Понимание Искусственного Интеллекта

Понимание Искусственного Интеллекта

Основы, варианты использования и методы корпоративного пути ИИ

Управление для профессионалов

Ральф Т. Кройцер · Мари Сирренберг

1 Что такое Искусственный Интеллект и как его использовать?

Аннотация

В этой главе мы обсуждаем ключевые аспекты Искусственного Интеллекта. Мы определяем ключевые термины и показываем взаимосвязь таких терминов, как нейронные сети, машинное обучение и глубокое обучение. Мы анализируем различные цели, которые могут быть достигнуты с помощью Искусственного Интеллекта. Кроме того, мы представляем ключевые области применения Искусственного Интеллекта: обработка естественного языка, обработка естественных изображений, экспертные системы и роботы. Также обсуждаются глобальные экономические эффекты Искусственного Интеллекта. Здесь вы можете узнать о различных отправных точках и достижениях ведущих стран мира.

Невозможно — это не факт! Это мнение!

Искусственный Интеллект — относительно новая область исследований, которая лишь медленно выходит из сферы специалистов. Большую часть времени он встречается нам таким образом, что мы изначально не думаем об Искусственном Интеллекте. Мы замечаем только то, что стало легче делать, чем раньше. Только подумайте о цифровых персональных помощниках, таких как Alexa, Google Home или Siri, которые воспроизводят желаемую музыку из Spotify посредством голосового ввода, создают списки покупок или даже инициируют покупки, назначают встречи, объясняют термины или, при необходимости, полностью берут на себя управление вашим Умным Домом. Мы говорим о цифровых персональных помощниках, потому что они больше не являются физически ощутимыми помощниками.

Когда вы используете средства перевода в Интернете, такие как Google Translate или немецкий стартап DeepL, вы также имеете доступ к приложениям ИИ. Алгоритмы ИИ также используются для систем распознавания лиц (например, для контроля доступа в компаниях или для использования вашего смартфона). Экспертные системы с поддержкой ИИ используются для оценки медицинских записей или рентгеновских снимков и КТ-сканов компьютерами. Роботы представляют собой почти неиссякаемое поле применения для Искусственного Интеллекта. Их интенсивное использование больше не ограничивается задачами производства и логистики. Автономное вождение также является областью применения ИИ, использующей робота в качестве водителя.

Рисунок 1.1 Прогноз оборота корпоративных приложений в области Искусственного Интеллекта – по всему миру с 2016 по 2025 гг. (в млн долл. США). Источник Statista (2018 г.)

Самая большая проблема Искусственного Интеллекта по-прежнему заключается в комплексном воспроизведении человеческого мозга.

Стоит ли вам как студенту, менеджеру, компании или стране интенсивно заниматься разработками в области Искусственного Интеллекта? Мы убеждены: да! Мы хотели бы подчеркнуть эту оценку фактами, представленными на рис. 1.1. Здесь становится ясно, какая выручка от Искусственного Интеллекта ожидается по всему миру с 2016 по 2025 гг. (в млн долл. США). По нашему мнению, эти цифры говорят сами за себя!

Прежде чем мы глубже погрузимся в различные области применения Искусственного Интеллекта, мы сначала проясним, что именно подразумевается под Искусственным Интеллектом и какие цели могут быть достигнуты с его помощью. Затем подробно анализируются различные области применения, чтобы проиллюстрировать диапазон применимости ИИ. Кроме того, мы рассматриваем глобальные экономические эффекты, вызванные Искусственным Интеллектом.

1.1 Что является основой Искусственного Интеллекта?

Прежде чем приступить к "искусственному" интеллекту, стоит взглянуть на сам интеллект. Вместо того чтобы сужать кругозор и рассматривать только один коэффициент интеллекта, полезно понять, что такое человеческий интеллект или чем он может быть сегодня. Это означает, что мы воспринимаем интеллект в его релевантных проявлениях как подход множественного интеллекта, который охватывает следующие области (ср. Gardner, Davis, Christodoulou, & Seider, 2011, с. 490–498):

• Лингвистический интеллект

• Музыкальный интеллект

• Логико-математический интеллект

• Пространственный интеллект

• Физико-кинестетический интеллект

• Внутриличностный и межличностный интеллект

• Натуралистический и экзистенциальный интеллект

• Творческий интеллект

Разнообразие интеллекта уже на этом этапе показывает, почему мы все еще далеки от машин, которые смогут охватить в полной мере врожденные и приобретенные области интеллекта. Поэтому, по нашему мнению, не только преждевременно, но и чрезмерно концентрировать обсуждение ИИ на сценариях ужасов, в которых машины ИИ захватывают мировое господство.

Ящик памяти

Искусственный Интеллект (ИИ) охватывает две области. Во-первых, он включает в себя исследование того, как "интеллектуальное" поведение может решать проблемы. На основе полученных знаний разрабатываются системы, которые (должны) автоматически генерировать "интеллектуальные" решения. Подход не ограничивается поиском решений так, как это делают люди. Скорее, цель состоит в поиске результатов, которые лежат за пределами пространства человеческих решений. Ядром Искусственного Интеллекта является программное обеспечение!

Существуют различные подходы к концептуализации сущности Искусственного Интеллекта. Следующее очень гибкое определение Рича (Rich, 1983), по нашему мнению, лучше всего подходит для фундаментального прояснения. Оно гласит: "Искусственный Интеллект – это изучение того, как заставить компьютеры делать то, что в настоящее время у людей получается лучше". Эта идентификация Искусственного Интеллекта ясно показывает, что границы возможного постоянно переопределяются. Или вы ожидали 10, 15 или 20 лет назад, что беспилотные автомобили станут почти обычным явлением в 2019 году?

Более точное определение: Искусственный Интеллект – это способность машины выполнять когнитивные задачи, которые мы ассоциируем с человеческим разумом. Это включает в себя возможности восприятия, а также способность рассуждать, самостоятельно учиться и таким образом находить решения проблем независимо. Могут быть применены три типа оценок – комбинированные или изолированные:

• Описание (описание "фактического")

• Предсказание (прогноз "желаемого")

• Рекомендация (рекомендация "что делать")

В ходе разработки Искусственного Интеллекта произошел интересный феномен. Первые задачи Искусственного Интеллекта были трудны для человека, но легки для систем ИИ (например, сложные вычислительные процессы). Такие задачи можно было точно решить с помощью формальных математических правил. Одной из простейших задач для систем ИИ была обработка большого объема данных с использованием этих правил. С другой стороны, компьютерам часто гораздо труднее справиться с задачами, которые легки

для человека, решение которых не основано исключительно на математических правилах. Это относится к распознаванию речи и объектов. Человек очень легко видит, когда физический объект является столом, а когда стулом. У обоих обычно есть четыре ножки, но функция разная. Чтобы научиться этому, системе ИИ часто нужно показать большое разнообразие изображений. Тем не менее, эта система часто – пока еще нет – не может распознать фактическое "значение объектов".

Если система ИИ научилась различать овчарку и волка по большому количеству фотографий, систему можно легко ввести в заблуждение, если на снимке овчарка видна со снегом. Тогда может случиться так, что овчарка будет распознана как волк, потому что на многих фотографиях волков видно снег на заднем плане. Или наоборот: если волк на фотографии носит ошейник для поводка, система ИИ наверняка заподозрит овчарку, потому что на тренировочных фотографиях для алгоритмов ИИ волков с ошейником наверняка почти не было. Вот и вся (текущая) разумность компьютеров!

Мы лучше всего подходим к содержанию Искусственного Интеллекта с помощью рис. 1.2. Важным элементом Искусственного Интеллекта являются так называемые нейронные сети. Этот термин изначально пришел из нейронауки. Там нейронная сеть относится к связям между нейронами, которые выполняют определенные функции как часть нервной системы. Компьютерные ученые пытаются воссоздать такие нейронные сети. Особенностью их является то, что информация в сетях обрабатывается не линейными функциями. Здесь информация обрабатывается параллельно, что возможно благодаря связыванию нейронов и специальным функциям обработки. Таким образом, могут быть отображены даже очень сложные, нелинейные зависимости исходной информации. Крайне важно, что нейронные сети учатся этим зависимостям самостоятельно. Это основано на экспериментальных данных (также называемых обучающими данными), которые подаются в эти системы в начале (ср. Lackes, 2018).

Нейронная сеть — это система аппаратного и программного обеспечения, структура которой ориентирована на человеческий мозг. Таким образом, она представляет собой шедевр Искусственного Интеллекта. Нейронная сеть обычно имеет большое количество процессоров, которые работают

Рисунок 1.2 Компоненты производительности Искусственного Интеллекта (Рисунок авторов)

параллельно и расположены в несколько слоев (см. рис. 1.3). Первый слой (входной слой) получает необработанные данные. Этот слой можно сравнить со зрительными нервами при обработке изображений человеком. Каждый последующий слой (здесь скрытые слои 1 и 2) получает выходной сигнал предыдущего слоя — и больше не данные, обработанные в предыдущих слоях. Аналогично, нейроны в человеческой системе, которые дальше от зрительного нерва, получают сигналы от нейронов, которые ближе к ним. Этот естественный процесс имитируется нейронными сетями. Для обработки данных может использоваться очень большое количество скрытых слоев — часто не просто 100, 1000 или 10 000! Система ИИ учится каждому переходу к другому слою (в идеале). Последний слой (выходной слой) генерирует выходные результаты системы ИИ (ср. Rouse, 2016).

Каждый обрабатывающий узел имеет свою область знаний. Это включает не только правила, с которыми он изначально был запрограммирован. Скорее, это включает знания и правила, которые были разработаны в ходе так называемого машинного обучения в дополнительной или корректирующей манере. Это означает, что "машина" учится сама и может таким образом в большей или меньшей степени дистанцироваться от первоначальных "знаний" (ср. Schölkopf & Smola, 2018).

Ящик памяти

В процессе использования "машина" все больше эмансипируется от исходных входных данных (данные и правила). В сравнении с классическими системами, основанными на правилах (где данные обрабатываются так, как было определено заранее), Искусственный Интеллект пытается самостоятельно развиваться и учиться, чтобы достигать еще лучших результатов на основе полученного опыта. Алгоритмы, используемые изначально, представляют собой лишь почву для разработки новых алгоритмов. Если новые алгоритмы в ходе обучения окажутся более осмысленными, "машина" продолжит работать с ними самостоятельно. Этот процесс называется машинным обучением.

Рисунок 1.3 Различные слои в нейронных сетях (Рисунок авторов)

Для поддержки этого процесса обучения разные уровни соединены различными способами. Как показано на рис. 1.3, входы каждого узла уровня "n" соединены со многими узлами предыдущего уровня "n − 1". Исключение составляет входной слой, который может иметь только один узел (рис. 1.3 показывает здесь три узла). Кроме того, выходы уровня "n" соединены со входами следующего уровня "n+1". Описанные связи позволяют информации передаваться послойно. Второе исключение, касающееся количества узлов, — это выходной слой. Может быть один (как на рис. 1.3) или несколько узлов, с которых можно считывать ответы.

Глубина модели — один из способов описания нейронных сетей. Она определяется количеством слоев, расположенных между входом и выходом. Здесь мы говорим о так называемых скрытых слоях модели. Далее, нейронные сети можно описать шириной модели. При описании ширины учитывается количество скрытых узлов модели и количество входов и выходов на узел. Вариации классического дизайна нейронных сетей позволяют использовать различные формы прямого и обратного распространения информации между слоями.

Давайте подробнее рассмотрим важное машинное обучение (ML). Как уже отмечалось, используются алгоритмы, способные учиться и таким образом самостоятельно совершенствоваться. Алгоритм — это запрограммированное выражение, которое обрабатывает входные данные в предопределенной форме и выводит результаты на их основе. Машинное обучение использует очень специальные алгоритмы — так называемые самоадаптирующиеся алгоритмы. Они позволяют машинам самостоятельно учиться без вмешательства программистов в текущий процесс обучения. Требуются большие объемы данных. Только тогда алгоритмы могут быть обучены таким образом, чтобы они могли лучше и лучше справляться с предопределенными задачами — без необходимости перепрограммирования. Для этого используются инсайты, полученные посредством глубокого обучения (см. ниже). Чтобы способствовать этим процессам обучения, требуются большие объемы высококачественных данных как "обучающий материал". Новые алгоритмы генерируются с помощью этих так называемых обучающих данных. После завершения они непрерывно проверяются с использованием дополнительных входных данных для улучшения основы для принятия решений. Для улучшения производительности алгоритма требуются так называемые данные обратной связи (ср. Agrawal, Gans, & Goldfarb, 2018, с. 43).

В машинном обучении и, соответственно, в разработке все более мощных алгоритмов можно выделить различные типы обучения (ср. Gentsch, 2018, с. 38f; McKinsey, 2018b, с. 2–6.):

• Обучение с учителем

В этом процессе обучения система ИИ уже знает правильные ответы и должна "всего лишь" адаптировать алгоритмы так, чтобы ответы могли быть максимально точно получены из существующего набора данных. Таким образом, цель или задача алгоритма здесь уже известна.

В этом подходе к обучению люди должны идентифицировать каждый элемент входных данных. Должны быть определены и выходные переменные. Алгоритм обучается на введенных данных, чтобы найти связь между входными переменными и выходными переменными. Используемые методы включают линейную регрессию, линейный дискриминантный анализ и метод дерева решений.

Когда обучение завершено — обычно, когда алгоритм достаточно точен — алгоритм применяется к новым данным.

Задача такой системы ИИ может состоять в объяснении известных цен для различных моделей автомобилей по их характеристикам (например, марка, мощность, тип двигателя, функции). Здесь система учится самостоятельно на полностью предопределенном наборе данных распознавать релевантные объясняющие закономерности.

• Обучение без учителя

В этом виде обучения у системы ИИ нет заранее определенных целевых значений, и она должна самостоятельно распознавать сходства и, соответственно, закономерности в данных. Следовательно, пользователь заранее не осведомлен о таких закономерностях; скорее, задача алгоритма — распознать их самостоятельно. Знание, полученное системой, может, таким образом, лежать вне того, что ранее было "человечески вообразимо".

Для этого алгоритм получает неразмеченные данные. В них алгоритм должен самостоятельно распознать структуру. Для этого алгоритм определяет группы данных, которые проявляют сходное поведение или сходные характеристики. Здесь используются методы иерархической и кластеризации K-средних.

Интересная задача для этого — распознавать людей в социальных сетях (распознавание образов), которые особенно восприимчивы к ложным сообщениям, позитивно комментируют их и пересылают. При этом возможно, что это касается именно таких лиц, которые очень любят фотографии кошек или в основном активно публикуют контент в социальных сетях с 22 до 23 часов. Такие выводы могут лежать за пределами того, что могло ожидаться человеком. Президентские выборы в США (2016 г.) и голосование по Brexit (2016 г.) показывают, что такие приложения — к сожалению, с нашей точки зрения — уже использовались.

• Обучение с подкреплением

В этом процессе обучения нет оптимального решения в начале этапа обучения. Система должна итеративно пробовать решения самостоятельно методом проб и ошибок, чтобы отбрасывать и/или дальше развивать их. Этот итеративный процесс движим "вознаграждениями" (за хорошие идеи решений) и "наказаниями" (за неудачные подходы). Эта концепция обучения часто используется, когда доступно мало обучающих данных или когда идеальный результат не может быть четко определен. Она также применяется, когда что-то можно узнать только из взаимодействия с окружающей средой.

В ходе этого процесса обучения алгоритм принимает решение и действует соответственно. Затем он получает вознаграждение, если действие приводит машину к цели. В качестве альтернативы, система будет наказана за отдаление от цели. Алгоритм автоматически оптимизирует свои действия, постоянно корректируя себя.

Эта вариация обучения была использована в соревновании между чемпионом мира по Го и компьютером Alpha-Go, описанном в разделе 1.2. Благодаря симуляции различных игр против самого себя и благодаря опыту "победы" (вознаграждение) и "поражения" (наказание) система могла постоянно совершенствовать свои стратегии.

Глубокое обучение — это особый дизайн нейронных сетей и подмножество машинного обучения (ср. рис. 1.2; ср. Arel, Rose, & Karnowsk, 2010, с. 13; Domingos, 2015; Kelly, 2014, с. 6–8; McKinsey, 2018b, с. 6). Глубокое обучение — это тип машинного обучения, который может обрабатывать более широкий диапазон источников данных, требует меньше ручной предварительной обработки данных и часто дает более точные результаты, чем традиционные подходы машинного обучения. "Глубина" относится к большому количеству слоев нейронной сети. Для этого настраиваются специальные сети, которые могут получать очень большие объемы входных данных и обрабатывать их через несколько слоев. Кроме того, используются специальные методы оптимизации, которые имеют еще более обширную внутреннюю структуру, чем классические нейронные сети. Здесь распознаются глубоко залегающие закономерности и корреляции, которые связывают существующие точки данных друг с другом.

Чтобы справляться с более сложными задачами, компьютеры сегодня могут учиться на собственном опыте и связывать новые входные данные с существующими. Людям больше не нужно сначала формально специфицировать эти данные. Машина постепенно учится собирать сложные концепции из более простых элементов. Визуализация этих корреляций может быть достигнута с помощью диаграмм, которые состоят из большого количества слоев и, таким образом, достигают "глубины" (ср. рис. 1.3). Именно поэтому мы говорим о "глубоком обучении". Примером этого является распознавание рукописного текста. Здесь пиксели должны быть последовательно обнаружены и обогащены содержимым. Классическое программирование делает практически невозможным распознать большое разнообразие рукописного текста. Для этого требуются концепции, которые учатся "самостоятельно".

Ящик памяти

Приложения ИИ обладают базовыми навыками восприятия, понимания, обучения и действия (ср. Bitkom & DFKI 2017, с. 29).

В этом контексте мы говорим о нейрокомпьютинге (также нейронных вычислениях). Это включает технологии, использующие нейронные сети, имитирующие человеческий мозг. Они обучаются для определенных задач, например, для распознавания образов в больших файлах. Комплексная цель приложений ИИ может быть описана термином обнаружение знаний (также обнаружение знаний в базах данных, KDD). Речь идет об "распознавании знаний в базах данных". Для этого применяются различные методы, которые пытаются выявить ранее неизвестные технические связи — так называемую основную идею — в больших наборах данных. Эта "основная идея" должна быть действительной, новой и полезной и в идеале показывать определенную закономерность. В отличие от интеллектуального анализа данных, обнаружение знаний включает не только обработку данных, но и оценку достигнутых результатов.

Ящик памяти

Чтобы демистифицировать Искусственный Интеллект, можно сформулировать это просто: Ядро Искусственного Интеллекта состоит в самостоятельной обработке больших объемов данных, распознавании закономерностей и выдаче описаний, предсказаний, рекомендаций или даже автономных решений на их основе. Приложения ИИ для таких задач часто работают быстрее и — в зависимости от системы — также дешевле, чем процессы, основанные на человеческом труде.

Особой особенностью нейронных сетей является их адаптивность в определенной области применения. Это означает, что эти сети могут самостоятельно меняться и таким образом непрерывно развиваться. В каждом случае полученные результаты основаны на так называемом "первоначальном обучении" с использованием обучающих данных, а также на обработке дополнительных данных. Вес соответствующих входных потоков имеет большое значение. Система ИИ самостоятельно присваивает более высокий вес тем данным, которые способствуют получению правильных ответов.

Для обучения нейронной сети сначала подается большое количество данных. В то же время сеть должна быть проинформирована о том, как должен выглядеть выход. Чтобы обучить сеть распознавать лица известных актеров, система должна обрабатывать множество фотографий актеров, не актеров, масок, статуй, лиц животных и т. д. во время первоначального обучения. Каждая отдельная фотография сопровождается текстом, описывающим содержимое фотографии как можно лучше. С одной стороны, это могут быть имена изображенных актеров, или, с другой стороны, указания, что это не актер, а маска или животное.

Предоставляя описательную информацию, модель может корректировать свои внутренние веса. Таким образом, она учится непрерывно совершенствовать свои методы работы. Узлы A, B и D могут сообщить узлу BB следующего слоя, что входное изображение является фотографией Дэниела Крейга. Напротив, узел C считает, что на снимке изображен Роджер Мур (например, потому что на фотографии рядом с актером показан Aston Martin, используемый в фильмах о Джеймсе Бонде). Если программа обучения теперь подтверждает, что на фотографии на самом деле изображен Дэниел Крейг, узел BB уменьшит вес входного узла C, потому что он сделал неправильную оценку. В то же время система увеличит веса для узлов A, B и D, потому что их результаты были правильными.

Каждый узел самостоятельно решает, какие входы из предыдущего слоя отправляются на следующий слой в какой форме. Для принятия этих решений нейронные сети используют правила и принципы. Может использоваться градиентное обучение, нечеткая логика, генетические алгоритмы и байесовский вывод. Здесь могут быть выработаны основные правила о взаимосвязях различных объектов в моделируемом пространстве. Система распознавания лиц может быть обучена следующим вещам (ср. Rouse, 2016):

• Брови находятся над глазами.

• Усы находятся под носом.

• Бороды могут быть над и/или рядом с ртом, на щеках и у основания шеи.

• Бороды преимущественно встречаются у мужчин; однако, существуют и женские бороды.

• Глаза, расположенные рядом друг с другом на одной высоте.

• Глаза справа и слева над носом.

• Рот находится под носом.

• И так далее.

Такой тип правил, который дается системе при первоначальной загрузке материала (так называемые предварительные правила), может ускорить обучение и сделать модель более эффективной. Они также делают предположения о природе проблемы, которые впоследствии могут оказаться либо нерелевантными и бесполезными, либо даже неправильными.

и контрпродуктивным. Поэтому решение о том, следует ли и какие правила определять заранее, имеет большое значение.

Кроме того, мы хотели бы обратить ваше внимание на еще один важный аспект: справедливость Искусственного Интеллекта. Люди, определяющие предварительные правила и вводящие данные в системы для обучения, по своей природе предвзяты. Таким образом, правила, используемые здесь, а также данные могут проявлять предвзятость в смысле искажения, что влияет на последующие оценки и рекомендации по принятию решений (например, при проверке кредитоспособности) — без (легкого) распознавания.

Ящик памяти

Основной источник ошибок в приложениях ИИ лежит в: предвзятости на входе — предвзятости на выходе!

Ярким примером этой опасности может служить юриспруденция. В США система ИИ должна была выносить конкретные судебные решения. Она обучалась на основе старых судебных решений. В ходе использования было обнаружено интересное явление. Если изменить цвет кожи обвиняемого с белого на черный, наказание внезапно возрастало. Здесь стало ясно, что предрассудки, лежащие в старых судебных решениях, нерефлексивно переносились из системы ИИ в новые юридические дела (ср. Hochreiter, 2018, с. 3; подробнее см. Kleinberg et al., 2019).

Для предотвращения таких рисков, связанных с искажениями в наборах данных, необходимо убедиться, что обучающие данные сбалансированы. Один из способов достижения этого — обмен сбалансированными наборами данных между компаниями. В 2018 году IBM предоставила данные миллиона фотографий лиц для использования в системах распознавания лиц (ср. Rossi, 2018, с. 21). Если для обучения систем ИИ использовались только европейские или только азиатские фотографии, результаты будут сфальсифицированы в отношении глобального использования. Кроме того, ответственная команда программистов ИИ должна обладать высокой степенью разнообразия (по возрасту, полу, национальности и т. д.), чтобы обучающие наборы данных и предварительные правила не содержали (бессознательных) стереотипов и предрассудков программистов.

Исследование 2017 года показывает, как быстро могут возникать такие искажения (ср. Lambrecht & Tucker, 2017). В нем было обнаружено, что реклама Facebook демонстрировалась с гендерной дискриминацией. Объявления о вакансиях в STEM-секторе (наука, технологии, инженерия и математика) демонстрировались женщинам реже, чем мужчинам. Эта неосознанно встроенная дискриминация возникла из-за того, что молодые женщины являются востребованной целевой группой в Facebook. Следовательно, размещение рекламы для них стоит дороже. Таким образом, если у алгоритма был выбор между мужчиной и женщиной с одинаковым показателем кликов, выбор пал на более дешевый вариант — в данном случае мужчину.

Ящик памяти

Во избежание возможных искажений в ваших данных следует использовать различные (надежные) источники данных. Высокая степень разнообразия в ваших командах автоматически приводит к избеганию предрассудков и стереотипов в системах ИИ, ведущих к неверным выводам. Аудит данных может оказать ценную поддержку, систематически проверяя качество поступающих данных.

Обучение на основе демонстрации — это интересное дополнение или альтернатива обучению роботов. Программирование роботов (особенно для производственных процессов) — сложная, трудоемкая и дорогостоящая задача, требующая высокой степени экспертных знаний. Если задачи, процессы и/или производственная среда меняются, используемых там роботов необходимо перепрограммировать. Поэтому компания Wandelbots предлагает решение. Обучение на основе демонстрации позволяет программировать роботов без написания новых программ. Демонстрируя роботам, как должна выполняться конкретная задача, управляющая программа учится необходимым процессам самостоятельно. Это позволяет экспертам по задачам обучать роботов в динамичной и сложной среде — без необходимости навыков программирования. Это означает, что новые задачи могут быть выучены роботом всего за несколько минут, без необходимости специальных знаний. В процессе обучения датчики робота и, при необходимости, другие внешние датчики записывают характеристики окружающей среды, необходимые для процесса обучения (ср. Wandelbots, 2019).

Ящик памяти

Вы должны проверить, в какой степени возможно использование обучения на основе демонстрации при обучении роботов.

В дополнение к избеганию неверных наборов данных, прозрачность процессов принятия решений в системах ИИ представляет собой серьезную проблему. Поскольку машина ИИ самостоятельно достигает результатов и решений, для пользователей, и особенно для тех, кого это затрагивает, возникает вопрос "Почему?". В конце концов, вы не хотите доверять свою судьбу "черному ящику", будь то решение о финансовых инвестициях (ключевое слово робо-консультант), отклонение заявления на кредит или автономное вождение. Скорее, вы хотели бы знать, почему решение было или принимается именно таким образом в конкретной ситуации.

Задача состоит в следующем: Объяснимый Искусственный Интеллект (XAI). Это означает попытку избежать "черного ящика" Искусственного Интеллекта и создать "серый ящик" Искусственного Интеллекта, который позволяет хотя бы частичную отслеживаемость результатов и решений. Цель состоит в том, чтобы сделать процесс и результаты использования ИИ более понятными. Здесь нам необходимо различать разные области:

• Прозрачность данных

Поскольку качество и "неподкупность" Искусственного Интеллекта зависят от доступных баз данных, заинтересованный пользователь должен иметь возможность проверять базы данных приложения ИИ. Если в этих данных выявлены искажения или нерелевантные популяции, результатам системы ИИ нельзя доверять. Следует отметить, что для критического анализа этих баз данных часто требуются экспертные знания; это обычно невозможно для непрофессионалов. Процессы сертификации с соответствующими тестовыми знаками для используемых данных могли бы помочь здесь.

• Прозрачность алгоритмов

В приложениях ИИ особенно важно распознавать, какие алгоритмы были использованы для достижения определенных результатов. Поскольку машина учится сама, этот процесс нелегко понять. Однако для принятия результатов ИИ необходимо иметь возможность распознавать хотя бы основные влияющие факторы

решения (например, в кредитном рейтинге клиентов или в рекомендации, каким лицам следует предложить новое предложение по конкретному каналу и в определенный момент времени). Готовность доверить себя системам ИИ зависит от такой прозрачности. В конце концов, никто (сегодня) не хочет полагаться на системы и их решения, которые невозможно отследить.

• Прозрачность предоставления данных

Цель здесь состоит в том, чтобы подготовить результаты для пользователей и/или тех, кого это затрагивает, таким образом, чтобы даже человек с небольшими математическими и/или статистическими знаниями мог понять полученные знания — насколько результаты автоматически не используются в текущих процессах. В кредитном рейтинге с поддержкой ИИ должно быть возможно понять, почему человек А не получает кредит по сравнению с человеком Б. В разработке судебных решений с поддержкой ИИ должно стать ясно, почему для ответчика X предлагается условный приговор и почему ответчик Y должен быть заключен в тюрьму.

Без Объяснимого Искусственного Интеллекта приложения ИИ остаются "черным ящиком", что затрудняет или делает невозможным критический анализ лежащих в основе процессов и результатов. Тогда пользователи не могут понять, как достигается результат, и им сложнее доверять результатам.

Ящик памяти

Сосредоточьтесь на Объяснимом Искусственном Интеллекте с самого начала — даже если ваши специалисты по ИИ предпочитают обходиться без него. Без определенной прозрачности данных, процессов и результатов вам будет трудно добиться признания пользователей для приложений ИИ и их результатов.

Технологии Искусственного Интеллекта можно различать по степени автоматизации. Пятиступенчатая модель на рис. 1.4 визуализирует возможное разделение труда между человеческим и механическим действием. Степень автоматизации решений зависит от сложности проблемы и производительности используемой системы ИИ. Следующие примеры иллюстрируют, какие правовые, этические и экономические вопросы связаны с соответствующим разделением труда. При принятии решений с помощью ИИ система ИИ поддерживает людей в их решениях. Это может быть алгоритм ИИ, который делает предложения о покупке на Amazon или приводит к автозавершению в наших поисковых запросах Google. Автокоррекция в смартфоне — еще один пример принятия решений с поддержкой. Множество забавных и раздражающих примеров ясно показывают, что некоторые пользователи позволяют системе ИИ принимать автономные решения здесь!

В случае частичных решений система ИИ уже освобождает пользователя от принятия решений (ср. рис. 1.4). Это относится к поисковым процессам в Интернете или в социальных сетях. Здесь пользователю представляется или резервируется информация в соответствии с определенными (непрозрачными) алгоритмами. Так создается так называемый "фильтр-пузырь", в котором каждый живет в своем (иллюзорном) мире, который может быть более или менее далек от реальности (ср. Pariser, 2017). Программы перевода на основе ИИ, доступные сегодня, также должны использоваться только для частичных решений. При критическом анализе

Рисунок 1.4 Пятиступенчатая модель автоматизации принятия решений. Источник: Адаптировано из Bitkom and DFKI (2017, с. 62)

результатов перевода, достигнутых сегодня, все еще могут быть обнаружены многие ошибки — особенно в более сложных текстах или диалогах.

При проверенных решениях идеи решений отдельного человека проверяются системой ИИ — по сути, как применение перекрестной проверки (ср. рис. 1.4). Если система ИИ и человек приходят к одному и тому же результату, это должно соответствовать. При принятии делегированных решений (частичные) задачи намеренно перекладываются человеком на систему ИИ. Часто это относится к контролю качества в производстве; здесь соответствующие системы самостоятельно решают, соответствует ли продукт требованиям качества или нет. При автономном принятии решений целые комплексы задач перекладываются на систему ИИ и выполняются там без дальнейшего вмешательства человека. Это имеет место при использовании робо-консультанта, который принимает независимые инвестиционные решения — часто в реальном времени (ср. разд. 8.1). При автономном вождении уже ясно из самого термина, что водитель делегировал всю ответственность за принятие решений роботу для управления транспортным средством.

Увеличение делегирования решений системам ИИ имеет различные последствия. Менее важно, если рекомендации по покупке, которые клиент получает на Amazon или Zappos, поддерживаются только ИИ и, таким образом, распространяются без вмешательства человека. Даже ошибки перевода, вызванные автоматизированными системами, такими как Google Translate или — гораздо более мощный — DeepL, в большинстве случаев не будут иметь серьезного влияния на жизнь и выживание. Ситуация совершенно иная с автономным вождением. Здесь системы ИИ должны принимать все решения в реальном времени — и это всегда вопрос жизни и смерти. Даже небольшое и краткое отклонение от собственной полосы движения может поставить под угрозу собственную жизнь и жизнь других (ср. разд. 1.2 о проблеме трамвая).

Резюме

• Искусственный Интеллект с его различными приложениями уже вошел в нашу повседневную жизнь.

• Аспекты человеческого интеллекта настолько разнообразны, что потребуется много лет разработок и высокие бюджеты, чтобы хотя бы приблизиться к человеческому интеллекту.

• Приложения Искусственного Интеллекта основаны на знаниях, полученных через нейронные сети. Используются концепции машинного обучения и глубокого обучения.

• Информация обрабатывается на разных уровнях.

• Для развития автоматизированного процесса обучения используются формы обучения, называемые обучением с учителем, обучением без учителя и обучением с подкреплением.

• Необходимо гарантировать, что данные для обучения алгоритмов и используемые изначально алгоритмы не содержат искажений, предрассудков и стереотипов. В противном случае не могут быть достигнуты "нейтральные" результаты.

• Основная задача — сделать процессы и результаты Искусственного Интеллекта понятными. Это задача Объяснимого Искусственного Интеллекта.

• Объяснимый Искусственный Интеллект относится к прозрачности используемых данных, прозрачности используемых алгоритмов и прозрачности предоставления данных результатов.

• Создание такой прозрачности является предпосылкой для принятия систем ИИ — внутри компании и за ее пределами.

1.2 Какие цели могут быть достигнуты с помощью Искусственного Интеллекта?

Человек всегда стремился имитировать природу и подражать найденным в ней решениям. Нож был выведен из когтя. Способность птиц летать вдохновила людей на разработку широкого разнообразия летательных аппаратов, включая захватывающий A 380. Огонь с его различными функциями был "одомашнен" человеком как печь, лампочка и обогреватель.

Человек поставил перед собой задачу, которая еще не решена: механическое воспроизведение человеческого интеллекта. Первые вычислительные машины начали разрабатываться уже в 17 веке. Абак, механическое вычислительное средство, до сих пор частично используемое, датируется вторым тысячелетием до н.э. Развитие компьютеров значительно продвинулось только в 1940-х годах благодаря немецкому разработчику Конраду Цузе. Машины Zuse Z3 и Zuse Z4 были первыми универсально программируемыми компьютерами. Уже тогда основной целью было сравняться с человеческим интеллектом с помощью технологий (ср. Bostrom, 2014, с. 4). С тех пор были достигнуты дальнейшие фундаментальные прорывы. В 1997 году многие люди внимательно слушали, когда действующий чемпион мира по шахматам Гарри Каспаров был впервые побежден шахматным компьютером IBM Deep Blue.

Затем потребовалось еще десять лет, до 2011 года, чтобы победить действующих чемпионов Кена Дженнингса и Брэда Раттера в интеллектуальном шоу Jeopardy, которое было наполнено остроумным языком, иронией и свободными ассоциациями. Победитель: компьютер IBM Watson. Комментарий Кена Дженнингса был захватывающим: "Брэд и я были первыми работниками умственного труда, которые были вытеснены новым поколением 'думающих' машин" (Kairos Future, 2015). Важно понимать, что к победе привело не только энциклопедическое знание Уотсона, но и способность понимать естественный язык, распознавать иронию, расшифровывать абстрактные утверждения, целенаправленно получать доступ к знаниям и быстро принимать решения.

Сам компьютер отвечал на естественном языке; однако, в то время он еще не мог понимать естественный язык. Поэтому вопросы викторины передавались на компьютер в виде текста. Затем алгоритмы просматривали архив знаний в поисках слов, связанных с запросом. Уотсон имел онлайн-доступ к Википедии и последним десяти томам New York Times. Из каждого запроса выбиралось 50–60 информационных единиц, и составлялся рейтинг из максимум 200 гипотез. Вопросы, на которые нужно было ответить, касались географии, точных дат или даже каламбуров. На основе многих тысяч вопросов Jeopardy Уотсон определил, какие алгоритмы лучше всего отвечают на какую категорию вопросов. Более 1000 алгоритмов работали параллельно. Уотсон победил человеческих гениев в области, где — в отличие от шахмат — доминируют двусмысленности, ирония и каламбуры (ср. Heise, 2011).

Затем потребовалось еще пять лет, до марта 2016 года, когда счет в игре Го, самой сложной игре в мире, составил 4:1 в пользу компьютера. Действующий чемпион мира по Го Ли Седоль из Южной Кореи был побежден программным обеспечением Google AlphaGo. Ли проиграл четыре из пяти игр самообучающемуся, постоянно совершенствующемуся программному обеспечению. Перед игрой чемпион мира был уверен в победе. В конце концов, игра Го гораздо более разнообразна, чем шахматы. Игровое поле имеет не только 64, но 361 поле. Это приводит к гораздо большему количеству игровых возможностей — задача как для человека, так и для машины. У чемпиона мира был только один — хорошо тренированный — мозг. AlphaGo, с другой стороны, имел доступ к двум нейронным сетям с миллионами связей. Компьютер мог как "думать", так и предсказывать наиболее вероятные характеристики своего противника. Особенностью было сочетание знаний с интуицией. Алгоритмы глубокого обучения позволяют не только анализировать тысячи ходов. Методом проб и ошибок нейронная сеть обучила себя учиться на собственном опыте — точно так же, как человек, но гораздо быстрее (ср. обучение с подкреплением в разделе 1.1).

После соревнования Ли Седоль сказал две вещи: Компьютер снова и снова удивлял его ходами, которые никто бы не сделал и никогда раньше не играл. В то же время, однако, он неоднократно чувствовал, что играет против человека (ср. Ingenieur, 2016).

Пища для размышлений

Эта победа Искусственного Интеллекта в борьбе с чемпионом мира по Го в 2016 году стала "моментом Спутника" для Китая, побудив его с полной силой обратиться к этой новой технологии (ср. Lee, 2018, с. 3). Термин "момент Спутника" обыгрывает самовосприятие

США, которое было поколеблено Советским Союзом в октябре 1957 года. Им удалось запустить первый искусственный спутник под названием "Спутник" в космос. С основанием NASA (Национальное управление по аэронавтике и исследованию космического пространства) в США это вызвало гонку между великими державами в космосе, которая привела к высадке американцев на Луну в июле 1969 года.

До поражения в игре Го лишь немногие специалисты в Китае занимались темой Искусственного Интеллекта. "Момент Спутника" стал ее завершением. С 2016 года началось настоящее увлечение ИИ, что пробудило любопытство сотен тысяч исследователей к новой технологии и побудило государство сделать крупные инвестиции — со значительным прогрессом в этой области.

Будет ли такой "момент Спутника" для США или Европы? Если да, то как долго нам придется его ждать?

Самое большое достижение современного Искусственного Интеллекта состоит в преобразовании существующей информации одного вида в информацию другого. Это включает перевод одного языка на другой, выявление мошенничества с кредитными картами, прогнозирование уровней запасов или расчет наилучшего возможного маршрута в реальном времени. Тогда как около 1990 года можно было выявить мошенничество с кредитными картами с вероятностью 80%, к 2000 году этот показатель уже вырос до 90–95%. Сегодня он составляет даже 98–99,9% (ср. Stolfo, Fan, Lee, & Prodromidis, 2016; West & Bhattacharya, 2016). Реальное достижение заключается в повышении точности. Усовершенствованные алгоритмы, а также более высокая доступность данных позволяют улучшить обслуживание во все большем количестве областей повседневной жизни при значительно более низких затратах, даже при применении к широким массам (ср. Agrawal et al., 2018, с. 27).

Ящик памяти

Удобство и низкие затраты являются решающими факторами прорыва технологии!

Пища для размышлений

Искусственный Интеллект может использоваться очень широко и — да — в мироизменяющем масштабе. Технически (почти) нет ограничений на возможные области применения Искусственного Интеллекта. Поэтому ограничения должны быть установлены этическими нормами. Тот факт, что это может произойти на глобальном уровне, следует поставить под сомнение, поскольку ранее преобладавший и часто способствовавший миру и богатству многосторонний подход все больше ставится под вопрос.

Сегодня технические усилия сосредоточены на разработке технологий ИИ, которые могут воспринимать, учиться, планировать, принимать решения и действовать немедленно — и часто одновременно приходится иметь дело с высокой степенью неопределенности. Следовательно, многие проекты ИИ больше не нацелены исключительно на имитацию человеческого облика и мышления, как это часто бывает в базовых исследованиях ИИ. Компании все больше стремятся достичь социальных и, прежде всего, экономических преимуществ, используя Искусственный Интеллект. Существуют разные подходы к определению целей ИИ. Распространенный подход состоит в разделении Искусственного Интеллекта следующим образом:

• Сильный Искусственный Интеллект

• Слабый Искусственный Интеллект

Эта классификация была впервые введена в 1980 году американским философом Джоном Серлом (ср. Searle, 1980, с. 5–7). Сильный Искусственный Интеллект описывает стремление воспроизвести, оптимизировать и даже продвинуться в новые области производительности с помощью технологий во многих областях нашей повседневной жизни. Слабый Искусственный Интеллект, с другой стороны, уже достигается путем выполнения задачи на уровне человека или немного выше — игры в шахматы, предоставления информации клиентам или анализа пяти миллионов записей данных в реальном времени. Речь идет не столько о имитации человеческих способностей, сколько о решении сложных проблем и работе с вещами лучше, чем позволяют человеческое познание и физические возможности.

В то время как приложения слабого Искусственного Интеллекта до сих пор доминировали, исследователи все больше продвигаются к приложениям сильного Искусственного Интеллекта. Ожидается, что технологии ИИ в среднесрочной перспективе превысят критическую "массу знаний" благодаря их способности к самообучению. Уже описанная способность к самообучению приводит к тому, что система без внешней поддержки может пополнять свою базу знаний исключительно на основе полученных экспериментальных данных, своих собственных наблюдений и выводов, и таким образом оптимизировать свое поведение при решении проблем. Это приведет к истинному взрыву интеллекта, ведущему к сверхинтеллекту — интеллекту, который превосходит границы человеческой мысли, чувств и действий (см. рис. 1.5). Такой интеллект был бы воплощением сильного Искусственного Интеллекта.

Рисунок 1.5 Развитие до взрыва интеллекта. Источник: Адаптировано из Bostrom (2014, с. 76)

Этот сверхинтеллект эмансипируется от человеческого интеллекта и придет к иным решениям, чем те, которые придумывал человек до сих пор — на основе большего объема данных, более быстрой обработки и более объективной (?) оценки. Будут ли эти сгенерированные ИИ решения лучше или хуже, чем те, которые были созданы руками человека, можно решить только на основе ценностей. Это порождает ряд вопросов:

• Кто определяет ценности, на которых системы ИИ основывают свои решения и действия — все еще люди или сама машина?

• Какие "правильные" ценности вообще?

• Что было бы "оправданным" — и с чьей точки зрения это определено?

• Что происходит, когда ценности человека и машины больше не совпадают?

• В соответствующих конфликтных ситуациях кто решает — если необходимо, в реальном времени — какой канон ценностей?

• Как долго еще человек будет у руля?

• Будут ли нас вообще спрашивать — и если да, то кто?

Ящик памяти

Хотя есть законные опасения относительно разработок сильного ИИ, мы должны рассмотреть возможность развития сверхинтеллекта. Одно ясно: если сверхинтеллект появится, он окажет кардинальное влияние на наше общество!

Пища для размышлений

На фоне этого есть фраза, сформулированная гением Хокингом (Hawking, 2014): "ИИ может стать концом человеческой расы".

Центр Leverhulme по будущему интеллекта проводит фундаментальные исследования по теме Искусственного Интеллекта в этом контексте. Миссия определена следующим образом (Leverhulme Centre, 2019):

Наша миссия в Центре Leverhulme по будущему интеллекта (CFI) заключается в создании нового междисциплинарного сообщества исследователей с тесными связями с технологами и политическим миром, и с четкой практической целью: работать вместе, чтобы гарантировать, что мы, люди, максимально используем возможности Искусственного Интеллекта по мере его развития в ближайшие десятилетия.

CFI исследует возможности и вызовы технологий ИИ. Темы варьируются от алгоритмической прозрачности до исследования воздействия Искусственного Интеллекта на демократию. Также предполагается, что в компьютерах — возможно, еще в этом столетии — будет создан интеллект, соответствующий человеческому интеллекту. Цель CFI состоит в том, чтобы объединить лучшее человеческого интеллекта для максимального использования машинного интеллекта (ср. Leverhulme Centre, 2019).

Рэй Курцвейл — директор по инженерии в Google — ожидает взрыва интеллекта уже примерно к 2045 году. Это приведет к гигантскому дополнению человеческого мозга и, таким образом, кардинально повысит общую эффективность человека. В крайних случаях это может означать, что мы преодолеем собственную биологию (включая смерть) и сольемся с технологиями (ср. Galeon, 2016; Kurzweil, 2005)?

В этом контексте используются два термина: загрузка (uploading) и смещение (upshifting). Загрузка — это (пока еще) гипотетический процесс, при котором совокупность человеческого сознания переносится на чрезвычайно мощный компьютер. Это перенесенное сознание будет включать в себя всю личность человека со всеми его воспоминаниями, опытом, эмоциями и т. д. В ходе загрузки этот перенос происходит за один шаг. Смещение предполагает, что этот процесс происходит постепенно, то есть небольшими шагами. Для этого нейроны мозга постепенно заменяются электронными компонентами. Конечный результат одинаков для обоих процессов, различается только временной промежуток.

Описанные здесь разработки называются трансгуманизмом. Речь идет о биологическом расширении возможностей человека с помощью компьютеров (ср. Russell & Norvig, 2012, с. 1196). Сначала это может показаться абстрактным, но давайте поближе рассмотрим медицинские разработки. Технологии всегда играли важную роль в медицине. Протезы в любой форме служат расширением поврежденных частей тела и замещают разрушенные функции. То, что началось с деревянных ног, очков, а позже и кардиостимуляторов, сейчас все больше и больше расширяется на нейронном уровне. Цель состоит в том, чтобы облегчить страдания пациентов с болезнью Паркинсона, эпилепсией или психологическими заболеваниями, такими как депрессия, путем вмешательств непосредственно в мозг. Для автономной стимуляции определенных областей мозга используются нейротехнологические имплантаты (ср. Krämer, 2015, с. 40–42; Stieglitz, 2015, с. 6).

Поэтому можно задать вопрос:

• Насколько трансгуманизм уже присутствует в наших текущих исследованиях?

• В какой форме следует включать трансгуманизм в базовые политические и экономические решения?

• Какие эффекты оказывают такие вмешательства непосредственно в мозг на личность человека и наше общество?

• Что определяет нас как людей?

Пища для размышлений

Развитие в направлении трансгуманизма ясно показывает, что сегодняшние ограничения Искусственного Интеллекта больше не лежат в области технологий. Скорее, существует срочная необходимость в действиях по прояснению связанных с этим этических вопросов до того, как технологические разработки будут продолжать нас опережать! В противном случае визионеры-ученые возьмут руль ИИ — из любых регионов мира и с любым ценностным основанием, которое у них есть.

В дополнение к промоутерам Искусственного Интеллекта существует большое количество критиков ИИ, которые указывают на опасности комплексного использования Искусственного Интеллекта и/или сомневаются в достоверности сильного Искусственного Интеллекта. Среди них такие личности, как Пол Аллен, Гордон Белл, Дэвид Чалмерс, Джефф Хокинс, Дуглас Хофштадтер, Гордон Мур, Стивен Пинкер, Терман Роджерс и Тоби Уолш, а также различные учреждения по всему миру (ср. Allen, 2011; Bitkom & DFKI, 2017, с. 29–31; Chalmers, 2010; IEEE Spectrum, 2008; Walsh, 2016). Они приводят различные причины, по которым технологическая сингулярность не является тем, что

ожидает нас в среднесрочной перспективе или вообще. Термин технологическая сингулярность указывает на момент времени, когда машины усовершенствуют себя Искусственным Интеллектом с такой скоростью, что технический прогресс ускорится до такой степени, что предсказать будущее человека и человечества станет невозможно.

Даже если не предвидится, когда именно следует ожидать тех или иных результатов и когда или будет ли достигнута технологическая сингулярность из-за неопределенностей в будущем развитии ИИ, необходимость определения этических целей остается. Ярким примером является проблема трамвая с автономными транспортными средствами:

• Как система должна принимать решение в опасной ситуации?

• В случае неизбежной аварии должна ли она ставить под угрозу жизнь ребенка?

• Или смерть пожилой пары?

• Или она должна врезаться в стену и таким образом рисковать жизнью водителя и, возможно, других пассажиров?

• Можем ли мы разделить человеческие жизни на более и менее ценные группы и таким образом решать о жизни и смерти?

• Или мы хотим использовать генератор случайных чисел, который принимает окончательное решение независимо от спецификаций программиста?

Пища для размышлений

В этом контексте говорят и об алгоритме смерти; в конце концов, алгоритм будет решать, кто выживет, а кто нет!

Интересно отметить, что для "машины" установлены более высокие моральные стандарты, чем для человека. Потому что даже у людей-водителей нет обязательных правил, как принимать решения в таком случае.

Ответы на такие вопросы могут иметь устойчивые социальные, политические, экологические и экономические последствия. Тот факт, что овладение технологией ИИ не является тривиальным, уже можно признать из того, что люди часто больше не могут понять, как некоторые программы ИИ принимают свои решения (ср. Объяснимый Искусственный Интеллект в разделе 1.1). Это потому, что Искусственный Интеллект использует разные алгоритмы. С одной стороны, результат классического дерева решений все еще легко реконструируется. С другой стороны, если используются такие концепции, как обучение с подкреплением или глубокое обучение (ср. раздел 1.1), трудно добиться отслеживаемости процесса и результата, обрабатывая миллионы параметров (ср. Rossi, 2018, с. 21).

Ящик памяти

Использование алгоритмов ИИ все чаще приводит к компромиссу между отслеживаемостью и точностью. Пользователи должны решить, что для них важнее: отслеживаемость подхода или точные результаты. Оба часто невозможно достичь одновременно.

Если решения следует соблюдать — несмотря на отсутствие отслеживаемости — эти системы ИИ должны быть запрограммированы с "ценностями", на которых основаны решения. Но что произойдет, если система ИИ определит, что запрограммированные ценности серьезно ограничивают пространство решений и предотвращают якобы "наилучшее" решение? Может ли система самостоятельно развивать ценности и таким образом изменять их? Потому что даже ценности, определенные людьми на основе сегодняшних знаний, могут устареть — в свете гораздо более полных, сгенерированных ИИ знаний.

Пища для размышлений

Что произойдет, если система ИИ определит, что выживание планеты Земля в долгосрочной перспективе возможно только с населением в один миллиард человек — или полностью без людей и их массивного вмешательства в природу? Какие решения должны быть приняты и кем применены? Или уже предпосылка неверна, что планета Земля должна продолжать существовать — когда есть достаточно других планет (будь то одушевленные или нет)? Или фокус — это просто дальнейший рост человечества — любой ценой?

Вопросы, на которые нельзя ответить без системы ценностей. Но кто имеет право разработать эту систему ценностей — кем легитимирован?

В любом случае, степень, в которой Искусственный Интеллект может принимать решения независимо, должна быть определена до внедрения ИИ, и где инстанция человеческого контроля незаменима. Это единственный способ определить этот предел заранее. Или он будет продолжать смещаться в сторону автономии систем ИИ, потому что у нас был хороший опыт с результатами? Можем ли мы поэтому когда-либо создать безопасный и прочеловеческий Искусственный Интеллект? Использование систем ИИ военными достигнет серьезных пределов (ср. разд. 9.2).

Философ Томас Метцингер выступает против попыток в науке программировать сознание, чтобы обеспечить наше плюралистическое общество (ср. Metzinger, 2001). Макс Тегмарк основал Future of Life Institute и опубликовал список с сотнями подписей ученых против разработки автономных систем вооружения (ср. Future of Life Institute, 2015). Но именно это уже происходит сегодня: дроны с управлением ИИ, которые не только выполняют полет автономно, но и самостоятельно распознают и атакуют цели (людей и вещи). Прошлое здесь не является светлым пятном надежды: до сих пор почти все технологические возможности широко использовались в военных целях — вплоть до атомной бомбы.

Пища для размышлений

• Насколько автономность мы, как потребители и лица, принимающие решения в компаниях, хотим предоставить технологиям ИИ?

• Где мы устанавливаем этические границы для Искусственного Интеллекта?

• Как мы можем установить, что такое установление границ целесообразно?

• Какими целями мы руководствуемся?

• Какие ценности мы основываем на разработках — что является "добром", а что "злом"?

Совет по художественному чтению

Тем, кто интересуется "историей завтрашнего дня", стоит взять в руки бестселлер Юваля Ноя Харари "Homo Deus".

Резюме

• Искусственный Интеллект — это не просто имитация человеческого интеллекта. Он также служит для выполнения действий, которые люди не могли выполнять до сих пор, не так быстро и/или не так хорошо.

• Общее подразделение Искусственного Интеллекта — на слабый Искусственный Интеллект и сильный Искусственный Интеллект.

• Слабый Искусственный Интеллект имеет целью достижение человеческих способностей на том же или немного более высоком уровне (например, игра в шахматы).

• Сильный Искусственный Интеллект описывает стремление достичь человеческих возможностей с помощью технологий во всех областях нашей повседневной жизни.

• Развитие сильного Искусственного Интеллекта ведет к таким явлениям, как сверхинтеллект, технологическая сингулярность и трансгуманизм.

• Разработки в трансгуманизме называются загрузкой (uploading) и смещением (upshifting).

• До развития сильного Искусственного Интеллекта — в идеале — необходима глобальная этическая договоренность об использовании ИИ, которая, вероятно, никогда не будет достигнута.

1.3 Области применения Искусственного Интеллекта

До сих пор не существует единого подхода к описанию различных областей применения Искусственного Интеллекта. Некоторые эксперты сосредоточены на вопросах, связанных с информационными технологиями. В результате появляются категории ИИ, такие как "машинное обучение", "моделирование", "решение проблем" или "неопределенные знания" (ср. Görz, Schneeberger, & Schmid, 2013; Russell & Norvig, 2012). По нашему мнению, такие классификации имеют мало смысла, поскольку они скорее направлены на основы Искусственного Интеллекта, а не на захватывающие области применения. Мы видим самые важные области применения Искусственного Интеллекта, как показано на рис. 1.6.

Границы между областями применения Искусственного Интеллекта, показанными на рис. 1.6, все больше размываются. Это иллюстрируется примером автономного транспортного средства:

• Если водитель вводит пункт назначения с помощью голосовой команды, и автомобиль подтверждает пункт назначения с помощью естественного разговорного языка, такого как "Пункт назначения Сиэтл подтвержден", во время ввода и вывода происходит обработка голоса.

• Автономный или полуавтономный легковой автомобиль должен непрерывно обрабатывать множество изображений с разных камер. Это единственный способ распознавать красные светофоры, знаки "стоп" и ограничения скорости, а также пешеходов, велосипедистов и других участников дорожного движения. Основой для этого является обработка изображений.

Рисунок 1.6 Области применения Искусственного Интеллекта (Рисунок авторов)

• Во время поездки пассажиры могут узнать о самых дешевых автозаправках, туристических достопримечательностях и интересных ресторанах и отелях. Для этого используются экспертные системы.

• В конце концов, весь автомобиль с его интегрированными технологиями (включая распознавание голоса и изображений) представляет собой особенно мощного робота. Его задача — безопасно и экономично перевозить пассажиров и/или грузы из пункта А в пункт Б.

В результате многие приложения ИИ сегодня уже представляют собой смешанные формы областей применения Искусственного Интеллекта, представленных здесь.

Ящик памяти

Искусственный Интеллект — это сквозная технология — точно так же, как компьютеры, автомобили, телефоны и Интернет. Поэтому приложения ИИ рано или поздно проникнут во все отрасли и на все этапы создания стоимости, более или менее комплексно.

Deloitte (2017) обнаружил, какие области Искусственного Интеллекта, определенные на рис. 1.6, доминируют сегодня, проведя всемирный опрос 250 руководителей, ориентированных на ИИ. Рисунок 1.7 показывает, что роботизированная автоматизация процессов является наиболее распространенной формой. Обработка голоса занимает второе место, за ней следует использование экспертных систем и физических роботов. Обработка изображений не была упомянута в этом исследовании. По нашему мнению, области машинного обучения и глубокого обучения нейронных сетей, упомянутые на рис. 1.7 — как уже объяснялось выше — представляют собой не независимые области применения, а скорее формируют основу использования ИИ.

Ниже индивидуальные области применения Искусственного Интеллекта рассматриваются более подробно.

1.3.1 Обработка естественного языка (NLP)

Естественные языки — это те, на которых говорят люди. От них следует отличать языки программирования, такие как Java или C++. Обработка естественного языка (NLP) или распознавание речи занимается компьютерными программами, которые позволяют машинам понимать человеческую речь, как устную, так и письменную. Это специфическая форма автоматического распознавания образов, называемая лингвистическим интеллектом.

На рисунке 1.8 показано значение распознавания речи в будущем. Начиная с 2018 года, ожидается пятикратное увеличение доходов к 2021 году. Это веские причины для того, чтобы вы ознакомились с этими областями применения сегодня.

Нам необходимо различать следующие типы применения обработки естественного языка:

• Речь в текст (STT)

В этом приложении устное слово преобразуется в цифровой текст. Это относится к приложению Siri (Apple), если электронные письма или заметки диктуются прямо в смартфон.

• Речь в речь (STS)

Такое приложение доступно в Google Translate. Здесь входная речь на английском языке немедленно переводится в речь на японском или китайском языке. Для вывода языка используется так называемая генерация естественного языка (NLG). При использовании цифровых персональных помощников (таких как Alexa или Google Home) последовательности вопросов и ответов также используют этот вариант. Точнее, это следует называть: STT—Обработка—TTS. Поскольку цифровые помощники сначала преобразуют устную речь в цифровой текст, интерпретируют и обрабатывают его, генерируют цифровой текст в качестве ответа, который затем озвучивается — и все это за несколько секунд!

Рисунок 1.7 Статус-кво использования Искусственного Интеллекта в 2017 году — по всему миру. Источник Согласно Deloitte (2017, с. 6)

• Текст в речь (TTS)

Это приложение создает устный вариант текста на основе цифровых документов. Электронные письма, SMS и другое содержимое могут быть "прочитаны вслух" таким образом. Акустические объявления в системах голосового диалога также относятся к этой категории. Эта функция может быть особенно полезна для людей с нарушениями зрения, которые таким образом могут "читать" экранную информацию.

• Текст в текст (TTT)

В приложениях TTT электронный текст преобразуется в другой язык — также в текстовой форме — с помощью программы перевода, такой как DeepL или Google Translate.

Для систем ИИ обработка такого рода данных представляет собой особую задачу. Причина в том, что каждый человек имеет свою индивидуальную устную и письменную форму выражения. Она состоит из индивидуального сочетания диалекта, акцента, словарного запаса, фонологии, морфологии, синтаксиса, семантики и прагматики (ср. Nilsson, 2010, с. 141–143). Приложения NLP должны уметь понимать "истинное" значение высказывания — как это делает человеческий мозг (хотя и не всегда правильно!) — несмотря на различия во всех этих областях. Если в общении используются остроумие, ирония, сарказм, каламбуры и риторические фразы, это приводит к все еще трудной для многих систем ИИ дилемме данных.

Процесс ИИ, отвечающий за обработку устной речи, называется пониманием естественного языка (NLU). Особенность заключается не только в чистом смысле предложения, но и в многослойном значении, которое может с ним ассоциироваться. Это можно проиллюстрировать примером так называемой четырехсторонней модели (модели четырех ушей, также называемой коммуникационным квадратом; ср. рис. 1.9). Каждое устное сообщение может содержать четыре различных вида информации:

Рисунок 1.8 Прогноз глобальной выручки от распознавания речи — 2015–2024 гг. (в млн долл. США). Источник Statista (2018 г.)

• Фактическая информация

Речь идет о конкретной, "чистой" информации высказывания.

• Самораскрытие

С сообщением отправитель одновременно передает — намеренно или ненамеренно — информацию о себе, которой он хочет поделиться с другим человеком — или нет.

• Отношение

Используя термины и тип акцента, мы также "раскрываем" что-то о том, что мы думаем о другом человеке и как мы относимся к этому человеку.

• Призыв

Часто сообщение также содержит просьбу или приглашение, адресованное другому человеку.

Таким образом, неясно определено, как получатель обрабатывает наше сообщение. Наш собеседник потенциально слушает всеми четырьмя ушами и решает — подсознательно или сознательно — какую именно грань он или она (хочет) услышать из сообщения.

Ящик памяти

Многие недоразумения в повседневном общении — частном и профессиональном — возникают из-за того, что мы обычно не осознаем все четыре аспекта сообщения, которое мы отправляем или получаем. Недоразумения — это логическое следствие — но их можно избежать!

Известный пример иллюстрирует это. Представьте следующую ситуацию: Она сидит за рулем обычной машины, он — на пассажирском сиденье. Теперь он говорит: "Светофор

Рисунок 1.9 Четырехсторонняя модель — четыре аспекта сообщения. Источник: Адаптировано из Schulz von Thun (2019)

зеленый." Что можно услышать в зависимости от качества отношений и опыта, полученного двумя протагонистами?

• Фактическая информация: Светофор зеленый. Мы можем ехать!

• Самораскрытие: Я гораздо более квалифицирован, чем ты, чтобы водить машину, потому что я уже заметил, что светофор зеленый!

• Отношение: Я всегда должен говорить тебе, что делать!

• Призыв: Просто поезжай!

Долговечность предполагаемых отношений между двумя людьми во многом зависит от того, какое из четырех ушей используется для получения сообщения и его интерпретации.

Ящик памяти

Используйте четырехстороннюю модель в течение нескольких дней в своей профессиональной и частной жизни — и распознавайте, какие недоразумения возникают, когда мы не осведомлены о различных измерениях нашего общения. Здесь мы можем только стать лучше! Таким образом, мы можем прояснить — в случае неожиданных реакций со стороны другого человека — какое сообщение мы "на самом деле" хотели отправить (например, что светофор показывает "зеленый").

Система ИИ должна также развить способность модели четырех сторон — которая даже у людей не разработана комплексно — если она хочет стать эмпатичным, сострадательным собеседником. Многие приложения еще далеки от этого, как мы можем видеть в многих приложениях изо дня в день.

Рисунок 1.10 показывает все, что относится к теме обработки естественного языка. Здесь снова появляется термин понимание естественного языка (NLU). NLU является подмножеством NLP. Функции, выходящие за рамки чистого понимания речи или чистого воспроизведения речи, относятся к области NLP.

Рисунок 1.10 Функции обработки естественного языка. Источник: Адаптировано из MacCartney (2014)

Понимание естественного языка относится к декодированию естественного языка, т.е. механической обработке входной информации, представленной в виде текста или устной речи (ср. рис. 1.10). Это делается с помощью семантического анализа или извлечения информации. Семантика занимается значением языковых знаков и последовательностей знаков; речь идет о значении и содержании слова, предложения или текста. Термин парсинг означает разбивку или анализ. Оценка с помощью семантического парсинга позволяет понимать отдельные слова или предложения.

Для этой цели также используется парафраз (см. рис. 1.10). Это означает транскрипцию языкового выражения другими словами или выражениями. Необходимо преобразовать информацию естественного языка в машинное представление ее интерпретации. Извлечение отношений фиксирует содержание текстов и анализирует множественные ссылки внутри предложений в контексте. Если пресс-секретарь Martin Miller из Capital Inc. отвечает на вопросы журналистов в тексте, это означает, что Martin Miller является сотрудником Capital Inc. или по крайней мере действует от их имени.

Анализ настроений используется для определения специфической информации из голосовых сообщений (ср. рис. 1.10). Часто проводится различие между позитивными, нейтральными и негативными настроениями. Таким образом, из комментариев в Twitter можно определить, является ли твиттерщик скорее критическим, нейтральным или позитивным по отношению к политику, партии и/или определенным политическим проектам. То же самое можно сделать в отношении брендов, менеджеров и компаний.

Вместе эти анализы формируют основу для комплексного понимания передаваемого голосового сообщения с целью генерации информации на его основе. Для этой цели используются диалоговые агенты. В дополнение к цифровым персональным помощникам (таким как Alexa, Bixby, Cortana, Google Assistant, Siri & Co.; ср. разд. 4.1.2), диалоговые агенты все чаще внедряются для предоставления поддержки клиентов. Возможны все варианты ввода-вывода: текст-текст, текст-речь, речь-текст или речь-речь, а также их комбинации в рамках диалога. Здесь снова используется генерация естественного языка (NLG).

Переход к NLP начинается там, где требуется начальная интерпретация языка, например, ответы на вопросы или написание кратких изложений текстов (ср. рис. 1.10). Точное разграничение, как это часто бывает, размыто. Самая сильная форма краткого изложения — это категоризация текста, которая обобщает все содержание одним словом или фразой. Это будет показано на примере смысла отзывов клиентов. Одно высказывание может быть таким: "Наушники были слишком дороги!!! Я никогда не видел такой плохой обработки раньше, и разъем уже сломан." Комментарий может быть отнесен к категории "цена" по ключевому слову "дорогой". Однако, как в данном случае, часто имеет смысл сделать несколько назначений. Категории "продукт" (по термину "наушники") и "качество" (распознается по терминам "обработка" и "сломан") также рассматриваются в этом примере. При наличии тысяч комментариев, которые получает онлайн-ритейлер, оценка становится намного проще, когда эти категории определены.

Перевод текста на другой язык также требует комплексной интерпретации NLU. Кроме того, следует использовать дополнительные методы анализа. Здесь применяется синтаксический анализ. В отличие от семантики, синтаксис — это учение о том, как формируются предложения, т.е. как слова и группы слов обычно

соединены в предложения. Следовательно, здесь анализируются грамматические структуры текста и используются для представления контекстно-свободной связи между отдельными элементами слов. Термин парсинг означает разбивку или анализ. Благодаря совместной оценке с помощью семантического и синтаксического парсинга, теперь возможно не только понять отдельные слова или предложения, но и вывести полное содержание, обработать его и сгенерировать ответы.

Кроме того, используется маркировка частей речи (POS-tagging). Маркировка частей речи означает аннотацию или добавление. В частности, в контексте обработки естественного языка это означает, что слова или целые тексты сопровождаются дополнительными объяснениями или дополнительной информацией для улучшения понимания. Это направлено на исключение двусмысленностей. Этот тип добавления можно объяснить на примере следующего предложения: "Женщина работает в компании". Соответствующие аннотации выглядят следующим образом:

• "the" (аннотация: определенный артикль, единственное число)

• "woman" (аннотация: существительное, женский род, единственное число, именительный падеж)

• "works" (аннотация: конечный глагол, настоящее время, 3-е лицо единственное число, изъявительное наклонение, производное от основной формы "work")

• "in" (аннотация: предлог)

• "the" (аннотация: определенный артикль, единственное число)

• "company" (аннотация: существительное, единственное число)

Другой метод, связанный с извлечением информации, — это распознавание именованных сущностей (NER). Здесь система пытается идентифицировать все имена собственные, такие как имена, фамилии, названия брендов, названия компаний и т. д., и присвоить им соответствующее значение. Если это удается, команда авторов "Kreutzer/Land" не будет неправильно переведена с немецкого на английский как "Kreutzer/Country", мой родной город "Königswinter" не будет переведен в "Royal winter" программой перевода (как это происходило в тестовых запусках), а "Mark Zuckerberg" больше не будет неправильно переведен как "Mark Sugar Mountain"!

При дальнейшей обработке текста разрешение кореференции определяет, какие слова относятся к одной и той же сущности (т.е. единице), чтобы сделать соответствующее назначение. Примером может служить следующее: Одно предложение говорит об "Audi". Затем следует предложение: "Компания может оглянуться на долгую традицию автомобилестроения, в которой ей удалось расти в долгосрочной перспективе". В данном случае "компания" и "it" относятся к сущности "Audi". Это назначение является важной основой для глубокого понимания, которое необходимо для NLU.

Ящик памяти

Программы NLP анализируют текст на предмет грамматических структур, присваивают слова определенным группам слов или делают другие сверхординарные назначения, выходящие за рамки фактического содержания текста. NLU занимается — как его подмножество — чистым декодированием содержания текста или устной речи. Только взаимодействие различных этапов анализа обеспечивает комплексное понимание — как основу успешной коммуникации.

Цель приложений NLP — дать возможность машинам общаться с людьми на естественном языке. Помимо человеко-машинного общения, соответствующие программы сегодня также позволяют улучшить общение между людьми, давая возможность людям с нарушениями речи, письма и/или чтения использовать системы ИИ.

Сегодня чат-боты (также известные как боты или голосовые агенты) все чаще используются для использования описанных функций ИИ. Нам следует различать два варианта:

• Текстовые диалоговые системы (TTT)

• Языковые диалоговые системы (STS)

Первыми вариантами чат-ботов были чисто текстовые диалоговые системы (TTT), которые позволяли общаться между человеком и технической системой. Для этого чат-бот предлагал отдельную область для ввода текста и отдельную область для вывода текста для общения с системой на естественном, письменном языке. Может использоваться аватар. Аватар — это искусственное лицо или графическая фигура, которую можно четко связать с виртуальным миром. Большинству пользователей знакомы такие фигуры из компьютерных игр. В контексте чат-ботов они представляют собой виртуальных помощников, призванных сделать общение с системой "более естественным" (ср. также разд. 4.1.2).

Подмножество чат-ботов — это социальные боты, которые активно работают в социальных сетях и управляются с учетной записи. Там они могут создавать тексты и комментарии, связывать и пересылать контент. Если они вступают в прямой диалог с пользователями, их функциональность соответствует функциональности чат-ботов. Если эти социальные боты представляются как реальные люди, они являются фейковыми аккаунтами с фейковыми профилями пользователей. Социальные боты также могут идентифицировать себя как машины (ср. пример Microsoft Tay в разд. 4.1.2). Социальные боты анализируют публикации и твиты и могут автоматически активироваться, если распознают определенные хэштеги или другие ключевые слова, определенные как релевантные. Таким образом, социальные боты могут усиливать контент (текст и изображение), циркулирующий в социальных сетях, и, следовательно — в зависимости от оценки — иметь экономический и политический манипулятивный эффект (ср. Bendel, 2019).

Чат-боты, разработанные как речевые диалоговые системы (STS), используют речь для ввода и/или вывода — больше не тексты. Это делает общение с чат-ботом все более похожим на прямое вербальное общение. Такие системы наиболее широко используются в форме цифровых персональных помощников, которые начали свою кампанию завоевания как Alexa, Bixby, Cortana, Google Assistant и Siri (подробнее см. разд. 4.1.2 и 4.1.3).

1.3.2 Обработка естественных изображений/Компьютерное зрение/Обработка изображений

Обработка изображений (также известная как обработка естественных изображений или компьютерное зрение) — это обработка сигналов, представляющих изображения (ср. рис. 1.6). В основном это фотографии и видеоконтент. Результатом обработки изображений может быть либо изображение, либо набор данных, представляющих характеристики обработанного изображения. Последнее

называется распознаванием изображений (также известным как машинное зрение). Это распознавание изображений может относиться к неподвижным изображениям (фотографиям) и движущимся изображениям (видео). На последующем этапе информация об изображениях обрабатывается для инициации решений или дальнейших этапов процесса (ср. Beyerer, Leon, & Frese, 2016, с. 11). Это также о специфической форме автоматического распознавания образов, которая здесь называется визуальным интеллектом. Этот вид обработки изображений отличается от обработки изображений, при которой содержимое изображений модифицируется (например, с помощью Adobe Photoshop).

Оценка изображений (фотографий и видео) доступна, когда нужно распознавать людей на изображениях. Процесс распознавания изображений называется тегированием. Он используется на Facebook. Это позволяет автоматически распознавать пользователей на фотографиях и видео, загруженных в Facebook, без их пометки другими. Для этой задачи Facebook получает доступ к профильным фотографиям пользователей, а также к фотографиям, на которых люди уже были четко помечены. На основе этих данных создается так называемая цифровая идентификационная метка, которая затем используется для поиска по существующим или вновь загруженным изображениям. Благодаря этому подходу Facebook продолжает получать релевантные данные о связях между пользователями (Пользователь А и Б; Пользователь А, С и G) и их соответствующей активности (одни в Таиланде, вместе на вечеринке, в походе, на пляже, на Великой Китайской стене и т.д.). Поскольку большой объем данных становится все больше, Facebook лучше знает нас, и реклама становится — якобы — более релевантной, и, следовательно, ее дороже продавать! Мы можем активно решать, хотим ли мы этого и в какой степени.

Распознавание изображений также используется для поиска похожих изображений, напоминающих шаблон. Это приложение можно найти в Google Reverse Image Search. Несколько тестов дают более или менее убедительные результаты. Это показывает, что уровень производительности все еще имеет место для улучшения. Результат распознавания изображений Microsoft тоже не очень убедительный. Фотография с шваброй для уборки перед желтым ведром была оценена следующим образом: "Я не совсем уверен, но думаю, что это крупный план торта" (ср. Voss, 2017). Это поднимает вопрос о том, насколько мы можем доверять распознаванию изображений в беспилотных автомобилях, если такие ошибки все еще случаются сегодня. И: Они не единственные.

Как могут происходить такие вопиющие ошибочные распознавания? Это довольно просто: используемые сегодня алгоритмы обучаются на сотнях тысяч изображений, на которых показаны различные объекты, и к ним прилагаются соответствующие описания. Однако системы не понимают "значения" объекта на фотографии как такового, а фокусируются на чистом распознавании образов. Вот почему системам ИИ трудно отличить стол от стула. Если стол лежит вверх ногами на столешнице, это становится еще сложнее.

Почти неразрешимая задача показана на рис. 1.11. Для системы ИИ (пока еще) невозможно отличить чихуахуа от маффина. Человеческий интеллект, с другой стороны, может очень просто отличить живое существо от выпечки, потому что человеческий интеллект распознает нечто большее, чем просто схематичные закономерности на изображениях.

Ящик памяти

Ограничения распознавания изображений в системах ИИ (по-прежнему) определяются тем, что сравниваются только визуальные закономерности. Смысл, стоящий за закономерностями, остается (по крайней мере на данный момент) скрытым от систем.

Наше мышление и наш естественный интеллект также основаны на том факте, что мы можем распознать сущность вещи и отличить ее от ее поверхности. Наше восприятие, следовательно, выходит за рамки поверхностного впечатления, потому что мы ассоциируем дальнейшее содержание с визуальным впечатлением (ср. Hofstadter, 2018, с. N 4).

Вот простой пример: если мы видим пару трусов, вырезанных из дерева, мы вполне естественно понимаем, что это негодная для носки вещь — из-за отсутствия комфорта. Мы скорее увидим это как скульптуру. Система ИИ легко распознает — "деревянные трусы".

Причина этого проста: Алгоритмы подходят к таким задачам иначе, чем люди, потому что им не хватает "модели мира" как общего пула опыта. Чего системам ИИ (пока еще) не хватает, так это осознания тела и интуитивного понимания физики. Мы, люди, этому учимся в ходе социализации "по ходу". Поэтому нам часто нужен всего лишь один контакт с объектом (один сеанс обучения), чтобы безопасно распознать животное. Интуитивно мы сравниваем новый объект с нашим первым опытом: тело с четырьмя ногами, мехом и мордой? Это должно быть животное! Легко для нас, но все еще крайне сложно для систем ИИ (ср. Wolfangel, 2018, с. 33).

Ящик памяти

Системам ИИ сегодня все еще не хватает способности создавать символ более высокого уровня (ср. Malsburg, 2018, с. 11). Такой символ более высокого уровня — это, например, образ, который создается в нас, когда мы думаем о воскресном пасхальном утре. Этот образ состоит из множества сохраненных воспоминаний:

Рисунок 1.11 Собака или маффин? (Рисунок авторов)

• Опыт (бесплодный поиск пасхальных яиц в саду)

• Картинки (красиво сервированный завтрак с нарциссами)

• Запахи (прекрасный жареный ягненок)

• Вкусы (например, разноцветные сахарные яйца)

• Звуки (звон городского собора)

• Чувства (при касании пасхального зайца Steiff)

• Настроения (как в чтении пасхальной прогулки Гёте "Освобожденный ото льда...")

Сложность связывания этих очень разных впечатлений значения в запускающем слове "Пасха" не может быть достигнута ни одной системой ИИ сегодня! Мы, люди, можем это сделать — без всяких усилий!

Системы распознавания изображений также используются в других областях, например, для контроля доступа для сотрудников в компаниях. Китайская интернет-компания Cheetah Mobile уже некоторое время использует такую систему распознавания лиц (см. рис. 1.12).

Уже упомянутый самый ценный стартап в области ИИ в мире — китайская компания Sensetime — установила камеры по всему зданию для демонстрационных целей. Они позволяют непрерывно наблюдать за посетителями. Дополнительные данные также могут быть введены сюда, чтобы более точно описать людей.

Рисунок 1.12 Распознавание лиц при контроле доступа в Cheetah Mobile, Пекин (Рисунок авторов)

Совет по художественному чтению

Тот, кто хотел бы увлекательно увидеть, какие последствия связаны с всесторонней видеозаписью для каждого человека и общества в целом, должен прочитать книгу Дэйва Эггерта "Круг", которая очень стоит того, чтобы ее прочитать. Фильм с тем же названием с Эммой Уотсон тоже хорош; но книга, по нашему мнению, лучше.

Переход к оценке видеозаписей плавен — это область применения, которая также активно продвигается в Китае. Это не просто вопрос различения пешеходов от велосипедистов и транспортных средств. Определенная цель — дальнейшее развитие распознавания видеоизображений для содействия предотвращению преступлений (например, через предиктивное патрулирование) и поддержки записи преступлений с помощью интеллектуального анализа данных в реальном времени (ср. разд. 9.1).

1.3.3 Экспертные системы

Экспертные системы — это компьютерные программы, которые помогают людям решать сложные проблемы — как человеческий эксперт (ср. рис. 1.6). Для этого программы выводят точные рекомендации для действий на основе данной базы знаний. Для этого системы должны получать множество информации. Сначала основу составляют правила "если-то", с помощью которых человеческие знания становятся понятными для компьютеров. Благодаря использованию Искусственного Интеллекта, экспертные системы, используемые на протяжении многих десятилетий, могли быть решительно развиты. В ближайшие несколько лет мы увидим здесь очень большие скачки в развитии.

Нам следует различать следующие компоненты экспертных систем:

• Компонент приобретения знаний

Этот компонент включает построение и расширение базы знаний для принятия решений на основе данной базы данных. Задача состоит в том, чтобы "подключиться" к потокам данных из больших данных и предоставлять только релевантную информацию для поддержки принятия решений. Интересная задача для приобретения знаний — это вывод образовательного статуса пользователей, склонных к социальным сетям, на основе сообщений в социальных сетях.

• Компонент разработки решений проблем

Ориентированная на решение оценка базы знаний может использовать различные подходы. С одной стороны, это развитие будущего, прогнозируемое на основе доступных данных. Здесь мы говорим о передаче данных или подходе с прямым цепным выводом. Эта концепция применяется робо-консультантами в финансовом секторе. С другой стороны, можно "пересчитать" выявленный этап развития, чтобы распознать, что послужило его причинами. В этом подходе, вызванном событием или обратно связанном, могут быть сформированы гипотезы о ходе уже завершенных процессов (например, в случае глобального потепления). На основе полученных таким образом знаний могут быть сгенерированы решения и рекомендации по принятию решений (например, в отношении степени "приемлемого" глобального потепления).

• Компонент коммуникации решений

Решающим компонентом экспертной системы является "выходная функция". Речь идет об объяснении решений, найденных системой, пользователю. Качество этого объяснения является важным критерием принятия предложенных решений, потому что люди не решаются следовать непонятной рекомендации (ср. Объяснимый Искусственный Интеллект, раздел 1.1). В примере с глобальным потеплением задача состоит в подготовке результатов таким образом, чтобы они могли быть поняты заинтересованными лицами.

Легко понять, почему такие экспертные системы так важны в контексте Искусственного Интеллекта. Системы с поддержкой ИИ могут — на основе определенной исходной совокупности знаний — самостоятельно изучать новые вещи и таким образом расширять человеческий горизонт знаний. Эти дополнительные знания могут быть непосредственно доступны людям через экспертные системы. Предлагая определенные рекомендации людям, они могут применять их непосредственно. Полученные знания также могут быть доступны косвенно. Тогда знания, полученные через экспертные системы — без вмешательства человека — вливаются в текущие процессы. Примеры контроля качества мы находим в производственных процессах (ср. глава 3) или в логистике (ср. раздел 7.4). Экспертные системы также используются для оценки рентгеновских снимков и КТ-изображений (ср. раздел 6.1). Мы находим экспертные системы также в беспилотных автомобилях (ср. раздел 7.4).

Экспертные системы также применяются в творческих процессах. Для этого, соответствующим образом настроенные системы могут анализировать все симфонии Бетховена. На основе таким образом полученных знаний о композиционных подходах может быть сочинена 10-я симфония Бетховена, которая на самом деле звучит как Бетховен. Не фантастика — но (неминуемая) реальность (ср. раздел 8.2).

В будущем доступ к мощным экспертным системам станет все более возможным для "обычных" пользователей. Здесь используются так называемые (цифровые) технологии самообслуживания (SST). Простейшее применение такого рода лежит в основе каждого поискового запроса Google. Средства перевода из DeepL, Google Translate, Skype & Co. также используют соответствующие экспертные системы для перевода текста в текст и речи в речь в реальном времени.

Пища для размышлений

Слишком часто мы принимаем лишь достаточно хорошие решения в нашей повседневной жизни и рабочей среде (ср. Agrawal et al., 2018, с. 110). Почему в аэропорту огромные залы ожидания? Нужно предоставить путешественникам место для ожидания. Причина их ожидания — информационный пробел. Его нужно компенсировать временным буфером для каждого отдельного путешественника. Из-за недостаточной связи различной информации, своевременное путешествие сегодня невозможно. Нам не хватает информации о следующих аспектах:

• Доступность такси в пункте отправления

• Состояние дорожного движения на подъездных дорогах (для вашего собственного автомобиля, такси или автобуса)

• Степень непунктуальности и ненадежности железнодорожных компаний

• Условия парковки в аэропорту

• Кратчайшие маршруты на территории аэропорта при путешествии

• Длина очередей на выдаче багажа и досмотр безопасности

• Фактическое время посадки забронированного рейса

Вот почему нам приходится планировать буферное время, если мы не хотим опоздать на рейс. Возможно, через четыре или пять лет автономный автомобиль будет забирать нас в максимально возможное время и доставлять в аэропорт, не опаздывая на рейс — без всякого стресса! Для этого необходимо связать соответствующие информационные потоки в экспертную систему по транспорту. Следовательно, системы ИИ, надеюсь, будут вынуждены принимать все меньше и меньше достаточно хороших решений в будущем на основе неадекватной базы данных.

1.3.4 Робототехника/Роботы

Термин робот описывает техническое оборудование, которое используется людьми для выполнения работы или других задач — обычно механической работы (ср. рис. 1.6). Мы можем различать следующие типы роботов, при этом разделение между отдельными категориями не всегда легко.

Классификация роботов по областям применения:

• Промышленные роботы (например, в автомобильной промышленности)

• Медицинские роботы (например, для выполнения операций)

• Сервисные роботы

– Бизнес-задачи (включая регистрацию в отелях и аэропортах)

– Личное использование (например, вакуум, мытье окон, прополка или роботы-газонокосилки)

• Исследовательские и военные роботы (например, для обнаружения поверхности Марса или обезвреживания мин и неразорвавшихся боеприпасов; также используются как дроны)

• Игрушечные роботы (например, Vernie, робот Lego, Thinkerbot или Cozmo)

• Навигационные роботы (например, для автономного вождения)

Классификация роботов по степени мобильности:

• Стационарные роботы (интегрированы в производственные линии, например, в автомобильном производстве)

• Мобильные роботы (например, для логистических процессов, связанных с доставкой дронами или для самоконтролируемого использования в качестве роботов-газонокосилок)

Классификация роботов по степени их взаимодействия с людьми:

• Классические роботы (работают независимо от человека; часто находятся в огороженных зонах, чтобы не причинить вреда людям)

• Коботы/коллаборативные роботы (могут работать с людьми "рука об руку", потому что роботы распознают людей и действуют соответственно "осторожно")

Классификация роботов по степени их "человеческого облика":

• Роботы-машины (выглядят и действуют как машины)

• Гуманоидные роботы (выглядят как люди и все больше приближаются к людям в своем поведении)

Пища для размышлений

В последние годы моторика роботов уже значительно улучшилась. Тем не менее, вероятно, пройдут десятилетия, прежде чем роботы смогут самостоятельно выгружать посудомоечную машину и правильно расставлять очищенные предметы в шкафах. Если вообще!

Основные компоненты роботов сопоставимы в различных проявлениях и имеют следующую структуру:

• Датчики для обнаружения окружающей среды

Роботы оснащены различными датчиками, с помощью которых они могут обнаруживать свою окружающую среду. Окружающая среда может меняться, и робот воспринимает это соответствующим образом. Это восприятие может быть применено к следующей обрабатываемой детали или к падению давления на турбине "13". Датчики могут помочь обнаружить и интерпретировать движения, например, для взаимодействия с людьми. Наконец, разговорный язык может давать прямые инструкции роботу.

• Набор функций

В зависимости от степени сложности робота, он может выполнять только "жестко запрограммированные" функции (например, установка 24 сварочных точек или покраска кузова автомобиля). Или робот оснащен машинным обучением и может учиться самостоятельно, чтобы еще больше повысить эффективность своего использования.

• Компоненты движения

Простые промышленные роботы жестко закреплены и отделены от человека клеткой, потому что роботы могут не распознавать людей и могут причинить им вред. Дальнейшее развитие роботов (например, в логистике) позволяет им самостоятельно перемещаться по складам, подниматься по лестнице и при необходимости избегать препятствий.

• Взаимодействие с окружающей средой

Для взаимодействия с окружающей средой могут быть доступны захваты и подобные устройства для выполнения запрограммированных функций. Кроме того, для взаимодействия с роботом требуется интерфейс, чтобы сделать его задачи и другие данные доступными для него. Это может быть достигнуто классическим способом через коды программ, через визуальный интерфейс (робот распознает и учится через "прожитые" последовательности движений) или через слуховой интерфейс (команда: "Запроси следующую заготовку!").

На протяжении многих лет роботы могли использовать ряд преимуществ перед людьми. В первую очередь это:

• Сила

• Настойчивость (без стремления к концу рабочего дня или к отпуску)

• Точность

• Скорость

• Непоколебимость (например, из-за колебаний чувств или отвлечений любого рода)

• Более низкая почасовая оплата (включая все расходы на обслуживание) — и отсутствие представительства профсоюзами

Теперь мы можем добавить к этому списку существенный компонент, который массово увеличит проникновение роботов в ближайшие годы: Искусственный Интеллект.

Ящик памяти

Благодаря Искусственному Интеллекту у роботов появляется очень важное дополнительное преимущество: интеллект! Возникающие дополнительные области применения кардинально изменят мир!

Теперь мы подробнее рассмотрим гуманоидных роботов, упомянутых выше. В ходе развития этих роботов пришлось преодолеть и приходится преодолевать множество технических проблем. Искусственный Интеллект внес большой вклад в это. Гуманоидные роботы должны взаимодействовать автономно со своей окружающей средой и самостоятельно перемещаться. Используются либо ноги, либо платформа с колесами. Роботы приобретают человеческое сходство благодаря искусственным рукам и кистям рук и человекоподобному лицу (ср. рис. 1.13).

Рисунок 1.13 Общение с гуманоидным роботом по имени Pepper (Рисунок авторов)

«Ласковая» форма такого гуманоидного робота, как Pepper, далеко не конец развития этого типа роботов. Еще один называется Sophia от Hanson Robotics и является мощным примером того, насколько похожим может быть гуманоид в 2016 году. Она действительно выглядит как женщина и также способна выражать разные эмоции во время разговора. Здесь видно, какого этапа развития уже достигнуто. Мы больше не можем говорить только о «человекоподобном» лице. До сих пор гуманоидные роботы, такие как Pepper, намеренно изображались милыми, чтобы не пугать людей и предотвратить страх замещения. Это время прошло.

Что возможно сейчас? Мы можем связать человеческий облик Sophia с знаниями IBM Watson. Кроме того, роботы будут оснащены человекоподобным восприятием (например, также настроений, жестов и выражений лица) и поведенческими паттернами. Результатом будет человеческая копия с гигантскими возможностями обучения и производительности компьютера. Загружая данные из облака, такой робот сможет каждый день изучать новые языки, получать последние научные открытия и другие новые «трюки» в свое распоряжение — в реальном времени!

Как сегодня обстоят дела с роботами — и в каком направлении следует двигаться дальше? Исследование Capgemini (2018) в Германии дало ответ на интересный вопрос о том, насколько «похожими» должны стать роботы на людей:

• 64% респондентов поддерживают человекоподобные системы, использующие Искусственный Интеллект.

• 52% считают Искусственный Интеллект с физическими человеческими характеристиками «жутким».

• 71% принимают его в сфере услуг, если от человекоподобной физиономии отказываются.

• В то же время 62% респондентов оценили человеческий голос и интеллектуальное поведение как позитивное.

• Позитивную оценку 52% также дали, если робот может распознавать эмоции.

Ящик памяти

Люди в Германии хотят, чтобы роботы говорили как люди, вели себя как люди и могли распознавать эмоции. Но они не должны выглядеть как настоящие люди — пока!

В этом контексте мы говорим о зловещей долине. Это также относится к «жуткой лощине», которая описывает разрыв в принятии для «человеческих» роботов. Если роботы становятся более похожими на людей, принятие сначала возрастает. Но в определенный момент эти роботы становятся неудобными для людей. Именно здесь начинается зловещая долина!

Несмотря на всю эйфорию по поводу успехов на пути к еще более мощным роботам с поддержкой ИИ, следующая маленькая история должна дать нам пищу для размышлений. На самом деле, охранный робот Knightscope должен был патрулировать набережную Джорджтауна, элегантный торговый и офисный комплекс в Вашингтонской гавани. Чтобы поддерживать здесь порядок, катящийся робот мог поворачивать, гудеть и свистеть. Однако, кажется, давление на него стало слишком сильным. Чтобы предотвратить лозунг «Входи и сгори», робот самостоятельно заехал в колодец и утонул (ср. Swearingen, 2017).

Печальный конец, потому что такой робот-охранник — это на самом деле ценный бизнес для дешевого мониторинга мест. Обычно робот-охранник ездит по торговым центрам и парковкам — по арендной цене, которая на 25 центов ниже федеральной минимальной заработной платы в США (7 долларов США в час). Сообщалось о случаях, когда таких роботов сбивали и опрокидывали пьяные. Кроме того, маленького ребенка переехали. Это уже не выглядит очень безопасно. В то же время свободная смерть робота, описанная выше, становится понятной!

Даже автономно управляемый автомобиль — это сложный робот в своей основе, который получает доступ к множеству функций Искусственного Интеллекта. Сначала несколько камер записывают окружающую среду транспортного средства. Полученные изображения оцениваются и используются для принятия решений — все в реальном времени. Если обнаружен красный светофор, имеющий отношение к своей полосе движения, автомобиль останавливается — на основе дальнейшей информации об окружающей среде (например, какие автомобили также тормозят, какие следуют). Если ограничение скорости определено как релевантное для направления движения транспортного средства, автомобиль автоматически тормозит до этой целевой скорости, если ранее двигался быстрее. Поскольку — как уже указывалось — человеческие жизни могут быть непосредственно затронуты здесь, как показали несколько смертей в связи с использованием автономных транспортных средств, необходимо учитывать особенно высокие стандарты безопасности.

Особенно восприятие окружающей среды всегда было большой проблемой для роботов. Первые модели роботов в 70-х годах (такие как ELIZA) были запрограммированы на распознавание стены в комнате. Сегодня, однако, на карту поставлено гораздо больше. Робот должен быть способен не только находить здание, но и наносить его на карту. Эта задача называется одновременной локализацией и картографированием (SLAM). Это способность, которую люди осваивают еще в младенчестве:

• Где дверь?

• В какую комнату мне нужно пройти, чтобы попасть в ванную?

• Где находятся какие объекты в комнате?

Прорыв в этой области уже был достигнут в ноябре 2010 года, когда Microsoft выпустила сенсорное устройство Kinect в качестве дополнения к игровой платформе xBox. Здесь стало возможным захватывать двух игроков в комнате и интерпретировать их движения, даже если один игрок был скрыт другим. В июне 2011 года Microsoft предоставила комплект разработки программного обеспечения (SDK) для Kinect. Это сделало это приложение пригодным для исследований SLAM (ср. Brynjolfsson & McAfee, 2014, с. 68–71).

До сих пор не удалось разработать полный подход SLAM. Для роботов-газонокосилок сад по-прежнему нуждается в оснащении датчиками, которые задают машине границу, чтобы она не стригла цветочные клумбы. Тем не менее, самоходные автомобили показывают огромный прогресс, который постоянно достигается здесь.

Интересной областью для технологий ИИ являются услуги в гостиничном секторе. Японский отель Henn na Hotel, открывшийся в 2016 году, показал, куда может вести путь. Это название можно перевести как "странный отель". Весь отель недалеко от Нагасаки управляется роботами. Сначала гостей встречает Nao, маленький робот, который информирует об отеле и его "слугах". Регистрацию осуществляют роботы-ресепционисты, которые лишь частично напоминают людей, но также похожи на динозавра.

После ввода имени камера записывает лицо. Эта запись затем используется в качестве ключа через систему распознавания лиц на двери номера. Багаж перевозится мобильным роботом, который также обеспечивает "необходимую" фоновую музыку. Персональный помощник Чу-ри-тян управляет светом, температурой, будильником и т.д. в самом номере посредством голосового управления. Гости могут заказывать закуски через планшет — доставка осуществляется дроном!

Ящик памяти

Использование сервисных роботов во все большем количестве областей человеческой жизни уже предсказуемо сегодня. Технические границы часто преодолеваются легче, чем культурные. В то время как в США, но прежде всего в Китае, Японии и Южной Корее, широкая публика очень открыта инновациям, соответствующим им, их использование в Европе и Германии часто встречает большое сопротивление и страх. Это необходимо учитывать при разработке сервисных стратегий на основе роботов.

Пища для размышлений

Возможно, скоро мы будем говорить о поколении R или поколении роботиков, роботических аборигенов. Члены этого поколения будут так же естественно относиться к роботам, как сегодня дети к смартфонам и Интернету.

Резюме

• Области применения Искусственного Интеллекта тесно взаимосвязаны.

• Важной областью применения Искусственного Интеллекта является обработка естественного языка. Он позволяет новые формы общения между человеком и машиной.

• Способность обрабатывать изображения позволяет системам информационных технологий брать на себя новые задачи. Это позволяет машинам и людям работать рука об руку.

• Наличие всеобъемлющих знаний через экспертные системы дает шанс — в зависимости от лежащих в основе данных — принимать лучшие решения. Здесь необходимо проверить, на каких предпосылках и ценностях основаны решения.

• Интеллектуальные роботы часто используют несколько или все области Искусственного Интеллекта одновременно. Они могут слышать и видеть "естественно", принимать обоснованные решения и самостоятельно их выполнять. В целом, они окажут наибольшее влияние на компании, экономики и общества.

1.4 Каковы глобальные экономические эффекты Искусственного Интеллекта?

Исследование McKinsey (2018a) показывает глобальные экономические эффекты ИИ, которые будут сопровождать использование Искусственного Интеллекта. Первоначально прогнозируется, что к 2030 году около 70% всех компаний внедрят по крайней мере один тип технологии ИИ. Менее половины всех крупных предприятий будут использовать полный спектр технологий ИИ.

Ящик памяти

Если исключить конкурентные эффекты и переходные издержки, Искусственный Интеллект может обеспечить дополнительный экономический эффект в размере около 13 триллионов долларов США к 2030 году. Это увеличит мировой валовой национальный продукт примерно на 1,2% в год (ср. McKinsey, 2018a, с. 2f.).

Даже если этот прогноз слишком оптимистичен. Мы все должны понимать это как вызов интенсивно заниматься возможностями Искусственного Интеллекта — скорее раньше, чем позже!

Важно отметить, что экономическое влияние использования ИИ изначально будет медленным и ускорится только в ближайшие годы. Таким образом, ожидаемое использование Искусственного Интеллекта компаниями показано на графике, документированном на рис. 1.14: Прежде всего, будет осторожный старт из-за необходимых инвестиций, связанных с обучением и использованием технологий (ср. глава 10). Затем начнется ускорение, обусловленное возрастающей конкуренцией и увеличением собственных компетенций, связанных с ИИ, в компаниях. Следовательно, вклад Искусственного Интеллекта в рост к 2030 году может быть в три или более раз выше, чем в ближайшие пять лет. Относительно высокие первоначальные инвестиции в персонал и системы, непрерывное дальнейшее развитие технологий и приложений, а также значительные переходные издержки, связанные с использованием систем ИИ, могут ограничить их принятие малыми предприятиями и одновременно снизить чистый эффект от общего использования ИИ (ср. McKinsey, 2018a, с. 3).

Глобальная проблема заключается в том, что внедрение Искусственного Интеллекта может увеличить существующие различия между странами, компаниями и работниками. Прежде всего, возрастет разница в производительности между странами. Те — в основном развитые — экономики, которые станут лидерами в области ИИ, смогут добиться дополнительного экономического преимущества в 20–25% по сравнению с сегодняшним днем. С другой стороны, развивающиеся экономики смогут использовать только около 5–15% этих преимуществ. Фон этого в том, что обе группы стран (здесь лидеры в области ИИ, там развивающиеся страны) нуждаются в разных стратегиях для достижения признания Искусственного Интеллекта в обществе и экономике (ср. McKinsey, 2018a, с. 3).

Рисунок 1.14 Совокупное развитие экономических эффектов Искусственного Интеллекта — сравнение с сегодняшним днем. Источник: McKinsey (2018a, с. 23)

Многие индустриально развитые страны неизбежно должны будут полагаться на Искусственный Интеллект для достижения более высокого роста производительности. В конце концов, темпы роста во многих из этих стран замедляются. Это не в последнюю очередь связано со старением населения и высокой степенью насыщенности рынков. Кроме того, заработная плата в индустриально развитых странах относительно высока, что усиливает необходимость замены труда машинами. Развивающиеся страны, как правило, имеют другие способы повышения производительности. Это включает внедрение передовых методов в производственной деятельности — а также реструктуризацию их промышленности. Вот почему здесь отсутствуют важные стимулы для более широкого использования ИИ. Однако это не обязательно означает, что развивающиеся страны обречены проиграть гонку в области ИИ (ср. McKinsey, 2018a, с. 3f.).

Давайте взглянем на отдельные регионы. Некоторые развивающиеся страны — прежде всего Китай — продвигают использование ИИ в строго устойчивой манере. Анализ ситуации в Китае должен учитывать следующие моменты. Принадлежность к группе развивающихся стран основана на валовом внутреннем продукте на душу населения; после этого Китай все еще является развивающейся страной. В то же время, однако, Китай также является второй по величине экономикой в мире после США и перед Японией! Кроме того, сегодня Китай имеет самый ценный стартап в области ИИ в мире. Компания Sensetime уже имеет рыночную капитализацию в размере 2,8 миллиарда долларов США (ср. Ankenbrand, 2018; Sensetime, 2018). В презентациях китайских компаний заметно, что они часто ставят Искусственный Интеллект в центр 4-й промышленной революции — в дополнение к появлению киберфизических систем (ср. Kreutzer, 2018; Kreutzer & Land, 2016, с. 3). Не случайно, что генеральный директор китайской компании Cheetah Mobile Шэн Фу сформулировал миссию своей компании следующим образом (Cheetah Mobile, 2018):

Искусственный Интеллект меняет всю индустрию, а также весь наш образ мышления. Поэтому мы будем использовать ИИ для достижения новой миссии Cheetah на ближайшие 10 лет — сделать мир умнее.

Поэтому Китай определил Искусственный Интеллект как целевую отрасль на национальном уровне в мастер-плане "Сделано в Китае 2025". К 2030 году Китай хочет стать не просто глобальным инновационным центром в области Искусственного Интеллекта. Китайская индустрия ИИ тогда будет иметь стоимость примерно 150 миллиардов долларов США — а индустрия с поддержкой ИИ в десять раз больше. Для достижения этой цели Sensetime разработала собственную платформу глубокого обучения Parrots. Ее можно охарактеризовать следующими атрибутами (ср. Sensetime, 2018, с. 9, 17–20; также Lee, 2018):

• Сверхглубокая сеть (1207 сетевых слоев)

• Мегаобучение данным (включая одновременное обучение на двух миллиардах изображений лиц; доступно более десяти миллиардов изображений и видео из 18 отраслей)

• Сложное сетевое обучение (поддержка мультимодального обучения)

Исследование Elsevier (2018, с. 9) показывает, что Китай уже лидирует по количеству публикаций по Искусственному Интеллекту с 2013 по 2018 год — значительно опережая США и все остальные страны. Кстати, Индия здесь занимает 3-е место — далеко впереди Великобритании, Японии и Германии.

Европа только что (с зрячим глазом) отказалась от ведущей роли в области Искусственного Интеллекта в будущем и тем самым от достижения стратегических конкурентных преимуществ. Европейское общее положение о защите данных (GDPR), вступившее в силу в 2018 году, делает все более сложным для европейских компаний доступ к релевантным данным для развития Искусственного Интеллекта. Это простое уравнение:

Нет всеобъемлющих баз данных = нет высокопроизводительных систем ИИ

В отличие от Китая, Европа попыталась защитить конфиденциальность частных лиц в цифровом мире. Однако сомнительно, действительно ли новое GDPR способно достичь этого. Созданная правовая база превратилась в бюрократического монстра, который душит креативность и поглощает бюджеты, которые могли бы быть использованы для создания большей ценности с помощью цифровой трансформации и использования ИИ.

Ящик памяти

На этом фоне становится понятным, почему сегодня только американские и китайские компании доминируют в разработке приложений ИИ. Это так называемые компании GAFA (Google/Alphabet, Apple, Facebook и Amazon), а также IBM и Microsoft. Именно поэтому более точно они называются компаниями GAFAMI. Facebook даже сам разрабатывает компьютерные чипы для ИИ. Китайские аналоги Baidu, Ali-baba и Tencent объединяются под термином BAT-компании.

Пища для размышлений

Дебаты вокруг Facebook Cambridge Analytica в последний раз подтвердили то, что мы знали давно: наши данные систематически злоупотребляются. К сожалению, текущий GDPR не предотвращает такие злоупотребления. Напротив, даже небольшие ремесленные предприятия, средние предприятия и стартапы теперь вынуждены преодолевать всеобъемлющие бюрократические трудности, чтобы не быть атакованными отраслью предупреждающих уведомлений. Это может быстро поставить такие компании на грань существования, как регулярно показывают сообщения в ежедневной прессе. Действительно ли это желаемый прогресс для нашего общества? Конечно, нет!

С одной стороны, стоит признать, что Европа хочет защитить права частных лиц. Однако в его текущей форме GDPR превышает цель. Европейские компании стремятся учесть новые требования, определенные там. В значительной степени незатронутые этим, мега-игроки Amazon, Facebook, Google & Co. просто получают разрешение на дальнейшее использование данных. Люди обычно дают эти — уже раздраженные — неохотно, не прочитав новые правила (часто десятки страниц). В конце концов, мы хотим продолжить наш поиск в Google — и мы не хотим, чтобы нас отвлекали. Таким образом, осьминоги данных продолжат расти — и менее доминирующие компании продолжат терять данные и, соответственно, власть, влияние и конкурентоспособность.

Европа хочет стать публично "прозрачным" народом, как в Китае? Конечно, нет! Какие экономические варианты существуют для компаний в Европе для разработки собственных решений ИИ? Если Европа не сможет найти ответственный подход к обработке данных, которые являются

основой любой технологии ИИ, им придется смириться с тем, что китайские компании будут доминировать со своими решениями в обозримом будущем. Китайские компании Alibaba, Baidu и Tencent активно продвигают свои решения ИИ. Возможно, они еще более мощные, потому что в процессе разработки удалось использовать обширные базы данных. Если эти решения убедят пользователей, у нас появятся новые — в данном случае — китайские мегаигроки на мировом рынке!

Поэтому важно достичь баланса в Европе между приватностью и предпринимательскими интересами и фундаментально переосмыслить GDPR.

Государства-члены Европейского Союза (ЕС) объявили о своем намерении усилить трансграничную деятельность в области ИИ. Это направлено на обеспечение того, чтобы Европа оставалась или становилась конкурентоспособной в этих технологиях. В то же время необходимо совместно освоить социальные, экономические, этические и правовые последствия Искусственного Интеллекта. ЕС требует, чтобы к 2020 году на исследования ИИ было инвестировано 24 миллиарда долларов США. Ряд европейских стран также способствовали национальным инициативам в области образования и исследований с целью продвижения собственной деятельности в области ИИ (ср. McKinsey, 2018a, с. 7). Предстоит еще увидеть, какие плоды принесет этот подход.

Какое место занимают США в области Искусственного Интеллекта? Компании Alphabet, Amazon, Apple, Facebook, IBM и Microsoft особенно активны в этой области и стараются интегрировать полученные знания в существующие и будущие продукты и услуги, а также разрабатывать новые бизнес-модели. Поскольку Европа до сих пор не сильно проявила себя в конкурентной борьбе за лидерство в разработке ИИ, использование Искусственного Интеллекта, вероятно, останется американско-китайской дуополией. Возможно, Китай даже выиграет эту конкуренцию, поскольку — как показано выше — там доступны огромные объемы данных для обучения систем. Как прекрасно сказал мастер ИИ Фред Елинек?

"Нет данных, как нет больше данных."

Действительно, разрыв в данных между США и Китаем огромен. Его нельзя объяснить только разным размером населения. Количество доступных данных на душу населения в Китае просто во много раз выше — и их число продолжает неуклонно расти (ср. Armbruster, 2017).

Ящик памяти

Области применения Искусственного Интеллекта не спрашивают, на какой основе были разработаны эти системы! Для успеха на мировом рынке это (к сожалению) лишь вопрос того, кто владеет более мощными системами. У Европы в настоящее время плохие карты, и США и Китай берут на себя ведущую роль.

Какую роль будет играть Россия в вызове ИИ? Благодаря сильному Искусственному Интеллекту должна быть достигнута максимальная автономия, которая выходит далеко за рамки простого имитации человеческого интеллекта. Речь идет не столько о том, будет ли когда-либо достигнут этот этап, сколько о "когда". Россия вступила в эру ИИ в 2012 году с амбициозными целями (ср. 2045 Strategic Social Initiative, 2012):

• В период с 2015 по 2020 годы они планировали разработать Аватар А как роботизированную копию человеческого тела, управляемую удаленно через интерфейс мозг-компьютер.

• На период 2020–2025 годов Россия намеревалась разработать Аватар Б, в котором человеческий мозг будет пересажен в конце жизни.

• В период с 2030 по 2035 годы должен быть разработан Аватар С с искусственным мозгом, в который в конце жизни будет перенесена человеческая личность.

• В период 2040–2045 годов должен существовать голограммный Аватар Д. Это были цели.

До сих пор Россия была обязана нам представить убедительные решения в области Искусственного Интеллекта.

McKinsey (2018a) предоставляет глубокий анализ относительной конкурентной позиции разных стран. В то время как США и Китай лидируют в гонке, Германия находится в середине. Страны, такие как Сингапур, Великобритания, Нидерланды и Швеция, гораздо лучше позиционированы в этом отношении. Удивительное явление заключается в том, что разрыв в использовании ИИ между странами имеет тенденцию увеличиваться с годами (ср. McKinsey, 2018a, с. 35). Как уже упоминалось, внедрение и принятие технологий ИИ может дать мощный импульс медленно растущим индустриальным странам. Рисунок 1.15 показывает, что дополнительный рост, поддерживаемый ИИ, в некоторых развитых странах (таких как Швеция, Южная Корея, Великобритания и США) сам по себе может стать таким же большим, как прогнозируемый сегодня рост.

Рисунок 1.15 Дополнительный вклад Искусственного Интеллекта в рост на уровне страны. Источник McKinsey (2018a, с. 36)

Технологии ИИ могут привести к разрыву в производительности на уровне компаний между лидерами, с одной стороны, и медленными пользователями и не-пользователями, с другой (ср. McKinsey, 2018a, с. 4). Среди лидеров в области ИИ есть компании, которые полностью интегрируют инструменты ИИ в свои цепочки создания стоимости в течение следующих пяти-семи лет. Они получат непропорционально большую выгоду от использования ИИ. Они потенциально могут удвоить свой денежный поток к 2030 году. Это будет означать дополнительный ежегодный прирост чистого денежного потока около 6% на протяжении более десяти лет. Лидеры в области ИИ обычно имеют сильную цифровую базу, более высокую склонность к инвестициям и захватывающие бизнес-кейсы для использования Искусственного Интеллекта. Лидеры в области ИИ сталкиваются с большим количеством отстающих, которые вообще не будут использовать технологии ИИ или не примут их полностью к 2030 году. Эта группа может столкнуться с сокращением денежного потока на 20% по сравнению с сегодняшним уровнем. Предполагается, что будет использоваться та же структура затрат и сопоставимые бизнес-возможности.

Такое расхождение в развитии может также произойти на уровне сотрудников. Спрос на рабочие места может сместиться с рабочих мест с повторяющимися задачами на социально и когнитивно требовательные задачи. Профили рабочих мест, характеризующиеся повторяющимися действиями и/или требующие только низких цифровых навыков, могут испытать наибольшее снижение доли в общей занятости: Доля этих задач может сократиться с примерно 40% до почти 30% к 2030 году. С другой стороны, спрос возрастет на работников, выполняющих неповторяющиеся задачи и требующих высоких цифровых навыков. Их доля может увеличиться с примерно 40% до более 50% в течение этого периода. Это может усилить войну за таланты в отношении людей, обладающих способностями разрабатывать и использовать системы Искусственного Интеллекта (ср. McKinsey, 2018a, с. 4).

Однако прогнозы относительно влияния использования ИИ на занятость неоднородны. Исследования OECD предполагают, что на рынке труда может произойти поляризация. Помимо спроса на высококвалифицированных специалистов, описанного выше, может также возрасти спрос на низкоквалифицированных работников. Как говорится: "В конце концов, кто-то должен убирать квартиру цифровых сотрудников так же, подавать еду и наливать кофе в чашку" (ср. Bollmann, 2018, с. 136). В результате в первую очередь будут потеряны рабочие места с профилем средней квалификации. Такое развитие уже наблюдается в Германии в последние два десятилетия (ср. Bollmann, 2018, с. 135).

Пища для размышлений

Эффекты, которые произойдут в индивидуальном случае, зависят от скорости и степени использования ИИ в отдельных компаниях и в экономике в целом. Если Искусственный Интеллект в первую очередь используется для повышения эффективности, значительный потенциал создания ценности новой технологии остается неиспользованным. Если, с другой стороны, компании все больше используют Искусственный Интеллект для инноваций в продуктах и услугах или для разработки новых бизнес-моделей, будут достигнуты гораздо более комплексные эффекты на экономические результаты.

McKinsey (2018a, с. 13–19) дополнительно исследовал различные области Искусственного Интеллекта. Результаты симуляции представлены ниже. Прежде всего, рост производительности, обусловленный ИИ, включая автоматизацию труда и инновации, и появление новых конкурентов

Рисунок 1.16 Анализ чистого экономического влияния Искусственного Интеллекта — разбивка экономического влияния на валовой внутренний продукт (совокупное увеличение по сравнению с сегодняшним днем в %). Источник McKinsey (2018a, с. 19)

под влиянием ряда факторов. Здесь проводится различие между микро- и макрофакторами. Первые три исследуемые области действий относятся к микрофакторам. Они анализируют влияние внедрения ИИ на факторы производства компаний. Здесь речь идет о скорости и степени внедрения ИИ в компаниях. Макрофакторы относятся к общему экономическому окружению и возрастающему использованию Искусственного Интеллекта в экономике в целом. Это также касается глобальной интеграции и структуры рынка труда отдельной страны (ср. рис. 1.16).

Ниже обсуждаются микрофакторы.

• Область деятельности 1: Расширение (Augmentation)

Исследования McKinsey за 2016–2017 годы показывают, что компании до сих пор инвестировали лишь 10–20% своих "цифровых" бюджетов в приложения ИИ; однако эта доля может увеличиться в будущем по мере развития приложений ИИ. Эти инвестиции в ИИ влияют на многие другие области, такие как ситуация с занятостью. В данном случае термин "расширение" относится к обогащению труда и капитала Искусственным Интеллектом. Возрастающее использование ИИ требует создания рабочих мест для настройки инфраструктуры ИИ и мониторинга ее работы, например, для инженеров и аналитиков больших данных.

Другие новые рабочие места сосредоточены на тестировании результатов ИИ "человеческими глазами". Только Google нанимает 10 000 "оценщиков", которые просматривают видео на YouTube, чтобы повторно исследовать критическое содержимое, идентифицированное Искусственным Интеллектом. Facebook также значительно увеличит количество "модераторов", необходимых для проверки содержимого с целью внедрения новых юридических требований. Таким образом, использование ИИ приводит к появлению новых рабочих мест.

Необходимость создания новых рабочих мест, основанных на ИИ, также обусловлена феноменом, заключающимся в том, что приложения ИИ, как правило, трудно обобщить. Алгоритм, который легко отличает людей от животных на фотографиях, не сможет обнаружить автомобили и грузовики. На пути к универсальному Искусственному Интеллекту (также называемому общим Искусственным Интеллектом) еще предстоит выполнить множество задач, которые должны выполнять люди. Как показано на рис. 1.16, общее экономическое влияние расширения находится на низком уровне. Совокупное увеличение валового внутреннего продукта всего на 1% к 2023 году и на 3% к 2030 году.

• Область деятельности 2: Замещение (Substitution)

Технологии, которые дают лучшие результаты и/или более высокую экономическую эффективность, имеют тенденцию замещать другие факторы производства. Это сопровождается замещением труда, особенно автоматизацией повторяющихся задач. К 2030 году автоматизация деятельности может заменить в среднем около 15–18% рабочего времени по всему миру. Степень, в которой это произойдет, будет зависеть от относительных затрат на необходимые ресурсы (ИИ) в каждом конкретном случае. Уже сегодня предсказуемо, что во многих профессиях определенные виды деятельности будут автоматизированы и/или замещены Искусственным Интеллектом. Это относится к колл-центрам, где многие задачи могут выполняться чат-ботами. Во многих других областях также видны эффекты замещения (ср. раздел 4.1.2).

Автоматизация труда может внести около 2% вклада в мировой ВВП к 2023 году и около 11% или около 9 триллионов долларов США к 2030 году (ср. рис. 1.16). Этот процесс достигается за счет повышения производительности и требует, чтобы высвободившийся труд мог быть использован в других областях экономики. На агрегированном уровне повышение производительности может привести к повышению экономической эффективности, создавая дополнительные рабочие места в других областях. Это может принести пользу экономике в целом, в то время как работники могут пострадать от процессов изменений, вызванных ИИ. В целом, описанное здесь "замещение" является одним из наиболее эффективных воздействий Искусственного Интеллекта.

• Область деятельности 3: Инновации и расширения продуктов и услуг (включая конкурентные эффекты)

Еще одна важная область исследований — инновации, основанные на ИИ или поддерживаемые ИИ. В то время как процессные инновации могут повысить производительность компании (ср. области деятельности 1 и 2), инновации в продуктах и услугах позволяют открывать новые области деятельности. Исследования McKinsey показывают, что около трети компаний инвестировали в Искусственный Интеллект для достижения таких инноваций. В отношении макроэкономических эффектов следует учитывать, что инновации также замещают существующие продукты и услуги. Следовательно, не вся ценность, которую компании получат от инноваций, является "новой" для экономики. Примером этого является Uber, который не только привлек новых клиентов для перевозки пассажиров, но и заменил классические поездки на такси. Платформы, такие как

Amazon и Airbnb не только генерировали новый бизнес, но и вытеснили традиционную розничную торговлю и гостиничный бизнес. Таким образом, большая часть инновационного потенциала Искусственного Интеллекта приведет к смещению производства между компаниями (ср. Kreutzer & Land, 2015 и 2016).

Рисунок 1.16 показывает, что инновации и дополнения продуктов и услуг окажут совокупное влияние на ВВП в размере 24% к 2030 году. Напротив, совокупные конкурентные эффекты за тот же период составляют 17%. Увеличение продаж, с одной стороны, приводит к смещениям в рыночных долях и вытеснению, с другой. Это может поставить под угрозу компании, которые не перерабатывают свои портфели продуктов и услуг. Для улучшения денежного потока в условиях возрастающего конкурентного давления некоторые компании, вероятно, сократят свои инвестиции в исследования и разработки и в использование новых технологий. Это может привести к порочному кругу, поскольку такое поведение может увеличить разрыв с компаниями, использующими ИИ.

В целом, согласно симуляции McKinsey, инновации в продуктах и услугах могут составлять до 7% или 6 триллионов долларов США потенциального ВВП к 2030 году (чистый эффект). Важная причина этих значительных эффектов ИИ в том, что компании, полагающиеся на Искусственный Интеллект, могут быстро увеличить продажи, достигая недостаточно обслуживаемых рынков с существующими продуктами и услугами более эффективно. Кроме того, выгоды могут быть достигнуты за счет повышения производительности в результате замещения человеческого труда. Еще одна причина в том, что большинство технологий поощряют инновации в продуктах и услугах и помогают создавать и развивать новые рынки.

Макрофакторы включают вопрос о том, как использование ИИ влияет на трансграничную торговлю. Помимо общей экономической выгоды, существуют также переходные издержки для возрастающего использования ИИ.

• Область деятельности 4: Глобальные потоки данных и связанность

Уже сегодня трансграничный обмен информацией, товарами и услугами вносит значительный вклад в общую экономическую эффективность. Страны, принадлежащие к глобально связанным и цифровым развитым экономикам, получат дальнейшие импульсы для роста от Искусственного Интеллекта. В своей симуляции McKinsey предполагает, что Искусственный Интеллект может составлять до 20% цифровых потоков.

Искусственный Интеллект может способствовать цифровым потокам двумя способами. Первый — сделать трансграничную торговлю более эффективной. McKinsey оценивает, что около трети цифровых потоков данных связаны с трансграничной электронной коммерцией. Искусственный Интеллект может способствовать глобальной торговле, улучшая эффективность цепочки поставок и снижая сложность глобальных контрактов, классификаций и соответствия требованиям торговли. Потери от трения в цепочке поставок могут быть снижены за счет использования обработки естественного языка для автоматического определения товаров и правильной классификации их в соответствии с таможенными таксономиями. Повышение прозрачности и эффективности цепочки поставок может помочь компаниям обеспечить лучшее торговое финансирование и снизить опасения банков относительно соответствия требованиям. Банки, в свою очередь, могут использовать технологии ИИ для обработки торговых документов, что облегчает анализ рисков.

Второй способ, которым Искусственный Интеллект может способствовать полному использованию глобальных потоков, — это улучшенное и расширенное использование трансграничных

потоков данных — независимо от деятельности в сфере электронной коммерции. Здесь все еще имеется большой потенциал для оптимизации, особенно в сфере услуг. Ежедневно огромные объемы данных превышают пределы, и возрастающая доля этих потоков может стимулировать приложения ИИ. Большие объемы данных из кабинетов врачей и больниц по всему миру могут улучшить точность диагностики редких видов рака (ср. разд. 6.1). Качество механизмов перевода ИИ также может быть значительно улучшено, если они обучаются на квалифицированных данных на разных языках. Производительность чат-ботов, механизмов агрегации сообщений и рекомендательных сайтов также может получить выгоду от глобальных потоков данных.

Кроме того, Искусственный Интеллект может привести к эффектам переноса знаний. Таким образом, доступные во всех странах цифровые платформы талантов могут помочь компаниям удовлетворить свои потребности в экспертизе специалистов со всего мира. На ранней стадии такой цифровой обмен знаниями и сравнение все еще происходит вручную. Искусственный Интеллект может устойчиво улучшать качество этого сопоставления и, прежде всего, ускорять его. Примерами являются proSapient и NewtonX. ProSapient (2019) называет себя "Сетью экспертов следующего поколения", обеспечивающей связь с экспертами по всему миру. NewtonX (2019) видит себя как наиболее продвинутую в мире платформу доступа к знаниям. Эта платформа работает во всех отраслях, темах и географиях и обеспечивает легкий доступ к лучшим экспертам в мире.

В целом, симуляция McKinsey показывает, что кумулятивные эффекты этих разработок остаются в узких пределах на уровне 1 и 2% соответственно (ср. рис. 1.16).

• Область деятельности 5: Создание и реинвестирование богатства

Поскольку Искусственный Интеллект способствует повышению производительности экономик, результаты повышения эффективности и инновации могут быть переданы работникам в виде заработной платы. Такое создание богатства, обусловленное ИИ, может генерировать эффекты переноса, которые стимулируют экономический рост. Когда доходы работников растут и они тратят больше, а компании реинвестируют свою прибыль в компанию, экономический рост стимулируется — восходящая спираль. Это может создать дополнительные рабочие места, способствовать росту цепочки создания стоимости ИИ и укреплению ИТ-сектора, что может внести важный общий экономический вклад через реинвестирование.

Симуляция McKinsey показывает, что такие эффекты не могут быть ожидаемы в краткосрочной перспективе. К 2030 году кумулятивные эффекты этих разработок также будут ограничены 3% (ср. рис. 1.16).

Совокупный общий эффект ("валовое влияние") пяти обсуждаемых областей деятельности на рис. 1.16 показывает умеренное значение 5% к 2023 году. В отличие от этого, к 2030 году ожидается совокупный общий эффект 26%. Это ясно показывает, что влияние ИИ на валовой внутренний продукт останется довольно незначительным в ближайшем будущем; основные эффекты станут очевидны только после 2023 года (ср. рис. 1.14).

Конечно, такая симуляция должна также учитывать затраты и другие негативные эффекты использования ИИ. Соответствующие движущие силы и эффекты описаны ниже.

• Область деятельности 6: Переходные и внедренческие издержки

При возрастающем использовании ИИ возникают дополнительные издержки. В частности, высвобождение сотрудников имеет негативное влияние. Необходимо также учитывать затраты на внедрение соответствующих систем, расходы на найм новых сотрудников и на дальнейшее повышение квалификации рабочей силы (ср. рис. 1.17). Конечно, эти затраты также влияют на экономику в целом. Ожидаются отрицательные кумулятивные эффекты на валовой внутренний продукт в размере 2% к 2023 году и 5% к 2030 году (ср. рис. 1.16).

• Область деятельности 7: Отрицательные внешние эффекты

Использование ИИ также может привести к отрицательным внешним эффектам распределения (ср. рис. 1.17). Прежде всего, они могут повлиять на сотрудников. Увеличение использования ИИ может привести к снижению доли рабочей силы в экономике. Использование технологий ИИ может усилить давление на занятость и заработную плату, тем самым снижая долю рабочей силы в доходах и потенциальный экономический рост. Это может привести к (временной) потере потребления соответствующими лицами (например, в период безработицы или необходимого переобучения). В эти периоды затронутые страны также могут столкнуться с более высокими расходами.

Исследование McKinsey показывает, что в теории до 14% сотрудников могут быть вынуждены изменить свои рабочие роли — частично не только внутри компаний, но и между компаниями, секторами и/или регионами. Кроме того, выясняется, что большинство сотрудников будут конкурировать с системами ИИ за выбранные задачи. Менее 10% профессий состоят из видов деятельности, которые могут быть полностью или более чем на 90% автоматизированы ИИ.

Рисунок 1.17 Затраты и отрицательные эффекты перехода к экономике на основе ИИ — симуляция процентного влияния к 2030 году. Источник: McKinsey (2018a, с. 22)

Тем не менее, примерно в 60% рабочих областей по крайней мере одна треть деятельности может быть автоматизирована. Это идет рука об руку с значительными изменениями для сотрудников и рабочих мест.

Сопутствующие издержки потери внутреннего потребления из-за безработицы в размере около 7 триллионов долларов США к 2030 году могут снизить положительный эффект Искусственного Интеллекта на четыре процентных пункта к 2030 году. Переходные и внедренческие издержки могут составить еще пять процентных пунктов издержек. Рисунок 1.17 подробно показывает, как представлены эти отрицательные эффекты.

Следовательно, экономическое использование автоматизации и инноваций на основе ИИ имеет свою цену. Использование ИИ, вероятно, потрясет рынки труда и приведет к значительным издержкам. Точно рассчитать издержки очень сложно, поскольку они, вероятно, возникнут на нескольких фронтах со стороны спроса и предложения и во многих случаях будут связаны. Кроме того, переходные издержки в одной части цепочки создания стоимости могут создать новую ценность в другой части.

Если одновременно учитываются положительные и отрицательные эффекты использования ИИ, совокупный чистый эффект на мировой валовой внутренний продукт составляет плюс 1% к 2023 году и плюс 16% к 2030 году (ср. рис. 1.16).

Ящик памяти

Использование Искусственного Интеллекта окажет долгосрочное и глубокое влияние на сотрудников, компании и экономики. Как и в случае со многими новыми технологиями, эти эффекты изначально будут ограничены в ближайшие пять лет. Всеобъемлющие эффекты проявятся только после 2023 года!

Как различные эффекты будут совокупным образом влиять на рынок труда до 2030 года? Прежде всего, можно сказать, что около половины всех видов деятельности могут быть автоматизированы с помощью технологий ИИ. Однако ряд технических, экономических и социальных факторов препятствуют этому потенциалу автоматизации к 2030 году. Фактически, McKinsey (2018a, с. 44f.) ожидает среднего уровня автоматизации в 15% для сценария 46 стран. Эта доля будет сильно различаться от страны к стране. В каждой отдельной стране динамика занятости будет зависеть от взаимодействия обсуждаемых выше факторов. Развитие Искусственного Интеллекта приведет как к потере рабочих мест, так и к созданию новых. Симуляция McKinsey привела к чистому эффекту на общую занятость всего в -1%. Тем не менее, это может скрывать серьезные искажения в отдельных компаниях и странах.

Пища для размышлений

Новости — онлайн и офлайн — регулярно сообщают об увольнении тысяч сотрудников, вызванном ИИ. В 2018 году заявление немецкого гиганта электронной коммерции Zalando о том, что они будут больше ориентироваться на алгоритмы и Искусственный Интеллект в маркетинге в будущем. Это стало причиной увольнения до 250 экспертов по рекламе, в то время как одновременно велся поиск разработчиков ИИ. Это стало началом самой большой реструктуризации Zalando в его еще молодой истории компании (ср. Jansen, 2018). Девиз был поразительным: алгоритмы и Искусственный Интеллект вместо людей.

Это решение вызвало огромный медийный резонанс и усилило страхи среди населения, к которым Искусственный Интеллект может привести катастрофические последствия. Это всего лишь одна сторона медали. Мы — как преподаватели, университетские лекторы, предприниматели и политики — должны также сообщать о положительных эффектах Искусственного Интеллекта. Только тогда может быть достигнуто, что глобальное использование ИИ не приведет к застою из-за чистого страха.

Резюме

• Использование Искусственного Интеллекта окажет огромное влияние на сотрудников, компании и экономики в целом.

• Сотрудники потеряют свои рабочие места, в то время как будут созданы новые. В целом, ответственность каждого человека за непрерывное повышение квалификации в соответствии с будущими требованиями растет.

• Компании сталкиваются с проблемой распознавания и использования возможностей, предлагаемых Искусственным Интеллектом. В то же время необходимо выявлять риски и управлять ими.

• Положение глобальных экономик изменится в зависимости от использования Искусственного Интеллекта. Существующие дисбалансы могут быть увеличены или уменьшены в равной степени.

• Ожидается, что общее количество рабочих мест по всему миру не изменится существенно до 2030 года в результате использования Искусственного Интеллекта. Тем не менее, могут возникнуть значительные искажения в отдельных компаниях и экономиках.

• В целом, влияние использования ИИ на компании и общество будет ограничено до 2023 года. Только с 2023 года Искусственный Интеллект проявит свой разрушительный потенциал в полном объеме и приведет к значительным инновациям в продуктах, услугах и процессах.

Рисунок 1.18 Совокупные эффекты использования ИИ на занятость к 2030 году — в % (в расчете на полное рабочее время). Источник: McKinsey (2018a, с. 45)

• Каждая национальная экономика и каждая группа стран должны признать и использовать потенциал изменений, который предлагает Искусственный Интеллект для своей области ответственности на ранней стадии. Ожидание здесь неприемлемо!

Библиография

2045 Strategic Social Initiative. (2012). Результаты конкурса иллюстраций: Нео-гуманизм. http://2045.com/articles/30775.html. Доступ 15 апреля 2019.

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Boston.

Ankenbrand, H. (2018). Gesichtserkennung: Китай имеет самый ценный KI-стартап в мире. http://www.faz.net/aktuell/wirtschaft/unternehmen/sensetime-china-hat-das-wertvollste-ki-startup der-welt-15533068.html. Доступ 30 апреля 2019.

Allen, P. (2011). Сингулярность не близко. In MIT Technology Review. https://www. technologyreview.com/s/425733/paul-allen-the-singularity-isnt-near/. Доступ 14 апреля 2019.

Arel, I., Rose, D., & Karnowsk, T. (2010). Deep machine learning—Новый рубеж в исследованиях искусственного интеллекта: Research frontier (с. 13–18). Ноябрь 2010.

Armbruster, A. (2017). Künstliche Intelligenz: Гонка, как в холодной войне. http://www.faz. net/aktuell/wirtschaft/kuenstliche-intelligenz/kuenstliche-intelligenz-wer-gewinnt-den wettlauf-usa-oder-china-15284415.html. Доступ 19 апреля 2019.

Bendel, O. (2019). Социальные боты. https://wirtschaftslexikon.gabler.de/definition/social-bots-54247. Доступ 10 апреля 2019.

Beyerer, J., León, F., & Frese, C. (2016). Машинное зрение—Автоматизированный визуальный контроль: Theory practice and applications. Берлин, Гейдельберг: Springer.

Bitkom, & DFKI (2017). Künstliche Intelligenz, Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung. Берлин.

Bollmann, R. (2018). Die Zukunft der Arbeit. Frankfurter Allgemeine Quaterly, 8(2018), 132– 140.

Bostrom, N. (2014). Superintelligence—Пути, опасности, стратегии. Оксфорд: Oxford University Press.

Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Wie die nächste digitale Revolution unser aller Leben verändern wird. Кульмбах.

Capgemini. (2018). Studie: Verbraucher wollen menschen-ähnliche Künstliche Intelligenz ohne menschliches Aussehen. https://www.capgemini.com/de-de/news/studie-verbraucher-wollen menschenaehnliche-kuenstliche-intelligenz-ohne-menschliches-aussehen/. Доступ 10 мая 2019.

Chalmers, D. (2010). Сингулярность—философский анализ. Journal of Consciousness Studies, 17(9–10), 7–65.

Cheetah Mobile. (2018). Cheetah Mobile Welcomes DDV, Пекин, 11 января 2018.

Deloitte. (2017). The 2017 Deloitte state of cognitive survey. https://www-statista-com.ezproxy. hwr-berlin.de/statistics/787151/worldwide-ai-deployment-in-organizations/. Доступ 29 апреля 2019.

Domingos, P. (2015). The master algorithm: How the quest for the ultimate learning machine will remake our world. Нью-Йорк.

Elsevier. (2018). Artificial Intelligence: How knowledge is created, transferred, and used. Trends in China, Europe, and the United States. https://www.elsevier.com/connect/ai-resource-center. Доступ 2 мая 2019.

Future of Life Institute. (2015). Автономное оружие: открытое письмо исследователей ИИ и робототехники. https://futureoflife.org/open-letter-autonomous-weapons/. Доступ 6 апреля 2019.

Galeon, D. (2016). SoftBank инвестирует в микрочип, чтобы сделать сингулярность реальностью: Футуризм. 31 октября 2016. https://futurism.com/softbank-is-investing-in-a-microchip-to-make-the singularity-a-reality/. Доступ 21 января 2019.

Gardner, H., Davis, K., Christodoulou, J., & Seider, S. (2011). The theory of multiple intelligences. В R. Sternberg & B. Kaufman (ред.), The Cambridge handbook of intelligence (с. 485–503). Кембридж: Cambridge University Press.

Gentsch, P. (2018). Künstliche Intelligenz für Sales, Marketing und Service, Mit AI und Bots zu einem Algorithmic Business – Konzepte. Висбаден: Technologien und Best Practices.

Görz, G., Schneeberger, J., & Schmid, U. (ред.). (2013). Handbuch der Künstlichen Intelligenz, (5-е изд.). Мюнхен.

Hawking, S. (2014). BBC Interview от 2 декабря 2014. https://www.youtube.com/watch?v= fFLVyWBDTfo. Доступ 23 апреля 2019.

Heise. (2011). IBM-Суперкомпьютер победил в викторине. http://www.heise.de/newsticker/meldung/ IBM-Supercomputer-gewinnt-Quizshow-1191298.html. Доступ 8 мая 2019.

Hochreiter, S. (2018). Maschinen mangelt es an Weltwissen. Bonner Generalanzeiger (с. 3). 12 декабря 2018.

Hofstadter, D. R. (2018). Das letzte Refugium menschlicher Intelligenz. Frankfurter Allgemeine Zeitung (с. N.4). 27 июня 2018.

IEEE Spectrum. (2008). Tech luminaries address singularity. https://spectrum.ieee.org/computing/ hardware/tech-luminaries-address-singularity. Доступ 4 марта 2019.

Ingenieur. (2016). Google-Software hat Weltmeister Lee Sedol haushoch geschlagen. https://www. ingenieur.de/technik/fachbereiche/ittk/google-software-weltmeister-lee-sedol-haushoch geschlagen/. Доступ 18 января 2019.

Jansen, J. (2018). Zalando baut radikal um. Frankfurter Allgemeine Zeitung. http://www.faz.net/ aktuell/wirtschaft/diginomics/zalando-will-werbefachleute-durch-entwickler-ersetzen 15483592.html. Доступ 2 апреля 2019.

Kairos Future. (2015). Future disruptive technologies, do you fully understand how new disruptive technologies will reshape your industry? http://www.kairosfuture.com/research/programs/ future-disruptive-technologies. Доступ 1 мая 2019.

Kelly, K. (2014). The three breakthroughs that have finally unleashed AI on the world. Wired. https://www.wired.com/2014/10/future-of-artificial-intelligence. Доступ 26 апреля 2019.

Kleinberg, J., Ludwig, J., Mullainathan, S., & Sunstein, C. R. (2019). Discrimination in the age of algorithms. NBER Working Paper No. 25548.

Krämer, T. (2015). Kommt die gesteuerte Persönlichkeit? Spektrum der Wissenschaft, 3/2015, с. 40–43.

Kreutzer, R. (2018). Herausforderung China: Manager wendet den Blick (verstärkt) nach Osten – nicht (mehr allein) nach Westen! In Der Betriebswirt, 3, с. 10–16, и 4/2018, Гернсбах.

Kreutzer, R., & Land, K.-H. (2015). Dematerialisierung – Die Neuverteilung der Welt in Zeiten des digitalen Darwinismus. Кёльн.

Kreutzer, R., & Land, K.-H. (2016). Digitaler Darwinismus – Der stille Angriff auf Ihr Geschäftsmodell und Ihre Marke (2-е изд.). Висбаден.

Kurzweil, R. (2005). The singularity is near. Нью-Йорк.

Lackes, R. (2018). Neuronale Netze. https://wirtschaftslexikon.gabler.de/definition/neuronale netze-41065#definition. Доступ 12 июня 2018.

Lambrecht, A., & Tucker, C. (2017). Algorithmic bias? An empirical study into apparent gender-based discrimination in the display of STEMCareer Ads, представлено на NBER Summer Institute, Июль 2017.

Lee, K.-F. (2018). AI super-powers, China, Silicon Valley, and the New World Order. Нью-Йорк.

Leverhulme Centre. (2019). Exploring the impact of Artificial Intelligence. http://lcfi.ac.uk/. Доступ 14 апреля 2019.

MacCartney, B. (2014). Understanding natural language understanding. https://nlp.stanford.edu/ *wcmac/papers/20140716-UNLU.pdf. Доступ 2 мая 2019.

Malsburg, von der C. (2018). Schaltzentrale à la Mutter Natur. Bonner Generalanzeiger, 28 ноября 2018, с. 11.

McKinsey. (2018a). Notes from the AI frontier, Modeling the Impact of AI on the world economy. Сан-Франциско.

McKinsey. (2018b). An executive’s guide to AI. Сан-Франциско.

Metzinger, T. (2001). Postbiotisches Bewusstsein: Wie man ein künstliches Subjekt baut – und warum wir es nicht tun sollten: Paderborner Podium – 20 Jahre Heinz Nixdorf Museumsforum, Падерборн.

NewtonX. (2019). NewtonX, Access Knowledge. https://www.newtonx.com/. Доступ 20 апреля 2019.

Nilsson, N. (2010). The quest for Artificial Intelligence—История и достижения идей. Нью-Йорк.

Pariser, E. (2017). Фильтр-пузырь: Wie wir im Internet entmündigt werden, Мюнхен.

proSapient. (2019). An next generation expert network. https://prosapient.com/. Доступ 1 апреля 2019.

Rich, E. (1983). Artificial Intelligence. Нью-Йорк.

Rossi, F. (2018). Künstliche Intelligenz muss fair sein. In Frankfurter Allgemeine Sonntagszeitung (с. 21). 22 июля 2018.

Rouse, M. (2016). Neural Network. https://searchenterpriseai.techtarget.com/definition/neural network. Доступ 11 мая 2019.

Russell, S., & Norvig, P. (2012). Künstliche Intelligenz – Ein moderner Ansatz, 3. Aufl., Мюнхен.

Searle, J. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–457.

Schölkopf, B., & Smola, A. J. (2018). Learning with Kernels: Support vector machines, regularization, optimization, and beyond. Лондон.

Schulz von Thun, F. (2019). Das Kommunikationsquadrat. https://www.schulz-von-thun.de/die modelle/das-kommunikationsquadrat. Доступ 16 апреля 2019.

Sensetime. (2018). SenseTime AI—Powering future, Präsentation, Пекин, 11 января 2018.

Statista. (2018). Künstliche Intelligenz. https://de-statista-com.ezproxy.hwr-berlin.de/statistik/ studie/id/38585/dokument/kuenstliche-intelligenz-statista-dossier/. Доступ 29 августа 2018.

Stieglitz, T. (2015). Neuroimplantate. Spektrum der Wissenschaft (с. 6–13). Март, 2015.

Stolfo, S., Fan, D., Lee, W., & Prodromidis, A. (2016). Credit card fraud detection using meta-learning: Issues and initial results. В AAAI Technical Report. http://www.aaai.org/Papers/ Workshops/1997/WS-97-07/WS97-07-015.pdf. Доступ 23 апреля 2019.

Swearingen, J. (2017). Robot security guard commits suicide in public fountain. http://nymag.com/ selectall/2017/07/robot-security-guard-commits-suicide-in-public-fountain.html. Доступ 21 апреля 2019.

Voss, O. (2017). Wenn der Algorithmus versagt, So dumm ist Künstliche Intelligenz. https://www. tagesspiegel.de/politik/wenn-der-algorithmus-versagt-so-dumm-ist-kuenstliche-intelligenz/ 20602294.html. Доступ 21 марта 2019.

Walsh, T. (2016). The singularity may never be near. https://arxiv.org/pdf/1602.06462.pdf. Доступ 4 мая 2019.

Wandelbots. (2019). Wandelbots. http://www.wandelbots.com/. Доступ 4 мая 2019.

West, J., & Bhattacharya, M. (2016). Intelligent financial fraud detection: Comprehensive review. Computers & Security, 57, 47–66.

Wolfangel, E. (2018). Künstliche Dummheit. In Süddeutsche Zeitung (с. 33). 14/15 июля 2018.

2 Основы и драйверы Искусственного Интеллекта

Аннотация

В этой главе мы обсуждаем основы и драйверы Искусственного Интеллекта. Ключевыми драйверами являются закон Мура, цифровизация и дематериализация продуктов, услуг и процессов, связь между ними в рамках глобальной сети, большие данные и новые технологии. Мы также анализируем инвестиции в Искусственный Интеллект.

Не только отдельные факторы ответственны за то, что Искусственный Интеллект приобрел такое значение в последние годы. Скорее, это взаимодействие различных разработок, которые усиливают друг друга. Следующие драйверы Искусственного Интеллекта заслуживают особого упоминания (ср. Brynjolfsson & McAfee, 2014, с. 277f; Kreutzer & Land, 2015, 2016):

• Экспоненциальное развитие производительности ИТ-систем и основанных на них технологий

• Прогресс цифровизации и дематериализации во все большем количестве областей создания стоимости

• Увеличение связанности объектов, процессов и людей, что приводит не только к развитию Интернета вещей (IoT), но и к Интернету всего (IoE).

Особенно "смесь экспоненциальных, цифровых и комбинаторных инноваций" предлагает множество возможностей и рисков для компаний (Brynjolfsson & McAfee, 2014, с. 277).

Ящик памяти

Эти разработки приводят к тому, что будущие изменения никогда не будут происходить так медленно, как раньше! Давайте насладимся "медленностью изменений, пережитых до сих пор"! Так комфортно уже не будет, потому что скорость изменений теперь будет невероятно возрастать!

60 2 Основы и драйверы Искусственного Интеллекта

2.1 Закон Мура и эффекты экспоненциальности

Сочетание упомянутых выше движущих сил Искусственного Интеллекта приводит к переломному моменту в смысле важного изменения тенденции в сторону экспоненциального развития в системах ИИ. Для понимания того, что означает экспоненциальный рост, помогает следующее размышление:

• Сколько метров человек преодолевает, делая 31 аналоговый шаг длиной в один метр? Около 31 м.

• Сколько метров человек преодолевает, делая 31 экспоненциальный шаг, при этом размер шага удваивается от шага к шагу? Когда мы делаем 31-й экспоненциальный шаг, мы преодолели более миллиарда метров!

Эта экспоненциальность является основой закона Мура. Основываясь на эмпирических наблюдениях, Гордон Мур вывел "закон" еще в 1965 году о том, что удвоение производительности интегральных схем может быть достигнуто примерно каждые два года. Если мы датируем создание первой интегральной схемы 1958 годом, то сейчас у нас более 32 циклов удвоения позади. Это означает, что эти удвоения теперь происходят на уже очень высоком уровне производительности.

Конец этого развития еще не виден, хотя динамика развития интегральных схем немного замедлилась в последние годы — поскольку механика миниатюризации достигла своих физических пределов. Тем не менее, следующие скачки в технологии и производительности превзойдут все, что было достигнуто до сих пор. Сейчас следующий гигантский импульс ожидается от квантовых вычислений, которые преодолевают дихотомию "0" и "1".

Пища для размышлений

Если бы автомобильная промышленность достигла тех же технологических прорывов, что и компьютерная промышленность, то автомобиль Volkswagen Beetle 1971 года сегодня развивал бы скорость 480 000 км/ч — при цене покупки 0,045 доллара США (ср. Hohensee, 2015). Таковы последствия описанных экспоненциальных скачков в развитии!

2.2 Цифровизация и дематериализация продуктов, услуг и процессов

Параллельно экспоненциальному развитию происходит цифровизация и, соответственно, дематериализация продуктов, услуг и процессов во многих областях. Преодоление физичности продуктов, услуг и процессов, связанное с дематериализацией, часто создает предпосылки для доступа к этим областям для Искусственного Интеллекта, поскольку физические границы и ограничения становятся избыточными (ср. Kreutzer & Land, 2015).

Рисунок 2.1 визуализирует степень дематериализации. Он показывает, какие приложения уже были перенесены в цифровую форму на смартфоны или другие мобильные устройства и превращены в умные сервисные терминалы. Независимые продукты, такие как телефоны, фотоаппараты, часы, будильники и диктофоны, стали базовыми функциями смартфона и прочно интегрированы в него. Зеркало для макияжа заменено функцией селфи. Многие другие продукты были превращены в приложение: диапазон включает строительный уровень, фонарик и компас. Кроме того, можно контролировать артериальное давление, играть в онлайн-игры и диктовать электронные письма, заметки и т. д. через Siri и Co. Поэтому их аналоговые аналоги отпадают. В то же время навигационные системы, расписания и системы мобильных платежей доступны в цифровом виде через различные приложения. Целые цепочки административных процессов также перенесены на смартфон.

Кроме того, рисунок 2.1 показывает, что контроль доступа также становится все более дематериализованным. Он варьируется от бесключевого доступа к автомобилям до онлайн-регистрации в отелях, на рейсы и в кинотеатрах. Также доступ к умному дому можно контролировать через приложение. В то же время смартфон также охватывает — само собой разумеется — важные каналы получения информации: ТВ, радио, телефон и Интернет. Это позволяет получить доступ ко "всем" человеческим ресурсам через портативное устройство.

Рисунок 2.1 также показывает, что смартфон развивается в центральную контент-платформу. В цифровой форме книги, газеты, журналы, а также CD и DVD или их содержимое физически доступны на смартфоне. В качестве альтернативы желаемое содержимое (например, музыка и видео) можно транслировать, когда пользователь его запрашивает. Классические картографические работы (например, карты городов или уличные карты) дематериализованы, поскольку необходимый контент для навигации доступен онлайн. Даже расписания рейсов в виде книг (например, от Lufthansa), которыми много лет назад оснащался каждый менеджер,

Рисунок 2.1 Дематериализация продуктов, услуг и процессов — развитие умного сервисного терминала (Рисунок авторов)

больше не печатаются. Здесь тоже дематериализовалось содержимое. Предоставление купонов все больше переходит в онлайн-мир. Фотографии переместились из фотоальбома на мобильное устройство: Когда вы последний раз показывали кому-то фотоальбом — и не представляли свои фотографии на смартфоне или планшете? Если вы на самом деле до сих пор используете фотоальбом, это приводит к эффектам неожиданности — обычно положительным.

С дематериализацией продуктов и услуг также могут быть цифровизированы базовые процессы. Здесь нам следует подумать о консультационных процессах через чат-ботов. Процессы оплаты также все больше дематериализуются (не в последнюю очередь благодаря внедрению Alipay, Apple Pay, Google Pay, WeChatPay и т. д.). Самый большой сдвиг процессов в цифровой мир произошел в онлайн-покупках.

Следующий этап цифровизации уже возникает: умные ткани. Это умная одежда или текстиль. Материалы, содержащие цифровые компоненты (например, маленькие компьютеры), могут использоваться для коммуникации.

2.3 Соединение продуктов, услуг, процессов, животных и людей

Описанные разработки подкрепляются тенденцией к соединению "вещей". Рисунок 2.2 показывает соответствующие измерения. Поскольку связь происходит через Интернет, мы говорим об Интернете вещей (IoT).

Однако динамика связанности сегодня не ограничивается "вещами". Не только продукты, но и услуги, процессы, животные и люди связаны друг с другом. Поэтому мы используем термин Интернет всего (IoE). Рисунок 2.3 показывает соответствующие области, о которых нам следует подумать. Интернет вещей является подмножеством Интернета всего. В частной среде такие вещи, как часы, холодильники, автомобили, дома, будки, куклы и т. д., подключены к Интернету. Кроме того,

Рисунок 2.2 Как будет развиваться "интенсивность подключения"? (Рисунок авторов на основе Statista 2018)

и все больше процессов взаимосвязаны. В бизнес-среде это может поддержать связь между полевым персоналом и бэк-офисом, а также между различными производственными площадками по всей стране и по временным границам.

Кроме того, данные из разных источников могут быть проанализированы вместе. Это особенно интересная область применения Искусственного Интеллекта (ср. рис. 2.3). В дополнение, связанное использование датчиков генерирует все больше и больше данных, которые релевантны для процессов ИИ. Поскольку затраты на датчики постоянно снижаются, возникнет сенсорная экономика, которая комплексно вмешивается в повседневную реальность всех людей. Уже описанные пользовательские интерфейсы через голос и изображение также поддерживают генерацию дальнейших данных, которые еще больше расширяют Интернет всего и формируют основу для экспертных систем и использования роботов.

Наконец, все больше и больше людей могут быть напрямую подключены к Интернету (ср. рис. 2.3). Это может быть достигнуто с помощью фитнес-трекеров или — в случае киборгов — напрямую через имплантированные чипы. Киборг относится к людям, которые постоянно дополнили свои тела искусственными компонентами (здесь чипы). ЧИП-имплантация людей называется бодихакингом.

Интенсивность связанности будет дальше возрастать за счет проникновения LPWAN (Low Power Wide Area Network). LPWAN в настоящее время является самой быстрорастущей технологией IoT. Она соединяет устройства с питанием от батарей с низкой пропускной способностью и низкими битрейтами даже на больших расстояниях (до 30–35 км). Эта технология позволит использовать дальнейшие приложения ИИ.

Воздействие Интернета всего количественно прогнозирует Cisco (2015). К 2022 году ожидается, что Интернет всего принесет мировую прибыль и сбережения в следующем порядке:

• 2,5 трлн долларов США за счет лучшего использования активов

• 2,5 трлн долларов США за счет повышения производительности сотрудников

Рисунок 2.3 Дизайн Интернета всего (Рисунок авторов)

• 2,7 трлн долларов США за счет улучшения цепочки поставок

• 3,7 трлн долларов США за счет улучшения клиентского опыта

• 3,0 трлн долларов США за счет инноваций

В общей сложности Интернет всего, как ожидается, принесет 14,4 трлн долларов США прибыли и сбережений. Прогнозируется рост корпоративной прибыли до 21% (ср. Cisco, 2015). Мы не должны следовать этим цифрам в каждой детали — просто взгляд на предвидимый потенциал должен побудить к действию!

Ящик памяти

Эффекты, связанные с развитием Интернета всего, окажут драматическое влияние на отдельные компании, целые отрасли и каждую отдельную страну. Поэтому эти разработки следует не только наблюдать, но и активно формировать!

2.4 Большие данные

Как уже упоминалось, база данных имеет особое значение для обучения алгоритмов ИИ. Здесь крайне важно, чтобы компании имели доступ к большим данным — т.е. к большому, квалифицированному кладу данных. Большие данные можно определить по следующим критериям (ср. рис. 2.4; Fasel & Meier, 2016, с. 6; Kreutzer & Land, 2016, с. 125f):

Рисунок 2.4 Пять В больших данных (Рисунок авторов)

• Объём (с точки зрения объёма данных или набора данных)

“Объём” описывает количество доступных данных. Это количество определяется широтой и глубиной доступных данных. Из-за возрастающего использования датчиков и связанности все большего количества объектов генерируются обширные потоки данных.

• Скорость (с точки зрения скорости генерации данных)

“Скорость” описывает скорость, с которой наборы данных либо вновь создаются, либо существующие обновляются, анализируются и/или удаляются. Сегодня — например, из-за возрастающего использования датчиков — многие изменения могут быть записаны, задокументированы и, при необходимости, оценены в реальном времени.

• Разнообразие (с точки зрения множества источников данных и форматов данных)

“Разнообразие” относится к большому количеству внутренних и внешних источников данных, которые должны обрабатываться — часто одновременно — в ходе приложений ИИ. “Разнообразие” также относится к большому количеству различных форматов данных (таких как структурированные, частичные и неструктурированные данные, а также фотографии и видео), которые необходимо оценить.

• Достоверность (с точки зрения качества данных и источников данных)

“Достоверность” относится к качеству доступных данных и источников данных. В сравнении с дополнительным критерием “ценность”, “достоверность” не касается значимости данных в смысле семантики, а только формального информационного содержания. Качество данных в “достоверности” может быть описано следующими измерениями:

– Корректность (с точки зрения отсутствия ошибок)

– Полнота (с точки зрения охвата всех релевантных областей)

– Согласованность (с точки зрения отсутствия противоречий)

– Актуальность (с точки зрения достоверности данных во времени)

Это также включает вопрос о достоверности данных с точки зрения отсутствия систематических искажений. Здесь особенно важно критически оценивать заявления, сделанные про-домовскими источниками. "Про-домо" буквально означает "для дома", а в переносном смысле "в своих интересах" или "для своей выгоды". Если национальная ассоциация автомобильной промышленности представляет определенные выводы, можно предположить, что эти заявления находятся под влиянием повестки дня автомобильной промышленности. Поэтому они могут содержать (частичное) "искажение". Это также относится ко многим публикациям компаний, которые хотят представить свои достижения в позитивном свете. Если эти эффекты не учитываются — даже с самыми изощренными алгоритмами — может произойти эффект GIGO: "мусор на входе — мусор на выходе" или в просторечии "дерьмо на входе — дерьмо на выходе". Шокирующим примером этого является чат-бот Tay, использовавшийся Microsoft в 2016 году (ср. раздел 4.1.2).

• Ценность (с точки зрения релевантности данных)

“Ценность” относится к релевантности данных в отношении конкретного приложения.

Релевантность и взаимодействие этих критериев будут проиллюстрированы автомобилем с поддержкой ИИ. Уже сегодня подключенный автомобиль генерирует объем данных около 25 гигабайт в час (объем). Эти данные создаются и изменяются в реальном времени и должны — частично — обрабатываться в реальном времени (скорость).

Автономно управляемый автомобиль должен одновременно оценивать данные о погоде, информацию о встречном/текущем трафике, дорожных условиях, пункте назначения и многое другое. Эти данные доступны в структурированной, полуструктурированной и неструктурированной форме. Кроме того, фотографии и видео должны непрерывно оцениваться (разнообразие). Важно, чтобы обрабатываемая информация о пробках относилась к выбранному маршруту — и чтобы пробка не рассосалась час назад. Кроме того, датчики не должны быть грязными, иначе они будут передавать неверные данные (достоверность). Наконец, данные должны быть релевантны для транспортного средства. В этом смысле предупреждения о пробках на маршрутах, которые вообще не используются, бесполезны. Это также относится к погодной информации, касающейся районов, не затронутых транспортным средством. Ссылка на камеры контроля скорости на дорогах, которые не используются, также вводит в заблуждение (ценность).

Ящик памяти

Овладение пятью В больших данных — главная задача для Искусственного Интеллекта. Качество обработки данных напрямую влияет на качество всех приложений, основанных на нем.

Рисунок 2.5 показывает развитие объема данных. Здесь становится ясно, что происходит экспоненциальное развитие в отношении доступности данных. Для приложений ИИ крайне важно обеспечить связанность различных источников данных и категорий данных.

Какие наиболее важные источники данных стоят за этим экспоненциальным ростом объемов данных на рисунке 2.5? С одной стороны, сами вещи и процессы генерируют все больше и больше данных о своем использовании (часто через уже упомянутые датчики). В их "умной" форме (т.е. подключенной через Интернет) они предоставляют свои данные через Интернет, как Умные часы, Умный дом, Умный холодильник и т.д. Также при использовании цифровых процессов, таких как потоковые сервисы от Spotify, Maxdome или Netflix, генерируется большое количество данных о поведении

Рисунок 2.5 Большие данные — развитие глобального объема данных в экзабайтах. Источник: Адаптировано из Gantz и Reinsel (2012, с. 3) и Turner, Gantz, Reinsel и Minton (2014)

пользователей. Спектр варьируется от типа просмотренного или прослушанного содержимого, до времени и места, до информации, в которой зрители или слушатели прервали процесс потоковой передачи.

С другой стороны, люди также создают и делятся тоннами данных. Глобальное общение до сих пор доминирует по электронной почте. Чтобы дать вам представление о масштабах, вы можете увидеть ниже, насколько интенсивно используются каналы коммуникации. Цифры показывают уровень активности за 60 секунд в Интернете (ср. Desjardins, 2018):

• 187 миллионов отправленных электронных писем

• 38 миллионов сообщений WhatsApp

• 18 миллионов текстовых сообщений

• 4,3 миллиона просмотренных видео на YouTube

• 3,7 миллиона поисковых запросов в Google

• 2,4 миллиона созданных снэпов

• 1,1 миллиона свайпов в Tinder

• 0,973 миллиона входов в Facebook

• 0,481 миллион отправленных твитов

• 0,375 миллиона скачиваний приложений

• 0,266 часа просмотрено на Netflix

• 0,174 миллиона прокруток Instagram

Здесь — теоретически — существует почти неограниченный потенциал данных, который релевантен для приложений ИИ. Здесь релевантно не только содержание сообщений, но и метаданные, связанные с ними. Эти "данные о данных" говорят о том, кто, когда, откуда и с кем общался, как долго (например, в телефонных разговорах — независимо от содержания разговора). В поисках Google — в дополнение к содержанию — записывается, с какого устройства, с какой интенсивностью, с каким результатом и как долго проводился поиск. Все эти данные формируют так называемую цифровую тень, которую мы оставляем в нашей онлайн-активности — независимо от того, нравится нам это или нет. Такие данные также относятся к гигантским потокам данных, которые так интересны для приложений ИИ — когда у вас есть к ним доступ.

Эти разработки основаны на законе Цукерберга (Hansell, 2008):

Я ожидал бы, что в следующем году люди будут делиться информацией в два раза больше, чем в этом году, а через год — в два раза больше, чем в предыдущем. Это означает, что люди используют Facebook, и приложения, и экосистему, все больше и больше.

На самом деле, это прекрасная предпосылка для разработки высокопроизводительных систем ИИ. Мы должны учитывать, что политики в Европе с энтузиазмом обсуждают Общий регламент по защите данных (GDPR), который вступил в силу 25 мая 2018 года. Здесь объявлено о важном этапе, что всестороннее использование данных компаниями наконец-то предотвращено. Крупные бюджеты и много энергии было инвестировано в разработку процессов, чтобы соответствовать "замечательному" принципу GDPR "запрет с

резервированием разрешения", а также правила "конфиденциальность по дизайну", "конфиденциальность по умолчанию" и "нехватка данных".

Многие люди упускают из виду то, что уже было описано в 2009 году как закон диспропорциональности информации: "Чем больше информации о потребителе или лице, принимающем решение, или компании, тем точнее могут быть размещены предложения. Это означает, что нам нужна дополнительная информация о лидах и клиентах, чтобы предоставить им более релевантную информацию" (Kreutzer, 2009, с. 69). Этот принцип применим, в частности, к использованию Искусственного Интеллекта!

Поэтому весьма сомнительно, что нехватка данных, требуемая GDPR, является правильным путем, если Европа хочет играть в высшей лиге, когда речь заходит об Искусственном Интеллекте. Несмотря на то, что это уже много раз говорилось, это неверно:

• Данные — это новая нефть!

• Кто владеет данными, владеет бизнесом, владеет отраслью!

Европа только что решила, что этот поток данных больше не будет поступать в трубопроводы активных компаний, а только по капле. Кроме того, компании теперь неизбежно должны будут иметь дело с юридически совместимым внедрением GDPR. С одной стороны, это парализует существующие бизнес-процессы, когда компания постоянно должна иметь дело с тем, каким образом мы все еще можем получить доступ к клиенту и сохранить его данные. С другой стороны, это отвлекает от других важных тем — таких как стратегическая конфронтация с Искусственным Интеллектом! На этом фоне, как Искусственный Интеллект может быть успешно внедрен, если его производительность зависит от доступной информации?

Пища для размышлений

Шошана Зубофф, почетный профессор Гарвардской школы бизнеса, ввела термин Surveillance Capitalism для описания новых разработок. Она понимает его как "... мутацию современного капитализма. Его сырьем являются данные, полученные в результате мониторинга поведения человека. Эти данные о том, как кто-то себя ведет, преобразуются в прогнозы о том, как кто-то будет себя вести — и эти прогнозы продаются на новых рынках. Surveillance Capitalism берет свое начало в цифровой среде и доминирует сегодня. Он стал доминирующим, потому что открыл первый эффективный способ монетизации онлайн-трафика путем быстрого и надежного преобразования инвестиций в капитал. ...

Surveillance Capitalism... должен проникать все глубже в нашу повседневную жизнь, нашу личность, наши эмоции, чтобы предсказывать наше будущее поведение. ...

В Surveillance Capitalism... мы едва ли являемся клиентами и сотрудниками, но прежде всего источниками информации, данными аппарата, чьи функциональные возможности остаются в значительной степени скрытыми от нас. Это не капитализм для нас, это о нас. Он наблюдает за нами, чтобы разрабатывать свои продукты. ...

Неправильно говорить: 'Они сканируют мой опыт, мне нечего скрывать'. Я говорю: Кто нечего скрывать, тот никто. Наша внутренняя жизнь, наши личные переживания, установки, чувства и желания — это то, что делает нас людьми. Они — наша моральная родина. (Zuboff, 2018a, с. 68; 2018b; перевод авторов).

Совет по чтению

Если вы хотите углубиться в эту тему, мы рекомендуем книгу пионера Интернета Джарона Ланье "Десять причин, почему вам нужно немедленно удалить свои аккаунты в социальных сетях". Ланье группирует свои замечания вокруг термина BUMMER. Эта аббревиатура означает "Behaviors of Users Modified and Made into an Empire for Rent" (Поведение пользователей, измененное и преобразованное в империю для сдачи в аренду). Интересный материал для размышлений.

2.5 Новые технологии

Новые технологии играют особенно важную роль в использовании потенциала данных, описанного выше. Они позволяют создавать новые бизнес-модели, например, на основе Интернета вещей или Интернета всего (ср. подробнее разд. 2.3). В то же время новые технологии также несут угрожающие риски, если компании не осознают их значимость для пользователей и не полагаются на соответствующие технологии достаточно быстро. Тогда происходит явление "отбора" бизнес-моделей, которые больше не могут выживать, известное как Цифровой Дарвинизм (ср. подробнее Kreutzer & Land, 2016).

Для компаний и вас, как читателя, это идет рука об руку с вопросом о том, на какие технологии следует сосредоточить внимание — а какие можно пренебречь? Важным ориентиром для компаний является ежегодно обновляемый цикл ажиотажа новых технологий Gartner. Он показывает фазу жизненного цикла, на которой находятся межотраслевые релевантные технологии. Эти фазы технологической жизни определены Gartner на основе ожиданий, связанных с каждой технологией (ср. рис. 2.6).

Gartner определяет пять различных фаз с точки зрения технологических ожиданий, которые предоставляют информацию о состоянии ожиданий и проникновении новых технологий на рынок.

• Инновационный триггер

На этой фазе публикуются первые идеи новых технологий, которые подхватываются СМИ. На этом раннем этапе еще невозможно предсказать, будут ли эти технологии использоваться устойчиво.

• Пик раздутых ожиданий

На этой фазе публикуются первые истории успеха, что стимулирует дальнейшие ожидания в отношении новой технологии. В то же время становятся видны первые неудачи в использовании технологии, что доводит ожидания до предела. Использование технологии по-прежнему ограничено несколькими компаниями.

• Впадина разочарования

Эта впадина в жизненном цикле технологии основана на понимании того, что многие ожидания от новых "чудо-оружий" не оправдались. На этой фазе пшеница отделяется от плевел!

• Склон просвещения

На этой фазе все больше и больше компаний видят, как технология может быть использована с пользой. Предлагаются технологические разработки второго и третьего поколений исходной технологии, и их все чаще используют инновационно открытые предприятия и интегрируют в рабочий процесс.

• Плато производительности

Технология теперь широко используется, потому что ее преимущества не только видны, но и полностью окупаются. Использование в качестве основной технологии предопределено. Использование во все большем количестве компаний и областях применения — лишь вопрос времени.

Кроме того, Gartner представляет прогноз цикла ажиотажа о том, когда, вероятно, будет достигнуто плато производительности. Это видно на рисунке 2.6 по разной яркости отдельных технологий.

Майк Уолтер, вице-президент по исследованиям в Gartner (2018), метко резюмировал, как поступать с разработками, показанными на рисунке 2.6: "Как лидер в области технологий, вы будете продолжать сталкиваться с быстро ускоряющимися технологическими инновациями, которые глубоко повлияют на то, как вы общаетесь со своими сотрудниками, клиентами и партнерами. Тенденции, показанные этими новыми технологиями, призваны стать следующими наиболее

Рисунок 2.6 Цикл ажиотажа Gartner для новых технологий. Источник: Адаптировано из Gartner (2018)

значимыми технологиями, которые имеют потенциал нарушить ваш бизнес и должны активно отслеживаться вашими исполнительными командами."

Рисунок 2.7 показывает, какие отдельные разработки относятся к тенденциям, определенным Gartner (2018). В этой работе углублены аспекты, относящиеся к контексту Искусственного Интеллекта.

В цикле ажиотажа Gartner 2018 года (2018) доминируют следующие пять основных технологических тенденций (ср. рис. 2.7):

• Демократизированный Искусственный Интеллект

Тенденция с наибольшей разрушительной силой идет рука об руку с развитием Искусственного Интеллекта. Облачные вычисления, открытый исходный код и сообщество "мейкеров" делают соответствующие приложения доступными во всевозрастающих масштабах. Компании, которые первыми начали действовать, получат выгоду от непрерывного развития технологии. Самая большая сила изменений исходит от подразделений, в которых разработчики, специалисты по данным и архитекторы ИИ — даже за пределами национальных и отраслевых границ — работают вместе над разработкой убедительных приложений ИИ. В результате все больше областей жизни проникает решениями ИИ.

Область темы Deep Neural Nets (Глубокие нейронные сети) (Deep Learning), которая находится на пике ожиданий, будет способствовать повышению производительности систем ИИ (ср. рис. 2.6). Предложения виртуальных персональных помощников (таких как Alexa и Google Home), а также роботов для повседневного использования (таких как роботы для уборки пылесосом, мытья окон и стрижки газонов) будут стимулировать эту демократизацию вперед. Здесь также будут (все больше) интеллектуальные роботы, работающие рука об руку с людьми (так называемые коботы), которые предоставляют услуги в номерах или выполняют сложные задачи в производстве и логистике. Они будут поддерживать или заменять человеческий труд.

Рисунок 2.7 Тенденции Gartner в новых технологиях 2018 года. Источник: Адаптировано из Gartner (2018)

Для этой цели используются платформы для разговоров ИИ (также называемые пользовательскими интерфейсами для разговоров, CUIs), которые основаны на различных технологиях ИИ. Однако уже предвидится, что графические пользовательские интерфейсы (GUIs), которые до сих пор доминировали, скоро устареют. Эти интерфейсы служат для общения между человеком, с одной стороны, и машиной или системой, с другой. CUI - это речевые системы, которые позволяют общаться между человеком и машиной и соответствуют человеческому диалогу.

Эта категория также включает различные стадии автономных транспортных средств. Автономное вождение уровня 4 описывает транспортные средства, которые могут управлять в высокой степени — но не одни — без человеческого вмешательства. Они могут использоваться в выделенных областях. Ожидается, что такие транспортные средства выйдут на рынок в следующем десятилетии. Автономное вождение уровня 5 указывает на транспортные средства, которые действуют автономно во всех ситуациях и условиях. Соответствующие транспортные средства не требуют рулевого колеса или педалей. Такие "автомобили" представляют собой дополнительное рабочее и жилое пространство для людей.

Прежде всего, речь идет о освоении технологии автономного движения, которое — по данным Gartner (2018) — все еще требует как минимум от пяти до десяти лет разработки. Автономные летательные аппараты будут служить не только для перевозки людей, но и для перевозки медицинских принадлежностей и продуктов питания. Полностью автономные летательные аппараты могут быть разработаны легче, чем автономные транспортные средства на земле. С одной стороны, воздушное пространство сегодня уже строго контролируется. С другой стороны, люди в значительной степени исключены как "непредсказуемый фактор" в воздухе (за исключением планеристов, дельтапланеристов и парашютистов!). В ходе разработки необходимо преодолеть множество регуляторных и социальных проблем, начиная от размещения посадочных площадок и заканчивая избеганием аварий. Такие автономные летательные аппараты являются одной из 17 технологий, впервые включенных в цикл ажиотажа Gartner для новых технологий 2018 (ср. рис. 2.6).

Общий искусственный интеллект (AGI; ср. рис. 2.6) также находится в самом начале технологического жизненного цикла Gartner. В своей основе он относится к воспроизводству человеческого интеллекта. Цель состоит в том, чтобы система могла успешно выполнять любую интеллектуальную задачу, на которую способен человек. AGI является воплощением "сильного Искусственного Интеллекта" (ср. рис. 1.5; ср. Steunebrink, Wang, Goertzel, 2016).

Ящик памяти

Искусственный общий интеллект направлен на разработку принципов интеллекта, которые работают независимо от конкретной задачи или предопределенного контекста. Эти принципы призваны позволить машинам не только выполнять самую интеллектуальную задачу, на которую способен человек, но даже превосходить ее.

Интерфейс мозг-компьютер (BCI), который находится на пути к пику технологического жизненного цикла, может способствовать этому развитию (ср. рис. 2.6). Для этого также используются термины интерфейс мозг-машина (BMI) или компьютер мозг. В своей основе это интерфейс человеко-машина, который обеспечивает прямое соединение между мозгом и компьютером без активации периферической нервной системы. Для этого записывается электрическая активность мозга. Это можно сделать без хирургического вмешательства

(неинвазивно) посредством ЭЭГ (электроэнцефалографии). Для этой цели испытуемый должен надевать капюшон с большим количеством кабелей, что создает чрезвычайные трудности с удобством соответствующего приложения. В будущем могут помочь оптимизированные головные повязки. Система фМРТ (функциональная магнитно-резонансная томография) для записи активности мозга не требует никакого вмешательства. Для этого человека необходимо доставить в соответствующее устройство для записи активности мозга. Так называемые инвазивные процедуры не требуют этого высокого уровня механических усилий. Но для этого электроды имплантируются в мозг испытуемого для непосредственного измерения мозговых волн. Однако это требует прямого вмешательства в тело.

Основой этих разработок является тот факт, что представление определенного действия вызывает измеримые изменения электрической активности мозга. Таким образом, интерфейс мозг-компьютер может использоваться для определения, какие изменения в активности мозга коррелируют с какими идеями (ср. Bauer & Vukelic, 2018). Знания о связях, полученные таким образом, могут быть использованы в качестве сигналов управления для широкого спектра приложений. До сегодняшнего дня эта коммуникация успешно осуществлялась только в одном направлении ("одностороннее использование"). Люди могут передавать что-то машине посредством своих мыслей — но компьютер еще не может направлять какие-либо соответствующие мысли непосредственно в мозг ("двустороннее использование"). До сих пор люди (по-прежнему) зависят от своих проверенных органов чувств для распознавания реакций системы. Открытый вопрос, будет ли так всегда и хотим ли мы прямого обратной связи в мозг.

Текущие разработки показывают, что по крайней мере "односторонние" интерфейсы мозг-компьютер могут завоевать рынок через несколько лет. Происхождение этих приложений, среди прочего, заключается в возможности предоставления людям с физическими недостатками доступа к взаимодействию через компьютеры или инвалидные коляски. Управление на основе мыслей заменяет мышь, клавиатуру и сенсорный экран, которые требуют физического движения (ср. Stallmach, 2017). В игровой индустрии уже есть первые подходы, когда игра управляется только мыслями с помощью очков виртуальной реальности. В настоящее время следует отметить, что пользователи должны быть подключены с помощью диодов, прикрепленных контактным гелем (пример неинвазивного применения). Кроме того, обработка все еще очень медленная, а частота ошибок очень высокая. Однако интенсивные исследования используются для разработки решений, пригодных для повседневного использования.

Создатель Tesla Илон Маск также основал компанию Neuralink, которая разрабатывает компьютерные чипы для непосредственного подключения людей к Искусственному Интеллекту. Эти чипы имплантируются в мозг, чтобы выходить в сеть с помощью мысли. Ни пальцы, ни рот для этого не нужны, потому что соответствующие команды захватываются непосредственно в мозгу. Тот факт, что компания все еще нуждается во многих квалифицированных сотрудниках для достижения своей амбициозной цели, видно из количества вакансий, предлагаемых на сайте Neuralink (ср. 2019):

• Цифровой дизайнер (Verilog, C/C++)

• Инженер-электрик

• Специалист по ИТ-поддержке

• Руководитель ИТ-отдела

• Специалист по операциям/бухгалтер

• Инженер-технолог

• Координатор по подбору персонала

• Старший станочник с ЧПУ

• Старший инженер по безопасности программного обеспечения

• Инженер по программному обеспечению, Backend

• Инженер по программному обеспечению, робототехник

Facebook также ищет способы использовать мышление напрямую, без использования устной или письменной речи. Компания Neurable из Бранденбурга также разрабатывает решение, которое позволит "передавать мысли без геля". Контактная поверхность должна быть маленьким устройством в ухе (ср. Werner, 2018). Facebook уже объявил в 2017 году, что команда из 60 инженеров работает над разработкой интерфейсов мозг-компьютер. Опять же, цель — писать текстовые сообщения с помощью чистого мысленного управления (ср. Constine, 2017). Сегодня уже возможно, чтобы человек мог думать только о движении большого пальца руки робота — и она движется. Электроды, имплантированные в мозг или приложенные к голове извне, измеряют активность мозга, связанную с мыслью. Она передается системе ИИ, которая вычисляет предполагаемое движение (ср. Steiner, 2018, с. 28).

Представьте себе повседневную жизнь, где вы можете обмениваться мыслями с друзьями в метро с помощью чистого мысленного управления. Всего 15 лет назад мы едва ли могли себе представить такой обмен сообщениями через смартфоны. Интерфейсы мозг-компьютер — еще один пример того, как приложения ИИ изменят нашу повседневную жизнь.

Пища для размышлений

Прогноз интернет-инвестора Фабиана Вестерхайде: "Через пять лет каждая машина будет управляться речью, возможно, через десять лет — мыслью. Это будет самый большой рывок в ускорении" (Budras, 2018, с. 21).

• Цифровые экосистемы

Новые технологии требуют поддержки со стороны новых технологических основ и более динамичных экосистем (ср. рис. 2.7). Овладение этими экосистемами требует новых бизнес-стратегий, таких как переход к платформенно-ориентированным бизнес-возможностям. Это означает, что все больше и больше ранее изолированных технических инфраструктурных решений могут быть уничтожены. Тема блокчейнов может сыграть решающую роль в безопасности данных. Она имеет потенциал увеличить устойчивость, надежность, прозрачность и доверие в централизованных системах.

В эту область также входят все более важные платформы IoT или IoE. Платформы Интернета вещей в первую очередь связывают вещи вместе, тогда как платформы Интернета всего открывают гораздо больше приложений, которые также связывают людей, процессы и данные (ср. рис. 2.3).

Эта тенденция также включает в себя разработку цифровых двойников. Здесь виртуальное (цифровое) представление реального объекта обозначается трехмерной CAD-моделью, чтобы создать виртуальное зеркальное изображение. Сегодня такие виртуальные зеркальные изображения все чаще доступны для машин, сложных производственных мощностей, круизных лайнеров, высокоскоростных поездов и самолетов. Приложения ИИ могут использоваться не только для имитации проектирования, производства и дальнейшего развития. Техническое состояние, износ, техническое обслуживание и необходимый ремонт также могут быть имитированы в цифровом виде и прогнозироваться соответствующим образом. Это значительно упрощает работы по техническому обслуживанию и сокращает простои. Gartner (2018) оценивает, что в течение следующих пяти лет несколько сотен миллионов физических объектов получат цифрового двойника.

Цифровые двойники используются и на B2C-рынке. В H&M специалисты работают над программой Perfect Fit. С ее помощью покупатель может отсканировать себя дома. После этого цифровой двойник может примерить одежду онлайн, чтобы улучшить пользовательский опыт и одновременно сократить процент возврата (ср. Salden, 2018, с. 59).

• DIY биохакинг/бодихакинг

2018 год считается Gartner (2018) началом "трансгуманной" эры, в которой хакинг биологии и "расширение" возможностей человека набирают популярность и становятся доступными (ср. рис. 2.7). Это варьируется от простой диагностики до нейронных имплантатов и является предметом правовых и социальных вопросов этики и гуманности.

Биохакинг или бодихакинг относятся к переносу идеи IT-хаков на биологические системы, в первую очередь на человеческое тело (обычно самим пострадавшим), но также и на всю биосферу. IT-хакинг — это несанкционированное вторжение в компьютер или сеть. Лица, участвующие в такой хакерской деятельности, называются хакерами. Эти хакеры могут изменять системные или защитные функции для достижения цели, отличающейся от первоначального назначения системы. Соответственно, биохакинг стремится к изменениям тела. Люди экспериментируют с имплантатами и другими методами, которые вмешиваются в физические процессы человека. Введение в это может быть так называемыми самомедицинскими хаками, например, самостоятельно выполненными ДНК-тестами. На основе множества данных могут быть разработаны различные формы физической самооптимизации.

По нашему мнению, особенно любопытным примером самооптимизации является использование глазных капель для достижения ночного зрения. Для этой цели испытуемым вводилось вещество Chlorine e6 (Ce6). Последующие тесты фактически показали, что люди, обработанные таким образом, могли воспринимать объекты в темноте гораздо лучше, чем их сверстники. В повседневной жизни испытуемые должны защищать свои глаза черными контактными линзами из-за повышенной светочувствительности (ср. WinFuture, 2019). Имитация не рекомендуется!

Ящик памяти

Биохакинг также может проводиться третьими лицами. Это делает биохакинг все более похожим на IT-хакинг. Британским ученым удалось извлечь

секретные номера (например, для кредитной карты) из мозговых волн и раскрыть их. Следовательно, существует риск того, что данные, извлеченные из мозговых волн, мигрируют из клинической области в коммерческую и будут там использованы не по назначению (ср. Ienca, 2018, с. 11).

Биочипы предоставляют возможность обнаружения заболеваний, от рака до оспы, прежде чем у пациента появятся симптомы. Эти чипы состоят из набора молекулярных датчиков на поверхности чипа, которые могут анализировать биологические элементы и химические вещества. Биотехнология означает искусственно выращенные и биологически вдохновленные мышцы. Хотя эта технология все еще находится в стадии разработки, она может привести к появлению кожи и тканей, растущих на внешней стороне робота и делающих его чувствительным к давлению. Это позволит сделать следующий шаг к гуманоидным роботам.

Еще одна область биохакинга — это разработка экзоскелетов; "экзо" означает "снаружи" в этом термине. Экзоскелет — это внешняя опорная структура для организма. Это роботы, смонтированные на внешней стороне тела, которые могут поддерживать или усиливать движения носителя. Для этого используются соответствующие моторы. Приложения можно найти в медицине, чтобы помочь параплегикам ходить. Кроме того, такие экзоскелеты также применяются в производстве или логистике для облегчения работы над головой или подъема тяжелых предметов. Соответствующие решения предлагают немецкие производители German Bionic и Ottobock Industrials. На стадии расширения они могут управляться мыслью. Для этого используются имплантаты или приемники мозгового сигнала, расположенные на коре головного мозга (ср. Goetz, 2018, с. 164–167).

Израильская компания OrCam разработала небольшое устройство для помощи людям с нарушениями зрения. К очкам прикреплены крошечная камера и громкоговоритель. Если теперь пользователь указывает на текст в виде описаний продуктов, табло или знаков, NLP позволяет системе захватить очень разнородную текстовую информацию и воспроизвести ее в форме устной речи (ср. Brynjolfsson & McAfee, 2014, с. 114).

Эта область также включает развитие человеческого аугментации/усиления. Эта область ИИ нацелена на расширение и повышение производительности человека. В своей основе — как бы странно это ни звучало — лежит "оптимизация человеческого существа" посредством искусственных систем. Как уже упоминалось, это может быть сделано для больных людей посредством медицинских вмешательств с использованием активных веществ, вспомогательных средств и частей тела. Здоровые люди также могут быть "оптимизированы" посредством соответствующих приложений и интеграции и/или соединения с технологиями. Здесь затрагивается тема трансгуманизма — своего рода продолжение человеческого развития посредством использования научных и технических средств. С одной стороны, это исследование основано на традиции гуманизма. С другой стороны, предпринимается попытка преодолеть именно состояние естественного и продвинуть искусственное. Фокус — на уже упомянутом киборге — слиянии человека (или животного) с машиной (ср. Bendel, 2019).

Инъектируемые чипы — из около 70 000 киборгов, которые можно найти по всему миру сегодня — уже заменяют документы, посадочные талоны и ключи, если партнеры по взаимодействию установили соответствующий радиоинтерфейс. Инъектируемый чип также может использоваться для ускорения контроля входа в офис и регистрации компьютера. В сочетании с данными фитнес-трекеров, значениями глюкозы в крови и другими

биометрическими данными, могут быть определены предупреждения о сердечном приступе и отправлены push-уведомления, когда требуется перерыв. Футурологи предполагают, что инъектируемые чипы могут революционизировать повседневную жизнь — особенно для очень активных менеджеров — подобно смартфону. Сегодня уже есть наборы для самостоятельного чипирования, причем пакеты со шприцами можно приобрести за 56 долларов США (ср. Obmann, 2018, с. 58f). По нашему мнению, здесь требуется человеческий интеллект, чтобы проверить, в какой степени следует использовать технологические возможности.

Недостаток в том, что доминирующая чиповая система еще не появилась, поэтому пионеры-киборги иногда имеют два, три или более инъектируемых чипа, чтобы воспользоваться возможностями, которые уже существуют сегодня. Возможно, имплантат VivoKey Chip добьется успеха в качестве доминирующего дизайна. В конце концов, у этого чипа больший объем памяти и дополнительный микропроцессор, так что можно открыть гораздо больше областей применения. Сюда входят защищенные от подделки подписи, обработка финансовых транзакций, онлайн-покупки и безналичные платежи (ср. VivoKey, 2019).

Как прекрасно сказал Илон Маск: "Мы все должны стать киборгами, если хотим выжить в неизбежном восстании роботов" (ср. Obmann, 2018, с. 58).

Ящик памяти

Небольшой наводящий на размышления импульс для всех поклонников киборгов: во время МРТ-исследования сильное магнитное поле, используемое при этом, стирает все данные с чипа. Поэтому у вас должен быть набор для восстановления и идентификационная карта имплантата, подтверждающая вашу безопасность для такого исследования. Пока чип не сделан из драгоценного металла, он будет нагреваться более или менее сильно.

• Создание иммерсивных переживаний

Приложения ИИ позволят получить новые рабочие и жизненные переживания. Это может привести к погружению (ср. рис. 2.8). Это описывает эффект, при котором предоставленные стимулы (например,

Рисунок 2.8 Вычислительная мощность мощнейших суперкомпьютеров мира — июнь 2018 г. (в ТераФЛОПС). Источник: Statista (2018, с. 22)

через виртуальную реальность/VR) вытесняют реальный фон до такой степени, что виртуальная среда теперь воспринимается как "реальная". В компьютерных играх с VR этот эффект уже полностью достигнут при использовании тактильной перчатки. Такая перчатка может передавать движения рук в виртуальную реальность с помощью отслеживания пальцев. Таким образом, объекты можно чувствовать и осязать в виртуальной реальности. Прилагая давление через уже протестированный экзоскелет, также обеспечивается тактильная обратная связь.

Погружение может быть усилено тактильной курткой, которая может передавать давление на тело соответствующего пользователя посредством использования различных моторов (использование так называемых стимульных точек). Таким образом, ощущается не только звук VR-игр, но и удары в физическом противостоянии. С помощью датчиков в такой куртке — или в дальнейшем развитии в виде полного костюма — также возможно очень точно распознавать, как и где движется пользователь.

Другие технологии, используемые сегодня в интеллектуальных рабочих областях, все больше ориентированы на людей. Границы между людьми и вещами могут размываться. Простые приложения — это электронные доски, которые автоматически фиксируют заметки со встреч. Кроме того, датчики могут помочь предоставить сотрудникам персонализированную информацию на основе местоположения и задачи. Системы дополненной реальности могут использоваться для целей технического обслуживания (ср. раздел 5.3). В других приложениях офисные принадлежности могут взаимодействовать непосредственно с ИТ-платформами и запускать различные процессы, такие как заказ.

В частной среде умные дома будут связывать широкий спектр устройств, датчиков, инструментов и платформ. Таким образом, они смогут узнать что-то о том, как люди используют дом. Это основа для все более интеллектуальных систем, которые создают контекстуализированные и персонализированные переживания и таким образом погружают все глубже и глубже в реальность жизни людей.

• Вездесущая инфраструктура

Следует отметить, что "инфраструктура" сама по себе во многих областях больше не является ключевым ресурсом для дифференциации в конкурентной борьбе (ср. рис. 2.8). Широкое разнообразие предложений "Все как услуга" ясно это показывает. Сегодня уже существует широкий спектр "X как услуга":

– Резервное копирование как услуга (BaaS)

– Интенсивные вычисления данных как услуга (DICaaS)

– Высокопроизводительные вычисления как услуга (HPCaaS)

– Люди как услуга (HuaaS) как описание краудсорсинга

– Инфраструктура как услуга (IaaS)

– Мобильность как услуга (MaaS)

– Музыка как услуга (MUaas)

– Платформа как услуга (PaaS)

– Программное обеспечение как услуга (SaaS)

– Трафик как услуга/транспорт как услуга (TaaS)

Кажущаяся безграничная инфраструктура (включая человеческий труд), которая всегда доступна во многих областях, массово изменила корпоративный ландшафт — и будет продолжать это делать!

Ящик памяти

В прежние времена продавались сверлильные станки, сегодня продаются отверстия!

Технология Edge AI, упомянутая на рис. 2.8, — в отличие от облачных вычислений — представляет собой децентрализованную, поддерживаемую ИИ обработку данных "на периферии сети". Приложения и данные ИИ переносятся из центральных узлов (например, центров обработки данных) на периферию сети. Чтобы разгрузить сети от передачи очень больших объемов данных, потоки данных обрабатываются более интенсивно на месте. Это может быть само устройство, фабрика или платформа Интернета вещей или Интернета всего.

Квантовые вычисления, как упоминалось ранее, будут работать экспоненциально быстрее традиционных компьютеров. В будущем эта технология окажет огромное влияние на машинное обучение, технологии шифрования и анализ данных (включая текстовый и изобразительный анализ). Это потребует дополнительной вычислительной мощности, необходимой для многих приложений ИИ.

Пища для размышлений

Теперь необходим ваш предпринимательский дух, чтобы разработать прибыльные бизнес-кейсы на основе технологий и технических вариантов использования! Потому что одно ясно — приложения ИИ снова изменят мир в долгосрочной перспективе. Это связано с тем, что технологии ИИ обладают особенно высоким уровнем инновационности и, следовательно, большим разрушительным потенциалом. Поэтому стало неизбежным заниматься технологиями ИИ в процессе цифровой трансформации!

Как уже указывалось, успех в глобальной гонке ИИ зависит от доступности высококачественных данных (ср. разд. 2.4) и соответствующей мощности компьютеров. По этой причине посмотрим, где сегодня расположены самые мощные компьютеры в мире (ср. рис. 2.8). Вычислительная мощность показана в ТераФЛОПС. FLOPS расшифровывается как Floating Point Operations Per Second. "Операции" относятся к сложению и умножению чисел, тогда как "floating point" означает обычное представление чисел в ИТ. FLOPS показывает, сколько вычислений компьютер может выполнить в секунду. Чем больше это число, тем мощнее компьютер. Если компьютер имеет вычислительную мощность один ТераФЛОПС (TFLOPS), этот компьютер может выполнить 1000 000 000 000 операций в секунду.

Взгляд на расположение так называемых суперкомпьютеров показывает, что США, имеющие шесть таких компьютеров, занимают первое место, за ними вплотную следует Китай. Швейцария — единственная европейская страна в топ-10.

Взгляд на мировое расположение 500 самых мощных суперкомпьютеров на рис. 2.9 также интересен. Это снова показывает доминирование Китая. Как уже упоминалось, Китай в своем мастер-плане "Сделано в Китае 2025" определил Искусственный Интеллект как центральную область действия для достижения глобальной лидерской роли. Китай находится на пути к достижению этой цели. Германия в этом страновом рейтинге — для одной из ведущих индустриальных наций мира — занимает не очень респектабельное 5-е место!

Даже если сложить все суперкомпьютеры, расположенные в Европе, их общее число составляет 86, но их опережают США — не говоря уже об оборудовании в Китае!

На этом фоне становится понятно, почему в 2018 году десять партнеров из науки и промышленности объединили усилия в Европе для создания 100-кубитного компьютера под названием OpenSuperQ в исследовательском центре Юлих к концу 2021 года. При этом европейские исследователи хотят гарантировать, что они не останутся полностью позади в глобальной гонке за сверхпроизводительными квантовыми компьютерами. Этот проект является частью флагманской программы ЕС по продвижению исследований в области квантовых технологий в Европе. OpenSuperQ призван ускорить симуляцию процессов в химии и материаловедении, а также машинное обучение в Искусственном Интеллекте. Квантовая технология вот-вот совершит прорыв в повседневную технологию. Использование квантовых компьютеров может справиться с вычислительными задачами, которые традиционные компьютеры до сих пор не могли выполнить. Разрабатываемый квантовый компьютер должен иметь 100 квантов или кубитов и с помощью программного обеспечения с открытым исходным кодом через облако должен обеспечить доступ к любому заинтересованному приложению (ср. Heise, 2018).

Рисунок 2.9 Расположение 500 самых мощных суперкомпьютеров в мире — июнь 2018 г. Источник: Statista (2018, с. 23)

Важным условием для того, чтобы описанные выше технологии могли развивать свои (положительные) эффекты, является высокопроизводительная мобильная сеть, охватывающая как можно большую территорию страны. Особое значение здесь имеет стандарт мобильной сети 5G; "5" означает 5-е поколение. Этот новый стандарт можно описать следующими характеристиками:

• В 100 раз более высокая скорость передачи данных, чем в сетях 4G (скорость передачи до 10 Гбит/с)

• Использование более высоких диапазонов частот

• Увеличенная пропускная способность по частоте обеспечивает более высокую пропускную способность данных

• Передача данных в реальном времени поддерживает управление 100 миллиардами мобильных устройств по всему миру

• Чрезвычайно короткие времена задержки (в смысле реакции, задержки или времени передачи) в одну миллисекунду даже на больших расстояниях (человеческому глазу требуется около десяти раз больше времени, чтобы передать информацию в мозг); время задержки, таким образом, в десять раз короче, чем у 4G.

• Значительное снижение энергопотребления при передаче данных по сравнению с 4G

• 5G может подключить миллион устройств на квадратный километр; в десять раз больше, чем 4G

Внедрение 5G позволит не только осуществлять машино-машинную связь в реальном времени, но и человеко-машинную связь. Это может поддержать новые формы взаимодействия. Помимо сетевой инфраструктуры, важным предварительным условием для этого является разработка общих стандартов для передачи данных.

2.6 Инвестиции в Искусственный Интеллект

Значение, которое отдельные компании придают Искусственному Интеллекту, ясно из заявления генерального директора Google Сундара Пичаи. Теперь он называет Google "AI-первой" компанией. После этого все дальнейшие разработки будут приоритезированы с акцентом на дальнейшее расширение компетенции Google в области ИИ. Почему это так, ясно из дальнейшего заявления Пичаи: "ИИ важнее огня или электричества".

Какие инвестиции в Искусственный Интеллект делаются в общей сложности? Согласно исследованию McKinsey (2018, с. 5), компании по всему миру инвестировали в Искусственный Интеллект в 2016 году от 26 до 39 миллиардов долларов США. "Технологические гиганты" (Alphabet, Amazon, Apple, Facebook, IBM, Microsoft) составляют от 20 до 30 миллиардов долларов США. Стартапы инвестировали от 6 до 9 миллиардов долларов США. В общей сложности внешние инвестиции в ИИ утроились с 2013 года.

Европейская комиссия также поставила перед собой цель увеличить инвестиции в Искусственный Интеллект, чтобы ликвидировать разрыв между Европой и США, и, в частности, Китаем. Инвестиции в размере 1,7 миллиарда долларов США должны способствовать этому. В то же время цифровой комиссар Мария Габриэль указывает на то, что в дополнение к инвестициям и четкой этической и правовой базе существует также потребность в более общедоступных данных. Частные инвестиции в исследовательские проекты ИИ в настоящее время в три раза выше в Азии и в пять-шесть раз выше в США, чем в Европе. В

порядке мобилизовать дополнительные частные средства, Комиссия ЕС выделит вышеупомянутые 1,7 миллиарда долларов США. Европе потребуется скорее 23 миллиарда долларов США к 2020 году (ср. Zeit, 2018).

Тот факт, что помимо финансовых ресурсов, не хватает и необходимого мышления, подчеркивается дальнейшими результатами, полученными McKinsey (2018, с. 4). Они основаны на опросе 3000 менеджеров уровня C (связанных с ИИ) в десяти странах (Китай, Канада, Франция, Германия, Италия, Япония, Швеция, Южная Корея, Великобритания и США) и 14 отраслях:

• В целом, принятие ИИ в компаниях за пределами технологического сектора все еще находится на ранней, часто лишь экспериментальной стадии.

• Только 20% респондентов используют технологии, связанные с ИИ, в более крупных масштабах или в основной области компании.

• Многие компании не уверены в релевантных бизнес-кейсах и/или достижимой отдаче от инвестиций.

• Детальный анализ более 160 вариантов использования показывает, что Искусственный Интеллект используется в коммерческих целях только в 12% случаев.

Глава 10 показывает, как можно изменить мышление сотрудников и возможности внутреннего использования Искусственного Интеллекта. Правда: С первой промышленной революции технологический прогресс принес нам постоянное и все более быстрорастущее увеличение процветания. Парадокс в том, что после внедрения пионерских новых технологий — таких как внедрение электрического света на фабриках в конце девятнадцатого века и появление компьютеров в 1990-х годах — производительность изначально замедлилась. Эта связь была подчеркнута Чедом Сиверсоном, экономистом из Чикагского университета. Соответственно, прошло несколько лет, прежде чем произошел реальный рост производительности. Было показано, что базовая технология показала положительные эффекты только при дополнении инновациями (ср. Syverson, 2013; Brynjolfsson & McAfee, 2014, с. 125–127).

Ящик памяти

Цифровизация и технологии ИИ еще не являются факторами успеха сами по себе, которые виртуально автоматически обеспечивают экономический рост и социальное процветание. Только инновации на основе ИИ могут раскрыть потенциал роста, эффективности и процветания. Это требует идей, бюджетов, мужества, а также творческих и преданных сотрудников, чтобы воплотить великие идеи в реальность.

Поэтому важно, чтобы самые разнообразные науки оставили свои "башни из слоновой кости" и внесли свой вклад в соответствующие сети ИИ. Дальнейшее развитие требует большого количества ученых и комплексного сетевого взаимодействия. Какие науки имеют особое значение для развития Искусственного Интеллекта? К ним относятся биология, когнитивные науки (такие как психология, философия и лингвистика), экономика, информатика, математика и инженерия.

Биология предоставляет основу, из которой вытекает "идеальный образ" систем ИИ. Для разработки гуманоидного робота необходимы всесторонние знания анатомии, психологии и нейронауки. В конце концов, гуманоидный робот — как уже упоминалось — должен не только внешне быть похожим на человека, но и уметь имитировать человеческое поведение и принимать социальные решения. Для этого необходимы выводы из когнитивных наук.

Математика, в свою очередь, предоставляет инструменты для разработки алгоритмов технологий ИИ. Она позволяет разработчикам писать мощные программы ИИ. Инженеры взаимодействуют с этими алгоритмами для реализации когнитивной и физической производительности роботов и машин. Для достижения рыночной зрелости этих разработок, не в последнюю очередь, необходимо, чтобы экономисты распознавали потребности клиентов на ранней стадии и наполняли предложенные шаги работы ими. В той мере, в какой это выходит за рамки базовых исследований, экономисты также решающим образом ответственны за достижение окупаемости инвестиций (ROI), чтобы инвестиции в ИИ стали прибыльными в долгосрочной перспективе.

Рисунок 2.10 показывает, как Искусственный Интеллект встроен в совокупности с его областями применения и методами.

Рисунок 2.10 Входные науки, методы и области применения Искусственного Интеллекта (Рисунок авторов)

Резюме

• Эффекты экспоненциальности массово повысят производительность приложений ИИ в ближайшие годы.

• Цифровизация и дематериализация продуктов, услуг и процессов предлагают дополнительные области применения для Искусственного Интеллекта.

• Связанность объектов, данных, процессов и организмов создает новые области применения для систем ИИ.

• Комплексные наборы данных — определяемые терминами объем, скорость, разнообразие, достоверность и ценность — представляют собой необходимую пищу для разработок ИИ.

• Множество новых технологий из Gartner Hype Cycle поддерживают использование ИИ и будут последовательно осваивать новые области применения.

• Успех ИИ на мировых рынках зависит от имеющихся бюджетов.

Библиография

Bauer, W., & Vukelic, M. (2018). Forschungsprojekt EMOIO, Schnittstelle zur Welt der Computer. В Р. Нойгебауэр (ред.), Цифровизация, ключевые технологии для экономики и общества (с. 135–151). Гейдельберг.

Bendel, O. (2019). Человеческое усиление. https://wirtschaftslexikon.gabler.de/definition/human enhancement-54034. Доступ 10 апреля 2019.

Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Как следующая цифровая революция изменит всю нашу жизнь. Кульмбах.

Budras, C. (2018). Es gibt ein Leben nach dem Smartphone. В Frankfurter Allgemeine Sonntagszeitung (с. 21). 14 октября 2018.

Cisco. (2015). Cisco Internet Business Solutions Group (IBSG), Сан-Франциско.

Constine, J. (2017). Facebook строит интерфейсы мозг-компьютер для набора текста и слухового восприятия кожи. https://techcrunch.com/2017/04/19/facebook-brain-interface/?guccounter=1. Доступ 17 апреля 2019.

Desjardins, J. (2018). Что происходит в интернете за минуту в 2018 году? http://www.visualcapitalist. com/internet-minute-2018/. Доступ 28 апреля 2019.

Fasel, D., & Meier, A. (2016). Большие данные – Основы, системы и потенциал использования, Висбаден.

Gantz, J., & Reinsel, D. (2012). IDC IVIEW. The digital universe in 2020: Big data, bigger data, bigger digital shadows, and biggest growth in the Far East. http://www.emc.com/collateral/ analyst-reports/idc-the-digital-universe-in-2020.pdf. Доступ 13 апреля 2019.

Gartner. (2018). 5 тенденций появляются в цикле ажиотажа Gartner для новых технологий, 2018. https://www.gartner.com/smarterwithgartner/5-trends-emerge-in-gartner-hype-cycle-for emerging-technologies-2018/. Доступ 30 марта 2019.

Goetz, I. (2018). Die neuen Siebenmeilenstiefel. В Frankfurter Allgemeine Quarterly (с. 164– 167). Август 2018.

Hansell, S. (2008). Zuckerberg’s Law of Information Sharing. The New York Times, 6 ноября 2008.

Heise. (2018). Startschuss: 100-Кубитный Суперкомпьютер OpenSuperQ создается в Германии. https://www.heise.de/newsticker/meldung/OpenSuperQ-Quantenrechner-fuer-Europa 4206668.html. Доступ 19 апреля 2019.

н.а. (2018). Die künstliche Intelligenz ist das Herzstück von Industrie 4.0. https://industrieanzeiger. industrie.de/technik/entwicklung/die-kuenstliche-intelligenz-ist-das-herzstueck-von-industrie 4-0/. Доступ 13 апреля 2019.

O’Marah, K., & Manenti, P. (2015). The Internet of Things will make manufacturing smarter. В http://www.Industryweek.com. Доступ 6 апреля 2019.

PWC. (2017). Цифровые фабрики. https://www.pwc.de/de/digitale-transformation/digital-factories 2020-shaping-the-future-of-manufacturing.pdf, с. 9. Доступ 13 апреля 2019.

Walter, G. (2018). Der Mensch als Dirigent und Problemlöser. In Trending Topics—Industrie 4.0 (с. 53–56).

Zion Market Research. (2017). Прогнозируемый размер мирового рынка умного производства в 2017 и 2023 годах. https://www-statista-com.ezproxy.hwr-berlin.de/statistics/738925/worldwide-smart-manufactu ring-market-size/. Доступ 24 апреля 2019.

3 Области применения Искусственного Интеллекта — Производственная сфера

Сделай это просто, но значимо!

Дон Дрейпер

Аннотация

В этой главе вы увидите, что Искусственный Интеллект может раскрыть свой всеобъемлющий эффект, особенно в области производства. Помимо снижения затрат за счет более эффективного использования производственных мощностей и процессов, может быть повышена гибкость производства. Важно внедрить цифровую цепочку создания стоимости для установки необходимых связей с вышестоящими и нижестоящими сервисными партнерами. При поддержке Искусственного Интеллекта могут быть достигнуты значительные улучшения соответствующих ключевых показателей эффективности на всех этапах цепочки создания стоимости.

3.1 Введение в области применения

Прежде чем мы обсудим большое количество областей применения ИИ, необходимо прояснить важный аспект. Современные системы ИИ всегда разрабатываются для конкретных задач. Это означает, что Искусственный Интеллект, который использовался для победы над чемпионом мира по Го, потерпел бы сокрушительное поражение в шахматах и также в Jeopardy. Таким образом, они далеки от всеобъемлющего человеческого интеллекта.

Эти ограничения необходимо учитывать при рассмотрении в следующих разделах, как возможные сценарии использования могут быть превращены в реальные бизнес-кейсы. Они должны быть не только инновационными, но и устойчиво способствовать успеху компании. При этом учитываются специфические требования различных отраслей. Это может дать важные импульсы для анализа собственных бизнес-процессов.

88 3 Области применения Искусственного Интеллекта — Производственная сфера

В дальнейшем станет ясно, что интеграция ИИ в продукты и услуги может осуществляться самостоятельно. Также процессы закупок, инноваций/создания, производства, распределения и коммуникаций и т. д. могут не только повысить эффективность за счет интеграции Искусственного Интеллекта, но и предоставить новые преимущества для клиентов.

Ящик памяти

Пределы будущего использования ИИ даже не начинают осознаваться сегодня. Следовательно, особенно важны ваша креативность и ответственность, чтобы рано распознать возникающие возможности и активно их использовать.

Ниже представлены захватывающие области применения Искусственного Интеллекта в различных отраслях и различных функциональных областях компаний. Поскольку Искусственный Интеллект является сквозной технологией, его приложения не ориентированы на классические отраслевые или функциональные границы. Скорее, они приводят к связанности между отраслями и функциональными границами. Тем не менее, мы постарались сделать осмысленное и удобное для читателя распределение как по отраслям, так и по предпринимательским функциям.

3.2 Значительные разработки в области производства

Прежде чем будет обсуждено использование Искусственного Интеллекта в производстве, сначала представлены центральные разработки в производстве (ср. рис. 3.1). Здесь становится ясно, что во многих областях Искусственного Интеллекта большое значение придается преодолению связанных с этим проблем.

В центре применения ИИ в производственной среде находится так называемая умная фабрика. В Германии для этого был придуман термин Индустрия 4.0. По сути, речь идет о связанных производственных технологиях.

Рисунок 3.1 Важные изменения в производстве. Источник: Адаптировано из IFR (2017, с. 19–24)

Ящик памяти

Оптимизация процессов сама по себе не является ядром Индустрии 4.0. Искусственный Интеллект открывает гораздо больше возможностей — далеко за пределами развития существующих процессов. Речь идет также о создании новых продуктов и услуг и разработке инновационных бизнес-моделей.

3.3 Умное производство

В умном производстве акцент делается на достижении следующих разработок:

• Границы между проектированием продукции, производственными процессами, цепочкой поставок и управлением спросом стираются.

• Становится возможным виртуальное отслеживание производственных мощностей, процессов, ресурсов и продукции.

• Релевантная информация — по всей цепочке поставок, от производственных площадок до развития спроса — доступна в реальном времени, визуально обрабатывается и дает импульсы к действию.

• Становится возможным рационализация бизнес-процессов, а также оптимизация спроса и предложения — с высокой гибкостью.

Ящик памяти

Умное производство преобразует бизнес в проактивные, автономные организации, которые предсказывают и устраняют потенциальные разрушительные проблемы, развивают операции и радуют клиентов, при этом увеличивая прибыль (O’Marah & Manenti, 2015, с. 3).

По крайней мере, так можно описать желаемый образ, достижение которого требует упорного труда и значительных инвестиций.

Рисунок 3.2 подчеркивает важность умного производства. Он показывает, что мировой рынок этой производственной концепции вырастет более чем в три раза за ближайшие шесть лет. Следовательно, стоит интенсивно изучить возможности умного производства для вашей компании.

Рисунок 3.3 показывает масштаб обсуждения умных фабрик. Были опрошены 200 менеджеров из промышленного сектора по всему миру, чтобы узнать, какое из следующих утверждений о цифровизации и цифровых фабриках лучше всего описывает ситуацию в их собственной компании. Точкой отсчета для ответов была наиболее продвинутая фабрика с соответствующим объемом производства.

ROI от цифровых фабрик и цифровых концепций, который ожидают опрошенные эксперты по всему миру, показан на рисунке 3.4. Соответствующий вопрос был: "Когда вы ожидаете окупаемости своих инвестиций в цифровые фабрики или цифровые концепции?". В то время как в краткосрочной перспективе ожидается доходность "всего лишь" 3–14%, в долгосрочной перспективе ожидания впечатляют — 26–48%. Только те эксперты были опрошены об этих ожиданиях, кто планировал или уже использовал соответствующие инвестиции. 9%

Рисунок 3.2 Размер рынка умного производства по всему миру в 2017 и 2023 годах (в миллиардах долларов США). Источник: На основе Zion Market Research (2017)

респондентов не указали временной горизонт для своих ожиданий ROI. Это ясно показывает, что использование ИИ в производстве требует настойчивости.

В идеальном проекте эти фабрики (производственные мощности, включая контроль качества и логистические системы) организуются самостоятельно, то есть без вмешательства человека. Решающей основой для этого являются так называемые киберфизические системы (CPS). Они соединяют информацию и механические компоненты через программное обеспечение. Обмен данными (включая управление) происходит через сеть (обычно через Интернет) в

Рисунок 3.3 Интенсивность всемирного вовлечения в умные фабрики. Источник: Адаптировано из PWC (2017)

реальном времени. Следующие компоненты обычно содержатся в киберфизических системах (ср. Bendel, 2019):

• Системы (например, для закупок, производства, логистики, связи) и связанные объекты и процессы (компоненты Интернета всего) для контроля и мониторинга процессов; при необходимости, использование облачных сервисов и Edge-AI

• Датчики и беспроводные коммуникационные технологии (такие как Bluetooth или RFID) для регистрации и обработки данных из физического мира

• Стационарное и мобильное оборудование, устройства и машины (например, роботы)

• Исполнительные механизмы (например, приводные элементы), которые воздействуют на физический мир (например, в контроле производственных процессов или как импульсы для роботов)

• Технологии для оценки больших данных, поскольку очень большие объемы данных часто генерируются в реальном времени, например, для поддержки контроля качества

• Модули кибербезопасности (для защиты процессов от внутренних и/или внешних кибератак)

В упомянутых выше сетях следует различать две характеристики. Внутренняя сеть связывает внутренние компоненты производственного процесса на одном месте. Внешняя сеть включает (независимую) связь с другими умными фабриками. Это позволяет — с поддержкой ИИ — учиться на успехах и неудачах других фабрик по производственным площадкам — в идеале даже в реальном времени.

Ящик памяти

Киберфизические системы — предпосылка для коммуникации между реальными и виртуальными компонентами. Следовательно, они образуют интерфейс между аппаратным обеспечением и интеллектом в умной фабрике.

Будущее таких систем обусловлено тем, что информация не только обменивается между системами. Заготовки и материалы, необходимые для их завершения, также могут самостоятельно обмениваться информацией друг с другом и с производственными системами. Поставляемая деталь или продукт в производстве

Рисунок 3.4 ROI инвестиций в цифровые фабрики и цифровые концепции. Источник: Адаптировано из PWC (2017, с. 16)

процесс может показать данные, необходимые для дальнейшей обработки в машиночитаемой форме (например, на RFID-чипе или QR-коде). На основе этой информации запускаются дальнейшие производственные этапы самостоятельно. Это позволяет достичь высокой степени гибкости в производстве, если производственные системы спроектированы соответствующим образом.

Эти разработки сопровождаются дальнейшей формой видимости. Ранее было возможно определить только на уровне партий, где это было произведено, когда и кем во многих производственных процессах. В будущем такое назначение будет возможно на уровне единицы. General Electric создала такую умную фабрику для производства батарей. Более 10 000 датчиков записывают температуру, влажность, давление воздуха и машинные данные в реальном времени. В то же время все потоки материалов записываются на уровне единицы. Производственные процессы также контролируются на уровне единицы. Необходимые корректировки, которые идентифицируются приложением ИИ, могут быть сделаны в реальном времени. Таким образом, производительность батарей в каждом отдельном случае может быть отслежена до конкретных условий на момент производства (ср. O’Marah & Manenti, 2015, с. 3).

Siemens также построила "цифровую фабрику" на заводе электроники в Амберге. Здесь ежегодно производится двенадцать миллионов программируемых логических контроллеров (PLCs) в более чем 1000 вариантах для управления машинами и системами. Продукция сама управляет своим производством. Для этого они информируют машины через код продукции о своих требованиях и о необходимых производственных этапах. Сегодня степень автоматизации в цепочке создания стоимости составляет 75% — в будущем фабрики будут контролировать и оптимизировать себя в значительной степени. Показатель качества составляет потрясающие 99,99885%. Кроме того, все рабочие станции — даже те, которые не автоматизированы — поддерживаются технологией данных (ср. Hochreiter, 2016).

Американская компания Cisco использует платформу виртуальной производственной исполнительной системы (VMES). Это обеспечивает видимость процессов в реальном времени в глобальной производственной сети. Благодаря использованию облачных вычислений, анализа больших данных и Интернета вещей, информация обо всех производственных мощностях связана друг с другом. Таким образом, глобальные производственные процессы и потоки материалов могут быть скоординированы друг с другом. Кроме того, возможен прогнозирующий контроль качества. Каждому объекту присваивается "цифровая идентичность", чтобы его можно было найти в любое время и в любом месте — по всей цепочке поставок (ср. O’Marah & Manenti, 2015, с. 4).

Машиностроительная компания Trumpf создала умную фабрику в Чикаго, чтобы продемонстрировать влияние полностью связанных производств заинтересованным сторонам. 15 используемых машин управляются двумя людьми с одного поста управления. Данные, поступающие от агрегатов, непрерывно используются для (независимой) оптимизации процессов. Функции предиктивного технического обслуживания также интегрированы. В будущем будут предлагаться дополнительные услуги через программное обеспечение, которое можно активировать по требованию. Принадлежащий Trumpf стартап разработал платформу Axoom для связи различных машин и процессов. Здесь также могут быть интегрированы машины и приложения от сторонних партнеров (ср. Mahler, 2018, с. 76f.).

Такие связанные и интеллектуальные фабрики создают возможность для высоко индивидуализированного производства. Благодаря интеллектуальной связанности производственных мощностей с высокой степенью самоорганизации, производственные процессы могут быть спроектированы намного более индивидуально и, таким образом, гибко. Это делает технически и экономически возможным производство небольших партий и отдельных изделий. Здесь мы можем говорить о массовой кастомизации — массовом производстве отдельных изделий, что ранее было противоречием в терминах. Интеллект производственной установки позволяет сочетать специфические для клиента решения с преимуществами оптимизированного массового производства. Для этого клиент может собрать желаемый продукт из модульной системы. На основе соответствующих требований клиента производственные процессы самостоятельно оптимизируются на основе целей по времени и затратам.

Если такие производственные системы связаны с клиентским интерфейсом, они могут изменять свои предпочтения непосредственно перед началом производства — или даже во время производственного процесса. Насколько быстро такие изменения могут быть сделаны, зависит от продолжительности необходимых процессов закупок и времени настройки используемого оборудования. Клиент получает здесь — в пределах — достаточно широкое вмешательство в производство. Это удовлетворит ожидания клиентов; в конце концов, в других областях у них также есть ощущение более полного действия в реальном времени — благодаря WhatsApp, а также множеству потоковых предложений! В то же время становится возможной новая форма клиентского опыта.

В модельной фабрике роботов в Аугсбурге производителя Kuka очень гибкое производство возможно благодаря использованию Автоматизированных управляемых транспортных средств (AGVs). Эти транспортные средства собирают необходимые для производства инструменты из инструментального склада и доставляют их на производственные площадки для переналадки. Кроме того, они управляют центральным складом материалов, который отделен от производства, чтобы забирать необходимые для дальнейшего производства компоненты и доставлять их на производственные мощности. Необходимое управление может быть достигнуто только с помощью алгоритмов ИИ. В то же время системы ИИ могут полностью использовать свои преимущества: сокращаются усилия по программированию, упрощается эксплуатация, а процессы очень гибкие. Это позволяет разрушить жесткие производственные цепочки, которые больше не соответствуют требованиям рынка из-за небольших размеров партий, высоких колебаний заказов и/или возрастающего разнообразия продукции. В Smart Production Center в модельной фабрике Kuka показывает, как может выглядеть гибкое матричное производство, в котором различные продукты могут быть изготовлены на одной системе (ср. н.а. 2018).

Ящик памяти

Умное производство — это меньше о "что" производится, а больше о "как"! Соответствующее "продукто-нейтральное" производство состоит из нескольких гибких и робото-основанных производственных единиц. Это называется матричным производством. Сердце системы — приложение ИИ, которое оптимизирует весь процесс, учитывая соответствующий цикл и сроки доставки в соответствии с предопределенными параметрами.

Описанные выше разработки поддерживают процесс, который можно описать как решоринг. В отличие от оффшоринга, это означает перемещение производственных процессов из-за рубежа обратно в страны с высокой заработной платой, такие как Германия или США. Gigaset Communications уже производит мобильный телефон снова в Германии. Мировой лидер по насосам, Wilo, выбрал Дортмунд в Германии в качестве места для своей умной фабрики. Также Adidas снова производит обувь в большом количестве в Германии на своей Speed factory. Индивидуально адаптированная обувь производится на 3D-принтерах — каждая уникальна. Bosch строит новый завод по производству чипов в Дрездене, Германия. Дочерняя компания Bosch BSH-Hausgeräte также расширяет свои производственные мощности в Германии — для поставки холодильников в Китай отсюда! Решоринг даже рассматривается в швейной промышленности — потому что во многих случаях страны с низкой заработной платой уже исчерпали свой потенциал снижения затрат в значительной степени (ср. Jung, 2018, с. 61; Fjellströ, Lui, & Caceres, 2017). Индекс решоринга A.T. Kearney показывает, что американские производители не возвращаются толпами. Фактически, Индекс решоринга 2018 года показывает, что импорт из традиционных оффшорных стран находится на рекордно высоком уровне (ср. Abraham, Levering, Bossche, & Gott, 2019).

Ящик памяти

Идея решоринга состоит в возвращении производственных рабочих мест в страны с высокой заработной платой. Это решение должно основываться на точном расчете общих затрат на оффшоринг.

Что делает возможным такие шаги по решорингу? В умных фабриках затраты на персонал составляют лишь очень небольшую долю производственных затрат. Часто это менее 5%. Это облегчает возвращение производства в страны с высокой заработной платой, которые обычно имеют хорошую жесткую и мягкую инфраструктуру (логистика, обучение, правовая система и т.д.). Разработки, связанные с умными фабриками, могут привести к снижению динамики глобального товарооборота и укреплению производства ближе к целевым рынкам.

Согласно опросу 1300 компаний в Германии, аргументы в пользу решоринга следующие (ср. Frauenhofer, 2015):

• 56%: гибкость

• 52%: качество

• 33%: использование мощностей

• 31%: транспортные расходы

• 15%: инфраструктура

• 11%: затраты на персонал

• 5%: близость к внутренним исследованиям и разработкам

Справедливо следующее: больше роботов в индустриально развитой стране ведет к меньшему оффшорингу и большему решорингу. Поэтому понятно, что этот решоринг не приведет к буму рабочих мест. Многие ручные производственные этапы, которые привели к оффшорингу много лет и десятилетий назад, в будущем будут выполняться роботами (ср. Jung, 2018, с. 61, 62).

Ящик памяти

Производственные компании уже генерируют всесторонние потоки данных во многих областях. Это не узкое место. Однако у нас есть проблема с внедрением — от возможностей и потенциалов к конкретным действиям. Именно на этом должна быть сфокусирована будущая деятельность!

Резюме

• Искусственный Интеллект может раскрыть свой всеобъемлющий эффект, особенно в области производства.

• Помимо снижения затрат за счет более эффективного использования производственных мощностей и процессов, также может быть повышена гибкость производства.

• Благодаря цифровой цепочке создания стоимости достигаются необходимые связи с вышестоящими и нижестоящими сервисными партнерами.

• Развитие системы цепочек создания стоимости может способствовать увеличению издержек перехода для деловых партнеров и одновременно дать импульс для новых бизнес-моделей.

• Использование ИИ может добиться значительных улучшений соответствующих ключевых показателей эффективности на всех этапах цепочки создания стоимости.

Библиография

Abraham, A., Levering, B., Bossche, van der P., & Gott, J. (2019). Решоринг в обратную сторону. https://www.atkearney.com/operations-performance-transformation/us-reshoring-index. Доступ 15 апреля 2019.

Bendel, O. (2019). Кибер-физические системы. https://wirtschaftslexikon.gabler.de/definition/cyber physische-systeme-54077. Доступ 10 апреля 2019.

Fjellström, D., Lui, L. Y., & Caceres, W. (2017). Transfer знаний в решоринге, Висбаден.

Frauenhofer. (2015). Erhebung Modernisierung der Produktion. https://www.isi.fraunhofer.de/de/ themen/industrielle-wettbewerbsfaehigkeit/erhebung-modernisierung-produktion. html#tabpanel-1191190252. Доступ 30 марта 2019.

Hochreiter, C. (2016). Bei Siemens in Amberg ist schon Zukunft. http://www.mittelbayerische.de/ region/amberg/gemeinden/amberg/bei-siemens-in-amberg-ist-schon-zukunft-22799- art1329465.html. Доступ 19 марта 2019.

IFR (International Federation of Robotics). (2017). How robots conquer industry worldwide, IFR Press Conference, 27 сентября 2017, Франкфурт.

IFR (International Federation of Robotics). (2018). Asien treibt automatisierung voran. https://de. statista.com/infografik/9080/weltweiter-absatz-von-mehrzweck-industrierobotern/. Доступ 2 апреля 2019.

Jung, A. (2018). Einmal China und zurück. In Der Spiegel (с. 60–62). 29 сентября 2018.

Kreutzer, R., Neugebauer, T., & Pattloch, A. (2018). Digital business leadership – Digitale Transformation – Geschäftsmodell-Innovation – agile Organisation – Change-Management, Висбаден.

Mahler, A. (2018). Die Reifeprüfung. In Der Spiegel (с. 74–78). 13 октября 2018.

McKinsey. (2017). Smartening up with Artificial Intelligence (AI)—Что это для Германии и ее промышленного сектора? Франкфурт.

McKinsey. (2018). Notes from the AI frontier, insights from hundreds of use cases, Сан-Франциско.

н.а. (2018). Die künstliche Intelligenz ist das Herzstück von Industrie 4.0. https://industrieanzeiger. industrie.de/technik/entwicklung/die-kuenstliche-intelligenz-ist-das-herzstueck-von-industrie 4-0/. Доступ 13 апреля 2019.

O’Marah, K., & Manenti, P. (2015). The Internet of Things will make manufacturing smarter. В http://www.Industryweek.com. Доступ 6 апреля 2019.

PWC. (2017). Цифровые фабрики. https://www.pwc.de/de/digitale-transformation/digital-factories 2020-shaping-the-future-of-manufacturing.pdf, с. 9. Доступ 13 апреля 2019.

Walter, G. (2018). Der Mensch als Dirigent und Problemlöser. В Trending Topics—Industrie 4.0 (с. 53–56).

Zion Market Research. (2017). Projected global smart manufacturing market size in 2017 and 2023. https://www-statista-com.ezproxy.hwr-berlin.de/statistics/738925/worldwide-smart-manufactu ring-market-size/. Доступ 24 апреля 2019.

4 Области применения Искусственного Интеллекта — Обслуживание клиентов, маркетинг и продажи

Аннотация

В этой главе вы узнаете, как Искусственный Интеллект может поддерживать прогнозирование и профилирование лидов для выявления похожих аудиторий. Также будут обсуждаться возможности разработки индивидуализированных рекомендаций и медиапланов на основе ИИ. Релевантным вариантом использования Искусственного Интеллекта является разговорная коммерция — переход от голосового ввода к только голосовому управлению. Мы также можем использовать системы ИИ для анализа настроений и создания и распространения контента. Выявление фальшивых аккаунтов и фальшивых новостей является большой проблемой для процессов ИИ.

4.1 Сектор услуг: От простых чат-ботов до цифровых персональных помощников

4.1.1 Матрица ожиданий клиентов и компаний

Приложения на основе ИИ могут использоваться различными способами в секторе услуг. Развитые и развивающиеся страны все больше движутся в направлении экономики услуг, что сопровождается серьезными вызовами для Искусственного Интеллекта. Прежде чем осветить, где Искусственный Интеллект может оптимизировать предоставление услуг, необходимо взглянуть на ожидания клиентов и компаний. Матрица ожиданий клиентов и компаний является идеальным инструментом для этой цели. Анализ, изначально сфокусированный на диалогах, теперь более широко сфокусирован на клиентоориентированных процессах. Это позволяет систематически определять степень, в которой такие процессы способствуют удовлетворению ожиданий вашей компании и/или клиентов (ср. рис. 4.1).

В области устранения ожидания компаний и клиентов совпадают (ср. рис. 4.1). Такие процессы и обсуждения приводят только к затратам и

Рисунок 4.1 Матрица ожиданий клиентов и компаний. Источник: Адаптировано из Price and Jaffe (2008)

не нужны клиентам. Их можно удалить из списка услуг. В области автоматизации ожидания компаний и клиентов расходятся: в то время как компания хотела бы избежать таких процессов, клиенты хотят и ожидают их в виде консультаций, поддержки и т.д. Чтобы найти здесь баланс интересов, вы можете положиться на автоматизацию (например, через чат-ботов) или на предложения самообслуживания. Это означает, что на постоянно повторяющиеся вопросы можно отвечать экономически эффективно. Кроме того, могут быть предоставлены персональные рекомендации с поддержкой ИИ.

В области упрощения интересы также расходятся и приводят к расхождению ожиданий. В то время как компания видит здесь возможности для создания ценности (например, путем получения разрешений на электронную почту или путем внедрения процедур регистрации, последующих звонков, запросов на оценку), клиент раздражен в худшем случае! Упрощение и улучшение процессов здесь необходимы (ср. рис. 4.1). В области рычага существует соответствие ожиданий. Здесь необходимо инвестировать в базовые процессы, чтобы использовать существующий потенциал. Диалоги, создающие ценность, могут быть достигнуты путем предоставления оператору колл-центра — в реальном времени — оптимальных следующих лучших предложений, а также других рекомендаций, которые были определены при поддержке ИИ как релевантные для клиента. Это может устойчиво улучшить качество обслуживания клиентов. Рычаг также может включать совместную разработку решений, которые могут привести к повышению лояльности клиентов.

107

Ящик памяти

Матрица ожиданий клиентов и компаний предоставляет вам важную ориентировочную основу для определения правильных приоритетов автоматизации с помощью Искусственного Интеллекта — и для учета ожиданий клиентов!

4.1.2 Анализ голоса и чат-боты в секторе услуг

Обслуживание клиентов предлагает захватывающую область применения для Искусственного Интеллекта. Здесь приложения ИИ могут раскрыть свою разрушительную мощь и заменить многие традиционные решения и процессы. Таким образом, цифровизация клиентского пути может быть продвинута вперед с помощью Искусственного Интеллекта. При этом можно выделить различные этапы развития. Они варьируются от идентификации голоса и анализа голоса до коммуникации с поддержкой ИИ через простой чат-бот и цифровые персональные помощники, которые — как смартфоны сегодня — становятся незаменимыми менеджерами многих повседневных задач. Тенденция направлена к автоматизированному обслуживанию клиентов.

Приложения ИИ, основанные на обширных базах данных клиентов, могут помочь улучшить клиентский опыт, предоставляя агентам сервисных центров соответствующие данные о клиентах и информацию об индивидуализированных предложениях для поддержки коммуникации, создающей ценность. Это может улучшить качество контакта с сервисным центром.

Голосовая идентификация (распознавание речи) различает две области применения. С одной стороны, она включает обработку естественного языка, уже упомянутую в разделе 1.3.1 (NLP; основная задача "Что сказано?"). С другой стороны, речь идет о распознавании говорящего ("Кто говорит?"). Основное внимание уделяется идентификации человека на основе характеристик голоса. Процесс, также известный как верификация говорящего или аутентификация говорящего, имеет большое значение для идентификации клиентов при выполнении процессов, связанных с безопасностью, или важных транзакций (например, банковских операций по телефону). Распознавание говорящего также важно для простых голосовых заказов — например, через цифрового персонального помощника.

Пища для размышлений

Если бы в Alexa было распознавание говорящего, следующий пример никогда бы не существовал. Все началось безвредно: девочка в США заказала кукольный домик и килограммы печенья у Alexa. Она быстро научилась, как мама и папа используют Alexa в качестве помощника по покупкам. Лавина началась, когда ведущий новостей на американском телеканале сообщил об этом случае и произнес роковую фразу: "Мне нравится эта маленькая девочка, как она говорит: 'Alexa заказала мне кукольный домик'" (Kaltschmidt, 2017).

Поскольку Alexa установлена во многих американских домах рядом с (часто непрерывно работающим) телевизором, многие устройства Alexa услышали эту команду — и выполнили ее! В станцию поступило большое количество жалоб, потому что Alexa запустила процессы покупки — только, казалось бы, не по запросу. Потому что Alexa услышала — почти правильно — из фразы "Alexa заказала мне кукольный домик" команду активации "Alexa" и восприняла команду "кукольный домик ordered". Тот факт, что Alexa — на данный момент — еще не освоила тонкости индивидуального

темпы прощаются. Можно предположить, что миллионы пользователей также не освоили эти темпы!

Чтобы предотвратить такие эффекты, существуют внутренние решения Alexa: опция покупки по умолчанию включена на Amazon Echo, но ее можно отключить. В качестве альтернативы можно сохранить PIN-код для подтверждения каждой покупки. Правила безопасности существуют, но кто их всегда использует последовательно?

Пища для размышлений

Давайте отправимся в другое путешествие мысли. Грузовик с большими динамиками едет по улице. Из этих динамиков постоянно звучит команда "Alexa, открой дверь". Что произойдет, когда Alexa станет членом семьи во все большем количестве домохозяйств?

Чтобы включить распознавание говорящего для заказов, но особенно для команд открытия дверей, могут быть созданы так называемые голосовые отпечатки. Соответствующие системы используют феномен, согласно которому каждый голос уникален. Причины различий в акустических паттернах связаны с анатомией (например, размером и формой шеи и рта), а также с приобретенными поведенческими паттернами (например, высотой голоса и артикуляцией, часто связанной с диалектами). Эти особенности представлены звуковым спектрограммой. Спектрограмма представляет частоту звука по вертикальной оси во времени по горизонтальной оси. Это основа голосового отпечатка — и гораздо более элегантная, чем сканер радужной оболочки глаза, который мы обычно видим в шпионских фильмах — и работает с глазами, которые больше не находятся на своем естественном месте!

Распознавание говорящего обычно происходит в два этапа: регистрация и верификация. На этапе регистрации голос говорящего записывается для создания голосового отпечатка. На этапе верификации новый голосовой отпечаток сравнивается с ранее записанным. Остается только гадать, как работает такой голосовой отпечаток после визита к стоматологу (с анестезией) или в случае острого простудного заболевания!

Было бы интересно узнать, удалось ли избежать следующего использования Alexa с помощью распознавания говорящего. Что произошло? Попугай Рокко из Блюбери, Англия, вызвал сенсацию: он заказывал разные вещи на Amazon через Alexa, имитируя голос своего хозяина. Рокко — серый попугай, обладающий интеллектом пятилетнего ребенка. Этот вид попугаев может повторять слова почти в точности. Так что Рокко быстро понял, как управлять Alexa. После активации попугай заказал брокколи, изюм, арбузы, мороженое и даже лампочки и воздушного змея. Рокко также включил Alexa для музыкального развлечения и хотел музыку, под которую он потом танцевал (ср. Hesterberg, 2018).

Как пользователи, мы должны поэтому подумать о различных механизмах, которые помогают предотвратить такое неправомерное использование и атаки с помощью так называемой социальной инженерии. Социальная инженерия — это термин, используемый для описания межличностного влияния, которое осуществляется с целью вызвать определенные поведенческие паттерны у другого человека. Это может быть передача конфиденциальной информации (например, паролей) или подстрекательство к транзакциям, вредным для пострадавшего (например, покупки или переводы). Так называемые социальные инженеры шпионят за личным окружением жертвы, чтобы затем представиться людям из этой области как некий человек X или Y (ключевое слово "трюк с внуком"). Социальные инженеры — на основе украденной информации — часто также

проникают во внешние ИТ-системы. Это так называемый социальный хакинг. Это может быть предотвращено или по крайней мере затруднено, если используется мощное распознавание говорящего. Но мы должны помнить, что сегодня люди часто фальсифицируют речевые паттерны — например, в видео (ср. разд. 8.2).

Ящик памяти

Если мы хотим внедрить цифровых персональных помощников в качестве интерфейса в наши клиентские коммуникации, нам необходимо интегрировать распознавание говорящего, чтобы предотвратить неправомерное использование интерфейса. "Распознавание речи" без "распознавания говорящего" уже недостаточно.

Что дальше? Распознавание голоса становится новым распознаванием лиц!

Анализ голоса также может использоваться для получения дополнительной информации о говорящем. Тональность говорящего может быть проанализирована, чтобы вывести эмоциональную ситуацию и, таким образом, срочность вопроса ("Как это сказано?"). В случае критических собеседников, которые определены анализом голоса в колл-центре, звонок может быть перенаправлен особо квалифицированным сотрудникам. Немецкая компания Precire Technologies разработала продвинутую систему ИИ для анализа голоса, которая может измерять 42 параметра личности (ср. Precire, 2019). В Talanx Service, страховой компании, эта система используется в дополнение к другим методам при отборе персонала для руководства и последующих уровней управления. Она также используется в высшем руководстве для дальнейшего развития собственных сотрудников компании. Как это делается? Программа Precire анализирует, как люди говорят — тихо или быстро, с паузами или без, с акцентом или скорее без акцента и т.д. (ср. Rövekamp, 2018).

Для этого участники должны рассказать программе о проекте, последнем отпуске или о каком-то определенном дне. Менее важно, что сказано, но важно, как это сказано. Это включает запись того, какие слова используются, как быстро они произносятся и как они произносятся. Этот разговор должен длиться 10–15 минут. На основе этих необработанных данных алгоритм Precire измеряет 42 параметра личности. Речь идет об устойчивости (в смысле умственного сопротивления), оптимизме, любопытстве и влиянии. В Talanx Service эти результаты тестов дополняют общую картину кандидата — т.е. резюме и другие впечатления, полученные в ходе личных интервью и/или центра оценки (ср. Rövekamp, 2018).

Для развития собственной команды компания Precire разрабатывает индивидуальные предложения по обучению, которые можно вызывать в виде практических занятий на обучающей платформе. Precire CommPass определяет личные ресурсы и области развития. Коммуникативный эффект можно улучшить предложениями, основанными на этом. Здесь проводится различие между ожидаемыми профилями продаж, обслуживания и менеджмента. В одном примере с помощью Precire (2019) удалось выявить следующие способы действий для профиля продаж:

• 70% целеориентированность

• 70% ответственность

• 69% поддерживающий

• 69% капитализирующий

• 61% эмоционально открытый

• 55% информативный

• 53% сбалансированный

• 43% осторожный

Алгоритм Precire также используется для анализа клиентских разговоров. Язык может быть проанализирован для определения эмоций, личности и языковой компетенции собеседников. Мотивы и установки, которые иначе остались бы скрытыми, могут стать видимыми. В идеале, можно обойтись без последующего опроса клиента после телефонного разговора, потому что анализ голоса уже показывает, что клиент удовлетворен результатом разговора (ср. Precire, 2019).

Измерение удовлетворенности клиентов на основе ИИ является идеальным дополнением к широко используемому показателю Net Promoter Score (NPS). Это мощная и столь же простая в использовании концепция для определения степени эмоциональной привязанности и доверия клиентов к вашему бизнесу. По сути, NPS определяется простым вопросом: какой процент ваших клиентов порекомендует вашу компанию (нетто)? Основная концепция NPS описана на рис. 4.2.

Для определения Net Promoter Score задается один вопрос: "Насколько вероятно, что вы порекомендуете эту компанию, эту услугу, этот продукт, этот бренд другу или коллеге?". Ответы могут быть даны по шкале от "0" ("совсем не вероятно") до "10" ("очень вероятно").

Промоутеры (фанаты) компании или бренда — это только те, кто присваивает значение "9" или "10". Детракторы (критики) — это те, кто присваивает значения от "0" до "6". Индифферентные (пассивные) — это те, кто присваивает значение "7" или "8". При расчете чистого значения рекомендаций процент детракторов вычитается из процента промоутеров. Группа индифферентных не учитывается. Следовательно, формула расчета NPS выглядит следующим образом:

Рисунок 4.2 Базовая концепция Net Promoter Score (Рисунок авторов)

NPS = промоутеры (в %) - детракторы (в %)

В лучшем случае значение NPS может быть "100%", если все клиенты присвоили значение "9" или "10". В худшем случае результат "-100%", если все клиенты присвоили значения от "0" до "6" (ср. Reichheld, 2003). Идеально, если ваши клиенты должны обосновать свое решение в текстовом поле после присвоения баллов. По комментариям вы получаете важную дополнительную информацию для выявления факторов покупки, а также причин ухода и для вывода действий на их основе.

Ящик памяти

Net Promoter Score — это простой и быстрый в установке инструмент для определения уверенности, измеряемой степенью готовности к рекомендациям. Таким образом, измерение удовлетворенности клиентов на основе ИИ может быть оптимально дополнено. Используя текстовый анализ с поддержкой ИИ, вы можете дополнительно оценить множество 100, 1000 или 10 000 свободных текстовых комментариев.

Чат-боты уже играют особенно важную роль в обслуживании клиентов (ср. также разд. 1.3.1). В последние годы они прошли быстрое развитие. Вначале существовал чистый текстовый интерфейс (TTT). Здесь пользователю приходилось вводить свой вопрос и т.д. в текстовое поле — и ответ также представлялся в текстовой форме в текстовом поле вывода. Между тем, многие чат-боты эволюционировали в полностью разговорный интерфейс, который поддерживает диалог на разговорном языке. Никакой экран, клавиатура или мышь не требуется. Ввод и вывод происходят через голосовой диалог.

Если вы подведете итог текущих и будущих задач текстовых чат-ботов (TTT), то получится следующая картина:

• Чат-боты для оптимизации коммуникации, инициированной клиентом

Этот тип чат-бота помогает пользователям более эффективно решать повседневные онлайн-задачи. Это позволяет решать проблемы без необходимости просматривать FAQ в течение долгого времени. Кроме того, юридические консультации, новый модный наряд, поездка по разумной цене или простой рецепт жареных яиц можно найти быстро и без объездов по десяткам веб-сайтов.

Мантра: Найди, не ищи!

Экспертная система юридической консультации Ailira из Австралии предоставляет своим клиентам соответствующую информацию. Система использует Искусственный Интеллект для предоставления бесплатной информации по широкому кругу юридических вопросов, вызванной обработкой естественного языка. Сюда входят такие темы, как реструктуризация компаний, завещания и наследство

суды. Кроме того, становится видно, сколько пользователей выразили себя положительно, отрицательно или нейтрально. Чтобы быть в курсе событий, алгоритм ежедневно, ежечасно, ежеминутно обновляется, и алгоритм с поддержкой ИИ просматривает отзывы о продуктах каждую ночь, чтобы автоматически определять важные аспекты (ср. Otto, 2017).

4.2.4 Динамическое ценообразование

Алгоритмы ИИ также все чаще используются для динамического ценообразования. Одним из важнейших факторов, влияющих на прибыльность компании, остается ценообразование (ср. Simon, 2013). Поэтому неудивительно, что приложения ИИ также проникли в эту область маркетинга и продаж. Wise Athena (2019) — интеллектуальный агент ИИ, который поддерживает поставщиков потребительских товаров в определении решений о ценообразовании и акциях дилеров.

Чтобы этого добиться, Wise Athena автоматически выбирает данные, которые лучше всего описывают поведение своих продуктов по отношению друг к другу. Для этого строится модель, которая также учитывает эффекты каннибализации в собственном ассортименте компании и перекрестную эластичность цены продуктов компании. Перекрестная эластичность цены (спроса) определяет процентное изменение количества товара, пользующегося спросом, которое происходит в результате однопроцентного изменения цены другого товара. В отличие от эластичности цены, важно, чтобы перекрестная эластичность цены была между двумя разными товарами.

За счет регулярного обучения точность прогнозов продаж может быть повышена до 94% в отдельных случаях. Несмотря на чрезвычайно большое количество возможных комбинаций цен, система ИИ может определить комбинацию цен, которая оптимизирует продажи или маржу. Такая оптимизированная стратегия ценообразования позволила пользователям Wise Athena увеличить свою маржу на 3-12% в год (ср. Durah, 2018).

Ценообразование на основе ИИ поднимает интересный вопрос: Может ли произойти так, что алгоритмы ценообразования, которые учитывают все релевантные цены конкурентов (возможно, также определенные системами ИИ), поведение потребительского спроса и другие контекстные переменные в своих решениях, приведут к ценовым соглашениям, основанным на ИИ, которые будут эквивалентны картелю? В результате, как и в картеле, прибыль компаний возрастет, а клиенты будут платить более высокую цену, чем раньше, за те же услуги. Следовательно, произойдет сговор. Термин "сговор" означает "тайное соглашение" и описывает несанкционированное сотрудничество нескольких участников в ущерб третьим лицам.

Следующий вопрос: Могут ли такие ценовые соглашения на основе ИИ возникнуть, даже если используемые алгоритмы не были ориентированы на такую процедуру? Будут ли алгоритмы развиваться независимо — ориентированные на цель оптимизации предпринимательской прибыли — таким образом, что сговор неизбежно произойдет? Кто будет виновен в этом случае по Закону против ограничений конкуренции? Изначальный программист или система ИИ, которая не может быть виновной в юридическом смысле? Эти вопросы поднимаются Комиссией по контролю (2018) в своем отчете "Алгоритмы и сговор". В то же время дается рекомендация о том, как поступать с этими разработками. Комиссия по монополиям рекомендует усилить

наблюдение за рынком с помощью отраслевых исследований антимонопольных органов. Информация о сговоре с целью завышения цен сначала направляется ассоциациям по защите прав потребителей. По этой причине рекомендуется предоставить этим ассоциациям право инициировать проведение отраслевых исследований антимонопольных органов. Если есть конкретные признаки использования алгоритмов ценообразования для сговора, могут быть приняты дальнейшие шаги (ср. Monopolies Commission, 2019).

Ученые считают риск сговора систем ИИ низким. Причины этого в том, что среда динамично меняется, поскольку на рынок выходят новые игроки, вводятся новые правила игры, участники преследуют разные цели (помимо оптимизации прибыли, например, привлечение новых клиентов, защита от конкурентов), поэтому алгоритмы могут больше не соответствовать новой ситуации. Следовательно, достичь стабильного равновесия для всех участников было бы трудно. По этой причине алгоритмические картели в настоящее время не предвидятся (ср. также ведущих Hennes & Schwalbe, 2018, с. 18).

Пища для размышлений

К сожалению, если алгоритмические картели действительно возникнут, программа помилования, используемая сегодня для раскрытия картелей, не будет применяться. Если только нам не удастся передать алгоритмам ценности так, чтобы алгоритмы сами показывали себя при сговоре — и тогда им нужно будет его избегать!

4.2.5 Создание контента

Создание контента — еще одна важная область применения ИИ в корпоративной коммуникации. Речь идет об автоматическом создании текстов. Искусственный Интеллект проникает в области, которые до сих пор обслуживались журналистами, под термином робот-журналистика. Специальные алгоритмы ИИ способны писать независимые материалы на основе цифровой информации, доступной в Интернете или где-либо еще. Уже сегодня автоматически генерируются отчеты о спортивных событиях или погоде. Это также относится к кратким новостям из финансового мира (например, отчет о развитии цен на фондовом рынке). Также могут автоматически создаваться информационная графика и таблицы для таких текстов. Здесь получатель обычно не может больше распознать, что эти сообщения были созданы автоматически. В других случаях Искусственный Интеллект поддерживает работу журналистов, предоставляя им квалифицированный поиск и обработку информации, не заменяя полностью эти задачи. Преимущество (частичной) автоматизации заключается в ее скорости (информация в реальном времени) и экономической эффективности соответствующих систем.

Информационное агентство The Associated Press (AP), базирующееся в Нью-Йорке, использует распознавание речи для автоматического преобразования больших объемов необработанных данных в публикуемые отчеты. Эти необработанные данные поступают от листинговых компаний, которые ежеквартально публикуют свои результаты. Задача AP — использовать эти данные как можно быстрее и точнее, чтобы определить релевантные финансовые показатели для создания информативных отчетов для инвесторов. В прошлом нужно было преодолеть две проблемы: AP могла производить только 300 таких отчетов в квартал из-за

ограниченных человеческих ресурсов. Многие тысячи потенциально столь же интересных историй оставались ненаписанными. Кроме того, создание таких рутинных отчетов занимало много важного времени у репортеров, которое нельзя было использовать для более требовательных задач (ср. Automated Insights, 2019).

Для достижения этой цели Associated Press использует платформу Wordsmith от Automated Insights для автоматизации этих процессов. Платформа использует распознавание речи для автоматического преобразования необработанных данных в публикуемые отчеты AP. Для этого был настроен движок генерации языка, чтобы писать в стиле AP. Сегодня AP может генерировать 4400 ежеквартальных финансовых отчетов — вместо 300 вручную созданных отчетов, как раньше. Важно гарантировать, что эти отчеты будут такими же точными, как ожидают читатели от любой статьи, написанной AP. Помимо пояснений в конце статьи, нет никаких доказательств того, что они были написаны алгоритмом (ср. Automated Insights, 2019).

После обширного тестирования было определено, что вероятность ошибок при автоматическом создании даже снизилась по сравнению с ручной разработкой. В общей сложности около 20% времени на подготовку квартальных отчетов удалось сэкономить. Есть планы расширить робото-журналистику на другие области, такие как спортивные репортажи или отчеты о развитии уровня безработицы (ср. Automated Insights, 2019).

Такие разработки повлияют не только на области работы журналистов, но и на всех, кто генерирует "контент" для самых разнообразных каналов или отвечает за контент-маркетинг. Из-за увеличения выпуска контента потребность в сторителлинге непрерывно растет для большинства компаний (ср. о контент-маркетинге Kreutzer & Land, 2017, с. 157–190; Hilker, 2017). Это покажет, могут ли системы с поддержкой ИИ обрабатывать только данные и факты в user-oriented манере (как в случае финансовых отчетов и спортивных репортажей), или они могут также — более или менее независимо — рассказывать захватывающие истории, которые захватывают читателей и способствуют развитию навыков компаний.

Для предотвращения растущего перенасыщения пользователей контентом (ключевое слово контент-шок) все более необходимо готовить контент, ориентированный на целевую группу или даже на конкретного человека. Почти неисчерпаемый источник информации, который может использоваться для генерации контента, — это свободно доступная информация, которую люди предоставляют о себе (например, через социальные сети). Ретаргетинг в онлайн-маркетинге и индивидуализированные рекомендации (например, на Amazon) являются первыми "простыми" предшественниками для этого, которые действуют с некоторой статистикой, но в значительной степени без Искусственного Интеллекта. Большие скачки в развитии генерации контента еще впереди.

Компания Acrolinx, спин-офф Немецкого исследовательского центра по Искусственному Интеллекту (DFKI), вносит интересный вклад в поддержку создания человеческого контента. Компания управляет SaaS-платформой для оптимизации создания письменного контента. Для этой цели Acrolinx использует движок ИИ, который анализирует язык по стилю, тону и выбору слов, включая термины бренда и техническую терминологию, на нескольких языках на фоне специфических целей компании. Большинство компаний обращаются к разным целевым группам, у которых есть специфические информационные потребности. Это необходимо учитывать в коммуникации, не пренебрегая

ценности бренда. Кроме того, важно предоставить "правильную" информацию для пути клиента в соответствующих контактных точках (ср. Acrolinx, 2019).

Для достижения этих целей Acrolinx предлагает два варианта. С одной стороны, инструкции в реальном времени могут быть даны авторам во время процесса написания, чтобы сделать контент более четким и последовательным для соответствующей целевой группы. С другой стороны, оценка контента с поддержкой ИИ может быть проведена на основе заранее определенных целей. Это позволяет быстро и надежно выявлять проблемный контент — в всей корпоративной коммуникации. Acrolinx предоставляет сложный компонент аналитики, который позволяет компаниям оценивать свои данные в соответствии с типом контента и целевой группой в определенном временном интервале. Некоторые компании коррелируют результаты этих анализов с данными о производительности, чтобы определить, какой контент работает хорошо и насколько хорошо (ср. рис. 4.15; Acrolinx, 2019).

Еще одной проблемой для контент-маркетинга является автоматическое предоставление сгенерированного контента в каналах, релевантных для пользователей. Сегодня это мессенджер-платформы, такие как Facebook Messenger, Snapchat, WhatsApp и WeChat. Во многих случаях пользователи больше не перемещаются в публичном цифровом пространстве, но в более или менее закрытых группах пользователей. Чтобы найти признание и быть услышанным там, контент должен быть воспроизведен еще более индивидуально, чтобы добиться "доступа" через релевантность. Поэтому, помимо создания контента с поддержкой ИИ, используется распространение контента с поддержкой ИИ, чтобы — надеюсь — захватывающий контент действительно достигал целевых лиц (ср. Eck, 2018, с. 164).

Интересная область работы для создания контента — автоматическое преобразование текста в видеоконтент. Здесь новостные видео автоматически генерируются на основе текстов. Информационные агентства, такие как Bloomberg, NBC, Reuters и The Weather Channel, уже используют эту технологию. Интегрированный сервис-провайдер Wibbitz (2019, ср. рис. 4.16) поразительно подчеркивает, что генерация видеоконтента из текста — на основе собственных решений — больше не является колдовством: "Используйте ИИ для сокращения производственных ресурсов и максимизации ROI видео: наша технология автоматического преобразования текста в видео ускоряет создание видео черновиков для вашей истории за считанные секунды" (Wibbitz, 2019).

Приложение технологии видео-в-видео показало IBM на Уимблдонском теннисном турнире 2018 года, где IBM Watson определил самые захватывающие моменты игр для автоматического создания дашборда и видео с яркими моментами (ср. Tan, 2018). Такой контент затем может быть воспроизведен через различные каналы социальных сетей.

В этих областях создания и распространения контента ожидается сокращение числа сотрудников в ближайшие несколько лет в результате возрастающей интеллектуальной автоматизации.

4.2.6 Распознавание изображений

Множество захватывающих маркетинговых приложений связано с распознаванием лиц, представленным в разделе 1.3.2. На основе фотографии лица могут быть получены дополнительные характеристики человека (ср. рис. 4.17). Особенно возраст (43 года!) заставил автора почувствовать себя очень польщенным, когда он посетил Sensetime в Пекине в 2018 году! После этого анализа были представлены рекламные баннеры для косметических продуктов. Соответствующий поставщик был спонсором этого приложения.

Еще одна игривая реализация технологии ИИ была продемонстрирована Sensetime в Пекине с помощью забавных приемов в рекламе. С помощью жестового управления продукты могут быть вставлены в реальное изображение в подходящем месте во время разработки для McDonald's — в реальном времени. Для других забавных приложений нет никаких ограничений. Так, на рис. 4.18 (слева) могут динамически генерироваться сердца с помощью жестового управления, а на рис. 4.18 (справа) можно валять дурака. Это контент, который вызывает энтузиазм у пользователей Snapchat & Co. Такие, казалось бы, абсурдные приложения не следует недооценивать по их масштабу. Именно эти игривые времяпровождения дают поколению цифровых аборигенов доступ к всеобъемлющей цифровой жизни с Искусственным Интеллектом — часто незамеченным. Многие лица, принимающие решения в бизнесе и политике, выросли без цифровых точек контакта. При этом они рискуют принимать решения, которые

игнорируют реальность новых потребительских групп. Поэтому игривое обсуждение таких приложений не только развлекает, но и поучительно!

Ящик памяти

Различные забавные приложения разрушают барьеры для Искусственного Интеллекта. Вам следует проверить, может ли это быть интересной областью деятельности для вашей компании.

Amazon (2019) предлагает Amazon Rekognition, платформу для анализа изображений и видео для заинтересованных пользователей. Для использования этой платформы необходимо подготовить только изображение или видео для Recognition API (интерфейса для программистов приложений). Для этого содержимое должно быть сохранено в Amazon S3, веб-сервисе облачных вычислений Amazon. Затем могут быть распознаны объекты, люди, тексты, сцены и/или действия.

Amazon Rekognition также может использоваться для анализа лиц и распознавания лиц на изображениях и видео. Это позволяет распознавать, анализировать и сравнивать лица для самых разных приложений. Спектр использования варьируется от верификации пользователей до подсчета людей в общественных местах, чтобы учитывать ограничения пропускной способности площадей и помещений для мероприятий. Чтобы использовать функциональность Amazon Rekognition, предоставленный API распознавания должен быть интегрирован в соответствующее приложение. Это не требует специальных знаний в области машинного обучения. Как и другие системы ИИ, используемое распознавание изображений непрерывно обучается на новых данных для повышения способности распознавать объекты (например, велосипеды, телефоны, автомобили, здания), сцены (например, парковки, пляжи, торговые центры, города) и действия (например, "доставка посылки" или "футбольный матч" для видео). Кроме того, точность распознавания должна быть улучшена. В зависимости от объема Amazon Rekognition предлагает пакетный анализ и анализ в реальном времени. Оплата за эти услуги основана на количестве проанализированных изображений или на длительности видео, а также на размере собственного репозитория, предоставленного для распознавания изображений, т.е. каталога с изображениями лиц (ср. Amazon, 2019).

Кроме того, Amazon Rekognition также предлагает уже описанные функции анализа лиц. Это позволяет определять такие характеристики, как настроение, возраст,

открытые/закрытые глаза, очки, бороды и т. д. на загруженных изображениях и видео. В случае видео вы также можете зафиксировать, как эти свойства меняются со временем. Чувства, такие как счастье, грусть или удивление, также могут быть распознаны на изображениях лиц. Особый интерес представляет возможность анализа изображений в реальном времени (например, из магазинов) и определения доминирующих эмоциональных атрибутов (ср. рис. 4.19). Их можно непрерывно отправлять в соответствующие отделения (ср. Amazon, 2019).

Видео также можно использовать для определения движений с целью анализа паттернов движения в торговых центрах или движений после футбольного матча. Еще одна интересная функция — идентификация небезопасного контента. Amazon Rekognition может идентифицировать потенциально небезопасный и неприемлемый контент на изображениях и видео. Используя индивидуально определенные метки, можно определить, какое содержимое разрешено, а какое нет.

Особым видом идентификации является распознавание личностей. Система может использоваться для идентификации известных людей на видео и в библиотеках изображений. Выявленные таким образом вклады могут использоваться для конкретных маркетинговых приложений. Также возможно распознавание текста на изображениях. Это включает названия улиц и городов, надписи, названия продуктов и номерные знаки (ср. Amazon, 2019).

Amazon Rekognition Video может использоваться для создания приложений, которые помогают найти разыскиваемых людей в видеоконтенте в социальных сетях. Лица могут быть сравнены с базой данных пропавших без вести или разыскиваемых лиц, предоставленной пользователем, с целью ускорения спасательных или поисковых действий путем положительного распознавания (ср. рис. 4.20; Amazon, 2019).

Ящик памяти

Для полноты картины следует отметить, что для всех этих приложений распознавания лиц необходимо учитывать соответствующие законы о защите данных соответствующих стран.

4.2.7 Выявление подделок

Выявление подделок — важная область Искусственного Интеллекта. По сути, речь идет о выявлении ложных сообщений среди правильных сообщений в различных онлайн-источниках. При разработке таких алгоритмов ИИ наиболее сложной задачей часто является сбор обучающих данных. В конце концов, информация о том, какие сообщения "правильные", а какие "неправильные", должна быть доступна — и это перед лицом бесконечно всеобъемлющего потока информации, который постоянно генерирует новый контент. Это может привести к тому, что контент, который был неверным вчера, будет верным сегодня. "Неверный" может проявляться несколькими способами:

• Вклады могут быть явно неверными в смысле неправдивости.

• Вклады могут представлять правильный результат, но содержать (некоторые) неверные интерпретации.

• Вклады могут маскироваться под "псевдонаучные", т.е. содержать научную ссылку, которая фактически отсутствует (например, в нерепрезентативном опросе).

• Вклады могут быть замаскированы под новости, предложения и/или рекомендации компании.

• Вклады могут быть сфальсифицированы из-за про-домовского эффекта (пояснение см. в разд. 2.4).

• Вклады могут выражать иронически или саркастически противоположное тому, что на самом деле имеется в виду.

• Вклады могут содержать цитаты из других источников, с которыми автор согласен — или не согласен.

• Вклады могут быть искажены вне контекста и, таким образом, передавать совершенно иное содержание, чем изначально подразумевалось отправителем.

Пища для размышлений

События избирательной кампании в США и голосования по Brexit только что показали, насколько значимо открытие тенденциозных и/или ложных новостей. Текущие наблюдения за тем, как отдельные группы стремятся к целенаправленной дезинформации широких слоев населения и тем самым ослаблению западных демократий, также подчеркивают актуальность этой важной области.

Тот факт, что человеческий глаз по-прежнему незаменим в этих задачах, показывают новые наемные сотрудники Facebook, Google и Co. В сервисных центрах соответствующие сотрудники имеют задачу проверять контент, который не может быть четко оценен, прежде чем он будет заблокирован или выпущен.

Одна из задач, которая должна быть освоена, — это идентификация фальшивых аккаунтов, которые утвердились в социальных сетях. Такие фальшивые аккаунты также называются "сок-паппет" (sock puppet). Этот термин основан на чревовещателе с марионеткой, который также притворяется кем-то другим. Фальшивые аккаунты относятся к (дополнительным) учетным записям пользователей, с помощью которых преследуются различные цели. Использование для защиты своей конфиденциальности законно. Но они также могут использоваться для представления мнений в сообществе с несколькими голосами — для искажения настроения. Фальшивые аккаунты также используются для подрыва правил сообщества и намеренного провоцирования или нарушения диалогов.

Между тем, регулярно сообщается, что Facebook или Twitter снова выявили и закрыли сотни таких фальшивых аккаунтов. Можно предположить, что одновременно откроется столько же новых фальшивых аккаунтов из так называемых "фабрик троллей". В онлайн-среде тролль — это человек, который посредством своего общения прежде всего хочет эмоционально спровоцировать другую дискуссию

участники, препятствуют общению в Интернете деструктивным образом и/или распространяют тенденциозные материалы. Помимо социальных сетей, эти тролли особенно активны в дискуссионных группах, блогах и чатах. Эти пропагандисты также пытаются размещать свои "вклады" в вики, чтобы манипулировать общественным восприятием и мнением. Здесь фальсифицируются обзоры видео и других материалов в социальных сетях. В то же время предпринимаются попытки придать своим публикациям большую видимость. Для этого людей или чат-ботов можно поощрять к комментированию или распространению конкретных публикаций. Таким образом, предполагаемая популярность сообщения может быть драматически сфальсифицирована.

Выявление и исключение этих "черных овец" со стороны операторов платформ не является тривиальной задачей. Если критерии установлены слишком "жестко", аккаунты "невовлеченных" также закрываются — возможно, потому что они повторили ложные сообщения, чтобы привлечь внимание к проблеме. Если критерии слишком "размыты", многие "черные овцы" остаются незамеченными. Искусственный Интеллект может внести значительный вклад в распознавание закономерностей, указывающих на манипулятивные боты и публикации. Соответствующими триггерами могут быть время и частота публикаций, ориентация на конкретную целевую аудиторию, доминирующее содержание и его тональность.

Пища для размышлений

По мере развития Искусственного Интеллекта в области выявления поддельных новостей, его использование для генерации поддельных новостей также будет улучшаться.

Раннее выявление ложной информации может быть релевантным для самых разных областей компании. Прежде всего, следует подумать об области маркетинга, которая должна быстро распознавать тенденциозные (ложные) представления. Управление рисками, исследования и разработки, продажи и даже управление человеческими ресурсами также могут получить выгоду от раннего выявления. Компании подвергаются атакам следующими способами, которые не лишены пересечений (ср. Grothe, 2018, с. 207, 211):

• Распространение репутационно-вредного контента через компанию, ее представителей и/или ее предложения

• Отвлечение потенциальных клиентов путем дезинформации об качестве продуктов и/или услуг

• Ухудшение имиджа работодателя из-за ложных отзывов сотрудников, которые там никогда не работали.

Сбор и, в частности, консолидированная оценка и интерпретация полученной информации представляет собой серьезную проблему для компаний. Вам следует проверить, является ли установка концепции ньюсрума хорошим решением для вашей компании (ср. рис. 4.21). Эта концепция, в которой — аналогично процедуре в редакциях газет и теле/радиостанций — все текущие новости о предложениях, брендах, стратегиях и компании в целом сходятся в центральной точке, чтобы иметь возможность быстро и последовательно реагировать. На этом месте содержимое коммуникации в социальных сетях, из центра обслуживания клиентов, вместе с результатами веб-мониторинга, может быть объединено и проанализировано в связи с другими вызовами рынка. После этого также необходимо проактивно определять центральные темы и координировать каналы и конкретный контент, релевантный для их обработки по всей компании. Это обеспечивает представление о рынках на 360°, что часто требуется.

Ниже показаны общие эффекты, которые могут быть достигнуты в маркетинге и продажах за счет использования Искусственного Интеллекта в ближайшие годы. Эти результаты основаны на уже упомянутом анализе McKinsey более 400 вариантов использования, связанных с ИИ, в различных компаниях (ср. McKinsey, 2018, с. 21). Следующие значения дают представление о дополнительной добавленной стоимости, которая может быть достигнута в различных областях маркетинга и продаж:

• Управление обслуживанием клиентов: 400–800 млрд долл. США

• Следующий продукт для покупки (индивидуализированные рекомендации по покупке): 300–500 млрд долл. США

• Ценовые и рекламные кампании: 300–500 млрд долл. США

• Привлечение потенциальных клиентов: 100–300 млрд долл. США

• Предотвращение ухода клиентов: 100–200 млрд долл. США

• Управление каналами: 100–200 млрд долл. США

• Разработка продукта/циклы разработки продукта: 200 млрд долл. США.

Даже до управления цепочкой поставок и производства, это самые высокие потенциалы создания стоимости, определенные в ходе анализа. Нет необходимости доверять отдельным цифрам в деталях. Важно признать потенциал использования ИИ в маркетинге и продажах, чтобы начать свой собственный путь ИИ (ср. разд. 10.3).

Резюме

• Прогнозирование и профилирование лидов является важной областью применения Искусственного Интеллекта для более экономичного привлечения клиентов.

• Это включает идентификацию похожих аудиторий при привлечении новых клиентов.

• Качество предиктивной аналитики может быть улучшено на основе результатов, полученных с помощью ИИ.

• Разработка индивидуализированных рекомендаций (ключевое слово: рекомендательная система) может способствовать увеличению ценности для клиентов.

• Медиапланирование может поддерживаться или реализовываться с помощью платформ ИИ.

• Оценка важной информации об окружающей среде с помощью ИИ делает возможным контекстный маркетинг.

• Приложения ИИ поддерживают развитие разговорной коммерции.

• Тенденция, которую следует учитывать в долгосрочной перспективе, — это уже не voice first, а voice only!

• Системы ИИ могут поддерживать веб- и социальный мониторинг, анализируя тональность публикаций с помощью анализа настроений.

• Внедрение динамического ценообразования может контролироваться процессами ИИ.

• Как создание контента, так и распространение контента уже обрабатываются системами ИИ.

• Оценка изображений и видео открывает ряд интересных возможностей для приложений.

• Выявление фальшивых аккаунтов и фальшивых новостей представляет собой серьезную проблему для процессов ИИ.

• Концепция ньюсрума представляет собой возможность для целостной обработки и контроля потоков данных, связанных с компанией.

Библиография

1-800-Flowers. (2019). Доверьте нам доставить ваш самый счастливый день рождения. https://www.1800flowers.com/. Доступ 4 февраля 2019.

Acrolinx. (2019). Acrolinx aligns your content to your strategy so you actually reach your goals. https://www.acrolinx.com/. Доступ 7 мая 2019.

Adobe. (2019). Adobe Sensei stellt künstliche Intelligenz in den Mittelpunkt herausragender Kundenerlebnisse. https://www.adobe.com/de/sensei.html. Доступ 12 мая 2019.

Ailira. (2019). Artificially intelligent legal information research assistant. www.ailira.com. Доступ 29 апреля 2019.

Amazon. (2019). Amazon Rekognition. https://aws.amazon.com/de/rekognition/?sc_channel=PS &sc_campaign=acquisition_DE&sc_publisher=google&sc_medium=german_rekognition_nb& sc_content=recognition_p&sc_detail=bilderkennung&sc_category=rekognition&sc_segment= 229378778616&sc_matchtype=p&sc_country=DE&s_kwcid=AL!4422!3!229378778616!p!! g!!bilderkennung&ef_id=W3q6TgAAAF7rhANC:20180823095552:s. Доступ 27 марта 2019.

Amazon Alexa. (2019). Entdecke die Möglichkeiten, Alexa Skills Kit. https://developer.amazon. com/de/alexa-skills-kit/learn. Доступ 5 апреля 2019.

Automated Insights. (2019). AP. https://automatedinsights.com/customer-stories/associated-press/. Доступ 21 апреля 2019.

Beuth, P. (2016). Twitter-Nutzer machen Chatbot zur Rassistin. https://www.zeit.de/digital/ internet/2016–03/microsoft-tay-chatbot-twitter-rassistisch. Доступ 19 апреля 2019.

Bloom, C. (2017). Разговорная коммерция: The future has arrived. https://www.yotpo.com/ blog/conversational-commerce/. Доступ 21 января 2019.

Bradford, A. (2018). 7 Things you need to know about Facebook portal. https://www.cnet.com/ how-to/things-to-know-about-facebook-portal/. Доступ 19 апреля 2019.

Bünte, C. (2018). Künstliche Intelligenz – Die Zukunft des Marketing, Ein praktischer Leitfaden für Marketing-Manager, Висбаден.

ChatShopper. (2019). Hi, my name is Emma. https://chatshopper.com. Доступ 19 апреля 2019.

Chen, Y. (2017). How media agency Maxus is testing artificial intelligence. https://digiday.com/ marketing/media-agency-maxus-testing-artificial-intelligence/. Доступ 21 апреля 2019.

Daimler. (2017). Neue Mercedes me connect Dienste: Das vernetzte Auto wird zum persönlichen Begleiter. https://media.daimler.com/marsMediaSite/de/instance/ko/Neue-Mercedes-me connect-Dienste-Das-vernetzte-Auto-wird-zum-persoenlichen-Begleiter.xhtml?oid=29168443. Доступ 19 апреля 2019.

Dawar, N., & Bendle, N. (2018). Marketing in the age of Alexa. In Harvard Business Review, май–июнь 2018, с. 80–86.

Daxenberger, J., Eger, S., Habernal, I., Stab, C., & Gurevych, I. (2017). Что такое сущность утверждения? Идентификация утверждений в различных областях. В Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing (EMNLP). (с. 2055–2066).

Durah, D. (2018). ИИ для любой цены: Как искусственный интеллект переосмысливает ценообразование. https:// medium.com/sap-io/an-ai-for-every-price-how-artificial-intelligence-is-rethinking-pricing 70988e1546f6. Доступ 21 апреля 2019.

Eck, K. (2018). Die Bot-Revolution verändert das Content Marketing – Algorithmen und AI zur Generierung und Verteilung von Content. В P. Gentsch. (ред.), Künstliche Intelligenz für Sales, Marketing und Service, Mit AI und Bots zu einem Algorithmic Business – Konzepte, Technologien und Best Practices (с. 158–173). Висбаден.

Equals3. (2019). Люси. http://www.equals3.ai/howdoeslucywork. Доступ 21 апреля 2019.

EyeQuant. (2019a). Make better digital decisions. https://www.eyequant.com/. Доступ 21 апреля 2019.

EyeQant. (2019b). Как Epson улучшил свои страницы категорий с EyeQuant. https://www. eyequant.com. Доступ 21 апреля 2019.

Gentsch, P. (2018). Künstliche Intelligenz für Sales, Marketing und Service, Mit AI und Bots zu einem Algorithmic Business – Konzepte, Technologien und Best Practices, Висбаден.

Grothe, M. (2018). Corporate Security: Social Listening und die Digitalisierung der Desinformation – durch Algorithmen systematisch unknown Unknowns entdecken. В P. Gentsch. (ред.), Künstliche Intelligenz für Sales, Marketing und Service, Mit AI und Bots zu einem Algorithmic Business – Konzepte, Technologien und Best Practices (с. 207–220). Висбаден.

Hennes, D., & Schwalbe, U. (2018). Kartellbildung durch lernende Algorithmen. В Frankfurter Allgemeine Zeitung (с. 18). 13 июля 2018.

Hesterberg, C. (2018). Online-Shopping bei Amazon dank Alexa, Frecher Papagei bestellt sich Obst per Sprachassistent. https://www.general-anzeiger-bonn.de/news/panorama/Frecher Papagei-bestellt-sich-Obst-per-Sprachassistent-article4003734-amp.html. Доступ 12 апреля 2019.

Hilker, C. (2017). Контент-маркетинг на практике, Ein Leitfaden – Strategie, Konzepte und Praxisbeispiele für B2B- und B2C-Unternehmen, Висбаден.

Kaltschmidt, T. (2017). Amazon Echo: Nachrichtensprecher löst Massenbestellung aus. https:// www.heise.de/newsticker/meldung/Amazon-Echo-Nachrichtensprecher-loest Massenbestellung-aus-3591039.html. Доступ 12 апреля 2019.

Kayak. (2019). KAYAK-Reisesuche über Facebook Messenger. https://www.kayak.de/news/ kayak-facebook-messenger/. Доступ 19 апреля 2019.

KLM. (2019). Flight Information. https://social.klm.com/flightinfo/messenger/. Доступ 20 апреля 2019.

Kontrollkommission. (2018). Алгоритмы и Коллusion. https://www.monopolkommission.de/ index.php/de/beitraege/216-xxii-algorithmen. Доступ 12 мая 2019.

Kreutzer, R. (2009). Praxisorientiertes Dialog-Marketing, Konzepte – Instrumente – Fallbeispiele, Висбаден.

Kreutzer, R. (2016). Kundenbeziehungsmanagement im digitalen Zeitalter, Konzepte – Erfolgs факторен – Handlungсидей, Штутгарт.

Kreutzer, R. (2017a). Praxisorientiertes Marketing, Grundlagen, Instrumente, Fallbeispiele, 5. Aufl., Висбаден.

Kreutzer, R. (2017b). Ansätze zur (Kunden-)Wert-Ermittlung im Online-Zeitalter. В S. Helm, B. Гюнтер & А. Эггерт (ред.), Kundenwert, Grundlagen – Innovative Konzepte – Praktische Umsetzungen (с. 499–520). Висбаден.

Kreutzer, R. (2018). Praxisorientiertes Online-Marketing, Konzepte – InstrumenteChecklisten, 3-е изд., Висбаден.

Kreutzer, R. (2019). Toolbox for marketing and management, creative concepts, analysis and forecasting tools. Висбаден.

Kreutzer, R., & Land, K. H. (2017). Digitale Markenführung, Digital Branding im Zeitalter des digitalen Darwinismus, Висбаден.

Lauth, L. (2016). Der Newsroom im Unternehmen: Facts aus einer ausgezeichneten Masterarbeit. https://www.mcschindler.com/2016/03/13/der-newsroom-im-unternehmen-facts-aus-einer ausgezeichneten-masterarbeit/. Доступ 21 апреля 2019.

McKinsey. (2018). Notes from the AI frontier, insights from hundreds of use cases, Сан-Франциско.

Monopolies Commission. (2019). Algorithmen. https://www.monopolkommission.de/de/. Доступ 21 апреля 2019.

Novi. (2019). Hey, ich bin Novi. https://novi.funk.net/. Доступ 19 апреля 2019.

Opelt, M. (2018). AI im E-Commerce – Wie otto.de seine Prozesse mit Verfahren der Künstlichen Intelligenz optimiert, Keynote at the AI Masters Congress, Берлин. 25 января 2018.

Otto. (2017). Künstliche Intelligenz: OTTO revolutioniert Produktbewertungen. https://www.otto. de/unternehmen/de/newsroom/news/2017/kuenstliche-Intelligenz-Produktbewertung.php. Доступ 21 апреля 2019.

Pathak, S. (2017). Who needs media planners when a tireless robot named Albert can do the job? https://digiday.com/marketing/needs-media-planners-tireless-robot-named-albert-can-job/ . Доступ 21 апреля 2019.

Price, B., & Jaffe, D. (2008). The best service is no service: How to liberate your customers from customer service, keep them happy, and control costs. Сан-Франциско.

Precire. (2019). Sprachanalyse. https://www.precire.com/de/. Доступ 12 апреля 2019.

PWC. (2017) Zu welchen Zwecken sollten Social Bots Ihrer Meinung nach eingesetzt werden dürfen? https://de-statista-com.ezproxy.hwr-berlin.de/statistik/daten/studie/741778/umfrage/ akzeptierte-einsatzfelder-von-social-bots/. Доступ 13 апреля 2019.

Reddy, T. (2017). How chatbots can help reduce customer service costs by 30%: IBM. https:// www.ibm.com/blogs/watson/2017/10/how-chatbots-reduce-customer-service-costs-by-30- percent/. Доступ 19 апреля 2019.

Reichheld, F. F. (2003). The number one you need to grow. In Harvard Business Review, 12/2003, с. 47–54.

Rövekamp, M. (2018). Künstliche Intelligenz “Der Algorithmus kann 42 Dimensionen einer Persönlichkeit messen”. https://www.tagesspiegel.de/wirtschaft/kuenstliche-intelligenz-der algorithmus-kann-42-dimensionen-einer-persoenlichkeit-messen/22756300.html. Доступ 30 апреля 2019.

Schneider, G. (2019). Wie sich Alexa & Co in deutschen Autos breit machen. https://www. horizont.net/tech/nachrichten/sprachassistenten-wie-sich-alexa–co-in-deutschen-autos-breit machen-174356?crefresh=1. Доступ 23 апреля 2019.

Schwabe, S. (2018). Die Zukunft der Media Planung – AI als Game Changer. В P. Gentsch (ред.), Künstliche Intelligenz für Sales, Marketing und Service, Mit AI und Bots zu einem Algorithmic Business – Konzepte, Technologien und Best Practices. (с. 150–158). Висбаден.

Simon, H. (2013). Preiseinheiten, 2-е изд., Франкфурт.

Snaptravel. (2019). Hotel deals over messaging. https://www.snaptravel.com/. Доступ 19 апреля 2019.

Stab, C., & Daxenberger, J. (2018). ArgumenText – Автоматический анализ потребительских аргументов: Клиенты лучше понимают ArgumenText, Keynote at the 13th scientific interdisziplinary congress for dialog marketing, Hamburg, 26 сентября 2018.

Statista. (2018a). Разговорная коммерция. https://de-statista-com.ezproxy.hwr-berlin.de/ statistik/studie/id/41378/dokument/conversational-commerce-statista-dossier/. Доступ 28 августа 2018.

Statista. (2018b). Künstliche Intelligenz. https://de-statista-com.ezproxy.hwr-berlin.de/statistik/ studie/id/38585/dokument/kuenstliche-intelligenz-statista-dossier/. Доступ 29 августа 2018.

Statista. (2018c). Wenig Echo in Deutschland, Statista Global Consumer Survey 2018. https:// infographic.statista.com/normal/infografik_12884_smart_speaker_besitz_in_deutschland_und_ den_usa_n.jpg. Доступ 28 апреля 2019.

Tan, E. (2018). IBM’s Watson will speed-edit Wimbledon videos by recognising player emotions. https://www.campaignlive.co.uk/article/ibms-watson-will-speed-edit-wimbledon-videos recognising-player-emotions/1485998. Доступ 3 мая 2019.

Wibbitz. (2019). Make video production quick and easy for anyone on your team. https://www. wibbitz.com/. Доступ 21 апреля 2019.

Wilde, T. (2018). Customer Engagement mit Chatbots und Collaborativen Bots: Vorgehen, Chancen und Risiken zum Einsatz von Bots in Service und Marketing. В P. Gentsch (ред.), Künstliche Intelligenz für Sales, Marketing und Service, Mit AI und Bots zu einem Algorithmic Business – Konzepte, Technologien und Best Practices. (с. 138–149). Висбаден.

Wise Athena. (2019). Get the right prices every promotional cycle using artificial intelligence. http://wiseathena.com/. Доступ 21 апреля 2019.

Wittenhorst, T. (2018). Alexa hört dich husten: Amazon erhält Patent auf Werbeangebote für Kranke. https://www.heise.de/newsticker/meldung/Alexa-hoert-dich-husten-Amazon-erhaelt Patent-auf-Werbeangebote-fuer-Kranke-4190512.html. Доступ 19 апреля 2018.

Valinsky, J. (2019). Amazon reportedly employs thousands of people to listen to your Alexa conversations. https://edition.cnn.com/2019/04/11/tech/amazon-alexa-listening/index.html. Доступ 23 апреля 2019.

YouGov. (2018). Umfrage zur Bereitschaft zur Kommunikation mit Chatbots in Deutschland 2018. https://de-statista-com.ezproxy.hwr-berlin.de/statistik/daten/studie/872922/umfrage/ bereitschaft-zur-kommunikation-mit-chatbots-in-deutschland/. Доступ 19 апреля 2019.

YouTube. (2018). Google duplex makes actual phone call in human voice to fix Salon appointment. https://www.youtube.com/watch?v=yv_8dx7g-WA). Доступ 30 августа 2018.

5 Области применения Искусственного Интеллекта — Розничная торговля, сервис и техническое обслуживание

Аннотация

В этой главе вы узнаете, что анализ всей цепочки создания стоимости в секторе розничной торговли с использованием ИИ имеет ценность для выявления потенциала приложений ИИ. Виртуальные агенты станут полезными партнерами в стационарной розничной торговле. Мы также проанализируем, как предварительная доставка, интерактивные экраны и столы, а также автономные тележки для покупок изменят ландшафт розничной торговли. ИИ также предлагает множество возможностей для прогнозирования поведения покупателей. Концепция предиктивного технического обслуживания может быть использована для разработки новых бизнес-моделей на основе использования, а не владения. Идея предиктивного технического обслуживания может укрепить отношения между клиентом и поставщиком на потребительском рынке и привести к предиктивному обслуживанию.

5.1 Проблемы в цепочке создания стоимости розничной торговли

Анализ цепочки создания стоимости с использованием ИИ показывает, что наибольшие краткосрочные и среднесрочные возможности в розничной торговле связаны с управлением акциями, дизайном ассортимента, закупками и логистикой. Обоснованные прогнозы не только помогают с управлением закупками, но и могут поддержать разработку успешных акций, а также оптимизированного ассортимента для целевой группы. Следующие разработки в розничной торговле бросят нам вызов в ближайшие годы (ср. McKinsey, 2017, с. 42, 45; продолжение Gläß, 2018):

• Использование программного обеспечения для распознавания лиц и управление естественной речью системами ИИ приведет к увеличению использования виртуальных персональных агентов (ср. разд. 4.1.3 и 4.2.2). Они будут приветствовать нас лично в стационарных магазинах и не только принимать заказы, но и предвидеть их. Кроме того, они могут давать (незапрашиваемые)

инструкции по успешному завершению покупки, а также по дальнейшему использованию купленных товаров.

• Приложения ИИ также поддерживают использование акций в розничной торговле. Интересное приложение доступно от SO1 (2019). Эта компания обещает своим клиентам разрабатывать более эффективные рекламные кампании. Основная идея заключается в большей индивидуализации акций, основанной на данных. Для достижения этого SO1 поддерживает различные каналы коммуникации и может быть интегрирована в существующие системы, инструменты и процессы.

Приложение ИИ, разработанное SO1, призвано создать индивидуализированный опыт акции через автономный и самообучающийся канал акции. Будут представлены три области применения: умные рекомендации, оптимизированные скидки и программные акции бренда. SO1 предлагает программное обеспечение как сервисное решение для розничных продавцов продуктов питания и аптек. Основываясь на поступающих данных, приложение ИИ может с высокой точностью предсказывать, выберут ли клиенты персонализированные предложения, какие предложения увеличат покупательскую корзину и какое количество скидки вызовет дополнительные покупки. Также могут быть определены предпочтения потребителей по категориям или продуктам, которые они никогда не покупали. Крупные розничные продавцы продуктов питания и аптек в США и Германии уже использовали решение SO1 для увеличения продаж и прибыли. Для этого S01 использует программное обеспечение Microsoft Azure, описанное в разделе 10.2 (ср. SO1, 2019).

• Amazon полагается на предварительную доставку, которая пытается полностью предвидеть заказы клиентов и отправлять товары, не дожидаясь их покупки. Ранее товары предполагаемого заказа доставлялись на склады дистрибуции, расположенные близко к потенциальным клиентам, чтобы иметь возможность доставить фактический заказ в кратчайшие сроки. В будущем доставка будет осуществляться непосредственно потенциальному клиенту — вместе с уведомлением:

"Мы знаем, что вы рассматриваете возможность покупки этого продукта. Поскольку мы уверены, что это именно то, что вам нужно, мы уже отправили его вам сегодня."

Нам решать, считать ли это идеальным сервисом или скорее проявлением тотального контроля "большого брата", который заставляет нас бояться.

• Интерактивные экраны и столы могут идентифицировать продукты, выбранные покупателем, и — на основе алгоритмов ИИ — рекомендовать подходящие дополнительные продукты и услуги. Эти рекомендации основаны не только на предыдущем покупательском поведении, но также могут учитывать покупательную способность и образ жизни каждого отдельного покупателя, если удастся установить — на основе разрешения — связь с такими данными.

• Автономная тележка для покупок поддерживает процесс покупки в стационарных магазинах. Это средство для покупок также найдет свой путь в наш автомобиль — или доставит товары роботу или дрону для доставки на дом.

• Приложения ИИ могут использоваться для показа индивидуализированных рекламных кампаний, ориентированных на индивидуальный профиль клиента. В магазинах маяки позволяют клиентам получать индивидуальные предложения (ср. рис. 5.1).

Рисунок 5.1 Возможные применения технологии маяков в магазине (Рисунок авторов)

• Мы также сможем получить опыт без наличных покупок. Для этого выбранные покупателем в магазине товары идентифицируются посредством распознавания изображений. Большое количество датчиков определяет, какие товары оказались в тележке для покупок и какие были положены обратно. В сочетании с прямым доступом к цифровому счету клиента для автоматической оплаты покупатель может покинуть магазин, не останавливаясь на кассе. Такой бизнес уже существует под названием Amazon Go.

• В магазинах цены на полках могут обновляться в реальном времени, таким образом реализуя динамическое ценообразование, описанное выше (ср. раздел 4.2.4). Для этого используются данные о ценах альтернативных поставщиков, текущей погодной ситуации и/или уровнях запасов конкурентов, чтобы оптимизировать прибыль. Еще предстоит увидеть, как клиенты отреагируют, если сравнение цен — даже в стационарной розничной торговле — станет невозможным из-за динамического ценообразования, и изученные цены потеряют актуальность. Дополнительная проблема — получение доступа к большим потокам данных!

• Система мониторинга полок на основе ИИ идентифицирует взятые запасы и может назначать роботов для загрузки до того, как полка опустеет. Здесь используется предварительное пополнение полок — ориентированное на изученные ритмы продаж.

• В конце концов, автономные дроны возьмут на себя доставку на "последней миле" — в то время, которое желает соответствующий покупатель, или в то время, которое алгоритмы ИИ определили как "оптимальное".

• В электронной коммерции распознавание цифровых объектов приводит к интересным преимуществам для клиентов. Системы ИИ могут распознавать продукты на фотографиях, которые интересуют пользователя. Приложение Zalando предлагает соответствующее решение. Вот что говорится в приложении: "Поиск по фото — С помощью поиска по фото вы можете фотографировать стильные образы на улице и искать продукты в похожих цветах и узорах. Фотографии, которые вы выберете, будут использоваться Zalando исключительно для поиска по фото и не будут храниться после этого" (Zalando, 2019).

Как только соответствующее фото сделано, в онлайн-магазине Zalando будет произведен поиск похожих товаров. Перед тем, как пользователь должен согласиться на "доступ к фото": "Пожалуйста, разрешите Zalando доступ к вашим фотографиям. Так вы можете выбрать фото

из вашей библиотеки и сохранить их под заголовком "Записи"" (Zalando, 2019). Однако это означает, что Zalando имеет доступ ко всему фотостоку соответствующего устройства. Сделать одно фото и выполнить анализ не работает (по состоянию на май 2019 года). Кроме того, можно отсканировать штрих-код изделия, если оно все еще доступно — и текущий владелец изделия ничего не имеет против этого!!!

Пища для размышлений

Большой вопрос заключается в том, может ли Искусственный Интеллект помочь традиционным, нецифровым ритейлерам вернуть утерянные позиции по отношению к цифровым игрокам — или же разрыв между двумя группами увеличится. Ответ также зависит от того, у кого больше данных, более мощные алгоритмы и более квалифицированный персонал — при поддержке соответствующих бюджетов. Не требуется большой фантазии, чтобы прийти к выводу, что особенно мелким, традиционным ритейлерам будет трудно выиграть эту гонку ИИ или вообще участвовать в ней.

5.2 Прогнозирование покупательского поведения в секторе розничной торговли

Распознавание изображений может предоставить розничным продавцам дополнительную информацию для прогнозирования покупательского поведения. Любой, кто "украшает" себя на фотографиях, загруженных на Facebook, сумками Prada или Gucci (фейковыми или настоящими?), позирует на фоне роскошных автомобилей, публикует сообщения из элитных торговых центров или 5-звездочных отелей, что-то говорит об — желаемом или практикуемом — образе жизни и близости к брендам. Возможно даже классифицировать надетую одежду по брендам, ценовым уровням и размеру и отнести ее к определенным стилям одежды. Корзина данных продолжает пополняться, чем управляет Facebook через нас.

Анализ на этом не останавливается. В исследовании Facebook разделил 160 000 американских пользователей на "любителей собак" и "любителей кошек" на основе загруженных фотографий — как отправная точка для дальнейших анализов. Важной отправной точкой стало предположение, что собаки, как правило, более общительны и спокойны, тогда как кошки сдержанны, независимы и непредсказуемы. Есть прекрасное утверждение: У собак есть хозяева, у кошек — персонал. Вопрос теперь заключался в том, отражаются ли "животные" характеристики в поведении соответствующих владельцев. Соответствующие вопросы были следующими:

• У кого больше друзей?

• Кто более вероятно одинок?

• Какие телевизионные программы предпочтительны?

Следующие различия наблюдались между двумя когортами (группами):

• В целом, показано, что предрассудки верны!

• Люди, любящие собак, более открыты — измеряется по количеству друзей в Facebook. В среднем, у них на 26 друзей в Facebook больше, чем у людей, любящих кошек.

• Как и их экстравертные питомцы, люди, любящие собак, также устанавливают больше онлайн-связей.

• Любители кошек приглашаются на большее количество мероприятий.

• Любители кошек склонны дружить с другими любителями кошек; аналогично, любители собак склонны дружить с другими любителями собак.

• Любители кошек, в частности, в 2,2 раза чаще дружат с другими любителями кошек, чем случайно выбранные друзья из общей популяции.

• Любители собак "только" дружат с другими любителями собак в 1,8 раза чаще, чем случайно выбранные друзья.

• Любители кошек более одиноки (30%), чем любители собак (24%) — на основе статуса указанного профиля. Возможно, дополнительные 26 друзей, упомянутые выше, помогли любителям собак найти партнера!

• Любители кошек предпочитают больше заниматься дома: они любят книги, ТВ и фильмы (измеряется по лайкам в Facebook) непропорционально чаще.

• Как показано ниже, существуют различия в предпочтениях в отношении определенных книг. Книги, которые любители кошек любят непропорционально чаще, — это "Дракула" и "Мировая война Z". Книги, которые предпочитают любители собак, — это, например, "Марли и я". Похожие различия в предпочтениях также были обнаружены для телевизионных программ и фильмов.

В то время как любители кошек почти в 1,5 раза чаще читают книги, такие как (ср. Adamic et al., 2016):

• Дракула, за которым следует (в убывающем порядке)

• Хранители

• Алиса в Стране чудес

• Мировая война Z

• 1984

• Хоббит

• Книги Стивена Кинга

• О дивный новый мир

• Гарри Поттер и Дары Смерти

• Ван Гог: Жизнь.

Любители собак определенно предпочитают комедию про собак в 2,5 раза чаще (ср. Adamic et al., 2016):

• Марли и я (следующие книги показывают примерно в 1,25 раза более высокую предпочтительность в убывающем порядке)

• Уроки Рокки

• Целевая жизнь

• Хижина, Дорогой Джон

• Помощь

• Дневник

• Ешь, молись, люби

• Последняя песня

• Вода для слонов.

Следующие книги являются скорее нейтральными между любителями собак и кошек (ср. Adamic, Burke, Herdagdelen, & Neumann, 2016):

• Над пропастью во ржи

• Щедрое дерево

• Законы власти

• Утерянный символ

• Великий Гэтсби

• Голодные игры

• Атлант расправил плечи

• Я — Легенда

• Искусство войны

• Гордость и предубеждение.

Настроения также могут быть получены из функции настроения Facebook (обновления статуса могут комментироваться настроениями типа "возбужден" или "грустный"). Любители кошек публикуют сообщения чаще среднего, что они чувствуют усталость, но также счастливы и любимы. Любители кошек выражают большее разнообразие чувств на странице. Любители собак склонны выражать возбуждение или гордость. В деталях следующие чувства с убывающим порядком чаще встречаются у любителей кошек (ср. Adamic et al., 2016):

• Уставший (примерно в 1,2 раза)

• Забавленный

• Раздраженный

• Счастливый

• Грустный

• Любимый

• Эмоциональный

• Благодарный.

Ни одной стороне нельзя однозначно присвоить состояние разбитого сердца. Любители собак, напротив, имеют следующие чувства в убывающем порядке (ср. Adamic et al., 2016):

• Возбужденный (примерно в 1,2 раза)

• Гордый

• Благословленный.

Ящик памяти

Делаем мы что-то или нет, владеем мы чем-то или нет, путешествуем мы или остаемся дома, путешествуем мы в одиночку или с другими: Когда мы делимся этим в Facebook через публикации, фото и видео, Facebook узнает о нас гораздо больше, чем мы думаем (и должны знать)!

Искусственный Интеллект позволяет интеллектуально получать и обрабатывать необработанные данные, мощное распознавание образов и вывод убедительных призывов к действию. Они приводят к реакциям и отсутствию реакций пользователей. Оба в свою очередь являются действиями, которые записываются, обрабатываются, распознаются и реализуются в мерах, которые приводят к реакциям и отсутствию реакций, которые запускают новые призывы к действию, которые…

5.3 Сектор услуг и технического обслуживания

Искусственный Интеллект уже широко применяется в предиктивном техническом обслуживании. Оборудование и машины должны обслуживаться не только при отказе или ошибках, но и посредством проактивного подхода уже заранее (ср. глава 3). Для этого датчики записывают данные измерений и производства компонентов, машин и целых установок в процессе работы. На основе этой информации алгоритмы ИИ могут вывести требования к техническому обслуживанию и замене и предсказать возможные неисправности. Таким образом, ремонт или замена изнашиваемых деталей должны производиться в то время, когда агрегаты еще работают правильно. Это может сократить время простоя и оптимизировать области "упрощения" и "автоматизации", описанные в матрице ожиданий клиентов и компаний (ср. рис. 4.1).

Подход предиктивного технического обслуживания значительно отличается от логики технического обслуживания агрегатов, которая доминирует сегодня. До сих пор техническое обслуживание основывалось на временных периодах и/или времени работы машин, как это происходит, например, при регулярных осмотрах легковых автомобилей, автобусов и грузовиков. В ходе рутинного технического обслуживания часто заменяются детали, которые могли бы прослужить еще дольше — но спецификации замены "заставляют" замену уже сейчас!

Необходимы следующие этапы предиктивного технического обслуживания:

• В начале происходит сбор, цифровизация и консолидация данных от самых разнообразных компонентов автомобиля, машины, установки и т. д. Для этого могут использоваться датчики IoT и считываться журналы технического обслуживания. Кроме того, могут поступать справочные файлы из внешних источников, например, о производительности и сбоях одних и тех же или аналогичных систем, которые могут использоваться по всему миру. Далее, могут учитываться данные соответствующего контекста, такие как температура в помещении, давление воздуха и влажность области, в которой используются машины или системы, если они важны для технического обслуживания.

• Анализ и оценка записанных данных также осуществляется с целью распознавания закономерностей с помощью алгоритмов ИИ.

• На основе выявленных закономерностей определяется вероятность возникновения неисправностей, требования к техническому обслуживанию и т.д.

• На основе определенных вероятностей возникновения инициируются конкретные процессы и выводятся рекомендации к действию. Это означает, что запчасти могут быть автоматически заказаны и сохранены в аэропорту Сан-Франциско, чтобы их можно было установить немедленно, когда A380 приземлится через пять часов. Рекомендуются меры по техническому обслуживанию и очистке пассажирского лифта, чтобы он

Рисунок 5.2 Модель предиктивного технического обслуживания. Источник: Адаптировано из Hoong (2013, с. 14)

продолжает функционировать бесперебойно. Кроме того, сервисные специалисты могут быть поддержаны в их работе по техническому обслуживанию с помощью систем дополненной реальности.

Рисунок 5.2 показывает взаимодействие различных внутренних и внешних источников данных.

Ящик памяти

Ядро предиктивного технического обслуживания — это проактивное распознавание необходимости действий для технического обслуживания, ремонта и т. д. машин и систем — еще до того, как произойдет неисправность. Соответствующие данные оцениваются в реальном времени для определения оптимального времени "вмешательства". Необходимые запчасти и т. д. могут быть заказаны заблаговременно.

Это может сократить время простоя и лучше управлять распределением сервисного персонала. Кроме того, может быть улучшено хранение необходимых запчастей и т. д. На основе полученных данных могут быть получены импульсы для дальнейшего развития машин и установок на следующем этапе.

Предиктивное техническое обслуживание уже используется во многих областях сегодня. К ним относятся, но не ограничиваются:

• Мониторинг двигателей (например, для самолетов, судов, автомобилей)

• Мониторинг ветряных турбин

• Мониторинг производственных мощностей

• Мониторинг лифтов

• Мониторинг трубопроводов.

Рисунок 5.3 Использование ИИ для достижения предиктивного технического обслуживания (Рисунок авторов)

Если датчики обнаруживают перегрев, неравномерную работу или другие отклонения от стандартов во время производства, сигналы автоматически отправляются в соответствующие сервисные центры. В случае самолетов, судов и автомобилей сервисные сотрудники уже на момент посадки, захода в порт или посещения автомастерской знают, какие меры необходимо предпринять. Поэтому необходимые запчасти могут быть закуплены заранее. При мониторинге производственных мощностей, лифтов и т.д. датчики также выявляют потенциальные неисправности на ранней стадии, на основе которых могут быть выведены требования к техническому обслуживанию. Они представляются ответственному персоналу в виде предложений. Использование предиктивного технического обслуживания иллюстрируется на рис. 5.3.

Следующие результаты предиктивного технического обслуживания могут быть достигнуты (ср. McKinsey, 2017b, с. 8, 27):

• Избежание простоев в производстве

• Увеличение производительности оборудования до 20% (на основе меньшего времени простоя)

• Снижение затрат на техническое обслуживание до 10%

• Снижение затрат на мониторинг до 25%

TÜV NORD разработал интересную область применения для мониторинга контейнеров и автомобильных мостов, а также трубопроводов. Датчики деформации устанавливаются в критических точках. Они могут не только измерять деформацию материала, но и температуру поверхности. Непрерывно увеличивающийся поток данных передается в онлайн-систему мониторинга и исследуется на предмет аномалий, указывающих на трещины. Таким образом, меры по устранению могут быть предприняты еще до того, как повреждение нарушит использование (ср. Stenkamp, 2018, с. 20f.).

Концепция предиктивного технического обслуживания также делает возможными новые бизнес-модели. Вместо продажи установок или агрегатов (таких как лифты или турбины) продается "доступность" клиентам. Соответствующие ценовые концепции — оплата по часам, оплата по использованию или оплата за использование. Это часто приводит к гораздо более интенсивным отношениям с клиентами, поскольку между производителем и клиентом происходит всесторонний и непрерывный обмен информацией. Ответственность компании

не ограничивается доставкой продукта. Скорее, эта доставка представляет собой пересечение сферы, доминирующей в производстве, и сферы услуг в отношениях производителя с клиентом (ср. Kreutzer, 2017a, с. 277).

Ящик памяти

В исследовании McKinsey (ср. 2017b, с. 21), цитированном выше, было установлено, что предиктивное техническое обслуживание может генерировать дополнительную ценность в размере 500–700 миллиардов долларов США в течение следующих нескольких лет. Это должно стать стимулом для вас рассмотреть использование предиктивного технического обслуживания для вашего бизнеса.

Основная идея предиктивного технического обслуживания может также использоваться на потребительском рынке. Здесь следует упомянуть предиктивное обслуживание. Основы создаются Интернетом вещей и, таким образом, возможностью повседневных объектов получать и отправлять информацию онлайн. Эти разработки могут не только удовлетворить ожидания потребителей в отношении повышения простоты, но и учитывать пожелания компаний (ср. рис. 4.1 о матрице ожиданий). Как показано ниже, розничная торговля может (частично) остаться позади.

Хорошим примером является машина Nespresso Prodigio Titan. Как говорится (Nespresso, 2019): "PRODIGIO — первая машина Nespresso, которая может общаться напрямую с вашим смартфоном или планшетом через Bluetooth Smart Technology. Наслаждайтесь нашим ассортиментом кофе совершенно по-новому с преимуществами приложения Nespresso. Отслеживайте запас капсул, планируйте время для наслаждения, начинайте процесс приготовления удаленно и получайте напоминание о техническом обслуживании вашей машины".

Такое комплексное обслуживание стало возможным благодаря нескольким шагам. Машина может общаться, и клиенты также предоставили свои данные, став членами Nespresso Club. Поведение покупателей в отношении кофейных капсул разных цветов может быть использовано одновременно для получения выводов о предпочтениях в наслаждении, чтобы предлагать индивидуализированные предложения.

Система Nespresso может использовать приложение, чтобы указывать, когда запас капсул заканчивается. Для этого учитываются среднее будущее потребление, время принятия решения (при нажатии кнопки для повторного заказа достаточно), а также время, необходимое для отправки. В будущем это даже может быть сделано с помощью предвидения — на основе предиктивной аналитики. Поскольку мой поставщик знает, что я пью больше кофе зимой и предпочитаю более крепкие обжарки, мне может быть отправлен пакет — без каких-либо действий с моей стороны. Основой этой предварительной доставки является интеллектуальная обработка всех этих данных. Здесь также становится ясно, почему для этого дальнейшего обслуживания подходит термин предиктивное обслуживание (вместо предиктивного технического обслуживания).

Важным аспектом, который не следует недооценивать: Если за клиентом квалифицированно и проактивно ухаживают в этом сервисном мире, его или ее готовность перейти к значительно более дешевым поставщикам капсул снижается! Это значительно увеличивает ценность клиента для предлагающей компании.

Ящик памяти

Сегодня концепция предиктивного обслуживания по-прежнему предлагает в значительной степени неиспользованный потенциал роста для компаний. Откройте его для своей компании!

Резюме

• В секторе розничной торговли анализ всей цепочки создания стоимости с использованием ИИ имеет ценность для выявления потенциала конкретных приложений ИИ.

• В будущем мы столкнемся с виртуальными агентами в качестве полезных "призраков" в стационарной розничной торговле.

• Благодаря предварительной доставке мы будем рады получить доставку еще до того, как разместили заказ.

• С помощью интерактивных экранов и столов будут внедрены дополнительные технологии для более всестороннего консультирования в торговле.

• Возможно, вскоре автономная тележка для покупок будет управлять нашими запасами в стационарной торговле.

• Там также будут все более персонализированные рекламные кампании — в зависимости от того, где мы находимся в магазине (также вариант контекстного маркетинга).

• Мы уже сегодня можем получить опыт без наличных покупок в избранных магазинах.

• Еще предстоит увидеть, согласятся ли клиенты на динамическое изменение цен в стационарных магазинах.

• Система мониторинга полок на основе ИИ в идеале приведет к все более редким ситуациям отсутствия товара.

• Для компаний электронной коммерции распознавание цифровых объектов предлагает интересную возможность конвертировать увиденное в "заказанное немедленно".

• ИИ предлагает множество возможностей для прогнозирования покупательского поведения.

• Концепция предиктивного технического обслуживания уже начала свое победное шествие и будет продолжать распространяться в ближайшие несколько лет.

• Предиктивное техническое обслуживание может использоваться для разработки новых бизнес-моделей на основе использования, а не владения.

• Идея предиктивного технического обслуживания усиливает отношения между клиентом и поставщиком на потребительском рынке и может привести к предиктивному обслуживанию.

Библиография

Adamic, L., Burke, M., Herdagdelen, A., & Neumann, D. (2016). Cat People, Dog People. https:// research.fb.com/cat-people-dog-people. Доступ 23 апреля 2019.

Gläß, R. (2018). Künstliche Intelligenz im Handel 1 – Überblick: Digitale Komplexität managen und Entscheidungen unterstützen, Висбаден.

Hoong, V. (2013). The digital transformation of customer services. https://www2.deloitte.com. Доступ 23 апреля 2019.

Kreutzer, R. (2017). Praxisorientiertes Marketing, Grundlagen, Instrumente, Fallbeispiele, 5. Aufl., Висбаден.

McKinsey. (2017a). Artificial Intelligence, The next digital frontier? Брюссель, Париж, Шанхай, Сан-Франциско.

McKinsey. (2017b). Smartening up with Artificial Intelligence (AI)—What’s in it for Germany and its industrial sector? Франкфурт.

McKinsey. (2018). Notes from the AI frontier, Insights from Hundreds of Use Cases, Сан-Франциско.

Nespresso. (2019). Nespresso. https://www.nespresso.com/de/de/order/machines/prodigio-mch-titan c70-eu-krups-kaffeemaschine?cid=SEM_B2C_DE-DE_LOC_R_Google_NESPRESSO%7CDE %7CGOOGLE%7CB2C%7CBrand_MachineNames%28E%29%7CDE_Prodigio%7CDE_ Prodigio_e&gclid=EAIaIQobChMIkOjUqZuS3QIVAeR3Ch1EigdhEAAYASAAEgKArPD_ BwE&gclsrc=aw.ds&dclid=CLaZ1LCbkt0CFUzhGwodDrwNKQ. Доступ 23 апреля 2019.

SO1. (2019). The most advanced AI for retail promotions. https://www.so1.ai/. Доступ 6 мая 2019.

Stenkamp, D. (2018). Früh gewarnt. В DUB Unternehmer Magazin (с. 20f).

Zalando. (2019). Shopping-App, 2019.

6 Области применения Искусственного Интеллекта — Здравоохранение, образование и управление человеческими ресурсами

Аннотация

В этой главе вы узнаете много нового о различных областях применения ИИ в секторе здравоохранения. Она начинается с всесторонней оценки данных о здоровье для повышения качества диагностики. Использование Искусственного Интеллекта также может привести к облегчению рутинных задач в здравоохранении — так что врачи и медсестры смогут больше времени уделять пациентам. Искусственный Интеллект также может внести значительный вклад в устранение стратегического разрыва в квалификации при обучении и повышении квалификации. В дополнение к технической инфраструктуре, это требует, в частности, обучения самих преподавателей; потому что их знания также устаревают все быстрее. Большая область применения ИИ уже доступна в компаниях благодаря приложениям виртуальной и дополненной реальности. Искусственный Интеллект также может предоставить поддержку в управлении человеческими ресурсами — например, при найме новых сотрудников. Онлайн-платформы могут помочь связать предложение и спрос здесь.

6.1 Приложения здравоохранения для улучшения стандартных процессов

Ожидается и есть надежда, что использование Искусственного Интеллекта в здравоохранении улучшит достижимое качество жизни благодаря новым медицинским достижениям. Сегодня уже доступно большое количество приложений ИИ. Крупными игроками в области медицины, использующими ИИ, в настоящее время являются Google, IBM, Isabel Healthcare, NEC, Nuance, Microsoft, Ipsoft, Rocket Fuel и Fingenius.

Цифровизация изначально позволит подготовить широкий спектр медицинских данных для применения ИИ. Спектр здесь варьируется от историй болезни до — частично уже доступных в цифровом виде — результатов обследований и персональных данных о здоровье, генерируемых носимыми устройствами и приложениями (ср. Pinker, 2017; Stanford University, 2016,

с. 25). Искусственный Интеллект может использовать многие свои преимущества в медицинском секторе:

• Одновременный доступ к сотням тысяч или миллионам релевантных исторических изображений и текстовых документов (включая отзывы) для диагностических целей

• Доступ в реальном времени к новым инсайтам, полученным исследователями и/или коллегами в их повседневной работе (включая клинические испытания)

• Оценка полной медицинской карты соответствующего пациента, чтобы соответствующие данные были доступны в связанной форме

• Опрос пациента с поддержкой ИИ для дополнения отсутствующей информации и/или тестирования гипотез

• Вывод рекомендаций по терапии на основе большого количества рекомендаций по терапии от третьих сторон и достигнутых результатов.

Медицинские области применения Искусственного Интеллекта могут быть сгруппированы следующим образом:

• Приложения, поддерживающие диагностику

• Приложения, заменяющие диагностику

• Приложения, поддерживающие терапию

• Приложения, заменяющие терапию.

Еще предстоит преодолеть множество проблем на пути. Проблемы с интерпретацией медицинских заметок врачами и междисциплинарной передачей результатов (также по соображениям защиты данных). Пока в таких странах, как Германия, децентрализованная система здравоохранения доминирует, а интегрированная история болезни (с полной документацией диагнозов, терапий и успехов лечения) существует только как концепция, возможности оценки остаются очень ограниченными. Кроме того, как и для всех систем ИИ, требуется всестороннее и интенсивное обучение для оснащения приложений ИИ, таких как Watson, необходимыми данными (ср. Waters, 2016; Bloomberg, 2017). Консолидированная база данных, объединяющая анонимные медицинские записи из широкого спектра источников, до сих пор отсутствует во многих странах.

Отдельные приложения ИИ уже существуют. Watson for Oncology — программа ИИ для выявления рака — сегодня используется в 230 больницах для помощи врачам в диагностике и лечении рака. Опыт, полученный с Watson Health, включается в алгоритмы ИИ для дальнейшего обучения (ср. Rossi, 2018, с. 21). Пределы Искусственного Интеллекта здесь по-прежнему очевидны. Как уже упоминалось, каждая система ИИ должна быть откалибрована для соответствующей области применения. В случае здравоохранения она должна сначала изучить все релевантные термины, а также тип формулировок в письмах врачей и результатах обследований. Как можно оценить утверждение "... не могло быть исключено"? Есть что-то или нет? Кроме того, системы ИИ должны изучить общие медицинские аббревиатуры. Также необходимо охватить различные релевантные руководства и общие терапии. Иногда Watson уже ошибается из-за распознавания речи! Снова применяется следующее: Систему по-прежнему необходимо подпитывать

комплексно с соответствующими данными, и результаты необходимо интенсивно анализировать, пока система не достигнет или даже не превзойдет уровня квалифицированных врачей (ср. Müller, 2018a, с. 106f.; Burgess, 2018, с. 32). Путь от диагностико-поддерживающего до диагностико-замещающего применения еще долог.

Так называемый Camelyon Grand Challenge 2016 принес интересные результаты в этой области. Он показал, что комбинация машин и людей приводит к наилучшим результатам. Команда исследователей из Гарварда и MIT разработала алгоритм глубокого обучения для медицины для выявления метастатического рака молочной железы. Патолог в прямом сравнении был превосходящим с правильным предсказанием в 96,6% случаев, а машина — с 92,5%. Во втором тесте прогнозы патологов и машин были объединены — с результатом 99,5% точности (ср. Wang, Khosla, Gargeya, Irshad, & Beck, 2016). Это соответствует снижению ошибки на 85%, если машина ее поддерживает!

Разделение труда, основанное на этом, началось в области, где противоположная сторона была слаба. Патолог может лучше оценить, есть ли у кого-то рак молочной железы, в то время как машина лучше говорила, что у кого-то нет рака молочной железы. Как и в других командах, слабости отдельных людей устраняются, и достигаются лучшие решения. Машинам гораздо труднее принимать правильные решения в неизвестных ситуациях с недостаточными данными. Напротив, людям, как правило, легче быстро распознать правильные закономерности на основе большого объема данных. Этот инсайт может быть применен к когнитивной работе с помощью двух различных подходов. Либо машина делает предложение, и человек опирается на это решение, либо решение человека оценивается машиной после (ср. Agrawal, Gans, & Goldfarb, 2018, с. 65–67). В любом случае это снова диагностико-поддерживающее приложение.

Датская компания-разработчик программного обеспечения ИИ FastCompany протестировала свою систему ИИ Corti, позволяя компьютеру слушать, когда люди в колл-центре отвечают на экстренные звонки. Когда кто-то вне больницы страдает от остановки сердца, время имеет решающее значение: шанс на выживание снижается примерно на 10% каждую минуту. Поэтому первым шагом в распознавании остановки сердца является особая задача для операторов колл-центров — в конце концов, важно правильно понять симптомы, часто передаваемые напуганными друзьями или родственниками (ср. Peters, 2018).

В Копенгагене операторы колл-центров, соответственно, поддерживаются системой ИИ Corti. Когда звонят в скорую помощь, ИИ-ассистент Corti также находится на линии. NLP оценивает разговор в контексте и предоставляет оператору уведомления в реальном времени на основе этой информации. Corti анализирует не только то, что и как человек сказал (например, тон голоса), но и учитывает фоновый шум. Это позволило выявлять сердечные приступы с успехом 93% по сравнению с 73% при оценке человеком (ср. Peters, 2018).

6.2 Цифровые двойники и проекты человеческого мозга

Еще одна область исследований ИИ в секторе здравоохранения связана с разработкой цифровых двойников. В разделе 2.5 уже описывалось создание таких двойников для машин и установок. Медицинский сектор занимается виртуальным (цифровым) представлением человеческих органов (например, сердца, почек, печени) или всего человеческого существа. Созданные таким образом цифровые зеркальные изображения могут использоваться для имитации состояния здоровья и эффектов терапии. Цель состоит в том, чтобы попробовать правильные методы лечения — не превращая реального человека в подопытную свинку.

Учреждения и компании, такие как Институт Фраунгофера, Ассоциация Гельмгольца немецких исследовательских центров, а также Siemens Healthineers и Philips, работают над искусственным рождением цифровых двойников. Сегодня еще невозможно предсказать, когда будут достигнуты соответствующие прорывы. Цель — не только проводить интегрированную оценку всех релевантных данных о пациенте (таких как лабораторные показатели и данные КТ и МРТ-обследований) с использованием этого цифрового двойника. Цель — симулировать весь процесс от профилактики до диагностики, терапии и последующего ухода — и на этой основе установить оптимальный уход за пациентом (ср. n.a., 2018a, с. 18). Это приложение, поддерживающее диагностику и терапию.

В этой области наблюдается следующее развитие. В прошлом ученые получали свои знания "in vivo", т.е. наблюдая или экспериментируя с живыми организмами. Позже такие эксперименты могли проводиться "in vitro", т.е. в пробирке. Теперь предпочтение отдается шагу "in silico", потому что такие эксперименты теперь происходят в компьютере — и их чипы основаны на химическом элементе кремнии.

Еще одна область применения ИИ пытается закодировать секреты человеческого мозга. Новые открытия позволят разработать альтернативные методы лечения нервных заболеваний. Проект человеческого мозга (HBP) — одна из таких инициатив. Здесь междисциплинарная команда экспертов, состоящая из ученых, стремится передать свои результаты через "Платформу медицинской информатики". Эти релевантные открытия являются результатом сочетания данных о пациентах, знаний нейронауки и результатов клинических исследований (ср. HBP, 2017).

На европейском уровне эти разработки продвигаются крупным финансируемым ЕС проектом. Цель — проникнуть в процессы в мозгу еще точнее, чтобы использовать полученные там результаты для систем ИИ. Изначально человеческий мозг должен был быть симулирован компьютером в течение десяти лет. От этой цели давно отказались. Воспроизведение "общего" интеллекта человека по-прежнему представляет собой непреодолимое препятствие для исследователей (ср. Wolfangel, 2018, с. 33).

Проект "Геном человека" уже приносит ощутимые результаты. В 2003 году геном человека был расшифрован за тринадцать лет при общей стоимости 2,3 миллиарда долларов США. Сегодня тот же анализ часто стоит менее 100 долларов США — и занимает лишь часть времени (ср. NHGRI, 2016). В зависимости от ситуации с защитой данных, таким образом сгенерированная информация может быть дополнена дальнейшими личными данными. Их можно получить через носимые устройства, приложения или доступ к содержимому социальных сетей. Таким образом, может быть создан индивидуальный статус здоровья, который также включает все генетические предрасположенности. На основе этого может быть разработан индивидуальный план питания.

может быть разработан, который точно соответствует генетическому профилю пользователя. Кроме того, можно вывести индивидуализированное лекарство (ключевое слово индивидуализированная медицина), которое оптимально взвешивает эффекты и побочные эффекты на индивидуальный организм с учетом его особенностей (ср. McKinsey, 2013, с. 90−92; Taverniti & Guglielmetti, 2012, с. 3−5).

В этом контексте говорят о так называемом эффекте Анджелины Джоли. Что произошло? В мае 2013 года Анджелина Джоли объявила, что удалила обе груди, чтобы защитить себя от рака молочной железы. Ее личный риск развития рака молочной железы был особенно высоким из-за определенной генетической черты. Эта черта была выявлена путем генетического анализа. С тех пор все больше тестов на генетику рака молочной железы проводится, потому что женщины хотят знать свой личный риск рака. При определенных генетических характеристиках риск развития рака молочной железы возрастает до 80% (ср. n.a., 2016b).

В 2018 году из Китая поступило сообщение: Впервые исследователь манипулировал человеческими эмбрионами, используя так называемые генные ножницы (официально Crispr/Cas9) таким образом, что они больше не могли заразиться СПИДом. Эти генные ножницы использовались в процессе искусственного оплодотворения. "Эксперимент", проведенный над людьми, очень критически обсуждался по всему миру (ср. Kastilan, 2018, с. 64).

Пища для размышлений

Хотим ли мы такой прозрачности обо всех людях (включая наш собственный геном) — включая нас самих — чтобы иметь возможность жить "оптимально"? Следует ли проводить такой анализ пренатально — с различными возможными решениями?

Или мы хотим дать жизни что-то от ее неопределенности, непредсказуемости, невесомости и ее сюрпризов — хороших и плохих? Потому что это поле напряжения может сделать жизнь стоящей — потому что мы не знаем и не можем знать всего. Можем ли мы все еще жить реальной жизнью, если заранее знаем, что вызовет нашу смерть и когда? Будем ли мы ослеплены всеми этими мерами предосторожности в отношении хороших вещей в жизни только потому, что у нас 94% шанс умереть от почечной недостаточности в возрасте 62 лет?

Становится ясно, что как избыточная, так и недостаточная информация будут иметь негативные последствия. Поэтому эти вопросы следует поднимать и отвечать на них рано — без, однако, пропуская стартовый сигнал для внедрения ИИ, который, по нашему мнению, необходим.

Ящик памяти

Если вы хотите узнать, какие разработки Amazon может ожидать в здравоохранении, вам следует погуглить по ключевому слову Amazon 1492. Не зря Amazon использовал год открытия Америки для этого проекта!

Более простые формы самооптимизации поддерживаются навыками Alexa (ср. Fritsche, 2018). Немецкая медицинская страховая компания Techniker Krankenkasse (TK) разработала навык Alexa TK Smart Relax, чтобы помочь пользователям Alexa расслабиться с помощью умных медитационных упражнений. Это должно позволить интегрировать

методы осознанности и релаксации в повседневную жизнь. С помощью команды "Alexa, начать смарт-релаксацию" пользователь приглашается к различным упражнениям релаксации и медитации. В качестве альтернативы могут быть вызваны различные плейлисты для поддержания концентрации.

Подключенная обувь, предлагаемая компанией Digitsole (2019), также может внести вклад в самооптимизацию. Управляемые смартфоном кроссовки имеют регулируемый подогрев, амортизацию и затяжку. Для этого в обувь интегрирована электроника, чтобы обеспечить потребителям больший комфорт и благополучие. Алгоритмы ИИ определяют симптомы усталости и риски травм на ранней стадии. Кроме того, могут быть даны персонализированные рекомендации по тренировкам, и может быть проведено аудио-коучинг. Интегрированный трекер активности непрерывно записывает скорость, пройденное расстояние и количество потребленных калорий. В сочетании с приложением для фитнеса или здоровья это приводит к захватывающим бизнес-моделям.

Другим примером этого является сотрудничество между производителем спортивного оборудования Under Armour и IBM Watson. В совместной разработке, называемой HealthBox, система ИИ учится на основе физической активности, веса (включая индекс массы тела) и пищевых моделей о состоянии здоровья пользователя и может давать рекомендации по оптимизации тренировок. Приложение состоит из браслета, похожего на Fitbit, цифровых весов и пульсометра. Приложение для смартфона под названием UA Record объединяет все это для оценки данных, собранных трекером активности и весами. Работая вместе с IBM, эти потоки данных могут быть интеллектуально оценены. Критерии, такие как возраст, пол и уровень активности, учитываются для индивидуальных рекомендаций по тренировкам и восстановлению. Для продвижения HealthBox Under Armour получает доступ к трем онлайн-сообществам по фитнесу, которые оно создало за последние годы: Endomondo, MapMyFitness и MyFitnessPal. Таким образом, компания получает доступ к крупнейшей онлайн-экосистеме здоровья с 165 миллионами пользователей сегодня (ср. Under Armour, 2019).

Дальнейшие разработки — это чат-боты и экспертные системы, уже используемые сегодня, которые представляют собой персональных менеджеров по здоровью. Приложения предоставляют цифровые медицинские консультации по общим симптомам заболеваний и часто также предлагают функцию для планирования дальнейшего медицинского лечения. Приложения также могут напоминать пациентам регулярно принимать предписанные лекарства для улучшения соблюдения режима. Соблюдение режима здесь означает готовность пациента активно участвовать в терапевтических мерах, например, регулярно принимать предписанные лекарства. Это также пример приложения, поддерживающего терапию.

Совет по художественному чтению

Очень хороший художественный роман Марка Эльсберга "Zero — Они знают все, что вы делаете" показывает, куда могут привести такие попытки самооптимизации.

Очки дополненной реальности такого рода также могут поддерживать учеников, начинающих специалистов и неквалифицированный персонал в программах обучения. Также действия и рабочие процессы, которые редко встречаются, могут быть поддержаны AR-очками. В случае неправильной эксплуатации в AR-очках или на планшете может появиться красный сигнал, чтобы побудить оператора к немедленной коррекции. Специалисты и квалифицированные работники могут быть информированы о текущем ходе процесса в любое время через соответствующие устройства. Передаваемая информация и инструкции основаны на измерениях в реальном времени, включенных в технологию IoT.

Крупные обучающие компании, такие как Airbus, Boeing, Daimler, General Electric, General Motors, Siemens и Volkswagen, используют такие системы цифровой помощи для оптимизации учебных процессов в профессиональном обучении. Чем более квалифицированы ученики, тем важнее предоставить им контроль над своим обучением. Это называется владением обучением.

Пища для размышлений

Предикат "Digital Natives" (с 1980 года) ошибочно предполагает, что эти люди уже обладают всесторонней цифровой компетенцией. Однако это часто не так. Цифровая компетенция этих людей часто не выходит за рамки простого владения приложениями. Кроме того, большинство из них не способны различать достоверный и ненадежный контент в Интернете.

В образовании использование новых технологий не приведет к цифровому автоматизму. Управление образованием по-прежнему представляет собой сочетание преподавания и обучения. Таким образом, систему ИИ следует рассматривать как значимое дидактическое дополнение — но не как замену преподавателю (ср. Igel, 2018). Кроме того, следует помнить, что преподаватель должен рассматриваться не только как чистый передатчик знаний, но и способствовать развитию личности каждого отдельного ученика.

6.5 Управление человеческими ресурсами с поддержкой ИИ

Системы ИИ также могут поддерживать планирование персонала, учитывая сложные правила взаимодействия. Кроме того, могут быть выявлены пробелы в знаниях внутри компании по отделам и подразделениям, которые затем переносятся в программу обучения (ср. May, 2016, с. 6). Распознавание закономерностей с поддержкой ИИ при оценке данных о потенциальных сотрудниках может улучшить результаты найма. Для этого необходимо, чтобы данные, необходимые для углубленного анализа, были доступны для разработки алгоритмов ИИ, а также для применения в самом процессе отбора. Защита конфиденциальности частных лиц, практикуемая в отдельных странах, определит степень, в которой Искусственный Интеллект может способствовать преодолению стратегического разрыва в квалификации.

Кроме того, во многих странах по-прежнему существует большой дисбаланс между существующими и необходимыми квалификациями населения. Это может быть вызвано неэффективностью системы образования и правилами рынка труда, которые не уравновешивают предложение и спрос. Это означает, что существующий потенциал отдельных людей и стран в целом не может быть оптимально использован. Искусственный Интеллект играет ключевую роль в достижении лучшей связанности между системами образования и рынком труда. Цифровые технологии уже вносят важный вклад в связь талантов и задач через онлайн-платформы. McKinsey (2017, с. 65) оценивает, что онлайн-платформы талантов к 2025 году позволят до 60 миллионам человек найти работу, которая лучше соответствует их навыкам или предпочтениям. Это также может снизить затраты на управление персоналом.

Следующий пример показывает, как чат-бот уже сегодня может поддержать поиск работы. Мир Jobo здесь по-прежнему выглядит естественно и мощно (Bobot, 2019):

Добавить Jobo в мессенджер

Начать работу

Андре, добро пожаловать! Рад тебя видеть. Я Jobo и я помогу тебе найти твою следующую работу. Начнем с основ. Ты можешь начать новый поиск работы из меню или просто отправив мне команду "поиск".

Искать вакансии и настроить уведомления о вакансиях

Что ты ищешь? Примечание: Лучше использовать более общие ключевые слова, такие как: учитель, водитель, менеджер по продажам или некоторые навыки, такие как java, wordpress, html5 и т.д.

Разработчик

Я нашел 5601 вакансию "Разработчик" в Сан-Франциско.

(Приложение показывает результаты.)

Подать заявку на вакансии через мессенджер или напрямую. Удачи!

Опции: Больше результатов | Сохранить поиск | Готово

Ты хочешь подать заявку на следующую вакансию?

Архитектор приложений (начальный уровень) в Varite USA в Сан-Франциско, Калифорния 94105

Опции: Да, пожалуйста | Нет, забудьте

Какие трудности до сих пор возникают у текстового чат-бота Jobo, показано ниже. Это немного сокращенная стенограмма разговора с Jobo (Bös, 2018, с. С1):

"Привет, Jobo

Привет!

Ты можешь найти мне работу?

Ой, я не понял твоего сообщения. Должен ли я искать вакансии по ключевому слову "Ты можешь найти мне работу"?

Нет, забудьте об этом!

Что ты хочешь, чтобы я сделал сейчас?

Найти вакансии!

Хорошо, где бы ты хотел найти работу?

Франкфурт.

Хорошо, я поищу вакансии во Франкфурте, Германия. Правильно?

Это правильно!

Что ты ищешь?

Учитель. Я уже сказал тебе!

Ой, извините, я не мог найти вакансии по "Учитель. Я уже сказал тебе!" Попробуйте изменить критерии поиска, используйте простые ключевые слова или выберите более крупный город в вашей области.

Хорошо, я меняю ключевое слово.

Ты хочешь оставить это место: Франкфурт?

Это правильно!

Что ты ищешь?

Учитель.

Я нашел 21 вакансию "Учитель" во Франкфурте. Хочешь сохранить этот поиск и быть проинформированным о новых вакансиях?

Спасибо. У меня этого достаточно.

Пока. Пока. Надеюсь, я смогла немного помочь. До скорой встречи!"

На самом деле, многие чат-боты пытаются компенсировать существующие трудности в распознавании речи с помощью чисто текстового общения — часто с заданными возможностями ввода. Пример выше показывает, что это не всегда успешно достигается убедительно.

Гораздо более убедительны результаты платформы для поиска работы MoBerries на основе Facebook Messenger, что показывает этот пример (ср. MoBerries, 2019):

"Привет, Мари. Я Мо из MoBerries. Приятно познакомиться. Я помогу тебе найти следующую работу.

Поиск работы!

Хорошо, скажи мне, где ты хочешь искать работу? Отправь мне свое текущее местоположение, выбери одно или просто введи название города.

Берлин

Хорошо, теперь скажи мне, какую роль ты ищешь? Выбери предложение ниже или введи свое собственное название должности.

Контент-маркетинг

Смотри, я нашел 1453 результата по контент-маркетингу в Берлине."

Используя предопределенные деревья решений, MoBerries разрабатывает диалог с пользователем, соответствующий естественному чату. Как только чат-бот получил достаточно информации, он составляет список релевантных результатов.

Кроме того, алгоритмы ИИ могут помочь создать тексты с более высоким воздействием (например, для объявлений о вакансиях). Для этого Textio (ср. 2019) предлагает интересное приложение под названием augmented writing. Textio оценивает большие объемы данных, предоставленных компаниями со всего мира из всех отраслей. Предиктивный движок использует эти данные для выявления значимых закономерностей в языке, которые приводят к более мощной коммуникации и, следовательно, лучшим бизнес-результатам. Полученные в каждом случае результаты генерируют дополнительные данные для дальнейшего развития процесса обучения через цикл обучения.

Как можно использовать дополненное письмо в процессе найма? Для обучения оцениваются миллионы объявлений о вакансиях и рекрутинговых писем. Полученные знания переходят в дополненное письмо. В процессе найма дополненные объявления о вакансиях могут вскоре использоваться для привлечения особо квалифицированных кандидатов. Затем дополненные рекрутинговые письма могут быть использованы для обращения к наиболее интересным кандидатам. Например, Johnson & Johnson увеличили коэффициент отклика своих кандидатов на 25% за счет писем с высокими показателями Textio (ср. Textio, 2019).

Пища для размышлений

Одно следует подчеркнуть в поддержке HR с помощью Искусственного Интеллекта: Окончательное решение о найме или не найме кандидата должно оставаться в руках менеджеров. Поскольку Искусственный Интеллект все еще недостаточно развит, человек является гораздо лучшим принимающим решение при оценке кандидата на вакансию. В конце концов, наш интеллект гораздо более общий и может объединять слова, жесты, выражения лица, паузы в речи и т. д. с симпатией или привязанностью, что является решающим для успешного сотрудничества. Система ИИ не может этого сделать прямо сейчас!

Поэтому чистый подбор персонала на основе данных или робот-подбор персонала по-прежнему остается (пока еще) мечтой о будущем, если вы не хотите нанимать человекоподобных роботов. Тем не менее, поиск потенциальных кандидатов не должен осуществляться без Искусственного Интеллекта!

В уже цитированном исследовании McKinsey (2018, с. 21) были определены следующие дополнительные потенциалы создания стоимости для управления человеческими ресурсами на ближайшие несколько лет:

• Производительность и эффективность сотрудников: 100–200 млрд долл. США

• Автоматизация задач: 100–200 млрд долл. США

• Управление человеческими ресурсами на основе анализа: 100 млрд долл. США

Эти цифры должны мотивировать компании отправиться в индивидуальное путешествие ИИ (ср. разд. 10.3).

6.6 Резюме

• Существует множество областей применения ИИ в секторе здравоохранения.

• Всесторонняя оценка данных о здоровье имеет особое значение.

• Оценки могут основываться на анонимных наборах данных для, например, повышения качества диагностики.

• Связь персональных данных о здоровье необходима для персональной диагностики и терапии.

• Это открывает важные области действий с точки зрения законодательства о защите данных.

• Системы ИИ также могут поддерживать операции.

• Использование Искусственного Интеллекта может привести к облегчению рутинных задач в здравоохранении — так что врачи и медсестры смогут уделять больше времени пациентам.

• Искусственный Интеллект может внести значительный вклад в устранение стратегического разрыва в квалификации при обучении и повышении квалификации.

• В дополнение к технической инфраструктуре, это требует, в частности, обучения самих преподавателей; потому что их знания также устаревают все быстрее.

• Развитие систем поддержки обучения связано с большими усилиями, которые будут предоставлены лишь немногими странами.

• Большая область применения ИИ уже доступна в компаниях благодаря приложениям виртуальной и дополненной реальности.

• Искусственный Интеллект также может предоставить поддержку в управлении человеческими ресурсами — например, при найме новых сотрудников.

• Онлайн-платформы могут помочь связать предложение и спрос на рынке труда.

• Использование чат-ботов в поиске персонала еще имеет большой потенциал для роста!

Библиография

Ada. (2019). Unsere Meilensteine, Von der Gründung bis heute. https://ada.com/de/milestones/. Доступ 2 мая 2019.

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of Artificial Intelligence. Boston.

Backes, L. (2018). Kennst du den hier? In Der Spiegel (с. 119). 30 июня 2018.

Bertelsmann Stiftung. (2016). SPOTLIGHT Gesundheit: Gesundheits-Apps, Bedeutender Hebel für Patient Empowerment − Potenziale jedoch bislang kaum genutzt. Гютерсло.

Bittner, A. (2018). Interview. In Schmidt, L., Klartext, Herr Doktor! In Frankfurter Allgemeine Sonntagszeitung (с. 19). 18 ноября 2018.

Bloomberg, J. (2017). Is IBM Watson A ‘Joke’? https://www.forbes.com/sites/jasonbloomberg/ 2017/07/02/is-ibm-watson-a-joke/#7e85749cda20. Доступ 24 апреля 2019.

Bobot. (2019). Jobo − der HR-Bot. https://www.jobbot.me/about.html. Доступ 26 апреля 2019.

Böge, F. (2019). Gläserne Schüler. In Frankfurter Allgemeine Sonntagszeitung (с. 4). 28 апреля 2019.

Bös, N. (2018). Jobo sucht einen Job. In Frankfurter Allgemeine Sonntagszeitung (с. С1). 16/17 июня 2018.

Burgess, A. (2018). The executive guide to artificial intelligence—How to identify and implement applications for AI in your organization, Лондон.

Chris, R. (2017). Dawn of the sexbots. https://www.cnet.com/news/abyss-creations-ai-sex-robots headed-to-your-bed-and-heart/. Доступ 23 апреля 2019.

Digitsole. (2019). Discover Running 2.0. https://www.digitsole.com. Доступ 6 мая 2019.

DeepMind Health. (2019a). Helping clinicians get patients from test to treatment, faster. https:// deepmind.com/applied/deepmind-health/. Доступ 24 апреля 2019.

DeepMind Health. (2019b). How we’re helping today. https://deepmind.com/applied/deepmind health/working-partners/how-were-helping-today/. Доступ 24 апреля 2019.

DLR. (2019). EDAN. https://www.dlr.de/rm/en/desktopdefault.aspx/tabid-11670/20388_read 47709/. Доступ 23 апреля 2019.

Escueta, M., Quan, V., Nickow, A., & Oreopoulos, P. (2017). Education technology: An evidence-based review. In National Bureau of Economic Research, Кембридж.

Fritsche, K. (2018). Entspannt durch den Tag mit dem Alexa Skill TK Smart Relax. https:// developer.amazon.com/de/blogs/alexa/post/bc035200-f67e-46e5–9961-8c009857898d/ entspannt-durch-den-tag-mit-dem-alexa-skill-tk-smart-relax. Доступ 7 мая 2019.

Gartner. (2018). 5 Trends emerge in the gartner hype cycle for emerging technologies. https:// www.gartner.com/smarterwithgartner/5-trends-emerge-in-gartner-hype-cycle-for-emerging technologies-2018/. Доступ 30 марта 2019.

GradeScope. (2019). Grade all coursework in half the time. https://www.gradescope.com/. Доступ 26 апреля 2019.

Hahn, H., & Schreiber, A. (2018). E-Health, Potenziale der Digitalen Transformation in der Medizin. В Р. Нойгебауэр (ред.), Digitalisierung, Schlüsseltechnologien für Wirtschaft und Gesellschaft (с. 321−345). Гейдельберг.

Höhl, R. (2018). Fernbehandlungsverbot gekippt. https://www.aerztezeitung.de/kongresse/ kongresse2018/erfurt2018_aerztetag/article/963610/121-deutscher-aerztetag fernbehandlungsverbot-gekippt.html. Доступ 16 ноября 2018.

Human Brain Project (HBP). (2017). The medical informatics platform. https://www. humanbrainproject.eu/en/medicine/medical-informatics-platform/. Доступ 3 ноября 2017.

Igel, C. (2018). Wann lösen Roboter den Pädagogen ab? Vortrag zur zweiten digitalen Woche in Kiel, 13 сентября 2018

Kastilan, S. (2018). Dr. He − oder ob wir Crispr je lieben lernen. In Frankfurter Allgemeine Sonntagszeitung (с. 64). 2 декабря 2018.

Kühl, E. (2018). Auf Fake News folgt Fake Porn. http://www.zeit.de/digital/internet/2018–01/ kuenstliche-intelligenz-deepfakes-porno-face-swap/komplettansicht. Доступ 23 апреля 2019.

Kreutzer, R. (2019). Toolbox for marketing and management, creative concepts, analysis and forecasting tools. Висбаден.

Krex, A. (2017). Computerliebe. https://www.zeit.de/2017/46/kathleen-richardson-silikonpuppen anthropologin. Доступ 23 апреля 2019.

Lynda. (2019). Online learning for your team or organization. https://learning.linkedin.com/for entire-companies?src=ldc-nav&veh=ldc_nav_business&trk=ldc_nav_business. Доступ 26 апреля 2019.

Maher, D. (2017). Irish brothel renting out “realisitc” sex robot attracts hundreds of new customers. https://www.irishmirror.ie/irish-news/irish-brothel-renting-out-realistic-11074521. Доступ 23 января 2019.

Marr, B. (2018). How is AI used in healthcare 5 powerful real-world examples that show the latest advances. https://www.forbes.com/sites/bernardmarr/2018/07/27/how-is-ai-used-in-healthcare 5-powerful-real-world-examples-that-show-the-latest-advances/#111a7cf45dfb. Доступ 23 апреля 2019.

May, R. (2016). How artificial intelligence impacts HR—Incorporating intelligent assistants in the workplace. HR Strategy and Planning Excellence, 4(8), 5–8.

McKinsey. (2013). Disruptive technologies—Advances that will transform life, business, and the global economy, Сан-Франциско.

McKinsey. (2017). Artificial intelligence, the next digital frontier? Брюссель, Париж, Шанхай, Сан-Франциско.

McKinsey. (2018). Notes from the AI frontier, Insights from Hundreds of Use Cases, Сан-Франциско.

MoBerries. (2019). Find a new Job today! https://www.moberries.com/. Доступ 30 апреля 2019.

Müller, M. (2018a). Dr. Watson, versagt. In Der Spiegel (с. 106f). 4 августа 2018.

Müller, M. (2018b). App statt Arzt. In Der Spiegel (с. 114). 12 ноября 2018.

n.a. (2016b). Der Angelina-Jolie-Effekt: Frauen wollen ihr Krebsrisiko kennen. https://www.focus. de/gesundheit/ratgeber/krebs/vorbeugung/brustkrebs-gentest-der-angelina-jolie-effekt-frauen wollen-ihr-krebsrisiko-kennen_id_5245468.html. Доступ 23 апреля 2019.

n.a. (2018a). Die künstliche Geburt des digitalen Menschen. In Frankfurter Allgemeine Zeitung (с. 18). 3 сентября 2018.

National Human Genome Research Institute (NHGRI). (2016). The Cost of Sequencing a Human Genome. https://www.genome.gov/sequencingcosts. Доступ: 2 апреля 2019.

Panasonic. (2019). Ein Roboter der Medikamente bringt. https://www.experience.panasonic.de/ fortschritt/ein-roboter-der-medikamente-bringt. Доступ 23 апреля 2019.

Peters, A. (2018). Having a heart attack? This AI helps emergency dispatchers find out. https:// www.fastcompany.com/40515740/having-a-heart-attack-this-ai-helps-emergency-dispatchers find-out. Доступ 2 ноября 2018.

Petter, O. (2017). First sex-doll brothel opens in Germany, selling ‘plastic prostitutes’. In Independent. http://www.independent.co.uk/life-style/sex-doll-brothel-germany-open-plastic prostitute-dortmund-bordoll-a8008751.html. Доступ 23 апреля 2019.

Pinker, A. (2017). AI Healthcare—Artificial Intelligence in der Medizin: Medialist Innovation. https://medialist.info/2017/08/05/ai-healthcare-artificial-intelligence-in-der-medizin/. Доступ 23 апреля 2019.

Rossi, F. (2018). Künstliche Intelligenz muss fair sein. In Frankfurter Allgemeine Sonntagszeitung (с. 21). 22 июля 2018.

Stanford University. (2016). Artificial intelligence and life in 2030. https://ai100.stanford.edu/ 2016-report. Доступ 23 апреля 2019.

Taverniti, V., & Guglielmetti, S. (2012). Health promoting properties of lactobacillus helveticus. В Frontiers in Microbiology, 11/2012, Article 392, с. 1−13.

Textio. (2019). Welcome to augmented writing. https://textio.com. Доступ 26 апреля 2019.

Under Armour. (2019). HealthBox. https://www.underarmour.com/en-us/healthbox. Доступ 2 мая 2019.

Virtuel-Reality-Magazin. (2016). Aufzüge warten mit Mixed Reality. https://www.virtual-reality magazin.de/aufzuege-warten-mit-mixed-reality. Доступ 26 апреля 2019.

Wang, D., Khosla, A., Gargeya, R., Irshad, H., & Beck, A. (2016). Deep learning for identifying metastatic breast cancer, camelyon grand challenge. In Harvard Medical School. https://arxiv. org/pdf/1606.05718.pdf. Доступ 23 апреля 2019.

Waters, R. (2016). Artificial intelligence—Can Watson save IBM? Financial times. https://www. ft.com/content/dced8150-b300–11e5-8358-9a82b43f6b2f. Доступ 12 мая 2018.

Wolfangel, E. (2018). Künstliche Dummheit. In Süddeutsche Zeitung (с. 33). 14/15 июля 2018.

7 Области применения Искусственного Интеллекта — Энергетический сектор, умный дом, мобильность и транспорт

Аннотация

В этой главе вы узнаете, что успех умных энергосетей и проникновение умных счетчиков зависят от безопасности этих сетей. Развитие умных домов может привести к разработке новых бизнес-моделей. Автономные транспортные средства, использующие Искусственный Интеллект, обладают потенциалом значительного снижения заторов и аварий, вызванных человеческими ошибками. В дополнение к оптимизации наземных логистических цепочек, воздушное пространство станет все более важным для логистических задач. Существующая логистическая инфраструктура может использоваться более эффективно, значительно снижая потребление ресурсов и выбросы.

7.1 Приложения ИИ в энергетическом секторе

Искусственный Интеллект широко используется в энергетическом секторе. Интеллектуальные энергосети могут повысить безопасность поставок и идеально привести к снижению затрат. Приложения ИИ вносят вклад на каждом этапе цепочки создания стоимости: от выработки энергии до передачи энергии конечному потребителю. Особенно важной областью является прогнозирование спроса и предложения. Здесь возможность достижения оптимального баланса становится все более сложной из-за растущего использования децентрализованных, возобновляемых источников энергии. Наконец, волатильность выработки энергии возрастает с увеличением количества и вариативности независимо работающих источников энергии. Это создает серьезные проблемы для управления сетью, если необходимо избежать сбоев в сети (ср. Liggesmeyer, Rombach, & Bomarius, 2018).

В большинстве стран уже идет модернизация сетей и использование умных счетчиков для достижения более динамичного соответствия между спросом и предложением. Искусственный Интеллект позволяет поставщикам лучше прогнозировать и оптимизировать распределение нагрузки. Инициативы умных сетей позволяют небольшим, частным производителям энергии (включая индивидуальные домохозяйства) продавать избыточную мощность региональным поставщикам энергии.

В США более 9 миллиардов долларов США из государственных и частных средств было инвестировано в интеллектуальную сетевую инфраструктуру с 2010 года. Европа, Швеция и Италия заменили почти все счетчики на умные. В перспективе европейские страны смогут завершить переход в течение десяти лет, если будут управляться соответствующие риски безопасности. Уже в 2011 году Китайская государственная электросетевая корпорация объявила о планах инвестировать 45 миллиардов долларов США в интеллектуальные сетевые технологии. Еще 45 миллиардов долларов США должны быть инвестированы в период с 2016 по 2020 год (ср. McKinsey, 2017, с. 47f.).

DeepMind, стартап ИИ, приобретенный Google, работает с National Grid в Великобритании над прогнозированием пиков спроса и предложения. Для этой цели в качестве экзогенных входных данных используются связанные с погодой переменные и умные счетчики. Цель состоит в снижении национального потребления энергии на 10% и оптимизации использования возобновляемой энергии (ср. McKinsey, 2017, с. 47).

Системы на основе ИИ также могут помочь коммунальным службам оценить надежность небольших поставщиков (например, частных домохозяйств с солнечными установками). Для этого может быть предсказан срок службы и возможность интеграции установленных там систем. Энергосеть может развиться в рынок, где, помимо традиционных производителей электроэнергии, большое количество мелких игроков также предлагает электроэнергию из различных источников (например, автомобильные аккумуляторы, солнечные батареи на крыше). Интеллектуальное управление сетью поможет интегрировать это большое количество мини-поставщиков таким образом, чтобы пики спроса и предложения можно было лучше управлять с помощью интеллектуальных концепций хранения. В энергетическом секторе могут произойти следующие события в наилучшем сценарии (ср. McKinsey, 2017, с. 47−51).

• Большой объем данных собирается с помощью датчиков и оценивается с использованием алгоритмов ИИ. Полученные знания позволяют повысить эффективность выработки энергии путем оптимальной адаптации генерирующих установок к соответствующим ветровым и солнечным условиям.

• Прогнозы с поддержкой ИИ позволяют предвидеть пики спроса и предложения. Это оптимизирует энергетический баланс из различных источников энергии.

• Обработка данных с умных счетчиков с поддержкой ИИ позволяет осуществлять энергоснабжение на основе индивидуальных привычек использования, местных погодных условий и других факторов.

• Умные провода в сочетании с приложениями ИИ поддерживают интеллектуальное энергоснабжение. Это позволяет оптимизировать использование сети и поддерживать безопасность поставок на высоком уровне.

• Полевой персонал поставщиков энергии получает обновления в реальном времени о технических проблемах на установках. Это может сократить время реакции и предотвратить или сократить отключения электроэнергии (ключевое слово: предиктивное техническое обслуживание; ср. разд. 5.3).

• Дроны и роботы размером с насекомых выявляют дефекты и осматривают системы без прерывания производства.

• В целом, задействовано меньше техников. В то же время они больше сосредоточены на упреждающем решении проблем и меньше на ручной записи текущего состояния. Документы также автоматически создаются, оцениваются и пересылаются целенаправленно.

• Виртуальные агенты используются в автоматизированных колл-центрах поставщиков энергии. Системы CRM на основе ИИ классифицируют входящие запросы в соответствии с их историей обслуживания и поддерживают прогнозирование плохих долгов и разрешение технических проблем.

Эти положительные эффекты проявятся только в том случае, если сети будут (могут быть) всесторонне защищены от хакерских атак. Потому что чем "умнее" становятся сети, тем больше единиц к ним подключено, тем больше (также неконтролируемых) входных каналов для компьютерных вирусов будет. Здесь кибербезопасность должна действовать более дальновидно, чем хакерские армии, чтобы предотвратить погружение целых регионов или стран во тьму и застой.

Совет по художественному чтению

Если вы хотите получить представление о том, что происходит при взломе умной сети, мы рекомендуем прочитать книгу Марка Эльсберга "Blackout". Стимулирующее и захватывающее развлечение на высшем уровне! Очень стоит прочитать!

7.2 Приложения умного дома

В этом контексте концепция умного дома имеет особое значение, поскольку она может быть идеально интегрирована в умную энергосеть и охватывает дополнительные возможности применения. По сути, умный дом — это жилая среда, которая всесторонне связана как внутри, так и снаружи. В любом случае, это связь с Интернетом для внешнего мира, возможно, также с умной энергосетью. Внутри, в зависимости от энтузиазма жильцов к технологиям, все возможные и невозможные устройства и процессы могут быть подключены к Интернету и, таким образом, стать "умными" (ср. также Bendel, 2019). Для использования в умном доме могут быть рассмотрены следующие области:

• Окна и рольставни

• Входная дверь

• Гараж

• Датчик движения

• Камера и домофон

• Детектор дыма

• Освещение

• Розетка

• Хранение энергии

• Отопление

• Кухонные принадлежности

• Стиральная машина

• Метеостанция

• Развлечения (музыка и потоковое видео).

Использование умных счетчиков в первую очередь выгодно с точки зрения энергоэффективности, даже если потенциальный эффект экономии до сих пор был довольно ограниченным. Соответствующие системы умного дома (включая видеонаблюдение, датчики шума и дыма) также должны способствовать оперативной безопасности и устойчивости жилого комплекса к взлому. Главным драйвером принятия умных домов является пользовательское удобство. В конце концов, этими приложениями можно управлять через Интернет — обычно через приложения на мобильных устройствах. Таким образом, следующие функции могут управляться из любой точки мира, подключенной к Интернету:

• Яркость освещения в квартире

• Температура, при необходимости, даже более полное описание климата в квартире

• Громкость радио, телевизора и других звуковых систем

• Мониторинг детской комнаты (через веб-камеры)

• Процессы приготовления пищи на кухне (например, запуск духовки, кофемашины и т. д.)

• Просмотр содержимого холодильника (через установленную там камеру, которая передает записи прямо на смартфон)

• Рольставни, навесы

• Входные двери и гаражи

• Стиральная машина.

Дополнительная степень удобства достигается, когда определенные функции больше не требуют инициативы от жильца, а распознаются как необходимые самостоятельно с помощью алгоритмов ИИ, основанных на опыте:

• Гараж автоматически открывается, когда автомобиль пользователя приближается на 50 м, и парковочное место в гараже еще свободно.

• Уже за 30−60 минут до предполагаемого прибытия жильцов регулируется предпочтительный климат в используемых помещениях. Это может быть индивидуально для каждого жильца — в зависимости от времени суток.

• При открытии входной двери устанавливается предпочтительное освещение в квартире — опять же в зависимости от человека.

• В некоторых случаях — возможно, даже на основе настроения жильца (например, выведенного из его последних сообщений в Facebook или Twitter) — может быть воспроизведена "подходящая" музыка (на основе предпочтений каждого отдельного человека, сохраненных в Spotify).

• Ориентация на индивидуальные привычки также может быть выполнена с помощью воды для ванны правильной температуры.

• В зависимости от индивидуальных утренних ритуалов кофемашина может быть запущена автоматически.

• Уровень наполнения холодильника, кладовки и винного погреба может контролироваться автоматически и приводить к автономным решениям о покупке (например, через Alexa).

• В зависимости от прошлых или запланированных действий услуги по уборке могут быть забронированы самостоятельно, и соответствующий персонал может быть допущен в квартиру в заранее определенное время (с паролем или распознаванием лиц).

• Стиральные машины могут запускаться автоматически в часы, когда это вызывает наименьшее неудобство для жильцов или когда затраты на электроэнергию самые низкие, и рассчитывает лучшее время для развешивания белья.

• Режим сна ребенка указывает, когда ожидается следующий ночной голод, а ранее кипяченая вода может быть нагрета вовремя до идеальной температуры для приготовления смеси.

С приглашением на 30-летие на следующие вопросы можно ответить с помощью поддержки ИИ, оценивая соответствующие информационные потоки:

• Кто принял приглашение на празднование? (Анализ сообщений в Facebook, электронной почте или WhatsApp)

• Каковы музыкальные предпочтения гостей? (Анализ профилей гостей в Facebook и Spotify)

• Какие предложения по еде приемлемы для гостей — веганские, вегетарианские, органические и т. д.? (Анализ профилей гостей или публикаций в группах WhatsApp в Facebook, Pinterest или Instagram)

• Каковы питьевые привычки гостей? (на основе профилей гостей или публикаций в группах WhatsApp в Facebook, Instagram)

• Какие покупки продуктов питания следует совершить? (Оценка уровня наполнения холодильника)

• Какие напитки мне нужно купить? (В зависимости от положения стенда с напитками)

• Есть ли предпочитаемые алкогольные и безалкогольные напитки по специальной цене до времени мероприятия? (Учитывая текущие предложения и условия доставки)

• Какие каналы покупок используются? (Основа — предыдущее покупательское поведение)

• Какие подарки подойдут для хозяина? (На основе профилей хозяина в Facebook, Pinterest, Instagram и предпочтений в Netflix и Spotify)

• Насколько всеобъемлющей должна быть уборка на "следующий день"? (На основе фото и видео с предыдущих вечеринок с ожидаемыми гостями, а также на основе текущих фото помещений, в которых состоялось празднование)

• Где следует забронировать персонал по уборке? (На основе возможных положительных оценок услуг, таких как Book-a-Tiger или Helpling, и/или существующих контрактов, также в зависимости от доступности и специальных предложений).

Ящик памяти

В свете этих разработок вы востребованы для изучения их актуальности для вашей собственной бизнес-модели. Где есть возможности для ваших собственных продуктов и услуг в разработке умного дома? Как ваши собственные бизнес-модели могут быть адаптированы и далее развиты?

Успех самых разнообразных сервисных роботов уже очевиден сегодня. Продажи сервисных роботов по всему миру, как ожидается, увеличатся почти в пять раз в период с 2018 по 2022 год (ср. рис. 7.1). К ним относятся роботы-газонокосилки и роботы-пылесосы, которые пользуются возрастающей популярностью. Успех роботов-дворников, с другой стороны, пока ограничен.

Viessmann, специалист в области строительных технологий, последовательно развивает свою бизнес-модель, учитывая эти возможности. Благодаря приобретениям и внутренним стартапам, была разработана модель подписки на тепло. Viessmann больше не продает отопление, а предоставляет услугу "тепло". Если это позволяет стать частью умного дома, то могут быть предложены дополнительные услуги "вокруг дома". В результате производитель отопительного оборудования превращается в поставщика индивидуальных решений. Особенно важно создать интерфейс клиента (ср. Mahler, 2018, с. 75f.).

Все более важная область развития умного дома пока не находится в центре внимания: уход и обеспечение стареющего населения. IBM заключила партнерство с Malteser International, чтобы посвятить себя этой задаче. В рамках этого сотрудничества более 150 домов будут оснащены IoT-датчиками и когнитивными вычислениями, чтобы обеспечить безопасность пожилых людей дома. Если датчики обнаружат отклонения, родственники могут быть уведомлены через мобильное приложение или службы экстренной помощи. В качестве соответствующих триггеров могут быть определены долгое время текущая вода, интенсивное задымление или невключенные плиты. Также могут быть определены заметные поведенческие паттерны в качестве триггеров. Сюда входит, например, открытая входная дверь во время нормального сна. Если туалет посещают четыре раза за ночь — отклонение от нормального поведения — может быть вызван сигнал тревоги. Это также может быть случай, если датчики движения не регистрируют никакой активности в течение шести часов во время "фазы бодрствования" (ср. Bauer, Hüfner, & Ruemping, 2018).

Сервис IBM Elderly Care предлагает несколько преимуществ (ср. Bauer et al., 2018):

• Уход за пожилыми людьми как центральный модуль умного дома

Связанное использование датчиков в решениях для умного дома позволяет пожилым людям — которые фактически нуждаются в наблюдении — дольше оставаться в своих домах. Это экономит затраты на уход и создает дополнительное качество жизни. Круглосуточный мониторинг жильцов позволяет быстро оказать помощь в экстренных случаях.

В острых случаях может использоваться телемедицина — как часть домашнего здравоохранения. Это может снизить нагрузку на родственников и сократить возможные прогулы на работе.

Для жилищных компаний оснащение квартир связанными датчиками предоставляет возможность дальнейшего развития своей бизнес-модели в направлении "управления здоровьем".

• Использование умных систем

Система ухода за пожилыми людьми должна не только идеально функционировать с технической точки зрения, но и соответствовать эргономическим требованиям ее пользователей. Сюда входят также мобильные оповещения, привлекающие внимание без паники. Для этой цели может использоваться простая система светофора:

– Зеленый: "Все в порядке."

– Желтый: "Обнаружено необычное поведение — возможно, проблема."

– Красный: "Требуется немедленное внимание экстренных служб."

Для калибровки системы для понимания значения красного и желтого цветов в течение нескольких месяцев проводились пользовательские тесты.

Используемое для этой цели приложение позволяет родственникам обмениваться информацией о состоянии своих родителей с помощью одного нажатия кнопки. Вот пример: "Я получил желтое уведомление о маме. Не волнуйтесь, я только что проверил ее. Все в порядке."

Благодаря оценке повседневных процессов каждого отдельного человека на основе ИИ, программное обеспечение может самостоятельно выявлять аномальное и потенциально опасное поведение:

– Какое время, проведенное в постели, может оправдать сигнал тревоги?

– Как долго холодильник может оставаться неоткрытым без индикации проблемы?

– Какие движения ночью "нормальны"?

– Какие поведенческие паттерны ночью могут быть признаком медицинской экстренной ситуации?

Концепция ухода за пожилыми людьми — это по сути IoT-решение, поддерживающее специфическую экосистему. Соответствующие партнеры включают застройщиков, службы экстренной помощи, другие поставщики медицинских услуг, страховые компании и поставщики оборудования и программного обеспечения. Крайне важно, чтобы удобство использования для конечного пользователя было в центре внимания с самого начала (ср. Bauer et al., 2018).

Сравнимое предложение поступает от Better@Home (2019). Концепция Better@Home, разработанная IHP в сотрудничестве с известными поставщиками, также предлагает решения в секторах умного дома и "окружающей среды для пожилых" (AAL). Опять же, основное внимание уделяется сервисной платформе, которая предоставляет различные услуги по обеспечению оборудованием, соответствующим возрасту и комфорту. Это позволяет индивидуализировать существующие предложения продуктов и услуг от одного поставщика.

Чтобы решить проблемы, газовый или водопроводный кран можно управлять дистанционно, а плиту выключать. Кроме того, в систему мониторинга могут быть интегрированы специальные устройства, такие как экстренный вызов на дом, датчик кровати, коробка для лекарств, тонометр и глюкометр. Входящая информация оценивается интеллектуальным программным обеспечением для запуска индивидуальных процессов эскалации. Для этого система ИИ изучает профиль движения жильца, чтобы автоматически генерировать уведомления или сигналы тревоги в случае отклонений (ср. Better@Home, 2019).

Нельзя игнорировать одно возможное развитие: от умного дома к умному террору! В США технологии, используемые в среде умного дома, уже используются специально для контроля и терроризирования собственного бывшего партнера. Поэтому он или она, например, меняет код безопасности входной двери, так что оставшийся партнер больше не может войти в квартиру. Кроме того, зимой кондиционер может охлаждать квартиру до экстремально низких температур, а громкая музыка из умной музыкальной системы может быть слышна снова и снова ночью, не давая оставшемуся партнеру ничего сделать. Умные объекты — оснащенные камерой и микрофоном — могут дополнительно выявлять и записывать все движения в квартире. Приложения, цифровые персональные помощники и др. делают это возможным (ср. Bowles, 2018; Mezler, 2018, с. 1; Patrick, 2018; Woodlock, 2016).

Пища для размышлений

Умный дом предлагает прекрасный экран для проекции для различных групп. Техногики видят в умном доме исполнение своих мечтаний, потому что их собственная жилая среда всегда знает точно, что желается, когда и где — и затем идеально доставляет именно это. Это также включает возможность поддержки пожилых членов семьи в их желании как можно дольше жить в привычном окружении.

Пророки конца света опасаются, что хакеры смогут вторгнуться в их собственные дома через недостаточно защищенные интернет-интерфейсы. Таким образом, могут быть манипулированы не только процессы, но и, возможно, целые привычки жизни сообщества могут быть подсмотрены. Кроме того, эти люди опасаются, что различные программные и аппаратные решения — часто с расходящимися ритмами обновлений — могут расходиться и, таким образом, препятствовать беспроблемному использованию. В конце концов, единые стандарты для таких приложений все еще отсутствуют.

Вам, как поставщику, а также как пользователю решений умного дома, решать, где вы хотите позиционировать себя.

7.3 От умного дома к умному городу

Развитие умных домов можно продолжить в направлении концепции умного города в будущем. С этим подходом городское жилье развивается в сеть коммуникаций, логистики и информационных систем. В то же время оно нацелено на устойчивый рост и высокое качество жизни. Кроме того, оно должно увеличить готовность к конструктивному участию в политике (ср. Müller-Seitz,

Seiter, & Wenz, 2016, с. 4). Идеи для умного дома могут быть бесшовно интегрированы в эти концепции.

Умная мобильность или умный трафик является подзоной умного города. Это интеллектуальное взаимодействие различных видов транспорта для улучшения передвижения людей и грузов. Более высокий уровень безопасности может быть достигнут за счет мобильности с автомобильно-автомобильной связью между используемыми транспортными средствами. Кроме того, могут быть интегрированы логистические роботы для перевозки людей и грузов. В этом отношении предстоит прояснить большое количество юридических вопросов. Наконец, возросшее использование датчиков приводит к все более всеобъемлющему вторжению в личную жизнь людей, чьи повседневные действия записываются при использовании автономного вождения (ср. Stanford University, 2016, с. 23).

В Дармштадте реализуется интересный пилотный проект. Для этого была установлена муниципальная служба управления дорожным движением, которая генерирует данные о потоках трафика в реальном времени и оценивает их с помощью поддержки ИИ. Камеры были установлены на 272 перекрестках и более чем на 2000 светофорах. Они сгенерировали более одного миллиарда наборов данных за два года (ср. Darmstadt, 2019; Schmidt et al., 2016). Инсайты, полученные с помощью ИИ, должны привести к более интеллектуальному управлению потоками трафика и, таким образом, к разгрузке центра города. Кроме того, граждане имеют доступ к информации о текущей дорожной ситуации.

Применение американского стартапа ZenCity выходит далеко за эти рамки. Цель состоит, прежде всего, в том, чтобы больше вовлекать мнения граждан в процессы принятия городских решений. Большое количество данных из взаимодействий с жильцами собирается и преобразуется в релевантные для принятия решений выводы системами ИИ в реальном времени. Следующие области обслуживания охватываются (ср. ZenCity, 2019):

• Распознавание релевантных тем

Путем автоматической записи текущей коммуникации в социальных сетях, чат-румах и горячих линиях города, темы, релевантные с точки зрения граждан, могут быть видны городским администрациям.

• Углубленный анализ

Дальнейшая оценка показывает, где какие темы обсуждаются, через какие каналы и по каким ключевым словам. При необходимости анализ может спускаться до индивидуального поста.

• Оповещения

На основе полученных знаний могут быть отправлены push-уведомления ответственным лицам, чтобы они могли быстро отреагировать. Это могут быть внезапные отклонения или медленные изменения в тенденциях.

• Анализ настроений

Для распознавания настроения населения посты могут быть классифицированы как положительные, нейтральные и отрицательные. Таким образом, проблемы в различных областях городского управления могут быть выявлены быстрее (ср. разд. 4.2.4).

Париж и Тель-Авив уже используют эту систему, чтобы держать руку на пульсе своих граждан. Захватывающий вопрос заключается в том, как быстро полученные знания могут быть трансформированы в действия в условиях часто доминирующей бюрократии в городском управлении.

Ящик памяти

Умный город — это по сути не что иное, как всеобъемлющая связанность городской технической, финансовой и операционной инфраструктуры друг с другом и — в зависимости от приложения — с инфраструктурой граждан (умный дом, умный автомобиль…).

Пища для размышлений

Интересный вопрос: как будут выглядеть умные города в будущем, когда все больше рабочих мест будут заняты роботами, а стационарные магазины будут заменены электронной коммерцией с роботизированной доставкой (наземной или воздушной).

• Какая работа будет в городах будущего?

• Как нас будут транспортировать на рабочие места?

Вопрос будущего города неразрывно связан с вопросом будущего труда.

Если город, его пространства, его ритм, его коллективные ритуалы (обеденный перерыв, напитки после работы, шоппинг) были построены вокруг организации труда и сформированы идеей и требованиями наемного труда — как бы он выглядел, если бы эта форма труда исчезла, каким станет общественное пространство, если оно больше не будет в первую очередь заниматься транспортировкой людей на работу? (Maak, 2018, с. 45):

• Как бы выглядел город, где большинство людей работают либо в небольших единицах, либо из домашнего офиса?

• Какие последствия это будет иметь для разделения города на общественную зону (офисы, магазины, улицы, транспорт и т.д.) и частную зону (квартиры)?

• Что это означает для городского планирования, когда работа и досуг все больше и больше переплетаются?

• Какие последствия это будет иметь, если большое количество рабочих процессов может быть предоставлено на мобильной основе — при необходимости не только в фиксированном месте, но и независимо от времени?

• Как нужно проектировать город, если рабочая неделя должна составлять всего десять часов?

• Что произойдет с офисными зданиями, их столовыми и парковками?

• Как бы выглядел город, если бы безусловный базовый доход стал преобладать на широкой основе?

• Какие потребности должен удовлетворять такой город в первую очередь?

• Как бы выглядел город, если бы на онлайн-покупки приходилось не только 10–20%, как сегодня во многих странах, но 70 или 80%?

• Что происходит с торговыми центрами и множеством небольших и крупных магазинов внутри и в зоне охвата городов?

7.4 Мобильность и транспортный сектор

Большое поле применения для Искусственного Интеллекта представляют самые разнообразные приложения в секторе мобильности и транспорта. Проблемы особенно велики, поскольку растущая глобализация производства и потоков товаров сопровождается увеличением логистических задач. Растущая урбанизация и триумф электронной коммерции также стимулируют рост транспортных услуг. В то же время во многих регионах мира существующая инфраструктура или инфраструктура в стадии строительства уже не выдерживают такого объема роста. Поэтому востребованы интеллектуальные логистические решения. У них разные, переплетенные цели:

• Более эффективное использование существующей транспортной инфраструктуры (автодорог, железных дорог, воздушных и морских путей)

• Экономическое использование транспортных мощностей (в дополнение к избеганию заторов или более экономичному оснащению транспортных средств)

• Сокращение потребления ресурсов для транспорта (будь то нефть, газ, уголь, уран, древесина) и собственно транспортных мощностей (например, автодорог, железных дорог, аэропортов, автостоянок)

• Сокращение выбросов от транспортных средств (выхлопные газы, истирание, шум и т.д.).

Кроме того, для анализа спроса и прогнозирования, а также для оптимального использования имеющихся логистических мощностей используются самые разнообразные технологии ИИ. Это включает автономное управление автомобилями, автобусами, грузовиками, сельскохозяйственной техникой, самоходными железнодорожными транспортными средствами, судами, подводными транспортными средствами и самолетами (ср. Clausen & Klingner, 2018). Автономно управляемый автомобиль занимает ключевую позицию. Эта технология функционирует как "переломный момент" и окажет длительное влияние на будущее нашей мобильности. Сначала это относится непосредственно к разработке новых автомобилей (ср. рис. 7.2).

Низкий сценарий нарушений можно ожидать, если правовые рамки не будут прояснены в течение долгого времени, и убедительные технологические решения будут отсутствовать. Эти разработки будут сопровождаться ограниченной готовностью клиентов рисковать и платить. Если эти тормозящие факторы удастся преодолеть, может произойти даже сценарий с высоким нарушением. Рисунок 7.2 одновременно показывает, что триумфальное шествие транспортных средств начинается с проверенных и условных решений (в смысле поддержки водителя), прежде чем автономные транспортные средства полностью возьмут на себя управление рулем.

По оценкам Business Insider, к 2020 году на дорогах будет 10 миллионов автономно управляемых автомобилей (ср. Business Insider Intelligence, 2016). По мере распространения этой технологии ИИ, предложения транспорта как услуги (TaaS) и мобильности как услуги (MaaS) также возрастут. Рисунок 7.3 показывает, что до сих пор мы использовали один автомобиль для очень разных задач. Это массово изменится с появлением беспилотных автомобилей! Здесь разработки автономно управляемых транспортных средств дополняют концепции экономики совместного потребления — я получаю конкретное транспортное средство, когда оно мне нужно — и только тогда!

необходимо учитывать общие аспекты безопасности. В конце концов, дроны должны быть хорошо защищены от хакерских атак, чтобы не стать угрозой безопасности.

Совет по художественному чтению: Где может привести интенсивное использование дронов, можно прочитать в очень захватывающей книге Тома Хилленбранда "Drohne State".

Резюме

• Успех умных энергосетей и проникновение умных счетчиков зависят от безопасности этих сетей.

• Развитие умных домов только медленно набирает скорость. Предстоит увидеть, что будет доминировать — энтузиазм в отношении технологий или скептицизм. Есть весомые аргументы как за, так и против.

• Развитие умных городов также идет медленно.

• С автономными транспортными средствами Искусственный Интеллект имеет потенциал значительного снижения заторов и аварий, вызванных человеческими ошибками.

• В дополнение к оптимизации наземных логистических цепочек, воздушное пространство станет все более важным для логистических задач.

• Существующая логистическая инфраструктура может использоваться более эффективно, значительно снижая потребление ресурсов и выбросы.

• Одновременное увеличение объема поставок — особенно для частных домохозяйств — может снизить такие эффекты или даже компенсировать их.

Библиография

Adams, E. (2017). AI wields the power to make flying safer—and maybe even pleasant. Wired. https://www.wired.com/2017/03/ai-wields-power-make-flying-safer-maybe-even-pleasant. Доступ 26 апреля 2019.

Bauer, A., Hüfner, O., & Ruemping, T. (2018). Why you need to know about IBM’s Elderly Care solution. https://www.ibm.com/blogs/insights-on-business/insurance/why-do-you-and-your clients-need-to-know-about-ibms-elderly-care-solution/. Доступ 12 мая 2019.

Bendel, O. (2019). Smart Home. https://wirtschaftslexikon.gabler.de/definition/smart-home-54137 . Доступ 10 апреля 2019.

Better@Home. (2019). Better@Home – Was heißt das? https://www.better-at-home.de/. Доступ 27 апреля 2019.

Bowles, N. (2018). Термостаты, замки и свет: Цифровые инструменты домашнего насилия. https://www. nytimes.com/2018/06/23/technology/smart-home-devices-domestic-abuse.html. Доступ 26 апреля 2019.

Business Insider Intelligence. (2016). 10 миллионов самоуправляемых автомобилей будут на дороге к 2020 году. https://www.businessinsider.de/report-10-million-self-driving-cars-will-be-on-the-road-by-2020– 2015-5-6?r=US&IR=T. Доступ 25 января 2019.

Clausen, U., & Klingner, M. (2018). Автоматизированное вождение, компьютер захватывает руль. В Р. Нойгебауэр (ред.), Цифровизация, ключевые технологии для экономики и общества (с. 385−411). Гейдельберг.

Darmstadt. (2019). Bundesweit einzigartig: Verkehrssteuerung in Echtzeit speist Open-Data Plattform. https://www.digitalstadt-darmstadt.de/bundesweit-einzigartig-verkehrssteuerung-in echtzeit-speist-open-data-plattform/. Доступ 26 апреля 2019.

Liggesmeyer, P., Rombach, D., & Bomarius, F. (2018). Smart Energy, Die Digitale Transformation im Energiesektor. В Р. Нойгебауэр (ред.), Digitalisierung, Schlüsseltechnologien für Wirtschaft und Gesellschaft (с. 347−363). Гейдельберг.

Maak, N. (2018). Zieht doch in die Mall! В Frankfurter Allgemeine Sonntagszeitung (с. 45). 24 августа 2018.

Mahler, A. (2018). Die Reifeprüfung. В Der Spiegel (с. 74−78). 13 октября 2018.

McKinsey. (2016). Automotive revolution—perspective towards 2030. How the convergence of disruptive technology-driven trends could transform the auto industry, Штутгарт, Детройт, Гонконг, Мюнхен, Кёльн.

McKinsey. (2017). Artificial Intelligence. The next digital frontier? Брюссель, Париж, Шанхай, Сан-Франциско.

Mezler, S. (2018). Der smarte Terror. В Bonner Generalanzeiger Journal (с. 1). 17/18 ноября 2018.

Müller-Seitz, G., Seiter, M., & Wenz, P. (2016). Was ist eine Smart City? – Betriebswirtschaftliche Zugänge aus Wissenschaft und Praxis, Висбаден.

н.а. (2016). Deutsche Post stellt erstmals Pakete per Drohne zu. http://www.sueddeutsche.de/ bayern/reit-im-winkl-deutsche-post-stellt-erstmals-pakete-per-drohne-zu-1.2986700. Доступ 2 мая 2019.

Patrick, W. L. (2018). Remote controlled: Domestic abuse through technology, modern inventions make you vulnerable to predators outside and inside your home. https://www.psychologytoday. com/intl/blog/why-bad-looks-good/201807/remote-controlled-domestic-abuse-through-technology. Доступ 26 апреля 2019.

Schmidt, W., Borgert, S., Fleischmann, A., Heuser, L., Müller, C., & Mühlhäuser, M. (2016). Digitale Mehrwertdienste in Smart Cities am Beispiel Verkehr. В А. Майер & Е. Портманн (ред.), Smart City Strategie (с. 255−274). Governance und Projekte: Висбаден.

Stanford University. (2016). Artificial intelligence and life in 2030. https://ai100.stanford.edu/ 2016-report. Доступ 23 апреля 2019.

Statista. (2018). Künstliche Intelligenz. https://de-statista-com.ezproxy.hwr-berlin.de/statistik/ studie/id/38585/dokument/kuenstliche-intelligenz-statista-dossier/. Доступ 29 августа 2018.

Tang, S. (2017). Welcoming our newest robots to the Doordash fleet with marble. https://blog. doordash.com/welcoming-our-newest-robots-to-the-doordash-fleet-with-marble-e752a85d6602. Доступ 26 апреля 2019.

Tractica. (2018). Umsatz mit Servicerobotern weltweit. https://de-statista-com.ezproxy.hwr-berlin. de/statistik/daten/studie/870594/umfrage/umsatz-mit-servicerobotern-weltweit/. Доступ 2 декабря 2018.

Turakhia, C. (2017). Engineering more reliable transportation with machine learning and AI at Uber. https://eng.uber.com/machine-learning/. Доступ 26 апреля 2019.

VDA. (2018). Automatisiertes Fahren, Der technologische Fortschritt zeigt sich bereits heute in modernen Fahrzeugen, die vermehrt Fahrerassistenzsysteme (FAS) besitzen, auf dem Weg zur Automatisierung. https://www.vda.de/de/themen/innovation-und-technik/automatisiertes-fahren/ automatisiertes-fahren.html. Доступ 19 ноября 2018.

Woodlock, D. (2016). The abuse of technology in domestic violence and stalking. Violence Against Women, Psychology Today, 23(5), 584–602.

ZenCity. (2019). Listen to your city. https://zencity.io/. Доступ 12 апреля 2019.

8 Области применения Искусственного Интеллекта — Финансовые услуги и творческий сектор

Аннотация

В этой главе вы увидите, что рынок финансовых услуг является особенно интересной областью для ИИ. Искусственный Интеллект может поддерживать автоматизацию рабочих процессов в ближайшем будущем (роботизированная автоматизация процессов). Дополнительными важными областями применения являются кредитный скоринг, а также выявление фальшивок и мошенничества. Робо-консультанты и робо-советники все чаще используются в управлении активами. Еще одной интересной областью применения является высокочастотная торговля. Системы ИИ также используются в творческом секторе. Поддерживаемые ИИ "новые творения" по-прежнему основаны на распознанных закономерностях в уже существующих произведениях искусства. Тем не менее, многие творческие процессы могут быть поддержаны Искусственным Интеллектом. Этот вид "новых творений" голосов, фото и видео особенно критичен. Причина в том, что в будущем будет все труднее и труднее различать вымысел и правду из-за появления глубоких подделок.

8.1 Финансовые услуги

Все больше финансовых учреждений уже используют системы Искусственного Интеллекта. Возможности в этих отраслях выглядят очень многообещающими. Ожидается, что рынок Искусственного Интеллекта для финансовых услуг вырастет с 1,3 млрд долларов США в 2017 году до 7,4 млрд долларов США в 2022 году. Это соответствует среднему годовому темпу роста в 40,4% (ср. Fraser, 2017). Это развитие подпитывается множеством инноваций и вызовов в этой отрасли. К ним относятся дальнейшее расширение мобильного банкинга, кибербезопасность, а также области применения технологии блокчейн.

Международный опрос Digital IQ Survey 2017 (ср. PWC, 2017) дает интересные результаты:

• 52% опрошенных компаний финансового сектора заявили, что в настоящее время делают существенные инвестиции в Искусственный Интеллект.

• 66% указали, что сделают значительные инвестиции в течение трех лет.

• 72% лиц, принимающих решения, считают, что Искусственный Интеллект приведет к значительным бизнес-выгодам в будущем.

Автоматизация рабочих процессов — первая важная область применения ИИ, также для поставщиков финансовых услуг. Многие финансовые учреждения уже используют обработку естественного языка для автоматизации бизнес-процессов. В идеале, это должно не только сократить затраты, но и увеличить удовлетворенность клиентов. Как уже обсуждалось, интересы компаний и клиентов здесь часто расходятся.

Пример успешного внедрения представлен Bank of America с виртуальным помощником Erica. Этот помощник доступен в качестве приложения для 25 миллионов клиентов банка. Клиенты могут напрямую разговаривать с Erica или обмениваться текстовыми сообщениями с ней. В дополнение к переводу средств, Erica также будет отправлять уведомления в будущем о том, когда платежи должны быть произведены. Он также должен мотивировать клиентов экономить деньги или выявлять необычные движения счета. Услуги должны становиться все более индивидуализированными шаг за шагом (ср. Bessant, 2018, с. 26).

JPMorgan Chase использует платформу контрактной интеллектуальности с распознаванием изображений. Это позволяет проверять контракты и другие документы за считанные секунды. Для ручной проверки 12 000 кредитных соглашений в год потребовалось бы 360 000 часов. Bank of New York Mellon использует ботов для роботизированной автоматизации процессов (RPA) для повышения операционной эффективности. Согласно их собственным заявлениям, это позволит достичь 100% точности в проверке баланса счета по пяти системам и 88% сокращения времени обработки (ср. Singh, 2018).

В кредитном и страховом бизнесе системы ИИ используются для более быстрой, точной и экономичной обработки заявок (ср. также раздел 1.2). Сложные стандарты оценки рисков должны быть полностью учтены. Процессы с поддержкой ИИ могут внести важный вклад в обеспечение точности и скорости в процессах выставления счетов. В страховой отрасли так называемая темная обработка уже очень часто встречается. Это относится к процессу, который полностью автоматизирован без вмешательства человека. Поскольку эти процессы происходят "в темноте", термин темная обработка стал общепринятым. Такие системы имеют еще одно важное преимущество: высокую масштабируемость. В конце концов, такие системы также могут использоваться для быстрой обработки больших объемов данных.

С 2018 года Deutsche Familienversicherung (немецкая семейная страховая компания) уже предлагает консультации и заключение договоров через Alexa. Изначально это предложение распространяется только на страхование здоровья за рубежом — но вскоре последуют и другие продукты (ср. Klemm, 2018, с. 34). Это уже показывает важность цифровых персональных помощников в будущем.

Системы ИИ также все чаще используются для кредитного скоринга, поскольку необходимо оценивать большое количество профильных и транзакционных данных в интегрированном виде. В конце концов, традиционный кредитный рейтинг сегодня дополняется большим количеством других данных, которые могут быть получены из каналов социальных сетей или — в реальном времени — из онлайн-транзакций.

Финтех-стартап GiniMachine использует Искусственный Интеллект для снижения уровня дефолтов по потребительским и корпоративным кредитам с помощью инновационных моделей скоринга. Для этого платформа GiniMachine обеспечивает комплексную проверку кредитоспособности. Система автоматически создает, проверяет и реализует высокопроизводительные модели рисков. GiniMachine требуется не менее 1000 записей данных со статусом: хороший (возвращен) или плохой (просроченный). Для построения самой модели не требуется предварительный анализ или подготовка данных, даже для неструктурированных данных. Кроме того, подробные отчеты о проверке постоянно предоставляются пользователю. Таким образом, селективность модели может непрерывно проверяться. Сотни гипотез могут быть протестированы за считанные минуты. GiniMachine отслеживает производительность моделей и дает импульс, когда требуется новое обучение (ср. GiniMachine, 2019).

Пища для размышлений

Пришло время, когда решения о финансовых операциях принимаются не людьми, а машинами-«разумами». Таким образом, мы все больше зависим от данных (например, также в социальных сетях), которые мы создаем во всевозможных точках контакта в последние годы. Получающаяся цифровая тень может работать за нас и против нас — и в будущем нам, клиентам, станет все труднее узнать, какие факты привели к тому или иному решению.

Выявление фальшивок и мошенничества является важной областью Искусственного Интеллекта. В основном, речь идет о выявлении и предсказании мошеннического поведения. Предыдущие системы выявления финансового мошенничества обычно использовали предопределенный контрольный список факторов риска, связанных в сложном наборе правил. Напротив, системы ИИ могут выявлять поведенческие аномалии заранее и отправлять уведомления менеджерам по рискам. Путем непрерывной подачи информации о том, верны ли прогнозы, основанные на ИИ, или нет, качество прогноза будет непрерывно улучшаться. Это означает, что доля ложноположительных результатов также снизится в долгосрочной перспективе. Это предсказанные риски, которые впоследствии оказались ошибочными (ср. Singh, 2018).

BKA (Немецкая федеральная криминальная полиция) в настоящее время обучает системы ИИ, чтобы они могли извлекать информацию о преступных действиях из больших — и в некоторых случаях утечек — баз данных. Документы, подлежащие обработке, настолько обширны, что даже сотням специалистов потребовалась бы вся их жизнь, чтобы прочитать все файлы. Приложения ИИ могут выполнять трудоемкие исследовательские задачи здесь (ср. Ulrich, 2018, с. 44).

В управлении активами используются так называемые робо-советники. Это алгоритмически основанная, автоматизированная система управления активами. Управление инвестиционным портфелем индивидуально адаптируется к индивидуальным целям и склонности к риску каждого инвестора. Deutsche Bank предлагает такие цифровые инвестиционные консультации под названием ROBIN (ср. Robin, 2019). Этот термин означает Robo-Invest и сочетает технологии ИИ со знаниями опытных портфельных менеджеров и продвинутого управления рисками. С помощью ROBIN инвестор сегодня может инвестировать в ETF (фонды, торгуемые на бирже). Это особая форма классических инвестиционных фондов, торгуемых на бирже

бирже. ROBIN делает доступной профессиональную систему управления активами для других участников рынка, которая ранее была доступна только состоятельным инвесторам. Для этой цели ROBIN берет на себя все необходимые инвестиционные решения и выполняет их автоматически. Панель инструментов предоставляет пользователю следующий обзор:

• Значение риска

• Начальные инвестиции

• Опциональные ежемесячные взносы

• Минимальные инвестиционные горизонты.

Кроме того, на диаграмме показан возможный состав портфеля в текущий момент времени. Сюда входят ликвидность, государственные облигации, корпоративные облигации, акции индустриально развитых стран и акции развивающихся рынков (ср. Singh, 2018).

С Wealthfront клиенту предлагается "финансовый со-пилот" как комплексное решение для финансовых инвестиций. Для этого предложение основано на пассивных инвестициях. Это означает, что заинтересованным инвесторам будет предложен глобально диверсифицированный портфель индексных фондов. Для максимизации отдачи от инвестиций цель состоит в минимизации понесенных комиссий. С другой стороны, предпринимается попытка снизить налоговую нагрузку с помощью стратегически ориентированной инвестиционной политики. В то же время портфель строится в соответствии с индивидуальными предпочтениями инвестора к риску. Если профиль риска определенных форм инвестиций меняется на рынке, это немедленно приводит к сдвигу в портфеле (ср. Wealthfront, 2019).

Робо-советники заявляют, что они не только автоматически и комфортно выравнивают инвестиции в активы, но и ориентируют их в соответствии с высочайшими научными и технологическими стандартами. Stiftung Warentest (Финансовый тест, немецкая потребительская организация) и портал сравнения Brokervergleich.de протестировали производительность различных систем и получили некоторые отрезвляющие результаты (ср. Kremer, 2018, с. 31; Motte, 2018, с. 35). Только долгосрочные исследования покажут, приведет ли Искусственный Интеллект к устойчивой производительности в динамичной рыночной среде при относительно низких затратах.

Еще одна интересная область применения Искусственного Интеллекта — высокочастотная торговля, также называемая автоматизированной или алгоритмической торговлей. В ее основе лежит автоматизированная покупка и продажа ценных бумаг с поддержкой алгоритмов. Сложные системы ИИ позволяют анализировать множество рыночных факторов в реальном времени и принимать инвестиционные решения за миллисекунды. Таким образом, можно использовать глобальные различия в ценах и знаниях для оптимизации инвестиций. Системы на основе ИИ позволяют выполнять сотни тысяч или миллионы транзакций в день. Оценивая полученные результаты, алгоритмы могут непрерывно совершенствоваться.

Здесь, как и во всех других областях применения Искусственного Интеллекта, качество принимаемых решений зависит от качества и надежности доступных данных. Если для инвестиционных решений или кредитного скоринга используются некорректные или устаревшие данные, могут возникнуть серьезные ошибки. Кроме того, из-за чувствительности обрабатываемых данных сама безопасность данных также должна быть наивысшим приоритетом (ср. Singh, 2018).

8.2 Творческий сектор

Если речь идет о творческом секторе отдельно, это не означает, что в вышеупомянутых областях не нужны творческие процессы. Этот раздел в основном касается художественных областей нашей жизни, через которые мы отличаем и определяем себя как людей.

Ящик памяти

Как обстоят дела сегодня, система ИИ фактически не способна быть "творческой" в человеческом смысле, создавая нечто беспрецедентное. Что может быть достигнуто, так это сопоставимые пересоздания в смысле высококачественных передач (ср. Hofstadter, 2018, с. N4).

Системы ИИ уже сегодня способны хорошо имитировать креативность, так что мы часто не можем воспринимать разницу между человеческой креативностью и творениями ИИ. Поддерживаемые ИИ "новые творения" основаны на очень специфической процедурной модели. Опять же, алгоритмы ИИ пытаются распознавать определенные закономерности путем оценки десятков, сотен или тысяч музыкальных композиций, изображений и/или текстов. Эти закономерности описывают то, что часто называют "почерком" художников, как специфический подход к сочинению, живописи или поэзии. Этот "почерк" может быть распознан алгоритмами и использован для создания "новых" произведений на его основе. У алгоритмов все еще есть связь с определенными закономерностями.

В разделе 4.2.5 уже описывалось, что системы ИИ могут самостоятельно писать тексты. Речь идет не о литературных достижениях, а скорее о предоставлении информации как можно быстрее. Уже есть различные приложения с поддержкой ИИ в кинопроизводстве. Было специально разработано приложение ИИ для написания нового сценария для продолжения популярного ситкома "Друзья" из 90-х. Для этого система была накормлена всеми старыми сериями, чтобы распознать закономерности и связать их с существующими сюжетными линиями (ср. The Daily Dot, 2016). Рукопись, написанная алгоритмом ИИ по имени Бенджамин, дает представление о дальнейших разработках. Семиминутный научно-фантастический фильм "Это не игра" с Дэвидом Хассельхоффом был создан с использованием системы ИИ. Система была наполнена данными из работ Аарона Соркина, Baywatch, Knight Rider и Уильяма Шекспира. Результат был опубликован в 2017 году на техническом портале Ars Technica, где его можно посмотреть: https://arstechnica. com/gaming/2017/04/an-ai-wrote-all-of-david-hasselhoffs-lines-in-this-demented short-film/.

В 2018 году Lexus снял рекламный ролик, поддерживаемый Искусственным Интеллектом. Короткометражный фильм Driven by Intuition рассказывает историю разработчика Lexus, который настраивает автомобиль перед краш-тестом. Сценарий для этого ролика был полностью разработан Искусственным Интеллектом. Система ИИ была обучена на рекламных кампаниях автомобильных и люксовых брендов за последние 15 лет, которые были отмечены на Каннских львах за свою креативную производительность. Таким образом, алгоритмы изучили, какой контент был особенно хорошо оценен и как интегрировать его в ролик. Кроме того, были использованы данные "эмоционального интеллекта" от видеосервиса Unruly. На основе этих данных система ИИ научилась комбинировать объекты и

локации, чтобы вызвать определенные эмоции у зрителей. Чтобы созданный ИИ ролик соответствовал корпоративному стилю Lexus, систему ИИ также научили соответствующим рамкам. Оценка аудио, текста и визуальных данных фильмов с Каннских львов была выполнена IBM Watson. На основе полученных инсайтов британский режиссер и обладатель "Оскара" Кевин Макдональд был нанят для съемок сценария. Результат можно посмотреть здесь: https://www.youtube.com/watch?v=-iaBJ5rqOdg.

Чтобы ответить на вопрос, почему система ИИ выбрала этот сценарий (ключевое слово Объяснимый Искусственный Интеллект), Lexus снял видео "за кадром", чтобы показать "мыслительные процессы" приложения ИИ. Выбор японского разработчика для телеролика должен был передать происхождение бренда Lexus. Кроме того, IBM Watson признал, что использование дронов в автороликах очень популярно, особенно когда ролики сняты в холмистой местности, и море видно одновременно. Здесь снова идеально видны основные характеристики Искусственного Интеллекта: распознавание закономерностей, ведущих к успеху (здесь награды Канн, ср. Rondinella, 2018). Фильм "за кадром" можно посмотреть здесь: https://www.youtube.com/watch?v= l91ehyqFca8 (ср. McKinsey, 2017 для дополнительной информации по этой теме).

Компьютерные игры — еще одна область применения Искусственного Интеллекта. Разработчики игр все больше полагаются на Искусственный Интеллект для поиска идеального противника для игрока-человека. Таким образом, для человека могут вырасти превосходящие противники. Так происходит в головоломке Portal 2; диалоги там озвучивает Glados — приложение ИИ. Такие приложения позволяют играм адаптироваться в процессе к соответствующему противнику-человеку: Поддерживаемые ИИ противники распознают типичные поведенческие паттерны и могут корректировать свои действия соответственно. Таким образом, они становятся все более сильными и гибкими противниками, которые при этом оправдывают ожидание достоверного поведения персонажей в игровом мире.

Это показывает то же самое развитие в игровой среде, что мы уже видели в шахматах, Jeopardy и Го. В 2017 году бот, управляемый компьютером, победил профессионального игрока в онлайн-стратегию Dota 2. Этот бот был разработан организацией Open AI, которая более подробно представлена в разделе 11.1. Компьютер тренировался в течение двух недель, играя против себя снова и снова. Количество полученных данных позволило выиграть игру против игрока-человека. Следующие игры сегодня систематически используют Искусственный Интеллект (ср. Scheuch, 2018):

• Thief—Dark Project

В этой игре противник ИИ реагирует на шумы, вызванные противником.

• Left for dead 2

В этой зомби-игре противники ИИ адаптируются индивидуально к соответствующему игроку и также способны самостоятельно решать проблемы.

• Far Cry и GTA

Искусственный Интеллект преуспел в создании независимого мира для жизни, в котором люди ведут себя очень реалистично.

• Страх

В этой игре-шутере от первого лица противники с поддержкой ИИ координируют свои действия, так что их действия кажутся очень аутентичными.

Ящик памяти

Такое развитие в направлении все более мощных противников, поддерживаемых ИИ, также должно быть ограничено — человеческими — пределами. Если даже профессиональные игроки больше не могут выиграть у противников, поддерживаемых ИИ, удовольствие от игры теряется.

Кроме того, игровая индустрия вносит ценный вклад в совершенствование пользовательского опыта в мире ИИ. Особенно важно, чтобы услуги могли быть не только представлены в цифровом виде, но и чтобы был создан онлайн-интерфейс, который мог бы использоваться интуитивно клиентами и приводил к релевантным сервисным предложениям. Это единственный способ добиться принятия в долгосрочной перспективе! Примером этого является подход стартапа Vitronity из Штутгарта (ср. Vitronity, 2019). Они поддерживают банки в настройке виртуального клиентского пути. Команда-основательница извлекает выгоду из своего игрового опыта для разработки новых бизнес-моделей на основе существующих приложений. Кроме того, в этот момент снова становится видна важная интеграция дальнейших технологий (здесь виртуальная и дополненная реальность) с Искусственным Интеллектом.

Американский сериал "Мир Дикого Запада" предлагает зрителям впечатляющую ментальную игру. Футуристический парк развлечений для взрослых был создан для использования человекоподобных роботов (так называемых хостов), чтобы преодолеть пределы законности и приключений, охоты, убийства и изнасилования человекоподобных роботов по своему желанию. Кроме того, в расписание включены ограбления банков и поиск золота. Использованное огнестрельное оружие было модифицировано таким образом, что хосты могут быть серьезно ранены и даже убиты; гости не получают серьезных травм. Очень вымышленный сюжет также предоставляет интересную информацию о том, как может выглядеть развитие систем чат-ботов в гуманоидных роботах (ср. Borcholte, 2018).

Литературные классики с поддержкой ИИ могут быть адаптированы таким образом, чтобы каждый читатель получил свою любимую версию — например, "Унесенных ветром". Возможно создание книг один к одному. Например, если читатель пожелает, чтобы профессор Дамблдор не умер в книге "Гарри Поттер и Принц-полукровка", приложение ИИ сможет написать такую версию в будущем. На уровне нехудожественной литературы путеводители могут быть гораздо более отзывчивыми, чем сегодня, на индивидуальную жизненную ситуацию человека. Вместо "путеводителя по любовным отношениям" мог бы быть, например, "путеводитель для недавно разведенной женщины после 11 лет брака, 36 лет, с ребенком семи лет, с домом в кредит на 135 000 долларов США в Нью-Йорке, работающей полный рабочий день в крупном банке". Для этого необходимо, чтобы будущий читатель — на платформе путеводителей — предоставил соответствующие данные. Тогда было бы интересно для процесса обучения системы ИИ узнать что-то о реализации рекомендаций и положительных и отрицательных результатах, вызванных ими, посредством ежеквартальных опросов, чтобы в дальнейшем улучшить свои советы.

Пища для размышлений

Мы должны задаться вопросом, может ли или должен ли Искусственный Интеллект стать мощным партнером креативной индустрии. Системы ИИ могут распознавать, какие сцены больше всего нравятся людям в фильмах, какую музыку больше всего ценят, и какие изображения нам нравятся. Результат — будь то любимый или презираемый — будет искусством по запросу.

В будущем мы, возможно, будем только говорить системе ИИ, сколько квадратных метров и комнат у нашего дома, сколько людей какого возраста и пола и какие у них хобби. Кроме того, мы сможем определить, сколько это может стоить, и будет создан готовый к реализации и точно рассчитанный креативный план для интерьера, ориентированный на эти входные данные. Необходимые произведения искусства и утилитарная мебель могут — если вам нравится — быть произведены на различных 3D-принтерах. Результат: индивидуализация в совершенстве!

В дополнение к созданию картин и произведений искусства Искусственный Интеллект также может использоваться для восстановления уничтоженных художественных ценностей и культурных объектов. Институт Фраунгофера по производственным системам и проектным технологиям в Берлине разработал программное обеспечение ePuzzler. Оно уже внесло важный вклад в производство читаемых файлов из примерно 600 миллионов фрагментов документов Штази (Министерства государственной безопасности), которые были уничтожены в последние дни режима ГДР (Германской Демократической Республики).

В более широком смысле, программы перевода, упомянутые в главе 1, также могут быть отнесены к творческому сектору. В конце концов, хороший переводчик должен не просто переводить слово в слово, а учитывать эстетику языка, мелодию языка и, при необходимости, значение второго и третьего семантического уровня. В то время как программа перевода DeepL, в частности, уже хорошо справляется (особенно с переводами с немецкого на английский), другие программы терпят неудачу с более сложными языками. Рисунок 8.2 показывает пример этого.

Ожидается, что переводы с поддержкой ИИ в будущем станут лучше и лучше как для письменного, так и для устного языка. Это требует, чтобы комплексные знания и контекст поступали в процесс перевода, если тексты должны переводиться не просто "слово в слово", но "точно по смыслу". Очень хорошие переводы включают много эмоциональных решений, если основное содержание должно быть полностью переведено на другой язык (ср. Hofstadter, 2018, с. N4).

Резюме

• Рынок финансовых услуг является особенно интересной областью для ИИ, потому что последствия правильных и неправильных решений часто могут быть определены очень быстро.

• Как и во многих других отраслях, Искусственный Интеллект может поддерживать автоматизацию рабочих процессов в ближайшем будущем. Это называется роботизированной автоматизацией процессов.

• Важной областью применения является кредитный скоринг для достижения более надежных результатов.

• Кроме того, системы ИИ могут использоваться для выявления фальшивок и мошенничества.

• Внедрение ИИ уже широко распространено в управлении активами. Робо-консультанты и робо-советники все чаще используются здесь.

• Еще одной интересной областью применения является высокочастотная торговля.

• Системы ИИ сегодня еще не способны быть независимо творческими. С "новыми творениями" с поддержкой ИИ алгоритмы по-прежнему основаны на распознанных закономерностях для их последующего комбинирования.

• С помощью этого подхода многие творческие процессы могут быть поддержаны Искусственным Интеллектом. Так происходит с фильмами, книгами, музыкой и картинами.

• Особо критичным является "новое творение" голосов, фото и видео. В будущем будет все труднее и труднее различать вымысел и правду из-за появления глубоких подделок, потому что подделки на основе ИИ почти невозможно будет распознать. Мы считаем, что это представляет серьезную угрозу демократиям.

• Системы перевода на основе ИИ скоро возьмут на себя многие классические задачи интерпретации — для текстов и разговорного языка.

Библиография

Amper Music. (2019). Amper music, AI music composer. https://www.ampermusic.com/. Доступ 27 апреля 2019.

BBC News. (2017). Fake Obama created using AI video tool. https://www.youtube.com/watch?v= AmUC4m6w1wo. Доступ 27 апреля 2019.

Bessant, C. (2018). Künstliche Intelligenz ist nicht besser als die menschliche. In Handelsblatt (с. 26f). Доступ 5 сентября 2018.

Borcholte, A. (2018). Regeln für den Übermenschenpark. http://www.spiegel.de/kultur/tv/westworld zweite-staffel-regeln-fuer-den-uebermenschenpark-a-1203614.html. Доступ 2 ноября 2018.

Brown, M. (2016). ‘New Rembrandt’ to be unveiled in Amsterdam. https://www.theguardian.com/ artanddesign/2016/apr/05/new-rembrandt-to-be-unveiled-in-amsterdam. Доступ 27 апреля 2019.

Chip. (2018). Deepfakes FakeApp. https://www.chip.de/downloads/Deepfakes-FakeApp_ 133452282.html. Доступ 19 ноября 2018.

Fraser, J. (2017). A primer on AI in financial services. https://medium.com/@jeffrey.fraser/primer on-ai-in-financial-services-686640bd0a61. Доступ 27 апреля 2019.

GiniMachine. (2019). Fighting bad loans with AI. https://ginimachine.com/. Доступ 10 апреля 2019.

Hauser, F. (2018). Ein bisschen kreativ? In Das Magazin zum Innovationstag 2018 (с. 16f).

Heuberger, S. (2018). Das erste KI-Musikalbum, das überzeugt. https://www.wired.de/collection/ life/das-erste-ki-musikalbum-das-ueberzeugt. Доступ 27 апреля 2019.

Hofstadter, D. R. (2018). Das letzte Refugium menschlicher Intelligenz. In Frankfurter Allgemeine Zeitung (с. N4). Доступ 27 июня 2018.

Jukedeck. (2019). Fuelling creativity using musical AI. https://www.jukedeck.com/. Доступ 27 апреля 2019.

Klemm, T. (2018). Hoppla, hier kommt Knoll. In Frankfurter Allgemeine Sonntagszeitung (с. 34). Доступ 2 декабря 2018.

Kremer, D. (2018). Soll man Robotern sein Geld anvertrauen. In Frankfurter Allgemeine Sonntagszeitung (с. 31). Доступ 8 июля 2018.

McKinsey. (2017). AI in storytelling: Machines as cocreators, Франкфурт.

Motte, de la L. (2018). Mehr Kontrolle gefordert. In Handelsblatt (с. 35). Доступ 18 июля 2018.

Prophoto. (2019). iPhone-App Prisma: Nett mit Nebenwirkungen. https://www.prophoto-online. de/foto-apps/prisma-10010255. Доступ 27 января 2019.

PWC. (2017). Artificial Intelligence and digital labor in financial services. https://www.pwc.com/ us/en/industries/financial-services/research-institute/top-issues/artificial-intelligence.html. Доступ 27 апреля 2019.

Robin. (2019). ROBIN, damit jeder wie ein Profi investieren kann. https://www.maxblue.de/robin/ startseite.html. Доступ 27 апреля 2019.

Rondinella, G. (2018). Das kommt dabei heraus, wenn eine KI einen Werbespot schreibt. https:// www.horizont.net/tech/auftritte-des-tages/lexus-das-kommt-dabei-heraus-wenn-eine-ki-einen werbespot-schreibt-171191. Доступ 27 апреля 2019.

Scheuch, L. (2018). Zocken auf schmalem Grat. In Bonner Generalanzeiger (с. 9). Доступ 14 ноября 2018.

Singh, M. (2017). Artistic style transfer with convolutional neural network. https://medium.com/ data-science-group-iitr/artistic-style-transfer-with-convolutional-neural-network-7ce2476039fd . Доступ 27 апреля 2019.

Singh, R. (2018). Wie KI und kognitive Systeme die Finanzbranche verändern – vom Asset Management bis zum Versicherer. https://www.it-finanzmagazin.de/ki-kognitive-technologien finanzbranche-veraendern-70110/. Доступ 26 апреля 2019.

TensorFlow. (2019). An open source machine learning framework for everyone. https://www. tensorflow.org/. Доступ 27 апреля 2019.

The Daily Dot. (2016). Computer learns ‘Friends’ personalities, pens all-new sitcom scripts. Доступ 27 апреля 2019.

Ulrich, A. (2018). Jagd nach Schattengeld. In Der Spiegel, 23/2018 (с. 44f).

Vitronity. (2019). Vitronity. http://vitronity.com/. Доступ 27 апреля 2019.

Volland, H. (2018). Die kreative Macht der Maschinen, Вайнхайм.

Voon, C. (2017). Humans prefer computer-generated paintings to those at Art Basel. https:// hyperallergic.com/391059/humans-prefer-computer-generated-paintings-to-those-at-art-basel. Доступ 27 апреля 2019.

Wealthfront. (2019). Own your finances, not the other way around. https://www.wealthfront.com/. Доступ 27 апреля 2019.

9 Области применения Искусственного Интеллекта — Сектор безопасности и военный сектор

Аннотация

В этой главе вы увидите, что распознавание лиц играет центральную роль во многих приложениях безопасности. В Китае оно даже используется для создания обширной системы социального кредитования для контроля всего населения. Предиктивная полиция пытается предвидеть преступления, чтобы избежать их или поймать виновных с поличным. Огромный "прогресс" с Искусственным Интеллектом достигнут и в военном секторе. Миллиарды долларов направляются на разработку систем ИИ. Наибольшие риски Искусственного Интеллекта связаны с различными формами боевых роботов, потому что они массово изменят "правила игры" в вооруженных конфликтах.

9.1 Сектор безопасности и социальный скоринг

Как уже стало ясно из обсужденных выше областей применения Искусственного Интеллекта, распознавание лиц имеет большое значение. Широкий спектр приложений также появляется в области безопасности. Китайская компания Face++ Cognitive Services разработала платформу, которая может использоваться для интеграции распознавания изображений в различные приложения. Простые и мощные API (интерфейсы для программистов приложений) и SDK (комплекты средств разработки программного обеспечения) делают соответствующую функциональность доступной для заинтересованных компаний. Для этого предлагаются как бесплатные, так и премиум-опции (последние в варианте "плати по мере использования"; ср. Face++, 2019).

Face++ позволяет использовать различные области применения для верификации личности. Можно проверить, присутствует ли пользователь фактически. Кроме того, можно проверить, является ли это живой пользователь. В приложении ему или ей предлагается выполнить определенные движения небольшим лицом в приложении. Типичный рабочий процесс с Face++ выглядит следующим образом (ср. Face++, 2019):

• Сбор данных — например, через SDK, мобильное/настольное устройство, приложение WeChat

• Обнаружение — проверка распознаванием речи, проверка чтением губ, проверка живости

• Сравнение лиц

• Результат — верификация прошла успешно/неудачно.

Пропускная способность программного обеспечения для распознавания лиц Face++ варьируется от авторизованных платежей до контроля доступа в здания и проверки легитимности водителя (ср. Face++, 2019; Knight, 2017). Все это уже возможно в Китае сегодня, потому что там нет (комплексных) правил, которые бы препятствовали соответствующему использованию данных.

Ящик памяти

Распознавание лиц не только обладает потенциалом для воплощения в жизнь новых сервисов, основанных на технологиях. Оно также может помочь предотвращать и раскрывать преступления.

Особо "захватывающая" связь между приложениями ИИ может быть найдена в Китае. Там в настоящее время внедряется система социального скоринга, с помощью которой китайское государство хотело бы полностью контролировать и оценивать всех своих "подданных". Основой для этого является "Planning Outline for the Construction of a Social Credit System (2014–2020)", который был принят Государственным советом Китайской Народной Республики в июне 2014 года. С 2017 года в Жунчэне с населением в один миллион человек действует пилотный проект. Система должна быть внедрена для всех китайских граждан к 2020 году. Основные моменты сосредоточены на следующем (ср. Böge, 2018, с. 3; DDV, 2018; Kreutzer, 2018):

• Искренность в государственных делах (соответствующее политическое поведение)

• Коммерческая честность/кредитоспособность

• Социальная честность

• Судебная честность.

Для этого используются все релевантные источники данных в Китае. Сначала это включает видеонаблюдение в городах, которое массово расширяется с почти 200 миллионов до 570 миллионов камер. Это будет больше, чем одна камера на каждые три гражданина. Массовое использование камер в общественных местах — в сочетании с мощным распознаванием лиц — позволяет выявлять законное поведение в общественных местах в реальном времени. Любой, кто переходит улицу на красный свет, идентифицируется распознаванием лиц — и иногда немедленно "доносится" на цифровом экране с фотографией, именем и другой информацией. Эта видимость в общественном пространстве остается до оплаты штрафа.

Кроме того, китайское государство получает доступ к информации WeChat, генерируемой более чем миллиардом пользователей ежедневно. Дальнейшее использование онлайн (покупки, поиск, деятельность в социальных сетях) также оценивается. Это включает использование китайской поисковой системы Baidu или покупок на Alibaba или JD.com. Компании в Китае также поддерживают развитие системы, передавая персональные данные о своих сотрудниках. Чтобы справиться с этими объемами данных, суперкомпьютеры используются по крайней мере в пяти крупнейших городах Китая для оценки, помимо прочего, распознавания лиц в реальном времени с камер видеонаблюдения, а также с камер банкоматов и смартфонов в единой системе (ср. Sensetime, 2018).

Концепция основана на процедуре оценки и функционирует аналогично обычной оценке кредитоспособности — но в Китае, благодаря гигантским объемам данных, используются алгоритмы ИИ для оценки. Основной принцип работает следующим образом:

• Каждый гражданин начинает с кредита в 1000 баллов.

• Дополнительные баллы начисляются тем, кто проявляет милосердие, хорошо выполняет свою работу и социально активен. Это также включает соответствующий уход за родителями. Покупка здоровой пищи и посещение музеев генерируют дополнительные баллы.

• Лицо, нарушающее закон, участвующее в драках или вызывающее жалобы от клиентов, терпит вычет баллов. Критические комментарии о действиях правительства и использование порнографических сайтов также приводят к вычету баллов.

Тот, кто достиг высокого балла, получает следующие услуги:

• Доступ к банковским кредитам

• Возможность покупать национальные и международные билеты на поезда и самолеты

• Доступ к привлекательным рабочим местам (включая продвижение)

• Доступ к привлекательному жилью и зданиям

• Приоритетное поступление в хорошие школы (также для детей заинтересованного лица)

• Более простой поиск партнера (например, на платформе знакомств Baihe).

Если у вас низкий балл, вы почувствуете всю суровость политической системы:

• Сокращение финансовой помощи

• Запрет на управленческие/руководящие должности до потери работы

• Трудности с поиском жилья для аренды или покупки

• Отказ в выдаче виз

• Отсутствие доступа к национальным и международным билетам на поезда и самолеты

• Отсутствие доступа к хорошим школам и университетам (даже для собственных детей)

• Снижение доступной скорости Интернета

• Исключение из государственных тендеров

• Возможно, даже более высокие налоги.

Пища для размышлений

Можно быть циничным: система социального кредитования в Китае — это геймификация на высшем уровне!

Однако, это не игра, это горькая реальность!

Это также включает тот факт, что китайская система социального скоринга значительно более прозрачна, чем наша система кредитного скоринга. С помощью приложения Credit-Sesame-App каждый может отслеживать свой кредитный рейтинг. Органы власти, туроператоры, работодатели, квартирные и прокатные компании, а также платформы знакомств могут получить доступ к этим данным.

Цели китайского правительства можно описать несколькими словами. Они хотят вознаградить хорошее поведение граждан и поощрить их избегать неприятностей. Теперь каждый гражданин имеет в своих руках возможность формировать свой собственный статус позитивно. Тема текущих тестов — это как будет происходить дальнейшее развитие. Однако уже ясно, что система должна стать полной, чтобы обеспечить "социально приемлемое поведение" во всем китайском обществе! Интересно также, с какой невозмутимостью китайские граждане смотрят в будущее. Возможно, эта невозмутимость уже является результатом страха негативных баллов за критические комментарии.

Отсутствие критики социального скоринга — особенно со стороны комментаторов из-за пределов Китая. Первый интересный вопрос: Какова основа для плюсов и минусов? Решение принимается небольшой группой людей — с прямыми и косвенными последствиями для миллионов. Нужно задуматься, на какой ценностной основе работают алгоритмы, используемые в приложениях ИИ. В целом, существует огромная наложенная государством обязанность соответствовать, что противоречит разнообразию, продвигаемому в (большинстве) западных демократий. Таким образом, старая китайская пословица приобретает новую актуальность: Гвоздь, который торчит, забивается. Потому что теперь каждый китаец находится в сдерживающих рамках государства и "вознаграждается" только в том случае, если он следует своим соответствующим нормам — как бы значимы они ни были в глазах индивидуума! Мы даже не хотим представлять, если бы такая всеобъемлющая система скрининга населения была бы взломана.

Уже сегодня программное обеспечение для распознавания лиц используется для фиксации преступлений в реальном времени и поиска преступников в реальном времени. Уровень преступности в Шанхае, где видеонаблюдение в общественных местах уже очень развито, значительно снизился. Рисунок 9.1 показывает пример того, какие знания могут быть получены с помощью профилей движения. Нет пределов тому, сколько еще областей применения Китай может открыть с помощью анализа миллионов профилей лиц в реальном времени.

Пища для размышлений

Даже если мы, конечно, не хотим видеть такого же мониторинга всей нашей жизни в нашей стране, Китай и (государственные) компании, работающие там, имеют пул данных, который действительно стоит своего веса в золоте для развития Искусственного Интеллекта!

Мы встретимся с достигнутыми результатами рано или поздно на мировом рынке — нравится нам это или нет!

В западных странах Искусственный Интеллект также используется в области безопасности. Ярким примером этого является предиктивная полиция или предиктивная аналитика для работы полиции. Использование алгоритмов в экспертных системах призвано предсказывать, когда и где с наибольшей вероятностью произойдет тот или иной вид преступления (ср. рис. 9.2).

В ходе предиктивной полиции данные о прошлых преступлениях оцениваются, потому что преступники часто следуют предсказуемым закономерностям в своих действиях. Они связаны с местом и временем преступления, характером преступления и маршрутами, используемыми для достижения места происшествия. Именно поэтому это также называется теорией близкого повторения. Это означает, что взломщики

Рисунок 9.1 Результаты анализа профилей движения с помощью Sensetime (Рисунок авторов)

часто возвращаются на ранее пострадавшую территорию через короткое время и снова наносят удар. Кроме того, полиция часто применяет подход рационального выбора. Предполагается, что преступник проводит расчет затрат и выгод перед совершением преступления и задает себе следующие вопросы (ср. Diehl & Kartheuser, 2018):

Рисунок 9.2 Функциональность предиктивной полиции. Источник: Адаптировано из Diehl и Kartheuser (2018)

• Сколько полицейских находятся в данном районе в данное время?

• Каков мой риск быть пойманным?

• Сколько я могу получить прибыли?

Основываясь на этих ответах, полиция может все чаще патрулировать выявленные места в предсказанный период времени. Это может либо служить средством сдерживания, либо ловить преступников на месте. Предстоит увидеть, в какой степени такие концепции повлияют на уровень преступности.

9.2 Военный сектор

Просто для полноты картины, здесь краткий обзор использования Искусственного Интеллекта в оружейных технологиях. Такие страны, как Китай, Великобритания, Израиль, Россия, Южная Корея и США, инвестируют миллиарды в эту область, чтобы сделать технологии ИИ пригодными для использования в своих военных целях. Если от Искусственного Интеллекта следует ожидать серьезных угроз для человечества, то это, скорее всего, произойдет именно в этой области. Использование Искусственного Интеллекта в военной области можно наблюдать в следующих формах, которые не могут быть представлены без пересечений:

• Летающие дроны

Эти дроны могут использоваться для автоматизированного анализа данных и изображений. Большой объем данных может обрабатываться в реальном времени и использоваться для поддержки принятия решений. Если дрон принимает независимые решения об атаках, он становится боевым роботом. Особый риск связан с так называемыми микро-дронами. Они могут атаковать заранее определенные цели в роях дронов, сконфигурированных как боевые роботы. Дроны автономно координируют себя — и могут быть едва ли побеждены классическими системами противовоздушной обороны. Если они оснащены программным обеспечением для распознавания лиц, можно легко представить себе эффект.

• Беспилотные подводные лодки

Подводные дроны представляют особую опасность для "равновесия ужаса" в отношении подводных флотов великих военных держав. Классические подводные флоты могут быть шпионены более дешевыми автономными подводными лодками, так что флоты теряют свой сдерживающий эффект. С соответствующим вооружением подводные дроны также становятся боевыми роботами, когда решение об использовании оружия принимается автономно и никто не участвует в цепочке принятия решений.

• Боевые роботы (также летальные автономные системы вооружения)

С одной стороны, это постоянно установленные системы, которые действуют автономно для отражения атак. Сегодня они уже используются для защиты военных и гражданских объектов (например, дамб, ядерных объектов), границ (например, между Южной и Северной Кореей) и на военных кораблях. С другой стороны, боевые роботы — как уже показано — также используются мобильно в виде летающих и погружающихся дронов. Кроме того, такие боевые роботы могут передвигаться по земле, используя колеса, гусеницы или ноги.

• (Частично) автономные помощники

Такие помощники используются для обезвреживания мин и бомб. Они также могут помочь эвакуировать раненых из зон боевых действий, доставлять припасы или исследовать пещеры. Развитие таких (частично) автономных помощников получило мощный импульс после ядерной катастрофы в Фукусиме в 2011 году. Территория до сих пор сильно загрязнена и недоступна для людей во многих местах. Поэтому определенные задачи по очистке по-прежнему могут выполняться только роботами. Однако радиация не безвредна и для роботов. Таким образом, и линза камеры, и память для чтения-записи могут быть повреждены радиацией. Прочные и, прежде всего, долговечные роботы, необходимые для этой операции для движения по обломкам, изначально не были доступны в Японии. Напротив, США — также под влиянием опасных операций в Афганистане и Ираке — уже инвестировали много миллионов долларов США в развитие таких роботов (ср. Pluta, 2011).

Вот несколько примеров таких роботов. Наземный робот Hector (Гетерогенная кооперативная команда роботов) передвигается на гусеницах и оснащен захватной рукой, камерой 360 градусов и лазерным сканером. Он движется полуавтономно даже по пересеченной местности и может создавать 3D-модели зоны операции (ср. Hector, 2019). Робот Centauro может использовать различные инструменты своими человекоподобными руками. Для этого он управляется с безопасного расстояния человеком в полном костюме, так называемом экзоскелете (ср. раздел 2.5). Движения, выполняемые людьми, воспроизводятся один к одному роботом в реальном времени. Этот робот также оснащен мощным компьютером, камерами и 3D-сканерами (ср. Centauro, 2019).

Глобальная гонка вооружений ускоряется продвижением Искусственного Интеллекта. Это скорее скрыто, потому что "обычным подозреваемым" не нравится, когда их заглядывают в карты (ср. von Hammerstein & Rosenbach, 2018; Herbermann, 2018; Scharre, 2018). С пропагандистской точки зрения, преимущества использования ИИ для вооружений очень убедительны:

• Оружейные системы с поддержкой ИИ могут оценивать большие объемы данных в реальном времени, идентифицировать и приоритизировать цели и, при необходимости, атаковать автономно.

• В сочетании с распознаванием лиц атаки могут быть связаны с конкретным человеком.

• Благодаря использованию автономного оружия человеческие потери могут быть сокращены со стороны нападающих и, при необходимости, благодаря более целенаправленным действиям также со стороны атакованных.

• Системы принятия решений на основе ИИ независимы от усталости, эмоциональной чувствительности и внимания человеческих операторов.

Пища для размышлений

Все более убедительное взаимодействие Искусственного Интеллекта и робототехники приведет к появлению все более сложных боевых машин. Интересный вопрос: Если дорожное движение может быть сделано безопаснее от человеческого неправомерного поведения благодаря автономному вождению, может ли использование автономных систем вооружения сделать войны — семантическое противоречие — более гуманными?

Серьезные риски, связанные с использованием ИИ в военной технике, также серьезны:

• Центральный вопрос: могут ли принципы принятия решений международного права и основных прав человека быть "твердо" запрограммированы в боевых роботах. Это включает обязательную защиту гражданских лиц и раненых солдат в соответствии с международным правом. Будет ли распознавание изображений настолько хорошим, чтобы правильно распознавать этих специально защищенных лиц в боевых операциях?

• Автономные системы вооружения могут действовать без человеческого влияния и, следовательно, без человеческого контроля, а также принимать ошибочные решения (так же, как люди). Возникает вопрос, какие параметры решений и/или этические принципы запрограммированы в роботов — и могут ли они развиваться независимо путем машинного обучения (в любом направлении).

• Как и в невоенных приложениях, алгоритмами также можно манипулировать (часто трудно понять). В худшем случае эти манипуляции обнаруживаются только после атак, основанных на них.

• Автономное использование особенно критично, если при реальном использовании учитываются другие данные, чем при обучении. Здесь невозможно предвидеть, как Искусственный Интеллект отреагирует автономно.

• Дегуманизация военных конфликтов может снизить порог торможения для таких действий, потому что политикам больше не нужно оправдывать человеческие потери на своей стороне во время боев перед своими избирателями.

• Использование роботов-убийц может привести к бесконечным войнам, потому что технические системы не устают.

• Особенно опасно, когда политическое или военное руководство теряет контроль над автономными системами вооружения и делает их "независимыми" — с непредсказуемыми последствиями.

• Также нерешен вопрос о том, как должны преследоваться военные преступления, если они совершены автономными системами вооружения.

• Легко развертываемые системы вооружения на основе ИИ могут причинить разрушительный ущерб в руках террористических организаций.

Совет по художественному чтению

Этическая дилемма использования дронов в военных целях очень хорошо показана в триллере "Око в небе".

Чтобы установить границы критических разработок, почти 4000 ученых, инженеров и компаний, занимающихся Искусственным Интеллектом, документально зафиксировали, что они не "участвуют в разработке, производстве, торговле и использовании смертоносного автономного оружия". Это может помочь отличить приемлемые и неприемлемые области применения ИИ (ср. von Hammerstein & Rosenbach, 2018, с. 35).

Но убедительного глобального решения нет. С одной стороны, 26 стран требуют запрета на роботов-убийц ("Кампания за остановку роботов-убийц"). Но пока такие государства, как Израиль, Россия и США, против этого, гонка вооружений с ИИ будет продолжаться. И не на благо человечества.

Резюме

• Распознавание лиц играет центральную роль в различных приложениях безопасности.

• В Китае система социального кредитования позволяет нам наглядно увидеть возможности, которые распознавание лиц создает в сочетании с анализом больших данных, основанным на ИИ.

• Предиктивная полиция пытается предвидеть преступления, чтобы избежать их или поймать виновных с поличным.

• Сегодня миллиарды долларов направляются на разработку систем ИИ для военных целей.

• Эти разработки происходят в основном в тайне и почти не поддаются контролю.

• Наибольшие риски Искусственного Интеллекта связаны с различными формами боевых роботов, потому что они массово изменят "правила игры" в вооруженных конфликтах.

Библиография

Böge, F. (2018). Denk an dein Rating! In Frankfurter Allgemeine Sonntagszeitung (с. 3). 30 сентября 2018.

Centauro. (2019). H2020 Project CENTAURO. https://www.centauro-project.eu/. Доступ 17 марта 2019.

DDV. (2018). Die Quintessenz: Social Scoring, Висбаден.

Diehl, J., & Kartheuser, B. (2018). Predictive Policing: Ich weiß, was du heute tun wirst. http:// www.spiegel.de/panorama/justiz/kriminalitaet-in-deutschland-polizei-setzt-auf-computer vorhersagen-a-1188350.html. Доступ 28 марта 2019.

Face++. (2019). FaceID. The world’s leading face-based identity verification service. https://www. faceplusplus.com/faceid-solution/. Доступ 27 марта 2019.

Hector. (2019). Team Hector. http://www.teamhector.de/. Доступ 27 апреля 2019.

Herbermann, J. D. (2018). Die Krieger der Zukunft. In Bonner Generalanzeiger (с. 5). 21 августа 2018.

Knight, W. (2017). Paying with Your Face—Face-detecting systems in China now authorize payments, provide access to facilities, and track down criminals. Will other countries follow? In MIT Technology Review. https://www.technologyreview.com/s/603494/10-breakthrough technologies-2017-paying-with-your-face/#comments. Доступ 27 марта 2019.

Kreutzer, R. (2018). Herausforderung China: Manager wendet den Blick (verstärkt) nach Osten— nicht (mehr allein) nach Westen! In Der Betriebswirt, 3, с. 10–16, и 4/2018, Гернсбах.

Pluta, W. (2011). Roboter in Fukushima: “Wir waren besser vorbereitet”. https:// www.handelsblatt.com/technik/forschung-innovation/roboter-in-fukushima-wir-waren-besser vorbereitet/4585192-all.html. Доступ 27 марта 2019.

Scharre, P. (2018). Army of none—Автономное оружие и будущее войны, Нью-Йорк.

Sensetime. (2018). SenseTime AI—Powering Future, Präsentation, Пекин, 11 января 2018.

von Hammerstein, K., & Rosenbach, M. (2018). Killer ohne Seele. In Der Spiegel (с. 34–38). 11 августа 2018.

10 Задача ИИ — Как Искусственный Интеллект может быть закреплен в компании

Аннотация

В этой главе вы увидите, что модель 3 горизонтов предоставляет вам важный инструмент для проверки текущего состояния использования ИИ в вашей компании. Основываясь на этом, вы можете сформулировать конкретные задачи для инициации деятельности на уровнях горизонтов 2 и 3 для выявления стратегического потенциала Искусственного Интеллекта для вашей компании. Представленная карта зрелости ИИ предоставляет вам очень полезный инструмент для анализа вашей зрелости ИИ. Помимо основ ИИ, вы также фокусируетесь на областях применения Искусственного Интеллекта в вашей компании. Результаты карты зрелости ИИ являются отправной точкой для вашего пути ИИ. Вы найдете ориентиры, четкие руководства и полезные инструменты для разработки пути ИИ для вашей компании. Вы увидите, что необходимо для успешного решения задачи.

10.1 Модель 3 горизонтов как основа для ориентации

Примеры применения ИИ, обсуждавшиеся ранее, демонстрируют огромный потенциал стратегического развития во всех отраслях. Здесь — на ограниченное время — открывается захватывающее стратегическое окно возможностей для использования новых рыночных возможностей. Его следует использовать, если вы, как уже существующий поставщик, не хотите быть подавлены новичками в ИИ. Цель состоит в систематической проверке актуальности внутренних областей действия ИИ. Для этого крайне важно, чтобы вы осознавали последствия соответствующих изменений.

Для этого вы можете использовать модель 3 горизонтов (ср. рис. 10.1; Baghai, Coley, & White, 2000, с. 5–17; Blank, 2015; Kreutzer, Neugebauer, & Pattloch, 2017, с. 77f.; Kreutzer, 2019, с. 78–85). Комплексная интеграция ИИ в продукты, услуги, процессы и, возможно, целые бизнес-модели требует, с одной стороны, стратегических изменений в высшем руководстве. С другой стороны, необходимы всеобъемлющие знания об ИИ в организации. Кроме того, необходимо создать определенные рамки для достижения успеха с помощью Искусственного Интеллекта. Используя

Рисунок 10.1 Базовая концепция модели 3 горизонтов. Источник: Адаптировано из Baghai et al., (2000, с. 5) и Blank (2015)

Рисунок 10.2 Модель 3 горизонтов для стратегического анализа интеграции ИИ (Рисунок авторов)

модель 3 горизонтов, вы можете проверить степень интеграции деятельности ИИ в вашу компанию — или нет.

Соответствующее содержание бизнес-моделей, расположенных на разных горизонтах, следующее (ср. рис. 10.2):

• Бизнес-модели горизонта 1

Бизнес-модели горизонта 1 описывают текущее состояние компании. Существующая бизнес-модель отображается и выполняется. Основное внимание уделяется генерируемой выручке и денежным потокам. Наконец, они также являются предпосылкой для финансирования инновационной деятельности, связанной с ИИ. Этот основной бизнес должен быть расширен и/или защищен на уровне горизонта 1 при необходимости. В этих (часто зрелых) бизнес-моделях,

инкрементальные улучшения процессов, продуктов и/или услуг должны осуществляться путем избирательной интеграции Искусственного Интеллекта для поддержки роста существующей бизнес-модели и обеспечения ее рентабельности.

• Бизнес-модели горизонта 2

Уровень горизонта 2 исследует, какие инновации в бизнес-моделях могут поддерживать деятельность на уровне горизонта 1. Новые инициативы в бизнес-моделях, возникающие из этого процесса, часто строятся на основе существенных инвестиций. Эти бизнес-модели уже могут генерировать первоначальную прибыль, хотя их бизнес-пик часто не будет достигнут в течение следующих четырех-пяти лет. Здесь может быть принято решение об использовании ИИ, выходящем за рамки инкрементальных оптимизаций.

• Бизнес-модели горизонта 3

Бизнес-модели горизонта 3 являются высокоинновационными (часто также прорывными) и представляют собой подходы к совершенно новой бизнес-логике, которая становится возможной только благодаря концепциям ИИ. Они включают предиктивное техническое обслуживание, предиктивную полицию и использование виртуальных персональных помощников). Для разработки таких бизнес-моделей необходим углубленный анализ индивидуальных возможностей компании или групп клиентов (ср. Kreutzer, 2019). Этот анализ выходит далеко за рамки повседневной деятельности. На уровне горизонта 3 исследуются стратегические варианты прорывных изменений, а идеи трансформируются в конкретные модели; Искусственный Интеллект здесь играет особую роль.

Модель 3 горизонтов показывает различные диапазоны инноваций в бизнес-моделях. Бизнес-модели горизонта 1 представляют собой существующую бизнес-логику, выполнение которой является основным направлением деятельности существующей организации и для которой особенно актуальны инкрементальные оптимизации. Это может быть улучшение обслуживания клиентов за счет расширенного использования ИИ в сервисном центре. Или внедрение маркетинговой автоматизации с поддержкой ИИ в систему CRM для ускорения и индивидуализации обслуживания клиентов компании электронной коммерции. На этом горизонте уровень инноваций остается относительно низким. На этом горизонте вы улучшаете только части существующей бизнес-модели. Таким образом, вы можете обеспечить и/или расширить существующие конкурентные преимущества. Кроме того, вам нужно проанализировать, работает ли ваша компания одновременно над бизнес-моделями горизонта 2 и горизонтом 3. Акцент делается на одновременности!

Ящик памяти

Модель 3 горизонтов обращает ваше внимание на особую стратегическую задачу. В то время как повседневные дела обрабатываются на уровне горизонта 1, ваша компания должна быть активна на уровнях горизонтов 2 и 3 параллельно, чтобы успешно формировать будущее.

Поэтому в управленческом языке прижился термин амбидекстрия. Речь идет просто о том, чтобы осваивать повседневный бизнес сегодня и не терять из виду будущее на горизонтах 2 и 3. Повседневные дела — это эксплуатация в смысле использования потенциала, который уже обработан. Горизонты 2 и 3 фокусируются на исследовании в смысле изучения новых бизнес-

области. В конце концов, цифровая эпоха ведет к все более быстрому появлению и исчезновению бизнес-моделей. Искусственный Интеллект является дополнительным ускорителем для этой цели.

Резюме

• Модель 3 горизонтов предоставляет вам важный инструмент для проверки текущего состояния использования ИИ в вашей компании.

• Вы также можете формулировать конкретные задачи для инициации деятельности на уровнях горизонтов 2 и 3, чтобы выявить стратегический потенциал Искусственного Интеллекта для вашей компании как можно раньше.

• Если вы не дадите импульс для пути ИИ вовремя, вам не придется покидать рынок сегодня и завтра, но во многих отраслях вам наверняка придется покинуть его послезавтра.

10.2 Оценка зрелости ИИ в вашей компании

Отправная точка любой стратегии ИИ — это четкое определение местоположения, даже если результаты не вызывают энтузиазма. Для этой цели используется карта зрелости ИИ, показанная на рис. 10.3. Проводится различие между основами ИИ и областями применения ИИ. Основы ИИ должны быть проанализированы для всех компаний по четырем упомянутым измерениям. Соответствующие области применения ИИ должны быть определены в соответствии с предприятием. Эти области — в данном случае — могут включать области обслуживания клиентов, маркетинга/продаж, предоставления услуг и производства. В зависимости от фокуса компании, это может также включать сектор технического обслуживания, человеческие ресурсы или другие области. Перед использованием карты зрелости ИИ следует проверить, отражает ли она уже области применения, важные для вас. При необходимости вы можете добавить новые области или удалить существующие.

Ящик памяти

Важно проверить каждую связь в вашей цепочке создания стоимости, чтобы увидеть, может ли использование Искусственного Интеллекта сократить затраты и/или генерировать дополнительную ценность для клиентов, поставщиков и/или самой компании.

Содержание отдельных областей карты зрелости ИИ приведено ниже. Используя карту зрелости ИИ, вы определите степень, в которой описанное содержание уже существует в вашей компании (основы ИИ) или используется (приложения ИИ). В ходе анализа вы можете назначить значения от 0% (недоступно, не определено, не внедрено) до 100% (полностью доступно, полностью внедрено, используется в повседневной деятельности).

Анализ наличия основ ИИ

• Цели ИИ/стратегия ИИ

В начале вы проверяете, сформулированы ли жизнеспособные цели для использования Искусственного Интеллекта в вашей компании в отношении содержания, объема и временной и пространственной привязки. Без соответствующей формулировки целей деятельность не может быть успешно согласована. Поэтому проверьте, в какой степени стратегия ИИ уже существует. Здесь можно определить, стали ли данные и их использование драйверами успеха в вашей отрасли — и если это уже отражено в ваших целях и стратегиях.

• Бюджет ИИ

На следующем этапе вы определяете, был ли выделен бюджет на разработку и использование Искусственного Интеллекта. Сумма бюджета — например, по сравнению с бюджетом на исследования и разработки или с оборотом и прибылью — говорит о том, является ли это "событием для мыши" в смысле инвестиции для галочки или стратегической инвестиции в будущие проекты.

• Сотрудники ИИ

Здесь вы можете узнать, есть ли у вас уже специалисты по ИИ (например, специалисты по данным, специалисты по ML) в штате вашей компании или вам приходится полагаться только на внешнюю поддержку. Вы оцениваете, насколько устойчивы собственные компетенции. Кроме того, вы анализируете, на каком иерархическом уровне и с какими задачами, компетенциями и обязанностями люди отвечают за задачи ИИ.

• Системы ИИ

Системы ИИ — это платформы машинного обучения, которые служат основой для собственных разработок. Системы, такие как Lucy или Albert, описанные в разделе 4.2.1, также могут использоваться для этой цели. Приложения, такие как Amazon Rekognition в разделе 4.2.6, которые могут быть интегрированы в ваши собственные приложения с использованием API, также являются частью описанного здесь ландшафта систем ИИ. Следует также проверить, используются ли базовые системы ИИ, предлагаемые платформами ИИ Amazon SageMaker (2019) и Microsoft Azure (2019). В дополнение к доступу к таким системам, вы

определить, какие потоки данных доступны для обработки в приложениях ИИ. Это малые данные из вашей собственной компании или большие данные, которые могут включать много других источников данных?

На этом этапе анализа карты зрелости ИИ также возникает вопрос о том, в какой степени существующие системы ИИ служат поддержке принятия решений или принимают независимые решения (без человеческого контроля). В худшем случае ваша компания полностью лишена таких систем — и у компании большое количество хранилищ данных и процессов.

Вы можете различать следующие значения для основ ИИ при оценке:

• 0–20%: Отсутствует

• 20–40%: Точечно

• 40–60%: В отдельных областях имеется — но все еще не связано

• 60–80%: Доступно во многих областях — частично связано

• 80–100%: Полностью связано по содержанию и структурно закреплено внутри компании.

Анализ наличия приложений ИИ

• Обслуживание клиентов

В этой области вы определяете — на основе определенных целей ИИ — поддерживаются ли значительные области обслуживания клиентов уже приложениями ИИ. Если все релевантные области применения поддерживаются решениями ИИ, вы можете назначить здесь 100%.

• Маркетинг/продажи

В маркетинге/продажах возникает вопрос, выявляются ли высокие потенциалы приложениями ИИ для сокращения потерь при привлечении. В ходе обслуживания клиентов решения ИИ могут поддерживать разработку следующих коммуникативных импульсов и переносить их в маркетинговую автоматизацию. Для этой цели можно проверить данные, связанные с клиентами, чтобы увидеть, могут ли быть выявлены определенные закономерности, указывающие на потенциал продаж (области применения предиктивной аналитики).

• Предоставление услуг

В этой области вы определяете степень, в которой услуги уже поддерживаются системами ИИ (например, распознавание лиц) или предоставляются независимо (например, цифровыми персональными помощниками или гуманоидными роботами).

• Производство

Здесь вы проверяете, в какой степени производство уже поддерживается решениями ИИ. Задачи варьируются от закупок, поддерживаемых ИИ, до планирования производства с оптимизированным контролем ресурсов с помощью ИИ, предиктивного технического обслуживания и оптимизированной передачи данных в дальнейшую логистическую цепочку с помощью ИИ. Если производство имеет большое значение в вашей компании, могут быть добавлены дополнительные оси к карте зрелости ИИ для анализа дальнейших производственных этапов.

Вы можете присвоить следующие значения областям применения ИИ при анализе:

• 0–20%: Нет использования или минимальные начала

• 20–40%: Рудиментарное внедрение

• 40–60%: Поддержка ИИ доступна

• 60–80%: Решения ИИ реализуются согласно оценке человеком

• 80–100%: Решения ИИ реализуются автоматически.

На стратегическом совещании или на основе опроса представителей соответствующей компании вы можете определить, как оценивается зрелость ИИ с самооценки (самооценка, внутренний образ). Для этого важно, чтобы респонденты осознавали, что это честная оценка. Обманывать себя — не правильный путь к решению этой важной задачи. Кроме того, очень полезно — а возможно, и очень болезненно — дополнить свой собственный образ образом других (внешний образ). Для этого можно использовать внешних консультантов для поддержки (сравнительного) определения зрелости ИИ. Именно "внешний" взгляд расширяет горизонты и помогает увидеть за пределами собственной компании и отрасли задачи, о которых вы не знаете.

Это также включает проведение анализа зрелости ИИ ваших наиболее важных конкурентов. Опять же, важно не ориентироваться только на ранее действовавшие отраслевые границы. Искусственный Интеллект, в частности, приведет к тому, что границы отраслей станут еще менее важными и размытыми. Новые конкуренты часто появляются не из своей отрасли, а являются творческими стартапами, которые просто пробуют что-то новое.

Результат анализа зрелости ИИ в идеале показывает, что ваша компания уже достигла лидерства в области ИИ. Или становится ясно, что сегодня ваша компания отстает. В любом случае, ответственные менеджеры должны теперь начать путь ИИ, чтобы энергично продвигать внедрение ИИ.

Резюме

• Использование карты зрелости ИИ для анализа вашей зрелости ИИ — это незаменимый первый шаг в разработке ИИ.

• Здесь вы можете систематически определить, создали ли вы уже основы для успешного использования Искусственного Интеллекта в вашей компании.

• Кроме того, вы можете распознать, в каких областях применения уже внедрен Искусственный Интеллект.

• На основе результатов карты зрелости ИИ, начните свой путь ИИ.

242 10 Задача ИИ — Как Искусственный Интеллект может быть закреплен в компании

10.3 Развитие пути ИИ в собственной компании

Искусственный Интеллект имеет потенциал фундаментально изменить общество и экономику. Тем не менее, существует большая неопределенность относительно того, как и, прежде всего, как быстро эта технология будет развиваться. Вам не следует придерживаться выжидательного подхода в своем бизнесе. Это может привести — не в ближайшие два-три года, но позже — к серьезным конкурентным недостаткам. Вам лучше начать путь ИИ уже сегодня, чтобы постепенно увеличить потенциал ИИ для вашей компании. Цель состоит в том, чтобы более глубоко проанализировать возможности и риски этой технологии для вашей компании и отрасли.

С этой целью вы должны ускорить свой путь ИИ — подкрепленный результатами карты зрелости ИИ — если вы еще не запустили его комплексно. Для успешной интеграции ИИ в вашу компанию необходимо создать следующие предпосылки:

• Создание собственных компетенций в области ИИ путем приобретения новых, а также обучения существующих сотрудников и/или доступа к внешним ресурсам ИИ.

• Определение целевого коридора для использования ИИ, например, оптимизация процессов, разработка продуктов и услуг или открытие новых бизнес-областей, для содействия устойчивому развитию компании.

• Создание собственной экосистемы данных путем создания сбалансированной и крупной базы данных для обучения алгоритмов или доступа к внешней экосистеме данных или участия в ней.

• Разработка мощных алгоритмов для конкретных вариантов использования

• Подготовка к управлению изменениями, чтобы включить всю организацию и каждого отдельного сотрудника в путь ИИ.

Чтобы успешно спроектировать этот процесс, вы можете ориентироваться на последующую фазовую концепцию пути ИИ.

10.3.1 Фаза 1: Всесторонний сбор информации

Прежде чем разрабатывать стратегию ИИ, крайне важно, чтобы вы и ваши сотрудники были полностью информированы обо всей области Искусственного Интеллекта. Выйдите за рамки модных слов, а также эйфории или пессимизма в СМИ. Разработайте мета-взгляд через тщательно отобранную команду специалистов по ИИ, которая поможет вам понять различные подходы к ИИ из области информатики, бизнеса, политики, психологии или философии. Каждая точка зрения представляет собой инструмент для освещения пути ИИ!

Создайте возможности для всей компании контактировать с системами и приложениями ИИ — например, через центр ИИ. Они также должны поддерживать игривое изучение Искусственного Интеллекта, чтобы уменьшить страхи и распознать

преимущества этих технологий. Опыт, который вы получите здесь, позволит вам выявить первые области применения ИИ для вашей компании. Сравните преимущества и недостатки использования технологий ИИ в вашей компании. Во многих случаях преимущества перевесят (в долгосрочной перспективе)!

На этом этапе сбора информации полезно ответить на следующие вопросы. Здесь вы можете увидеть, как Искусственный Интеллект изменит конкурентную базу между секторами и компаниями (ср. McKinsey, 2018, с. 47f.):

• Какие отрасли и какие компании будут иметь особо легкий доступ к вычислительной мощности, данным, алгоритмам и квалифицированному персоналу?

• Как будет развиваться эта конкурентная ситуация на протяжении многих лет — какие отрасли и какие компании выиграют, какие проиграют?

• Как будут развиваться отраслевые структуры — какие проиграют, какие (возможно, новые) отрасли появятся?

• Какую роль будут играть технологические платформы в процессе трансформации?

• Как можно спроектировать трансформацию в вашей компании, чтобы интегрировать сотрудников в процессы, поддерживаемые ИИ?

• Какие процессные оптимизации и какие изменения в процессах могут быть достигнуты с помощью технологий ИИ?

• Какие продуктовые и сервисные инновации могут быть разработаны с использованием технологий ИИ?

• Как можно построить необходимые совместные, гибкие и неиерархические организации и культуры?

На этом этапе сбора информации также возникает вопрос о том, какие варианты использования особенно важны для вашей компании для предоставления соответствующих ресурсов. Крайне важно объединить варианты использования с корпоративной и/или бизнес-стратегией на ранней стадии, чтобы получить поддержку высшего руководства и бюджеты, необходимые для успешного внедрения ИИ. Крайне важно не следовать критически за ажиотажем вокруг ИИ, а определить области применения ИИ, которые релевантны для вашей компании и обещают положительный ROI. Различные области применения, обсуждавшиеся ранее, могут поддержать ваши творческие процессы.

Для определения релевантных вариантов использования, используйте модель 3 горизонтов, представленную (ср. рис. 10.1 и 10.2).

• На уровне горизонта 1 вы можете сначала проверить, какие из используемых сегодня процессов могут быть сделаны более эффективными и/или создающими ценность с помощью ИИ. Следующий риск связан с некритическим использованием технологий:

Если вы оцифруете дерьмовый процесс, вы получите оцифрованный дерьмовый процесс.

Поэтому интеграция ИИ в существующие процессы имеет смысл только в том случае, если эти процессы уже работают оптимально. Но даже в этом случае возникает вопрос, не сможете ли вы добиться более убедительных результатов с помощью переработки процессов на основе ИИ.

Кроме того, необходимо определить, можете ли вы добиться немедленного повышения производительности с помощью Искусственного Интеллекта в вашей существующей

портфель продуктов/услуг. Здесь вы можете сосредоточиться на тех вариантах использования, в которых проверенные технологии ИИ уже доступны. Это включает автоматизацию производственных процессов, использование предиктивного технического обслуживания или уточнение вариантов анализа в области CRM (таких как анализ ценности клиентов или кредитный рейтинг). В качестве основы для достижения измеримого успеха можно использовать горизонт в один-два года.

• На уровне горизонта 2 вы расширяете свое видение и проверяете, какие новые процессы, основанные на ИИ, могут значительно развить существующую деятельность. Кроме того, вы должны продвигать анализ всего спектра продуктов и услуг. Таким образом, вы можете определить, какие основательные улучшения или дополнения к вашему предлагаемому портфелю могут быть достигнуты с помощью Искусственного Интеллекта. Этот уровень включает интеграцию чат-ботов в диалог с клиентом или использование приложений ИИ в области диагностики и терапии в здравоохранении. Другим примером этого уровня является разработка цифровых двойников производственных мощностей и агрегатов для открытия новых бизнес-областей для уже существующих видов деятельности. Здесь вы можете сосредоточиться на горизонте в два-четыре года.

• Наконец, уровень горизонта 3 направляет перспективу значительно за рамки существующей бизнес-модели и ставит перед вами задачи поиска интересных вариантов использования ИИ в смежных и/или новых областях задач и инновационных бизнес-моделей. Это, безусловно, самая требовательная область анализа. Чтобы добиться успеха здесь, вы должны преодолеть знакомые шаблоны мышления и действий. Для этого может быть полезно работать вместе с сильными внешними партнерами из науки, которые занимаются передовыми разработками. Интенсивное сотрудничество со стартапами также помогает сосредоточить внимание на радикальных инновациях, основанных на ИИ. Вы можете основывать этот горизонт на периоде от трех до пяти лет.

Подход "тест и обучение" практикуется на всех трех уровнях горизонтов. Для этого соответствующие бизнес-кейсы должны быть проверены на постоянной основе. Для этого должны проводиться временные эксперименты. Таким образом, вы можете быстро определить, какие подходы могут оказаться успешными и, таким образом, обеспечить будущий потенциал для успеха. При оценке инициатив в области ИИ, коммерческие и технические менеджеры должны быть одинаково вовлечены, чтобы объединить обе точки зрения в целостный подход к оценке. Таким образом, вы можете предотвратить формирование "колодцев": технологии здесь, бизнес-кейс там.

Такие "колодцы" означали, что менеджеры, отвечающие за ИТ, цифровизацию или инновации, шли впереди в одиночку, иногда без ориентированного на цель фокуса на бизнес-кейсах. Это отчасти привело к феномену "молот ищет гвоздь". Вы можете противодействовать такому развитию целостным подходом к оценке, описанным выше. Важно обеспечить последовательную ценностную ориентацию на ИИ — вместо молодежного исследовательского подхода (ср. McKinsey, 2017a, с. 33). При внедрении следует использовать методы гибкого управления продуктами (ср. Kreutzer, 2019).

Необходимость и срочность внедрения ИИ для вашей компании можно определить с помощью адаптации бизнес-модели на основе ИИ. На канве такая концепция — четко видимая — может быть разработана (ср. подробнее Kreutzer, 2019, с. 70–74). Рисунок 10.4 показывает концепцию канвы для использования Искусственного

Интеллекта. С помощью этой концепции вы можете определить актуальность Искусственного Интеллекта для вашей компании. Преимущество этого подхода на канве в том, что вы можете хорошо использовать его на внутренних семинарах для совместной работы над темами ИИ. Если вы используете эту канву для визуализации в большом формате, идеи и предложения могут быть вставлены непосредственно в нее с помощью наклеек.

Рисунок 10.4 также показывает вопрос о том, когда можно ожидать ROI от инвестиций в ИИ. Исследование McKinsey (2017a, с. 35), проведенное более чем в 3000 международных компаний, дает захватывающие результаты в этом отношении:

• 41% компаний заявляют, что неопределенность в отношении ROI является одним из самых больших препятствий для дальнейшего внедрения ИИ.

• 26% сообщают, что убедительные примеры применения ИИ все еще отсутствуют.

Ваша срочная задача — также ответить на эти вопросы при использовании этого варианта канвы. Затем вы можете перейти к фазе 2.

10.3.2 Фаза 2: Систематическая подготовка внедрения ИИ

Важной основой для успешного использования ИИ является создание собственной экосистемы данных (ср. McKinsey, 2017b, с. 33). На основе бизнес-кейсов, определенных в фазе 1, вы начинаете с описания данных, релевантных для выбранных вариантов использования. Затем вы проверяете, какие из этих данных уже существуют в компании и какие из них ваша компания даже может иметь эксклюзивный доступ. Сравнивая целевые данные и доступность данных, вы выявите более или менее значительные пробелы в данных. Теперь начинается захватывающая задача открытия новых важных источников данных. Здесь следует рассмотреть критерии, которые необходимо учитывать при выборе данных (ср. разд. 2.4).

Нижняя часть канвы посвящена оценке и мониторингу в реальном времени. Здесь вы можете увидеть, как модель проявила себя в повседневной практике и какую ценность она может добавить.

Канва машинного обучения позволяет определить задачу для вашего приложения машинного обучения вместе с вашей командой. Это позволяет не только проработать подход, но и направление концепции, а также проиллюстрировать ее одновременно. Целевой вклад ценности намеренно расположен в центре канвы (ср. рис. 10.18).

Еще одним захватывающим примером использования механики канвы является рис. 10.19. На этой канве разговорного Искусственного Интеллекта становится ясно, в каких областях Искусственный Интеллект может достичь значительных эффектов, которые напрямую влияют на структуру затрат и доходов.

Кроме того, вам следует использовать канву платформы для вашего бизнеса. Это позволяет проверить, насколько ваша собственная бизнес-модель подвержена угрозе со стороны стратегий платформ третьих сторон, и/или есть ли у вас ресурсы для разработки собственной платформенной стратегии (ср. подробнее Kreutzer/Land, 2015, 2016; Müller, 2017, с. 186–190). Когда речь идет о концепциях платформ, мы часто сначала думаем о B2C-платформах, таких как Airbnb, Amazon, Check24, Uber & Co. Тем временем, различные B2B-платформы также утвердились. К ним относятся следующие примеры:

• Alibaba (2019): Оптовые поставки онлайн; также аренда контейнеров для транспортировки

• CheMondis (2019): B2B-онлайн-маркетплейс для химикатов

• Kaa (2019): Гибкая открытая IoT-платформа

Рисунок 10.19 Концепция канвы бизнес-модели для разговорного Искусственного Интеллекта (Рисунок авторов)

структуры для поддержки успешных инновационных действий (в смысле инновационного двигателя). Здесь снова становится видна релевантность термина амбидекстрия, описанного в разделе 10.1.

Для этого вы должны определить, насколько ваша организация может развиваться в долгосрочной перспективе в направлении двойной организации с частями, описанными на рис. 10.21 (ср. Коттер, 2014, с. 20–24).

Необходимо убедиться, что сочетание двигателя производительности и двигателя инноваций существует не только избирательно, но и что между обеими областями существует партнерство. Предпосылкой для успеха этого сотрудничества является признание всеми сотрудниками двух двигателей важности другого и его ценности. Только тогда можно проследить разделение задач между двигателем производительности и двигателем инноваций по их значимости для долгосрочного выживания вашей компании. Таким образом, новые бизнес-идеи, возникающие в двигателе инноваций, незаменимы для устойчивого корпоративного развития. Предпосылкой для этого является предоставление средств, генерируемых двигателем производительности.

Для успеха в этом комплексном процессе необходимо развивать корпоративную культуру и вместе с ней мышление в компании. Для этого необходимо создать доверие к Искусственному Интеллекту и его результатам на широкой основе. Объяснимый Искусственный Интеллект, описанный в разделе 1.1, имеет значение, которое не следует недооценивать. Следует иметь в виду, что людям потребуется время, чтобы адаптироваться к этому парадигматическому сдвигу. Следовательно, большое значение необходимо придавать развитию ИИ-способной культуры. Это требует не только инвестиций в развитие навыков сотрудников ИИ. Необходимо также инвестировать значительные средства в среднее и высшее руководство, чтобы они комплексно понимали возможности и ограничения Искусственного Интеллекта — и не препятствовали соответствующим предложениям и идеям своих сотрудников из-за страха неловкости (ср. McKinsey, 2017a, с. 34).

• Сегодня этот двигатель производительности должен быть противопоставлен сетевой концепции, которая может реагировать на изменения в окружающей среде гораздо быстрее — и ей позволено это делать. Термин инновационный двигатель может использоваться для этой цели. В этой области могут быть разработаны инновационные проекты радикального и/или прорывного характера — независимо от основного бизнеса компании. Центральные руководящие принципы — открытость бизнес-системы, терпимость к ошибкам и поиск будущих стратегически ценных бизнес-возможностей — независимы от собственного двигателя производительности компании.

Инновационный двигатель не обязательно должен быть интегрирован внутри собственной организации — часто этого может не быть. Близость к операционному бизнесу может оказаться контрпродуктивной для необходимого творческого процесса. Много раз доказано, что для выявления захватывающих областей применения Искусственного Интеллекта необходимо создание независимых центров инноваций. Создание и/или участие в независимых компаниях ИИ также может создать необходимую творческую свободу. Сначала инновационный двигатель, задуманный таким образом, был бы лишь относительно слабо связан с сегодняшней организацией. Связь между соответствующими инвестициями в основном существует на уровне компании.

В рамках инновационного двигателя могут быть определены различные области задач. Здесь можно работать над созданием экосистемы данных или над платформой ИИ для реализации новой бизнес-модели — не проверяя на каждом шагу, могут ли предыдущие виды деятельности быть "съедены" ею. Здесь, прежде всего, необходимо мыслить вне рамок собственной компании — отрешенно от ограничений двигателя производительности. Здесь доминирует исследование.

Пища для размышлений

Вы можете сформулировать захватывающую задачу для инновационного двигателя таким образом, чтобы идеи и концепции, которые должны быть разработаны, могли поставить под угрозу или даже разрушить бизнес-модель вашего собственного двигателя производительности.

Если вы определите такую задачу, вы вскоре столкнетесь с непониманием — по крайней мере, в начале. Но разве ваши конкуренты — особенно в виде стартапов — не действуют именно так же? Они ищут слабые места в вашем предложении, чтобы атаковать его. Или они выбирают только самые прибыльные области из вашей бизнес-модели.

Поэтому лучше выполнить эту работу самостоятельно, чтобы появились убедительные решения, прежде чем потенциальные конкуренты попытаются вас атаковать. Потому что это все еще правда:

Если ты не создашь то, что нас убивает, кто-то другой это сделает!

Это требует разрешения организационной дилеммы. Ваша задача — определить, существует ли в вашей компании желаемый и необходимый дуализм: С одной стороны, существует иерархически-механистически структурированная система управления сегодняшними операционными действиями (в смысле двигателя производительности). С другой стороны, все больше развиваются и становятся сетевыми

структуры для поддержки успешных инновационных действий (в смысле инновационного двигателя). Здесь снова становится видна релевантность термина амбидекстрия, описанного в разделе 10.1.

Для этого вы должны определить, насколько ваша организация может быть развита в долгосрочной перспективе в направлении двойной организации с частями, описанными на рис. 10.21 (ср. Kotter, 2014, с. 20–24).

Необходимо обеспечить, чтобы сочетание двигателя производительности и инноваций существовало не только избирательно, но и чтобы между обеими областями существовало партнерское сотрудничество. Предпосылкой для успеха этого сотрудничества является признание всеми сотрудниками двух двигателей релевантности другого и его ценности. Только тогда можно проследить разделение задач между двигателем производительности и инноваций по их значимости для долгосрочного выживания вашей компании. Таким образом, новые бизнес-идеи, возникающие в двигателе инноваций, незаменимы для устойчивого корпоративного развития. Предпосылкой для этого является предоставление средств, генерируемых двигателем производительности.

Для успешного завершения этого комплексного процесса необходимо развивать корпоративную культуру и вместе с ней мышление в компании. Для этого необходимо создать доверие к Искусственному Интеллекту и его результатам на широкой основе. Объяснимый Искусственный Интеллект, описанный в разделе 1.1, имеет значение, которое не следует недооценивать. Следует иметь в виду, что людям потребуется время, чтобы адаптироваться к этому парадигматическому сдвигу. Следовательно, большое значение следует придавать развитию культуры, способной использовать ИИ. Это требует не только инвестиций в развитие навыков сотрудников ИИ. Необходимо также активно инвестировать в средний и высший менеджмент, чтобы они комплексно понимали возможности и ограничения Искусственного Интеллекта — и не препятствовали соответствующим предложениям и идеям своих сотрудников из-за страха неловкости (ср. McKinsey, 2017a, с. 34).

Ящик памяти

Одним из ваших самых больших вызовов является внутреннее управление изменениями, направленное на приведение корпоративной культуры в соответствие с возможностями Искусственного Интеллекта. Почему?

Культура съедает стратегию на завтрак (Питер Друкер)

Поэтому важно вовлекать всех сотрудников в процесс использования ИИ на ранней стадии, а не представлять им fait accompli — как стратегию "бомбардировки". Вы будете успешны с лучшим приложением ИИ только в том случае, если ваши сотрудники разовьют цифровое мышление. Решения ИИ часто вмешиваются в существующие "области" и, следовательно, вызывают сильные защитные реакции (ср. Кройцер, Нойгебауэр, & Патлох, 2018, с. 197–218).

Оказывается, сильная поддержка со стороны высшего руководства необходима для успешного использования Искусственного Интеллекта — равно как и для цифровой трансформации компаний.

Пища для размышлений

У вашей организации уже цифровое мышление? Это должно быть так, потому что Искусственный Интеллект — не просто отдельный ИТ-проект, который будет развиваться несколько лет, а стратегическое направление всей компании! И влияние ИИ будет возрастать массово в ближайшие годы — и оно не обойдет стороной ни одно подразделение.

Ящик памяти

Компании востребованы на рынке для создания инновационных бизнес-моделей, чтобы не упустить возможность совершить скачок в поезде ИИ. Не ждите решений от политиков и исследований.

Кто хочет добиться успеха в области Искусственного Интеллекта, должен быть гибким, открытым и критичным!

Развивайте собственные компетенции в области ИИ рано и всесторонне, обмениваясь опытом с представителями науки и промышленности. Благодаря сотрудничеству внутри и между отраслями, вы можете сделать необходимые инвестиции. Разрабатывайте свои собственные юридически совместимые решения в обмен на политиков и изобретайте инновационные продукты и услуги в обмен на своих клиентов!

Резюме

Следующие ориентиры для проектирования вашего пути ИИ могут помочь вам сделать этот путь успешным (ср. McKinsey, 2017b, с. 9):

• Выявите интересные области применения ИИ для вашей компании.

• Установите четкие приоритеты для выбранных вариантов использования — на основе четкого бизнес-кейса.

• Не ставьте все на "лошадь ИИ" — диверсифицируйте инвестиционный риск, не теряя фокуса на прибыльных бизнес-кейсах.

• Развивайте собственные навыки в области ИИ внутри (при поддержке внешних ресурсов) — Искусственный Интеллект станет основной компетенцией, и специалисты по ИИ в дефиците.

• Храните широкий спектр данных и имейте доступ к источникам данных — данные являются топливом для создания ценности ИИ.

• Используйте в полной мере свои релевантные области знаний — только специальные знания позволяют в полной мере использовать потенциал ИИ.

• Первые шаги в трансформации ИИ — малые и быстрые: пилотные приложения, тесты и симуляции.

• Крупные предварительные инвестиции не обязательны, но: гибкость — ключ к успеху!

• Проверьте, какие из представленных концепций канвы могут лучше всего помочь вам в вашем пути ИИ.

• Реинвестируйте ресурсы, освобожденные благодаря использованию ИИ, в инновационные бизнес-модели — это не вопрос "спасения смерти", а вопрос долгосрочной конкурентоспособности!

• Использование Искусственного Интеллекта требует изменения культуры в вашей компании — открытости к сотрудничеству между человеком и машиной.

• Вовлекайте своих сотрудников на ранней стадии в концепции ИИ, участвуйте в активном управлении изменениями и говорите о возникающих опасениях и страхах.

• Прослеживаемость результатов ИИ нелегка, но к ней нужно стремиться (объяснимый ИИ).

• Доверие к результатам ИИ растет только со временем!

Библиография

33A. (2019). Примените ИИ в своей компании. https://www.33a.ai/. Доступ 12 апреля 2019.

Alibaba. (2019). Wholesales supply online. https://www.alibaba.com/showroom/shipping containers.html. Доступ 4 апреля 2019.

Amazon SageMaker. (2019). Amazon SageMaker. https://aws.amazon.com/de/sagemaker/. Доступ 29 апреля 2019.

Baghai, M., Coley, S., & White, D. (2000). Алхимия роста. Кембридж: Perseus.

Blank, S. (2015). Инновации в 50x. http://steveblank.com/2015/08/21/innovation-50x-in companies-and-government-agencies/. Доступ 29 апреля 2019.

CheMondis. (2019). Welcome to CheMondis, The B2B online marketplace for chemical. https:// www.chemondis.com/. Доступ 29 апреля 2019.

Dorard, L. (2016). От данных к ИИ с помощью канвы машинного обучения (Часть I). https://medium. com/louis-dorard/from-data-to-ai-with-the-MachineLearning-canvas-part-i-d171b867b047. Доступ 29 апреля 2019.

Govindarajan, V., & Trimble, C. (2010). Другая сторона инноваций — Как решить проблему выполнения. Бостон: Harvard Business Review Press.

Kaa. (2019). Everything an IoT platform should stand for, Next-gen Kaa Enterprise opens incredible new horizons for your IoT initiatives. https://www.kaaproject.org/. Доступ 29 апреля 2019.

Kotter, J. P. (2014). Accelerate—Building strategic agility for a faster-moving world. Бостон.

Kreutzer, R. (2019). Creative concepts, analysis and forecasting tools. В Toolbox for marketing and management. Висбаден.

Kreutzer, R., & Land, K. H. (2015). Dematerialisierung – Die Neuverteilung der Welt in Zeiten des digitalen Darwinismus. Кёльн.

Kreutzer, R., & Land, K. H. (2016). Digitaler Darwinismus – Der stille Angriff auf Ihr Geschäftsmodell und Ihre Marke, 2-е изд., Висбаден.

Kreutzer, R., Neugebauer, T., & Pattloch, A. (2018). Digital Business Leadership – Digitale Transformation – Geschäftsmodell-Innovation – agile Organisation – Change-Management, Висбаден.

Lennarz, H. (2017). Growth Hacking mit Strategie, Wie erfolgreiche Startups und Unternehmen mit Growth Hacking ihr Wachstum beschleunigen, Висбаден.

McKinsey. (2017a). Artificial intelligence, The next digital frontier? Брюссель, Париж, Шанхай, Сан-Франциско.

McKinsey. (2017b). Smartening up with Artificial Intelligence (AI)—What’s in it for Germany and its industrial sector? Франкфурт.

McKinsey. (2018). Notes from the AI frontier, Modeling the impact of AI on the world economy. Сан-Франциско.

Mercateo. (2019). Die Beschaffungsplattform für Geschäftskunden. http://www.mercateo.com/. Доступ 29 апреля 2019.

Microsoft Azure. (2019). Ihre Vision, Ihre Cloud. https://azure.microsoft.com/de-de/. Доступ 29 апреля 2019.

MindShere. (2019). Offenes IoT-Betriebssystem. https://www.siemens.com/global/de/home/ produkte/software/mindsphere.html. Доступ 29 апреля 2019.

Müller, H.-E. (2017): Unternehmensführung, Strategie – Management – Praxis, 3-е изд., Мюнхен.

Ondeso. (2019). The Industrial IT Company. https://www.ondeso.gmbh/ondeso-gmbh/. Доступ 29 апреля 2019.

Osterwalder, A., & Pigneur, Y. (2010). Business model generation. Хобокен.

Partnership-on-AI (2019). About us. https://www.partnershiponai.org/. Доступ 29 апреля 2019.

Predix. (2019). The industrial IoT platform, connecting edge to cloud, operator to analyst. https:// www.predix.io/. Доступ 29 апреля 2019.

Ries, E. (2017). The lean startup: How today’s entrepreneurs use continuous innovation to create radically successful businesses. Лондон.

Scrappel. (2019). Der digitale Marktplatz für Wertstoffe. https://www.scrappel.com/. Доступ 29 апреля 2019.

Skywise. (2019). Airbus launches Skywise – aviation’s open data platform. https://www.airbus. com/newsroom/press-releases/en/2017/06/airbus-launches-new-open-aviation-data-platform– skywise–to-sup.html. Доступ 29 апреля 2019.

TOII. (2019). Durchbruch bei der digitalen Transformation: Thyssenkrupp vernetzt seinen Maschinenpark. https://www.thyssenkrupp.com/de/newsroom/pressemeldungen/press-release 131488.html. Доступ 29 апреля 2019.

Wrobel, S., & Hecker, D. (2018). Frauenhofer-Allianz Big Data. Datezenschätze heben. В Р. Нойгебауэр (ред.), Digitalisierung, Schlüsseltechnologien für Wirtschaft und Gesellschaft (с. 261–267). Гейдельберг.

Wucato. (2019). Die Beschaffungsplattform für mittelständische Industrie- und Handwerksun ternehmen. https://www.wucato.de/de/DE/EUR. Доступ 29 апреля 2019.

11 Перспективы

Аннотация

В этой главе вы увидите, что каждое общество должно глобально адаптироваться к разрушительным изменениям, вызванным Искусственным Интеллектом! Все нации, компании и люди находятся в постоянном процессе метаморфозы, который был запущен цифровизацией и дополнительно усиливается Искусственным Интеллектом. Этот процесс больше не закончится! Обсуждения о том, следует ли Искусственный Интеллект использовать в целом или нет, не способствуют успеху. Использование этой технологии во всем мире нельзя остановить. Активные обсуждения того, как ограничить дискриминацию, злоупотребление и неправомерное использование систем ИИ, лучше. Искусственный Интеллект должен в первую очередь рассматриваться как возможность преодоления продолжающихся глобальных проблем роста урбанизации и мобильности, радикальных демографических изменений и глобального изменения климата. Интернет не знает границ — Искусственный Интеллект тоже не знает границ!

11.1 Временные горизонты возможных разработок ИИ

Взгляд на краткосрочные, среднесрочные и долгосрочные разработки должен предоставить информацию о направлении, в котором будет развиваться Искусственный Интеллект (ср. рис. 11.1). Используйте эти прогнозы как ориентир, чтобы получить представление о будущих прорывах в области ИИ. Здесь действует следующее: чем дальше мы заглядываем в будущее, тем более спекулятивными становятся заявления.

Ящик памяти

Развитие ИИ может быстро пойти в другом направлении при достижении новых технологических прорывов!

В настоящее время особенно важно быстро распознавать и использовать уже существующие возможности Искусственного Интеллекта. Важными областями применения являются стандартизированные, повторяющиеся и масштабируемые задачи, показанные на рис. 11.1.

Рисунок 11.1 Временные горизонты возможных разработок ИИ (Рисунок авторов)

Параллельно этому (дополнительные) источники данных должны быть разработаны для подпитки систем ИИ соответствующими потоками данных.

В ближайшие несколько лет широкий спектр технологий будет интегрирован с приложениями ИИ во многих производственных и сервисных процессах. Кроме того, становится все легче и легче подпитывать программы ИИ множеством неструктурированных данных из различных источников. Улучшенные результаты и прогнозы позволяют обрабатывать еще более сложные случаи и разрабатывать еще более мощные системы. Тогда обсуждаемые системы помощи смогут лучше справляться с естественным языком и предоставлять более релевантную информацию, чем они делают сегодня.

Мы можем ожидать высокоэффективные процессы автоматизации в ближайшие десятилетия. Сотрудничество человека и машины станет все более важным и нарушит многие отрасли! Это относится особенно к областям, характеризующимся анализом документов или другими очень повторяющимися, административными, но все еще интеллектуально требовательными задачами. Особенно подвержены риску рабочие места бухгалтеров, сотрудников сервисных центров, специалистов по маркетингу, налоговых консультантов, банковских служащих и страховых брокеров.

Является ли это ожидаемое развитие поводом для беспокойства, зависит от вашей собственной начальной ситуации. Если системы ИИ используются для устойчивого сокращения затрат, следует ожидать комплексных потерь рабочих мест — возможно, с одновременным увеличением корпоративной прибыли. Если, с другой стороны, системы ИИ используются для улучшения ухода, поддержки и сотрудничества с людьми, качество жизни может быть устойчиво улучшено (ср. Decker, 2017, с. 21).

В любом случае, произойдет комплексный сдвиг в компетенциях — точно так же, как в предыдущих промышленных революциях! В будущем основное внимание будет уделяться таким навыкам, как управление изменениями, разработка новых концепций и их внедрение (ср. Schwab, 2016, с. 63). Институт глобальной занятости IBA (2017, с. 27–32) опубликовал отчет о влиянии Искусственного Интеллекта на рабочие места.

Они пришли к выводу, что рабочие места с низкими и средними квалификациями, а также те, где выполняются простые физические задачи, будут сокращены. Взамен значительно возрастет спрос на высококвалифицированных специалистов по данным, которые смогут справиться с возрастающим потоком данных. В то же время значительно возрастет количество краудворкеров и кликворкеров. Эти термины используются для описания людей, которые принимают заказы на работу, предлагаемые большому количеству людей через онлайн-платформы. Эти люди подают заявки онлайн на представленные заказы и выполняют их самостоятельно или с другими людьми. Они в основном работают на фрилансе.

Этот разрыв в трудовых отношениях, который здесь лишь намечен, может привести к разделению работающего населения. В то время как высококвалифицированные сотрудники находятся в безопасных условиях труда и могут легко переходить из компании в компанию благодаря своей квалификации, краудворкеры с большей вероятностью окажутся в проигрыше. Они переходят от заказа к заказу — не зная, когда будет выигран следующий проект. На этой основе нельзя принимать долгосрочные жизненные решения.

В то же время, значительный потенциал добавленной стоимости Искусственного Интеллекта ожидается в различных секторах (ср. рис. 11.2). McKinsey (2018b, с. 13f) оценивает, что потенциальный вклад ценности Искусственного Интеллекта составит от одного до

Рисунок 11.2 Потенциал добавленной стоимости Искусственного Интеллекта в различных отраслях. Источник: McKinsey (2018b, с. 13f)

девяти процентов продаж отрасли в 2016 году. Эта величина значительно варьируется от отрасли к отрасли и зависит от специфики применения, доступности обширных и сложных данных, а также нормативных и других ограничений.

Данные, представленные на рис. 11.2, не являются прогнозами на определенный период; скорее, они предназначены для иллюстрации значительного потенциала ИИ для мировой экономики. Наибольшее влияние может быть обнаружено в функциях маркетинга и продаж, а также в областях управления цепочками поставок и производства. Индустрия потребительских товаров (здесь розничная торговля и высокотехнологичные продукты) имеет больший потенциал в маркетинговых и продажных приложениях ИИ. Одна из причин этого заключается в более частом и зачастую цифровом взаимодействии между компаниями и клиентами. Получающиеся в результате большие объемы данных предоставляют захватывающую область применения для методов ИИ. Платформы электронной коммерции, в частности, могут извлечь выгоду из этого. Этому способствует то, что такие платформы могут легко собирать информацию о клиентах (такую как данные о кликах или время, проведенное на веб-сайте). Таким образом, акции, цены и/или предложения продуктов и услуг могут быть разработаны индивидуально для каждого клиента в реальном времени (ср. McKinsey 2018b, с. 13f.; ср. разд. 4.2).

Рисунок 11.3 показывает идеи относительно того, какие области применения ИИ могут быть особенно интересны для вашей компании. Исследование Capgemini (2017, с. 12) проанализировало более 50 вариантов использования ИИ. Было показано, что многие компании начинают свой путь ИИ с самых сложных вариантов использования. В отличие от этого, лишь немногие фокусируются на приложениях, которые не только легко внедряются, но и очень полезны. Во избежание этих ошибок приложения ИИ были сгруппированы по степени их сложности и степени создания пользы (ср. рис. 11.3).

Рисунок 11.3 Варианты использования ИИ в зависимости от степени создания пользы и степени сложности. Источник: На основе Capgemini (2017, с. 12)

Необходимо заниматься приложениями, которые обеспечивают высокий уровень пользы, но в то же время связаны с низким уровнем сложности в приложении. Именно здесь концентрируются 46% международных компаний, участвовавших в опросе. К ним относятся анализ и прогнозирование поведения клиентов, управление рисками, использование распознавания лиц и чат-боты или цифровые персональные помощники. Поддерживаемые ИИ рекомендации по продуктам и услугам также попадают в эту область. Приложения, которые могут быть сделаны (небольшое создание пользы с низкой сложностью) составляют 27% случаев использования. Сюда входит оптимизация планов карьерного роста и распознавание оттока клиентов.

Приложения, относящиеся к категории "делать в зависимости от случая", приносят мало пользы при высокой сложности. В каждом отдельном случае необходимо проверять, стоит ли соответствующее инвестирование в ИИ. Тем не менее, 34% выявленных вариантов использования концентрируются в этой области. Здесь следует рассмотреть процессы в области управления человеческими ресурсами. Фокус вариантов использования, рассмотренных Capgemini (ср. 2017, с. 12), находится на приложениях, которые необходимо делать; здесь высокая польза совпадает с высокой степенью сложности в приложении. Это включает индивидуализированное обслуживание клиентов, системы принятия решений и разработку новых продуктов и услуг.

Ящик памяти

Ваша компания сталкивается с вопросом о том, что нужно делать, что можно делать, что делать в каждом конкретном случае и что нужно делать в приложениях. Рисунок 11.3 может помочь вам с вашим решением — и представляет собой импульс для размышлений. Вы должны провести соответствующую оценку для вашей компании самостоятельно.

Проект Open AI может внести вклад в более полное закрепление Искусственного Интеллекта в обществе, бизнесе и науке. Это некоммерческая исследовательская компания, поддерживаемая частными лицами (такими как Илон Маск и Питер Тиль) и компаниями (такими как Amazon, Infosys, Microsoft и Open Philanthropy Project). Компания определила в своей миссии следующее (Open AI, 2018):

Общий искусственный интеллект (AGI) станет самой значительной технологией, когда-либо созданной человечеством.

Миссия Open AI — построить безопасный AGI и обеспечить, чтобы преимущества AGI были широко и равномерно распределены. Мы ожидаем, что технологии ИИ будут иметь огромное влияние в краткосрочной перспективе, но их влияние будет превзойдено влиянием первых AGI.

Мы — некоммерческая исследовательская компания. Наш штат из 60 исследователей и инженеров посвятил себя нашей миссии независимо от возможностей для эгоистической выгоды, которые возникают по ходу.

Мы фокусируемся на долгосрочных исследованиях, работая над проблемами, которые требуют от нас фундаментальных достижений в области возможностей ИИ. Находясь на передовой этой области, мы можем влиять на условия, в которых создается AGI. Как сказал Алан Кей: "Лучший способ предсказать будущее — это изобрести его".

Мы публикуем работы на лучших конференциях по машинному обучению, выпускаем инструменты с открытым исходным кодом для ускорения исследований ИИ и выпускаем блог-посты для информирования о наших исследованиях. Мы не будем хранить информацию в тайне для личной выгоды, но в долгосрочной перспективе мы ожидаем создания формальных процессов для сохранения технологий в тайне, когда возникнут проблемы безопасности.

Через мероприятия, исследовательскую деятельность, публикации и блог Open AI стремится поддержать дебаты об Общем Искусственном Интеллекте — на благо всех!

Насколько интенсивно мы позволим Искусственному Интеллекту проникнуть в нашу жизнь, зависит от нас самих. Однако возрастающая сложность заставляет не только компании, но и каждого человека использовать различные решения на основе ИИ. Многие люди уже делают это сегодня, не осознавая этого. Списки Google, рекомендации Amazon, Netflix, Spotify и Co. были бы менее убедительными без использования Искусственного Интеллекта. В то же время, хорошо, что системы ИИ поддерживают качественное производство и гарантируют, что почти изношенная часть турбины самолета в пункте назначения в Нью-Йорке будет заменена немедленно до отказа турбины благодаря предиктивному техническому обслуживанию. Мы часто уже являемся бенефициарами Искусственного Интеллекта — часто не осознавая этого.

На фоне этих сложных задач недостаточно концентрироваться исключительно на этических вызовах Искусственного Интеллекта. И мы не должны использовать всю нашу креативность, чтобы проигрывать сценарии катастроф с роботами, вышедшими из-под контроля. Гораздо более реалистичны сценарии гуманоидных роботов, таких как Pepper, идеально выполняющих свои функции, играющих в Go, диагностирующих болезни, организующих деловые поездки и распознающих и реагирующих на наше настроение. Научно-фантастические фильмы могут помочь нашему воображению, исследуя возможные будущие сценарии через мысленные игры.

Пища для размышлений

Многие страхи, связанные с Искусственным Интеллектом, проистекают из того, что мы боимся потери контроля, потому что мы больше не можем понять, почему что-то происходит. Если мы честны, мы ежедневно принимаем эту потерю контроля в различных приложениях. Кто — кроме соответствующих специалистов — может объяснить точно, как работает двигатель внутреннего сгорания или дизельный двигатель, как солнечная электростанция генерирует энергию, как работает алгоритм поиска Google и как работают процессы в смартфоне, который мы держим в руках каждый день? И тем не менее, мы используем и доверяем этим системам — 24/7!

Ящик памяти

Без Искусственного Интеллекта не будет человеческого будущего, как не будет повседневной жизни без электричества или Интернета.

11.2 Проблемы для политики и общества

Для политиков и общества все более важным, чем когда-либо, становится всесторонне оценить последствия технологий ИИ во взаимодействии с наукой и промышленностью. Однако не только риски, но и прежде всего возможности должны быть в центре внимания — несмотря на всю враждебность к технологиям, которая слишком часто проявляется. Поэтому основное внимание не должно быть сосредоточено исключительно на вопросе о том, сколько рабочих мест угрожает Искусственный Интеллект. Скорее, следует задаться вопросом, как Искусственный Интеллект может способствовать дальнейшему интеллектуальному и здоровому росту нашей экономики!

Часто звучат призывы к созданию цифрового министерства, чтобы правильно классифицировать все более сложные взаимосвязи между цифровизацией, промышленностью/экономикой 4.0 и Искусственным Интеллектом и иметь возможность принимать политически ответственные решения. По нашему мнению, такое учреждение необходимо, если вопрос будет восприниматься серьезно на политическом уровне. В любом случае, разделение ответственности между различными министерствами не имеет смысла.

Ящик памяти

Если ответственны все, то ответственен никто!

Это также относится к политике!

Кроме того, обязанность политиков — передать эти знания населению посредством соответствующей ориентации образовательной работы, чтобы способствовать развитию граждан, ответственных в цифровом плане. Образование играет ключевую роль не только в достижении компетентности в области ИИ, но и в противодействии растущему развитию неравенства. Существует настоящая гонка между технологией и образованием (ср. Goldin & Katz, 2010). Те, кто имеет ранний доступ к новым технологиям, выходящим за рамки простого использования, и создают компетентность в приложениях, могут лучше применять эти навыки в своей профессиональной жизни и противодействовать угрозе безработицы. Цифровые инструменты обучения, такие как MOOC, создают индивидуальный опыт обучения и предоставляют данные для обратной связи — не только для учеников и студентов, но и для всей системы образования — и запускают процесс непрерывного улучшения.

Для этого необходимо укрепить конструктивную политическую инициативу по продвижению социальной дискуссии на тему Искусственного Интеллекта, чтобы страхи и опасения могли быть серьезно восприняты и в идеале преодолены. В противном случае дискуссия останется за теоретиками заговора и предсказателями конца света, которые направляют свои ужасные видения к (неинформированной) аудитории.

Ящик памяти

Политика и бизнес должны работать вместе над культурой прозрачности и доверия к Искусственному Интеллекту. Это лучшая почва для необходимого духа оптимизма!

Кроме того, необходима инициатива по переквалификации, чтобы придать соответствующим основным компетенциям для работы в цифровом мире начинающим карьеру и тем, кто уже работает. Нужен учебный план по цифровому образованию — от школ и системы профессионального обучения до колледжей и университетов (ср. Bendiek, 2018, с. 72).

Кроме того, необходимо поощрять интенсивное сотрудничество между наукой и промышленностью, чтобы не только были достигнуты выдающиеся исследовательские результаты, но и они также поступали на коммерчески пригодные продукты и услуги. Это сотрудничество также должно включать средние компании, которые могут не иметь необходимого бюджета для комплексных исследований в области ИИ.

Поддержка трудоустройства — еще одна важная область политики для сокращения затрат для работников и работодателей и для быстрого получения квалифицированных специалистов на нужные рабочие места. Личная рекомендация из сети сотрудников по-прежнему является лучшим способом найти прибыльную работу. Мощные системы ИИ для определения компетенций кандидатов могут упростить быстрое сравнение с требованиями работодателей. Политики несут ответственность за содействие развитию эффективных банков данных — предпочтительно в международном контексте.

Долгосрочное влияние использования ИИ на рабочие места должно быть исследовано целостно. Чем больше автоматизации и, следовательно, замещения трудовых процессов, без одновременного создания такого же количества новых рабочих мест, тем труднее будет достичь и поддерживать полную занятость. Необязательно, что богатство уменьшается, но его распределение в населении в целом изменится. Задача дальновидных правительственных действий — обеспечить в ходе всего дебата о цифровизации, чтобы Искусственный Интеллект также служил обществу в целом, а не только увеличивал прибыли отдельных людей или компаний.

Ящик памяти

Всеобъемлющее общество должно осознавать, что такое Искусственный Интеллект и где должны быть установлены этические границы. В то же время необходимо создать осведомленность о вкладе, который Искусственный Интеллект может и должен внести в формирование будущего, чтобы Америка и Европа не потеряли здесь связь.

Кроме того, политики должны разработать обязательную правовую базу по таким вопросам, как безопасность и защита данных. Многие компании, которые уже используют приложения ИИ, находятся в серых зонах, потому что многие цифровые процессы еще не имеют регулирования. Первым шагом является новый Общий регламент по защите данных (GDPR), который устанавливает очень узкие пределы для использования ИИ во многих областях. Задача состоит в том, чтобы найти баланс между социальной целью защиты персональных данных и доступностью высококачественных обучающих данных для алгоритмов ИИ.

Пища для размышлений

GDPR значительно усложнил европейским компаниям доступ к персональным данным (например, заинтересованных сторон и клиентов). Американские компании, такие как Amazon, Facebook и Google, сохранят свое конкурентное преимущество, как и соответствующие китайские компании, такие как Alibaba, Baidu, JD.com и Tencent.

Ситуация иная с данными, полученными в контексте Индустрии 4.0. Через Интернет вещей или Интернет всего получается много данных, которые не подлежат GDPR. Это предоставляет европейским компаниям захватывающие области деятельности, которыми они должны активно заниматься.

Зависит от правительства создание баланса между регуляторной необходимостью и рамками для инновационных бизнес-моделей. Как и любая компания, каждая страна должна сама решить, где она хочет играть в лиге ИИ и какая государственная инвестиционная поддержка предоставляется. Китай намерен стать лидером в мировой лиге Искусственного Интеллекта, а не просто плавать с ней.

Важная задача для мастер-плана ИИ — развитие стартап-экосистемы, в которой могут быть созданы компании, ориентированные на ИИ. Согласно исследованию Roland Berger (2018, с. 7), почти 40% всех стартапов ИИ находятся в США. Европа в целом занимает второе место — опережая Китай и Израиль. Ни одна европейская страна не имеет достаточной критической массы стартапов ИИ. Великобритания занимает 4-е место по стартапам ИИ, Франция — 7-е, Германия — 8-е.

Комплексное использование Искусственного Интеллекта создает множество возможностей — но также связано с серьезными проблемами в его внедрении. Преимущества Искусственного Интеллекта проявляются только в более долгосрочной перспективе; поэтому необходимы не только терпение, но и долгосрочная стратегия и мышление политиков и менеджеров за пределами избирательных периодов и сроков контрактов. Политики и экономические лица, принимающие решения, должны взять на себя четкую лидерскую роль для успешного формирования процесса трансформации и преодоления препятствий. Страх потерять рабочее место должен восприниматься так же серьезно, как и опасность отставания в мировом масштабе, если технологии ИИ будут игнорироваться.

Чтобы отдельные страны получили выгоду от использования ИИ, необходимо ответить на следующие вопросы (ср. McKinsey, 2018a, с. 47):

• Какие инвестиции в технологии ИИ выгодны для развития конкурентоспособности и одновременно создают новые рабочие места?

• Как политики могут дальше развивать образовательные предложения и системы таким образом, чтобы было передано всестороннее знание о возможностях и пределах Искусственного Интеллекта?

• Как можно обеспечить более высокие государственные инвестиции в национальный человеческий капитал?

• Как можно сделать предвидимые изменения на рынке труда социально приемлемыми (например, через концентрированные действия правительства, компаний и профсоюзов)?

• Как можно способствовать здоровой конкуренции между компаниями, чтобы избежать развития в сторону монополий ИИ после эффекта "победитель получает все" (аналогично монополиям поисковых систем и социальных сетей)?

• Как можно разработать правовые рамки (например, для новых форм работы и использования данных) таким образом, чтобы процесс трансформации мог происходить в юридически безопасной манере?

• Как можно оформить авторское право таким образом, чтобы системы ИИ также признавались создателями творческих решений — а не только люди?

• Какие решения можно использовать для обеспечения финансовой безопасности людей, если в результате использования ИИ возникнут значительные дефициты занятости и связанная с этим безработица (для содействия мобильности, мерам по обучению, обусловленным/безусловным государственным трансферам)?

• Как и в какой степени могут быть определены глобальные стандарты ИИ (например, военные границы, защита данных или общепринятые ценности алгоритмов ИИ)?

Для большинства компаний потребуется еще больше времени, чтобы испытать стратегию "ИИ в первую очередь". К сожалению, слишком многие компании все еще борются с цифровой трансформацией, чтобы заняться следующим этапом развития сегодня — комплексной интеграцией Искусственного Интеллекта. Это очень тревожно, потому что не решает будущие проблемы!

Пища для размышлений

Те, кто хочет иметь слово в том, насколько далеко технология доминирует в мире, должны сначала доминировать над самой технологией (Jung, Nezik, Rosenbach, Schulz, 2018, с. 67).

Резюме

• Каждое общество должно глобально адаптироваться к разрушительным изменениям, вызванным Искусственным Интеллектом! Мы находимся в постоянном процессе метаморфозы, который был запущен цифровизацией и дополнительно усиливается Искусственным Интеллектом. Этот процесс больше не закончится!

• Обсуждения о том, следует ли использовать Искусственный Интеллект в целом или нет, не способствуют успеху. Использование этой технологии во всем мире нельзя остановить. Активные обсуждения того, как ограничить дискриминацию, злоупотребление и неправомерное использование систем ИИ, лучше.

• Искусственный Интеллект должен рассматриваться — также нами — как возможность преодоления продолжающихся глобальных проблем роста урбанизации и мобильности, радикальных демографических изменений и глобального изменения климата.

• Необходима международная инициатива по разработке глобального руководства по ИИ, создающего обязательные рамки для всех стран. Интернет не знает границ — Искусственный Интеллект тоже не знает границ! В таком руководстве следует рассмотреть такие темы, как общая безопасность и принятие Искусственного Интеллекта, позитивное сотрудничество между человеком и машиной, а также влияние автоматизации на наше общество.

Эта оценка может помочь нам достичь необходимой выдержки как граждан для взаимодействия с Искусственным Интеллектом:

Наш интеллект тренировался миллионы лет эволюции, и он адаптирован так, чтобы везде искать объяснительные закономерности, чтобы защитить нас от опасности. Поэтому неважно, что мы функционируем математически точно. Высокая степень случайности определяет наше человеческое интеллектуальное мышление. Иными словами, как духовные существа, мы свободны именно потому,

запрограммированный чем угодно и кем угодно. Вот почему мы только частично предсказуемы, потому что мы постоянно совершаем меньшие и большие ошибки, для которых не может быть написана программа (Gabriel, 2018a, с. 21; продолжение Gabriel, 2018b).

Следовательно, пройдет очень много времени, прежде чем даже приблизительная копия человеческого мозга будет создана. Путь туда будет сопровождаться множеством изменений в нашей личной и профессиональной жизни.

Мы желаем всем нашим читателям необходимого мужества и уверенности в себе, чтобы конструктивно и смело справиться с ними!

Библиография

Bendiek, S. (2018). Die Welt wartet nicht auf uns. In Handelsblatt (с. 72). 6/7/8 июля 2018.

Capgemini. (2017). Turning AI into concrete value: The successful implementers’ toolkit. https:// www.capgemini.com. Доступ 30 марта 2019.

Decker, M. (2017). Klüger als wir? – Über kognitive Robotik. В Die politische Meinung, 62 (9–10), 19–24.

Gabriel, M. (2018a). Schlauer als jeder Mensch? In Frankfurter Allgemeine Zeitung (с. 21). Доступ 20 мая 2018.

Gabriel, M. (2018b). Der Sinn des Denkens, Берлин.

Goldin, C., & Katz, L. (2010). The Race between education and technology. Кембридж.

International Bar Association (IBA) Global Employment Institute. (2017). Artificial intelligence and robotics and their impact on the workplace, н.п.

Jung, A., Nezik, A. K., Rosenbach, M., & Schulz, T. (2018). Angstträume. In Der Spiegel, 46/2018, с. 66–71.

McKinsey. (2018a). Notes from the AI frontier, modeling the impact of AI on the world economy, Сан-Франциско.

McKinsey. (2018b). Notes from the AI frontier: Applications and value of deep learning, Сан-Франциско.

Open AI. (2018). Open AI. https://openai.com/. Доступ 15 ноября 2018.

Roland Berger. (2018). Artificial Intelligence—A strategy for European startups recommendations for policymakers. https://www.rolandberger.com/publications/publication_pdf/roland_berger_ ai_strategy_for_european_startups.pdf. Доступ 15 ноября 2018.

Schwab, K. (2016). The fourth industrial revolution, Женева.

Другие статьи по этой теме:

• 601 пример внедрения ИИ на производствах и преприятиях
• ИИ в корпоративном секторе
• Пособие по разработке стратегии ИИ