Такое использование автоматики способствует переосмыслению деятельности менеджера по кадрам, отделяя шаблонные обязанности от работы, более соответствующей квалификации специалистов, – проведения собеседований. После того как программа быстро и непредвзято оценит основные навыки претендентов, люди смогут сосредоточиться на более важных задачах, выполнение которых приносит компании прибыль. Кроме того, теперь, когда автоматика заменила человека в выполнении шаблонных задач, рекрутеры сумеют уделить больше внимания созданию комфортной атмосферы для многообещающих кандидатов на значимые позиции, помогая им снизить уровень стресса, традиционно возникающего в подобных обстоятельствах, и пройти через процедуру оформления. У них появится время для того, чтобы подробно отвечать на вопросы претендентов, а также решать проблемы, возникающие по ходу дела, помогая им осваиваться на новом месте.

Бывает и так, что познавательная автоматика расширяет поле деятельности человека, взаимодействуя с ним напрямую. Система инвестиционного анализа компании Kensho Technologies предоставляет инвестиционным менеджерам возможность задавать ей устные вопросы на английском языке и в течение нескольких секунд дает ответы на них. Вопрос может звучать, например, так: «Какие отрасли и сектора показывали наилучшие результаты в течение трех месяцев до поднятия процентных ставок и в течение трех месяцев после этого?» Таким образом, искусственный интеллект превратился в настоящего советника, с которым можно поговорить. С его помощью инвестиционные менеджеры, анализирующие различные сценарии будущего, работают быстрее, а финансовые результаты компании стали заметно выше.

Оба примера касаются шаблонных умственных задач, выполняемых специалистом в одиночку и относящихся к той части графика ПУРР, которая описывает плавное увеличение показателя ценности. Познавательная автоматика заменяет человека или расширяет его возможности, помогая добиться дополнительной ценности за счет более качественной оценки – кандидатов или инвестиций. Автоматика способна анализировать больший объем информации, делая это более качественно и объективно. Кроме того, как мы убедились, она дает возможность переключить сотрудников на выполнение задач, более прибыльных для организации.

Как организовать техническое обслуживание самолетного или автомобильного парка или, скажем, большого числа ветроэнергетических установок? Решением таких задач занимается компания General Electric (GE). Традиционно целая армия опытных и квалифицированных специалистов GE разъезжала по местам, где базировалась техника клиентов. В их обязанности входило принятие решений о том, какого рода обслуживание требуется в каждом конкретном случае. При этом специалисты руководствовались опытом и здравым смыслом, обращая внимание на то, как долго техника находится в эксплуатации и в каких условиях она работает, насколько велика нагрузка, а также на многие другие факторы. Кроме того, в задачи инженеров входило делиться своими наработками и лучшими найденными методиками с коллегами, описывая случаи из практики и отправляя материалы в электронные бюллетени и центры обработки данных, где они были доступны всем сотрудникам. Это была стандартная деятельность: выполнение ряда одинаковых действий в необходимой последовательности. Она предполагала постоянное взаимодействие (специалисты внутри каждой команды совместно занимались выполнением задач и сотрудничали с коллегами через общие обучающие платформы) и носила умственный характер, поскольку требовала принятия решений о том, какая информация необходима, а также последующего анализа этой информации с целью выбора наилучшей стратегии техобслуживания. Конечно, деятельность инженера включает в себя и физический труд (то есть непосредственно работу с техникой), но сейчас мы поговорим о сборе и анализе данных, а также о последующей диагностике. Традиционная организация производственного процесса приводила к значительному простою оборудования: клиентам то и дело приходилось ждать, пока им назначат дату обслуживания, либо техническая команда сталкивалась с нестандартной ситуацией, требовавшей получения дополнительных данных, либо центральная информационная платформа перезагружалась, и необходимо было выжидать, чтобы получить актуальные данные о новых решениях, найденных инженерами из разных бригад.

Руководители General Electric поставили перед собой следующие стратегические цели: существенное снижение времени простоя техники, проведение техобслуживания только в случае необходимости, обеспечение полевых специалистов более полной и соответствующей их потребностям информацией о лучших методах выполнения работ. Компания сумела всего этого добиться, переосмыслив деятельность технических специалистов и предоставив им в помощь искусственный интеллект со способностью к обучению, задействовав одновременно возможности сенсоров, большие данные и интернет вещей[33]. В General Electric создали так называемых «цифровых близнецов» – электронные копии обслуживаемой аппаратуры, включая самолетные двигатели, газовые турбины и ветроэнергетические установки. Сенсоры, находившиеся на реальном оборудовании, собирали данные об индивидуальных показателях техники и условиях ее работы (температура, вибрация, уровень шума и т. д.). Эти данные организовывались таким образом, что созданный с их помощью «цифровой близнец» того или иного оборудования полностью воспроизводил его работу. Специалисты GE программировали «цифрового близнеца», отрабатывая всевозможные варианты сценариев (различные нагрузки, продолжительность и условия работы и т. д.). Используя данные, полученные на программах-симуляторах, сотрудники General Electric получили возможность прогнозировать поломки и определять, какого рода ремонтные работы необходимы для реальных объектов. Программа искусственного интеллекта также в состоянии самостоятельно составлять графики техобслуживания, отправлять информацию и описания лучших методов работы полевым командам технических специалистов. «Цифровые близнецы» могут создаваться и для целых массивов оборудования (например, завода или фабрики) и техники (скажем, парка самолетов или грузовиков), давая возможность анализировать не только работу каждого отдельного агрегата, но и всего парка техники в целом.

Информация от тысяч реальных агрегатов постоянно и безостановочно поступает в программы «цифровых близнецов». Поскольку обстоятельства, влияющие на работу механизмов, и, соответственно, актуальный график технического обслуживания со временем и под влиянием разного рода обстоятельств неизбежно меняются, невозможно найти единую формулу и бездумно ее использовать. Между тем, пока техобслуживанием занимались только люди, зачастую стандартная схема действий оказывалась наилучшим из доступных решений, поскольку обеспечить индивидуальный подход в каждой из возможных ситуаций было попросту нереально. А вот с появлением автоматики возникла возможность по мере необходимости менять оптимальные алгоритмы и методики, используя обновленные данные. Системы машинного обучения позволяют технике обучаться за счет новой информации, постепенно модифицируя проактивные модели обслуживания, идентифицируя новые шаблоны работы, аномалии и направления развития. Алгоритм, обнаружив эффективное решение для одного вида техники или конкретной ситуации, способен найти для него иное применение, предложив новые стандарты для других областей деятельности. К 2017 г. в системе General Electric работало уже около 750 000 «цифровых близнецов», и к ним постоянно добавлялись новые.