AI/ML и корпоративная Америка — преодоление пропасти? Выводы ИТ-симпозиума Gartner
Подавляющее большинство компаний и предприятий сегодня не используют технологии машинного обучения. Когда я пытаюсь сопоставить адаптацию технологии AI/ML с кривой адаптации технологии, как описано в книге Джеффри Мура 1990 года «Преодоление пропасти», я понимаю, что приложения на основе машинного обучения «только что пересекли пропасть и сбили первую кеглю для боулинга». Многообещающий потенциал технологии все еще находится в руках новаторов и провидцев, которым еще предстоит преодолеть пропасть.
(посмотрите 14-минутный доклад Джеффри Strata 2014 года о BD — https://youtu.be/_0LfkUz6enw)
Недавно я вернулся на Симпозиум Gartner, пятидневное мероприятие, на которое приезжают тысячи руководителей этой престижной ИТ-конференции. Я не сомневаюсь, что все они согласны с тем, что ИИ — это разрушитель, и им следует уделять очень пристальное внимание и принять его, иначе… ИИ как тема обсуждался почти на каждом выступлении, даже Марк Бениофф прямо упоминал об этом. Не было никакого способа избежать сообщения, просто просмотрев повестку дня или прослушав любую сессию, это было мини-событие ИИ.
Похожая тема была на конференции Mobile/Multi Edge Compute, которую я посетил всего за неделю до этого в Берлине — AI/ML или что-то еще…
Gartner использовал термин ИИ. Однако мне нравится использовать термин технология машинного обучения (или ML). Машинное обучение включает в себя глубокое обучение и является самой важной технологией, благодаря которой мы совершили огромный скачок в области искусственного интеллекта и когнитивных систем/приложений.
Как я провел это «исследование?»
Те, кто меня знает, знают, что я не застенчивый человек. Независимо от случая или ситуации, я люблю знакомиться с новыми, разнообразными и интересными людьми (думаю, это путешественник во мне). По моим оценкам, на этих конференциях у меня было 50 разговоров в день, а может и больше. Большинство бесед были короткими и проходили в непринужденной, доброжелательной обстановке. Начинается с небольшой беседы, за которой следует знакомство. Я пытался быть последним, чтобы представиться, и когда я это сделал, я получил полное внимание, я известен как «Парень с искусственным интеллектом». Однако, как бы я ни любил говорить, если у меня есть 3–5 минут, я предпочитаю слушать и учиться, а не быть академическим «понтом». Итак, я начинаю с вопроса, задаю одни и те же вопросы в разных вариантах — «используете ли вы ИИ в своей компании?», «есть ли в вашей компании специалисты по данным?» и если они делают, я спрашиваю об этом еще немного. Иногда я также спрашиваю: «Как выглядит ваше решение для обработки данных?»
Основываясь на их ответах, по моей оценке, компания попала бы в одну из четырех категорий:
1. Еще нет — ИИ находится в центре нашего внимания в следующем году — другими словами, мы не используем машинное обучение и не планируем делать это в ближайшее время.
2. ИИ в коробке — мы используем приложение ИИ в основном для наших приложений, ориентированных на клиентов — чат-ботов и агентов ИИ, как часть CRM, инструментов продаж и маркетинга — мы НЕ используем ИИ в качестве нашего ядра. технологии.
3. Мы запустили процесс — наняли специалиста по данным и создали группы по анализу данных.
· В эту категорию я включаю компании, которые экспериментируют с ML — API (например, AWS, Google, Azure) или сторонние приложения AI в небольшом масштабе, но для основного бизнеса.
4. Эксперты машинного обучения. Честно говоря, за редким исключением, большую часть времени я проводил в разговорах с экспертами. Для этих компаний «большие данные» — это «похоже на 2012 год», они уже давно создали аналитические возможности и используют машинное обучение в основных бизнес-приложениях.
Начнем с 4-й категории — Эксперты:
В категориях 3 и 4 («мы начали процесс» и «эксперты») технология машинного обучения прямое и значительное влияние на их прибыль. Компании SaaS или интернет-компании, например. реклама, электронная коммерция... Они выводят продукт на рынок со скоростью компилятора, могут вносить изменения в приложения почти мгновенно, они могут экспериментировать, например, проводить A/B-тестирование, и могут увидеть и измерить влияние за считанные секунды.
Другой сегмент, хотя и совсем другой, — это финансовый или финтех. Я думал, что он будет более традиционным, регулируемым и устойчивым к изменениям. Однако в финтехе есть карманы (крупные), которые практически являются компаниями-разработчиками программного обеспечения и алгоритмов с уникальным типом данных. Успех легко измерить с помощью четких KPI (ключевых показателей эффективности). Здесь также в некоторых случаях использования небольшое улучшение качества прогноза даже на +0,01% может привести к огромным $$ (выигрыш или убыток) менее чем за секунду.
Простой способ проверки или проверки работоспособности — просмотр объявлений о вакансиях. Это несколько просто, но дает хорошее представление о том, куда компания хочет инвестировать, а эксперты по машинному обучению недешевы.
Теперь, пожалуйста, отнеситесь ко всему этому с недоверием. Я знаю, что некоторые компании чрезвычайно продвинуты в внедрении AI/ML в свой основной бизнес — многие из них я здесь не упомянул.
3-я категория — мы начали процесс:
Компании используют фантастические API как часть своих приложений, таких как ASR или NLP, или даже интегрированы в Alexa/Google Home. Выходные данные API будут служить входными данными для приложения, отличного от мл. Это простой и безопасный путь, чтобы намочить ноги, и, честно говоря, эти API являются лучшими в своем классе.
Самые смелые наймут специалиста по обработке и анализу данных, откроют одну или две лаборатории, чтобы поэкспериментировать с основными вариантами использования. Подобные значительные инвестиции подпадают под бюджет НИОКР, в результате чего в лучшем случае POC может быть пилотным, но все же «лабораторным проектом». В какой-то момент бизнесу нужно будет увидеть реальные результаты, иначе команда сократится при первом же финансовом спаде.
Гибридный путь использует услуги таких компаний, как IBM, Cloudera или даже SAS (совсем не одно и то же). Если я уже их клиент, это намного проще. Альтернативой являются бутик-решения ИИ, которые специфицируют один аспект бизнеса или операции, такой как прогнозное обслуживание, прогнозирование SLA, безопасность.
В обоих случаях нанятый эксперт поможет продемонстрировать воздействие, возможно, в POC. Оттуда чемпион создаст финансовую модель для поддержки своей защиты интересов использования ИИ в компании. Мы действительно видели, как несколько корпораций внесли организационные изменения сверху вниз, создав подразделения AI/ML для поддержки всей компании — это достаточно скоро переместит их в категорию № 4.
IoT — это была самая горячая тема всего несколько лет назад. Я верю, что он уже здесь и растет повсюду вокруг нас. Такие низко висящие фрукты для технологии машинного обучения, верно?! Я так думал в первом квартале 2017 года, примерно в то время, когда я присутствовал на Всемирной конференции IOT. Итак, нет или еще нет. Промышленный Интернет вещей, огромное оборудование от GE, Siemens, Hitachi, Bosch или других производителей. Эти цифровые поставщики становятся все больше и больше компаний-разработчиков программного обеспечения, чтобы сохранить свое преимущество. Эти машины уже генерируют много данных — чтобы использовать их — просто нужно время.
Как часто я меняю домашнюю электронику? Как часто завод меняет или модернизирует невероятно дорогое и сверхсложное оборудование? Технология машинного обучения может принести пользу при проектировании и эксплуатации новой машины, и поставщики прекрасно об этом знают, поэтому она приближается.
ML 2-й категории в коробке:
Я думал, что страховка будет 4-й или даже 3-й категории — ведь у них есть все данные в мире еще до того, как у нас появилось цифровое хранилище. Они использовали алгоритмы и аналитику еще до того, как у нас появились компьютеры. Я понял, что страховая отрасль сложнее, чем Geico или State Farm, но я не знал, насколько. В начале конференций я изо всех сил старался встретиться с как можно большим количеством страховых компаний. Никто не заявлял об этом прямо, но я считаю, что существует очень мало мотивации для того, чтобы что-то изменить по сравнению с тем, как это делается сегодня. Мы зарабатываем деньги, прорыв в больших масштабах маловероятен (это напомнило мне «Дилемму инноватора» Клейтона М. Кристенсена).
Телеком. Я вижу ту же картину, что и в страховой отрасли. Зачем возиться с работающей системой. Все мы знаем, насколько далеко от истины это утверждение. Конкурировать по цене, а не по качеству, не является устойчивой бизнес-моделью, по крайней мере, для операторов, которые фактически являются для нас каналом для подключения к Google-Maps или каналам Facebook.
Я рассматривал возможность отнесения телекоммуникационных компаний к 3-й категории «мы начали», поскольку мне известно о многих инициативах по машинному обучению в ведущих операторах и телекоммуникационных компаниях. Однако, на мой взгляд, они в лучшем случае где-то между 2-й и 3-й категориями. Может быть, 5G, IoT и смерть вещания и модели кабельного телевидения принесут с собой немного ML, я бы не стал делать ставку на это в следующем году.
Что такое ML в коробке? Это просто приложение, которое использует машинное обучение «под капотом». Компании, создавшие приложение, реализовали общие варианты использования технологии машинного обучения и красиво упаковали его, чтобы сложность была скрыта, но сохранили «ореол ИИ» в основном для целей маркетинга и взаимодействия с клиентами. Самые распространенные, о которых я знаю, — это чат-боты, как бы я их не ненавидел, я думаю, что они потрясающие и представляют собой большой шаг к автоматизации.
1-я категория Еще нет:
Я не преувеличиваю, в своем личном опросе я обнаружил, что 70%-90% Еще Не Там.
Как уже говорилось, люди, с которыми я разговаривал, были руководителями высшего звена (C-level, VP) в компаниях и организациях, которые являются основными столпами американской экономики (некоторые глобальные). Они представляют собой «1–2 стандартных отклонения от среднего». Мы говорим не о ручных сборочных линиях 1930-х годов, но и не об Apple. Это компании с сильным ИТ-отделом, уникальными и образованными талантами и блестящим бизнес-лидерством, которые сделали их успешными. Я узнал, что некоторые сталкиваются с сильной конкуренцией, в то время как другие доминируют в своей категории, но справедливо сказать, что они хорошо зарекомендовали себя до следующего сбоя.
→ Они не видят в ML разрушителя, по крайней мере, сейчас.
В наших беседах обратная связь была одной из следующих: «мы еще не определились со своей стратегией обработки данных, о чем вы говорите?» (и скорее всего не скоро). Или меня спросили: «Так что же я могу сделать с этим искусственным интеллектом, кроме чат-ботов и инструментов продаж/маркетинга?» В этот момент я дал свои 30 секунд «что такое ИИ от Нира Пеледа» и задал вопросы об их бизнесе и операциях.
Я узнал две основные вещи:
1. Во-первых, это проблема больших данных. Навскидку я мог придумать несколько вариантов использования машинного обучения. Однако им нужно будет решить проблему с данными. Огромные компании со структурированными и неструктурированными данными, иногда даже размеченными данными, поступающими из разных дисциплин, операций, исследований. Им нужно убрать этот беспорядок.
2. К 5-му дню я понял, что нет двух одинаковых компаний или бизнесов. Каждому из них необходимо преодолеть множество проблем, прежде чем они смогут применять машинное обучение практически в любых случаях использования. Все начинается с людей, организаций, за которыми следуют технологии и таланты.
В области технологий AI/ML новаторы и первые последователи хорошо известны, и большинство из вас, вероятно, работает на одного из них. Пока что в 2017 году мы наблюдаем, как AI/ML преодолевает пропасть, и прагматики начинают внедрять эту технологию — перемещая ее в группу раннего большинства, по одному варианту использования за раз. Тем не менее, требуется большая помощь, прежде чем мы доберемся до Торнадо и даже уроним больше, чем несколько кеглей для боулинга.
ML не демократизирован, но опирается на недостающий талант. Компании SaaS/Cloud возглавляют революцию, но при этом пытаются демократизировать специалистов по данным, создавая мощные платформы и готовые решения.
Стратегии обработки данных также препятствуют появлению многих основных вариантов использования.
Обе причины, талант и данные, мешают экономическим аспектам машинного обучения показывать значительный ROI (окупаемость инвестиций). Ведь все дело в деньгах.
Хорошая новость заключается в том, что почти все признают, что прорыв приходит к большинству, ранним и поздним, и, в конечном счете, к отстающим (кто-нибудь знает бизнес без веб-сайта?!).
