Человек + машина. Новые принципы работы в эпоху искусственного интеллекта

Именно поэтому роль специалиста по гигиене данных так важна. Беспристрастными должны быть не только сами алгоритмы; данные, которые используются для их обучения, также должны быть свободными от предвзятости. В ближайшие годы роль таких специалистов будет только возрастать, ведь компании используют информацию из самых разных источников, в том числе биометрические данные, изображения со спутника, данные о дорожном движении, данные из социальных сетей и т. д. Во многих случаях это могут быть так называемые выбросы, то есть данные, возникающие как побочный продукт другого процесса. Подумайте о тех данных, которые каждый день генерируются Facebook.

Ведущие компании быстро обнаружили, как использовать такие «выбросы» в эпоху больших данных. Например, хедж-фонд BlackRock использует спутниковые снимки территории Китая для более эффективного анализа промышленного развития этой страны. Данный анализ даже привел к появлению нового финансового инструмента — «квантаментальных» фондов, которые используют сложные алгоритмы машинного обучения для анализа традиционной финансовой отчетности и «выбросов» для того, чтобы прогнозировать динамику стоимости тех или иных акций на рынке[97]

. Такие инновационные приложения требуют опыта и знаний специалистов по гигиене данных, во многих случаях работающих совместно с экспертами по устойчивости систем искусственного интеллекта, о которых мы поговорим позже. Специалисты по гигиене данных должны не только обеспечивать преобразование «выбросов» в формат, приемлемый для ввода в систему искусственного интеллекта, но и очищать эту информацию от любого «шума» или скрытой предвзятости.

Специалисты по разъяснению

Представители этой профессии нужны, чтобы устранять разрыв между техническими специалистами и руководителями компаний. Важность подобного функционала будет возрастать по мере увеличения непрозрачности систем искусственного интеллекта. Многие обеспокоены тем, что сложные алгоритмы машинного обучения напоминают черный ящик, особенно когда такие системы рекомендуют действия, идущие вразрез с общепринятыми представлениями или носящие противоречивый характер (рис. 6).

Рис. 6. Функции специалистов по разъяснению

Рассмотрим в качестве примера компанию ZestFinance, которая помогает кредитным организациям повысить эффективность прогнозирования кредитного риска и увеличить выдачу займов тем лицам, которые при обычных обстоятельствах не соответствуют всем условиям получения кредита. Эта компания обеспечивает кредиторам возможность анализировать тысячи единиц информации о потенциальном заемщике (гораздо больше, чем требуется для расчета кредитного рейтинга FICO и составления традиционных кредитных историй) и использует самую современную технологию искусственного интеллекта для принятия решений о выдаче кредита или отказе в нем. Средний годовой доход потенциального заемщика достигает $30 000, причем у многих есть невыплаты по кредитам. Как правило, кредиты предоставляются на небольшую сумму (в среднем около $600) под высокие проценты[98]

.

Учитывая характер бизнеса, компании ZestFinance необходимо иметь возможность объяснить своим клиентам работу системы искусственного интеллекта, которую они используют для одобрения кредитов. Компания описала процесс оценки кандидатов на основе разных критериев, таких как честность, стабильность и благоразумие. Если указанный человеком доход гораздо выше, чем у аналогичных кандидатов, это снижает его рейтинг честности. Если за прошедшие несколько лет человек много раз переезжал с одного места на другое, под ударом оказывается его рейтинг стабильности. А если он не нашел времени, чтобы прочитать все условия предоставления кредита перед подачей заявки, это отрицательно сказывается на рейтинге благоразумия. Затем набор алгоритмов, каждый из которых выполняет самостоятельный анализ, изучает всю совокупность данных. Так, один из них проверяет, не указывает ли определенная информация на более серьезные события, например просрочку платежа по состоянию здоровья. На основании результатов анализа ZestFinance присваивает кандидату рейтинг от 0 до 100.

Усовершенствованные алгоритмы позволили ZestFinance выявить множество любопытных закономерностей. Так, компания выяснила, что люди, использующие прописные буквы при заполнении заявок на кредит, обычно оказываются заемщиками с более высоким уровнем риска. Такие результаты дали ZestFinance возможность постоянно снижать процент невозврата кредитов на несколько процентных пунктов, что позволяет компании обслуживать клиентов, которым при обычных обстоятельствах кредит бы не выдали. Однако главное здесь то, что ZestFinance может объяснить, как она принимает решения по кредиту, одобряя каждую третью заявку.