Книга Человек + машина - Джеймс Уилсон

Шивон Зилис, инвестор из Bloomberg Beta, пользуется Quid в самых разных аспектах своей работы. Она может потратить целый день на формулирование тезисов для доклада о зарождающемся технологическом тренде, на поиск поставщиков или консультирование компаний, в которые она инвестирует.

Не имея такого инструмента, как Quid, Зилис пришлось бы двигаться в своих исследованиях буквально на ощупь: искать в Google, тщательно подбирая запросы, либо читать новости из самых разных источников (подборка неизбежно получилась бы ограниченной). Но при помощи Quid Зилис удается визуализировать тенденции, прослеживаемые при анализе более полного набора новостных источников. Она может уловить такие взаимосвязи между технологиями, которые легко могли бы остаться незамеченными. Более того, этот инструмент усиливает научную интуицию Зилис, давая возможность ставить дополнительные вопросы, прослеживать необычные тенденции, доступные при масштабировании рассматриваемого участка сети идей. Quid дает инвестору платформу для выхода на качественно новый уровень наблюдений. Вопросы формулируются быстрее, получаются более точными и конкретными, что открывает возможности для новых и неожиданных направлений научного поиска, позволяя формулировать более умные гипотезы[50].

«Умная» автоматизированная гипотеза

По итогам наблюдений ученые формулируют гипотезы. В сущности, гипотеза — это возможное и проверяемое объяснение феномена. Что произойдет с научным методом, если гипотезы можно будет генерировать автоматически? Компания GNS Healthcare, работающая в области точной медицины, изучает такую возможность. Она использует мощный программный пакет для машинного обучения и моделирования REFS (что расшифровывается как «обратное проектирование и прогнозное моделирование»), который формулирует гипотезы непосредственно из данных с целью, например, выявить взаимосвязи в медицинских картах пациентов. В одном случае GNS удалось за три месяца воспроизвести двухлетнее исследование, посвященное взаимодействию лекарственных препаратов.

Это исследование было призвано выявить патологические побочные реакции у пожилых пациентов, пользующихся программой Medicare и принимающих несколько препаратов одновременно. Неудачные лекарственные комбинации — это большая проблема, не имеющая стандартного решения: при тестированиях, проводимых FDA[51], разные комбинации лекарственных препаратов не проверяются, поэтому нет простого способа выяснить, какие из них опасны. В прошлом исследователи полагались на научную интуицию, подсказывавшую, что лекарства со схожей ферментативной активностью могут взаимодействовать с другими препаратами аналогичным образом. Затем исследователи формулировали гипотезу — например, сочетание препарата A с препаратом B приводит к патологической реакции C, — после чего, естественно, проверяли ее. Таким методом ученые могли выяснить, что два распространенных препарата для пожилых людей негативно взаимодействуют друг с другом, но исследование позволяло выявить взаимодействие лишь между двумя конкретными препаратами.

Тестируя систему REFS, компания GNS Healthcare оценила анонимизированные данные примерно от 200 000 пациентов и обширный спектр лекарств, представленных на рынке. Глава GNS Колин Хилл — основатель и СЕО компании — заявил, что данные были зашифрованы. «Мы не знали, что за лекарства проверяем. То есть любые манипуляции исключены»[52]. Платформа машинного обучения «перебрала» примерно 45 квадриллионов гипотез и всего через три месяца выдала конечный результат: взаимодействия лекарственных препаратов, которые с наибольшей вероятностью могли приводить к осложнениям.

Хилл утверждает, что люди из его команды не знали, верны ли полученные ими результаты; они просто передали эту информацию ученым, изучающим взаимодействия лекарственных средств. Оказалось, что REFS действительно выявила взаимодействие, на подтверждение которого ученым потребовалось два года. Удалось обнаружить взаимодействие препаратов, которое обсуждали между собой лишь пациенты, а официально его никто не изучал. Исследователи смогли проверить собственные наблюдения, собранные годом ранее, а затем посмотреть записи и увидеть, какие взаимодействия программа обнаружила год спустя. Именно там, в их собственных записях, удалось подтвердить причинно-следственную связь, прежде незамеченную. «Впервые мне довелось узнать, как эти машины добывают новые медицинские знания, — сказал Хилл, — прямо из данных. Человек не участвовал в этом открытии»[53].

GNS Healthcare демонстрирует, что, когда искусственный интеллект привлекается к научному методу на этапе формирования гипотез, удается обнаруживать ранее не выявленные корреляции и причинно-следственные связи, а также существенно сократить издержки. Недавний успех GNS связан с радикальным переосмыслением бизнес-процесса: компании удалось без предварительных гипотез или предположений, а только с помощью метода обратного проектирования воспроизвести PCSK9 — класс препаратов, снижающих уровень «плохого» холестерина в крови. Потребовалось 70 лет, чтобы открыть PCSK9; за десятилетия на исследования были потрачены десятки миллиардов долларов. Применяемые же в GNS модели машинного обучения на основе исходных данных смогли воссоздать всю известную биологическую активность липопротеинов низкой плотности (ЛПНП) всего за десять месяцев и менее чем за миллион долларов.

Переворот в дизайне

Гипотезу необходимо подтвердить или опровергнуть. Это происходит на этапе тестирования, который во многих организациях тесно связан с продуктовым дизайном. Здесь компании могут применять искусственный интеллект и большие данные для рассмотрения бесчисленных альтернатив и последующего сужения поля экспериментов для выбора наиболее перспективных вариантов. Как и в примерах, рассмотренных выше, в данном случае искусственный интеллект помогает организациям перенаправить ресурсы, в том числе наиболее ценный человеческий ресурс, на более важные виды деятельности.

Рассмотрим Nike — компанию, недавно применившую искусственный интеллект для решения конкретной проблемы: проектирование более качественных шиповок для спринтеров. Задача: жесткая шипованная пластина прямо под пальцами спортсмена заставляет его бежать на носочках в буквальном смысле слова. Бегун получает прочную опору, которая обеспечивает максимальное сцепление с поверхностью и облегчает отталкивание. Жесткость проще всего обеспечить за счет сравнительно тяжелых материалов, что увеличивает вес обуви и снижает скорость спринтера.

Дизайнеры Nike, воспользовавшись разработанным в компании ПО, смогли сбалансировать жесткость шипованной пластины и вес обуви, создав новые шиповки буквально с нуля. Вероятно, если бы дизайном занимался человек, он бы начал с имеющейся модели и постепенно совершенствовал ее, пока не пришел к удовлетворительному решению. И все равно оно было бы хуже, чем решение, предложенное машиной. Nike изготовила на 3D-принтере несколько прототипов и испытала их; этот цикл повторялся множество раз, пока не был найден лучший вариант. Финальная модель кроссовок позволяет спринтеру выиграть 1/10 секунды, а такое преимущество порой отделяет первое место от четвертого. Скорость разработки прототипов спортивной обуви Nike позволяет оценить, как искусственный интеллект трансформирует следующий этап научной работы. Интеллектуальные алгоритмы существенно сокращают время, затрачиваемое на испытания[54] (подробнее об использовании искусственного интеллекта при проектировании изделий см. врезку «Искусственный интеллект в разработке продуктов и услуг»).