Рис. 1. «Недостающая середина»
В «недостающей середине» люди работают с умными машинами, причем каждый участник взаимодействия специализируется на том, что делает лучше всего. Люди разрабатывают, обучают ИИ-приложения и управляют ими. Так человек дает возможность технологиям выполнять роль партнеров. Машины в «недостающей середине» помогают людям превзойти себя, наделяя их сверхспособностями — например, возможностью обрабатывать и анализировать огромное количество данных из самых разных источников в режиме реального времени. Машины расширяют возможности людей.
В «недостающей середине» люди и машины не враги, конкурирующие за одну и ту же работу. Напротив, они партнеры и образуют симбиотический союз, где один мотивирует другого на более высокие достижения. В недостающей середине компании могут переосмыслить свои бизнес-процессы и воспользоваться преимуществами команды «человек + машина». Возможности недостающей середины открыты не только IT-компаниям. Так, Rio Tinto, глобальный горнодобывающий концерн, использует искусственный интеллект для удаленного управления оборудованием — автоматизированными бурами, экскаваторами, бульдозерами и так далее — из единого центра управления. Благодаря этому операторам-людям не приходится больше трудиться в опасных условиях. Команда аналитиков Rio Tinto может анализировать информацию, поступающую с датчиков, чтобы управлять техникой эффективнее и безопаснее[3].
Отличить победителей от проигравших, или О чем эта книга
Как мы уже отмечали, в эпоху адаптивных процессов правила управления организациями меняются каждый день. Переосмысливая бизнес-процессы и характер взаимодействия человека и машины, бизнес-лидеры в самых разных отраслях должны принять новые правила и следовать им. Вот почему мы написали эту книгу: чтобы дать людям, которых заботит их бизнес, команда и карьера, необходимые знания для достижения успеха в эпоху искусственного интеллекта.
В первой части мы расскажем о той роли, которую искусственный интеллект играет в бизнес-процессах сегодня. Начнем с заводских цехов, а затем проиллюстрируем, как организации используют искусственный интеллект в разных отделах — бэк-офис, НИОКР, маркетинг и продажи. Основной вывод этого раздела: компаниям не стоит рассчитывать на реализацию всех преимуществ взаимодействия человека и машин, если они не создали для этого соответствующих условий. Повторим, что организации, которые используют машины только для замены людей, в итоге проиграют, в то время как компании, стремящиеся расширить человеческие возможности с помощью машин, станут лидерами своей отрасли.
В первой главе мы расскажем о том, как команды «человек + машина» изменили производство не только в BMW и Mercedes-Benz, но и у других крупных производителей. Так, General Electric создает «цифровые двойники» своих продуктов — например, турбинной лопасти в реактивном двигателе. Виртуальные модели наследуют свойства физического объекта, что позволяет повышать производительность, а также прогнозировать сбои до того, как они произойдут, что в корне меняет техническое обслуживание оборудования.
Вторая глава посвящена бэк-офису. Здесь технологии искусственного интеллекта помогают фильтровать и анализировать колоссальные потоки информации из самых разных источников и автоматизировать однообразные рутинные задачи, а также расширять человеческие возможности и опыт. К примеру, канадская компания, оказывающая финансовые и страховые услуги, использует ИИ-системы для обработки неструктурированных финансовых данных из новостных заметок, отчетов и электронной почты, с тем чтобы выработать конкретные рекомендации, причем ее можно обучить извлекать из общего информационного потока только те сведения, которые коррелируют с индивидуальными запросами каждого аналитика.
В третьей главе мы покажем, как компании используют искусственный интеллект в научных исследованиях и разработках. На каждом этапе НИОКР — наблюдение, формулирование гипотезы, проведение эксперимента и анализ результатов — ИИ-технологии способствуют большей эффективности и значительно улучшают конечный результат. Мощный программный пакет GNS Healthcare с элементами машинного обучения находит закономерности в медицинских картах пациентов и может автоматически генерировать гипотезы непосредственно из данных. Так, системе потребовалось всего три месяца, чтобы воспроизвести результаты двухлетнего исследования, в ходе которого изучались побочные реакции при приеме нескольких лекарственных препаратов у пожилых пациентов по программе Medicare.
3