Страница 6 из 7
Еще один известный всем пример – Taobao. Taobao не является ритейлером, платформа не имеет в своем распоряжении никаких товаров, а представляет собой экосферу для розничной торговли, это ресурс для привлеченных на платформу продавцов. Именно в связи с этим Taobao и смогла добиться столь многого. Одна из важных причин успеха заключается в том, что Taobao эволюционным образом трансформировалась в огромную платформу социализации и взаимодействия. В настоящее время даже самый небольшой новый продавец на ней может в онлайн-режиме поддерживать сотрудничество с несколькими сотнями поставщиков услуг. Все, что ему требуется, чтобы задействовать соответствующие данные и сервисы, – это API[4]. Эти сервисы могут включать в себя данные аккаунта в социальных сетях по аналогии с микроблогом Weibo, кабинета финансовых услуг Ant Financial, алгоритм работ (workflow) Wangwang и различные маркетинговые продукты. Таким образом, Taobao сама по себе представляет собой исключительно сложную сеть взаимодействия, огромной ценностью в которой становится социализация (см. рис. 1.3).
Я привожу эти два примера, чтобы показать, как предприятие, которое оказалось в тисках обычной логистической цепочки и вынуждено ограничивать себя реализацией линейных контактов, может произвести реструктуризацию на интернет-платформах и тем самым перейти на взаимодействие в режиме реального времени. Это первый шаг, который должна совершить любая компания, стремящаяся к построению умного бизнеса.
Теперь мы можем обратиться ко второму ключевому концепту в рамках умного бизнеса – анализу данных. Анализ данных по своей сути – это приход машин на смену человеку в процессе принятия решений. В этом прослеживается принципиальное отличие от BI[5]. На настоящий момент многие компании имеют собственные департаменты BI, которые производят анализ данных и оказывают поддержку в принятии решений. Основным заказчиком здесь выступает топ-менеджмент. Анализ данных же делает упор на то, чтобы управленческие решения принимались напрямую машинами. Например, каждый день на Taobao производят покупки более 100 млн человек. Каждый из клиентов просматривает различные товары. Обрабатывать подобный массив информации и принимать сложные управленческие решения под силу только машинам. Здесь весьма показателен вопрос: можете ли вы целиком передать функции сотрудников машинам? Если ответ положительный – вы совершите качественный скачок по направлению к умному бизнесу.
Конечно же, принципиальной предпосылкой для передачи ответственности за принятие решений машинам является наличие условий для этого: облачные вычисления, большие данные и алгоритмы. Облачные вычисления и большие данные в данном контексте дополняют друг друга: в отсутствие облачных вычислений мы не имеем возможности с низкими затратами хранить и обрабатывать огромный массив данных; в свою очередь, обработка больших данных и содержащихся в них запросов позволяет нам повышать требования к облачным вычислениям. Эти два элемента стимулируют постоянное ускоренное развитие всей индустрии данных. Тем не менее реальную ценность облачным вычислениям и большим данным придают стоящие за ними «мозги» – алгоритмы.
Строго говоря, алгоритмы нельзя назвать машинами, это продолжение человека, технологический процесс. Алгоритмы имитируют процесс мышления и деятельность человека, превращая абстракции в определенную модель. На основе математического подхода вырабатывается примерный протокол действий в данной конкретной модели, а затем при помощи компьютерного кода выполняется команда. Мы создаем машинный мозг. Алгоритмы трансформируют процесс мышления человека в определенной ситуации в модели и коды, которые понятны и доступны для исполнения машинами. Что касается уровня развития ИИ на настоящий момент, ИИ и человеческий мозг по-прежнему имеют множество различий. ИИ, исходя из огромного массива информации, постоянно обучается и оптимизирует решения, поэтому в отсутствие больших данных алгоритмы превращаются в бессмысленный набор символов.
Именно поэтому большие данные и алгоритмы лежат в основе машинного обучения. Сочетание этих двух элементов обеспечивает ускоренный режим оптимизации и итераций. Самое лучшее доказательство важности этих факторов – привлекшее всеобщее внимание в 2016 г. состязание между AlphaGo и Ли Седолем – профессионалом мирового уровня по игре в го. AlphaGo обладала большой вычислительной мощностью и высокой обучаемостью. Платформа смогла в ускоренные сроки изучить все имеющиеся в истории самоучители по игре в го и тем самым оптимизировать процесс игры. Эти возможности позволили программе быстро обыграть человека-соперника. Появившаяся вскоре после этого знаменательного события новая версия – AlphaGo Zero – оказалась еще более продвинутой и в определенном смысле предвосхитила будущие тренды. AlphaGo Zero в игре может обходиться без архивных материалов и самоучителей. Задействован алгоритм еще более высокого уровня. AlphaGo Zero скоро превзошла AlphaGo, и этот результат является косвенным доказательством наличия пространства для дальнейших прорывов в области алгоритмов.
Машинное обучение базируется на замкнутом цикле обратной связи, и Google здесь является лучшим примером. Когда выводятся результаты поиска, первый клик (а равно и отсутствие клика) у пользователя на странице фиксируется в реальном времени. Данные в дальнейшем обрабатываются алгоритмами. Это позволяет оптимизировать результаты не только поиска для конкретного пользователя, но и для любого человека, который производит поиск по соответствующим ключевым словам. Замкнутый цикл обратной связи в процессе машинного обучения должен быть неотъемлемой частью работы. Оставляемые пользователем данные должны применяться для машинного обучения – в этом и заключается цикл умного бизнеса. Поэтому в перспективе все компании будут представлять собой сервисные предприятия. Пользователь, по сути, нуждается именно в услугах, а не собственно в товаре. В будущем каждая компания будет обязана иметь интерфейс для взаимодействия в онлайне с клиентами. Мы можем сделать еще одно предположение: производители аппаратного обеспечения в дальнейшем, скорее всего, станут частью системы предоставления услуг. Иными словами, производство больше не будет выделяться в отдельное предприятие, а станет составным элементом замкнутого цикла поставки услуг или будет самостоятельно создавать каналы для 2C[6].
Для абсолютного большинства компаний в ближайшие десять лет наибольшие сложности будут связаны с формированием способов поставки товаров и услуг, выведением в онлайн офлайн-пользователей и установлением устойчивого взаимодействия. Только реализация всего этого позволит фиксировать в реальном времени обратную связь от пользователей и оптимизировать алгоритмы и услуги. Тот, кто первым замкнет этот цикл, и будет иметь наибольшие преимущества.
Концепция «обслуживание клиентов» является классическим примером в этом контексте. Для Alibaba в прошлом большую головную боль создавало наличие масштабного штата сотрудников, непосредственно занимавшихся обслуживанием клиентов. По мере расширения бизнеса из года в год приходилось добавлять одну-две тысячи вакансий именно на должности, связанные с обслуживанием клиентов. С 2015 г., когда мы начали проводить акции по случаю 11 ноября[7], мы внутри компании попробовали использовать ИИ, чтобы отдать обслуживание клиентов в ведение роботов. Испытания прошли успешно, и уже в 2016 г. мы обратились к девяти крупным компаниям с предложением воспользоваться автоматизированными программами для обслуживания клиентов. Мы в массовом порядке запустили соответствующие алгоритмы ко Дню холостяков – 2016. К 2017 г. уже 30 000 партнеров использовали наши ИИ-протоколы, которые мы назвали «Пчелками Али» (Ali Xiaomi).
4
Application programming interface – интерфейс программирования приложений. – Прим. пер.
5
Business Intelligence – бизнес-аналитика. – Прим. пер.
6
To Consumer – для потребителя. – Прим. пер.
7
День холостяков – современный китайский праздник людей, не состоящих в браке. Связан во многом с массовыми распродажами, которые проходят в преддверии и после этого дня. – Прим. пер.