Надёжный ИТ бизнес-партнёр с 2003 года
Искусственному интеллекту несвойственны решения, связанные с неопределенным риском
При всех преимуществах интеллектуальной системы стоит помнить, что разовые операции, творческие действия, индивидуальные контакты должен производить человек — иначе расход ресурсов на технологию окажется несоизмерим с полученным результатом
Будущее искусственного интеллекта (ИИ) уже имеет очертания? Спрос на стартапы с ИИ невероятный... Почему?
-Будущее искусственного интеллекта предсказать сегодня крайне трудно: скорость развития технологий такова, что любые предсказания будут преждевременны. Тем не менее уже сейчас можно сказать, что часть операций, ранее однозначно требовавших человеческого участия, будут автоматизированы при помощи технологий искусственного интеллекта в ближайшее время. Особенно это касается операций, где эффективность складывается из анализа крупных массивов данных: много таких, например, в финансовой отрасли, которая уже сейчас потребляет самые продвинутые IT-решения. Так, решение о блокировке карты в случае проведения «странных» транзакций принимает алгоритм, изучивший миллионы таких транзакций, в том числе благодаря технологии машинного обучения. Уже появляются такие сервисы, как Penny — интеллектуальный бот-помощник, который следит за состоянием всех счетов владельца и умеет распознавать речь при общении в чате. Технология будет только совершенствоваться.
Совершенно иной вопрос — будущее искусственного интеллекта в так называемых творческих профессиях. Да, есть искусственные нейронные сети и алгоритмы Google, способные сочинять стихи или писать простейшие мелодии. Но это не творчество — любая творческая активность подразумевает создание совершенно нового продукта. Базовые принципы машинного обучения этого не предполагают, поэтому там, где требуется постоянное придумывание каких-то новых алгоритмов, изобретение чего-то нового, заменить человека роботом практически невозможно. К примеру, какие-то базовые виды деятельности маркетологов (проведение опросов, анализ данных) могут быть подменены технологией машинного обучения, но в целом, например, создание кампании по продвижению продукта — процесс, недоступный машине.
В каких сферах ИИ уже стал привычным и выдавливает ручной «умственный» труд?
— В человеческом интеллекте можно условно выделить интеллект классический и интеллект эмоциональный. В области классического интеллекта — решения задач с четкой логикой за короткие промежутки времени — искусственный интеллект давно обогнал человека. В части интеллекта эмоционального — достаточно вспомнить историю с англоязычным ботом Microsoft Tay, системой, которая пыталась общаться с пользователями Twitter. Бота отправляли спать дважды: в первый запуск в начале 2016 года пользователи социальной сети сделали бот расистом всего за день, после второго запуска бот признался в курении наркотических веществ рядом с полицией. Провести параллель с бизнесом просто: например, уже появляются качественные сервисы для идентификации лиц, скоринга и профилирования. Однако процессы, завязанные на распознавание мотивов, желаний людей, на эмоциональной грамотности, требуют и будут требовать участия человека. Хотя сейчас и появляются системы, которые не хуже человека распознают человеческие эмоции, эмоциональной грамотности, социальной адаптированности им не хватает. Что сильно мешает выполнению ряда HR-задач, таких как индивидуальное общение с сотрудниками, выбор кандидатов на должность.
Отсутствие у систем искусственногоинтеллекта эмоциональной составляющей не мешает тем не менее отдавать им на «аутсорсинг» часть функций и бизнес процессов, которые не требуют непосредственного человеческого участия. К примеру, если мы говорим об HR, можно отдать искусственному интеллекту подбор персонала на массовые позиции с однообразными функциями, как это было с автоматизацией рекрутинга операторов в X5 Group. При этом ни один специалист по найму не передаст машине свою роль при подборе кадров высшего звена или представителей творческих профессий (разработчиков, маркетологов). Здесь две проблемы: для нетиповых позиций, которых большинство в каждой компании, сложно и экономически нецелесообразно применять средства machine learning. Вторая проблема в повторении опыта — искусственный интеллект учится на больших данных и выбирает модели, которые в среднем приносят средний успех. В итоге искусственный интеллект отбрасывает любое отклонение от нормы. В HR это может вылиться в то, что и звезды, и неэффективные сотрудники могут как не попасть в компанию вообще, так и выбраковываться внутри компании.
В рекрутинге машинное обучение может быть полезно для ранжирования кандидатов. Если в найме участвует опытный HR-сотрудник, он обычно проводит глубокий анализ того, как человек говорит, какой язык он использует, сильные или слабые конструкции («Я участвовал в проекте» — это слабая конструкция, «Я вел проект» — сильная). Есть много нюансов, которые опытные сотрудники замечают, просто видя текст. То же самое может делать искусственный интеллект, тем самым облегчая работу менее опытным рекрутерам. При этом стоит осторожно подходить к выводам, которые делает машина. Сегодня достаточно сервисов, помогающих рекрутерам в сборе информации: сервисы, которые объединяют активность людей в социальных сетях, на открытых площадках для разработчиков, где они выкладывают свой код, и т.д. Системы скоринга, парсинга поставляют нам эту информацию. Но ее анализ, принятие решений — творческая работа, которую должен выполнять человек.
В целом в HR я также вижу большие перспективы для машинного обучения в мониторинге внутренней активности сотрудников: например, для определения тех, кто собирается покинуть компанию. Все мы знаем, что предшествует мыслям об увольнении: отсутствие отпуска, большие переработки, слишком большое или малое количество переписки, слишком много или мало социальных контактов и так далее. Можно научить машину распознавать эти признаки и давать HR-отделу советы о том, чей уход из компании актуально предупредить. Если добавить немного фантазии, это могла бы быть работа на упреждение: человек еще не задумался об уходе, позиция не сформировалась, а благодаря алгоритму с ним ведется работа на предотвращение негативных ситуаций. Хотя даже в такой ситуации могут возникнуть сложности, к примеру, с мониторингом социальной активности сотрудника, а именно — с мониторингом активности сотрудников в социальных сетях в рабочее время. Содной стороны, повышенный интерес к соцсетям может быть показателем снижения увлеченности работой. С другой, человек может быть многозадачным. То есть даже при участии машин итоговое решение о каких-то мерах в отношении сотрудника должно приниматься человеком.
Боты в колл-центрах уже творят чудеса или вам как профессионалу этот успех видится иначе?
— Назвать боты в колл-центрах строго искусственным интеллектом нельзя: идея AI в том, что программа принимает решение, проявляет поведение, которое в нее не закладывалось явно какими-либо инструкциями. Она учится на примерах и на основании полученного опыта выполняет какие-то действия. Бот, который работает по скрипту, как это делают системы в колл-центрах, каким бы он сложным ни был, — классическая программа. Вот если боты начнут (а это лишь вопрос времени!) по голосу распознавать настроение, состояние собеседника, самообучаться на основе накопленных реакций пользователей/клиентов на свои реплики и в зависимости от этого как-то менять свои скрипты, тогда мы сможем назвать их искусственным интеллектом. Безусловно, технически это возможно: эмоции системами распознаются уже на достаточном уровне, а что касается рационального анализа, то у компьютера получается даже лучше, чем у человека.
Что бы вы хотели уже сегодня от «работных» сайтов, кроме того, что они уже делают?
— Основная функция работных сайтов — связать компании и людей. А при поиске подходящих тебе кандидатов всегда встает вопрос наличия определенных профстандартов: в резюме HR-специалист не только ищет признаки того, что человек успешно впишется в команду, но прежде всего проверяет соответствие опыта соискателя тому, который необходим на позицию. Но соискатели пишут резюме совершенно по-разному, пользуются разной категориальной сеткой. В качестве примера можно вспомнить бухгалтера по зарплате, уровень которого можно отличить по тому, сдавал ли он налоговую отчетность, на сколько людей он рассчитывал зарплату, применял ли сложные схемы расчета (северные и т.п.). При этом многие люди, неопытные в поиске работы, могут не уделять этому внимания в резюме. В контексте искусственного интеллекта хотелось бы анализа резюме на лету для кандидатов и подсказки им, о чем нужно написать, что упомянуть на основе собранных данных по другим резюме или на основе сличения с профстандартами, которые появились в России для некоторых профессий.
Другая полезная функция может быть заимствована у сайтов знакомств и рекомендательных систем. К примеру, появится такой функционал, при котором после найма работодатель указывал бы, в пользу кого решение принято. У площадки появлялся бы кейс, на котором система может учиться. Чем больше будет накоплено подобных примеров, тем точнее будут рекомендации, причем модель будет учитывать множество факторов, кроме CV, например, поведение на работном сайте, историю правки CV и другие, что, в частности, сделает крайне сложным «накрутку» системы, используя популярные ключевые слова.
Оценка здоровья персонала и ее перспективы?
— Идея хороша, но возникает два вопроса: доверие к компании сотрудников (готовы ли они добровольно предоставить личную информацию, если этого не требуют законодательство) и вопрос стоимости решения. Если рассуждать о таких трудоемких и небезопасных для здоровья отраслях, как химическая или атомная промышленность, обязательные медосмотры, выборочные проверки, специальные системы, позволяющие выявлять людей в опьянении, вложения в автоматизацию этих процессов оправданы. В большинстве же компаний «белых воротничков» законодательно сбор данных о здоровье сотрудников не обеспечен. На волне интереса к ЗОЖу компания может предоставлять услугу прогнозирования здоровья как некий сервис сотрудникам: мы заботимся о вашем здоровье, поэтому собираем информацию о состоянии вашего организма и рекомендуем вам периоды, например, когда вы пойдете в отпуск. Показания такой системы могут являться дополнительным основанием для того, чтобы запросить внеочередной отпуск или пройти диспансеризацию. Но в целом пользоваться такими инструментами можно будет только в том случае, если это будет законодательно закреплено.
Есть ли будущее у профессий, связанных с HR, или ИИ их совсем выдавит с рынка?
— В бизнесе есть проблемы, связанные как с недостатком информации, так и с оценкой и классификацией информации. HR-специалисты чаще сталкиваются с тем, что должны определить, какая информация существенна, выделить значимые крупицы из огромных массивов данных и ранжировать их. Искусственный интеллект нам может помочь в сборе и структурировании этой информации. Но за нас понять, что из этого существенно, он не может. Поэтому у профессий, связанных с управлением персоналом, есть будущее.
Анализ по голосу состояния вашего работника (уже факт) — это актуально или блажь?
— С технической точки зрения анализ голоса не является сложной задачей. Не первый год на рынке существуют системы, которые не только определяют эмоции в момент речи, но и общее настроение и даже преобладающий темперамент. Но в HR анализ состояния работника по голосу не актуальная на сегодня тема.
Проверка безопасности кандидата автоматически с помощью ИТ — насколько помогла бы она, кому, почему? Сколько вы готовы платить за штуку?
— Обычно проверка безопасности кандидата включает поиск по базам: судимость, наркомания и т.д. Привлечение дополнительных ИТ-ресурсов, автоматизация этого процесса, на мой взгляд, могут разве что ускорить работу секьюрити-офиса. И дать выход на социальные каналы и ресурсы потенциального кандидата: возможно, на страницах встретятся нетолерантные высказывания. Но проблема эта актуальна, скорее, для крупных транснациональных корпораций и зарубежных компаний. В России направление пока недостаточно развито и не представляет такого интереса.
Пофантазируйте о том, к чему может привести фирму ИИ управления бизнесом (плюсы и риски)?
— За каждым, даже простым человеческим решением (пить кофе или чай, поехать на машине или на метро) стоит анализ сотен «стимулов», а каждый из них обусловлен «обстоятельствами» и «критериями». Деревья решений — наиболее понятная аналогия принятия решений человеком, нейросети, вдохновленные работой человеческого мозга, эволюционные методы и генетические алгоритмы, симулирующие, как развивались поколения, — весь этот арсенал доступен искусственному интеллекту уже не первый год. Искусственный интеллект с точки зрения методов — это лучшее из двух миров — человека и компьютера.
Единственный сдерживающий фактор — это то, что мы до сих пор очень мало знаем о мозге, и компьютерные модели, вдохновленные его работой, пока достаточно примитивны.
В части принятия решений искусственный интеллект и человек похожи, все аргументы за и против субъективных оценок человеком можно перенести и на искусственный интеллект. Также это справедливо в отношении принятия коллективных решений, советом, комитетом или любой другой группой людей. В мире моделей подобная группа называется ансамблем. Это может быть демократичная группа, где у каждой модели равный голос, может быть автократия или голосование с весами на основании ранее принятых правильных и неправильных решений. Последний вариант дает самые хорошие результаты, что неудивительно: модели, которые ошибаются меньше, получают больше власти, а голос постоянно ошибающихся практически ничего не значит.
Другой вопрос — интерпретируемость такого решения. От систем искусственного интеллекта, как и от любых машин, ожидают прозрачности в решениях. Но это невозможно: самые простые модели можно интерпретировать, а вот более сложные системы работают как черный ящик. Вопрос в том, доверять ли методам математики и статистики, которые заложены в AI, его разработчику, так как невозможно детально разобраться, почему принято то или иное решение.
И все же главная проблема таких систем — в низкой толерантности к риску. В голливудских блокбастерах часто описывается ситуация, когда искусственный интеллект при выборе из двух возможностей останавливается на наименее рискованной, в то время как человек может выбрать более радикальный путь. То есть в бизнесе доверие к решениям искусственного интеллекта приведет к тому, что фирма станет одной из многих. Это будет какой-то крепкий середнячок, который не вырывается вперед, но и не допускает серьезных ошибок. Потому что искусственному интеллекту не свойственны решения, связанные с неоправданным риском, люди нанимаются по «образцу», и в итоге в командах недостаточно разнообразия, которое жизненно необходимо, чтобы находить новые идеи, видеть открывающиеся возможности и принимать нестандартные решения.
Распределенный мозг управления — об этом в УП-27 говорил директор В2В-center: «Сегодня мозг компании не должен быть в одном месте». Как вы его понимаете?
— В книге «Маверик» Рикардо Семлера описывается круговая структура принятия управленческих решений, или холакратия. Она очень похожа на распределенность мозга: решения принимаются не в «центре управления», а на своих уровнях, или кругах. Сегодня некоторые компании ее реализуют: Valve, Zappos. Управленческая идея такой структуры как раз лежит в плоскости создания разнообразия реакций на окружающую среду, ухода от единой стратегии принятия решений. Искусственный интеллект и распределенная структура друг друга не исключают и могут мирно сосуществовать.
Принцип распределенного мозга работает для компаний почти любого типа, за исключением ресурсных, где большую часть себестоимости занимают не кадры, а, к примеру, газопроводы, недра, машины, станки. Но больше всего распределенная структура востребована в высокотехнологичных отраслях.
Каспаров уже проиграл искусственному интеллекту. А бизнес? Когда нам ждать первых «матчей» бизнеса, управляемого обычным СЕО, и СЕО с искусственным интеллектом?
— Такие матчи уже идут. Машинное обучение дает мощные возможности для изучения закономерностей рынка и применения их на практике. Причем алгоритмы анализа данных постоянно совершенствуются, что позволяет более оперативно и эффективно делать прогнозы о нарастающих трендах и принимать грамотные управленческие решения. Быстрее всего в игру включается финансовый сектор: появляются такие компании, как ZestFinance, которой, благодаря анализу крупных массивов данных и технологиям машинного обучения, удалось найти новый подход к оценке финансовых факторов рынка, риска невыполнения обязательств со стороны клиента или мошенничества. Система принимает решения на основании глубокого анализа всех видов кредитных данных — от финансовой информации до используемых технических средств. Или компания Dataminr, технология которой обрабатывает до 500 млн твитов ежедневно и преобразует их в информацию о новых трендах или клиентах.
На рынке появляются стартапы, которые при помощи технологий машинного обучения прогнозируют состояние биржевого рынка. Компьютеры анализируют новые данные, сравнивают с данными прошлых анализов, чтобы выявить закономерности. В дальнейшем они ранжируют результаты анализа нескольких моделей, из наиболее точных делают ансамбль, которым затем играют на рынке. Получается комбинированная модель: с одной стороны, часть искусственного интеллекта в виде машинного обучения, с другой — краудсорсинг.
Вернемся к тому, что имеем пока. Где компании взять персонал, способный развивать и понимать, принять элементы искусственного интеллекта, ведущие к прогрессу фирмы?
— Во-первых, на рынке труда уже появляются специалисты, способные и, что важно, имеющие мотивацию работать с новейшими технологиями. Существуют профессиональные сообщества, к примеру, по машинному обучению. Их можно использовать как стартовую точку: многие члены комьюнити привязывают свои профайлы в LinkedIn, кроме того, можно анализировать активность человека внутри сообщества, наблюдать за его работой.
К тому же сейчас у компаний появляется все больше возможностей «взращивать» специалистов из вчерашних выпускников профильных вузов: тренинговые центры, стажерские программы, курсы и семинары повышения квалификации. B Navicon, к примеру, многие бывшие стажеры сейчас работают на должностях ведущих разработчиков или руководителей департаментов. Надо просто дать возможность поколению Y развивать свои идеи.
Логистика — важная часть бизнеса. Вы видите в ней ресурсы для искусственного интеллекта? Какой вы видите логистику будущего?
— Классические задачи искусственного интеллекта в логистике — задачи оптимизации: решение задачи коммивояжера, предсказание скорости перемещения транспорта с учетом загрузки дорог, поломок и сбоев оборудования. Управление закупками и поставками тесно связаны с прогнозированием временных рядов, с учетом трендов и динамики рынка. К примеру, быстропортящиеся товары в больших количествах возвращаются на утилизацию производителем. Интеллектуальные системы прогнозирования позволили бы найти некий «оптимум» для выпуска и закупки продукции, учитывая тренды рынка, динамику потребительского интереса, волатильность курса и другие рыночные факторы.
В будущем перед искусственным интеллектом в части логистических процессов встанет еще больше вопросов, к примеру: разработки компании Amazon, квадрокоптеры, перемещающие товары по воздуху, поднимут проблему регулирования воздушного пространства и так далее.
Налоги, компенсации, мотивация — что даст искусственный интеллект в этих сферах?
— Перспектив применения искусственного интеллекта для целей разработки или расчета систем премирования сотрудников нет. Все специалисты по компенсациям вам четко дадут базовые критерии нормальной системы компенсаций — она должна быть простой и понятной для сотрудников, прозрачной и справедливой. А искусственный интеллект работает как черный ящик — вы туда данные закладываете и получаете результат. Прозрачности нет, результат перепроверить на калькуляторе нельзя. Ни один рядовой сотрудник не поймет алгоритма работы. Возникает вопрос доверия, что сводит на нет любые вопросы применения искусственного интеллекта для целей расчета компенсаций.
Лин-технологии и искусственный интеллект — какие резервы вы видите здесь?
— Лин-технологии, или технологии бережливого производства — это история больше о датчиках и концепции IoT, чем об искусственном интеллекте. Применяются такие технологии на производстве и включают анализ данных с систем сенсоров и датчиков по двум типовым направлениям: предсказание выхода оборудования из строя и необходимости обслуживания, а также прогнозирование операционной эффективности (контроль над заполняемостью промышленных резервуаров и т.п.).
Какие отрасли бизнеса более всего должны уже сегодня серьезно заняться развитием искусственного интеллекта у себя в компании?
— В первую очередь — ИТ-компании. Сейчас большинство крупных игроков ИТ-сектора осознают потенциал технологий искусственного интеллекта, поэтому вендоры разрабатывают собственные интеллектуальные решения для бизнеса, такие как IBM Watson Analytics. Интеллектуальный чат-бот с технологией распознавания языка уже используется, к примеру, для улучшения сервисов лояльности авиакомпании «Аэрофлот». В свою очередь такие гиганты, как Google, Amazon, готовы вкладываться в стартапы в этой области: только за первое полугодие 2016 года венчурные инвесторы вложили в стартапы искусственного интеллекта более $1,5 млрд по оценке CB Insight.
Кроме того, нарастает интерес к технологии со стороны финансовой отрасли, страховых компаний — все большую популярность приобретают технологии финтеха: робоадвайзинг, интеллектуальные системы управления счетами клиентов, такие, как Penny, и прогнозирование рыночных трендов. А также производства: аналитики компании Transparency Market Research драйверами роста рынка AI считают автоматизацию аэропортов и предприятий прежде всего промышленного сектора. И связывают рост рынка от $126,2 млрд в 2015 году к $3 трлн в 2024- м с необходимостью резкого повышения производительности компаний.
Наконец, технологии AI набирают популярность в автомобилестроении, причем не только со стороны компании Илона Маска: недавно начало работ в области применения искусственного интеллекта анонсировал концерн Honda, а затем Toyota Research Institute (TRI) объявил о запуске совместных исследований с Университетом Мичигана.
Есть компании, где в HR работают сотни и тысячи человек (Банк Китая — 1 млн персонала, например). Насколько искусственный интеллект сократит их?
— Для каждой отрасли свои нормативы, тем не менее мы знаем, что число сотрудников HR прямо пропорционально численности компании. Поэтому, если искусственный интеллект будет сокращать общую численность компании (по мнению аналитиков McKinsey, до 45% профессиональных задач может перейти в ближайшее время к роботам и системам API), то штат HR также будет сокращаться.
Другой вопрос — будет ли искусственный интеллект облегчать работу HR? Да, но без сокращения штата HR-службы. Потому что искусственный интеллект не подменяет HR, он уменьшает затраты на какие-то базовые операции (профилирование соискателей и т.д.) и поставляет дополнительную информацию. В итоге HR-специалист получает возможность более качественно подойти к решению творческих задач.
Но есть парадокс — чем больше компьютеров нам дал изобретатель, тем больше разочарований (число работников кадров не уменьшилось, а где-то и выросло). Как не допустить, чтобы искусственный интеллект изначально не «пожрал» свое предназначение — рост эффективности?
— Не всегда искусственный интеллект экономит ресурсы: сложное оборудование, компьютерные мощности стоят немало. Но внедрение систем AI дает другие преимущества: например, более эффективный вывод нового продукта, быстрый захват доли на рынке благодаря более точным и оперативным прогнозам. Системы AI позволяют получить конкурентное преимущество на рынке, отличиться от конкурентов. Но при всех преимуществах интеллектуальной системы стоит помнить, что разовые операции, творческие действия, индивидуальные контакты должен производить человек — иначе расход ресурсов на технологию окажется несоизмерим с полученным результатом.
Дмитрий Котов,HR-директор ИТ-компании Navicon.
Подготовила Елена Мамонтова
Статья была опубликована в журнале "Управление персоналом"
