она прогнозировала, что только 20 процентов аналитических выводов принесут реальные результаты бизнесу к 2022 году. 3 Подробные отчеты о неудачных попытках компаний материализовать потенциал ИИ, больших данных и других аналитических подходов многочисленны. Учитывая столь низкие фактические и прогнозируемые показатели отдачи, неудивительно, что в ходе опроса 1000 американских руководителей в 2022 году только 27 %, 24 % и 11 % респондентов сообщили, что за последние двенадцать месяцев их компании использовали ИИ для "улучшения процесса принятия решений", "повышения опыта и квалификации сотрудников" и "повышения доверия акционеров", соответственно. 4
Было бы несправедливо делать вывод о том, что ИИ в целом потерпел неудачу в бизнесе. В некоторых областях, таких как автоматизация и логистика, алгоритмы ИИ добились значительных успехов. Поэтому важным вопросом является вопрос экологической рациональности: При каких условиях следует использовать ИИ? В этой главе мы противопоставляем сложные алгоритмы ИИ простым эвристикам, обсуждаем их с точки зрения экологической рациональности и утверждаем, что для процветания бизнеса в будущем необходимы и те, и другие. Основная мысль заключается в том, что умные организации и руководители должны осознавать ограничения сложных алгоритмов ИИ и помнить о том, что простые эвристики часто могут быть более полезными при принятии решений.
Принцип стабильного мира
Почему алгоритмы искусственного интеллекта могут побеждать лучших людей в шахматах, го и Jeopardy!, но не могут превзойти обычных людей в предсказании рецидивизма и поиске подходящего партнера? 5 Ответ можно получить из различия между малыми и большими мирами, введенного в главе 2. Принцип стабильного мира определяет области и границы, в которых алгоритмы ИИ могут преуспеть.
Принцип стабильного мира: Сложные алгоритмы лучше работают в четко определенных, стабильных ситуациях, когда доступны большие объемы данных. Адаптивная эвристика эволюционировала, чтобы справляться с неопределенностью, независимо от того, большие или малые данные доступны.
Этот принцип позволяет понять, почему алгоритмы ИИ дают отличные результаты для одних задач, но не для других. В качестве примера можно привести успех Watson в игре "Jeopardy!", но провал в медицинских исследованиях, поскольку, в отличие от "Jeopardy!", лечение рака не является четко определенной проблемой с устойчивыми правилами.
Герберт Саймон - один из основателей искусственного интеллекта. В его работах ИИ включает в себя анализ эвристик, которые эксперты используют при решении проблем, и их включение в программное обеспечение, чтобы сделать компьютеры умными. Эвристический поиск стал частью прогресса в области ИИ и позволил справиться с неопределенностью и трудноразрешимостью, чего не мог сделать более ранний, основанный на логике ИИ. Именно поэтому между ИИ и эвристикой нет реальной конкуренции. Однако великие успехи ИИ в шахматах и го основаны не на этой программе психологического ИИ, а скорее на грубой вычислительной силе. Вспомните из главы 2, что психологический ИИ анализирует эвристики, которые используют люди, и внедряет их в алгоритмы, чтобы сделать ИИ умнее. Сегодня большинство алгоритмов машинного обучения пытаются решать задачи, не используя никаких знаний об эволюционировавшем мозге. Хотя сложные сети и называются "глубокими искусственными нейронными сетями", они имеют мало общего с человеческим интеллектом и, по сути, являются сложными рекурсивными версиями нелинейных множественных регрессий. Таким образом, противопоставление должно проводиться не между алгоритмами ИИ в целом и эвристиками, поскольку эвристики, такие как 1/N и быстрые и экономные деревья, тоже являются алгоритмами. Противопоставление проводится между сложными алгоритмами, такими как случайный лес и глубокое обучение, с одной стороны, и простыми, адаптивными алгоритмами (эвристиками) - с другой.
Принцип стабильного мира помогает прояснить соотношение между сложными алгоритмами и эвристикой. Если проблема хорошо определена и стабильна во времени, то сложные алгоритмы и большие данные, скорее всего, оправдают себя; если нет, то простые эвристики могут быть столь же точными или даже лучше, оставаясь при этом прозрачными и понятными. Далее мы приводим несколько примеров. В каждом из них мы противопоставляем решения, полученные с помощью психологического ИИ - то есть простых эвристик, вдохновленных психологией, - решениям, полученным с помощью сложных алгоритмов машинного обучения.
Прогнозирование покупок клиентов
В главе 2 мы упоминали эвристику "перерыва", которую опытные менеджеры используют для прогнозирования того, будет ли клиент продолжать совершать покупки. Эта эвристика, основанная на одной подсказке, классифицирует клиента как неактивного, если он не совершал покупок в течение x месяцев, а в противном случае - как активного. Согласно статье в New York Times, авиакомпании использовали эвристику хиатуса для классификации своих часто летающих пассажиров как минимум с 1980-х годов. 6 Однако большинство исследований строят и совершенствуют сложные модели, а не пытаются выяснить, как опытные менеджеры на самом деле предсказывают будущие покупки и учатся на этом.
Два исследователя в области маркетинга, Маркус Вюббен и Флориан фон Вангенхайм, изучили точность прогнозирования эвристики хиатуса по сравнению с двумя широко используемыми стохастическими моделями - Парето/NBD (отрицательное биномиальное распределение) и BG/NBD (BG = бета-геометрическое). 7 Они протестировали эти модели в трех компаниях, каждая из которых предоставила более 2000 записей о клиентах. Оказалось, что эвристика хиатуса дает наиболее точные прогнозы. Интересно, что значения единственного свободного параметра эвристики (т. е. продолжительность перерыва в работе в течение x месяцев), которые, по расчетам исследователей, дадут ей наибольшую точность, оказались очень близки к тем, которые интуитивно использовали менеджеры, работающие в соответствующих компаниях (т. е. около девяти месяцев).
Последующее исследование включало еще двадцать четыре компании в сфере розничной торговли. 8 В него также вошли два алгоритма машинного обучения, случайный лес и регуляризованная логистическая регрессия, как более мощные конкурирующие модели. Как показано на рис. 12.1 , две модели машинного обучения предсказывали точнее, чем две стохастические модели; однако их точность предсказания не превзошла точность предсказания эвристики хиатуса. Покупательская деятельность клиентов не происходит в стабильном мире: слишком много факторов могут повлиять на ее результаты. Здесь меньшее может стать большим.
Рисунок 12.1
Эвристика хиатуса может предсказывать покупательскую активность клиентов так же хорошо или лучше, чем алгоритмы машинного обучения (случайный лес и регуляризованная логистическая регрессия) и стохастические модели (Парето/НБД и БГ/НБД). Результаты основаны на данных о потребителях двадцати четырех компаний розничной торговли. Столбики ошибок указывают на стандартные ошибки. NBD = отрицательное биномиальное распределение; BG = бета-геометрическое. По материалам Artinger et al. (2018).
Вдохновившись этими результатами, группа исследователей из Берлина опросила менеджеров, чтобы выяснить, как они прогнозируют будущий доход от клиентов. 9 Эти менеджеры работали в технологической компании, которая продавала in-app продукты для мобильных игр (например, специальное снаряжение и персонажей). Им часто требовалось спрогнозировать годовую выручку клиента после того, как он поиграет
