеллект?

Как пишет Ник Исмаил в информационном веке, концепция расширенного интеллекта заключается не в замене людей, а в том, чтобы извлечь выгоду из комбинации алгоритмов, машинного обучения и науки о данных для информирования людей о принятии решений. создание способностей .

Технологии становятся все более и более продвинутыми, но не могут процветать сами по себе, человеческий мозг и опыт, которым обладают люди, нелегко научить, от устранения предвзятости до внедрения эмоционального интеллекта.

Мы должны правильно использовать технологии, чтобы сделать наши роли более эффективными и расширить человеческие возможности.

Например, один из наших недавних проектов включал клинические испытания по оценке рисков для глобальной фармацевтической компании. Мы втягивали в себя всевозможные структурированные и неструктурированные наборы данных - финансы, кадры, электронную почту, отчеты о посещениях сайтов (документы Word, резервные копии в формате PDF) и так далее. Более 100 источников данных. Затем наши специалисты по данным разработали алгоритмы машинного обучения, которые использовали сотни различных функций, чтобы предсказать, где могут возникнуть проблемы с безопасностью пациентов. Некоторые из них были явно важны, как и предыдущие проблемы безопасности; некоторые были отмечены только машиной, поскольку люди никогда не думали смотреть на них, например, временной интервал между возникновением события и его внесением в систему записи. Полученная оценка риска позволила распределить группы по обеспечению безопасности пациентов на участки с наибольшим риском, что сделало их в 4–5 раз более эффективными, чем при случайном развертывании, как это было раньше.

Мы не собирались заменять людей машинами; мы намеревались сделать этих людей лучшими, какими они могли быть - дать им суперсилы. Это наша цель во всей нашей работе.

Как использовать расширенный интеллект?

Мы видим пять строительных блоков, которые необходимо создать организациям для успешного внедрения расширенного интеллекта.

1. Данные

Данные - это сырье и стратегический актив, который может помочь получить конкурентное преимущество. (Кстати, в мире нефизических активов мы утверждаем, что данные заслуживают места в балансе).

Большая часть нашей работы связана с неочевидными наборами данных. Если мы хотим улучшить людей, нам нужны данные об этих людях - что они делают, с кем встречаются, когда работают, даже в некоторых случаях, сколько они спали в последнее время.

В ходе недавней работы мы помогли железнодорожной компании снизить травматизм, используя все данные об их сотрудниках, чтобы предсказать, кто с наибольшей вероятностью получит травму в данную смену, что позволило им пройти предварительную подготовку. защитные меры. В некоторых случаях - например, в спорте высших достижений - мы даже работали с данными о внутренней работе человеческого тела! Но часто данных расписания, календаря и электронной почты достаточно, чтобы получить хорошее представление о том, что делают люди.

2. Машинное обучение

Используя новые методы и науку, организации могут интерпретировать и использовать свои данные по-новому, в таком масштабе и темпе, который недоступны традиционным методам. Аналитика может не только дать представление об экономии и эффективности, но и выявить возможности для исследований и разработок.

А алгоритмы машинного обучения могут справляться со сложностями, недоступными человеческому мозгу. Например, при обнаружении мошеннических транзакций (без тех ложных тревог, которые сводят всех нас с ума), наш алгоритм проанализировал более 1500 функций, таких как частота транзакций в учетной записи, их сумма, была ли транзакция проведена ранее, в какое время день было и так далее. Человек может удерживать в уме 10–20 таких черт. У машины нет предела. Снова вернемся к сверхдержавам - транзакции с самым высоким риском затем передаются группе людей для расследования.

3. Суждение

Данные и аналитика предлагают способ понять и идентифицировать модели поведения и возможности, будь то улучшение существующей услуги или продукта или вывод на рынок чего-то совершенно нового. Однако только то, что образец идентифицирован, не гарантирует, что он будет этически или морально правильным. Как сообщается в MIT Technology Review, специалистам по данным и инженерам требуется человеческое суждение для выявления и устранения предвзятости в данных.

Крайне важно, чтобы в игру вступили знания в предметной области, критическое мышление и курирование, чтобы решения (люди) могли приниматься постоянно, поддерживая машинный интеллект. В 2017 году мы начали больше слышать об этическом ИИ, и в этом году эта тема станет еще больше, поскольку специалисты по обработке данных и инженеры играют роль организаторов нашего будущего.

Когда мы объединяем дизайн, инженерию и науку о данных, получается очень мощное сочетание, объединяющее идеальную рабочую группу для создания стратегии инноваций.

4. Действие

Когда возникнут три вышеуказанных строительных блока, кто-то должен что-то с этим делать. В противном случае это будут просто красивые строчки на странице. Мы большие поклонники Цикла OODA, который описывает, как действовать и постоянно повторять.

Цикл OODA разработан, чтобы помочь принимать более обоснованные решения, он состоит из четырех этапов:

- Наблюдать

- Ориент

- Решить

- Действовать

Используя этот подход и повторяя этот цикл, вы можете иметь дело с данными, поскольку они постоянно меняются. Этого достаточно для пилотов в воздушных боях; для нас этого достаточно! Он предлагает правду и позволяет интерпретировать масштабно и в темпе, прежде чем принимать меры.

По мере развития и обучения процессов мы также увидим, как начинает появляться обучение с подкреплением, которое использует непрерывное обучение для сбора инструментов, которые запускают и анализируют огромное количество симуляций с использованием сложных графов вычислений.

5. Культура

Последний аспект расширенного интеллекта - создание правильной культуры. Тот, который порождает лидерство, принятие решений и организационную культуру, радикально отличающуюся от тех, что вы видели раньше. Людям необходимо расширить возможности и привлечь больше гражданских специалистов по данным, чтобы организации могли принимать решения на основе данных на всех уровнях.

Мы также начнем видеть изменения в составе персонала благодаря программному обеспечению 2.0, в соответствии с которым программисты завтрашнего дня не будут поддерживать сложные репозитории программного обеспечения, писать сложные программы и анализировать время их работы. Они собирают, очищают, обрабатывают, маркируют, анализируют и визуализируют данные, которые поступают в нейронные сети .

Мы думаем, что в этом году мы увидим, что больше компаний будут изучать подход «машина + человек + процесс», поскольку люди будут дополнять технологии, которые пока недоступны или готовы к независимому существованию. Во всяком случае, мы на это надеемся!

Эта статья написана Саймоном Уильямсом, соучредителем, директором и главным операционным директором Криса Вигли из QuantumBlack.