Создание условий для обнаружения данных

Какие способы взаимодействия с данными вы используете? Приносят ли аналитические инструменты пользу только экспертам и специалистам по обработке данных? Ваша задача — обеспечить такой способ получения ценной информации, чтобы все желающие, особенно далекие от технологий пользователи, могли с выгодой для себя применять ту историю, которую данные пытаются до них донести.

Компания Ayasdi обеспечивает демократизацию процесса обнаружения данных, разрабатывая программное обеспечение, которым могут пользоваться как специалисты по обработке и анализу данных, так и бизнес-лидеры, не обладающие глубокими знаниями в IT. Один из клиентов компании, Техасский медицинский центр (Texas Medical Center, TMC), специализируется на анализе больших многомерных наборов данных, таких как данные о пациентах с раком груди. Программа компании Ayasdi способна за несколько минут выделить подгруппу пациентов, которые перенесли рак и которым свойственны определенные общие характеристики, что может оказаться очень важным[146]. Техасский медицинский центр планирует использовать инструменты компании Ayasdi для разных целей, от анализа клинических и геномных данных до повторных исследований существующих лекарственных препаратов[147]. Успех Техасского медицинского центра подтверждает целесообразность поиска таких аналитических инструментов, которые демократизируют данные, с тем чтобы привлечь группу квалифицированных сотрудников к экспериментированию с данными и переосмыслению бизнес-процессов.

Заполнение «недостающей середины»

Для создания цепочки снабжения данными требуется нечто большее, чем новейшие технологии и поток качественной информации. Руководители должны ввести специальные должности в области «недостающей середины» для развития и управления системой.

Обратите внимание: обратная связь на основе искусственного интеллекта создает добродетельный цикл обучения и совершенствования. Вот почему специалистам по обучению предстоит разработать план действий, чтобы помочь «умным» машинам совершенствоваться посредством циклов обратной связи между данными и алгоритмами. Например, в компании Google специалисты по обучению работают над улучшением способности систем обработки естественного языка распознавать диалекты. В рамках этой работы собрано 65 тысяч значений данных по 30 словам (иначе говоря, разных вариантов произношения этих слов)[148].

Помимо специалистов по обучению, разъяснению и экспертов по устойчивости также потребуются специалисты по непредвзятости в цепочке снабжения данными. Во многих процессах искусственного интеллекта уже встроены механизмы, обеспечивающие совершенствование системы. Например, если вы выбираете не тот маршрут, который предлагает приложение Waze, эта информация помогает усовершенствовать алгоритм, чтобы в будущем он давал более подходящие рекомендации. Но и в этом случае предвзятость может проникнуть в систему. Так, программы для прогнозирования криминального поведения обвиняемого демонстрируют предвзятость по отношению к чернокожим[149]. По этой причине компаниям, внедряющим современные системы искусственного интеллекта, всегда будут нужны эксперты по устойчивости, которые создадут условия для надлежащего функционирования этих систем. Для решения проблемы отклонения данных и иных ошибок подобного рода компания Google приступила к реализации инициативы по изучению взаимосвязи человека и искусственного интеллекта PAIR (People + AI Research). Компания опубликовала набор инструментов с открытым исходным кодом, которые помогут организациям получить более полное представление о данных, используемых их системами искусственного интеллекта[150].

Кроме того, компаниям следует подумать над назначением руководителя, ответственного за цепочку снабжения данными. Этот человек должен заниматься обеспечением устойчивости, контролируя работу других специалистов. В его обязанности входит создание интегрированной, сквозной цепочки снабжения данных, а также решение проблем, связанных с данными. Где имеет место разрозненность данных? Как можно упростить доступ к данным? Какие данные используются недостаточно эффективно и как можно использовать ценные «темные данные»[151]?

Безусловно, переосмысление бизнес-процессов — задача непростая. Как и следовало ожидать, многие компании столкнулись с серьезными трудностями на этом пути. С другой стороны, многие добились успеха и это привело к заметному улучшению их бизнеса. Мы обнаружили, в чем отличие компаний из второй группы: они твердо придерживаются четырех базовых методов работы, каждый из которых полностью согласуется с принципами нашей модели MELDS. Эта модель подразумевает комплексный подход к внедрению новейших систем искусственного интеллекта с учетом важных факторов (таких как корпоративная культура, обучение работников и доверие сотрудников), которые часто упускают из виду или которые оказываются неожиданностью.

В частности, для успешного переосмысления бизнес-процессов прежде всего нужно обладать надлежащим мышлением, чтобы представить новые способы выполнения работы в области «недостающей середины» с использованием искусственного интеллекта и данных, поступающих в режиме реального времени, для обнаружения и устранения основных болевых точек. Кроме того, следует сфокусироваться на экспериментировании, чтобы проверить и улучшить свое видение, одновременно создавая что-то новое, оценивая его и извлекая уроки. На протяжении всего процесса нужно думать о том, как обеспечить доверие к используемым алгоритмам. Для этого необходимы лидеры — руководители, создающие условия для развития ответственного искусственного интеллекта посредством формирования культуры доверия к нему с помощью установления границ, максимального сокращения зоны моральной деформации и других действий, позволяющих решить юридические, этические и нравственные проблемы, возникающие при внедрении подобных систем. И последний, но, безусловно, важный момент: переосмысление процессов требует качественных данных, поэтому компаниям необходимо выстраивать цепочки снабжения данными, которые обеспечат непрерывный поток информации из самых разных источников. Все это охватывает фрагмент MELD нашей модели MELDS.