Искусственный интеллект может изменить практически любую отрасль. Но функционирование ИИ не укладывается в обычные модели разрушений и инноваций.

Этот пост взят из выступления, которое я несколько раз читал, о том, как думать о данных, дефиците и интеллекте, чтобы понять, что происходит.

Часть 1. Откуда мы пришли: бизнес-модель больших данных

Алгоритмы нейронных сетей, которые использует современный искусственный интеллект, те, которые автономно управляют грузовиками или обнаруживают рак более точно, чем люди, были известны и существовали десятилетиями.

То, что привело нас к точке перегиба, - это открытие компьютеров, на много порядков более мощных при выполнении необходимых вычислений, и, что более важно, наличие больших наборов данных для питания алгоритмов.

Неудивительно, что революция в области искусственного интеллекта приближается по пятам за революцией «больших данных», которая происходит в последние 10 лет или около того. То, что большинство компаний обнаружило после 5 лет мучительной реструктуризации своей организации для сбора больших данных ... ничего не стоило.

Все мы знаем, что компании преуспевают, когда продают что-то важное и редкое. Учитывая, что данные можно копировать с небольшими затратами и, следовательно, они не являются дефицитными (действительно, во многих случаях мы тонем в них), ценность хранилища данных в целом оказывается довольно низкой в ​​большинстве отраслей и имеет тенденцию к снижению.

В качестве фона давайте посмотрим на ценность груды данных, которые у нас где-то валяются. Первое, на что следует обратить внимание, это то, что данные могут иметь разные значения для разных людей. Тот факт, что у меня диабет, интересен в основном людям, которые продают страхование жизни и инсулин, тогда как цифры розыгрыша завтрашней лотереи интересны всем, кто купил билет.

Я не буду вдаваться в подробности здесь, но если бы вы установили стоимость актива данных в балансе конкретной компании, это было бы минимум из трех следующих чисел:

  1. Стоимость самой стороны, производящей данные;
  2. Цена покупки у кого-то другого;
  3. Дополнительные дополнительные деньги, которые они могут заработать в будущем, используя данные, выраженные как чистая приведенная стоимость.

Наличие этой минимальной функции очень пугает, потому что это означает, что ценность данных во многом определяется силами, неподконтрольными компании. Если не поддерживать доминирующее положение на рынке, конкурент может легко подорвать ценность чистого информационного актива. Чтобы поддерживать ценность, вам потребуются данные, которые никто другой не может создать или купить, или монополия на рынке, где эти данные могут быть использованы *.

Если вы посмотрите на тех, кто добился успеха в пространстве больших данных, вы увидите, что в нем в значительной степени доминируют рекламные компании и в меньшей степени компании по анализу рынка. Чего в этой модели не хватает, так это «охвата» (наличия данных обо всем и обо всех) и «возможности присоединения» (возможности связывать свои данные с другими данными для использования сетевых эффектов и увеличения охвата).

Таким образом, конкурентная модель, лежащая в основе больших данных, заключается в агрегировании данных из нескольких источников и их объединении для использования сетевых эффектов, чтобы стать универсальным магазином для высококачественных данных.

Я назову это бизнес-моделью «Большие данные». В этой модели, если вы агрегатор, вы выигрываете, забирая, как правило, 60–80% дохода и подавляющую часть прибыли. Если ваши данные агрегированы, вы потеряете, но не так сильно, как если бы вы держали свои данные при себе. Практически в каждой отрасли сейчас есть свой набор доминирующих агрегаторов, поэтому попасть сюда чрезвычайно сложно, если только вы не стали ведущим агрегатором в отрасли и не проснулись сегодня утром с осознанием этого. **

Это также означает, что компании, не являющиеся агрегаторами, начинают с недостатка искусственного интеллекта, который требует данных для обучения моделей.

Подведем итог: бизнес-модель «больших данных» основана на ограниченном охвате и характеризуется доминирующими агрегаторами, получающими большую часть прибыли. И это горькая пилюля, которую стоит проглотить: информационные активы, на накопление которых многие компании потратили столько времени и денег, на самом деле не так дорого стоят, поскольку они не обеспечивают пути к господству данных.

Часть 2: Конец модели «больших данных» и начало AI-First

Около 10 лет назад многие из этих компаний, которые разобрались в бизнес-модели «больших данных», увидели будущее, в котором у них был огромный охват, как и у их конкурентов (потому что данных нет в дефиците), и поэтому они были не в состоянии сохранить его. очень выгодно очень долго. Они начали искать другой фактор конкурентного преимущества: преобразование данных в информацию, а затем улучшение качества продукта с помощью искусственного интеллекта. Примерно в 2008 году они начали незаметно трансформироваться в бизнес, ориентированный на ИИ.

Прежде чем мы поговорим о том, что такое «ИИ прежде всего» и о том, чего действительно мало в этой модели, мне нужно еще ненадолго вернуться к истории. Ранее я упоминал, что искусственному интеллекту очень помогло наличие больших наборов данных и компьютерных систем, способных их переварить. Эти наборы данных обязательно были открытыми, поскольку ни у одной исследовательской группы не было ресурсов для создания полного набора внутренних наборов данных. Поскольку индустрия игнорировала ИИ примерно с 1990 по 2010 год, было относительно мало активных людей и не было корпоративных интересов, пытающихся заблокировать прогресс, поэтому все алгоритмы тоже были открытыми.

Давайте сделаем паузу на секунду и подумаем над этим. Отсутствие интереса бизнеса к ИИ привело к отсутствию традиционных ограничений интеллектуальной собственности (ИС) и динамике рынка с нулевой суммой, что приводит к тому, что каждое изобретение кому-то принадлежит и его использование ограничено. ***

Вместо этого прогресс произошел (и очень многое еще происходит) в своего рода радикально открытых «сообществах искусственного интеллекта», где университеты, правительства и компании, друзья и конкуренты вносят свой вклад в данные, алгоритмы и результаты исследований. Мир тратит миллиарды на исследования ИИ, и, по сути, все они публикуются открыто в безумной спешке быть опубликованными первыми. Открытость полезна для науки, и, как оказалось, эта открытость способствовала невероятному ускорению прогресса в области ИИ в последние годы.

Этот аспект ИИ труднее всего понять в деловом мире, но понимание его является ключевым. Слишком поздно связывать ИИ с игрой против ИС. Практически нет оскорбительных патентов, и большинство ведущих исследователей, даже в влиятельных компаниях, не будут работать над закрытыми проектами или патентовать свои работы с целью ограничения их использования. Другими словами, IP является открытым, а не закрытым. Собственный подход помешал бы ИИ достичь того, чем он является сегодня, и никто не пытается разрушить эту атмосферу сотрудничества.

В отличие от почти любой другой области, компании, получающие прибыль от ИИ, вынуждены конкурировать на игровом поле, где IP (как алгоритмы, так и, в меньшей степени, данные) не является дефицитом. Две вещи, которые не хватает талантов и категорийного лидерства (имеющих лучший продукт) - и компании, преуспевающие в искусственном интеллекте, научились использовать эту нехватку.

Стремитесь к лидерству в категории и помогайте талантам

Это центральная идея: если вы хотите преуспеть в искусственном интеллекте, вам нужно использовать его, чтобы стать лидером категории, без традиционных форм защиты интеллектуальной собственности или возможности нанять всех людей, которые вам нужны, внутри компании. И поскольку ИИ меняет динамику рынка - сначала в отраслях знаний, а в конечном итоге во всей экономике, всем компаниям необходимо адаптироваться.

Давайте сначала посмотрим на лидерство в категории. Мы уже видели, что бизнес-модель «больших данных» - это агрегация и охват. Бизнес-модель «AI-First» предполагает использование данных и алгоритмов для трех основных целей, каждая из которых способствует лидерству в категории:

  1. Создавайте более качественные продукты, тем самым становясь лидерами по внедрению продуктов
  2. Оптимизируйте процессы, увеличивая количество людей, тем самым становясь лидерами в области ценообразования на продукцию
  3. Снижение затрат за счет замены людей, тем самым становясь лидером по эффективности рабочей силы

О в) я расскажу подробнее позже; но, как правило, самые лучшие компании будут делать а) и б) в максимально возможной степени.

Кто лучше сможет дать финансовую рекомендацию, ваш банк или компания, которая сможет прочитать вашу электронную почту? В каждой вертикали есть приложение искусственного интеллекта, позволяющее выходить на рынок с новыми продуктами.

Еще не хватает таланта. В мире есть около 1000 человек с более чем 10-летним опытом работы в области ИИ, которые могут преобразовать бизнес-требования в решения на основе ИИ, а затем руководить проектами от начала до конца в соответствии с этими требованиями.

Большинство из этих экспертов либо работают в ведущих технологических компаниях, либо отказались от пакетов на миллион долларов, чтобы остаться в Academia; их зарплаты фактически выплачиваются за счет крупного государственного финансирования через университеты или через монополии на данные. И нам осталось еще лет пять или около того до значительного увеличения предложения.

Использование AI Commons

Ученые, работающие в академических кругах, на самом деле являются хорошей новостью, поскольку университеты предоставляют компаниям одно из лучших средств для использования общих ресурсов ИИ. Сделать это на удивление просто, и было доказано, что это работает очень эффективно. Добавляя собственные интересные наборы данных, исследования и код к общему объему ИИ и вкладывая ресурсы в поддержку этих активов, компания сместит направление исследований. Это можно сделать тремя способами:

  1. Прямым участием в сообществах
  2. Через академических партнеров напрямую или при посредничестве таких организаций, как IVADO в Монреале, Vector Institute в Торонто, INRIA во Франции или SRI в Калифорнии.
  3. Через компании, специализирующиеся на прикладных исследованиях, такие как Element AI.

Вот основное уравнение, объясняющее это: интеллект = информация + инновации. У компаний есть данные, а инновации происходят в крошечной группе исследователей. Только собравшись вместе, они могут производить интеллект, а это намного легче сделать открыто.

Часть 3. Как стать организацией, ориентированной на искусственный интеллект

Уф, это много справочной информации, но я думаю, что важно понимать, «почему» стоит за остальной частью этой статьи. Теперь мы подошли к тому моменту, когда мы можем приступить к практическим действиям: что можно сделать сегодня, чтобы подумать о возможностях искусственного интеллекта в бизнесе и действовать в соответствии с ними?

Во-первых, учитывая структуру сообщества ИИ, это требует позиционирования, чтобы влиять на направление прогресса таким образом, чтобы это имело смысл как для бизнеса, так и для тех, кто находится в сообществе.

Самый простой способ сделать это концептуально прост: выпустить набор данных, который интересен сообществу, или провести испытание (например, на Kaggle), дающее денежный приз за решение реальной сложной задачи. Многим организациям очень сложно публично выпустить набор данных, но это разрушит барьеры, которые в противном случае в любом случае помешали бы внутренним усилиям ИИ (подробнее об этом через минуту).

У нетехнологических компаний нет причин думать, что они не могут этого сделать:

Более сложный, но более полезный способ повлиять на сообщество ИИ - это нанять исследователей, специализирующихся в предметной области бизнеса, или взаимодействовать с университетскими исследователями и дать им возможность установить связь с исследовательскими сообществами ИИ. Таким образом, компания может заблаговременно изучить, что проходит через конвейер исследований по различным дисциплинам, развить способность применять подход, ориентированный на ИИ, к продуктам и процессам и позиционировать себя как компанию, дружественную ИИ, чтобы повысить шансы найма. Лидеры ИИ.

Треугольник смерти

Вторая часть превращения в организацию AI-First - отвести обсуждение от данных и перейти к интеллектуальным продуктам и процессам. Данные могут быть основой, но основа должна быть спроектирована так, чтобы поддерживать то, что находится наверху: более интеллектуальные продукты и бизнес-процессы.

Это подразумевает тонкий сдвиг в эволюции бизнес-структуры от структуры, которую мы называем «треугольником смерти», что делает структурно невозможным для многих организаций использование ИИ.

Он начинается с перевернутой буквы «V», например:

ИТ-директор отвечает за информационные активы компании, которые являются сырьем для искусственного интеллекта, с мандатом на их защиту и предоставление доступа для операционных бизнес-подразделений компании. Однако, как мы только что видели, эти информационные ресурсы лучше всего использовать для создания более совершенных продуктов, а это означает, что директор по продуктам должен убедить ИТ-директора (чьи стимулы в основном связаны с защитой данных) разрешить ему / ей доступ к ним. Единственный способ сделать это - через генерального директора, который обычно слишком занят.

Многие организации адаптировались, создав инновационную функцию, которая связывает различные части организации по горизонтали, например:

Это то, что мы называем «треугольником смерти», потому что ИТ-директор просто не заинтересован в работе с продуктовой организацией, а у инновационного отдела нет зубов. Генеральный директор умыла руки инноваций, но не создала структуру, в которой она могла бы жить где-то еще. Это ведет к застою и, что противоречит интуиции, сильно вредит инновациям.

На первый взгляд, при наличии любой из вышеперечисленных структур будет очень сложно работать с ИИ в организации. Один из способов исправить это - убедиться, что отдел инноваций подчиняется непосредственно генеральному директору и что генеральный директор отвечает на их электронные письма в течение 48 часов.

Но если это так, и мы знаем, что интеллект = инновации + информация, нам следует подумать о том, чтобы объединить их в одну роль:

В этой структуре главный разведчик будет одним из основных подчиненных генерального директора, который отвечает за информацию и инновации во всей организации. Они передают данные остальной части компании и гарантируют, что все операционные, рыночные и ориентированные на продукты бизнес-подразделения используют эти данные.

Что еще более важно, они также несут ответственность за вклад компании и отношения с сообществом ИИ через партнерство с сообществами, учеными и специалистами по прикладным исследованиям, которые связаны с сообществом ИИ. ****

Резюмируем:

  1. Влияйте на направление общества, публикуя данные или нанимая и / или сотрудничая с исследователями.
  2. Отойдите от данных к интеллектуальным продуктам и услугам, предотвратив треугольник смерти и создав роль главного разведчика.

Часть 4. Заключительные мысли (вопросы) о политике

В заключительной части этого поста мы отвлекаемся от коммерческой обстановки, чтобы поговорить о некоторых последствиях для государственной политики. В предыдущих разделах мы рассмотрели три различных способа использования ИИ для улучшения конкурентного позиционирования: создание более качественных продуктов, увеличение количества людей, чтобы сделать их более эффективными, и замену людей с помощью автоматизации.

Искусственный интеллект - невероятно мощный рычаг для такого рода ситуаций, поскольку качество продукции - один из самых больших рычагов влияния на долю рынка. Однако в пределе, особенно в сочетании с подавляющим преимуществом данных, это приводит к эффективной монополии. Оказавшись в ситуации монополии, у этих компаний нет причин продолжать кормить население ИИ, что может привести к потенциальной трагедии ИИ. Я считаю, что эту возможность нужно активно защищать.

Во-вторых, ИИ может предоставить средства для полной автоматизации рабочих мест людей, а также для производства более качественных продуктов. Это заманчиво, потому что заработная плата составляет большую часть базовой стоимости компании, но на самом деле это менее мощный рычаг. Если вы автоматизируете работу человека, максимум, что вы можете сделать, - это сэкономить одну зарплату, так что эффект ограничится размером зарплаты в 1 раз. Сравните это с человеком, добавляющим потрясающую функцию с помощью ИИ, которая добавляет 10 миллионов пользователей. Это, вероятно, в 1000 раз больше их зарплаты с точки зрения эффекта. Тем не менее, опасения по поводу ограниченного применения ИИ для сокращения численности персонала начинают влиять на стабильность нашего общества.

В-третьих, ИИ предоставляет средства для очень быстрого накопления крупных состояний и быстрого изменения рыночной динамики при относительно скромных объемах капитала. Это вызывает нестабильность на финансовых рынках, которая может распространиться на общество.

ИИ несет в себе риски и выгоды для общества. Без предписания конкретного набора политических решений эти ситуации настолько отличаются от опыта последних 50 лет роста, что политику необходимо будет адаптировать, чтобы избежать ситуации нестабильных рынков, неравенства и безработицы или экономического роста без безработицы, которые в совокупности убивают А.И. гусь, несущий золотые яйца.

Эти вопросы о правилах сами по себе довольно обширны, поэтому я хотел бы посвятить им несколько следующих сообщений. Лучший способ не отставать - подписаться на меня здесь.

(Спасибо Маше Кролл за иллюстрации и помощь в организации потока, а также Саймону Хадсону за его редакторский вклад).

* Академические исследователи и инженеры ненавидят это, потому что это означает, что они должны использовать низшие методы, чтобы их работа получила широкое распространение.

** Foursquare - это компания, с которой такое случилось, но это случается очень редко. Обычно нужно много платить; Oracle потратила 10 миллиардов долларов на приобретение компаний для достижения критического объема данных в их облаке данных, что является типичной агрегационной игрой.

*** Ценность хранения данных может даже стать отрицательной, если они конфиденциальны и есть риск взлома. При отсутствии средств или стимулов для его использования многим компаниям может быть лучше удалить или никогда не хранить конфиденциальную информацию, такую ​​как данные кредитной карты и номера социального страхования. Один из способов подтолкнуть компанию к поиску преимуществ ( и затраты) данных. Корпоративное управление можно улучшить, измерив рентабельность инвестиций и ценность данных в балансе.

**** Как это на самом деле будет реализовано, может зависеть от структуры организации и от того, есть ли у нее такие роли, как директор по цифровым технологиям или директор по данным. Суть в том, что уравнение интеллекта принадлежит человеку; эти другие роли, вероятно, будут поддерживать роль разведки.