Искусственный интеллект наступает. Об этом мы слышали весь 2017 год и, по-видимому, будем слышать и в этом. Известные компании, если только это не Google или Facebook, не могут не задаваться вопросом: «Что поможет нам выжить в новых условиях?»
По нашему опыту, когда бизнес-лидеры задают этот вопрос об ИИ, ответом становится слово «данные». Это мнение подтверждается деловой прессой. Сотни статей утверждают, что «данные — это новая нефть», имея в виду, что данные становятся горючим, обеспечивающим рост экономики искусственного интеллекта.
Если это ваш случай, то вашей компании повезло. Вы собрали эти данные, и теперь, оказывается, сидите на запасах нефти в ожидании пришествия ИИ. А пока хорошо бы спросить себя: «Действительно ли нам так повезло?»
В словах «данные — это нефть» есть доля правды. Аналогично тому, как двигатели внутреннего сгорания нуждаются в топливе, искусственный интеллект нуждается в данных. ИИ берет необработанные данные и превращает их во что-то полезное для принятия решений. Хотите узнать погоду на завтра? Используйте прошлые данные о погоде. Хотите узнать, как будут продаваться йогурты на следующей неделе? Используйте данные о прошлых продажах. Искусственный интеллект строит прогнозы на данных.
Но нужны ли искусственному интеллекту именно ваши данные? На сегодня существует тенденция рассматривать все данные как потенциально ценные для искусственного интеллекта, но это не совсем так. Да, данные аналогично топливу используются для построения прогнозов. Но данные, на которых вы сидите, скорее всего, не те. Данные, которыми вы обладаете и которые ваша компания накопила со временем, относятся к типу, используемому для создания механизмов прогнозирования, но не для их эксплуатации.
Имеющиеся у вас данные – это обучающие данные. Они используются для обучения алгоритма. И вы пользуетесь этим алгоритмом для получения прогнозов, которые влияют на ваши действия.
В этом смысле ваши данные представляют ценность. Но это не означает, что ваш бизнес переживет шторм. Стоит вам использовать данные для обучения механизма прогнозирования, как они обесцениваются. Они больше непригодны для подобных прогнозов. Количество прогнозов, для которых можно использовать данные, ограничено. Если продолжить аналогию с нефтью, данные горят. После использования они превращаются в пустышку. Ученым это известно. Они тратят годы на сбор данных, но после того, как их использовали для получения результатов исследования, эти данные пылятся в ящике или хранятся на резервном диске. Возможно, ваш бизнес и сидит на нефтяной скважине, но ее нельзя считать бесконечной. Она гарантирует ваше будущее в экономике искусственного интеллекта меньше, чем ликвидационная стоимость.
Даже если ваши данные представляют ценность, у вас может быть ограничена возможность завладеть этой ценностью. Сколько еще существует сопоставимых источников данных? Если вы один из множества продавцов йогуртов, то ваша база данных, содержащая информацию за последние 10 лет о их продажах и связанные данные (цена, температура, продажи аналогичных продуктов вроде мороженого) будет иметь меньшую ценность, чем если бы вы были единственным обладателем подобных данных. Иначе говоря, как и в случае с нефтью, чем больше других поставщиков данных того же типа, тем меньшую ценность вы можете из них извлечь. Кроме того, на ценность ваших обучающих данных влияет ценность, получаемая с помощью повышенной точности прогнозов. Ценность обучающих данных выше, если повышенная точность прогноза может увеличить продажи йогуртов на $100 млн, а не на $10 млн.
Кроме того, источником постоянной ценности являются повседневные действия, то есть данные, накапливаемые ежедневно. Новые данные позволяют вам эксплуатировать механизм прогнозирования после его обучения. Они также дают возможность улучшать его путем обучения. Данные о продажах йогурта за 10 лет ценны для обучения модели ИИ прогнозировать будущие продажи, однако актуальные прогнозы, используемые для управления цепочкой поставок, требуют непрерывных операционных данных. И это важный момент для компаний, давно работающих на рынке.
Стартап, пользующийся искусственным интеллектом и приобретающий ценные данные о прошлых продажах йогуртов, может обучить модель ИИ прогнозировать будущие продажи. Но он не может использовать ее для принятия решений, если не будет постоянно получать операционные данные для обучения. В отличие от стартапов крупные предприятия генерируют операционные данные ежедневно. И в этом их преимущество. Чем больше операций, тем больше данных. Кроме того, владелец компании может пользоваться прогнозом для улучшения будущих операций.
В условиях экономики искусственного интеллекта ценность накопленных вами данных ограничена разовым преимуществом обучения используемого вами ИИ. На ценность обучающих данных, как и на ценность нефти или другого сырья, влияет общий объем предложения: чем больше компаний располагают ими, тем ниже ценность. В отличие от них ценность регулярно получаемых операционных данных не ограничена одноразовым применением, а обеспечивает постоянное преимущество и улучшает механизм прогнозирования. То есть несмотря на все разговоры о том, что данные — это новая нефть, суть не в накопленных исторических данных. Хотя благодаря им вы можете добраться до сути, их ценность для будущего вашего бизнеса невелика. Но если вы сможете найти способы генерировать непрерывный поток новых данных, вы сможете обеспечить улучшение способности прогнозирования ИИ. И будете иметь устойчивое преимущество, когда эра искусственного интеллекта настанет.
Об авторах. Аджай Агравал — профессор предпринимательства Школы менеджмента им. Ротмана при Университете Торонто и научный сотрудник Национального бюро экономических исследований в Кембридже, штат Массачусетс. Основатель лаборатории Creative Destruction Lab и один из основателей The Next AI и Kindred, соавтор книги «Prediction Machines: The Simple Economics of Artificial Intelligence». Джошуа Ганс — профессор стратегического менеджмента Школы менеджмента им. Ротмана, соавтор книги «Prediction Machines: The Simple Economics of Artificial Intelligence» и автор книги «The Disruption Dilemma», выпущенной издательством MIT Press. Ави Голдфарб — профессор маркетинга Школы менеджмента им. Ротмана при Университете Торонто, научный сотрудник Национального бюро экономических исследований, главный специалист по данным в Creative Destruction Lab и старший редактор «Marketing Science», соавтор книги «Prediction Machines: The Simple Economics of Artificial Intelligence».
Искусственный интеллект наступает. Об этом мы слышали весь 2017 год и, по-видимому, будем слышать и в этом. Известные компании, если только это не Google или Facebook, не могут не задаваться вопросом: «Что поможет нам выжить в новых условиях?»
По нашему опыту, когда бизнес-лидеры задают этот вопрос об ИИ, ответом становится слово «данные». Это мнение подтверждается деловой прессой. Сотни статей утверждают, что «данные — это новая нефть», имея в виду, что данные становятся горючим, обеспечивающим рост экономики искусственного интеллекта.
Если это ваш случай, то вашей компании повезло. Вы собрали эти данные, и теперь, оказывается, сидите на запасах нефти в ожидании пришествия ИИ. А пока хорошо бы спросить себя: «Действительно ли нам так повезло?»
В словах «данные — это нефть» есть доля правды. Аналогично тому, как двигатели внутреннего сгорания нуждаются в топливе, искусственный интеллект нуждается в данных. ИИ берет необработанные данные и превращает их во что-то полезное для принятия решений. Хотите узнать погоду на завтра? Используйте прошлые данные о погоде. Хотите узнать, как будут продаваться йогурты на следующей неделе? Используйте данные о прошлых продажах. Искусственный интеллект строит прогнозы на данных.
Но нужны ли искусственному интеллекту именно ваши данные? На сегодня существует тенденция рассматривать все данные как потенциально ценные для искусственного интеллекта, но это не совсем так. Да, данные аналогично топливу используются для построения прогнозов. Но данные, на которых вы сидите, скорее всего, не те. Данные, которыми вы обладаете и которые ваша компания накопила со временем, относятся к типу, используемому для создания механизмов прогнозирования, но не для их эксплуатации.
Имеющиеся у вас данные – это обучающие данные. Они используются для обучения алгоритма. И вы пользуетесь этим алгоритмом для получения прогнозов, которые влияют на ваши действия.
В этом смысле ваши данные представляют ценность. Но это не означает, что ваш бизнес переживет шторм. Стоит вам использовать данные для обучения механизма прогнозирования, как они обесцениваются. Они больше непригодны для подобных прогнозов. Количество прогнозов, для которых можно использовать данные, ограничено. Если продолжить аналогию с нефтью, данные горят. После использования они превращаются в пустышку. Ученым это известно. Они тратят годы на сбор данных, но после того, как их использовали для получения результатов исследования, эти данные пылятся в ящике или хранятся на резервном диске. Возможно, ваш бизнес и сидит на нефтяной скважине, но ее нельзя считать бесконечной. Она гарантирует ваше будущее в экономике искусственного интеллекта меньше, чем ликвидационная стоимость.
Даже если ваши данные представляют ценность, у вас может быть ограничена возможность завладеть этой ценностью. Сколько еще существует сопоставимых источников данных? Если вы один из множества продавцов йогуртов, то ваша база данных, содержащая информацию за последние 10 лет о их продажах и связанные данные (цена, температура, продажи аналогичных продуктов вроде мороженого) будет иметь меньшую ценность, чем если бы вы были единственным обладателем подобных данных. Иначе говоря, как и в случае с нефтью, чем больше других поставщиков данных того же типа, тем меньшую ценность вы можете из них извлечь. Кроме того, на ценность ваших обучающих данных влияет ценность, получаемая с помощью повышенной точности прогнозов. Ценность обучающих данных выше, если повышенная точность прогноза может увеличить продажи йогуртов на $100 млн, а не на $10 млн.
Кроме того, источником постоянной ценности являются повседневные действия, то есть данные, накапливаемые ежедневно. Новые данные позволяют вам эксплуатировать механизм прогнозирования после его обучения. Они также дают возможность улучшать его путем обучения. Данные о продажах йогурта за 10 лет ценны для обучения модели ИИ прогнозировать будущие продажи, однако актуальные прогнозы, используемые для управления цепочкой поставок, требуют непрерывных операционных данных. И это важный момент для компаний, давно работающих на рынке.
Стартап, пользующийся искусственным интеллектом и приобретающий ценные данные о прошлых продажах йогуртов, может обучить модель ИИ прогнозировать будущие продажи. Но он не может использовать ее для принятия решений, если не будет постоянно получать операционные данные для обучения. В отличие от стартапов крупные предприятия генерируют операционные данные ежедневно. И в этом их преимущество. Чем больше операций, тем больше данных. Кроме того, владелец компании может пользоваться прогнозом для улучшения будущих операций.
В условиях экономики искусственного интеллекта ценность накопленных вами данных ограничена разовым преимуществом обучения используемого вами ИИ. На ценность обучающих данных, как и на ценность нефти или другого сырья, влияет общий объем предложения: чем больше компаний располагают ими, тем ниже ценность. В отличие от них ценность регулярно получаемых операционных данных не ограничена одноразовым применением, а обеспечивает постоянное преимущество и улучшает механизм прогнозирования. То есть несмотря на все разговоры о том, что данные — это новая нефть, суть не в накопленных исторических данных. Хотя благодаря им вы можете добраться до сути, их ценность для будущего вашего бизнеса невелика. Но если вы сможете найти способы генерировать непрерывный поток новых данных, вы сможете обеспечить улучшение способности прогнозирования ИИ. И будете иметь устойчивое преимущество, когда эра искусственного интеллекта настанет.
Об авторах. Аджай Агравал — профессор предпринимательства Школы менеджмента им. Ротмана при Университете Торонто и научный сотрудник Национального бюро экономических исследований в Кембридже, штат Массачусетс. Основатель лаборатории Creative Destruction Lab и один из основателей The Next AI и Kindred, соавтор книги «Prediction Machines: The Simple Economics of Artificial Intelligence». Джошуа Ганс — профессор стратегического менеджмента Школы менеджмента им. Ротмана, соавтор книги «Prediction Machines: The Simple Economics of Artificial Intelligence» и автор книги «The Disruption Dilemma», выпущенной издательством MIT Press. Ави Голдфарб — профессор маркетинга Школы менеджмента им. Ротмана при Университете Торонто, научный сотрудник Национального бюро экономических исследований, главный специалист по данным в Creative Destruction Lab и старший редактор «Marketing Science», соавтор книги «Prediction Machines: The Simple Economics of Artificial Intelligence».