От предвидения к власти. Как ИИ-прогнозирование трансформирует экономику и как использовать его силу в своих целях
Шрифт:
Поэтому мы небезосновательно считали, что многое знаем о коммерциализации ИИ. Однако и это оказалось ошибкой, причем глубокой. Первый канадский ИИ-единорог появился не в Монреале, Торонто или Эдмонтоне и даже не в городах, занимавших в нашем рейтинге кандидатов вторую строчку, – Ванкувере, Калгари, Ватерлоо или Галифаксе. Но если не в одном из этих технологических центров Канады, то где?
19 ноября 2020 года газета Wall Street Journal опубликовала статью под заголовком «NASDAQ покупает компанию Verafin за 2,75 млрд долларов». Штаб-квартира Verafin находилась в Сент-Джонсе на острове Ньюфаундленд. Мало кто, и уж точно не мы, мог предположить, что первый канадский ИИ-стартап с миллиардной капитализацией появится именно здесь, на северо-восточной оконечности
Трудно представить более далекое от центра событий место, чем город Сент-Джонс. Ньюфаундленд – самая восточная провинция Канады с населением всего около полумиллиона человек, где никогда не случалось событий, заслуживающих внимания технологического сообщества. Действительно, хотя США граничат с Канадой, многие американцы впервые услышали о Ньюфаундленде только в 2017 году, когда прогремевший бродвейский мюзикл «Гости издалека» (Come from Away) был выдвинут на премию Tony Awards в пяти номинациях. Душевная и полная доброго юмора постановка основана на реальных событиях, произошедших в течение недели после теракта 11 сентября: тридцать восемь самолетов получили приказ приземлиться в Ньюфаундленде, и местные жители сердечно приняли семь тысяч пассажиров. Именно в этом небольшом городе Брендан Бразерс, Джейми Кинг и Рэймонд Претти основали компанию Verafin, которая впоследствии предоставила решения для борьбы с киберпреступлениями трем тысячам финансовых учреждений в Северной Америке. Как мы могли это упустить? Была ли это чистая случайность? Игра судьбы? Что ж, как известно, все крепки задним умом. Эксперты тоже время от времени ошибаются. Иногда случается маловероятное.
NASDAQ приобрела не что иное, как искусственный интеллект. Verafin вложила значительные средства в создание инструментов, позволяющих выявлять случаи мошенничества, отмывания денег и подтверждать личность клиентов банка. Для финансовых организаций это критично с точки зрения деятельности в целом и соблюдения регламентов в частности. В основе таких программных решений – анализ больших данных, которые наиболее объемны именно у банков и кредитных кооперативов.
При зрелом размышлении лидерство финтеха Verafin уже не кажется случайным. Оно было неизбежным. Сосредоточившись на возможностях инструментов прогнозирования, мы не учли вероятности их реального коммерческого использования. Увлекшись экономическими последствиями собственно внедрения ИИ – снижением стоимости прогнозирования, мы недооценили экономические последствия, к которым приведет создание новых систем со встроенным ИИ.
Вместо того чтобы оценивать производство самых современных моделей машинного обучения, нам стоило обратить внимание на приложения, ориентированные на устранение проблем прогнозирования. Такие приложения встраиваются в системы, которые работают на базе машинного прогнозирования, но так, что не вытесняют человеческий труд. Нам следовало обратить внимание на компании, которые интегрировали предиктивную аналитику в рабочий процесс и располагают большим штатом специалистов, анализирующих данные. И тогда мы бы сразу выяснили, что большинство таких организаций – финансовые, где целые отделы аналитиков прогнозируют мошенничество, отмывание денег, нарушение санкций и другие преступные действия. Затем мы поискали бы небольшие компании, использующие последние достижения в области ИИ для решения этих проблем. И тогда мы бы узнали, что в Канаде на тот момент всего несколько подобных компаний – и одна из них Verafin, со штаб-квартирой в Сент-Джонсе (Ньюфаундленд).
Настало время вернуться назад и подумать об экономике ИИ. Подход Verafin весьма напоминал сценарий, описанный в книге «Искусственный интеллект на службе бизнеса». В этом не было ничего удивительного. Менее очевидны причины, по которым многие другие приложения требуют гораздо больше времени для масштабного развертывания. Стало явно, что необходимо учитывать экономику не только самой технологии, но и систем, в которых она задействована. Мы должны понять, почему ИИ быстро
Не только мы недооценивали сложности внедрения ИИ в существующие организационные структуры. Наш коллега из Университета Торонто Джеффри Хинтон, получивший прозвище Крестный Отец ИИ за свою новаторскую работу в области глубокого обучения, в своих прогнозах, возможно, также недооценивал трудности внедрения. Ранее он говорил: «Если вы, например, рентгенолог, то сейчас вы в положении койота, который уже добрался до края обрыва, но еще не посмотрел вниз и не понял, что дальше земли нет. Сейчас уже нет смысла обучать этой специальности. Совершенно очевидно, что в течение пяти лет глубокое обучение будет работать лучше, чем люди». Он был прав в том, что касается темпов технического прогресса: сегодня ИИ превосходит рентгенологов в широком спектре диагностических задач. Однако спустя пять лет после его высказывания Американский колледж рентгенологии сообщает, что число желающих освоить эту специальность не уменьшилось.
На каком-то этапе мы осознали, что переживаем уникальный момент в истории – «междувременье»: потенциал ИИ уже очевиден, но он еще не получил широкого распространения. В некоторых случаях внедрение инноваций представляет собой точечные решения. Они прямолинейны. Где-то применение ИИ сводится к простой замене старой машинной предиктивной аналитики на более новые инструменты (это происходит быстро – например, как в Verafin). Но где-то надо перестроить продукт или услуги, а также производящую их компанию, чтобы полностью реализовать преимущества ИИ и оправдать затраты на его использование. В таком случае бизнес и власти стремятся найти выгодный путь.
Мы сместили акцент с исследования нейронных сетей на изучение человеческого познания (как мы принимаем решения), социального поведения (почему в одних отраслях люди стремятся быстро освоить ИИ, а в других – сопротивляются), производственных систем (как одни решения зависят от других) и отраслевых структур (как мы скрываем некоторые решения, чтобы оградить себя от неопределенности).
Чтобы разобраться в этом, мы встречались с руководителями компаний, менеджерами по продуктам, предпринимателями, инвесторами, специалистами по обработке данных и учеными, внедряющими ИИ. Мы проводили семинары и конференции с участием экспертов и политиков, а также внимательно изучали, что работает, а что нет в сотнях финансируемых венчурными фондами стартапов в области ИИ.
Конечно, мы обратились к базовым принципам экономики в эмпирических исследованиях экономики ИИ – эта сфера бурно развивается, хотя едва ли существовала всего несколькими годами ранее, когда была написана книга «Искусственный интеллект на службе бизнеса». Мы начали аккумулировать собранную информацию и формировать экономическую концепцию, в которой различались бы точечные и системные решения. Она помогла бы не только объяснить парадокс Verafin, но и спрогнозировать следующую волну внедрения ИИ. Фокус на системных, а не на точечных решениях помогает объяснить, как эта технология в итоге охватит все отрасли, укрепив позиции одних компаний и ослабив другие. Пришло время написать еще одну книгу. Именно ее вы держите в руках.
Часть I. Межвременье
Глава 1. Притча о трех типах предпринимателей
Электричество изменило наше общество. Оно повлияло на образ жизни человека: мы получаем недорогое и безопасное освещение, стоит щелкнуть выключателем, а холодильники, стиральные машины, пылесосы и другие приборы значительно облегчают быт. Оно повлияло и на рабочие места, вдохнув новую жизнь в промышленные предприятия. Что потребовалось для этих коренных изменений? Время.