Как выглядит принятие решений под руководством ИИ

Компьютерный курсор в виде стрелки на пиксельном фоне

Многие компании приспособили метод управления данными для оперативного принятия решений. Данные могут улучшить решения, но для того, чтобы получить от этого максимальную пользу, нужен правильный обработчик. Многие люди полагают, что обработчик – это человек. Даже сам термин “управляемое данными” подразумевает, что данные курируются  – и впоследствии подводятся итоги – людьми.

Но чтобы полностью применить ценность, заключённую в информации, компаниям надо привнести искусственный интеллект (ИИ) в свои рабочие процессы и иногда убирать нас, людей, с дороги. Нам нужно эволюционировать из рабочих процессов, управляемых данными, в рабочие процессы, управляемые ИИ.

Отличие между “управляемое данными” и “управляемое ИИ” не только в игре слов. Каждое определение отражает иное преимущество: первое фокусируется на информации, а второе – на способности к обработке. Информация содержит наблюдения, которые могут позволить лучшие решения; обработка – это способ извлечения тех наблюдений и начало действия. Люди и ИИ – оба обработчики, но с совершенно разными способностями. Чтобы понять, как лучше использовать каждого из обработчиков, будет полезно посмотреть на нашу собственную биологическую эволюцию и как принятие решение эволюционировало в индустрии.

Только 50-75 лет назад человеческая оценка была центральным обработчиком в принятии решений в бизнесе. Профессионалы полагались на свою хорошо настроенную интуицию, выработанную за годы опыта (и относительно крошечную часть информации) в их сфере, чтобы, например, правильно выбрать креативщика для рекламной кампании, определить корректные уровни запасов на складе или утвердить правильные финансовые инвестиции. Опыт и нутро – всё, что можно было использовать тогда, чтобы отличить хорошее от плохого, высокое от низкого и рискованное от безопасного.

Это было, пожалуй, слишком человечно. Наша интуиция слишком далека от идеального инструмента для принятия решений. Нашему мозгу причинили вред многие подсознательные предубеждения, ослабив наши суждения до предсказуемых путей. Это результат сотен и тысяч лет эволюции, где, будучи ранними охотниками-собирателями, мы выработали систему рассуждения, которая полагается на простые знания, основанные на практике, – кратчайшие расстояния или правило большого пальца, которые хитрят с высокой стоимостью обработки больших количеств данных. Однако, “быстро и почти бессознательно” не всегда значило оптимально и даже аккуратно.

Представьте группу предков охотников-собирателей, столпившихся вокруг костра, когда соседний куст вдруг издаёт шелест. Решение типа “быстро и почти бессознательно” должно быть принято: заключить, что шелест – это дикий хищник и надо убегать или узнать больше информации, чтобы понять, может, это потенциальная добыча, например, кролик, который сможет предоставить богатые питательные вещества. Наших более импульсивных предков – тех, которые решили убежать – выжило намного больше, чем их более любопытных сверстников. Цена бегства и потери кролика была намного ниже, чем цена любопытства и риска отдать жизнь хищнику. С такой асимметрией в результате эволюция одобряет ту черту характера, которая ведёт к менее дорогим последствиям, даже жертвуя точностью. Поэтому склонность к импульсивному принятию решений без учёта информации становится распространённой у наших далёких предков.

В современном контексте эвристика выживания стала бесчисленными подсознательными предубеждениями, предустановленными в наш унаследованный мозг. Эти предубеждения влияют на наше суждение и принятие решений способами, далёкими от рациональной объективности. Мы придаём больше значения ярким и недавним событиям. Мы грубо классифицируем объекты, используя знакомые стереотипы, которые достаточно объясняют их отличия. Мы опираемся на предыдущий опыт даже если он абсолютно неуместен. Мы имеем склонность воображать подозрительные объяснения для событий, которые всего лишь случайный шум. Это только пара из десятков способов, когда когнитивные предубеждения изводят человеческий здравый смысл. И в течение многих десятилетий это было центральным процессором для принятия решений в бизнесе. Сейчас мы знаем, что полагаться только на человеческую интуицию – это неэффективно, непостоянно, ошибочно и ограничивает возможность организации.

Принятие решений, поддерживаемых информацией

Слава Богу за информацию. Сейчас подключенные девайсы ловят немыслимые объёмы данных: каждая трансакция, каждый жест клиента, каждый микро и макроэкономический индикатор – вся информация, которая может уведомлять о лучших решениях. В ответ на такую богатую данными окружающую обстановку мы адаптировали наши рабочие процессы. IT-департаменты поддерживают поток данных, используя машины (базы данных, распределенные файловые системы и тому подобное), чтобы уменьшить неуправляемые объёмы данных к легко усваиваемым для человека итогам. Затем эти итоги обрабатываются человеком с использованием таких инструментов, как электронные таблицы, панели управления и аналитические приложения. В конце концов, сильно обработанная, и уже вполне маленьких размеров, информация представляется для принятия решения. Это рабочий процесс, управляемый данными. Человеческое суждение – всё ещё центральный процессор, но сейчас он использует итоговую информацию как новое вложение.

В то время, когда это несомненно лучше, чем полностью полагаться на интуицию, люди, играющие роль центрального процессора, всё ещё создают несколько ограничений:

  1. Мы не используем всю информацию. Итоговая информация может скрыть множество догадок, связей и шаблонов, содержащихся в изначально большом наборе данных. Обработка данных необходима для того, чтобы обеспечить пропускную способность человеческого процессора. Даже если мы – знатоки в переваривании всей окружающей обстановки – без труда обрабатываем огромные объёмы внешней информации, мы необычайно ограничены, когда это касается обработки структурированных данных в миллионы и миллиарды записей. Разум может справиться с цифрами продаж и средней отпускной ценой регионального уровня. Он испытывает трудности и прекращает работу, когда вы начинаете думать о полном распределении ценностей и, самое главное, связях между элементами данных. Информация потерялась в общих итогах, но она важна для принятия правильного решения.

    Это не утверждение, что суммированные сведения не несут пользы. Безусловно, они великолепно предоставляют базовый обзор бизнеса. Но они предоставят мало ценности для принятия решения.

    Слишком много потерялось в процессе подготовки данных для людей. В других случаях суммированные данные могут быть откровенно вводящими в заблуждение. Отягощающие факторы могут создавать впечатление позитивных отношений, когда в реальности всё наоборот (например, парадокс Симпсона). И когда данные объединены, может быть невозможно восстановить способствующие факторы для того, чтобы правильно их контролировать. (Лучшая практика – использование рандомизированного контролируемого испытания, т. е. A/B тестирования. Без этой практики даже ИИ может быть не в состоянии должным образом контролировать способствующие факторы.) Короче говоря, используя людей в качестве центральных обработчиков данных, мы до сих пор поступаемся точностью, чтобы только обойти высокую цену обработки данных людьми.
  2. Информации не достаточно для того, чтобы защитить нас от подсознательных предубеждений. Итоговые данные управляются людьми таким образом, который предрасположен ко всем подсознательным предубеждениям. Мы направляем это итоговое обобщение в некотором смысле интуитивно для самих себя. Мы просим, чтобы данные были собраны в сегменты, которые, как мы чувствуем, являются репрезентативными образцами.

    Тем не менее у нас есть склонность грубо классифицировать предметы в обширные стереотипы, которые недостаточно объясняют их разницу. Например, мы можем запихать данные в такие качества, как география, даже если не существует заметной разницы в поведении между регионами. Подведения итогов также часто можно воспринимать как “кормовое зерно” информации. Это грубое приблизительное значение данных. Например, такое качество, как география, нужно хранить на региональном уровне, где относительно мало значений (т.е. “восток” против “запада”.) Более значимое может быть гораздо конкретнее – город, индекс и даже улица. Это труднее собрать и обобщить для человеческого мозга.

    Также мы предпочитаем простые отношения между элементами. У нас есть тенденция думать о связях как о прямой линии, потому что для нас это проще обработать. Связь между ценой и скидкой, внедрением на рынок и коэффициентом конверсии, кредитным риском и доходом – всё это предполагается прямой линией, даже когда данные предлагают другое. Нам даже нравится воображать тщательно разработанные объяснения для трендов и вариантов данных, даже когда это более адекватно разъяснено естественным или случайным вариантом.

Увы, мы приспосабливаем наши предубеждения, когда мы обрабатываем данные.

Внедрение ИИ в рабочий процесс

Нам надо эволюционировать дальше и внедрять ИИ в рабочий процесс как главный обработчик информации. Рутинные решения, которые полагаются только на структурированные данные, нам лучше делегировать ИИ. Он менее склонен к людским подсознательным предубеждениям. (Существует абсолютно реальный риск использования необъективной информации, он может привести к тому, что ИИ найдёт подозрительные связи, которые неправильны. Убедитесь в том, что вы понимаете, как данные не только используются, но и генерируются.) ИИ может быть натренирован для поиска сегментов в популяции, которые лучше объясняют расхождение на мелкозернистых уровнях, даже если они не очевидны для нашего человеческого восприятия. ИИ без проблем имеет дело с тысячами или даже миллионами классификаций. И ему более чем удобно работать с нелинейными связями, будь они растущими в геометрической прогрессии, степенным законом, геометрическим рядом, биномиальным распределением или наоборот.

Этот рабочий процесс лучше использует информацию, содержащуюся в данных, и более последователен и объективен в своих решениях. Он может лучше определить, которая реклама более эффективная, какие оптимальные уровни запасов установить или которую финансовую инвестицию разместить.

Пока люди убираются из этих рабочих процессов важно заметить, что чистая автоматизация – не цель рабочих процессов под управлением ИИ. Конечно, это может снизить издержки, но это только постепенно увеличивающаяся выгода. Ценность ИИ в принятии лучших решений, чем это могли бы сделать одни только люди. Это создаёт существенные улучшения эффективности и даёт зелёный свет новым возможностям.

Опора сразу и на ИИ, и на человеческую обработку в рабочих процессах

Удаление людей из рабочих процессов, которые включаю в себя только обработку структурированных данных, не значит, что людской труд устарел. В бизнесе существует много решений, которые зависят от чего-то большего, чем просто структурированные данные. Концепции продукта, стратегии компании, корпоративные ценности, динамика рынков – это всё примеры информации, которая доступна только в нашем разуме и передаётся через культуру и другие формы нецифрового общения. Это информация не доступна для ИИ и чрезвычайно значима для решений в бизнесе.

Например, ИИ может объективно определить правильные уровни запасов для того, чтобы увеличить выгоду. Однако, в конкурентной среде компания может выбрать более высокие уровни запасов для того, чтобы обеспечить лучший потребительский опыт, даже за счёт прибыли. В других случаях, ИИ может определить, что среди прочих вариантов, доступных для компании, инвестирование большего количества долларов в маркетинг приведёт к более высокой окупаемости инвестиций. Однако, компания может выбрать замедлить рост для того, чтобы поддерживать стандарты качества.

Дополнительная информация, доступная для людей в форме или стратегии, ценностях и условиях рынка, может послужить отправной точкой от объективной рациональности ИИ. В таких случаях ИИ можно использовать для генерации возможностей, из которых люди могут выбирать лучшие альтернативы, основываясь на дополнительную информацию, к которой у них есть доступ. Порядок выполнения для таких рабочих процессов зависит от обстоятельств. Иногда ИИ первый уменьшает рабочую нагрузку на людей. В других случаях, оценка людей может быть использована в качестве вводных данных для обработки ИИ. А ещё может существовать обратная связь между ИИ и обработкой человеком.

Смысл в том, что люди напрямую не взаимодействуют с данными, а только с возможностями, произведёнными обработкой данных ИИ. Ценности, стратегия и культура – наш способ примирить наши решения с объективной рациональностью. Лучший результат будет очевиден и полностью информативен. Опираясь сразу и на ИИ, и на людей, мы можем принимать лучшие решения, чем при использовании только одного из них.

Следующая фаза в нашей эволюции

Переход от управляемого данными к управляемого ИИ – следующая фаза в нашей эволюции. Принятие ИИ в наши рабочие процессы предоставит лучшую обработку структурированных данных и позволит людям вносить свой вклад дополняющими путями.

Эта эволюция не случится в пределах индивидуальной организации, просто эволюция естественного отбора не происходит внутри индивидуальных лиц. Скорее, это процесс отбора, который работает среди населения. Более эффективные организации переживут это быстрее всех. Так как зрелым компаниям трудно адаптироваться к изменениям окружающей обстановки, я подозреваю, мы увидим появление новых компаний, которые принимают и ИИ, и человеческий вклад с самого начала, и естественно встраивают их в свой рабочий процесс.


Перевод статьи Eric Colson.



Остались вопросы по TikTok? Получи консультацию от человека, который реально в этом разбирается.

Рейтинг
( Пока оценок нет )
Загрузка ...
SuperTikTok.ru