В сфере данных и аналитики ИИ занимает сильные позиции. Уже из определения мы видим, что искусственный интеллект пытается имитировать разумное поведение. Так может ли компьютер, оснащенный ИИ, принимать – самостоятельно, вместо нас – более разумные решения в ходе работы с данными? Это было бы замечательно! Ведь у компьютеров (в особенности у суперкомпьютеров) огромные вычислительные мощности, поэтому они способны найти куда больше вариантов, из которых можно выбирать. Привлечение такой силы к процессу принятия решений может принести большую пользу. Если мы положимся на помощь ИИ для принятия решений и передадим машине определенную часть аналитической работы, то отдача от вложений в сферу данных и аналитики, безусловно, возрастет. Однако при чем тут дата-грамотность?
Дата-грамотность во многом влияет на использование искусственного интеллекта, но, как мне кажется, есть одна проблема: не все понимают, что такое ИИ и каковы его возможности. Я попробую продемонстрировать связь дата-грамотности с ИИ на примере из личного опыта.
Однажды я отправился в Южную Африку на конференцию. Попутно мне пришлось посетить ряд самых разных организаций с лекциями и семинарами по дата-грамотности. Во время выступления перед коллективом одной компании у меня завязалась дискуссия с группой сотрудников, и я услышал вопрос, показавшийся мне крайне важным (я уже приводил его в главе 5, и сейчас вы, конечно же, вспомните формулировку). Человек спросил: «А все эти технологические достижения и искусственный интеллект не позволят ли нам, людям, вконец облениться?» Поразмышляйте и вы над этим вопросом. Что приходит вам в голову? Не обленимся ли мы? Когда я отвечал слушателю, в голове у меня роились самые разные мысли на эту тему – она беспокоит меня давным-давно. Давайте представим себе панель мониторинга или визуализацию данных. Вы готовите что-то подобное каждую неделю, и обычно на это уходит часа три. Закончив, вы посылаете свою работу заинтересованным лицам. А теперь представьте, что ваша организация поставила себе на службу искусственный интеллект. На то, что раньше занимало у вас три часа, теперь уходит от силы минут пятнадцать. Это заставит вас облениться? Нет, конечно. Просто у вас появится лишних 2 часа 45 минут на то, чтобы лучше изучить данные или поработать над другими проектами.
Мне кажется, что искусственный интеллект не делает нас ленивыми; напротив, он повышает нашу продуктивность. Высвобождая время, он предоставляет больше возможностей для использования трех «С» дата-грамотности – любопытства, креативности и критического мышления. К несчастью, в нашей повседневной работе, как правило, не нужно глубоко копать. Она во многом состоит из скучных повседневных обязанностей, чтения писем и довольно простых задач. А если в нашу рабочую рутину внедрить ИИ, то мы можем использовать свои навыки дата-грамотности для эффективной работы с данными.
ИИ не только открывает двери для новых возможностей, он помогает людям и организациям работать с бизнес-аналитикой и применять четыре уровня аналитических методов. Искусственный интеллект можно применять в ходе дескриптивного анализа для построения сводок и визуализаций. В рамках диагностического анализе умный компьютер может найти новые и более совершенные знания. Также он способен сыграть важнейшую роль на предиктивном и прескриптивном уровнях, делая за счет своих вычислительных мощностей более точные прогнозы и помогая понять, что делать дальше.
Итак, можно сказать, что искусственный интеллект, хотя иногда его возможности и переоценивают, действительно является мощным подспорьем для любой стратегии в сфере данных и аналитики.
Машинное обучение и алгоритмы
Близкая к предыдущей тема – машинное обучение и алгоритмы. Давайте начнем с алгоритмов, это что-то более или менее знакомое.
Алгоритм – это «пошаговая процедура решения задачи или получения результата»
[59].
Суть проста: алгоритм производит расчет или серию расчетов для достижения конкретной цели. Алгоритмы используются повсеместно – например, в банковской сфере. Банки и финансовые организации одалживают гражданам и организациям крупные суммы денег. Для этого очень важно определить, платежеспособен ли клиент и вернет ли он долг. Мы, люди, можем оценить «на глаз» платежеспособность потенциального клиента, а затем принять решение. Но почему бы не положиться на возможности алгоритма, чтобы просеять все имеющиеся данные и принять более обоснованное решение? Это хорошая возможность, но и алгоритмы, бывает, ошибаются. Кто составляет алгоритмы? А откуда берутся данные, обрабатываемые алгоритмами?
Я понимаю, что это обобщение, но все же подчеркну: алгоритмы отнюдь не идеальны. Когда люди разрабатывают алгоритм и подбирают для него данные, то при работе алгоритма их собственные предвзятые или просто ошибочные суждения могут повлиять на результат. Это не редкость.
Алгоритмы и машинное обучение – близкие родственники. Термин «машинное обучение» может сбить с толку неосведомленного человека: нужно понимать, что речь идет не про обучение при помощи машины, а про обучение самой машины, самого компьютера. Так что же, компьютер способен чему-то научиться? Да! Процитирую журнал MIT Technology Review: «Алгоритмы машинного обучения (видите, и правда близкая родня! – Прим. авт.) используют статистику для поиска закономерностей в огромных объемах данных»
[60].
Investopedia утверждает: «Машинное обучение – это идея, что компьютерная программа способна обучаться и адаптироваться к новым данным без вмешательства человека. Машинное обучение – область искусственного интеллекта (ИИ), обеспечивающая возможность поддерживать встроенные алгоритмы компьютера в актуальном состоянии независимо от перемен в мировой экономике»
[61].
Итак, машинное обучение предполагает, что алгоритмы обучаются сами по себе и могут совершенствоваться с теми или иными целями, связанными с данными, анализом и т. д.
В рамках нашей аналитической стратегии и дата-грамотности алгоритмы и машинное обучение занимают важное место, но нужно отдавать себе отчет, что это очень «техническая» область. Хорошо, когда есть работающие на вас компьютеры, которые могут самостоятельно обучаться, но без подготовленных сотрудников, способных должным образом воспользоваться результатами, все это бессмысленно. Только дата-грамотность позволяет коллективу организации успешно применять алгоритмы и пользоваться самообучающимися машинами.
Если мы внедряем стратегию и культуру, основанную на данных, алгоритмы и обучающиеся машины дают человеческому фактору больше времени для интерпретации, постановки вопросов и многого другого. Кроме того, они помогают нам принимать более обоснованные и быстрые решения. Но для этого необходима дата-грамотность. Когда алгоритм прорабатывает данные, выдает результаты и продолжает обучаться, вы – практик – должны суметь воспользоваться этими данными для принятия решений. С этим непосредственно связан третий элемент дата-грамотности – способность анализировать данные.
