AI: аналитики больше не нужны?
Стремительный прогресс искусственного интеллекта заставляет задуматься о том, как трансформируются технологии и методы анализа и поддержки принятия решений. Такое видение необходимо всем, кто занимается развитием и применением практик управления данными в организациях, чтобы понимать, в какие из них имеет смысл инвестировать. Сохранятся ли привычные инструменты, или они будут полностью заменены новыми технологиями? Какое место будет занимать человек в этих процессах?
Встречаются утверждения о том, что совсем скоро алгоритмы AI будут справляться с большинством аналитических задач лучше людей, что оставит без работы множество аналитиков. Действительно, машина способна очень быстро "охватить" гораздо больший объем информации, чем человек, принять во внимание множество факторов и выдать результат, который вероятнее всего окажется правильным. Появление ChatGPT произвело впечатление революции за счет того, что машина получила возможность общаться с человеком на обычном языке: исчезновение прослойки между алгоритмом и лицом, принимающим решения, заставило говорить о ненужности тех самых аналитиков и программистов, которые сейчас являются "интерфейсом" между руководителями бизнеса и средой обработки данных.
Что может человек, но не может AI?
Способен ли на самом деле алгоритм AI превзойти или заменить человека? Этот вопрос можно разделить на два: возможно ли такое технически, и принесет ли это действительную пользу людям, организациям и обществу.
С технической точки зрения ответ очевиден. Текущие реализации AI, основанные на машинном обучении, не порождают принципиально новой информации: они лишь генерируют бесконечное число вариаций на основе тех данных, которые были заложены в них при обучении. ChatGPT, один из наиболее впечатляющих примеров генеративных нейросетей, может "придумать историю" или "написать стихотворение", но результаты ее работы в любом случае будут компиляцией ранее известных сюжетных ходов, художественных приемов, стилей и т.д. Человек без труда отличает массовую литературу от шедевра, но создать шедевр ChatGPT принципиально не под силу: она вторична и ограничена воспроизведением известных образцов. То же самое верно и при ее использовании в качестве аналитика: ChatGPT может дать тривиальные рекомендации, сослаться на чей-то опыт, но не может "придумать" новых ходов в рыночной стратегии или идей инновационных продуктов. Между тем, именно новые и нестандартные решения в бизнесе способны дать по-настоящему ценный эффект и позволить опередить конкурентов.
Ответ на вопрос о том, может ли гипотетическая полная автоматизация процессов принятия решений в бизнесе принести пользу, также скорее отрицателен. Концепция "Устойчивого Развития" (Sustainable Growth) появилась как раз потому, что достижение количественно максимального результата – роста прибыли, объема выпуска продукции и т.д. – совершенно не гарантирует приближения к важным для человека целям. Решения в бизнесе, даже самом "капиталистическом", всегда принимаются с учетом человеческих ценностей. Очевидно, что мы не можем поручить AI принимать решения о том, что будет лучше или хуже с ценностной точки зрения: это всегда будет прерогативой самого человека.
Как AI изменит корпоративные ИТ?
Это приводит нас к пониманию двух сфер, в которых AI не должен, и по всей вероятности – в обозримом будущем не сможет заменить человека: творчества и креативности, а также целеполагания, ценностных суждений. Конечно, это повышает и требования к самим аналитикам: специалистов, не проявляющих творческих способностей и не способных на оценки, действительно сможет заменить алгоритм.
Вместе с тем, технологии AI несомненно изменят практику работы корпоративных аналитиков. Следующее поколение аналитических инструментов не будет ограничено сведениями, полученными при обучении, и сможет обращаться к внешним источникам данных – например, извлекать и обрабатывать свежую оперативную информацию из систем автоматизации бизнес-процессов. Уже сегодня инструменты AI помогают автоматизировать обнаружение корреляций в данных, свидетельствующих об определенных закономерностях протекания процессов в реальном мире. Предстоит еще по-настоящему раскрыть возможности превращения не структурированной информации (текстовой, графической) в структурированную (наборы формально выраженных утверждений).
Нельзя упускать из виду и то, что сегодняшние технологии AI моделируют в основном эмпирическое мышление и мало внимания уделяют имитации концептуального, логического мышления - однако именно такие инструменты позволят сделать выводы AI объяснимыми и проверяемыми.
С какой информацией работает AI?
"Хайповые" AI-решения сосредоточены на обработке не структурированной информации - текстовой и графической (это тоже является следствием моделирования в первую очередь эмпирического мышления). В бизнес-приложениях обрабатываются в первую очередь структурированные данные, которые всегда концептуализированы, то есть имеют формальный смысл, могут участвовать в вычислениях и контрольных проверках, и т.д. Обработка таких данных средствами AI за пределами узких конкретных задач пока менее развита. Одним из препятствий является разрозненность и (в некоторых случаях) сложности трактовки смысла данных.
Превращение всей доступной для анализа информации из множества разрозненных наборов данных в единое, связное представление (Корпоративный Граф Знаний, Enterprise Knowledge Graph), наличие однозначно трактуемого смысла у каждой единицы обрабатываемой информации и возможность определить уровень доверия к ней, безусловно, уменьшат долю рутины в труде аналитиков и увеличат пространство для проявления творческих способностей. Применение графовых алгоритмов анализа, в том числе машинного обучения на графах, откроет новые возможности извлечения бизнес-ценности из данных. Решения компании DataVera позволяют получить эти преимущества уже сейчас.
Мы уверены, что всестороннее развитие практик управления данными с применением AI в качестве одного из инструментов принесет существенные преимущества практически любому бизнесу. Обладая видением развития технологий, мы предлагаем нашим заказчикам использовать инструменты и практики работы с данными, которые останутся актуальными в среднесрочной перспективе.
