Как выглядит процесс принятия решений с помощью ИИ

Чтобы в полной мере использовать ценность, содержащуюся в данных, компаниям необходимо внедрить искусственный интеллект (ИИ) в рабочие процессы, а иногда и убрать с дороги людей. Нам необходимо перейти от рабочих процессов, управляемых данными, к рабочим процессам, управляемым искусственным интеллектом. Это не просто игра с автоматизацией, которая является маргинальным преимуществом интеграции ИИ в решения. Вместо этого он позволяет нам преодолеть врожденные ограничения как процессоров-людей — низкую производительность и когнитивную предвзятость — путем назначения машин для обработки огромных объемов данных, которые мы производим, и позволяя нам, людям, применять суждения, культуру, ценность и контекст к вариантам решений, которые могут производить машины. .

Твитнуть
Почта
Делиться
Сохранять
Получить PDF
Купить копии
Распечатать

Многие компании адаптировались к «управляемому данными» подходу к принятию оперативных решений. Данные могут улучшить решения, но для получения максимальной отдачи от них требуется правильный процессор. Многие считают, что процессор — это человек. Термин «управляемый данными» даже подразумевает, что данные курируются и обобщаются людьми для обработки.

Но чтобы в полной мере использовать ценность, содержащуюся в данных, компаниям необходимо внедрить искусственный интеллект (ИИ) в свои рабочие процессы, а иногда и убрать с дороги нас, людей. Нам необходимо перейти от рабочих процессов, управляемых данными, к рабочим процессам, управляемым искусственным интеллектом.

Различие между «управляемым данными» и «управляемым ИИ» — это не просто семантика. Каждый термин отражает различные активы, первый из которых ориентирован на данные, а второй — на способность обработки. Данные содержат информацию, которая может способствовать принятию более эффективных решений; обработка — это способ извлечь эти идеи и предпринять действия. Люди и ИИ — это процессоры с очень разными способностями. Чтобы понять, как лучше всего использовать каждый из них, полезно рассмотреть нашу собственную биологическую эволюцию и то, как эволюционировало принятие решений в промышленности.

Всего пятьдесят-семьдесят пять лет назад человеческое суждение было центральным процессором принятия бизнес-решений. Профессионалы полагались на свою хорошо отлаженную интуицию, основанную на многолетнем опыте (и относительно небольшом количестве данных) в своей области, чтобы, скажем, выбрать правильный креатив для рекламной кампании, определить правильные уровни запасов для хранения или утвердить. правильные финансовые вложения. Опыт и интуиция были главными средствами, позволяющими отличить хорошее от плохого, высокое от низкого, рискованное от безопасного.

Возможно, это было слишком по-человечески. Наша интуиция далеко не идеальный инструмент для принятия решений. Наш мозг подвержен множеству когнитивных искажений, которые предсказуемым образом ухудшают наши суждения. Это результат сотен тысяч лет эволюции, когда мы, ранние охотники-собиратели, разработали систему рассуждений, основанную на простых эвристиках — упрощениях или эмпирических правилах, позволяющих обойти высокую стоимость обработки большого количества информации. . Это позволяло нам быстро, почти бессознательно принимать решения, чтобы вывести нас из потенциально опасных ситуаций. Однако «быстро и почти бессознательно» не всегда означало оптимальное или даже точное.

Представьте группу наших предков-охотников-собирателей, сгрудившихся вокруг костра, когда вдруг зашелестел ближайший куст.Необходимо принять решение «быстрого и почти бессознательного» типа: сделать вывод, что ржавчина является опасным хищником и бежать, или запросить дополнительную информацию, чтобы увидеть, не является ли она потенциальной добычей, например, кроликом, который может обеспечить богатые питательные вещества. Наши более импульсивные предки, решившие бежать, выживали быстрее, чем их более любознательные сверстники. Цена бегства и проигрыша кролику была намного ниже, чем цена того, чтобы остаться и рискнуть жизнью из-за хищника. При такой асимметрии результатов эволюция отдает предпочтение черте, которая приводит к менее дорогостоящим последствиям, даже в ущерб точности. Таким образом, в потомках преобладает черта более импульсивного принятия решений и меньшей обработки информации.

Эта статья также появляется в:

Стратегическая аналитика: нужная вам информация от HBR

Книга технологий и операций
22.95 Добавить в корзину

В современном контексте эвристика выживания становится множеством когнитивных искажений, предварительно загруженных в наш унаследованный мозг. Эти предубеждения влияют на наши суждения и принятие решений способами, которые расходятся с рациональной объективностью. Мы придаем большее значение, чем следовало бы, ярким или недавним событиям. Мы грубо классифицируем субъектов с помощью широких стереотипов, которые недостаточно объясняют их различия. Мы привязываемся к предыдущему опыту, даже если он совершенно не имеет значения. Мы склонны придумывать благовидные объяснения событий, которые на самом деле являются просто случайным шумом. Это лишь некоторые из десятков способов, которыми когнитивные предубеждения влияют на человеческое суждение, и на протяжении многих десятилетий они были центральным процессором принятия бизнес-решений. Теперь мы знаем, что полагаться исключительно на человеческую интуицию неэффективно, капризно, подвержено ошибкам и ограничивает возможности организации.

Принятие решений на основе данных
Тогда слава богу за данные.Подключенные устройства теперь собирают невообразимые объемы данных: каждую транзакцию, каждый жест клиента, каждый микро- и макроэкономический показатель — всю информацию, которая может помочь в принятии более эффективных решений. В ответ на эту новую насыщенную данными среду мы адаптировали наши рабочие процессы. ИТ-отделы поддерживают поток информации с помощью машин (баз данных, распределенных файловых систем и т. п.), чтобы свести неуправляемые объемы данных к удобоваримым сводкам для человеческого восприятия. Затем сводки обрабатываются людьми с использованием таких инструментов, как электронные таблицы, информационные панели и аналитические приложения. В конце концов, для принятия решений предоставляются тщательно обработанные и теперь управляемо малые данные. Это рабочий процесс, управляемый данными. Человеческое суждение по-прежнему является центральным процессором, но теперь оно использует обобщенные данные в качестве нового входа.

Хотя это, несомненно, лучше, чем полагаться исключительно на интуицию, люди, играющие роль центрального процессора, все же создают несколько ограничений.

1. Мы не используем все данные. Обобщенные данные могут скрыть многие идеи, взаимосвязи и закономерности, содержащиеся в исходном (большом) наборе данных. Сокращение данных необходимо для обеспечения пропускной способности человеческих процессоров. Как бы мы ни умели переваривать окружающее, без особых усилий обрабатывая огромные объемы окружающей информации, мы заметно ограничены, когда дело доходит до обработки структурированных данных, представленных в виде миллионов или миллиардов записей. Ум может оперировать цифрами продаж и средней продажной ценой, приведенной к региональному уровню. Когда вы начинаете думать о полном распределении значений и, что особенно важно, о взаимосвязях между элементами данных — информация теряется в агрегированных сводках, но важна для принятия правильных решений, она борется или отключается. (Это не означает, что сводки данных бесполезны. Конечно, они прекрасно обеспечивают базовую видимость бизнеса. Но они не принесут большой пользы при принятии решений.Слишком многое теряется при подготовке для людей.) В других случаях обобщенные данные могут вводить в заблуждение. Смешивающие факторы могут создать видимость положительной связи, когда на самом деле это противоположно (см. Парадоксы Симпсона и другие). И как только данные будут агрегированы, может оказаться невозможным восстановить способствующие факторы, чтобы должным образом контролировать их. (Наилучшей практикой является использование рандомизированных контролируемых испытаний, то есть A/B-тестирования. Без этой практики даже ИИ не сможет должным образом контролировать искажающие факторы.) Короче говоря, используя людей в качестве центральных процессоров данных, мы по-прежнему жертвуя точностью, чтобы обойти высокую стоимость обработки данных человеком.
2. Данных недостаточно, чтобы оградить нас от когнитивной предвзятости. Сводки данных направляются людьми таким образом, который подвержен всем этим когнитивным искажениям. Мы направляем обобщение интуитивно понятным для нас образом. Мы просим, ​​чтобы данные были объединены в сегменты, которые мы считаем репрезентативными архетипами. Тем не менее, у нас есть тенденция грубо классифицировать предметы с помощью широких стереотипов, которые недостаточно объясняют их различия. Например, мы можем свести данные к таким атрибутам, как география, даже если нет заметной разницы в поведении между регионами. Сводки также можно рассматривать как «крупнозернистую структуру» данных. Это более грубое приближение данных. Например, такой атрибут, как география, должен храниться на уровне региона, где имеется относительно небольшое количество значений (т. е. «восток» или «запад»). То, что имеет значение, может быть более тонким, чем это — город, почтовый индекс, даже данные на уровне улицы. Это сложнее агрегировать и обобщать для обработки человеческим мозгом. Мы также предпочитаем простые отношения между элементами. Мы склонны думать об отношениях как о линейных, потому что нам легче их обрабатывать. Взаимосвязь между ценой и продажами, проникновением на рынок и коэффициентом конверсии, кредитным риском и доходом — все предполагается линейным, даже если данные говорят об обратном.Нам даже нравится придумывать сложные объяснения тенденций и вариаций данных, даже если это более адекватно объясняется естественными или случайными вариациями.

Увы, мы приспосабливаемся к нашим предубеждениям, когда обрабатываем данные.

Внедрение ИИ в рабочий процесс
Нам нужно развиваться дальше и внедрить ИИ в рабочий процесс в качестве основного процессора данных. Для рутинных решений, которые опираются только на структурированные данные, нам лучше делегировать решения ИИ. ИИ менее подвержен когнитивным искажениям человека. (Существует вполне реальный риск использования предвзятых данных, из-за которого ИИ может обнаружить ложные отношения, которые являются несправедливыми. Убедитесь, что вы понимаете, как генерируются данные, помимо того, как они используются.) ИИ можно научить находить сегменты в популяции, которые лучше всего объясняют дисперсию на мелкозернистом уровне, даже если они не интуитивно понятны нашему человеческому восприятию. ИИ без проблем справляется с тысячами или даже миллионами группировок. И ИИ более чем удобно работать с нелинейными отношениями, будь то экспоненциальные, степенные законы, геометрические ряды, биномиальные распределения или другие.

Этот рабочий процесс лучше использует информацию, содержащуюся в данных, и является более последовательным и объективным в своих решениях. Он может лучше определить, какой рекламный креатив наиболее эффективен, какие оптимальные уровни запасов установить или какие финансовые вложения сделать.

Хотя люди исключены из этого рабочего процесса, важно отметить, что простая автоматизация не является целью рабочего процесса, управляемого ИИ. Конечно, это может снизить затраты, но это лишь дополнительная выгода. Ценность ИИ заключается в том, что он принимает лучшие решения, чем то, что могут сделать только люди. Это обеспечивает поэтапное повышение эффективности и открывает новые возможности.

Использование процессоров AI и Human в рабочем процессе
Удаление людей из рабочих процессов, связанных только с обработкой структурных данных, не означает, что люди устарели. Многие бизнес-решения зависят не только от структурированных данных.Заявления о видении, стратегии компании, корпоративные ценности, динамика рынка — все это примеры информации, которая доступна только в нашем сознании и передается через культуру и другие формы нецифровой коммуникации. Эта информация недоступна для ИИ и чрезвычайно важна для принятия бизнес-решений.

Например, ИИ может объективно определить правильный уровень запасов, чтобы максимизировать прибыль. Однако в конкурентной среде компания может выбрать более высокий уровень запасов, чтобы обеспечить лучшее качество обслуживания клиентов, даже за счет прибыли. В других случаях ИИ может определить, что вложение большего количества долларов в маркетинг будет иметь самую высокую рентабельность инвестиций среди доступных для компании вариантов. Однако компания может предпочесть сдерживать рост, чтобы поддерживать стандарты качества. Дополнительная информация, доступная людям в форме или стратегии, ценностях и рыночных условиях, может привести к отклонению от объективной рациональности ИИ. В таких случаях ИИ можно использовать для создания возможностей, из которых люди могут выбрать наилучшую альтернативу с учетом дополнительной информации, к которой у них есть доступ. Порядок выполнения таких рабочих процессов зависит от конкретного случая. Иногда ИИ первым снижает нагрузку на людей. В других случаях человеческое суждение может использоваться в качестве входных данных для обработки ИИ. В других случаях все еще может быть итерация между ИИ и человеческой обработкой.

Ключевым моментом является то, что люди взаимодействуют не напрямую с данными, а скорее с возможностями, создаваемыми обработкой данных ИИ. Ценности, стратегия и культура — это наш способ примирить наши решения с объективной рациональностью. Лучше всего это делать явно и полностью информированным. Используя как ИИ, так и людей, мы можем принимать лучшие решения, чем используя их по отдельности.

Следующая фаза нашей эволюции
Переход от управления данными к управлению искусственным интеллектом — это следующий этап нашей эволюции.Внедрение ИИ в наши рабочие процессы обеспечивает лучшую обработку структурированных данных и позволяет людям вносить свой вклад взаимодополняющим образом.

Эта эволюция вряд ли произойдет внутри индивидуальной организации, точно так же, как эволюция путем естественного отбора не происходит внутри индивидуумов. Скорее, это процесс отбора, который действует на популяцию. Более эффективные организации выживут быстрее. Поскольку зрелым компаниям трудно адаптироваться к изменениям в окружающей среде, я подозреваю, что мы увидим появление новых компаний, которые с самого начала используют как ИИ, так и человеческий вклад, и изначально встраивают их в свои рабочие процессы.