Человек + машина. Новые принципы работы в эпоху искусственного интеллекта

Когда ваши эксперименты с искусственным интеллектом станут более масштабными, позаботьтесь о том, чтобы цепочка снабжения данными состояла из независимых друг от друга, легкодоступных источников информации.

В настоящее время руководители могут получить доступ даже к тем данным, которые они не контролируют или которыми не владеют. Например, если региональная сеть продовольственных магазинов планирует проанализировать ежедневные операции за прошедший месяц, она не должна ограничиваться цифрами из своей базы данных. Многие компании отслеживают настроения клиентов в социальных сетях; кроме того, они анализируют данные в контексте погоды, особенностей покупателей, новостных событий или любого другого параметра данных — если только обнаруживают информацию, имеющую отношение к их бизнесу. В некоторых случаях можно обратиться к поставщикам данных или прибегнуть к помощи открытых источников данных (которые может бесплатно использовать любой желающий по своему усмотрению).

Например, глобальный производитель средств по уходу за кожей Beiersdorf использует свои внутренние данные наряду с синдицированными данными таких исследовательских компаний, как Nielsen, чтобы помочь членам совета директоров составить представление о развитии разных продуктов и брендов (функция расширения возможностей). Компания планирует автоматизировать этот процесс, что обеспечит быстрое получение более точной информации[144].

Работая над увеличением разнообразия источников данных, компании должны знать о любых препятствиях, которые могут возникнуть на пути потока информации. Одни препятствия носят технический характер (например, инфраструктура может не справляться с обработкой больших объемов данных), тогда как другие могут быть социальными (при росте общественного недоверия из-за того, что компании накапливают все больше персональных данных и делятся ими).

Повышение быстродействия

Некоторые данные поступают очень быстро — например, новости о стихийном бедствии. Перемещение таких важных данных, требующих немедленной обработки, необходимо ускорить по всей цепочке снабжения данными. С другой стороны, медленные данные менее актуальны и могут быть менее полезными. В прошлом IT-специалисты решали проблему данных со смешанной скоростью, присваивая более высокий приоритет «горячим» данным, которые часто используются и хранятся на высокопроизводительных системах, обеспечивающих быстрое извлечение данных. Напротив, «холодные» данные (такие как налоговые отчеты) можно хранить на менее быстродействующих серверах.

Компания Facebook знает, как установить приоритетность данных и реорганизовать в соответствии с этим свои процессы. Например, там обнаружили, что на 8% всех фотографий, публикуемых в этой социальной сети, приходится 82% сетевого трафика. Очевидно, по мере устаревания фотографий их популярность падает, поэтому в Facebook разработали трехуровневую систему хранения данных. Система искусственного интеллекта маркирует фотографии и сохраняет их на соответствующем уровне. Самые популярные фотографии сохраняются на высокопроизводительных серверах и могут быть извлечены мгновенно, тогда как менее популярные сохраняются на немного более медленных, энергосберегающих серверах. Благодаря такому подходу удовлетворенность пользователей остается на должном уровне, а компания получает экономию за счет сбережения энергоресурсов[145].

Создание условий для обнаружения данных

Какие способы взаимодействия с данными вы используете? Приносят ли аналитические инструменты пользу только экспертам и специалистам по обработке данных? Ваша задача — обеспечить такой способ получения ценной информации, чтобы все желающие, особенно далекие от технологий пользователи, могли с выгодой для себя применять ту историю, которую данные пытаются до них донести.

Компания Ayasdi обеспечивает демократизацию процесса обнаружения данных, разрабатывая программное обеспечение, которым могут пользоваться как специалисты по обработке и анализу данных, так и бизнес-лидеры, не обладающие глубокими знаниями в IT. Один из клиентов компании, Техасский медицинский центр (Texas Medical Center, TMC), специализируется на анализе больших многомерных наборов данных, таких как данные о пациентах с раком груди. Программа компании Ayasdi способна за несколько минут выделить подгруппу пациентов, которые перенесли рак и которым свойственны определенные общие характеристики, что может оказаться очень важным[146]. Техасский медицинский центр планирует использовать инструменты компании Ayasdi для разных целей, от анализа клинических и геномных данных до повторных исследований существующих лекарственных препаратов[147]. Успех Техасского медицинского центра подтверждает целесообразность поиска таких аналитических инструментов, которые демократизируют данные, с тем чтобы привлечь группу квалифицированных сотрудников к экспериментированию с данными и переосмыслению бизнес-процессов.