В эпоху ажиотажа вокруг чат-ботов и генеративного искусства легко забыть, что фундамент корпоративного ИИ строится на прогнозировании. Эрик Сигел — основатель конференций Machine Learning Week и бывший профессор Колумбийского университета — уверен: большинство ИИ-проектов в бизнесе проваливаются не из-за плохих алгоритмов, а из-за отсутствия связи между данными и реальными бизнес-процессами. В своей лекции в Google он представил систему «BizML», призванную превратить «ракетостроение» со сложными формулами в прикладной инструмент для извлечения прибыли.
🏗️ Проблема «холодных ног»: почему ИИ-проекты не доходят до внедрения 2:41
Основной парадокс современной индустрии данных заключается в том, что большинство моделей машинного обучения (ML) так и не вводятся в эксплуатацию . Эрик Сигел выделяет фундаментальную причину этого явления: разрыв между дата-сайентистами и бизнес-заказчиками.
По наблюдениям эксперта:
- Дата-сайентисты часто считают своей единственной задачей создание точной модели, полагая, что внедрение — это проблема менеджмента .
- Бизнес-профессионалы, напротив, делегируют «всё техническое» специалистам, отказываясь вникать в механику процесса .
Сигел сравнивает это с вождением автомобиля: вам не нужно знать устройство камеры сгорания, но вы обязаны понимать правила дорожного движения, инерцию и трение . Без «полутехнического» понимания того, как работают вероятности, бизнес-заказчики испытывают страх перед неизвестным («холодные ноги») и в последний момент блокируют запуск проекта . Решением этой проблемы Сигел называет BizML — парадигму глубокого сотрудничества, где проект ИИ рассматривается не как установка ПО, а как бизнес-консалтинг .
📈 Математика успеха: эффект предсказания 14:06
Один из главных мифов о машинном обучении — это требование идеальной точности. Сигел утверждает, что для бизнеса предсказание не обязательно должно быть «магическим кристаллом» .
Концепция «эффекта предсказания»: предсказание, которое лишь ненамного лучше случайного угадывания, способно приносить миллионы долларов прибыли за счет масштаба операций . Автор приводит пример из маркетинга:
- У компании есть 1 млн потенциальных клиентов. Рассылка по всем стоит $2 млн при отклике 1%. Прибыль — $200 тыс. .
- С помощью ML-модели выделяется 25% аудитории с наибольшей вероятностью отклика.
- Хотя точность модели может составлять всего 3%, это дает «лифт» (множитель эффективности) в 3 раза по сравнению со средним .
- Итог: затраты на маркетинг падают на 75%, а чистая прибыль вырастает более чем в 5 раз — до $1,15 млн .
Сигел подчеркивает: модель может «плохо» работать на индивидуальном уровне (3% — это не 100%), но на уровне больших чисел она кардинально меняет экономику проекта .
🛠️ Шесть шагов Playbook: как правильно готовить ИИ 33:24
Для успешного развертывания Enterprise ML Сигел предлагает шестиэтапный план, где первые три шага полностью посвящены планированию «от обратного» :
- Постановка цели внедрения. Определение пары: что именно мы предсказываем и какое конкретно действие предпримем на основе модели .
- Детализация технической цели. Переход от общих слов («кто купит») к жестким критериям («кто купит в течение 13 дней на сумму от $125 и не вернет товар в течение 45 дней») .
- Определение метрик. Важно перейти от технических параметров (Precision, Recall, AUC) к понятным бизнесу цифрам: выручка, экономия, ROI . Сигел критикует зацикленность на AUC (площадь под кривой), отмечая, что бизнес-заказчикам нужны «кривые прибыли», которые показывают финансовый результат при разных порогах принятия решения .
- Подготовка данных. Самый сложный технический этап. Сигел указывает на проблему «утечки времени» (time leak) — когда в данные для обучения случайно попадает информация из будущего .
- Обучение модели. Непосредственно ML-алгоритмы («ракетостроение»).
- Внедрение (Deployment). Этап, на котором фиксируется ценность.
📦 Кейс UPS: логистика на стероидах 21:10
Самым ярким примером из своей книги «The AI Playbook» Сигел называет систему оптимизации доставок в UPS. Ежедневно тысячи центров сталкиваются с неопределенностью: не все посылки еще в наличии, а грузовики уже нужно загружать .
- Технология Package Flow: ML-модели прогнозируют количество и состав завтрашних доставок, дополняя данные о тех посылках, которые уже физически находятся на складе .
- Результат: В связке с навигационной системой ORION это позволяет UPS экономить 185 млн миль пробега и $350 млн ежегодно, сокращая выбросы CO2 на 185 тыс. тонн .
Несмотря на успех, Сигел отмечает, что проект прошел через «драму и битвы» внутри компании, прежде чем руководство поверило вероятностным прогнозам .
🤖 Против течения: критика хайпа вокруг AGI и Generative AI 40:10
Эрик Сигел занимает скептическую позицию относительно шумихи вокруг «универсального ИИ» (AGI). Он считает, что само название «Искусственный интеллект» — это ошибка антропоморфизма, и термин лучше оставить для научной фантастики и философии .
Основные тезисы Сигела о современном хайпе:
- Генеративный ИИ переоценен в 10–20 раз. Хотя он невероятно полезен (например, в клиентской поддержке он повышает продуктивность новичков на 34%), он не является шагом к созданию «искусственного человека» .
- Иллюзия интеллекта. Нейросети просто виртуозно подражают поведению человека, обучаясь на колоссальных массивах данных, но у этой способности есть «потолок» .
- Разница в применении. Предиктивный ИИ может работать автономно (например, мгновенная блокировка мошеннической транзакции), в то время как результаты генеративного ИИ почти всегда требуют проверки человеком («human-in-the-loop») .
Сигел призывает не искать «стратегию ИИ» точно так же, как компании не ищут «стратегию Excel» . ИИ — это инструмент для решения конкретных операционных задач, а не замена человеческому разуму.
