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

Что делать, когда машины начнут делать все. Как роботы и искусственный интеллект изменят жизнь и работу.
Электронная книга t.me/kudaidem/1361

Предисловие

Наверное, Вы думаете: «Если все будут делать машины, что буду делать Я?» Хороший вопрос.

Как выживать, если программное обеспечение справляется со всей умственной работой?

Чему учиться молодежи? На чем сосредоточиться? 

Подъем искусственного интеллекта – одно из главных явлений нашего времени. 

искусственный интеллект – это своего рода предвестник новой индустриальной революции, которая для тех, кто правильно ею распорядится, сумеет создать значительный экономический рост.

новые машины создадут лучшие, более производительные рабочие места, приносящие удовлетворения больше.

Эта книга ставит перед собой задачу ответить на вопрос о будущем вашего бизнеса и работы в эпоху интеллектуальных машин. Она объясняет, как вы, личность и руководитель своей организации, сможете выживать и процветать в мире, где все делают машины. Эта книга объясняет, что вам стоит делать, почему и что произойдет, если вы этого делать не станете.

Мы не только профессионально изучаем будущее, мы трое изучаем также историю. Понимание великих перемен прошлого дает нам точку опоры для понимания, как происходят перемены здесь и сейчас.

Пришло время строить собственное будущее, преисполнившись оптимизмом и уверенностью. Когда все делают машины, для вас тоже остается много дел. Давайте за них приниматься.

Глава 1
Когда машины делают все

От Alexa до Nest, Siri, Uber и Waze – мы окружены умными машинами, действующими на невероятно мощных, самообучающихся программных платформах.

Сегодня ИИ трансформируется из небольшого ежедневного помощника во что-то гораздо более могущественное и подрывное, поскольку новые машины быстро превосходят самых талантливых из нас во многих начинаниях. Например:

• Интеллектуальные игры: платформа ИИ сегодня может состязаться с нами в самых захватывающих играх – Jeopardy! (российский аналог – «Своя игра»).

• Вождение: беспилотные автомобили, хоть и находятся еще в стадии разработки, уже справляются с управлением лучше, чем средний человек.

• Трейдинг: в 2015 году шесть из восьми крупнейших хедж-фондов Соединенных Штатов заработали около восьми миллиардов долларов, основываясь в основном – или исключительно – на алгоритмах искусственного интеллекта.

• Здравоохранение: в медицине новые машины быстро превосходят возможности врачей-рентгенологов. если маммограмму изучает человек, то в 20% случаев назначается необязательная биопсия.

Мы вступаем в новую экономическую эру, ту, что изменит природу работы и основы конкуренции в каждой отрасли. В этой новой экономике мы станем свидетелями расширения границ возможного и сдвиг от машин, которые выполняют, к машинам, которые, оказывается, учатся и думают.

Следующая волна цифровых титанов, скорее всего, не будет состоять из стартапов Кремниевой долины. Напротив, она будет запущена сложившимися компаниями из более «традиционных» отраслей.

многие институты – столпы нашего общества и повседневной жизни – созрели для обновления.

Например, каждый год мир теряет в автомобильных авариях 1,2 миллиона жизней, причем 94% происшествий становятся результатом человеческих ошибок.

Одна треть произведенной в мире еды выбрасывается.

Сегодня от 5 до 10% выездов «скорой помощи» заканчиваются постановкой ложного диагноза. Более двенадцати миллионов случаев неверного диагностирования каждый год приводят к четыремстам тысячам смертей, вызванных предотвратимыми ошибками, – и это только в США.

Еще одна область, созревшая для преобразований, – это управление нашими деньгами.

компания Betterment стала одним из лидирующих в мире «робо-консультантов», привлекая платформы с ИИ для переформулирования правил бизнеса финансового консультирования.

С начала 2015 года до середины 2016-го капитал, находящийся под управлением Betterment, вырос с 1,1 миллиарда до 5 миллиардов.

Betterment получил больший кусок денежного пирога в свое управление, поскольку смог привлечь клиентов, которым не подходили обычные банки. Традиционные «большие» инвестиционные банки (такие как Goldman Sachs, Morgan Stanley, Credit Suisse и другие) редко предлагают услуги по персонифицированному управлению средствами тому, чье состояние составляет меньше одного миллиона долларов.

Betterment начал с того, что сосредоточился на HENRY («хорошо зарабатывающих, еще не богатых», или high earners, not rich yet).

с каждым приходящим на платформу клиентом система становится умнее, обеспечивает большую выгоду любому индивидуальному участнику/

Ожидается, что к концу 2020 года под управлением роботов-консультантов будет уже двести пятьдесят миллиардов.

Будут ли многие виды занятости в наступающие годы «автоматизированы напрочь»? Да. Однако для подавляющего большинства профессий новые машины лишь дополнят и защитят деятельность.

Этот рассказ — дорожная карта, гид по успешному преодолению этого переходного времени. Во-первых, мы обозначим, чем в действительности является машина: как ее создают, что она может делать и чего делать не может.

самое важное: мы дадим структурированный подход к модели продвижения ВПЕРЕД, или AHEAD, основанный на нашей работе с двумя тысячами мировых компаний, стоящих в авангарде цифрового перехода.

Коротко говоря, AHEAD (ВПЕРЕД) предполагает пять различных подходов к победе в команде с интеллектуальными системами. Акроним состоит из:

• Автоматизация (Automate): механизированный аутсорсинг, обработка информации с помощью новой машины. Это то, как Netflix автоматизировал ритейл блокбастеров и как Uber автоматизировал работу диспетчеров такси.

• Ореол (Halo): оснащать измерительными приборами продукты и людей и применять для левериджа данные, извлеченные из фактических действий человека и его поведения онлайн (мы называем это Code Halos, или Ореолы кодов), чтобы создавать описания покупательского опыта и бизнес-модели. General Electric и Nike меняют правила игры в своих отраслях, оснащая измерителями свою продукцию, окружая ореолами данных и создавая новые ценностные предложения, сближаясь с покупателем.

• Дополнение, оптимизация (Enhance): взгляд на компьютер, как на коллегу, который может увеличить вашу производительность и удовлетворенность от деятельности. Сегодня GPS в машине оптимизирует вождение. В последующие годы целые направления деятельности, от продаж до ухода и обучения, переживут революцию благодаря мощному компьютерному подкреплению.

• Изобилие (Abundance): используйте новые машины, чтобы открыть совершенно новые рынки, уронив цены на текущие предложения, как когда-то сделал Генри Форд с автомобилями.

• Открытие (Discovery): примените ИИ, чтобы задумать совершенно новые продукты, новые услуги и совершенно новые отрасли. Как лампочка Эдисона привела к новым открытиям в сфере радио, телевидения и транзисторов, сегодняшние новые машины дадут старт новому поколению открытий и изобретений.

Это пять конкретных подходов – игр, если хотите, – для победы в команде с ИИ.

в следующей фазе цифровой экономики побеждать будут не те, кто создает новые машины, а те, кто сообразит, что с ними делать. Эта книга станет вашим путеводителем.

Глава 2 От застоя к подъему: Мы это уже проходили

Заголовки предрекают надвигающийся кошмар безработных в очереди за хлебом и роботах-властелинах. Многие чувствуют, что если где-то и затевается вечеринка – в Кремниевой долине, в Нью-Йорке и в Лондоне, – то их туда не пригласили.

Да, сейчас мы в экономической «застойной зоне», поскольку в Третьей индустриальной революции (буквально) заканчивается бензин, в то время как Четвертая индустриальная революция, основывающаяся на новых машинах, должна еще набрать масштаб.

Хорошие новости, заключаются в приближении к концу застойного периода.

Наступает «цифровая экспансия», в которой возможность получать плоды цифровых технологий распространится из Кремниевой долины по всей экономике в целом. 

Чтобы полностью осознать этот переход, полезно оглянуться на воздействие новых машин на работу в предыдущие периоды бурной дестабилизации.

 исследование Оксфордского университета приводит данные о том, что примерно в течение следующего десятилетия новые машины поставят под угрозу около 50% всех нынешних рабочих мест в США.

что происходит между концом одной эры и началом следующей?

каждая технологическая революция принесла два типа процветания.

Первый тип – турбулентный и волнующий, как пузыри 1990-х и 2000-х и как Ревущие двадцатые, железнодорожная мания и каналомания до этого. Все это закончилось тем, что пузыри лопнули.

Однако после рецессии приходит второй тип: Викторианский бум, Прекрасная эпоха, послевоенный золотой век и… время, к которому мы, видимо, подходим.

Процветания периода пузыря поляризует доходы; золотой век стремится обернуть процесс вспять

Приближается золотой век, цифровая экспансия, которая уже находится прямо перед нами. Как и почему она может возникнуть из текущего экономического застоя? Исторические модели могут стать нашим путеводителем.

Эволюция каждой индустриальной революции следует по S-образной кривой 

(рис 3  2.2. S-образная кривая и Зона застоя).

Почему S-образная? После появления новых технологий соответствующий ВВП десятилетиями не растет (низ кривой). Отдельные личности и компании могут разбогатеть, но все общество в целом – нет. Однако, как только технология полноценно закрепляется, обычно это цикл в 25–35 лет, ВВП переживает практически вертикальный подъем (середина S-кривой). Например, в Великобритании паровой двигатель привел к массовому росту ВВП в 19 веке, а в 20 веке то же произошло с конвейером в США.

когда технология полностью принимается и находит свой путь почти во все отрасли и во все мировые регионы, рост ВВП сходит на нет (верх S-кривой).

Именно здесь и находимся мы сегодня с промышленной экономикой Третьей индустриальной революции.

Именно этот верх кривой, это ее спрямление стоит за слабостью нашей нынешней экономики.

(рис 4.) В настоящее время мы находимся на конце зоны застоя и входим в период быстрой экспансии.

давайте посмотрим внимательно на недавнюю историю и на то, как эти периоды вписываются в нашу S-модель.

Всплеск инноваций (1980–2000)

Пришествие персонального компьютера, первый Mac Стива Джобса, Билл Гейтс, ставший самым богатым человеком в мире, стремительное наступление Интернета, опутывание проводами и подключения наших корпораций. От всего этого срывало крышу.

Подобные всплески инноваций происходили в начале каждой индустриальной революции, прокладывая дорогу к огромным состояниям титанов, таких как Эндрю Карнеги и Джон Рокфеллер.

Когда слишком большой капитал начали направлять на малое число вариантов применения, неизбежным результатом стал финансовый пузырь.

Застой (2000–2015)

Проходить через застойную зону болезненно, но это важный этап перемен. Думайте об этом как о времени, необходимом для переваривания новой технологии, о личинке в коконе, еще не ставшей бабочкой.

Именно поэтому так важны компании FANG, а вместе с ними и Dropbox, Airbnb: они дают примеры сочетания современных машин с новыми бизнес-моделями.

Еще более важно взглянуть дальше FANG – на отраслевых лидеров, признавших перемены, таких как Siemens, Nike.

Распространение (2015–2040)

Это фаза, когда инновации смещаются с радикальных окраин в мейнстрим. Это время «демократизации» инноваций, когда новые идеи, изначально применявшиеся в очень концентрированной среде, распространяются на гораздо более широком пространстве.

Все предыдущие индустриальные революции проходили тот же базовый цикл из инновационного пузыря, застоя и взрыва. Цифровая революция не станет исключением, и есть три серьезные причины того, что мы близки к переходу к широкому, повсеместному цифровому росту.



(Рис Три фазы S-образной кривой)

Три серьезных причины того, почему вот-вот произойдет взрыв

Переход к фазе распространения будут двигать три параллельных крупных тренда:

1• Ubiquitech (от лат. ubique – «везде», «повсюду») – технология внедряется во все. По мере того как в жизнь будет воплощаться система контроля предметов с помощью Интернета «Интернет вещей» (Internet of Things, или IoT), почти все станет проникнутым техникой, связанным и умным.

2 тренд• По стандартам 2030 года, мы дурно пахнем. В 2030 году мы будем смотреть на многие аспекты сегодняшнего общества и удивляться: «И как мы это терпели?» Нам нужно решить важные проблемы с новыми машинами, а в процессе будут сформированы массовые новые формы потребностей.

3 тренд• Стать цифровыми – создать Три М (сырьевые Материалы, новые Машины и бизнес-Модели). Предприятия «становятся цифровыми», организуя сотрудников и процессы вокруг возможностей новых машин. Из застойной зоны возникает все больше и больше новых успешных бизнес-моделей, что ведет к перегруппировке рейтингов в индустрии после индустрии.

Давайте разберемся с тремя этими явлениями.

Ubiquitech – технология внедряется во все

превращение каждой «вещи» в доступную для интернет-протокола – происходит с головокружительной скоростью. Например:

• McKinsey предсказывает, что к 2025 году мировые траты на устройства и сервисы для «Интернета вещей» достигнут одиннадцать триллионов долларов.

• С каждым днем становится «умнее» автоиндустрия. Еще до того, как машины станут полностью автономными («беспилотными»), они будут все более походить на полностью подключенные к системам связи передвижные центры обработки и передачи данных.

• По оценке General Electric, рынок «Индустриального интернета» за следующие двадцать лет добавит мировому ВВП от 10 до 15 триллионов долларов.

Следующее поколение умных устройств будет иметь колоссальное значение практически для любого вида бизнеса.

 Что уже начинает происходить– это применение идей «Интернета вещей» к критически важным для достижения цели отраслям экономики, таким как здравоохранение, транспорт и оборона.

2 тренд. По стандартам 2030 года мы дурно пахнем

Так же как мы подтруниваем над родителями за черно-белые телевизоры, распространенные в их годы, дети будут дразнить нас за то, какими недоразвитыми и странными были сегодняшние инструменты. 

Они будут смотреть и удивляться: «И как только люди могли так жить?»

Десять лет спустя ваша машина с помощью самодиагностики точно определит, что с ней не так, оценит примерную стоимость ремонта и запишется к дилеру на обслуживание, сверившись с календарем.

В 2030 году пятнадцатилетние будут удивляться, как мы не знали за несколько дней наперед, что сляжем с простудой. Что каждый школьный ученик не имел совершенно четкого понимания личного стиля и опорной индивидуализированной программы обучения.

Неэффективность нашей индустриальной эпохи может казаться ужасной, но кто-то, имеющий предпринимательскую жилку, видит в проблемах и помехах бизнес-возможности по устранению этих недостатков.

В действительности надо спрашивать: «Что эта технология может улучшить?» Ответом будет – «огромное количество вещей», поскольку, глядя с точки зрения 2030 года, можно понять, как многое должно измениться.

Несколько, центральных для экономики отрасли, которым предстоит стать по-настоящему цифровыми — это ритейл, банки, страхование, промышленность и медико-биологические науки, которые вместе приносят сегодня примерно 40% ВВП. Поскольку имеющая значение работа становится все более цифровизированной, привлекая машины с ИИ, огромное экономическое расширение должно вот-вот произойти.

3 тренд. Стать цифровыми: создать Три М


(рис.Три М в Большой революции в бизнесе и технологии). Эти Три М относятся к (сырьевым) материалам, (новым) машинам и (бизнес-) моделям. 

три этих элемента должны быть интегрированы и настроены на создание ценности.

В нашем сегодняшнем контексте Три М это:

• Сырьевые материалы: данные, передаваемые устройствами из «Интернета вещей» и оснащенными контрольно-измерительными приборами людьми, местами и вещами.

• Новые машины: интеллектуальные системы, совмещающие оборудование, ПО с искусственным интеллектом, данные и человеческий вклад в создание ценностей, согласующихся со специфическими бизнес-процессами и покупательским опытом.

• Бизнес-модели: коммерческие модели, монетизирующие основанные на интеллектуальных системах услуги и решения.

Что действительно изобрел Генри Форд, что стало его величайшим даром, так это совмещение Трех М его времени с изначальным фокусом на третьей М. Он создал бизнес-модель, основанную на сборочной линии, что радикально изменило цену автомобиля и стандарты качества. Объединение Трех М позволило Форду начать массовое производство машин (превратив их из игрушки для богача в необходимую вещь для масс), выиграть в конкурентной борьбе, переформировать транспортную систему и общество.

Новые бизнес-модели формируются в Зоне застоя

В настоящее время отраслевым лидером, проводящим трудную работу по реконфигурации себя вокруг Трех М для вступления в цифровую экономику, выступает General Electric.

GE помещает сенсоры практически в любую изготовленную «вещь», чтобы создавать новые сырьевые материалы.

GE инвестировал в разработку административной платформы «Интернета вещей» (Predix).

GE продает уникальную информацию, основанную на сырьевых материалах, открывая совершенно новые линии бизнеса. Программный бизнес GE приносит более шести миллиардов долларов.

Другой пример 100-летней отрасли, перестраивающей себя вокруг модели Трех М и применяющей в качестве рычага новую машину, – это образование.

В школе New Classrooms студенты вооружены планшетами, сгруппированы обычно по 5–20 человек и прорабатывают задания и проекты, где применяют разные образовательные «приемы» на «станциях» внутри класса. Некоторые приемы требуют сотрудничества в командах, некоторые – непосредственной работы с учителем, некоторые, «виртуальные», – с онлайн-программами. На станциях учителя взаимодействуют с группами, отвечая на вопросы, ставя задачи или новые вопросы. После каждого момента взаимодействия группа переходит к новому заданию и перемещается на новую станцию.

Большая часть оценок выставляется автоматически.

К шести утра следующего дня каждый студент и работающий с ним учитель получают полностью индивидуальный учебный план на наступающий день. Этот примерный план основан на компьютерном анализе прогресса ученика: что нужно переделать, что нужно закрепить и какая новая информация может быть добавлена, чтобы увлечь и задействовать ученика.

 От застоя к взрыву, время для оптимизма

Первое, что нужно вынести из этой главы, необходимость:

а) понять новые машины;

б) поместить их в правильную бизнес-модель.

Давайте займемся, причиной огромной озабоченности: воздействии ИИ и автоматизации на наши рабочие места.

Глава 3 Будет кровь

Переход от застоя к взрыву не удастся без значительной дестабилизации в сфере рабочих мест. Говоря метафорически, будет кровь.

Прогноз массовой потери работы через ИИ

Исследование Оксфордского университета прогнозирует, что к 2025 году автоматизировано может быть до 47% рабочих мест в США.

Всего США предлагают работу ста шестидесяти миллионам человек, и, по прогнозу Оксфорда, из них исчезнет примерно семьдесят пять миллионов рабочих мест.

Такие уровни безработицы, достигнутые в такие сроки, приведут нас к мрачному будущему в духе «Элизиума».

Но, Вдохните глубоко. Подъем новых машин не приведет к полномасштабным уличным революциям. Много рабочих мест, собственно, миллионы рабочих мест будут автоматизированы, но не в том масштабе и не с такой скоростью, что вызовет социальное напряжение, какое многие предсказывают (и еще большее число людей боится).

Оксфордское исследование занимает самую крайнюю позицию. Не удивительно, что именно оно удостоилось наибольшего числа упоминаний, поскольку затронуло нерв неуверенности в нашей медленно растущей, застойной экономике.

Общее мнение большинства исследований при этом далеко не так драматично: за следующие 10–15 лет автоматизацией будет вытеснено от 5 до 15% рабочих мест. 

В промышленном мире для переживающих Четвертую индустриальную революцию стран уровни безработицы в 2025 году будут примерно равны сегодняшним.

Новые машины изменят рабочую силу в трех направлениях.

1. Автоматизация работы: примерно 12% существующих рабочих мест под угрозой того, что они будут отняты интеллектуальными системами.

2. Расширение работы: примерно 75% существующих рабочих мест будет изменено или дополнено программами-роботами. Занятость сохранится, и работа будет выполняться с большим результатом и/или качеством.

3. Создание работы: по мере того как новые машины будут создавать новые возможности и/или категории занятости, возникнет 13% абсолютно новых вакансий.

Наиболее устрашающие предсказания основаны на исследованиях, являющихся неполными и неверно истолкованными.

Полезно задуматься о трехважных моментах, которые происходят с рабочими местами.

1• Работа vs. задачи: нам привычнее видеть «работу» в целом, вместо того чтобы смотреть на нее как на состоящую из разнообразных задач, одни из которых могут быть автоматизированы, а другие не будут автоматизированы никогда. Посмотрев на задачи, которые составляют какую-либо работу, мы легко увидим, что некоторые должности непременно заменят машиной, а другие будут лишь немного изменены и дополнены.

2• Технология как средство уничтожения работы и ее создания: большая часть аналитики смотрит на автоматизацию и технологию исключительно как на средство уничтожения работы, но любой серьезный технологический сдвиг исторически вел и к появлению новых работ. Мрачную картину будущего значительно усугубило игнорирование возможности роста на противоположной стороне равенства.

3• Время: в попытках понять будущее самая важная переменная – это время. Его часто не замечают или заглядывают настолько далеко, что все предсказания становятся бессмысленными.

Давайте посмотрим на эти моменты более детально.

Ручной труд против интеллектуального: как на завод, так и в офисе?

Роботы взяли на себя работу, ранее выполнявшуюся тысячами рабочих. Но, по сути, производственный робот повысил эффективность и поднял качество.

В связи с этим многие проводят параллели с трудовым коллапсом синих воротничков в Детройте и похожим надвигающимся трудовым коллапсом белых воротничков в таких городах, как Лондон, Нью-Йорк

Но, автоматизация будет значительно различаться. Очень поучителен здесь старый афоризм:

Если я дам тебе доллар, ты станешь на доллар богаче, а я – на доллар беднее. Но если я дам тебе идею, мы оба станем богаче, поскольку теперь у нас обоих будет идея, и твоя реакция сделает ее намного более ценной для меня.

Понятие «знания», или «интеллекта», может использоваться многократно и каждый раз «дополняться», становиться со временем более ценным.

Сравните газету с высоко персонализированной лентой новостей, которые мы видим сегодня.

автоматизация интеллектуального актива – это не перетягивание одеяла на себя, не просто вопрос замещения существующих рабочих ресурсов. И это не просто скорость обработки – часто обнаруживается, что это уровень массовой кастомизации, который был невозможен до появления интеллектуальных систем.

Не путайте работу с задачами

По этой причине возникает ошибка, ожидающих Страшного суда: неспособность увидеть критически важное различие между «работой» и «задачей».

В подавляющем большинстве случаев заменены программами-ботами будут участки работы, тогда как другие участки не будут тронуты или даже будут расширены.

Представьте себе Тамару, бухгалтера из вашего финансового отдела. Ее работа состоит из десятков задач.Некоторые из этих задач будут автоматизированы с использованием новых машин или с их помощью будут выполняться значительно более эффективно, но не все. Работа Тамары изменится, но не закончится полностью.

Вообразить, что вся бухгалтерская профессиональная деятельность в скором времени исчезнет и будет замещена программным обеспечением, значит, угодить в ловушку чрезмерного экстраполирования того, как и как быстро технологии изменят ход вещей в реальном мире.

Forrester Research применила подход «на основании задачи» и «на основании работы». Во многих случаях «роботизированная автоматизация процессов» забирает лишь участки работы, и чаще всего те, которые человек считает трудными и монотонными. Таким образом, во многих случаях машине отходит 20% рутинных – и очень скучных – обязанностей.

Самые большие перемены для рабочей силы… будут заключаться в изменении работы, состоящем в том, что 25% или более задач будут автоматизированы, что приведет к реорганизации и смещению обязанностей работника.(Рис. 9 Таблица 3.1. Суммарная доля каннибализированных профессиональных задач в процентах (отсутствует долговременный CAGR)

Этот основанный на задачах анализ (по родам занятий) рисует гораздо более реалистичную картину движимой машинами трансформации рабочих обязанностей. В этой картине важны три фактора.

• Время. Данные, полученные Forrester, не предполагают конца знакомой нам трудовой занятости в течение следующих нескольких лет. То, что мы наблюдаем этот переход, дает нам как персональный план действий, так и время для адаптации и выработки новых навыков.

• Устранение рутинной работы. Автоматизация 50% процентов работы – может быть, это не так уж и плохо. Во многих случаях эта автоматизация направлена на рутинную, не добавляющую ценности дополнительную работу (например, ручная проверка учителем домашней работы). Если освободить сотрудников от этих занятий, как они смогут использовать освободившееся время?

• Рост производительности. Работник может удвоить усилия, направленные на более человечные аспекты своей деятельности, удвоить результаты или значительно повысить качество исполнения. Например, автоматизация не заставит учителя исчезнуть, напротив, может сделать его работу намного эффективнее.

Не упускайте из виду рост числа рабочих мест

Этот взгляд на работу привели к созданию модели AHEAD (или ВПЕРЕД). 

Гораздо большее число рабочих мест будет дополнено, в то же время возникнут миллионы новых рабочих мест, что станет двигателем будущей занятости населения. 

В процессе автоматизации нашей работы и общества, поколение за поколением, произошли три по-настоящему хорошие вещи.

1. Было создано новое изобилие; продажи продуктов и услуг, полученных в результате автоматизации, намного более доступных и высококачественных сегодня, взлетели до небес.

2. С новым изобилием растет и общая занятость, даже если каждое изделие требует меньше трудовых вложений.

3. Общество получает исключительное благо более высоких стандартов жизни, созданных по-новому доступными товарами и услугами.

если мы признаем, что ткацкий станок одел мир, заложил основы мировой торговли, инициировал рост многочисленного среднего класса и запустил разнообразные смежные отрасли, луддиты оказались не правы.

Автоматизация – глубокая и непреодолимая сила.

(Скорость этого перехода)

Прогноз: ИИ повлияет почти на 100% интеллектуального труда и полностью устранит примерно 12% подобных вакансий. Но ключевой вопрос здесь – «когда?».

ИИ съест нынешние рабочие места «медленным, медленным, внезапным» образом. 

«Мы всегда переоцениваем изменения, которые произойдут в следующие два года, и недооцениваем те, что произойдут в следующие десять».

Ключ к постановке реалистичных временных рамок:

а) во взгляде на работу как на набор задач;

б) в ценности остающихся человеческих единиц.

Глядя на эти две переменные, мы можем начать делать основательные прогнозы, как скоро боты начнут съедать определенные профессии.

Прежде чем приступить к определению будущего работы, нужно внимательно посмотреть на новые машины, которые станут драйвером всех этих перемен.

Глава 4 Новая машина: Интеллектуальные системы

В данной главе я объясню, чем являются новые машины – каковы компоненты технологии, как сочетаются, на что похож хороший образец и каким образом они глубоко повлияют на будущее вашей работы.

пользуясь интеллектуальными системами на непрерывной основе, мы должны создавать и применять их в своих компаниях, чтобы добиться конкурентного преимущества, поэтому рабочие знания здесь очень важны.

Дадим определение новой машине

Интеллектуальная система совмещает в себе 

1 программное обеспечение (алгоритмы, деловой регламент, код машинного обучения, прогнозная аналитика), 

2 комплектующее оборудование (серверы, датчики, мобильные устройства, возможность подключения), 

3 данные (контекстуализированные и в реальном времени) и 

4 человеческое участие (часто оценка или запросы).

Может прозвучать как «куча оборудования, ПО и данных соединить вместе – и там произойдет чудо».

Давайте вкратце пройдемся по трем ключевым атрибутам, делающим интеллектуальную систему такой особенной.

1• Программное обеспечение, которое учится. Впервые в истории человечества у нас есть инструмент, который может делать сам себя. ПО, способное к машинному обучению, со временем обновляет само себя. Система учится распознавать схемы и находить скрытые инсайты внутри данных.

Например, именно этим способом Uber узнает, как объединить правильного водителя с правильным пассажиром, а Facebook заполняет вашу персональную ленту новостей. За каждой сессией Facebook следит машина, постоянно становясь еще умнее.

2• Мощные аппаратные возможности обработки данных. Закон Мура, согласно которому число транзисторов на микросхеме (а значит, и его производительность) удваивается приблизительно каждые два года, продолжает действовать, хотя недавно отпраздновал 50-летний юбилей. Однако недавно он был турбирован облаком, которое позволяет сверхмощным компьютерам объединяться друг с другом. каждый раз, пользуясь Google, Facebook или Amazon, вы подключаетесь к группе связанных, супербыстрых серверов.

3• Огромное количество данных. После поездки на Uber сохранится запись о вашем запросе, локации, времени, маршруте поездки, использованном устройстве, оплате и чаевых, водителе, пассажире, рейтинге водителя и рейтинге пассажира. А затем умножьте все это на более чем два миллиарды поездок.

Коротко говоря, три эти специфические черты – самообучающееся ПО, мощные возможности аппаратной обработки данных и невероятное количество данных – объединяются, чтобы оживить интеллектуальные системы.

А сейчас дам несколько определений самой противоречивой и неверно понимаемой части машины – искусственному интеллекту.

Искусственный интеллект: почему узкое понимание – лучшее понимание

Простое определение: ИИ – это область компьютерной науки, занимающаяся машинами, которые учатся.

Крайне полезно разделить ИИ на три подкласса:

1. Узкий ИИ;

2. Общий ИИ;

3. Супер ИИ.

Узкий ИИ, также называемый «прикладной ИИ», или «слабый ИИ». Важно отметить, что весь ИИ сегодня – и как минимум на следующее десятилетие – узкий (также говорят «узкий искусственный интеллект», или УИИ).

Подобный ИИ создается для конкретных целей и ориентирован на выполнение бизнес-задач (например, управление автомобилем, проверка рентгеновских исследований, отслеживание финансовых операций на предмет мошенничества). УИИ – это просто инструмент, пусть и очень мощный, дающий базу всему, что мы будем исследовать в дальнейшем.

Общий ИИ, который также называют «сильным ИИ». Сильный ИИ – это поиски машины, обладающей таким же общим разумом, как человек. по многочисленным оценкам, мы все еще находимся более чем в двух десятках лет до того момента, как ИИ разовьет такие способности

Супер ИИ – это, по сути, технический гений, выпущенный из бутылки. Как мы сможем тогда отключить машину, если она всегда на 10 (или на 1000) шагов впереди нас?

Но, волноваться насчет [общего и супер] ИИ – это как волноваться о перенаселении Марса еще до того, как мы на него ступили.

Поэтому, сфокусируемся на узком ИИ, поскольку здесь, в реальном мире, больше озабочены эффективным использованием инструмента для хороших бизнес-результатов современного предприятия. 

И пока кто-то продолжит мучить себя, волноваться о таких вещах, как супер ИИ, конкуренты выдавят его из бизнеса, применив на практике узкий ИИ.

Знакомьтесь – машина: анатомия интеллектуальных систем

Если вы знакомы с технологиями для предприятия и с предшествующим поколением учетных систем (такими как ERP или CRM-системы), то многие составляющие покажутся уже известными. В конце концов, технологический «стек» учетных и интеллектуальных систем имеют многие общие элементы, такие как интерфейс, прикладная логика, последовательности операций, базы данных и инфраструктура.(Рис 10. Таблица 4.1. Учетные системы vs Интеллектуальные системы)

Однако объективные различия есть у каждого слоя этого стека, и самые важные из них касаются трех отличительных характеристик новых машин, выделенных нами раньше: способность обучаться, значительная оперативная мощность и огромное количество данных. (рис 11)

Интерфейс приложения

В нашей частной жизни мы думаем о Netflix, Linkedin и другом как о приложениях.  Важнейшим является то, что ваше впечатление будет сформировано приложением. Остальная часть интеллектуальной системы, если она хоть сколько-то хороша, для нас невидима.

Приложение должно проходить по критериям FANG в части элегантности и простоты использования. Ключ к успеху в том, что интерфейс приложения должен быть простым и интуитивным, вписываться в контекст пользовательских потребностей.

«Внутренности» ИИ

То, что мы считаем ИИ, по-настоящему должно включать три элемента.

1 Логика цифрового процесса. Каждый раз, входя в интеллектуальную систему, мы участвуем в каком-то процессе: бронируем машину, обращаемся за страховой выплатой. Революционная составляющая интеллектуальных систем в том, что они преобразуют многие ручные процессы в автоматизированные.   В Uber весь процесс автоматизирован. Когда этот оцифрованный процесс вылился в миллионы транзакций, революция в отрасли состоялась.

2 Машинный интеллект. Вот это действительно новая и другая технология современной машины. С помощью комбинации алгоритмов, процесса автоматизации, машинного обучения и нейронных сетей система подражает «обучению» через получение опыта, то есть через расширение набора данных.

3. Программная экосистема Обычно системы составляют экосистему из десятков разнообразных инструментов, связанных интерфейсом прикладного программирования (API), являющимся частями программного обеспечения, соединяющими один инструмент с другим, как детали Lego.

Uber, например, привлекает богатый набор инструментов, в том числе Google для карт, Braintree для оплаты, SendGrid для отправки e-mail, и так далее. На самом деле мы взаимодействуем с целой экосистемой инструментов и сервисов внутри Uber.

Данные от вещей и учетных систем

Связь сенсоров с интеллектуальными системами – это и есть зарождающийся «Интернет вещей».

Приобретает популярность новое поколение баз данных (например, Hadoop), но, в цифровой экономике нам по-прежнему будут так же нужны высококачественные учетные системы (от Oracle, SAP, IBM или Microsof), как нужны электросети с переменным током.

Инфраструктура

Инфраструктура включает все сетевые соединения, серверы, источники электроэнергии и все прочее, что заставляет машину загудеть. В нынешних системах все больше элементов управляются облачным провайдером.

Интеллектуальные системы в действии

Машина, ставшая Netflix (благодаря ИИ)

В 2016 году Netflix занимал примерно 35% всего интернет-трафика в Северной Америке.

(рис 12, таблица 4.2). Если попытаться разобрать Netflix на косточки, мы увидим анатомию новой машины в действии. Ссылка на таблицу Анатомии интеллектуальной системы Netflix под видео

лучшие интеллектуальные системы высасывают информацию из широкого круга источников, что позволяет достичь массы данных, требуемой для получения инсайтов и создания персонифицированного восприятия. 

• Открытые, а не закрытые.

Подумайте о Tesla, раздающей свои патенты, и Uber с открытыми API: обе эти политики помогли сгенерировать новые решения.

У Amazon – массив из более чем 325 API, что открывает его платформу другим. Открытость обязательна для цифрового успеха, поскольку полностью оформленная, наполненная содержанием экосистема будет более мощной, чем среда с замкнутым развитием.

• Узкий, не широкий. Даже сложные платформы, вроде Watson от IBM или Predix от GE, имеют серьезную коммерческую ценность только тогда, когда сконфигурированы под конкретный процесс или клиентский опыт.

машина нового времени подстраивается под вас.

построить собственную новую машину становится все легче.

Облачная платформа Google дает немедленный доступ к нейронным сетям платформ машинного обучения. Машинное обучение Amazon предоставляет доступ к платформам прогнозной аналитики, обеспечивающим рекомендациями платежеспособных лиц и предприятия. Всего несколько лет назад это стоило бы компаниям миллионы и занимало бы месяцы.

Глава 5 Ваш новый сырьевой материал: Данные лучше, чем нефть

Как и нефть, данные надо «добыть», «очистить» и «распространить».

Данные находятся у вас под носом, они готовы к извлечению из ваших повседневных бизнес-операций. Например, Airbus A350 оснащен примерно шестью тысячами, которые генерируют 2,5 терабайта информации в день (и да, это правда, что слово «тера» происходит от греческого «монстр»).

Многие организации часто не знают, что делать со всеми этими данными. 

в следующее десятилетие прорыв совершат компании, которые станут мастерами в последовательном превращении этих избыточных данных в имеющие практическую ценность, и собственно в инсайты.

Превращение данных из обязательств в статью дохода

В 1850-ые Нефть все еще воспринималась как проблема: коричневая, липкая «жижа», мешающая добывать уголь.

В 1847 году шотландский химик Джеймс Янг переосмыслил восприятие нефти. он применил дистилляционный процесс, чтобы превратить «жижу» во что-то совершенно другое и более полезное – очищенную нефть.

В последовавшие за этим десятилетия появлялось все больше и больше идей того, как использовать возникший новый продукт.

Сегодня многие из сотен принимающих решения сотрудников, с которыми мы работаем, с трудом проходят тот же этап переосмысления данных.

Если спросить почти любого бизнес-лидера крупного индустриального предприятия, он скажет, что видит в своих данных скорее жижу, чем нефть.

«[данные] это обязательства до того, как они стали статьей дохода. (Рис 15. таблице 5.1)

Управление цепью поставок данных

(рис 16 Таблица 5.2. Цепь поставок нефти и данных)

Есть несколько важных направлений, по которым данные значительно превосходят нефть.

• Дешево «добывать»

• Бесконечные и многопользовательские

• Собственные по природе. Ваши данные – это ваша собственность. Они уникальны и продаются, если вы пожелаете, на закрытых рынках. Если правильно с ними обращаться, они приобретут огромную ценность.

• Дешево распространять

• Ценность растет по экспоненте Когда данных становится больше, что позволяет делать более ценные умозаключения, то стоимость данных вырастает в разы. Netflix не узнал бы о нас много, если бы им пользовались десять человек. 

Бизнес-аналитика: превращение данных в смысл

Бизнес-аналитику можно определить как инструменты, техники, цели, процессы и бизнес-стратегии, используемые для трансформации данных в готовые к действию инсайты по решению бизнес-проблем и получения конкурентных преимуществ.

Если это стоит больше пяти долларов и вы не можете это съесть, оснастите это приборами!

В сердце этой трансформации умных товаров лежит инструментирование, оснащение измерительными приборами всего. В связи с тем, что сенсоры становятся все меньше, а кривая цены/работоспособности движется точно по Г. Л. Муру, стало технологически и экономически возможно ставить их во все более и более мелкие объекты.

Оснащение приборами позволит и нам стать умнее в части многих важных вещей, в том числе таких, как здоровье.

First Data сегодня в числе первых – с данными. First Data — оператор эквайринга и эмитент карт. С оснащенным сенсорами новым оборудованием и сотнями сторонних приложений кирпич POS смог выйти за пределы простого приема оплат и стать вместо этого убедительным инструментом бизнес-менеджмента.

Данные о транзакциях, которые способна собрать First Data, позволяют компании знать, кто, что, где, когда и как покупает. Как результат, у компании есть инсайты, например, по поводу того, как поведение покупателя и его лояльность выражается в покупках. 

Их новейшие системы Clover – это ворота в мир платформы, позволяющей компании помогать продавцам управлять цепью поставок и сотрудниками, предлагать программы лояльности, повышать безопасность и, да, кстати, проводить платежи.

Этот прием из джиу-джитсу – взять то, что кажется недостатком, и превратить в преимущество – может служить примером того, как «доцифровая» компания пытается модернизировать себя.