Человек + машина. Новые принципы работы в эпоху искусственного интеллекта

Рассмотрим Nike — компанию, недавно применившую искусственный интеллект для решения конкретной проблемы: проектирование более качественных шиповок для спринтеров. Задача: жесткая шипованная пластина прямо под пальцами спортсмена заставляет его бежать на носочках в буквальном смысле слова. Бегун получает прочную опору, которая обеспечивает максимальное сцепление с поверхностью и облегчает отталкивание. Жесткость проще всего обеспечить за счет сравнительно тяжелых материалов, что увеличивает вес обуви и снижает скорость спринтера.

Дизайнеры Nike, воспользовавшись разработанным в компании ПО, смогли сбалансировать жесткость шипованной пластины и вес обуви, создав новые шиповки буквально с нуля. Вероятно, если бы дизайном занимался человек, он бы начал с имеющейся модели и постепенно совершенствовал ее, пока не пришел к удовлетворительному решению. И все равно оно было бы хуже, чем решение, предложенное машиной. Nike изготовила на 3D-принтере несколько прототипов и испытала их; этот цикл повторялся множество раз, пока не был найден лучший вариант. Финальная модель кроссовок позволяет спринтеру выиграть 1/10 секунды, а такое преимущество порой отделяет первое место от четвертого. Скорость разработки прототипов спортивной обуви Nike позволяет оценить, как искусственный интеллект трансформирует следующий этап научной работы. Интеллектуальные алгоритмы существенно сокращают время, затрачиваемое на испытания[54] (подробнее об использовании искусственного интеллекта при проектировании изделий см. врезку «Искусственный интеллект в разработке продуктов и услуг»

).

Ускоренные тесты

Многие исследователи согласятся, что наименее приятная часть их работы связана как раз с проведением экспериментов и сбором данных. Другие этапы НИОКР-процесса — совершение открытий и постановка вопросов — приносят гораздо больше удовлетворения. Вот почему они с облегчением осознают, каким благом оказывается искусственный интеллект во время экспериментальных испытаний. Искусственный интеллект берет на себя рутинную часть работы и позволяет ученым сосредоточиться на разработке новых типов испытаний или на формулировании гипотез. Польза для бизнеса в данном случае очевидна: на рынок быстрее выводятся первоклассные продукты.

Конечно, нынешние экспериментальные комплексы во многом похожи на лаборатории, существовавшие несколько десятилетий назад: все те же мыши в клетках, чашки Петри в инкубаторах, титровальные установки и так далее, однако все больше научных дисциплин цифровизуются, то есть все эксперименты моделируются на компьютере. В главе 1

мы обсуждали платформу Predix, благодаря цифровым двойникам которой GE моделирует и отслеживает состояние всех основных средств на заводе и за его пределами. В реальности нам не требуется Predix, чтобы моделировать наши процессы и проводить испытания. Нужно всего лишь четко представлять все этапы технологического процесса и выделять те данные, которые могут нам потребоваться для разработки модели.

Любые продукты и услуги — от финансовых услуг и страховых полисов до пивоварения и формулы крема для бритья — можно описать в цифровом виде, а значит, оптимизировать. Исторически оптимизационные алгоритмы оставались академической дисциплиной и применялись лишь исследователями. Стартап SigOpt осознал, что благодаря машинному обучению любая цифровая модель может свестись к задаче по оптимизации, а эту проблему решить сравнительно легко. Таким образом широкой аудитории открывается доступ к этому мощному вычислительному инструменту.

«Не обязательно в совершенстве владеть байесовской оптимизацией, чтобы сразу использовать подобные приемы», — считает Скотт Кларк, СЕО SigOpt. Цель компании — освободить узкопрофильных специалистов от необходимости тратить время на настройку цифровых систем (пытаясь найти оптимальные сценарии) и дать им возможность больше экспериментировать.