Сегодня эффективное руководство требует принятия вероятностного мышления. Зои Хилленмайер, коммерческий директор компании Peak, рассказывает на портале InformationWeek, почему лидерам необходимо принять новый подход к максимизации ценности ИИ.

Что отличает хорошего лидера? Традиционно напористость, уверенность, решительность. Это потому, что традиционно бизнес вознаграждает уверенность.

Будучи людьми, мы все понимаем, что в мире существует неопределенность — для каждой ситуации есть вероятностное распределение потенциальных исходов. Но если в деловой среде проявить хоть что-то, близкое к неуверенности, это вызовет много вопросов и, что еще хуже, вопросов о наших возможностях. Поэтому мы учимся проецировать определенность и уверенность на конкретный результат. Но даже самый авторитетный руководитель часто угадывает, принимая решения.

Тем не менее, по мере того, как ИИ продолжает входить в обиход, многие лидеры приходят к выводу, что им необходимо научиться новому способу руководства. Системы ИИ в большинстве своем выдают математические вероятности определенных результатов или рекомендаций. Для руководителей это означает изменение способов обсуждения будущего и принятия решений.

По мере того как компании внедряют технологии ИИ, руководители должны принять неопределенность, признать пределы своих возможностей и начать мыслить по-другому. В основе этого нового подхода лежит вероятностное принятие решений — то есть принятие решений, учитывающих возможность альтернативных исходов. И те из нас, кто примет стиль руководства, комплементарный к этой технологии, получат конкурентное преимущество в эпоху ИИ. Те же, кто этого не сделают, могут оперировать данными на миллионы долларов и так и не суметь извлечь из них выгоду.

Что такое вероятностное принятие решений

Детерминистский менталитет, который в настоящее время управляет большинством предприятий, пытается избавиться от неопределенности. Решения оцениваются как правильные или неправильные. Обсуждается, кто в конечном итоге принял данное решение и должен ли он выступать в этой роли.

Модели ИИ и машинного обучения требуют другого набора вопросов. Они не просто взвешивают «правильно» или «неправильно», они являются вероятностными и дают представление о математической вероятности неопределенности. Наложите сверху человеческую интуицию и опыт, и у вас неожиданно получится очень интересная и обоснованная дискуссия, причем действенные инсайты будут получены заранее — в отличие от данных, которые мы все привыкли препарировать.

Другими словами, больше не нужно спрашивать, кто принял «неправильное» решение и должен ли он оставаться на этой должности. Вместо этого возникает вопрос: «Если модель считает маловероятным, что нам нужен такой уровень запасов, почему вы его рекомендуете?».

Это дает нам возможность задать вопросы до начала события, быстрее понять проблемы и выявить любые неверные предположения. Более того, это оказывает огромное влияние на расширение возможностей команд. Например, сотрудники больше не находятся во власти начальника, который настаивает «что я скажу, то и будет». Хорошие вероятностные системы также помогут руководителям выявить свои собственные предубеждения или предубеждения своих команд, предполагая определенные виды исходов. Очень важно, что у команд появляется новая свобода подвергать сомнению процесс и вносить улучшения, которые будут способствовать успеху бизнеса. Они получают необходимую информацию заранее и не сталкиваются с необходимостью количественно оценивать догадки или интуитивные решения, которые оказались не такими, как ожидалось.

Как предприятия могут внедрить вероятностное мышление

Данные, необходимые для вероятностного принятия решений, уже циркулируют в бизнес-среде, но большинство компаний не используют их в полной мере. Очень немногие компании применяют вероятностный процесс принятия решений во всех функциях, хотя мы видим успехи в таких областях, как прогнозирование, обслуживание активов и предсказание отказов.

Прогнозирование погоды — это пример вероятностного принятия решений, с которым, вероятно, все мы знакомы. Прогнозы погоды обычно сопровождаются вероятностью определенного развития событий; например, при прогнозировании пути урагана синоптики указывают ряд возможных путей и исходов. Это позволяет подготовиться к чрезвычайным ситуациям и означает, что люди и службы спасения имеют представление об общем диапазоне возможностей и могут планировать соответствующим образом. Эти варианты определяются математическими моделями и интерпретируются экспертами-людьми. Они также очень полезны в роли «конечных пользователей» или «потребителей».

Как же нам, руководителям, совершить рывок от знакомых примеров вероятностного подхода в нашей повседневной жизни к внедрению его в наши команды и организации? Ответ на удивление прост — задавайте вопросы.

Первый шаг на пути к любым изменениям — это любопытство к их внутреннему устройству. В данном случае: как происходит сбор, обработка и моделирование данных. Если данных нет, то первый вопрос, который следует задать: «Почему у нас нет данных об этом?».

Если же данные есть, то вопросы практически безграничны! Разные компании — и даже разные команды внутри этих компаний — находятся на разных стадиях развития грамотности в области данных, и то, на каком этапе они находятся по шкале зрелости, определит вопросы, которые вам необходимо задать. Для тех, кто все еще находится на ранних стадиях своего пути к ИИ, вопрос может звучать так: «Доверяем ли мы имеющимся у нас данным?». Как правило, несколько команд в рамках предприятия регистрируют одни и те же данные, но между их отчетами часто возникают расхождения. Поиск «единого источника правды», т. е. данных, с которыми все согласны и которые являются точными, является важным первым шагом в понимании результата.

В отличие от них, более зрелые команды смогут рассказать вам о моделях, которые они использовали. Здесь необходимо задать следующие вопросы: «Почему мы использовали эту модель?», «Есть ли какие-либо предубеждения, о которых мы должны знать, и можно ли их смягчить, используя другую модель или подход?».

Несколько слов предостережения для менее технически подкованных пользователей, желающих приобщиться и поучиться: дайте понять, что вы действительно хотите учиться, прямо заявляя об этом и проявляя любопытство. Если люди, работающие с данными, подозревают, что вы пришли критиковать, надзирать или судить их работу, у вас может начаться мятеж! Задавайте вопросы и участвуйте в процессе обучения — ищите непонятные термины, спрашивайте, какую методику использует команда, и читайте статьи по ней.

Внедрение ИИ в ваш бизнес

Помните, что вы работаете в одной команде с теми, кто занимается данными, и это важно. Когда дело доходит до ИИ, кросс-функциональные команды неизменно быстрее добиваются большего успеха. Для реализации успешных, с коммерческим эффектом производственных ИИ-проектов требуется многопрофильная команда, способная привнести в процесс построения модели деловую интуицию, понимание и опыт на протяжении всего процесса, а также, в конечном счете, коммерческие лидеры, способные действовать в соответствии с результатами модели.

Для построения модели нужна команда, обладающая техническим пониманием, а для понимания ее прогнозов и действий на их основе — деловым опытом. Если какая-либо часть этого процесса происходит изолированно, результаты, как правило, оказываются менее качественными, задерживаются и часто не имеют значения (это одна из причин, по которой многие проекты MО не доходят до производства).

Будущее, когда ИИ будет внедрен в наши организации, ближе, чем мы думаем, и для поддержки этого перехода требуются дальновидные лидеры. Самыми успешными руководителями, которые будут процветать в бизнесе, основанном на ИИ, станут те из нас, кто проявит любознательность к этому процессу и будет стремиться стать достаточно грамотным в этой области, а не передавать эту грамотность на аутсорсинг. Вам не нужно быть экспертом, но вы должны быть любознательным.