Максимизация эффективности: использование автоматизации для трансформации бизнес-процессов

Бизнес не может игнорировать богатство, представленное их человеческим капиталом: эти ошибающиеся существа с их уникальной способностью смело мечтать, интуитивно понимать, рисковать и, прежде всего, узнавать, когда они направляются к катастрофе.

Прошлым летом был зафиксирован мрачный веха в истории ИИ: первая смерть, вызванная автономным автомобилем. Tesla Model S на полной автопилоте врезалась в грузовик на флоридском шоссе, убив человека-«водителя».

По блогу компании, причина трагической аварии — неспособность ИИ отличить «белую сторону прицепа на ярко освещенном небе». Tesla указывает, что это первая жертва за более 130 млн миль на автопилоте, что меньше половины мировой статистики — 60 млн миль на смерть для человеческих водителей.

Если Tesla и другие производители автономных авто смогут сохранить этот уровень, это станет серьезным улучшением безопасности. Однако природа этой аварии — которой почти наверняка смог бы избежать человек — поднимает серьезные вопросы о том, сколько автономии люди должны передать машинам.

По мере того как технологии становятся умнее, им неизбежно придется принимать решения, приводящие к гибели людей. Автономные машины и грузовики должны будут запрограммированы для моральных выборов, таких как мгновенный ответ на «проблему трамвая», смущавшую этиков многие годы.

Не каждый вопрос об ИИ и автоматизации — вопрос жизни и смерти, но есть важные практические и этические вопросы, на которые нужно ответить, прежде чем мы сможем быть уверены, что эти технологии усиливают, а не умаляют нашу жизнь.

Этот факт все больше признается самими бизнесами. Исследование Infosys показало, что более половины (53%) респондентов считают, что этические вопросы мешают ИИ быть таким эффективным, каким оно могло бы быть, в то время как только треть (36%) говорит, что они полностью учли этические последствия этих новых технологий.

Эти опасения касаются влияния на приватность сотрудников и клиентов, воздействия на занятость (например, сделать большие пласты рабочей силы избыточными). Также есть вопросы — ярко подсвеченные историей Tesla — о том, насколько ИИ может заменить человеческих операторов.

Так же легко очароваться обещанной мощью технологий, как романтизировать уникальные способности человеческого мозга. Если бизнес не сможет примирить эти два очень разных интеллекта, он вряд ли раскроет полные выгоды, достигаемые при сопряжении людей и технологий.

Ключевые вызовы

Одной из главных проблем, стоящих перед человечеством, является то, сколько автономии мы решаем дать машинам и в каких ситуациях ИИ лучше применим, чем человеческий ум.

На первый взгляд, способность технологий перемалывать огромные массивы данных и использовать NLP для реалистичных взаимодействий с клиентами делает их идеальной заменой медленным, дорогим и ошибочным людям.

Но это игнорирует собственные врожденные недостатки технологий: от чат-бота Tay от Microsoft, который быстро научился расизму, до беспилотного авто, не различающего небо и 20-тонный кусок быстро движущегося металла.

Факт остается фактом: машины могут дать нам только инсайты, а только люди обладают мудростью применить этот инсайт адекватно для данного бизнес- или личного контекста. Если бы жизни людей всегда управлялись рациональными, эмпирическими соображениями, можно было бы аргументировать замену людей машинами везде, где возможно.

Как мы все знаем, это просто не так. Infosys — компания, которая сталкивается с этими вопросами каждый день. Она помогает множеству предприятий с инициативами машинного обучения, и что быстро стало ясно — это важность контекстуализации.

В большинстве случаев просто расчет чисел недостаточен; для эффективности он должен сопровождаться глубоким пониманием культуры компании и бизнес-модели, ее уникальных вызовов и структур данных/отчетности.

Люди продолжат играть жизненно важную роль в постановке правильных вопросов; интеррогании, интерпретации и применении данных; и формулировке правильных гипотез для машин.

Евангелисты технологий часто забывают упоминать, что точность любого алгоритма машинного обучения обычно 60–70% на первом проходе — за этим следует тонкая настройка и дальнейшая работа.

На данный момент это звучит лишь как аргумент за найм большего числа дата-сайентистов, а не как ода способностям человеческих рабочих. Но не требуется большой прыжок воображения, чтобы посмотреть на ограничения технологий выше и увидеть, как они применяются к другим областям организации.

Они варьируются от вершины до самого младшего работника. Спросите любого успешного владельца бизнеса — он расскажет о важности принятия взвешенных рисков, основанных до определенной степени на интуиции; о важности латерального мышления для решения сложных бизнес-проблем; они могут подчеркнуть, как их лучшие идеи и вспышки вдохновения возникают из совершенно неожиданных паттернов мышления.

Для HR-работника данные дадут важный инсайт в производительность и продуктивность отдельных лиц; вряд ли они скажут, почему они работают плохо, или самый эмпатичный и эффективный способ провести разговор о том, как этот работник может улучшиться.

Аналогично, сотрудник службы поддержки выиграет от доступа ко всем данным для расследования жалобы, но все равно потребуется обучение, интуиция и человечность, чтобы решить вопрос так, чтобы клиент остался доволен.

Правда в том, что данные — лишь инструмент, который люди могут использовать для улучшения своей работы, будь то управление хедж-фондом или работа с недовольным клиентом.

Бизнес не может игнорировать богатство, представленное их человеческим капиталом: эти ошибающиеся существа с их уникальной способностью смело мечтать, интуитивно понимать, рисковать и, прежде всего, узнавать, когда они направляются к катастрофе.

Источник: Джонатан Эбсворт, руководитель практики Disruptive Technologies в Infosys Consulting