Двойная спираль сетевого взаимодействия + анализа данных

Раз уж эпоха умного бизнеса неудержимо надвигается на нас, то мы, давая себе возможность горько вздыхать по поводу постоянных изменений всего вокруг и предаваться мечтам по поводу смены эпох, должны собраться с силами и, отказавшись от устаревшего, развивать новое. Только так у нас будет возможность стать частью большой волны интеллектуализации. Итак, что представляет собой умный бизнес с точки зрения структуры?

Если кратко, то двумя наиболее важными составными частями умного бизнеса являются сетевое взаимодействие и анализ данных (см. рис. 1.2). Эти два элемента различны по своей сути, но дополняют друг друга: сетевое взаимодействие стимулирует развитие анализа данных, а анализ данных становится неотъемлемым помощником в расширении сетевого взаимодействия. Таким образом и формируется двойная спираль умного бизнеса. Здесь можно провести аналогию с прогрессом человечества: издавна сложилось, что умственные устремления каждого из нас по отдельности имеют ограниченный эффект, однако за счет взаимодействия общества мы добиваемся бурного развития, идя семимильными шагами вперед. В человеческой цивилизации ключевым элементом является не отдельный индивид, а растущие день ото дня возможности взаимодействия всего общества в целом. Это и есть самое важное преимущество нашей эпохи.

Сетевое взаимодействие

Под так называемым сетевым взаимодействием следует понимать разрешение специфических вопросов посредством масштабного взаимодействия в реальном времени множества действующих лиц. Прежде, желая решить какую-либо проблему, мы были вынуждены через предписания, бюрократические средства или рыночные механизмы подавать сигналы и производить необходимые регуляционные действия. Однако в наши дни требуемого результата чаще всего можно добиться через масштабное параллельное взаимодействие в реальном времени множества действующих лиц.

Обратимся к примерам. Начнем со всем знакомой, можно сказать слишком хорошо знакомой, «Википедии». Именно в связи с ее популярностью мы, возможно, не уделили должного внимания поразительному успеху платформы. «Википедия» – исключительно открытый ресурс для совместного формирования знания. В принципе, любой человек может внести свою лепту, оставив на страницах «Википедии» собственные мысли. Однако, с другой стороны, если мы имеем право редактировать любую статью, то можем и злонамеренно ухудшить ее. У «Википедии», конечно же, есть функция восстановления контента в один клик, и если вы как автор полагаете, что первоначальный вариант был более корректным, то его можно восстановить.

Вопреки ожиданиям, именно подобные простые инструменты и правила взаимодействия позволяют нам в реальном времени формировать комплексный, колоссальный информационный онлайн-ресурс в отсутствие некоего центрального авторитета и традиционных механизмов предписаний. На составление во времена династии Мин^[2] «Энциклопедии Юнлэ» – самой крупной из составленных с начала истории Китая энциклопедий – всем ученым академии Ханьлинь^[3] потребовалось шесть лет.

Еще один известный всем пример – Taobao. Taobao не является ритейлером, платформа не имеет в своем распоряжении никаких товаров, а представляет собой экосферу для розничной торговли, это ресурс для привлеченных на платформу продавцов. Именно в связи с этим Taobao и смогла добиться столь многого. Одна из важных причин успеха заключается в том, что Taobao эволюционным образом трансформировалась в огромную платформу социализации и взаимодействия. В настоящее время даже самый небольшой новый продавец на ней может в онлайн-режиме поддерживать сотрудничество с несколькими сотнями поставщиков услуг. Все, что ему требуется, чтобы задействовать соответствующие данные и сервисы, – это API^[4]. Эти сервисы могут включать в себя данные аккаунта в социальных сетях по аналогии с микроблогом Weibo, кабинета финансовых услуг Ant Financial, алгоритм работ (workflow) Wangwang и различные маркетинговые продукты. Таким образом, Taobao сама по себе представляет собой исключительно сложную сеть взаимодействия, огромной ценностью в которой становится социализация (см. рис. 1.3).

Я привожу эти два примера, чтобы показать, как предприятие, которое оказалось в тисках обычной логистической цепочки и вынуждено ограничивать себя реализацией линейных контактов, может произвести реструктуризацию на интернет-платформах и тем самым перейти на взаимодействие в режиме реального времени. Это первый шаг, который должна совершить любая компания, стремящаяся к построению умного бизнеса.

Анализ данных

Теперь мы можем обратиться ко второму ключевому концепту в рамках умного бизнеса – анализу данных. Анализ данных по своей сути – это приход машин на смену человеку в процессе принятия решений. В этом прослеживается принципиальное отличие от BI^[5]. На настоящий момент многие компании имеют собственные департаменты BI, которые производят анализ данных и оказывают поддержку в принятии решений. Основным заказчиком здесь выступает топ-менеджмент. Анализ данных же делает упор на то, чтобы управленческие решения принимались напрямую машинами. Например, каждый день на Taobao производят покупки более 100 млн человек. Каждый из клиентов просматривает различные товары. Обрабатывать подобный массив информации и принимать сложные управленческие решения под силу только машинам. Здесь весьма показателен вопрос: можете ли вы целиком передать функции сотрудников машинам? Если ответ положительный – вы совершите качественный скачок по направлению к умному бизнесу.

Конечно же, принципиальной предпосылкой для передачи ответственности за принятие решений машинам является наличие условий для этого: облачные вычисления, большие данные и алгоритмы. Облачные вычисления и большие данные в данном контексте дополняют друг друга: в отсутствие облачных вычислений мы не имеем возможности с низкими затратами хранить и обрабатывать огромный массив данных; в свою очередь, обработка больших данных и содержащихся в них запросов позволяет нам повышать требования к облачным вычислениям. Эти два элемента стимулируют постоянное ускоренное развитие всей индустрии данных. Тем не менее реальную ценность облачным вычислениям и большим данным придают стоящие за ними «мозги» – алгоритмы.

Строго говоря, алгоритмы нельзя назвать машинами, это продолжение человека, технологический процесс. Алгоритмы имитируют процесс мышления и деятельность человека, превращая абстракции в определенную модель. На основе математического подхода вырабатывается примерный протокол действий в данной конкретной модели, а затем при помощи компьютерного кода выполняется команда. Мы создаем машинный мозг. Алгоритмы трансформируют процесс мышления человека в определенной ситуации в модели и коды, которые понятны и доступны для исполнения машинами. Что касается уровня развития ИИ на настоящий момент, ИИ и человеческий мозг по-прежнему имеют множество различий. ИИ, исходя из огромного массива информации, постоянно обучается и оптимизирует решения, поэтому в отсутствие больших данных алгоритмы превращаются в бессмысленный набор символов.

Именно поэтому большие данные и алгоритмы лежат в основе машинного обучения. Сочетание этих двух элементов обеспечивает ускоренный режим оптимизации и итераций. Самое лучшее доказательство важности этих факторов – привлекшее всеобщее внимание в 2016 г. состязание между AlphaGo и Ли Седолем – профессионалом мирового уровня по игре в го. AlphaGo обладала большой вычислительной мощностью и высокой обучаемостью. Платформа смогла в ускоренные сроки изучить все имеющиеся в истории самоучители по игре в го и тем самым оптимизировать процесс игры. Эти возможности позволили программе быстро обыграть человека-соперника. Появившаяся вскоре после этого знаменательного события новая версия – AlphaGo Zero – оказалась еще более продвинутой и в определенном смысле предвосхитила будущие тренды. AlphaGo Zero в игре может обходиться без архивных материалов и самоучителей. Задействован алгоритм еще более высокого уровня. AlphaGo Zero скоро превзошла AlphaGo, и этот результат является косвенным доказательством наличия пространства для дальнейших прорывов в области алгоритмов.

Машинное обучение базируется на замкнутом цикле обратной связи, и Google здесь является лучшим примером. Когда выводятся результаты поиска, первый клик (а равно и отсутствие клика) у пользователя на странице фиксируется в реальном времени. Данные в дальнейшем обрабатываются алгоритмами. Это позволяет оптимизировать результаты не только поиска для конкретного пользователя, но и для любого человека, который производит поиск по соответствующим ключевым словам. Замкнутый цикл обратной связи в процессе машинного обучения должен быть неотъемлемой частью работы. Оставляемые пользователем данные должны применяться для машинного обучения – в этом и заключается цикл умного бизнеса. Поэтому в перспективе все компании будут представлять собой сервисные предприятия. Пользователь, по сути, нуждается именно в услугах, а не собственно в товаре. В будущем каждая компания будет обязана иметь интерфейс для взаимодействия в онлайне с клиентами. Мы можем сделать еще одно предположение: производители аппаратного обеспечения в дальнейшем, скорее всего, станут частью системы предоставления услуг. Иными словами, производство больше не будет выделяться в отдельное предприятие, а станет составным элементом замкнутого цикла поставки услуг или будет самостоятельно создавать каналы для 2C^[6].

Для абсолютного большинства компаний в ближайшие десять лет наибольшие сложности будут связаны с формированием способов поставки товаров и услуг, выведением в онлайн офлайн-пользователей и установлением устойчивого взаимодействия. Только реализация всего этого позволит фиксировать в реальном времени обратную связь от пользователей и оптимизировать алгоритмы и услуги. Тот, кто первым замкнет этот цикл, и будет иметь наибольшие преимущества.

Концепция «обслуживание клиентов» является классическим примером в этом контексте. Для Alibaba в прошлом большую головную боль создавало наличие масштабного штата сотрудников, непосредственно занимавшихся обслуживанием клиентов. По мере расширения бизнеса из года в год приходилось добавлять одну-две тысячи вакансий именно на должности, связанные с обслуживанием клиентов. С 2015 г., когда мы начали проводить акции по случаю 11 ноября^[7], мы внутри компании попробовали использовать ИИ, чтобы отдать обслуживание клиентов в ведение роботов. Испытания прошли успешно, и уже в 2016 г. мы обратились к девяти крупным компаниям с предложением воспользоваться автоматизированными программами для обслуживания клиентов. Мы в массовом порядке запустили соответствующие алгоритмы ко Дню холостяков – 2016. К 2017 г. уже 30 000 партнеров использовали наши ИИ-протоколы, которые мы назвали «Пчелками Али» (Ali Xiaomi).

Мы выявили для себя еще более интересный факт. Мы изначально беспокоились, что ИИ с течением времени будет заменять все больше людей, лишая их работы, однако в реальности оказалось, что использование ИИ привело к возникновению новой профессии, которую мы назвали «тренером ИИ». IQ «Пчелок Али», обучающихся исключительно на основе данных, на самом деле сопоставим с IQ ребенка пяти-шести лет. Мы начали готовить наиболее способных из наших сотрудников по обслуживанию клиентов к взаимодействию с автоматизированными системами для содействия их обучению. Эти «тренеры» получали самые высокие зарплаты среди специалистов в сфере обслуживания клиентов.

Не стоит беспокоиться, что ИИ превзойдет возможности человека. Органическое сочетание креативности человека и потенциала ИИ, вероятнее всего, и является еще одним наиболее важным трендом будущего.