В эпоху стремительного развития технологий искусственный интеллект (ИИ) часто воспринимается либо как угроза, либо как магическое решение всех проблем. Профессора Рави Бапна и Аниндья Гхош в своей книге «Thrive: Maximizing Well-Being in the Age of AI» предлагают прагматичный взгляд на индустрию, основанный на 40-летнем совокупном опыте исследований и консалтинга. Основная идея авторов заключается в том, что для истинного процветания в новую эпоху необходимо преодолеть дефицит воображения у руководства компаний и научиться использовать те 97% данных, которые сегодня остаются невостребованными.
🏗️ «Дом ИИ» и проблема неиспользуемых данных 1:31
Одной из главных проблем современной корпоративной среды Рави Бапна называет колоссальный разрыв между объёмом собираемой информации и её реальным использованием . Ссылаясь на исследования Gartner, он отмечает, что компании используют в среднем лишь 3% имеющихся у них данных для принятия решений . Остальные 97% превращаются в «цифровой мусор» из-за трёх факторов инерции: привычки делать всё по-старому, неведения о возможностях технологий и отсутствия воображения у лидеров .
Чтобы демистифицировать технологию, авторы представили концепцию «Дома ИИ» (House of AI) — иерархическую структуру применения данных :
- Фундамент: Данная инженерия (очистка, агрегация и трансформация данных).
- Первый уровень: Описательная аналитика и поиск аномалий (например, для выявления фрода в банках).
- Основные столпы: Прогнозирование (Prediction), понимание причинно-следственных связей (Causal Inference) и оптимизация.
- Верхние уровни: Глубокое обучение для работы с изображениями, видео и текстом, обучение с подкреплением (Reinforcement Learning) и генеративный ИИ .
Рави Бапна подчёркивает, что несмотря на хайп вокруг генеративного ИИ, ведущие эксперты отрасли полагают, что в ближайшие три года около 70% экономической ценности всё ещё будет приносить «традиционный» ИИ (прогнозирование и классификация) .
🏥 Медицина и экология: как ИИ спасает жизни 6:27
Авторы приводят конкретные примеры того, как анализ «обогащённых» данных меняет социальную сферу. В секторе здравоохранения Рави Бапна выделяет два кейса:
- Мониторинг беременности с WHOOP: Носимые устройства позволяют отслеживать вариабельность сердечного ритма (HRV) . Исследования показали, что за семь недель до родов наблюдается характерное снижение этого показателя. Если алгоритм фиксирует аномальное изменение, например, на 10-й неделе до срока, он может предупредить о риске преждевременных родов . По мнению профессора, это критически важно для «пустынь материнства» (maternity deserts) — районов США (35% округов), где доступ к акушерской помощи крайне ограничен .
- Диагностика рака в MaMMa Klinika: Венгерская клиника внедрила модели глубокого обучения для анализа маммограмм . С 2021 года ИИ обнаружил 22 случая рака, которые были пропущены врачами-радиологами .
В экологии ИИ позволяет перейти от статичных проверок к динамическому мониторингу. Профессор описывает ситуацию с закрытием пляжей из-за бактерий: традиционно пробы берутся раз в две недели, и пляж может быть закрыт на 14 дней на основании одного замера . Современные системы, объединяющие данные сенсоров, спутниковые снимки и записи о землепользовании, позволяют отслеживать качество воды в реальном времени, сокращая время закрытия до нескольких часов .
⚖️ Мифы о предвзятости и новая HR-аналитика 10:28
Обсуждая этические аспекты, Рави Бапна утверждает, что медиа склонны раздувать негатив вокруг алгоритмической предвзятости, хотя сам ИИ является лучшим инструментом для её исправления .
Классическим примером провала считается алгоритм Amazon для скрининга резюме, который пять лет назад начал дискриминировать женщин, так как обучался на исторических данных, где в ИТ-сфере доминировали мужчины . Бапна и Гхош предлагают использовать обучение с подкреплением для стратегии «разведки и эксплуатации» (explore and exploit) :
- Алгоритм выделяет условные 20% ресурсов на проверку кандидатов, которые не являются фаворитами системы, но представляют недопредставленные группы (женщин, меньшинства).
- Такой подход позволяет системе «узнать», что эти кандидаты могут быть отличными специалистами, тем самым корректируя исторические социальные искажения в данных .
📈 Экономика стека ИИ и антимонопольные риски 17:25
Аниндья Гхош подробно разбирает структуру рынка ИИ, выделяя четыре уровня «стека» :
- Полупроводники: Nvidia (GPU), Google (TPU), Amazon (Trainium).
- Облачные вычисления: Google, Microsoft, Amazon. Эти три гиганта ежегодно тратят около $100 млрд только на поддержание инфраструктуры .
- Модели (LLM): Открытые (Llama от Meta) и закрытые (OpenAI).
- Приложения: Сервисы на базе моделей.
По мнению Аниндья Гхоша, концентрация одних и тех же компаний на всех уровнях стека создаёт регуляторные риски . Основные опасения экономистов связаны с «пакетными продажами» (bundling) и «связыванием» (tying), когда доминирующие игроки могут заставлять клиентов использовать свои облака или чипы для доступа к лучшим моделям .
При этом Гхош отмечает парадокс: ИИ фактически снижает барьеры для входа малого бизнеса. Благодаря предобученным моделям и технологиям вроде RAG (Retrieval-Augmented Generation), стартапам больше не нужно обладать гигантскими массивами данных для старта, что нивелирует преимущество «первопроходцев» .
Отдельно Гхош подчеркивает геополитическую значимость компании TSMC в Тайване. Поскольку TSMC производит чипы практически для всех участников рынка (включая Apple, Nvidia и Google), контроль над Тайванем становится ключевым фактором в глобальной борьбе за технологическое лидерство .
🎓 Перезагрузка образования и менеджмента 40:45
Авторы скептически относятся к идее, что «промпт-инжиниринг» — это главный навык будущего. Исследования показывают противоречивые результаты: в одних случаях ИИ помогает новичкам, в других — мешает экспертам из-за галлюцинаций . По мнению Рави Бапны, истинный дефицит наблюдается не в кадрах дата-сайентистов, а в качестве управления.
Он приводит историю выпускницы программы по ИИ, которую в крупной компании заставили делать простые отчеты в Excel вместо внедрения алгоритмов обучения с подкреплением . Именно поэтому авторы призывают к реализации «плана Маршалла» по переобучению топ-менеджмента .
Ключевые рекомендации профессоров по внедрению ИИ:
- Правило 70%: Около 70% времени и ресурсов проекта должно уходить на очистку и инженерию данных, а не на само моделирование. «Мусор на входе — мусор на выходе» остается главным законом .
- Бизнес-задача первична: Не стоит начинать с создания «озера данных» в надежде найти там инсайты. Нужно идти от конкретной проблемы (например, прогнозирование нехватки медсестер в больнице) и подбирать под неё данные .
- ИИ в образовании: Использование персональных тьюторов, таких как Khanmigo от Khan Academy, позволяет демократизировать качественное обучение. Алгоритм не дает ребенку готовый ответ на задачу по матанализу, а задает наводящие вопросы, имитируя работу элитного репетитора .
В завершение Аниндья Гхош и Рави Бапна резюмируют: ИИ не заменит менеджеров, но менеджеры, использующие ИИ, заменят тех, кто этого не делает .
