Человек + машина - Джеймс Уилсон

Создание условий для обнаружения данных

Какие способы взаимодействия с данными вы используете? Приносят ли аналитические инструменты пользу только экспертам и специалистам по обработке данных? Ваша задача — обеспечить такой способ получения ценной информации, чтобы все желающие, особенно далекие от технологий пользователи, могли с выгодой для себя применять ту историю, которую данные пытаются до них донести.

Компания Ayasdi обеспечивает демократизацию процесса обнаружения данных, разрабатывая программное обеспечение, которым могут пользоваться как специалисты по обработке и анализу данных, так и бизнес-лидеры, не обладающие глубокими знаниями в IT. Один из клиентов компании, Техасский медицинский центр (Texas Medical Center, TMC), специализируется на анализе больших многомерных наборов данных, таких как данные о пациентах с раком груди. Программа компании Ayasdi способна за несколько минут выделить подгруппу пациентов, которые перенесли рак и которым свойственны определенные общие характеристики, что может оказаться очень важным^[146]. Техасский медицинский центр планирует использовать инструменты компании Ayasdi для разных целей, от анализа клинических и геномных данных до повторных исследований существующих лекарственных препаратов^[147]. Успех Техасского медицинского центра подтверждает целесообразность поиска таких аналитических инструментов, которые демократизируют данные, с тем чтобы привлечь группу квалифицированных сотрудников к экспериментированию с данными и переосмыслению бизнес-процессов.

Заполнение «недостающей середины»

Для создания цепочки снабжения данными требуется нечто большее, чем новейшие технологии и поток качественной информации. Руководители должны ввести специальные должности в области «недостающей середины» для развития и управления системой.

Обратите внимание: обратная связь на основе искусственного интеллекта создает добродетельный цикл обучения и совершенствования. Вот почему специалистам по обучению предстоит разработать план действий, чтобы помочь «умным» машинам совершенствоваться посредством циклов обратной связи между данными и алгоритмами. Например, в компании Google специалисты по обучению работают над улучшением способности систем обработки естественного языка распознавать диалекты. В рамках этой работы собрано 65 тысяч значений данных по 30 словам (иначе говоря, разных вариантов произношения этих слов)^[148].

Помимо специалистов по обучению, разъяснению и экспертов по устойчивости также потребуются специалисты по непредвзятости в цепочке снабжения данными. Во многих процессах искусственного интеллекта уже встроены механизмы, обеспечивающие совершенствование системы. Например, если вы выбираете не тот маршрут, который предлагает приложение Waze, эта информация помогает усовершенствовать алгоритм, чтобы в будущем он давал более подходящие рекомендации. Но и в этом случае предвзятость может проникнуть в систему. Так, программы для прогнозирования криминального поведения обвиняемого демонстрируют предвзятость по отношению к чернокожим^[149]. По этой причине компаниям, внедряющим современные системы искусственного интеллекта, всегда будут нужны эксперты по устойчивости, которые создадут условия для надлежащего функционирования этих систем. Для решения проблемы отклонения данных и иных ошибок подобного рода компания Google приступила к реализации инициативы по изучению взаимосвязи человека и искусственного интеллекта PAIR (People + AI Research). Компания опубликовала набор инструментов с открытым исходным кодом, которые помогут организациям получить более полное представление о данных, используемых их системами искусственного интеллекта^[150].

Кроме того, компаниям следует подумать над назначением руководителя, ответственного за цепочку снабжения данными. Этот человек должен заниматься обеспечением устойчивости, контролируя работу других специалистов. В его обязанности входит создание интегрированной, сквозной цепочки снабжения данных, а также решение проблем, связанных с данными. Где имеет место разрозненность данных? Как можно упростить доступ к данным? Какие данные используются недостаточно эффективно и как можно использовать ценные «темные данные»^[151]?