Новые возможности ИИ, способного распознавать контекст, концепции и смысл понятий, открывают новые, иногда неожиданные способы совместной работы работников умственного труда и машин. Эксперты способны делать свой вклад в обучение, контроль качества и тонкую подстройку результатов работы ИИ. Машины могут дополнять знания своих коллег-людей и иногда помогают воспитывать новых экспертов. Эти системы, более правдоподобно имитирующие человеческий разум, оказываются более надёжными, чем их предшественники, зависящие от данных. И они могут оказать значительное влияние на работников умственного труда, составляющих 48% от рабочей силы в США – и на более 230 млн работников умственного труда во всём мире. Но чтобы воспользоваться всеми преимуществами этого более умного ИИ, компаниям необходимо будет пересмотреть рабочий процесс и рабочие места.
Работники умственного труда – люди, которые на работе принимают решения, рассуждают, творят и применяют идеи в когнитивных процессах, не связанных с рутиной – по большей части соглашаются с этим. Из более чем 150 экспертов, взятых из крупного международного исследования по поводу использования ИИ в крупных компаниях, почти 60% говорят, что их старые описания должностных обязанностей быстро устаревают ввиду их нового сотрудничества с ИИ. Порядка 70% говорят, что им требуется переобучение из-за новых требований, связанных с совместной работой с ИИ. 85% соглашаются, что менеджмент высшего звена также должен участвовать в общих попытках смены ролей и процессов работников умственного труда. И приступая к выполнению задачи по переосмыслению применения умственного труда в комплексе с ИИ, они могут применить некоторые из следующих принципов:
Пусть люди-эксперты расскажут ИИ, что им важно. Возьмём медицинскую диагностику, в которой ИИ, скорее всего, будет повсюду. Часто, когда ИИ выдаёт диагноз, логика алгоритма не ясна доктору, который должен как-то объяснить решение пациенту – это проблема чёрного ящика. Теперь в Google Brain разработали систему, способную открыть чёрный ящик и перевести его работу на человеческий язык. К примеру, врач, оценивающий диагноз ИИ «рак», хотел бы знать, до какой степени модель учла различные важные факторы – возраст пациента, предыдущее прохождение химиотерапии, и т.д.
Инструмент от Google также позволяет экспертам-медикам вводить в систему концепции, которые они считают важными, и проверять собственные гипотезы. К примеру, эксперт может захотеть посмотреть, изменит ли диагноз внедрение нового фактора, ранее неучтённого системой. Бин Ким, разработчик этой системы, говорит: «Во многих случаях при работе приложений, от которых многое зависит, у экспертов в конкретной области уже есть список концепций, важных для них. Мы в Google Brain постоянно сталкиваемся с этим в медицинских областях применения ИИ. Им не нужен набор концепций – они хотят предоставить модели концепции, интересные им».
Делайте модели, соответствующие здравому смыслу. С накоплением опасений по поводу кибербезопасности организации стали чаще использовать инструменты для сбора данных в разных точках сети для анализа угроз. Однако многие из этих техник, работающих на основе данных, не интегрируют данные из нескольких источников. Также они не включают здравый смысл экспертов по кибербезопасности, которые представляют себе спектр и разнообразие мотивов атакующих, понимают типичные внутренние и внешние угрозы и степень риска для предприятия.
Исследователи из института Алана Тьюринга, британского государственного института, где изучают науку о данных и ИИ, пытаются изменить эту ситуацию. Их подход использует байесовскую модель – метод вероятностного анализа, учитывающий сложную взаимозависимость факторов риска и комбинирующий данные с оценками. В кибербезопасности сетей предприятий среди этих сложных факторов есть большое количество устройств, подключённых к сети, и их типов, и знание экспертов организации о хакерах, риске и многом другом. И хотя многие системы кибербезопасности на основе ИИ включают возможность принятия решений человеком на последнем этапе, исследователи института ищут способы инкорпорировать экспертные знания на всех уровнях системы. К примеру, знания эксперта о мотивации и поведении, связанном с атакой через кражу IP – и то, как они отличаются, допустим, от случая DDOS-атаки – непосредственно программируются в систему с самого начала. В будущем эти знания совместно с источниками данных от машин и сетей будут использоваться для обучения более эффективных систем кибербезопасности.
Используйте ИИ, чтобы помочь новичкам превратиться в признанных экспертов. ИИ способен быстро превращать новичков в экспертов. HP продемонстрировали это, использовав когнитивную компьютерную платформу из лаборатории ИИ для анализа данных по звонкам клиентов за два года. Кол-центр использовал систему на основе очереди для распределения звонков, из-за чего клиентам приходилось долго ждать ответа, а качество поддержки пользователей было низких. Когнитивная компьютерная платформа смогла определить уникальные «микронавыки» каждого специалиста – знания об особых типах запросов пользователей, полученные из предыдущих звонков. Теперь это используется для перенаправления звонков на агентов, успешно обрабатывавших схожие ситуации ранее. В итоге центр поддержку на 40% улучшил показатели по разрешению ситуации на первом звонке, и на 50% уменьшили количество переадресаций звонков.
По мере обучения специалистов поддержки ИИ автоматически обновляет их знания, устраняя необходимость делать это вручную в их профиле. Более того, чем больше знаний получает специалист, тем более сложные задачи перенаправляет ему ПО. А тем временем ПО постоянно совершенствует её знания, а заключения ИИ о микронавыках улучшают эффективность, с которой эксперт обучает ПО. Стоит отметить, что над этой задачей по переобучению работают несколько компаний; к примеру стартап ASAPP предоставляет специалистам из службы поддержки предложения в реальном времени.
Используйте эффективно использующие данные технологии ИИ для разметки рабочего процесса экспертов. Эксперты по многим типам знаний встречаются довольно редко, и не выдают большого количества данных, пригодных для тренировки. Но глубокому обучению и машинному обучению, на котором основываются многие прорывы в области ИИ, требуют огромного количества данных для построения систем «снизу вверх». В будущем мы увидим больше систем, создаваемых «сверху вниз», которым потребуется гораздо меньше данных для создания и обучения, что позволит им воспринимать и учитывать в работе специальные знания работников.
Возьмём недавнее соревнование, организованной лабораторией обработки медицинских изображений при университетском госпитале Бреста и факультетом медицины и телекоммуникаций в Бретани. Участники соревновались в наибольшей точности систем обработки медицинских изображений, которые должны были сообщать, какие инструменты использовал хирург в каждый момент времени в минимально инвазивной операции на катаракте. Победителем вышла система машинного зрения, которую обучали шесть недель при помощи всего 50 видеозаписей хирургических операций, 48 из которых вели опытные хирурги, одну – хирург с годовым опытом, и одну – интерн. Системы точного распознавания инструментов позволяют докторам подробно анализировать хирургические операции и искать способы их улучшения. Такие системы потенциально можно использовать в генерации отчётов, обучении хирургов и ассистировании хирургам в реальном времени.
Все эти примеры указывают на то, что инженеры и пионеры в различных дисциплинах разрабатывают ИИ, который можно было бы легче обучать и оценивать, а также включать в него чрезвычайно ценный, а часто и редкий опыт экспертов. Чтобы начать получать преимущества этих новых возможностей, организациям необходимо пересмотреть свои бюджеты на ИИ. А чтобы извлечь максимум как из этих систем, так и из работников умственного труда, им необходимо пересмотреть взаимодействие специалистов и машин. Как сегодняшние системы МО дополняют возможности обычных работников, так завтрашние системы поднимут эффективность работников умственного труда до недостижимых ранее высот повсеместного совершенства
