1701
Александр Загнетко: бизнес-сингулярность - время собирать камни
— Фондовый рынок
Евангелисты высоких технологий обещали нам другую сингулярность
This is the way the world ends
This is the way the world ends
This is the way the world ends
Not with a bang but a whimper.
The Hollow Men by T. S. Eliot (1925)
This is the way the world ends
This is the way the world ends
This is the way the world ends
Not with a bang but a whimper.
The Hollow Men by T. S. Eliot (1925)
Во второй половине XIX века Джеймс Клерк Максвелл использовал понятие «сингулярность», описывая системы и процессы, в которых даже незначительное изменение одного из параметров порождает эффекты огромного масштаба.
В нестабильных системах, например, находящихся в состоянии неустойчивого равновесия, – малейшее воздействие может спровоцировать их стремительную трансформацию.
Сегодня термин «сингулярность» используется во многих областях знаний: от астрофизики до философии. Больше тридцати лет не стихают разговоры о технологической сингулярности – концепции, предполагающей, что в один прекрасный день мы утратим контроль над собственными инновациями.
Пока мы можем только гадать, будет ли человечество однажды порабощено искусственным интеллектом. А вот сингулярность в том значении, которое предложил Максвелл, становится все более актуальной для теории систем и подходов к анализу данных.
Каковы главные характеристики сингулярности?
- Нестабильность: сингулярность возникает, когда небольшие изменения исходных условий приводят к тому, что поведение системы радикально меняется.
- Свойства системы: изменение процессов связано с системой и существенно меняет ее саму.
- Уникальность: сингулярность характеризуется не столько количественными, сколько качественными изменениями.
- Необратимость: изменение систем в значительной мере необратимо.
- Субъективность: осознание происходящего в большой степени зависит от накопленного опыта.
- Стохастичность: сингулярности часто рассматриваются как случайные, поскольку, как правило, их причины и/или последствия недостаточно ясны.
- Сложность: сингулярность обычно связана со сложностью системы или совокупности систем.
- Взаимодействие: сингулярности часто возникают, когда между двумя системами происходят взаимодействия, неожиданные для наблюдателя.
Все это перекликается с концепцией «Черного лебедя», предложенной Нассимом Талебом. COVID-19 многие поспешили окрестить именно «черным лебедем». Примечательно, кстати, что сам Талеб с такой оценкой не согласился, указав, в частности, на то, что пандемию можно и нужно было предотвратить, поскольку все данные для принятия необходимых мер были своевременно опубликованы. Как бы то ни было, мы столкнулись с «эффектом бабочки», который метафорически можно описать так: один взмах крыльев бабочки где-то на краю света может стать причиной торнадо, которое сметет ваш город.
📚 Справка:
Канадский стартап BlueDot, создавший специализированную платформу искусственного интеллекта, в реальном времени анализирующую данные из сотен тысяч источников на более чем 60 языках по всему миру, спрогнозировал, что COVID-19 перерастет в пандемию еще в конце 2019 года. Сотрудники BlueDot выпустили оповещение для больниц и Минздрава Канады, авиакомпании Air Canada и прочих своих клиентов 31 декабря. Они получили, помимо прочего, список городов за рубежом, где выше всего риск появления зараженных новым вирусом. В нем были, в частности, Бангкок, Гонконг, Токио, Тайбэй, Пхукет, Сеул и Сингапур. Первый случай заболевания за пределами Китая 13 января был обнаружен в Бангкоке, затем во всех 11 городах из списка.
Канадский стартап BlueDot, создавший специализированную платформу искусственного интеллекта, в реальном времени анализирующую данные из сотен тысяч источников на более чем 60 языках по всему миру, спрогнозировал, что COVID-19 перерастет в пандемию еще в конце 2019 года. Сотрудники BlueDot выпустили оповещение для больниц и Минздрава Канады, авиакомпании Air Canada и прочих своих клиентов 31 декабря. Они получили, помимо прочего, список городов за рубежом, где выше всего риск появления зараженных новым вирусом. В нем были, в частности, Бангкок, Гонконг, Токио, Тайбэй, Пхукет, Сеул и Сингапур. Первый случай заболевания за пределами Китая 13 января был обнаружен в Бангкоке, затем во всех 11 городах из списка.
Если задуматься о том, что означает сингулярность с точки зрения анализа данных и подходов к выработке решений, мы придем к довольно интересному выводу. В конечном счете, ее главной особенностью является то, что большая часть нашего опыта, статистики и практик быстро обесцениваются.
В самом деле, когда в системе стремительно развиваются существенно нелинейные процессы и, при этом, система сама начинает резко меняться под их воздействием, экстраполяция тех или иных тенденций или применение моделей, описывавших ее состояние в прошлом, теряют смысл.
Ценность данных и эффективных инструментов их анализа в цифровой экономике колоссальна. С другой стороны, в условиях неопределенности, когда зачастую непонятно даже каким источникам можно доверять, у многих формируется своеобразный нигилизм в отношении любых количественных оценок.
Что делать бизнесу в ситуации, когда привычная картина мира рассыпается на глазах, а сколько-нибудь понятная и стабильная новая реальность пока не просматривается?
- Худшая ошибка, которую можно совершить – пробовать просто переждать пандемию. Возвращения к докризисной парадигме уже не будет.
- Сбор, анализ и использование данных – ключевые составляющие любой стратегии. В условиях сингулярности новые данные имеют гораздо более значительный «вес», чем те, что были собраны ранее.
Однако все это не имеет смысла, если не созданы политики верификации их надежности, релевантности и полноты. До сих пор элементарный фактчекинг и отбор достоверных источников информации (в частности, с учетом формирования т.н. Filter bubble), преодоление эффектов селекции при анализе данных – когда приоритет отдается бросающимся в глаза паттернам – частным случаем которых является хорошо известная «ошибка выжившего», остаются для многих серьезной проблемой.
- Все модели анализа данных должны проходить проверку на практических задачах. В особенности, если речь идет о «черных ящиках» – системах, полного описания алгоритма работы которых нет или оно слишком сложное.
- Горизонты прогнозирования и интервалы проверки корректности ранее сделанных предположений должны быть существенно сокращены.
- Скорость реакции на изменения необходимо резко повысить. Это, в первую очередь, означает изменение подходов к обработке данных. Приходится внедрять инструменты и методы real time/потоковой аналитики, повышать производительность вычислительных систем, например, используя публичные облачные платформы и разрабатывать политики очистки, нормализации и структурирования данных.
- Быстрая интеграция и масштабирование систем обработки данных, подключение внешних источников и платформ невозможны без использования API.
- Особую ценность приобретают аннотация данных и размеченные выборки – данные обладающие атрибутами, позволяющими на их основе решать прикладные задачи, в первую очередь, с помощью платформ машинного обучения (ML).
- Современное производство не может быть эффективным без «центральной нервной системы» – совокупности решений сбора, передачи и обработки данных, позволяющих консолидировать, контролировать и управлять всеми процессами и активами, а также оперативно подключать необходимые инструменты из внешней экосистемы. Все это – составляющие концепции IIoT (Industrial Internet of Things – авт.).
Сервисы b2b и b2с базирующиеся на машинном обучении (ML), платформы DaaS (данные как сервис) и индустриальные облачные решения помогают бизнесу быстро восполнить дефицит собственных ресурсов и пробелы в экспертизе.
Киберфизические системы (CPS), способные обучаться в облаке и взаимодействовать с внешними источниками прикладных данных, становятся все более востребованными. Многие из них могут автоматически проводить диагностику своего состояния и гибко реагировать на изменение условий, а также восстанавливаться без вмешательства человека.
- Создание матриц рисков, связанных, в частности, с трудоспособностью персонала, перебоями в цепочках поставок и доступом к основным производственным активам становится насущной необходимостью. Не менее важны проблемы кибербезопасности и защиты данных, которые также невозможно решить без инструментов мониторинга, выявления аномалий и прогностической аналитики.
- Полноценный факторный анализ перестает быть эффективным из-за нехватки времени и данных. Ad hoc и эвристические модели могут стать временным решением, однако они должны постоянно пересматриваться с учетом новой информации.
- В условиях, когда опорных данных для построения гипотез не хватает, а корректировать их приходится все чаще, наиболее эффективными могут оказаться байесовские методы.
- Резкое изменение множества показателей может порождать ошибочные предположения о причинно-следственных связях. Не стоит забывать хорошо известный тезис: correlation does not imply causation (корреляция не подразумевает причинно-следственную связь).
- Тестируйте гипотезы чаще. Способность за короткое время сформулировать предположения о том, как меняется спрос, разработать эффективные методы взаимодействия с крайне нестабильным рынком и наладить быстрое прототипирование приобретают огромное значение.
Философия fail fast («быстрого провала»), практики, позволяющие в кратчайшие сроки убедиться в жизнеспособности новых идей (с последующим масштабированием успешных подходов для широкого использования), используются все чаще.
- Кластерный анализ и pattern recognition (распознавание паттернов) c использованием ML могут оказаться отличным подспорьем при выработке тактики и стратегии действий, позволяя обнаружить новые возможности или скрытые угрозы, а также быстро тестировать гипотезы.
Однако необходимо очень хорошо разбираться в ограничениях используемых моделей и особенностях обучающей выборки, внимательно следить за изменениями условий, имитируемых в той или иной системе, поскольку большинство моделей, базирующихся на машинном обучении, строго говоря, не являются робастными, а также нередко страдают от т.н. переобучения.
Про непозволительную роскошь
Значительная часть данных в компаниях используется крайне неэффективно. Теперь это непозволительная роскошь. Лояльность клиентов/NPS (net promoter score – индекс потребительской лояльности), репутация бренда, продуманный CX (customer experience – клиентский опыт) превратились в главный актив бизнеса.
CRM система больше не может выступать в роли свалки записей о том, что и кто когда-то купил. Изучение данных о заказчиках, их настроениях, предпочтениях и отзывах, омниканальность, паттерны поведенческой экономики, выявляемые, в том числе, с использованием платформ ML, создание новых продуктов и услуг, а также трансформация бизнес-модели на основе выявленных закономерностей сейчас актуальны как никогда.
Качество и востребованность практически любого товара или услуги определяется именно данными и процедурами их обработки, которые использует поставщик этого продукта, его способностью понять потребителя.
Крупные торговые сети активно внедряют поведенческую аналитику, выявляя зависимость предпочтений покупателей от сотен параметров. Зачастую это позволяет выделить совершенно неожиданные тенденции. Например, Walmart в несколько раз смог увеличить продажи ягод, обнаружив, что при определенных погодных условиях спрос на них резко растет.
Сотовые операторы также изучают предпочтения абонентов, анализируя огромные объемы различных данных, чтобы кастомизировать предложение и вывести на рынок тарифные планы, привлекательные для той или иной группы пользователей. Если еще 10 лет назад провайдеры услуг связи делили свою абонентскую базу на 3-4 основные группы, то сегодня лидеры отрасли сегментируют ее на более чем сто различных категорий.
Компании энергетического сектора и транспортной отрасли, внедряя системы мониторинга и предиктивную аналитику, базирующиеся на платформах, обрабатывающих в реальном времени потоки данных с сотен тысяч датчиков и устройств, на порядок снижают аварийность инфраструктуры и, в среднем, снижают расходы на четверть, благодаря оптимизации процессов и выравниванию нагрузки.
В свою очередь многие разработчики, вендоры, ведущие ИТ корпорации предлагают мощные инструменты для сбора, анализа и применения данных в бизнес-процессах.
Однако чрезвычайно важно понимать, какие из них подойдут именно вам. Выбор того или иного решения зависит от множества факторов. Прежде чем внедрять какие-либо корпоративные системы, необходимо разработать политики работы с данным, а также их целевую архитектуру, учитывающую особенности именно вашей компании.
В сухом остатке – повышайте скорость реакции на изменения и пробуйте то, что еще никто не делал. Это не обязательно приведет вас к blue ocean, но, кто знает, возможно, вы сумеете нащупать нишу, о которой конкуренты даже не подозревали. Нельзя точно предсказать, в какой момент закончится шторм.
Сингулярность изменит очень многие аспекты нашей жизни до неузнаваемости. Одно можно сказать наверняка – неспособность или нежелание задействовать инструментарий анализа данных адекватный беспрецедентным вызовам, с которыми мы столкнулись, сыграют роковую роль в судьбе любой компании, вне зависимости от того, в какой отрасли или стране она работает.
Александр Загнетко, Ph.D., менеджер, отдел консультирования в сфере информационных технологий и кибербезопасности KPMG в Украине
По материалам: Finance.ua
Поделиться новостью
