Технологии, связанные с искусственным интеллектом, стали повсеместными во многих бизнес-контекстах. Однако на сегодняшний день эмпирических данных о влиянии внедрения этой технологии на производительность фирм недостаточно. Используя данные по объявлениям о вакансиях в период с 2013 по 2020 год, можно определить те объявления о вакансиях, относящиеся к навыкам, связанным с искусственным интеллектом. Сопоставляя эти данные с данными о производительности, можно достаточно точно оценить влияние деятельности, связанной с искусственным интеллектом, на производительность в произвольной выборке. После внимательного изучения таких сопоставлений, результаты показывают, что внедрение искусственного интеллекта повышает производительность при соблюдении трёх важных условий.
Во-первых, эффект заметен только для крупных фирм с численностью сотрудников более 499 человек.
Во-вторых, есть свидетельства того, что первые компании-пользователи не испытали повышения производительности. Это может быть истолковано как технологическая незрелость.
В-третьих, находятся свидетельства задержек не менее чем на три года между внедрением ИИ и последующими эффектами производительности (эффект задержки инвестиций). Выводы о технологической незрелости и эффекте задержки инвестиций могут помочь объяснить так называемую связанную с ИИ отдачу парадокса Солоу: то есть искусственный интеллект присутствует везде, кроме статистики производительности.
Использование цифровизации производства произвело революцию в способах ведения бизнеса для многих фирм и секторов экономики. Накоплено немало свидетельств того, что новые цифровые технологии, такие как обработка больших массивов данных (Big Data ) и использование программного обеспечения в целом, также влияют на производительность фирмы. Тем не менее, в частности, в отношении искусственного интеллекта (ИИ) как одного из наиболее передовых видов применения информационно-коммуникационных технологий доказательств мало, и большинство дискуссий остаются на теоретическом уровне. Этот пробел бросается в глаза, учитывая, что в последние годы весь мир стал свидетелем значительного повышения производительности технологий. Например, частота ошибок в распознавании голоса резко упала по мере совершенствования технологий искусственного интеллекта, так как нейронные сети привели к улучшению языкового перевода. Несмотря на такие достижения, неподтверждённые данные свидетельствуют о том, что эффекты производительности, связанные с искусственным интеллектом, могут не проявляться автоматически.
В то время как отсутствие доказательств эффектов действительно может быть результатом полного отсутствия эффектов, но одной из причин отсутствия доказательств влияния на производительность может быть связана со значительными временными задержками, связанными с несвоевременным или неправильным внедрением этих технологий в бизнес процесс. Временные задержки для появления эффектов производительности не являются чем-то необычным для новых технологий, и они могут быть особенно актуальны для ИИ по двум причинам.
Во-первых, технологии искусственного интеллекта все ещё могут быть преждевременными в том смысле, что они ещё не полностью раскрыли свой потенциал. Одним из следствий этого может быть то, что первые пользователи могут не испытывать никаких последствий или даже наблюдать неблагоприятные последствия для производительности - эмпирическая закономерность, наблюдаемая для многих прорывных технологий в начале их жизненного цикла и обобщённая в концепции S-образной кривой развития технологии.
Второй механизм, который подразумевал бы отсутствие эффекта производительности, может быть связан с задержками между инвестициями во внедрение ИИ и появлением какой-либо отдачи, в кратковременный период времени. Одна из причин таких задержек заключается в том, что ИИ - это преобразующая технология, которая, помимо обучения работе с ней, также требует систематических и целостных изменений в общей структуре фирмы. В частности, когда организационная архитектура фирмы является немодульной, такие целостные изменения могут быть дорогостоящими и отнимать много времени.
Тем не менее, на сегодняшний день большинство утверждений о наличии или отсутствии значительной эффективности от внедрения ИИ остаются спекулятивными, а конкретных эмпирических доказательств недостаточно. Существуют свидетельства значительных задержек с возвратом инвестиций, что означает, что возврат происходит только после значительных временных задержек. Первый представляет собой общетехнологический когортный эффект, который в определённый момент времени однородно затронет все фирмы внедряющие инновационные технологии. Важно отметить, что такой когортный эффект говорил бы в пользу преимуществ второго фактора, который получают фирмы, внедряющие ИИ только тогда, когда технология уже «созрела» и была обкатана на других сегментах промышленности. Вместо этого инвестиционный эффект подразумевает, что все пользователи должны пройти начальную фазу с нулевой или отрицательной доходностью. Только после этого "инвестиционного" периода может быть достигнут рост производительности.
Само определение искусственного интеллекта (ИИ) является сложной задачей и часто вызывает путаницу в отношении концепции этого явления и того, как она взаимодействует с соседними концепциями, такими как анализ больших данных, машинное обучение или промышленная робототехника. Кроме того, не существует чёткой демаркационной линии, показывающей, что по-прежнему это явление следует воспринимать как решение обычных вычислительных задач или это действительно должно относиться к появлению самообучающегося «интеллекта» в машинах. Как правило, то, что делают компьютеры, - это следуют определённым правилам и процедурам (алгоритмам) для выполнения задачи. Искусственный интеллект также основан на алгоритмах, но обычно требует дополнительных функций, чтобы отличать его от обычных вычислительных задач. В общем, можно принять следующую трактовку для этого определения: искусственный интеллект - это «деятельность, направленная на то, чтобы сделать машины интеллектуальными».
На сегодняшний день существуют различные реализации ИИ, но степень их «интеллекта» различна. Обширная подкатегория ИИ известна под термином машинное обучение (ML - machine learning). Это означает, что компьютер принимает входные данные - обычно огромные объёмы данных - чтобы узнать, как выполнить определённую задачу, проанализировав их, и определив наилучший алгоритм решения. Машинное обучение часто, но не обязательно, связано с прогнозированием или распознаванием в различных областях: например, фенотипическая классификация видов, предсказание курса акций, распознавание лиц, предсказание кредитоспособности клиентов банка или распознавание языка на смартфоне. Используемые алгоритмы часто замечательно справляются со своими задачами, даже в очень сложных ситуациях, когда ранее считалось, что без глубоких экспертных знаний человека не обойтись. Распознавание и определение стадии опухоли на основе методов машинного обучения является важным моментом.
Несмотря на эти грандиозные успехи, многие алгоритмы, возможно, получают свои удивительные способности не за счёт внедрения человеческого «разума» в машины, а за счёт чрезвычайно эффективного обучения и извлечения сигналов (маркеров) из (часто огромных) источников данных. Как утверждают некоторые современные специалисты в этой области, нынешняя волна ИИ на самом деле привносит не интеллект в компьютеры, а прогнозирование как ключевой компонент интеллекта. Ряд алгоритмов контролируемого обучения, таких как линейная регрессия, машины опорных векторов или классификаторы случайных древовидных структур, а также неконтролируемые алгоритмы обучения, такие как кластерный, компонентный или факторный анализ, относятся к этой категории алгоритмов прогнозирования и статистического обучения. Даже часто упоминаемые искусственные нейронные сети, хотя и обладают мощным статистическим обучением, не являются интеллектуальными в полном смысле этого слова.
Подходы, которые использует современный искусственный интеллект, приближаются к поведению, который интуитивно приписывают определённому уровню интеллекта, чтобы полагаться на вышеупомянутые статистические процедуры обучения, но привносят целенаправленное поведение. Обучение с подкреплением - это огромная область в ИИ, которая использует алгоритм с предпочтениями (который может быть таким же простым, как максимизация прибыли в определённых условиях), а затем позволяет алгоритму изменять своё поведение, если изменились условия. Обычно эти алгоритмы стартуют как довольно унылые «экземпляры» алгоритма, но быстро улучшают свою производительность за счёт имеющейся огромной вычислительной мощности. Хорошо известными примерами является программа AlphaGo от Google, которая научила себя играть в Го и стала настолько хороша в этом, что, наконец, превзошла Ли Седоля, став одним из лучших профессиональных игроков в мире.
Хотя, рамках этой статьи, нет намерения заниматься трудоёмкой попыткой дать определение ИИ и отделить его от обычных компьютерных задач, тем не менее, необходимо сделать вывод о нескольких общих наблюдениях и характеристиках, применительно к главной тематике статьи.
1. Во-первых, в основе алгоритмов, связанных с искусственным интеллектом, лежит концепция статистического обучения на основе часто больших объёмов входных данных.
2. Во-вторых, алгоритмы сильно различаются по степени их интеллектуальности. Некоторые методы машинного обучения, которые, возможно, являются наиболее распространёнными, являются чисто статистическими и ограничены узкими задачами, такими как прогнозирование кредитоспособности (скоринг). Другие алгоритмы значительно сложнее и используют данные для постоянного изменения и улучшения собственного исходного кода. Таким образом, они становятся по-настоящему самостоятельно обучаемыми в том смысле, что их первоначальное запрограммированное состояние может иметь мало общего с их конечным состоянием.
3. В-третьих, алгоритмы, реализованные с помощью искусственного интеллекта, доказали свою высокую эффективность в ряде приложений, связанных с распознаванием и прогнозированием, которые раньше считались зарезервированными только для человеческого разума. Из-за этого алгоритмы искусственного интеллекта, независимо от степени их интеллектуальности, породили множество бизнес-возможностей, создающих ценность, которые до появления этих технологий, либо вообще невозможно было использовать, либо, по крайней мере, не по разумным ценам.
В то время как технологические достижения в области ИИ предполагают повышение производительности на уровне фирмы, связь между производительностью и ИИ также зависит от нескольких технико-экономических факторов, включая конкуренцию, неоднородность между секторами, влияние на минимально эффективные масштабы производства и изменение географического ареала деятельности компании.