Использование ИИ в вашем бизнесе будет только расти, и это хорошо. Цифровизация позволяет предприятиям работать на атомарном уровне и ежедневно принимать миллионы решений в отношении одного клиента, продукта, поставщика, актива или сделки. Но эти решения не могут приниматься людьми, работающими в электронной таблице.
Мы называем эти детализированные решения на основе искусственного интеллекта «микрорешениями» (позаимствовано из «Достаточно умных систем» Тейлора и Радена). Они требуют полной смены парадигмы, перехода от принятия решений к принятию «решений о решениях». Вы должны управлять на новом уровне абстракции с помощью правил, параметров и алгоритмов. Этот сдвиг происходит во всех отраслях и во всех видах принятия решений. В этой статье мы предлагаем основу для того, как думать об этих решениях и как определить оптимальную модель управления.
Микрорешения требуют автоматизации
Природа микрорешений требует определенного уровня автоматизации, особенно для принятия решений в реальном времени и принятия больших объемов. Автоматизация обеспечивается алгоритмами (правилами, прогнозами, ограничениями и логикой, которые определяют, как принимается микрорешение). И эти алгоритмы принятия решений часто называют искусственным интеллектом (ИИ). Критический вопрос заключается в том, как менеджеры-люди управляют этими типами систем на базе алгоритмов?
Автономная система концептуально очень проста. Представьте себе беспилотный автомобиль без руля. Водитель просто говорит машине, куда ехать, и надеется на лучшее. Но как только появляется руль, у вас возникают проблемы. Вы должны сообщить водителю, когда он может захотеть вмешаться, как он может вмешаться и сколько времени вы уведомите его, когда возникнет необходимость вмешаться. Вы должны тщательно продумать информацию, которую вы предоставите водителю, чтобы помочь ему принять соответствующие меры.
То же верно и для любого микрорешения. В тот момент, когда в дело вступает человек, вам необходимо тщательно продумать, как спроектировать систему принятия решений, которая позволит человеку иметь значимое взаимодействие с машиной.
Четыре основные модели управления, которые мы разработали, различаются в зависимости от уровня и характера человеческого вмешательства: мы называем их HITL, HITLFE, HOTL, HOOTL. Важно признать, что это спектр, и хотя мы выделили ключевые модели управления, существуют подварианты, основанные на разделении между человеком и машиной, а также на уровне абстракции управления, на котором человек взаимодействует с системой.
Диапазон вариантов управления
Человек в петле (HITL): Человеку помогает машина. В этой модели человек принимает решения, а машина обеспечивает только поддержку принятия решений или частичную автоматизацию некоторых решений или частей решений. Это часто называют усилением интеллекта (IA).
Сбор и утилизация отходов, а также их переработка - это сложный бизнес, в котором играет роль все, от погоды до местных предписаний по шуму, планировок парковок и замков ворот, типов утилизации до мест свалок, наличия водителей и возможностей грузовиков. роль в эффективной работе. Компания из списка Fortune 500 вкладывает значительные средства в использование ИИ для улучшения своей деятельности. Они признают, что ценность ИИ часто заключается в том, что он помогает людям лучше выполнять свою работу. Одним из примеров является помощь диспетчерам в более эффективной обработке билетов и маршрутов. Беспроблемному сервисному обслуживанию могут помешать многие факторы, например, потребность в определенном ключе или коде, временные интервалы, в которые возможен или невозможен самовывоз, ограничения по ширине и длине, инструкции по перемещению или открытию вещей, временная конструкция и намного больше.
Недавно разработанный бот просматривает все билеты и запросы в нескольких системах, чтобы определить все, что может повлиять на конкретную остановку, и доводит это до сведения диспетчера. Он заблаговременно определяет все возможные проблемы с маршрутом в соответствии с текущими настройками (и повторяет это при добавлении, перемещении или удалении остановок в течение дня) и может реактивно использоваться диспетчерами, когда они работают над поиском наилучшего способа добавления. запросы к бортовым маршрутам. Диспетчер-человек следит за работой системы, чтобы высвободить 20-25 % своего рабочего дня, автоматизируя тысячи решений по заявкам на обслуживание
Человек в цикле исключений (HITLFE): Большинство решений в этой модели автоматизированы, и человек обрабатывает только исключения. Что касается исключений, система требует некоторого суждения или ввода от человека, прежде чем она сможет принять решение, хотя маловероятно, что она попросит человека принять все решение. Люди также контролируют логику, чтобы определить, какие исключения помечены для проверки.
Бизнес-бренд разработал алгоритм машинного обучения (МО) для прогнозирования роста продаж при различных видах продвижения, чтобы заменить существующий подход, основанный на человеческом участии. Прогноз ML учитывал такие факторы, как предложение, маркетинговая поддержка, сезонность и каннибализация для создания автоматического прогноза. Для многих рекламных акций предсказание машинного обучения работало хорошо, но менеджеры быстро теряли уверенность после того, как за первоначальным успехом вскоре последовали серьезные неудачи, которые привели к значительным потерям продаж. Когда специалисты по анализу данных рассмотрели прогнозы, они обнаружили, что алгоритм машинного обучения не может предсказать определенные типы продвижения. Вместо того, чтобы отказаться от проекта, они разработали подход HITLFE. Ключевым моментом было систематизировать уровень уверенности машины в своих прогнозах и заставить людей проверять прогнозы в исключительных случаях, когда у машины была низкая уверенность.
Человек на линии (HOTL): Здесь машине помогает человек. Машина принимает микрорешения, но человек просматривает результаты решения и может корректировать правила и параметры для будущих решений. В более сложной конфигурации машина также рекомендует изменить параметры или правила, которые затем утверждает человек.
Европейской компании по доставке еды нужно было управлять своим парком велосипедистов, и она использовала электронную таблицу для планирования количества «мест для доставки», необходимых в течение следующего часа/дня/недели. Затем они применили различные стимулы, например, увеличив скорость доставки, чтобы привести количество водителей в соответствие с ожидаемым спросом. Это был очень ручной и неточный процесс, и они решили разработать полностью автоматизированную систему для проверки их ручного подхода. Результаты были интересными. Иногда люди работали лучше, иногда машина работала лучше. Они поняли, что неправильно сформулировали проблему. Реальный вопрос заключался в том, как заставить людей и машины сотрудничать. Это привело ко второму подходу, при котором вместо людей, управляющих на уровне водителей, они разработали набор параметров управления, которые позволили менеджерам найти компромисс между риском, стоимостью и обслуживанием. Этот подход учитывал динамическую природу системы, необходимость идти на компромиссы, которые могут меняться со временем, и острую необходимость сохранять интерес к работе!
Человек вне цикла (HOOTL): В этой модели машина контролируется человеком. Машина принимает каждое решение, а человек вмешивается, только устанавливая новые ограничения и цели. Улучшение также является автоматизированным замкнутым циклом. Корректировки, основанные на отзывах людей, автоматизированы.
Автономный корабль Mayflower исследует мировой океан с помощью радара, GPS, камер с искусственным интеллектом, десятков датчиков и множества периферийных вычислительных устройств. Но у него нет экипажа. Поскольку люди полностью не в курсе, «Мэйфлауэр» должен ощущать окружающую среду, предсказывать курс, выявлять опасности, применять правила столкновения и соблюдать морские правила. Его ИИ-капитан делает это автономно, двигаясь для достижения целей, заранее поставленных людьми, отвечающими за проект. Люди на берегу просто говорят ему, куда идти.
Что может пойти не так
Одна туристическая компания из США внедрила полностью автоматизированную систему HOOTL для маркетинга по ключевым словам в Google. Маркетинговая команда смогла ввести бюджет и цель, а затем система автоматически определила оптимальное распределение расходов и логику ставок по миллионам ключевых слов. Сначала система работала хорошо и обеспечивала как повышение эффективности, так и улучшение результатов. Однако, когда система начала работать хуже, команда не смогла объяснить, почему или предпринять какие-либо корректирующие действия. Это была система полностью черного ящика, основанная на проприетарных алгоритмах, но на практике неуправляемая, и команда вернулась к своей старой системе, основанной на правилах.
Если производительность улучшается (даже на время), менеджеры довольны, но если решения начинают работать плохо, выяснить, какой элемент нового процесса виноват, становится чрезвычайно сложной задачей. Например: алгоритмическое решение может быть слишком непрозрачным, чтобы пройти проверку регулирующих органов или объяснить его недовольным клиентам. Автоматические изменения в алгоритме в ответ на обратную связь, собранную алгоритмом, могут создать состояние гонки, когда алгоритм отклоняется от курса. Слишком много решений может быть передано на рассмотрение вручную, что резко ограничивает ценность алгоритма. Или участие человека в алгоритме может быть на неправильном уровне, что приводит к тому, что люди-пользователи оттесняют алгоритм на второй план.
Часть решения заключается в выборе правильной модели взаимодействия человека с конкретным решением. Кроме того, каждая система принятия микрорешений должна контролироваться, независимо от степени участия человека. Мониторинг гарантирует, что принятие решений является «хорошим» или, по крайней мере, соответствует цели в настоящее время, а также создает данные, необходимые для выявления проблем и систематического улучшения процесса принятия решений с течением времени. Также очень важно измерять эффективность принятия решений: необходимо зафиксировать как минимум две метрики, ориентированные на эффективность принятия решений. Ни одно реальное бизнес-решение нельзя оптимизировать, сосредоточив внимание только на одном показателе, всегда есть компромисс. Кроме того, вы всегда должны собирать информацию о том, как система приняла решение, а не только о фактическом принятом решении. Это позволяет как эффективно объяснить «плохие» решения, так и сопоставить неоптимальные результаты со спецификой того, как было принято решение. Наконец, вы должны отслеживать бизнес-результаты и сопоставлять их с тем, как принимались решения.
Решение о том, какая модель вам подходит
Важно понимать, что эти системы со временем будут развиваться благодаря новым технологиям, стремлению организаций принимать все более оперативные решения и большей уверенности руководства в автоматизации. Вы должны решить, какой уровень человеческого управления возможен и желателен, а также свою склонность к риску и повторению. Правильного ответа нет.
Какую бы модель вы ни выбрали, мы считаем крайне важным включить ИИ в организационную схему и в структуру процессов, чтобы менеджеры-люди чувствовали ответственность за результат. Потребность в более автономных системах, потребительский спрос на мгновенные ответы, координация цепочек поставок в режиме реального времени и удаленные автоматизированные среды - все это в совокупности делает более широкое использование ИИ в вашей организации неизбежным. Эти системы будут принимать все более мелкие микрорешения от вашего имени, влияя на ваших клиентов, ваших сотрудников, ваших партнеров и ваших поставщиков. Чтобы добиться успеха, вам необходимо понимать различные способы взаимодействия с ИИ и выбирать правильный вариант управления для каждой из ваших систем ИИ.