1701
Олександр Загнетко: бізнес-сингулярність - час збирати каміння
— Фондовий ринок
Євангелісти високих технологій обіцяли нам іншу сингулярність
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)
У другій половині XIX століття Джеймс Клерк Максвелл використовував поняття «сингулярність», описуючи системи і процеси, в яких навіть незначна зміна одного з параметрів породжує ефекти величезного масштабу.
У нестабільних системах, наприклад, що перебувають у стані нестійкої рівноваги, – найменший вплив може спровокувати їх стрімку трансформацію.
Сьогодні термін «сингулярність» використовується в багатьох сферах знань: від астрофізики до філософії. Більше тридцяти років не вщухають розмови про технологічну сингулярність – концепцію, яка передбачає, що в один прекрасний день ми втратимо контроль над власними інноваціями.
Поки ми можемо лише гадати, чи буде людство одного разу поневолене штучним інтелектом. А ось сингулярність в тому значенні, яке запропонував Максвелл, стає все більш актуальною для теорії систем і підходів до аналізу даних.
Які головні характеристики сингулярності?
- Нестабільність: сингулярність виникає, коли невеликі зміни вихідних умов призводять до того, що поведінка системи радикально змінюється.
- Властивості системи: зміна процесів пов’язана з системою і суттєво змінює її саму.
- Унікальність: сингулярність характеризується не стільки кількісними, скільки якісними змінами.
- Незворотність: зміна систем значною мірою є незворотною.
- Суб’єктивність: усвідомлення того, що відбувається, великою мірою залежить від накопиченого досвіду.
- Стохастичність: сингулярності часто розглядаються як випадкові, оскільки, як правило, їх причини та/або наслідки недостатньо ясні.
- Складність: сингулярність зазвичай пов’язана зі складністю системи або сукупності систем.
- Взаємодія: сингулярності часто виникають, коли між двома системами відбуваються взаємодії, несподівані для спостерігача.
Все це перегукується з концепцією «Чорного лебедя», запропонованої Нассімом Талебом. COVID-19 багато хто поспішив охрестити саме «чорним лебедем». Примітно, до речі, що сам Талеб з такою оцінкою не погодився, вказавши, зокрема, на те, що пандемії можна і потрібно було запобігти, оскільки всі дані для вжиття необхідних заходів були своєчасно опубліковані. Як би там не було, ми зіткнулися з «ефектом метелика», який метафорично можна описати так: один помах крил метелика десь на краю світу може стати причиною торнадо, яке змете ваше місто.
📚 Довідка:
Канадський стартап BlueDot, який створив спеціалізовану платформу штучного інтелекту, що в реальному часі аналізує дані з сотень тисяч джерел більш ніж 60 мовами по всьому світу, спрогнозував, що COVID-19 переросте в пандемію ще в кінці 2019 року. Співробітники BlueDot випустили сповіщення для лікарень і Мінохоронздоров’я Канади, авіакомпанії Air Canada і інших своїх клієнтів 31 грудня. Вони отримали, крім іншого, список міст за кордоном, де найвищий ризик появи заражених новим вірусом. У ньому були, зокрема, Бангкок, Гонконг, Токіо, Тайбей, Пхукет, Сеул і Сінгапур. Перший випадок захворювання за межами Китаю 13 січня було виявлено в Бангкоку, потім у всіх 11 містах зі списку.
Канадський стартап BlueDot, який створив спеціалізовану платформу штучного інтелекту, що в реальному часі аналізує дані з сотень тисяч джерел більш ніж 60 мовами по всьому світу, спрогнозував, що COVID-19 переросте в пандемію ще в кінці 2019 року. Співробітники BlueDot випустили сповіщення для лікарень і Мінохоронздоров’я Канади, авіакомпанії Air Canada і інших своїх клієнтів 31 грудня. Вони отримали, крім іншого, список міст за кордоном, де найвищий ризик появи заражених новим вірусом. У ньому були, зокрема, Бангкок, Гонконг, Токіо, Тайбей, Пхукет, Сеул і Сінгапур. Перший випадок захворювання за межами Китаю 13 січня було виявлено в Бангкоку, потім у всіх 11 містах зі списку.
Якщо задуматися про те, що означає сингулярність з точки зору аналізу даних і підходів до вироблення рішень, ми дійдемо досить цікавого висновку. В кінцевому рахунку, її головною особливістю є те, що більша частина нашого досвіду, статистики та практик швидко знецінюються.
Справді, коли в системі стрімко розвиваються істотно нелінійні процеси і, при цьому, система сама починає різко змінюватися під їх впливом, екстраполяція тих чи інших тенденцій або застосування моделей, що описують її стан в минулому, втрачають сенс.
Цінність даних і ефективних інструментів їх аналізу в цифровій економіці колосальна. З іншого боку, в умовах невизначеності, коли найчастіше незрозуміло навіть яким джерелам можна довіряти, у багатьох формується своєрідний нігілізм щодо будь-яких кількісних оцінок.
Що робити бізнесу в ситуації, коли звична картина світу розсипається на очах, а хоч якась зрозуміла і стабільна нова реальність поки не проглядається?
- Найгірша помилка, яку можна зробити – намагатись просто перечекати пандемію. Повернення до докризової парадигми вже не буде.
- Збір, аналіз і використання даних – ключові складові будь-якої стратегії. В умовах сингулярності нові дані мають набагато більш значну «вагу», ніж ті, що були зібрані раніше.
Однак все це не має сенсу, якщо не створені політики верифікації їх надійності, релевантності та повноти. Досі елементарний фактчекінг і відбір достовірних джерел інформації (зокрема, з урахуванням формування т.зв. Filter bubble), подолання ефектів селекції при аналізі даних – коли пріоритет віддається помітним паттернам – окремим випадком яких є добре відома «помилка того, хто вижив», залишаються для багатьох серйозною проблемою.
- Всі моделі аналізу даних повинні проходити перевірку на практичних завданнях. Особливо, якщо мова йде про «чорні скриньки» – системи, повного опису алгоритму роботи яких немає або він занадто складний.
- Горизонти прогнозування та інтервали перевірки коректності раніше зроблених припущень повинні бути істотно скорочені.
- Швидкість реакції на зміни необхідно різко підвищити. Це, в першу чергу, означає зміну підходів до обробки даних. Доводиться впроваджувати інструменти і методи real time / потокової аналітики, підвищувати продуктивність обчислювальних систем, наприклад, використовуючи публічні хмарні платформи і розробляти політики очищення, нормалізації і структурування даних.
- Швидка інтеграція і масштабування систем обробки даних, підключення зовнішніх джерел і платформ неможливі без використання API.
- Особливо цінними стають анотація даних і розмічені вибірки – дані володіють атрибутами, що дозволяють на їх основі вирішувати прикладні завдання, в першу чергу, за допомогою платформ машинного навчання (ML).
- Сучасне виробництво не може бути ефективним без «центральної нервової системи» – сукупності рішень збору, передачі та обробки даних, що дозволяють консолідувати, контролювати і управляти всіма процесами і активами, а також оперативно підключати необхідні інструменти з зовнішньої екосистеми. Все це – складові концепції IIoT (Industrial Internet of Things – авт.).
Сервіси b2b і b2с базуються на машинному навчанні (ML), платформи DaaS (дані як сервіс) і індустріальні хмарні рішення допомагають бізнесу швидко заповнити дефіцит власних ресурсів і прогалини в експертизі.
Кіберфізичні системи (CPS), здатні навчатися в хмарі і взаємодіяти з зовнішніми джерелами прикладних даних, стають все більш затребуваними. Багато з них можуть автоматично проводити діагностику свого стану і гнучко реагувати на зміну умов, а також відновлюватися без втручання людини.
- Створення матриць ризиків, пов’язаних, зокрема, з працездатністю персоналу, перебоями в ланцюжках поставок і доступом до основних виробничих активів стає нагальною потребою. Не менш важливі проблеми кібербезпеки і захисту даних, які також неможливо вирішити без інструментів моніторингу, виявлення аномалій і прогностичної аналітики.
- Повноцінний факторний аналіз перестає бути ефективним через брак часу і даних. Ad hoc і евристичні моделі можуть стати тимчасовим рішенням, однак вони повинні постійно переглядатися з урахуванням нової інформації.
- В умовах, коли опорних даних для побудови гіпотез не вистачає, а коригувати їх доводиться все частіше, найбільш ефективними можуть виявитися байєсівські методи.
- Різка зміна безлічі показників може породжувати хибні припущення про причинно-наслідкові зв’язки. Не варто забувати добре відому тезу: correlation does not imply causation (кореляція не має на увазі причинно-наслідковий зв’язок).
- Тестуйте гіпотези частіше. Здатність за короткий час сформулювати припущення про те, як змінюється попит, розробити ефективні методи взаємодії з вкрай нестабільним ринком і налагодити швидке прототипування набувають величезного значення.
Філософія fail fast («швидкого провалу»), практики, що дозволяють в найкоротші терміни переконатися в життєздатності нових ідей (з подальшим масштабуванням успішних підходів для широкого використання), використовуються все частіше.
- Кластерний аналіз і pattern recognition (розпізнавання патернів) c використанням ML можуть виявитися відмінною підмогою при виробленні тактики і стратегії дій, дозволяючи виявити нові можливості або приховані загрози, а також швидко тестувати гіпотези.
Однак необхідно дуже добре розбиратися в обмеженнях використовуваних моделей та особливостях навчальної вибірки, уважно стежити за змінами умов, імітованих в тій чи іншій системі, оскільки більшість моделей, що базуються на машинному навчанні, строго кажучи, не є робастними, а також нерідко страждають від т. н. перенавчання.
Про недозволену розкіш
Значна частина даних в компаніях використовується вкрай неефективно. Тепер це недозволена розкіш. Лояльність клієнтів/NPS (net promoter score – індекс споживчої лояльності), репутація бренду, продуманий CX (customer experience – клієнтський) перетворилися на головний актив бізнесу.
CRM система більше не може виступати в ролі звалища записів про те, що і хто колись купив. Вивчення даних про замовників, їхні настрої, вподобання та відгуки, омніканальність, паттерни поведінкової економіки, що виявляються, в тому числі, з використанням платформ ML, створення нових продуктів і послуг, а також трансформація бізнес-моделі на основі виявлених закономірностей зараз актуальні як ніколи.
Якість і затребуваність практично будь-якого товару або послуги визначається саме даними і процедурами їх обробки, які використовує постачальник цього продукту, його здатністю зрозуміти споживача.
Великі торгові мережі активно впроваджують поведінкову аналітику, виявляючи залежність вподобань покупців від сотень параметрів. Найчастіше це дозволяє виділити абсолютно несподівані тенденції. Наприклад, Walmart в кілька разів зміг збільшити продажі ягід, виявивши, що за певних погодних умов попит на них різко зростає.
Стільникові оператори також вивчають вподобання абонентів, аналізуючи величезні обсяги різних даних, щоб кастомізувати пропозицію і вивести на ринок тарифні плани, привабливі для тієї чи іншої групи користувачів. Якщо ще 10 років тому провайдери послуг зв’язку ділили свою абонентську базу на 3-4 основні групи, то сьогодні лідери галузі сегментують її на більш ніж сто різних категорій.
Компанії енергетичного сектора і транспортної галузі, впроваджуючи системи моніторингу та предиктивну аналітику, що базуються на платформах, які обробляють в реальному часі потоки даних з сотень тисяч датчиків і пристроїв, на порядок знижують аварійність інфраструктури і, в середньому, знижують витрати на чверть, завдяки оптимізації процесів і вирівнюванню навантаження.
У свою чергу багато розробників, вендори, провідні ІТ корпорації пропонують потужні інструменти для збору, аналізу та застосування даних в бізнес-процесах.
Однак надзвичайно важливо розуміти, які з них підійдуть саме вам. Вибір того чи іншого рішення залежить від безлічі факторів. Перш ніж впроваджувати будь-які корпоративні системи, необхідно розробити політики роботи з даними, а також їх цільову архітектуру, що враховує особливості саме вашої компанії.
У сухому залишку – підвищуйте швидкість реакції на зміни і пробуйте те, що ще ніхто не робив. Це не обов’язково приведе вас до blue ocean, але, хтозна, можливо, ви зумієте намацати нішу, про яку конкуренти навіть не підозрювали. Не можна точно передбачити, коли саме закінчиться шторм.
Сингулярність змінить дуже багато аспектів нашого життя до невпізнання. Одне можна сказати напевно – нездатність або небажання задіяти інструментарій аналізу даних адекватний безпрецедентним викликам, з якими ми зіткнулися, зіграють фатальну роль у долі будь-якої компанії, незалежно від того, в якій галузі чи країні вона працює.
Александр Загнетко, Ph.D., менеджер, відділ консультування в сфері інформаційних технологій і кібербезпеки KPMG в Україні
За матеріалами: Finance.ua
Поділитися новиною
