Домой Программы Гипотезы о степени влияния при внедрении искусственного интеллекта и машинного обучения на...

Гипотезы о степени влияния при внедрении искусственного интеллекта и машинного обучения на производство

586
0

Прямые доказательства влияния искусственного интеллекта (ИИ), и связанных с ним технологий, на производительность производственных процессов, пока ограничены. Однако несколько существующих исследований в этой области показали, что действительно может быть положительное влияние на производительность, связанное как с использованием/внедрением технологий на основе ИТ, таких как робототехника, так и с коммерциализацией технологий, связанных с ИИ. Имея ограниченные эмпирические данные, полезно пересмотреть теоретические аспекты применения технологий искусственного интеллекта.

Концептуально эти технологические инновации повышают производительность, если они либо уменьшают требуемый уровень затрат для заданного уровня (монетаризированного) выпуска продукции/услуг, либо увеличивают выпуск при заданном уровне этих затрат. Хотя на сегодняшний день мы мало знаем о том, экономят ли или увеличивают ценность технологии искусственного интеллекта — если справедливо любое из двух этих условий, то оба механизма теоретически жизнеспособны. Существует ряд примеров, когда прогресс ИИ привёл к значительному снижению затрат на определённые услуги и продукты. Например, распознавание изображений, которое сейчас предлагается облачными провайдерами и поисковиками. Ранее надёжное распознавание изображений зависело бы от человеческого познания и вмешательства, что предполагало более высокие затраты на несколько порядков.

Снижение затрат может означать более низкие требования к уже существующим продуктам и услугам на рынке, примером чего является распознавание изображений. Такие приложения уже существовали до появления ИИ, но использовались только для очень важных действий. Примером может служить клиническая диагностика, основанная на МРТ-сканировании, которая полагалась исключительно на экспертные знания человека, которыми обладают рентгенологи, а теперь во многих случаях помогает или даже заменяется методами машинного обучения. В настоящее время существуют приложения в самых разных областях, таких как обнаружение опухолей, диагностика болезни Альцгеймера и психозов или болезни Паркинсона. Тем не менее, снижение стоимости распознавания изображений, связанное с машинным обучением, не только способствовало удешевлению дорогостоящих задач. Это также помогло выйти на совершенно новые рынки, сделав приложения экономически целесообразными, которые раньше были бы чрезмерно дорогими. Примером может служить Google Lens, веб-сервис, ориентированный на потребителя, который идентифицирует практически все объекты, сравнивая кадры с камеры смартфона с существующими изображениями в Интернете. Два десятилетия назад для этого приложения потребовался бы широкий круг специалистов, оно не являлось бы полностью автоматизированным и бесплатным для владельцев смартфонов.

Помимо снижения затрат на предоставление существующих товаров и услуг или создание рынков для новых, важность технологий ИИ служит ещё для эффективной реализации дифференциации цен. В маркетинге разработаны модели динамического ценообразования, основанные на дифференциации цен третьего порядка, что может привести к значительному преобразованию потребительской ренты в ренту производителя за счёт использования информации о выявленных потребителями доходах или предпочтениях. Интересно, что такие дискриминационные модели ценообразования часто воспринимаются скептически с точки зрения благосостояния, поскольку они генерируют знания о потребителях в дополнительные доходы производителя. Однако, ценовая дифференциация может создавать сегменты рынка в диапазоне с более низким уровнем дохода, которые не обслуживались бы при однородном ценообразовании. Следовательно, эффекты производительности, обусловленные дифференциацией цен, могут быть результатом не только распределения доходной части, но и рыночных механизмов и, следовательно, для создания ренты (имеется в виду не обусловленная дополнительными затратами прибыль).

Таким образом, многие специалисты ожидают, что искусственный интеллект может положительно повлиять на производительность за счёт снижения затрат на существующие товары или услуги (либо создать принципиально новые) за счёт создания рынков для совершенно новых товаров или услуг и за счёт более эффективного использования ценовой дискриминации.

Такая гипотеза подчёркивает базовые ожидания положительного эффекта производительности, вызванного растущим распространением и внедрением ИИ. Ряд наблюдений для конкретных приложений предполагает, что фактическое состояние технического прогресса может отставать от иногда чрезмерных обещаний избавления от существующих проблем. В качестве примера можно привести утверждение ряда специалистов, что обещания радиологической диагностики на основе ИИ по-прежнему в значительной степени иллюзорны не только из-за неохотного внедрения, но и из-за медленного технического прогресса, вызванного, в частности, нехваткой набора обучающих данных и нормативными препятствиями.

Именно поэтому скептически настроенные специалисты приходят к выводу, что вместо того, чтобы заменять рентгенологов, через непродолжительное время эксперты в этой области, с большей вероятностью научатся использовать технологии ИИ для улучшения своих собственных методов диагностики. Это наблюдение о том, что технологические преимущества могут раскрыться только в долгосрочной перспективе, также распространяется и на другие многообещающие области, такие как автономные беспилотные транспортные средства. Хотя прогресс здесь неоспорим, поскольку сегодня в автомобили (и не только в них) встроено все больше и больше вспомогательных систем, эта технология все ещё далека от того, чтобы предлагать готовые решения для автономного вождения на дорогах общего пользования.

Ещё одним камнем преткновения, которые тормозят процессы, являются причины нерешённых вопросов регулирования, особенно вопросов ответственности, страхования рисков и конфиденциальности. Таким образом, вместо того, чтобы разрушать целые технологические и бизнес-сферы от одного момента к другому, ИИ может трансформировать их постепенно в течение длительных периодов времени. Действительно, концепция технологической S-образной кривой, выдвинутая почти тридцать лет назад, предполагает, что в целом технологии с разрушительным потенциалом вряд ли немедленно перевернут существующие наработки и возможности для бизнеса. Вместо этого инновации могут начинать развиваться с повышения уровня производительности, который уступает уже существующим решениям.

Однако, такие готовые решения, как правило, близки к своему максимальному уровню производительности и, следовательно, не обещают значительных улучшений в будущем, в то время как прорывные технологии могут иметь такой потенциал. Один из основных выводов в отношении искусственного интеллекта заключается в том, что преимущества производительности, связанные с его внедрением и использованием, со временем будут накапливаться по мере повышения зрелости технологии. Существует гипотеза, что что ранние повторные изобретения могут иметь преимущества, поскольку они избегают внедрения ещё незрелых технологий, в то время, как первооткрыватели, как правило, испытывают негативные последствия в плане производительности, останавливаясь на худшей технологии, по крайней мере, в краткосрочной перспективе. Тем не менее, они по-прежнему помогают внедрять технологию и тем самым создают основу для её будущего развития

Концепция технологической S-образной кривой не отрицает концепции разрушения, но делать допущение, что разрушение будет мгновенным, было бы наивным. Вместо «мгновенного разрушения/замещения» связанные с этим выгоды на уровне фирм будут расти по мере повышения зрелости технологии по прошествии некоторого времени.

В соответствии со всем вышесказанным, и оперируя этими аргументами постепенного накопления можно выдвинуть ещё одну гипотезу, которая резюмирует ожидание того, что эффекты производительности от внедрения искусственного разума и машинного обучения становятся заметными только с некоторым временным лагом, который зависит от общего состояния технологии и, следовательно, является общей для всех потенциальных пользователей.

Ещё одна причина таких временных задержек в эффекте наблюдаемого повышения производительности, на уровне компании, связана с специфичной для любого производителя интеграцией и затратами на обучение по правильному, безопасному обращению с новыми технологиями. В целом, прорывные инновации всегда оказывают существенное давление на внедряющие их фирмы, подразумевая, что выгоды вряд ли будут немедленными. В частности, концепция обучения на практике предполагает, что специалисты компаний знакомятся с технологией и эффективно используют её только по прошествии какого-то времени. Следовательно, влияние технологии на производительность должно зависеть от эффективности обучения и времени, прошедшего с момента её внедрения. Поскольку качество обучения, стратегии и сроки различаются в разных компаниях, то решающую роль играет именно эта неоднородность подхода к внедрению на уровне фирмы. Достоверно подтверждённого опыта о эффектах обучения на практике, связанных с ИИ, все ещё очень мало, по крайней мере, понятно, что эффект не бывает мгновенным, а существенный временной лаг, который существует между внедрением ИИ и любым повышением экономических показателей зависит от множества параметров.

Задержка во времени является результатом значительных затрат на интеграцию, которые могут препятствовать эффективным общесистемным изменениям и увеличивают степень немодульности. Таким образом, даже ознакомление специалистов с искусственным интеллектом будет связано со временем на ознакомление и поисками эффективного применения. Однако важно отметить, что временные лаги должны подразумевать модели доходности, которые различаются во времени, но одинаковы для всей фирмы. Так сказать, эффекты зрелости в компании являются однородными когортными эффектами и, следовательно, неоднородны на разных производствах.

ОСТАВЬТЕ ОТВЕТ

Пожалуйста, введите ваш комментарий!
пожалуйста, введите ваше имя здесь