Как использовать искусственный интеллект для принятия бизнес-решений

Данные VS решения В дебатах об ИИ для бизнеса большое внимание уделяется данным, но сами по себе данные не генерируют ценность — компании создают ее, превращая данные в решения. Высокие ставки, древние инструменты Теперь подумайте о своем опыте принятия сложных бизнес-решений. Вы когда-нибудь поддерживали вариант, который заставлял вас беспокоиться? Нервничали, что не можете изучить все аспекты вопроса? Осознавали, что можете получить больше мнений для понимания проблемы? Мы уверены, что да. Многие предприниматели признают, что их решения основаны на неполном анализе данных и субъективных ощущениях. Знакомство с играми Теория игр тщательно изучила решения и стратегии их оптимизации. Мы покажем, как проблемы бизнеса можно превратить в игры, ИИ-обработка которых значительно повысит качество принимаемых решений и выведет его за пределы человеческих возможностей. Создание игр с ИИ — краткая история Интересно рассмотреть историю ИИ сквозь призму игр. По мере развития технологии боты осваивали все более сложные игры и предлагали все более сложные решения. Всем интересующимся мы рекомендуем прочитать «Краткую историю игрового ИИ до AlphaGo» Андрея Куренкова . «Шашки» и «Шахматы» были первыми настольными играми, адаптированными IBM для демонстрации возможностей ИИ. В 1996 году Deep Blue стал первым компьютером, победившим чемпиона мира по шахматам Гарри Каспарова. Следующей в очереди оказалась игра в го, в которой тяжело делать ходы из-за количества позиций на доске — их намного больше, чем в шахматах. Принадлежащая Google компания DeepMind создала алгоритм AlphaGo, который в 2016 году обошел одного из лучших игроков в мире. Затем DeepMind перешла к разработке AlphaGo Zero, обыгравшего своего предшественника со счетом 100:0. И если AlphaGo был разработан с учетом человеческого опыта, то AlphaGo Zero освоил го самостоятельно. Однако настольные игры не всегда похожи на реальные ситуации. Они пошаговые, поэтому в них нет необходимости принимать решения в меняющихся условиях. Кроме того, в настольных играх ИИ обладает полной информацией об окружающей среде. Там нет неизвестных факторов. Видеоигра StarCraft стала следующим прорывом для ИИ. Чтобы победить в ней, игроки должны балансировать краткосрочные и долгосрочные цели, а также приспосабливаться к неожиданным ситуациям. В конце 2018 года AlphaStar от DeepMind стал первым ИИ, обошедшим лучшего профессионального игрока в StarCraft. А в июле 2019 года команда исследователей из Facebook и Университета Карнеги-Меллона представила алгоритм Pluribus. Он победил лучших игроков в покер на шесть персон, что указало на очередной прорыв в исследованиях ИИ. Отличительной чертой этого события стал блеф ИИ — навык, который считается исключительно человеческим. При этом в отличие Deep Blue, работавшего на базе суперкомпьютера, Pluribus было достаточно ноутбука. Технологический бизнес осознает потенциал игрового ИИ Так почему же такие компании, как IBM, Google и Facebook тратят столько времени и денег на разработку игровых ИИ-решений? Потому что алгоритм, похожий на Pluribus, может превзойти людей при принятии реальных стратегических решений. Например, много общего с покером имеют политические переговоры и заключение контрактов — их объединяет то, что ИИ должен рисковать и приносить краткосрочные жертвы ради долгосрочных выгод. DeepMind применила методы AlphaGo Zero для повышения эффективности энергосистем Великобритании. Она использовала тот же алгоритм, чтобы сократить затраты на электричество в дата-центрах Google. Крупный технологический бизнес понимает, что игровой ИИ имеет огромный потенциал для практического применения. И одним из наиболее очевидных и ценных вариантов является именно помощь людям в принятии сложных решений. Фото: Unsplash Недостатки человеческой аналитики Рассмотрим энергетическую отрасль, решения в которой всегда принимаются с большим трудом. Ответственные лица сталкиваются со множеством вариантов, неопределенностей, рисков и мнений. А последствия неправильного выбора часто очень серьезны. Для избавления от этой проблемы был создан инструмент, позволяющий оценить качество решений. Он был разработан в 60-х годах и представляет собой контрольный список для изучения всех значимых аспектов. Его изобретение — это замечательно, но эффективность такого метода тоже ограничена. Давайте рассмотрим пример. Неправильное принятие решений в реальном мире Предположим, на производстве вы столкнулись с необходимостью провести 50 независимых мероприятий по техобслуживанию, из которых только одно можно назначить на любое время. Это дает около 10⁶⁴ вариантов планирования. А что поставлено на карту? Безопасность, лишние траты или задержки. Для завода, приносящего миллионы долларов каждый день, это очень важно. При этом такая ситуация вполне типична, но самый сложный инструмент, который у вас есть — это Excel. И что тут поделаешь? Остается полагаться только на интуицию и опыт. Переосмысление работы с учетом новых технологий Многие компании по-прежнему используют те же инструменты для принятия решений, что и в 80-х. Представьте, как изменится работа, если она будет построена вокруг новейших технологий. Насколько более увлекательной она станет. У сотрудников будет больше времени на стратегию. Окажутся ли решения более качественными? Абсолютно точно — и при этом с регулярными улучшениями. Что это значит для вас? Бросьте вызов статус-кво Предположим, сегодня вы основали новую компанию. Вам нужно принимать важные решения. Вы также знаете, что у вашей команды больше вариантов выбора, чем атомов во вселенной. Вы бы дали им Excel как лучший инструмент? Или выбрали бы что-то более подходящее? Мы рекомендуем взять вашу самую сложную бизнес-задачу и перенести ее на маркерную доску. Позвольте себе поразмышлять. Подумайте, как принципиально изменить основные процессы, выстроив их вокруг новейших технологий. Источник.