Кай-фу Ли - Сверхдержавы искусственного интеллекта [Китай, Кремниевая долина и новый мировой порядок] [litres]

Подобные способы оптимизации хорошо работают в отраслях, где накоплены большие объемы структурированных данных. «Структурированными» можно назвать данные, которые категоризированы, размечены и доступны для поиска. Это, например, массивы данных о ценах на акции, использовании кредитных карт и статистика невыплаченных ипотечных кредитов.

Еще в 2004 году компании Palantir и IBM Watson предлагали предпринимателям и правительствам услуги бизнес-консалтинга на основе анализа больших объемов данных. Но массовое внедрение глубокого обучения в 2013 году сделало эти услуги более доступными и породило новых конкурентов, таких как Element AI в Канаде и 4th Paradigm в Китае.

Эти стартапы работают с традиционными компаниями или организациями, предлагая им внедрить свои алгоритмы в существующие базы данных, чтобы найти возможные способы оптимизации. Они помогают своим клиентам эффективно выявлять мошенничество, совершать более разумные сделки и обнаруживать нерациональные звенья в цепочках поставок. Ранние проекты на основе ИИ для бизнеса были сосредоточены в финансовом секторе, потому что он, естественно, построен на наиболее тщательном анализе данных. Эта отрасль работает с хорошо структурированной информацией и имеет четкие показатели, которые и необходимо оптимизировать. Это объясняет, почему Соединенные Штаты вырвались вперед и раньше других разработали приложения для применения ИИ в области бизнеса. Крупные американские корпорации уже давно собирают большие объемы данных и хранят их в хорошо структурированных форматах. Они часто используют программное обеспечение для ведения бухгалтерии, учета инвентаря и управления взаимоотношениями с клиентами. Как только данные введены в формы, такие компании, как Palantir, могут вступить в игру и с помощью инструментов ИИ найти решения, которые позволяют сэкономить средства и увеличить прибыль.

Однако в Китае такой подход неприменим. Китайские компании никогда массово не использовали корпоративное программное обеспечение или стандартизированные хранилища данных, предпочитая индивидуальные системы ведения бухгалтерии. Часто эти системы не масштабируются и плохо интегрируются с существующим программным обеспечением, что усложняет очистку и структурирование данных. Недостаток данных также делает результаты оптимизации менее точными. Еще одна проблема связана с особенностями деловой культуры: китайские компании тратят гораздо меньше денег на сторонний консалтинг, чем американские. Многие китайские предприятия старой школы больше напоминают феодальные вотчины, чем современные организации, и их руководители часто считают, что внешняя экспертиза – это пустая трата денег.

Как корпоративные данные Китая, так и его корпоративная культура затрудняют применение искусственного интеллекта второй волны для традиционных компаний. Но в тех отраслях промышленности, где ИИ может, как в чехарде, «перескочить» через какой-то большой этап, Китай решительно шагает вперед. При этом относительная отсталость страны в таких областях, как финансовые услуги, превращается в трамплин для передовых приложений ИИ. На их основе строится одно из наиболее перспективных направлений в этой области – микрофинансирование. Когда Китай «перескочил» через кредитные карты сразу к мобильным платежам, в стороне осталась проблема кредитования. WeChat и Alipay позволяют снимать средства прямо с вашего банковского счета, но не дают вам возможности потратить немного больше денег до следующей зарплаты. Образовавшаяся ниша была занята ИИ-приложением Smart Finance, которое стало выдавать миллионы небольших кредитов, полагаясь исключительно на свои алгоритмы. Вместо того чтобы просить потенциального заемщика ввести сумму заработка, оно просто запрашивает доступ к некоторым данным из его телефона. Эти данные образуют своего рода цифровой отпечаток пальца, по которому с удивительной точностью можно определить, вернет ли заемщик кредит в триста долларов.

Алгоритмы глубокого обучения Smart Finance не просто рассматривают очевидные показатели, например, сколько денег в вашем кошельке WeChat. Наряду с этим они опираются на данные, которые ничего не значили бы для банковского служащего. Например, учитывают скорость, с которой вы ввели дату рождения, остаток заряда вашего телефона и тысячи других параметров.

Какое отношение аккумулятор телефона заявителя имеет к кредитоспособности? На этот вопрос нельзя ответить на основе простой причинно-следственной связи. Но это не означает, что ИИ ошибается. Это означает, что наш разум не всегда способен распознать корреляции в больших потоках данных. Обучив свои алгоритмы на миллионах данных о выплаченных и невыплаченных кредитах, компания Smart Finance выявила тысячи мельчайших особенностей, связанных с кредитоспособностью, в том числе тех, которые кажутся необъяснимыми с точки зрения здравого смысла.

Эти необычные параметры составляют то, что основатель Smart Finance Kэ Цзяо называет «новым эталоном красоты» для кредита, заменяющим необработанные данные о доходах, почтовый индекс и даже кредитный рейтинг [56] Беседа с автором, октябрь 2017 года. .

Растущие горы данных позволяют компании совершенствовать алгоритмы, расширять клиентуру и предоставлять кредиты людям из социальных групп, обычно игнорируемых традиционным банковским сектором Китая: молодежи и рабочим-мигрантам. В конце 2017 года Smart Finance выдавала более 2 млн займов в месяц, причем процент невозвратных среди них настолько низок, что самым известным традиционным банкам остается лишь завидовать.

Но ИИ для бизнеса способен не только считать доллары и центы. Он также способен обеспечить качественными массовыми услугами тех, кто раньше не мог их себе позволить. Одно из самых перспективных направлений для внедрения ИИ – медицинская диагностика. Лучшие исследователи Соединенных Штатов – Эндрю Ын и Себастьян Трун – уже представили эффективные алгоритмы, диагностирующие некоторые заболевания не менее точно, чем врачи. В основе алгоритмов лежит анализ изображений: так, они могут распознать пневмонию по рентгеновским снимкам грудной клетки и рак кожи по фотографиям. Но более универсальное приложение могло бы контролировать весь процесс диагностики различных заболеваний.

В наши дни достаточными медицинскими знаниями, чтобы ставить диагнозы, обладают лишь немногочисленные люди – врачи. При этом человеческая память несовершенна, и у редкого врача хватает времени на то, чтобы следить за всеми исследованиями и достижениями науки в своей области.