Искусственный интеллект приходит в классы бизнес-школ. Чему учащиеся могут научиться у машин?

Шэрон Шинн

БОЛЬШИЕ ДАННЫЕ. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. МАШИННОЕ ОБУЧЕНИЕ. Когнитивные вычисления. Сегодня эти термины используются в бизнес-школах почти так же часто, как такие слова, как финансы и маркетинг.

Большие данные, конечно же, относятся к любому огромному количеству информации, которую можно собрать, отсортировать и проанализировать, чтобы помочь менеджерам принимать более взвешенные решения. Другие термины относятся к тому, как компьютеры учатся и адаптируются к человеческому поведению, чтобы сделать данные еще более полезными.

По словам Джеймса Панга, приглашенного доцента Школы вычислительной техники и бизнеса Национального университета Сингапура, в аналитике больших данных используются четыре фундаментальные технологии: искусственный интеллект; машинное обучение; управление информацией; и массово-параллельная обработка, при которой несколько процессоров работают над разными частями программы, взаимодействуя через интерфейс. Он добавляет: «Благодаря недавним разработкам в этих фундаментальных технологиях мы можем работать с большими данными с помощью четырех V, то есть объема, скорости, разнообразия и достоверности. Это позволяет нам извлекать бизнес-идеи из массивных наборов данных».

До недавнего времени многие аналитические программы находились в инженерных и вычислительных колледжах, но все больше и больше бизнес-школ либо сотрудничают с этими колледжами, либо создают собственные аналитические программы. Это потому, что важно не только анализировать данные, но и использовать их для принятия бизнес-решений.

«Специалисты по данным должны уметь управлять данными, но они также должны понимать вопросы бизнеса», — говорит Чери Спейер-Перо, профессор информационных систем в Брод-колледже бизнеса Мичиганского государственного университета в Лансинге. «В конечном итоге их решения повлияют на маркетинговые стратегии и финансовые результаты компании, поэтому они должны быть эффективными в создании и осмыслении статистических моделей».

По словам Шпейер-Перо, у бизнес-школ возникает два вопроса. «Как мы готовим наших студентов? И как мы создаем интересные и передовые знания, применяя эти методы к нашим исследованиям?»

NUS и MSU входят в число школ, которые серьезно относятся к этим вопросам. Они оба установили партнерские отношения с IBM и другими компаниями-разработчиками программного обеспечения, чтобы дать своим студентам преимущество в использовании вычислительных инструментов, которые будут так необходимы на рабочем месте. (См. краткое описание их программ в разделе «Два подхода к обучению аналитике» на боковой панели в конце этой статьи.) Запуск этих программ дал этим двум преподавателям представление о том, что нужно рынку — и что ждет их в будущем.

ПОДГОТОВКА СТУДЕНТОВ
Чтобы подготовить учащихся к эффективной работе в будущем, связанном с большими данными, одним из первых шагов является ознакомление их с передовыми инструментами. Вот почему школы считают важным сотрудничать с крупными игроками, такими как IBM и SAS, которые могут предоставить доступ к самым современным технологиям и дать инструкции по их использованию. Большинство школ также следуют междисциплинарному подходу, который часто сочетает в себе бизнес, информатику и инженерию. Но Панг и Шпейер-Перо подчеркивают, что школы должны делать больше, чем просто обучать учащихся технологиям.

Панг считает, что первый шаг — научить студентов непредвзято смотреть в будущее; второй шаг — поощрять их способность быстро учиться, потому что мир меняется с беспрецедентной скоростью. «Третий шаг — убедиться, что наши студенты понимают основы бизнеса», — добавляет он. Таким образом, студенты должны научиться определять и понимать «болевые точки» в бизнесе, говорит он, потому что они представляют собой шансы для инноваций. Студенты также должны освоить основные социальные навыки, такие как лидерство и общение.

Шпейер-Перо считает, что учащимся не менее важно знать, как учиться самостоятельно. «Хотя технологические компании и работодатели стали лучше проводить обучение по мере необходимости, они не поддерживают студентов в процессе», — говорит она. «Мы говорим студентам, что они никогда не получат достаточного обучения работе с данным программным обеспечением, поэтому они всегда будут частично разбираться в программном обеспечении. На университетском уровне нам необходимо привить нашим студентам такой подход к обучению, чтобы они были более успешными на рабочем месте».

МАШИНЫ БУДУЩЕГО
Студенты нуждаются в такой подготовке, говорят Панг и Шпейер-Перо, потому что компании уже используют методы ИИ для изучения человеческого поведения в таких областях, как банковское дело и финансы. Чтобы помочь своим ученикам понять, как ИИ работает в реальном мире, Шпейер-Перо начинает с темы, понятной большинству из них: мошенничество с кредитными картами. По ее словам, один из способов избежать мошенничества — вставить чипы в карты, но другой — изучить покупательское поведение конкретного держателя карты и выявить отклонения, и это то, что машины могут помочь людям сделать.

«Я использую свою мать в качестве примера, — говорит она. «Каждый год она совершает запойный шопинг, который отличается от ее традиционного способа делать покупки. Сначала, когда случались эти запои, компания звонила на дом, чтобы узнать, не моя ли мама использовала карту. Теперь компания поняла, что поведение моей мамы является нормальным, пусть и нечастым, и встроила это в ее профиль, поэтому запои больше не вызывают предупреждений о мошенничестве. Для меня это классный пример искусственного интеллекта, потому что машина однозначно смотрит на одного покупателя и изучает его поведение».

Но многие другие отрасли потенциально могут быть преобразованы с помощью искусственного интеллекта. Хотя Панг предупреждает, что в быстро меняющемся мире технологий трудно делать прогнозы, он надеется, что ИИ окажет большое влияние в четырех ключевых областях в ближайшие три-пять лет:

Персональные цифровые помощники. Помощники для смартфонов, такие как Siri от Apple и приложение Google NOW, будут узнавать все больше и больше о нашем поведении. «Ассистенты предоставят нам более персонализированные услуги, например, порекомендуют фильмы и продукты, а также составят наш ежедневный график», — говорит Панг.

Транспорт. «Автономный транспорт или беспилотные автомобили скоро станут обычным явлением», — говорит Панг. «Для большинства людей они станут первым опытом работы с физически воплощенными системами ИИ, и они сильно повлияют на общественное восприятие ИИ. Многие компании, в том числе Google, Uber, Tesla и Baidu, уже добились значительных успехов в этой области. Первое в мире беспилотное такси уже работает в Сингапуре, а Uber также запустил свою первую службу беспилотного такси в Питтсбурге».

Здравоохранение. «ИИ уже начал оказывать влияние на эту отрасль, — говорит Панг. «Например, IBM Watson Oncology Advisor теперь дает советы по лечению онкологии врачам в нескольких больницах в Северной Америке и Азии. Путь ИИ в здравоохранение не будет быстрым или гладким, но здравоохранение станет одним из самых эффективных приложений ИИ в нашей повседневной жизни».

Домашние/служебные роботы. «Они уже вошли в нашу жизнь как интеллектуальные пылесосы и официанты в ресторанах, но мы увидим их еще больше», — предсказывает Панг. Он отмечает, что трудно прогнозировать на 10–15 лет вперед, но он ожидает, что в этот период ИИ также окажет влияние в таких областях, как общественная безопасность, занятость и рабочие места, образование и развлечения. Все эти области будут искать выпускников бизнес-школ, обученных аналитике.

ЧЕЛОВЕЧЕСКОЕ ПРИКОСНОВЕНИЕ
Некоторые наблюдатели содрогаются, когда видят эти списки отраслей, которые захватывают технологии, опасаясь, что машины заставят еще больше людей вытеснить с их рабочих мест, но и Панг, и Шпейер-Перо имеют более оптимистичные взгляды на цифровое будущее.

«Я не думаю, что машины с искусственным интеллектом представляют угрозу для человечества. Я думаю, что они окажут глубокое положительное влияние на наше общество и экономику», — говорит Панг.

Шпейер-Перо соглашается. «Я действительно верю, что машинное обучение делает людей более ценными», — говорит она. «На самом деле, их навыки более высокого уровня могут быть более важными, чем когда-либо. Машинная среда может выполнять анализ быстрее, чем человек, но человек лучше понимает нюансы».

Проблемой остается обучение студентов работе с машинами, чтобы они могли использовать как искусственный, так и человеческий интеллект. По словам Шпейер-Перо, для большинства людей, интересующихся ИИ, настоящим препятствием является то, что технология применяется для решения таких сложных проблем.

«Эти проблемы очень затратны с организационной точки зрения, поэтому на них стоит обратить внимание, но требуется огромное обучение», — говорит она. «Для меня существуют интересные способы, с помощью которых машины могут научиться лучше понимать поведение человека, что позволит нам улучшить финансовые результаты для компаний или качество обслуживания клиентов — способы, которые не требуют высокого уровня сложности. Я предполагаю, что как только некоторые из этих подходов окажутся успешными для компаний, они начнут думать о более сложных способах использования ИИ».

И именно тогда выпускники бизнес-школ должны быть готовы объединить свою деловую хватку с технической смекалкой, чтобы привести свои компании к успеху.

БОКОВАЯ ПАНЕЛЬ

Два подхода к обучению аналитике

Многие школы недавно запустили программы бизнес-аналитики. Вот посмотрите на двоих.

■ В Национальном университете Сингапура степень магистра наук в области бизнес-аналитики является результатом сотрудничества между Школой бизнеса NUS и Школой вычислительной техники и включает модуль, построенный на основе Watson Cognitive Computing. Эксперты IBM приезжают в кампус NUS, чтобы провести технологические семинары и практические занятия, чтобы узнать, как применять когнитивные вычисления в реальных бизнес-кейсах.

Кроме того, учащиеся бизнес-школ и компьютерных школ объединяются в команды для создания творческих приложений Watson для конкретных отраслей. В 2015 году школа запустила мероприятие под названием Watson Innovation Challenges, получив предложения от 34 учащихся, охватывающих 14 секторов, включая здравоохранение, розничную торговлю и управление персоналом. «Некоторые из интересных приложений, созданных студентами, включали персонализированный консультант по лечению ревматоидного артрита, онлайн-консультант по покупкам бытовой электроники и цифровой эксперт по найму для специалистов по персоналу, которых можно использовать при найме», — говорит Джеймс Пэнг.

Панг надеется, что к тому времени, когда студенты покинут класс, они получат три типа знаний: отличное знание фундаментальных и современных технологий когнитивных вычислений; понимание того, как использовать технологии для решения «болевых точек» реального бизнеса; и способность работать с профессионалами отрасли для реализации успешного проекта.

Панг отмечает, что важно, чтобы класс продолжал развиваться, потому что технологии в области когнитивных вычислений быстро меняются. Сначала студенты разрабатывали приложения в специальном облаке Watson Cloud для NUS, но теперь возможности Watson доступны на новой платформе IBM BlueMix, которую студенты используют для разработки приложений Watson, — говорит он. Bluemix позволяет организациям бесплатно подключаться к службам IBM и третьих сторон в общедоступном облаке или запускать частные приложения за брандмауэром. (Подробнее на www.ibm.com/cloud-computing/bluemix/.)

■ Магистр наук в области бизнес-аналитики Мичиганского государственного университета — это трехсеместровая совместная работа Колледжа бизнеса, Инженерного колледжа и Колледжа естественных наук, в котором находится отдел статистики. Школа сотрудничает с такими компаниями, как IBM и SAS, чтобы дать учащимся опыт работы со статистическими платформами и языками программирования.

Одним из важнейших элементов программы МГУ является внеклассный проект, который студенты начинают в январе, прежде чем они пойдут в класс. Все студенты распределены по командам; все они работают с данными, поступающими от одной и той же реальной компании, но каждая команда использует эти данные для достижения разных целей. Например, для недавнего проекта студенты рассматривали компанию, которая продает в основном через розничных дистрибьюторов, но планировала повысить значимость своего портала онлайн-продаж; Руководители компании хотели знать, какая информация и реклама на сайте будут более эффективными. Девять команд студентов изучили различные типы клиентов, от миллениалов до женщин.

По мере того, как студенты продвигаются по своим курсам, они узнают информацию, непосредственно связанную с проектом, — говорит Чери Спейер-Перо. «Когда мы рассказывали о маркетинге на вводном уроке, мы уделяли дополнительное время разговору о веб-аналитике. На занятиях по статистике профессор включал домашние задания, основанные на данных компании, и студенты изучали все более сложные статистические методы. Мы организуем задания курса в первом семестре, чтобы поддержать обучение и деятельность, происходящую в проекте. Студенты быстро узнают, в чем их сильные стороны, в чем их пробелы и насколько сложными должны быть их навыки, если они собираются заниматься аналитикой данных в качестве карьеры».

Среди инструментов, которые студенты учатся использовать в МГУ, — IBM SPSS modeler, инструмент прогнозной аналитики, который «позволяет студентам использовать существующие данные и делать прогнозы на будущее более надежным и осмысленным способом», — говорит Шпейер-Перо. Они также используют инструмент визуализации Tableau для создания визуальных дисплеев из огромных объемов данных.

«Базы данных и электронные таблицы по-прежнему являются инструментами бизнеса, но мы говорим, что недостаточно показать круговую диаграмму или гистограмму», — говорит Спейер-Перо. «Инструменты визуализации позволяют студентам и менеджерам детализировать данные прямо в программном обеспечении. Они позволяют пользователям изучать данные индивидуально или в группе — например, если кто-то делает презентацию для вице-президента по маркетингу и возникает вопрос о продажах. Инструмент позволяет пользователям исследовать данные таким образом, который обеспечивает более тонкое понимание и приводит к лучшему и более быстрому принятию решений. Думаю, инструменты визуализации скоро будут на рабочем столе каждого менеджера».

Шпейер-Перо отмечает, что IBM и Tableau предоставили студентам бесплатные платформы, предоставили поддержку в обучении и посещали научные конференции, чтобы помочь преподавателям понять, как эти инструменты могут быть включены в классы. По ее словам, представители компаний приходят на занятия не только для проведения технического обучения, но и для того, чтобы показать студентам, как думать о данных, используя их специальные инструменты.

Осенью, чтобы привлечь студентов к программе до ее начала в январе, университет проводит мероприятие под названием «Лицо аналитики», в рамках которого около 50 компаний приезжают в кампус в поисках стажеров и штатных сотрудников. Хотя обычно в программе участвуют около 35 студентов, около 300 человек приходят на мероприятие, потому что им интересно узнать о возможностях трудоустройства в этой области. Говорит Шпейер-Перо: «Многие устраиваются на летнюю работу, где узнают, что значит быть исследователем данных. Некоторые продолжают карьеру аналитика, а некоторые возвращаются, чтобы присоединиться к нашей программе».