Сегодня на рекламном ИТ-небосводе восходит новая звезда. Она называется «искусственный интеллект» и чаще всего озаряет нас волшебным светом в такой своей ипостаси, как машинное обучение. В публикациях, кейсах, на конференциях поражают невероятные чудеса ИИ, способного в разы улучшать, в разы повышать и в разы ускорять. Но никто не расскажет, сколько на каждое такое чудо приходится скромных, в
Что требуется, чтобы развеять мистическое благоговение перед идолом у тех, кто страстно хочет заполучить его? Равно как и мистический ужас у тех, кто ни за что не желает допускать новшество в свое хозяйство? Наверное, прежде всего, не погружаясь в технические премудрости, разобраться в его принципиальном устройстве. Что ж, попробуем.
Когда-то в физике методом экспериментального тыка был открыт закон Бойля: если в закрытой емкости температуру газа поддерживать постоянной, а объем менять, то давление на стенки будет обратно пропорционально объему. Этим уже можно пользоваться для решения практических задач. Хочешь достигнуть нужного давления — двинь поршень на такую-то глубину. А хочешь, чтобы цилиндр не разорвало — дальше критической риски не двигай! А почему объем и давление ведут себя именно так? Впоследствии нашлось и объяснение: молекулярно-кинетическая модель идеального газа, в которой газ был представлен в виде мельчайших твердых частичек, летающих и сталкивающихся по законам Ньютона. Из такой модели закон Бойля и другие законы выводились с помощью логики и математики. В этой истории, забытой нами еще со школьной скамьи, порядок был такой: сначала нащупываем закономерность в виде формулы, потом — находим способ понять и объяснить ее.
В бизнесе практика сложилась прямо противоположная: сначала строим понятную модель чего-либо, а потом уж применяем формулы и прогнозируем цифры. Например, если запускаем новый магазин — сначала рисуем на листочке последовательность действий. Внесли аванс арендодателю, наняли строителей, потом реконструкция помещения, закупка оборудования и товара, наем персонала, даем рекламу и, наконец, начинаем торговать. Далее привязываем каждый шаг к срокам и к деньгам: в начале марта полмиллиона хозяину торгового центра, с марта по апрель — полмиллиона на реконструкцию, в мае — миллион на товар и оборудование, а с середины мая началась торговля, и деньги текут уже в нашу сторону такими-то суммами ежемесячной прибыли. Дальше крутим всю эту арифметику так и сяк. Например, вычисляем, в какой срок окупятся вложения. Или на сколько этот срок сократится, если сэкономить 10% на стройматериалах. Все понятно, все — в рамках здравого смысла.
В последние несколько лет, благодаря беспрецедентному росту серверных вычислительных мощностей и их удешевлению, в практику управления бизнесом начинает входить так называемое машинное обучение. Если отбросить технические подробности, то суть этого ИТ-инструмента — возврат к истории с законом Бойля. Под чутким руководством специального и очень дорогого человека (дата-сайентиста) компьютерная программа начинает вдоль и поперек крутить накопленные бизнесом за несколько лет данные — о продажах, о погоде, товарном дефиците, рекламных акциях, курсе валют, текучести персонала и т. д. и т. п., количество показателей может измеряться сотнями. В результате — выдается формула, описывающая зависимость продаж от множества самых разных переменных. Если в ходе проверки формула оказывается справедливой для новой порции накопленных данных — ею начинают пользоваться и достаточно точно прогнозировать, например, продажи. Если есть расхождения — машина и ее дрессировщик работают дальше, вплоть до полной победы машинного прогнозирования. Разница между историей с давлением газа и машинным обучением — лишь в том, что объяснять формулы какими-то гипотезами и моделями обычно не пытаются: нет для этого ни нужды, ни интеллектуальных мощностей человека. Работает — и слава Богу!
Однако из того факта, что машина может подбирать формулы и прогнозировать лучше человека, вовсе не следует, что на этом поприще человеческий интеллект должен отдыхать. Первые опыты применения машинного обучения в нашей стране уже принесли немало курьезов и потерь, связанных с недостаточно продуманной постановкой задач перед сайентистом и его гениальными алгоритмами. Ведь машинный интеллект на то и машинный, что работает по принципу метлы из сказки «Ученик чародея»: тупо выполняет ровно ту задачу, которую перед ним поставили. Поэтому прежде, чем задачу ставить — желательно семь раз подумать: а что мы хотим получить на выходе. Вот два забавных случая из практики «Яндекса», признанного лидера в машинном обучении.
Случай первый. Руководство розничной сети поставило перед сайентистами задачу: научить компьютер предсказывать количество товара, которое будет дополнительно раскупаться в результате той или иной маркетинговой акции. Исторические данные по сети и ее акциям загрузили в «черный ящик», провели все необходимые манипуляции, получили результат. В штуках товара. А потом директора магазинов приходят с претензией: зачем нам в штуках, если мы заказываем, планируем и получаем в упаковках? В каждой упаковке штук много. И мы не хотим ломать голову, высчитывать и согласовывать, что лучше: недополучить товар из-за того, что машина насчитала товара на пять упаковок и еще на полупаковки. Или, наоборот, заказать лишние штуки в составе целого числа упаковок. Задачу переформулировали на упаковки, и все поехало по новой. И закончилось успешно. Если не считать зря потраченных времени и денег.
Случай второй. На металлургическом предприятии необходимо было оптимизировать расход дорогостоящих добавок в зависимости от загружаемого в печь химического состава сырья. Поколдовав с историческими данными о химии веществ на входе и качеством металла на выходе, машина научилась рекомендовать нужное количество добавок, и ценность ее рекомендаций подтвердилась в последующих опытах. Но вот незадача: внедрение новинки уперлось в систему оплаты труда и человеческую психологию. Оператор печи — уникальный многоопытный специалист, который прежде определял добавки на глазок, не доверял машине: она советовала делать совсем не то, что предпринял бы он сам. До тех пор, пока за спиной оператора стояли уполномоченные дяди и тети, бравшие на себя ответственность за качество выплавки, все было замечательно. Но как только они уходили, и человек оставался один на один с непонятным советчиком и страхом лишиться премии за брак, он тут же бил тревогу и требовал возвращения дядь и теть. После долгих раздумий и всех взвешиваний всех «за» и «против» проектной группе в конце концов пришлось остановиться на нестандартном решении: алгоритм должен был по максимуму оптимизировать процесс, но вместе с тем — выдавать решения, по минимуму отличающиеся от тех, которые склонен был принимать оператор. Снова на второй круг, и снова решение было нащупано. И снова — с потерей времени и денег.
Эти показательные истории учат нас не ждать от ИИ чудес и не перекладывать на него обязанность думать своей головой. Потому что механизм машинного обучения придется встраивать в бизнес-процессы и технологии, которые нужно для этого знать до тонкостей. И мало того: нередко его придется встраивать и в непростую управленческую ситуацию. И даже в ситуацию сложившихся у конкретных людей привычек. Даже в ситуацию сложившихся конкретных отношений между людьми. И конечно же, грубейшей ошибкой, от которой предостерегают практически все специалисты по машинному обучению, было бы отдавать постановку задачи перед машиной на откуп дата-сайентиста, который мало что понимает в вашем конкретном бизнесе. Он, конечно, человек как правило неглупый. Иногда может что-то подсказать или задать хороший вопрос, подвигая вас на более широкое и глубокое осмысление задачи. Но постановка задачи всегда должна исходить от бизнеса, а не от гостя с его волшебным устройством.
