Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности - страница 2
Центр Андерсона также не отказался от использования ИИ для диагностики и лечения рака. Еще одна программа зондирования получила название APOLLO (Программа адаптивного, пациент-ориентированного долгосрочного обучения и оптимизации). Она использует машинное обучение для генерации детальных прогностических моделей того, как пациенты с различными геномными профилями и историями болезни реагируют на лечение рака[5]. Хотя проект использует (возможно, не слишком удачно) чересчур общую и громкую терминологию, применявшуюся ранее при описании Oncology Expert Advisor, он опирается на методы машинного обучения, которые отлаживались десятилетиями, и похож на проекты, осуществляемые в ряде других центров исследования рака.
Сингапурский банк DBS – крупнейший банк Юго-Восточной Азии и лидер в использовании технологий для улучшения обслуживания и операционной деятельности. Когда-то его называли «чертовски медленным», но в 2016 г. журнал Euromoney объявил DBS лучшим цифровым банком в мире. Уже несколько лет банк уделяет особенное внимание ИИ. Он стал одной из первых коммерческих организаций, заключивших контракт с IBM на разработку приложения на базе искусственного интеллекта. Приложение, о грядущем выходе которого было объявлено в январе 2014 г., должно было стать интеллектуальным роботом-советником, который консультировал бы клиентов DBS по вопросам управления активами и возможностей для инвестирования. Роботы-советники есть и в других финансовых учреждениях, но их рекомендации, как правило, недостаточно хороши, поскольку им недостает интеллекта.
DBS хотел получить систему, которая могла бы переваривать различные вводные данные – исследовательские отчеты, новости компании, индикаторы настроений на рынке и существующий портфель клиента, а затем давать рекомендации банковским менеджерам по работе с клиентами и самим клиентам. Но директор по информационным технологиям DBS Дэвид Гледхилл отметил, что технология не готова решить столь серьезную проблему:
Мы начали очень рано, и в то время технология Watson еще не достигла зрелости. Она не была готова стать новейшим разносторонним консультантом по благосостоянию, как планировали и DBS, и IBM. Приступив к реализации этого проекта, мы опередили время. Оглядываясь назад, можно понять, что технология не была достаточно зрелой. Она не была подготовлена для многих из наших сценариев использования. Отчасти проблема заключалась в том, что программное обеспечение не могло понять множество диаграмм и графиков, которые должно было понимать. Кроме того, исследовательские отчеты банка были представлены в различных форматах, а это затрудняло анализ данных системой Watson без особого вмешательства человека. Таким образом, хотя мы и разработали пилотного робота-советника, он был вдвое менее эффективен и продуктивен, чем средний менеджер по работе с клиентами. Мы извлекли из этого урок и остановили проект на ранней стадии.
Гледхилл и его коллеги продолжают оценивать новые технологии, которые могут быть полезны для совершенствования интеллектуального робота-советника, но пока они ничего не нашли. Однако по-прежнему верят в ценность ИИ. Они сосредоточили внимание на важных, но несколько менее масштабных проблемах своего бизнеса, которые могут быть хотя бы частично решены с помощью когнитивных технологий.
Проекты ИИ, реализуемые DBS, охватывают широкий спектр областей, но большинство из них касается операционных процессов. Например, банк использует модели машинного обучения для прогнозирования необходимости пополнения банкоматов наличными. Если раньше наличные в банкомате заканчивались в среднем раз в три месяца, то теперь этот показатель составляет раз в 55 лет, а количество поездок для пополнения банкоматов сократилось более чем на 10 %.
Похожие книги
