Что делать, когда машины начнут делать все. Как роботы и искусственный интеллект изменят жизнь и работу

Машина как коуч

Парируя той точке зрения, что машины заполнят большой сектор устаревшей буржуазной рабочей силы, Макс Янкелевич (Max Yankelevich), основатель и генеральный директор разработчика умной автоматизации процессов WorkFusion, видит впереди намного более сложное будущее. Как он сказал нам: «Комбинация человек плюс ИИ дает в результате три… Наши клиенты не стремятся избавиться от людей; на самом деле они хотят подтолкнуть их выше, к более результативной деятельности, которая требует большего напряжения ума. Они видят в ИИ возможность продвинуть своих людей выше в этой интеллектуальной массе, где они дают предприятию больший результат. Вот как мы видим эволюцию вещей».

Так как AlphaGo сделал Ли Седоля более опытным игроком в го, машины, работающие на передовой на предприятиях бок о бок с нами, сделают нас лучше в том, что делаем мы. И не только в элитной работе, такой как доктора и юристы, но и в более прозаичных, негламурных должностях, занимаемых людьми в миллионах офисах по всему миру: в работе по обработке заявлений на выплату страховки и клиентских жалоб, в работе по доставке прибора А из пункта В в пункт С.

Программное обеспечение WorkFusion, используемое предпринимательскими фирмами для дигитализации процессов, таких как адаптация клиента, проведение сделки и обработка заявлений, автоматизирует широкий круг рутинной интеллектуальной работы через ротобизацию и машинное обучение – в WorkFusion это называют «когнитивная автоматика». Роботизированное оборудование автоматизирует работу, выполняющуюся исключительно по правилам: работа с унаследованными приложениями, перемещение данных из одной системы в другую; когнитивная, или познавательная, автоматика берется и за оценочную работу, имеющую дело с более сложными, неструктурированными данными. Программное обеспечение учится с помощью исторических данных и «наблюдая», как в реальном времени работники категорируют и извлекают главное из неструктурированных данных. Сначала люди контролируют результаты работы WorkFusion, но по мере того, как число повторяющихся процессов растет с сотен до тысяч, программное обеспечение может начинать выступать автономно и автоматически выделять исключения, которым требуется полноценное человеческое суждение. Как говорит Янкевич: «Перевод в автоматический режим касается объемной, рутинной работы, в то время как человек обращается к более интересной и более сложной работе, снижая ее общий объем».

Видение Янкевича однозначно заключается в том, чтобы «держать людей в курсе» и применять силу машин для того, чтобы создать работу более ценную как для организации, так и для самих людей. Янкевич твердо верит, что умная автоматизация процесса – корень не только снижения расходов, но и улучшения качества работы. Янкевич описывает это как «работу, требующую человеческого прикосновения, по-настоящему экспертную работу, работу, требующую множества разных и сложных процессов и интеллектуально стимулирующую, ту, что позволяет нам, как обществу, становиться более продуктивными в творческих областях».

Для многих история автоматизации, ИИ и машинных центров – история только о «разрушении», однако реальным наследием, освобожденным машинами, будут и «креативные» силы. В противоположность тому, как это происходит в мире тенниса, где тренер Энди Мюррея (Andy Murray), бывший номер один в мире Иван Лендл (Ivan Lendl), с трудом доносит свои идеи кому-то с рейтингом 3.0 в местном клубе, алгоритмы в умных программных продуктах для автоматизации процессов гораздо более демократичны, помогая повысить уровень сотрудника на любой позиции. ПО WorkFusion с помощью автоматизации выполняемой работы может поднять как юриста-выпускника Гарварда, так и клерка, получившего образование в местном колледже, позволив им сосредоточиться на более ценной деятельности. Это настоящая сила в мире, где машины становятся умнее не для того, чтобы заменить нас, а для того, чтобы помочь подняться выше по ранжированию, в большие трудности и за большие деньги.

Эти взаимоотношения человека/машины наряду с дополнением, с приданием нового импульса работе человека, которые она создает, могут также быть поняты через работу инженеров Amazon, использующих способности машин к самообучению, развиваемых в рамках Amazon Web Services (AWS).

Др. Мэтт Вуд (Matt Wood), главный менеджер по стратегии развития товара в AWS, объяснил нам: «Мы провели небольшой внутренний тест, где два старших разработчика стараются угадать пол клиента только по имени. Традиционно в такой ситуации вы бы просто взглянули на данные переписи и сказали: «Ну, большинство людей с именем Мэтт оказываются мужчинами». На этом вы бы строили свои догадки». Инженеры обнаружили, что там существовало несколько серых областей: «Если речь идет о Пэт или Сэм, то, основываясь на имени, определить пол уже сложнее», – говорит Вуд. За решение этой задачи взялись два инженера, которые с нуля выстраивали алгоритм. По словам Вуда, у них ушло почти два месяца на создание ПО, его проверку и отработку моделей, но через два месяца они получили точность определения более 90%. «Мы подумали: “Хорошая работа”, – рассказывает Вуд. – Затем мы взяли одного разработчика из другой команды, дали ему созданный ранее внутренний сервис машинного обучения AWS, и они тоже смогли прийти к тому же уровню точности, выше 90%, однако им удалось это сделать за несколько дней

».

Вуд считает, что «в свое время большая часть задач будет решаться с помощью компонента машинного обучения. Он сыграет свою роль в очень, очень большом количестве случаев и трудностей, с которыми сталкиваются клиенты».

Вуд предсказывает, что со временем с платформами машинного обучения будут взаимодействовать все больше экспертов. В объединении умных людей с системами, у которых есть большой (и быстро расширяющийся) набор данных, эти дополненные, расширенные личности будут создавать ценность, которая со временем будет расти и становиться более сложной.

Как говорит Вуд: «У вас есть это классное колесо фортуны из разработки, метода использования, создания данных и решения проблемы, которое снова приходит к созданию новых данных, затем снова идет к разнообразным способам, которые вы можете выбрать для оптимизации конкретных подходов или методов, и этот цикл повторяется снова и снова».