Чем займутся люди в роботизированной экономике
Из мечты о будущем роботизация уже превратилась во вполне осязаемое настоящее. Только за прошлый год рынок Robotic Process Automation (RPA) вырос на 64%, а количество успешных проектов в этой области увеличилось вдвое. Мировые вложения в искусственный интеллект (ИИ) достигли в прошлом году $12,5 млрд. Но как компаниям выиграть в «гонке вооружений», где большинство участников уже массово внедряют интеллектуальные технологии? Этот вопрос активно обсуждали и на Давосском экономическом форуме 2018 года. Один из ответов — совместить интеллект естественный и искусственный. Эксперты считают: если бизнес будет расширять сотрудничество машин и людей, то к 2022 году доходы корпораций увеличатся на 38%.
В ближайшие два-три года не только физический труд, но и рутинная офисная работа перейдет к машинам. Это, например, почти 70% задач, связанных со сбором и обработкой информации, — так считает McKinsey. Аналитики Gartner уверены, через два года ИИ уничтожит 1,8 млн рабочих мест, но создаст 2,3 млн новых. Чем же будут заниматься люди? Эти задачи можно разделить на две большие группы.
Учить и контролировать
Вычислительные возможности машин огромны, но им нужен большой массив релевантной информации для обучения. В связи с этим значительно возрастет спрос на специалистов, которые умеют правильно готовить информацию, а затем и оценивать, насколько хорошо работают машины.
Например, компании нужно автоматизировать закупочную деятельность — избавить сотрудников отдела закупок от необходимости вычитывать тысячи страниц тендерной документации. Для этого эксперты сначала определяют, какие факты платформа должна находить в конкурсной заявке, насколько они значимые. Как определять выгодного поставщика по соотношению цены, сроков и квалификации специалистов? Чтобы ИИ быстро справился с этой задачей, необходимо подготовить размеченную базу данных — выбрать необходимые документы, указать, что и как должны искать в них алгоритмы. Похожую систему использует «дочка» «Газпрома». С помощью ИИ специалисты создают каталог закупок и цен и анализируют будущие потребности в ресурсах. А электронная площадка Сбербанка «Сбербанк АСТ» применяет лингвистические алгоритмы, чтобы обрабатывать сложные поисковые запросы заказчиков: ищет торги и цены поставщиков для разных видов закупок.
Конечно, некоторые современные программы умеют сами создавать данные: на этом принципе построены генеративные состязательные сети. Американская NVidia создала алгоритм, который может менять погоду на фотографиях и превращать солнечный пейзаж в заснеженный, сменить день на ночь. С помощью этой технологии можно готовить беспилотные автомобили для езды в разную погоду. Например, машина едет по выжженной пустыне, но с помощью изображений отрабатывает маневры для снежной бури. Но пока такие системы в основном работают с изображениями, а не текстовой информацией.
Кроме того, технологические гиганты уже нанимают, часто на аутсорсинге, людей, которые оценивают и критикуют интеллектуальные сервисы. У Microsoft есть Universal Human Relevance System: сотрудники решают миллионы микрозадач каждый месяц, например проверяют работу поисковых алгоритмов. «Яндекс» не случайно поставил в «Алисе» значки одобрения и неодобрения на каждый ответ своего ассистента: так они собирают обратную связь, чтобы постоянно улучшать свой сервис. А Google так же не случайно постоянно спрашивает вас, не робот ли вы, когда просит вас найти изображения автомобилей, мостов, витрин и т.д. — все это примеры процессов разметки данных для обучения машин.
Работать вместе с роботами
В шахматах команды из ИИ и гроссмейстеров обычно называют кентаврами. Похожие разработки, цель которых — сделать эффективной совместную работу людей и машин, сейчас активно ведут и в бизнесе: работы на опасном производстве, инвестиционный анализ, разработки новых лекарств и другие задачи, где необходимо либо увеличить наши физические или аналитические возможности, либо быстро найти нужную информацию. Почему же «кентавры» работают лучше, чем роботы сами по себе?
На текущем этапе развития ИИ — специалист узкого профиля. Машина доводит до совершенства одну или несколько однотипных задач. Выявляет в потоке документов договоры с заданными параметрами — фамилией директора, названием и юридическим адресом организации. Ищет в корпоративной почте письма, на которые нужно срочно ответить. Распознает изображения повреждений автомобилей. Определяет, стоит ли выдать предпринимателю кредит. Например, много важной информации о будущем заемщике может содержаться в базах данных регуляторов и СМИ. Если искать данные вручную по ключевым словам, почти 75% окажется нерелевантным мусором. Сотрудникам придется потратить несколько часов, чтобы отсеять все лишнее. ИИ может проанализировать информацию по смыслу и сразу найти индикаторы риска — арест, утрату активов, банкротство, неисполнение контрактов и т.д. Похожую платформу для анализа новостей и оценки акций создает банк Credit Suisse. Технология анализирует сообщения на разных языках и выдает рекомендации, какие акции банку стоит покупать, а куда деньги лучше не вкладывать. Подобные интеллектуальные технологии тестируют и несколько крупных российских банков для анализа рисков при выдаче кредитов, а также в сфере инвестиций.
Пока опыт показывает, что больше всего от ИИ выигрывают компании, которые сочетают его производительность и аналитические способности человека. Как это работает? Например, довольно успешно люди и роботы играют на бирже. Так, американская компания Vanguard создала полуавтономного консультанта. В то время как другие торговые роботы действуют в одиночку, Vanguard объединяет свой ИИ с живыми трейдерами. Система Personal Advisor Services (PAS) моделирует до 10 тыс. возможных ситуаций в секунду и прогнозирует прибыль, а профессиональный трейдер оценивает гипотезы PAS и дает рекомендации о портфеле в инвестициях с высоким уровнем риска. В управлении таких команд клиентские активы на $65 млрд.
Производитель одежды Tommy Hilfiger использует компьютерное зрение и глубокое обучение, чтобы вместе с ИИ создавать эскизы в стиле бренда. Нейросеть обучена на 600 тыс. фотографий с модных показов. Она использует их, чтобы придумывать оригинальные модели одежды. Дизайнеры отбирают наиболее удачные из них и создают новые образы. С помощью обработки естественного языка машина анализирует комментарии в социальных сетях и определяет, какие платья и рубашки больше всего нравятся покупателям. Такой симбиоз необходим, так как даже в массовом сегменте клиенты требуют учитывать их предпочтения и потребности. Сделать это без ИИ для миллионов пользователей — немыслимая задача.
Новые навыки и умения
В недалеком будущем машины возьмут на себя рутинную, весьма трудоемкую и часто неинтересную работу. Роль человека изменится: вместо исполнителя он станет куратором, будет контролировать качество работы алгоритмов и формулировать для них задачи. Делать это он сможет на основе полезной информации, которую ему дает ИИ. Наконец, машины расширят наши возможности — как физические, так и умственные. Но для этого предстоит расти и совершенствоваться нам самим.
По оценке аналитиков Давоса, уже к 2020 году около 35% профессиональных умений изменится. Какие навыки будут в цене? Точного ответа на это сейчас не знает никто, хотя гадают многие. Чему учиться самим, на что нацеливать детей и внуков? Со своей стороны предполагаю, что это будут желание и способность быстро овладевать новыми знаниями (так называемая когнитивная гибкость, обучаемость), умение комплексно подходить к решению проблем и критически оценивать ситуацию (аналитика в широком смысле), навыки ориентации в больших массивах информации, опыт работы в команде с людьми и машинами. Именно эти качества будут востребованы.