# Эрик Сигел о хайпе вокруг ИИ: «Мы фетишизируем ракетостроение вместо запуска ракет»

Источник: https://www.youtube.com/watch?v=gnVk6ztz6Bs
Канал: Talks at Google
Опубликовано: 26.05.2024

---

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
[[JUMP:02:41]]

Основной парадокс современной индустрии данных заключается в том, что большинство моделей машинного обучения (ML) так и не вводятся в эксплуатацию [02:55]. 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 [35:39]. 
*   **Бизнес-профессионалы**, напротив, делегируют «всё техническое» специалистам, отказываясь вникать в механику процесса [36:04].

Сигел сравнивает это с вождением автомобиля: вам не нужно знать устройство камеры сгорания, но вы обязаны понимать правила дорожного движения, инерцию и трение [37:11]. Без «полутехнического» понимания того, как работают вероятности, бизнес-заказчики испытывают страх перед неизвестным («холодные ноги») и в последний момент блокируют запуск проекта [28:30]. Решением этой проблемы Сигел называет **BizML** — парадигму глубокого сотрудничества, где проект ИИ рассматривается не как установка ПО, а как бизнес-консалтинг [04:04].

## 📈 Математика успеха: эффект предсказания
[[JUMP: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» [14:20].

**Концепция «эффекта предсказания»:** предсказание, которое лишь ненамного лучше случайного угадывания, способно приносить миллионы долларов прибыли за счет масштаба операций [17:05]. Автор приводит пример из маркетинга:

1.  У компании есть 1 млн потенциальных клиентов. Рассылка по всем стоит $2 млн при отклике 1%. Прибыль — $200 тыс. [14:48].
2.  С помощью ML-модели выделяется 25% аудитории с наибольшей вероятностью отклика.
3.  Хотя точность модели может составлять всего 3%, это дает «лифт» (множитель эффективности) в 3 раза по сравнению со средним [15:58].
4.  Итог: затраты на маркетинг падают на 75%, а чистая прибыль вырастает более чем в 5 раз — до $1,15 млн [16:26].

Сигел подчеркивает: модель может «плохо» работать на индивидуальном уровне (3% — это не 100%), но на уровне больших чисел она кардинально меняет экономику проекта [16:51].

## 🛠️ Шесть шагов Playbook: как правильно готовить ИИ
[[JUMP:33:24]]

Для успешного развертывания Enterprise ML Сигел предлагает шестиэтапный план, где первые три шага полностью посвящены планированию «от обратного» [33:37]:

1.  **Постановка цели внедрения.** Определение пары: что именно мы предсказываем и какое конкретно действие предпримем на основе модели [33:37].
2.  **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») [27:26]. 
3.  **Определение метрик.** Важно перейти от технических параметров (Precision, Recall, AUC) к понятным бизнесу цифрам: выручка, экономия, ROI [29:10]. Сигел критикует зацикленность на AUC (площадь под кривой), отмечая, что бизнес-заказчикам нужны «кривые прибыли», которые показывают финансовый результат при разных порогах принятия решения [29:49].
4.  **Подготовка данных.** Самый сложный технический этап. Сигел указывает на проблему «утечки времени» (time leak) — когда в данные для обучения случайно попадает информация из будущего [54:10].
5.  **Обучение модели.** Непосредственно ML-алгоритмы («ракетостроение»).
6.  **Внедрение (Deployment).** Этап, на котором фиксируется ценность.

## 📦 Кейс UPS: логистика на стероидах
[[JUMP: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 [22:03].

*   **Технология Package Flow:** ML-модели прогнозируют количество и состав завтрашних доставок, дополняя данные о тех посылках, которые уже физически находятся на складе [22:16].
*   **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 [23:07].

Несмотря на успех, Сигел отмечает, что проект прошел через «драму и битвы» внутри компании, прежде чем руководство поверило вероятностным прогнозам [23:20].

## 🤖 Против течения: критика хайпа вокруг AGI и Generative AI
[[JUMP: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 [40:35].

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» [47:17].
*   **Иллюзия интеллекта.** Нейросети просто виртуозно подражают поведению человека, обучаясь на колоссальных массивах данных, но у этой способности есть «потолок» [48:23].
*   **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») [46:37].

Сигел призывает не искать «стратегию ИИ» точно так же, как компании не ищут «стратегию Excel» [40:10]. ИИ — это инструмент для решения конкретных операционных задач, а не замена человеческому разуму.

---