ИИ и иерархия потребностей: всем ли организациям надо самоутверждаться? Ч.1

В идеальном мире уровень автоматизации процессов должен стремиться к предельным 100%, но в реальной жизни это почти недостижимо. По мере повышения степени автоматизации растет ее стоимость и, как следствие, снижается ожидаемый экономический эффект. Как показатель уровня автоматизации бизнес-процессов 70–75% – очень приличный результат, а для ряда производственных процессов оптимальным может считаться уровень автоматизации в 50%. Не успела автоматизация дойти до своего апофеоза – достижения максимальной эффективности процессов, как появилась новая тема – цифровизация. Одна из ее ключевых целей – повышение эффективности деятельности как отдельных процессов, так и целых предприятий и, как результат, – снижение издержек. Несколько лет назад появился новый тренд, теперь еще и подкрепленный государственной политикой, – использование технологий искусственного интеллекта (ИИ).

Потребности человека и организации через призму теории Маслоу

Уровни потребностей. В пирамиду потребностей человека (пирамида Маслоу, Maslow pyramid¹) логично укладывается одна из популярных и известных теорий мотивации – теория иерархии потребностей: от простых физиологических потребностей через социальные к самовыражению.

Рис. 1. Иерархическая модель потребностей человека по Абрахаму Маслоу

Человеческую сущность этих потребностей (любовь, познание, самовыражение и пр.) в определенной степени можно перенести на организацию, владеющую собственными информационными системами.

Потребности организации. Руководствуясь логикой пирамиды Маслоу, любую потребность организации нельзя рассматривать в отрыве от уровня автоматизации ее процессов: начальный уровень автоматизации указывает на начальные потребности из иерархической модели, высокий уровень автоматизации открывает двери к ее продвинутым уровням. Закономерно, что без удовлетворения начальных потребностей скачкообразный переход к высшим потребностям не может не сопровождаться негативными явлениями: в первую очередь, это нецелевое использование ресурсов для достижения высших потребностей, которые не востребованы – например, автоматизация и цифровизация ради процесса и следования моде, а не ради результата.

Вам также может быть интересен материал Компас CIO:

Роль ИТ в современном бизнесе: самостоятельная структура или интеграция?

Обсудим преимущества и недостатки различных подходов, а также факторы выбора оптимальной модели. Рассмотрим возможные промежуточные решения и ключевые тенденции развития ИТ в финансовом секторе.

Общественные формации в зеркале ИТ

В информационных технологиях все примерно также как и в развитии общества: необходимо строго выдерживать последовательность отдельных этапов развития или общественно-экономических формаций. Если в обществе это первобытно-общинный, рабовладельческий, феодальный; капиталистический, социалистический и коммунистический строй; то в развитии организации это этапы совершенствования, автоматизации, цифровизации и т.п.

Если не соблюсти последовательность, исход будет не самыми приятным. И вот, почему:

• автоматизация не четких, хаотичных, не полных в своей совокупности бизнес-процессов приводит к возникновению явления названного «автоматизация хаоса»;
• начинать цифровизацию с низкого уровня автоматизации, не достигнув предела автоматизации и не выбрав все ее возможности, – это прямой путь к «цифровизации хаоса»;
• «недоцифровизованная» организация – организация, не получившая (не сумевшая получить) всех преимуществ перехода к цифровой модели деятельности, но смело ступающая на тропу внедрения технологий ИИ – угроза самой себе. Подобная «интеллектуализация хаоса» порождает «мыслящий хаос», несущий в себе «хаос в кубе».

Отдельно стоит отметить, что обязательность последовательности движения от одной формации к другой не влечет за собой нормированной продолжительности этапов развития, ведь они очень сильно зависят от культурно-экономических особенностей конкретной страны.

Отклонение и «перескакивание» из одного состояния в другое (без должной автоматизации к цифровизации и дальше), манкирование правилом последовательного, эволюционного развития ИТ в организации приводит к лишним тратам и разочарованиям от не достигнутых в полной мере результатов.

Собираем инструменты ИИ в классификационную пирамиду

Существует распространенная ошибка, когда при произнесении слов «искусственный интеллект», в головах пользователей смартфонов рисуется что-то уровня легендарной сети Skynet, полностью автономное, сложное и чрезвычайно инновационно-емкое и обязательно – умное. Такое превратное понимание (точнее, недопонимание) прикладной сущности ИИ вводит в искушение, вызывая желание замахнуться на внедрение самых сложных и, скорее всего, неподъемных, а главное, экономически нецелесообразных инструментов и технологий ИИ.

Чтобы этого не случилось, попробуем сформулировать простую классификацию ИИ². Все средства (инструменты, технологии) можно условно разделить на два сегмента: дискриминативный и генеративный ИИ. Средства из первого сегмента анализируют различия между наборами данных и классифицируют их. Второй сегмент содержит средства, которые используют наборы данных для обучения и генерации (комбинации) на их основе новых данных – например, ответов на запросы.

К дискриминативному ИИ можно отнести такие технологии, как распознавание образов и видеоаналитика, системы преобразования текста в речь и обратно, системы советов на основе предпочтений и т.п. (так называемые «классификаторы»). Эти технологии – начальный уровень в пирамиде потребностей в технологиях ИИ (уровень 1), освоить который сможет подавляющее большинство компаний. Стоит ответить, что такие технологии развиваются достаточно давно, и на отечественном ИТ-рынке существует множество апробированных продуктов и решений – есть, из чего выбирать.

Генеративный ИИ содержит 4 типа технологий и инструментов:

• чат-боты (уровень 2);
• роботизация бизнес-процессов (robotic process automation, RPA) (уровень 3);
• системы поддержки принятия решений (уровень 4);
• автономные интеллектуальные агенты (уровень 5, наивысший).

Их объединяет не только родственное назначение (генерация), но и общие технологии. Все чаще, хотя пока еще и не обязательно, они опираются на специальный класс систем машинного обучения – большие языковые (LLM) или мультимодальные модели (LMM)³.

Рис. 2. Основные типы технологий и инструментов ИИ, их сегментация по аналогии с теорией А. Маслоу

Чат-боты (инструменты ИИ уровня 2) обладают следующими возможностями: общаются только с человеком, предоставляют преимущественно справочную информацию и в принципе могут использовать или не использовать разные методы ИИ, включая деревья решений, простейшие возможности больших языковых моделей (large language model, LLM) и пр.

Robotic process automation (RPA) (инструменты ИИ уровня 3) – технология закрытия разрывов в полноценной автоматизации бизнес-процессов, основанная на метафорическом программном обеспечении роботов (ботов, работников искусственного интеллекта), развившаяся в самостоятельный инструмент автоматизации. Технология RPA может быть реализована и без генеративного ИИ. Свидетельство тому – многообразные продукты в классе RPA как на мировом, так и на отечественном ИТ-рынке. Это уже не новая технология, широко используемая, в частности, в компаниях выделенного сервиса – общих центрах обслуживания. Впрочем, с использованием LLM она выходит на принципиально новый уровень.

Перечисленные технологии ИИ уровней 1–3 (классификаторы, чат-боты, роботы) обладают общим свойством. Эти инструменты действуют на основе поручений, то есть не способны к «самостоятельному» принятию решений «от рождения» – by design.

Следующие два уровня в пирамиде потребностей в технологиях ИИ (уровни 4 и 5) представлены инструментами, действующими уже на основе полномочий, то есть способными принимать «самостоятельные» решения. Естественно, инструменты этих уровней также как и инструменты предыдущих двух уровней (2 и 3), относятся к сегменту генеративного ИИ.

Системы поддержки принятия решений (уровень 4)

Системы поддержки принятия решений:

• Генерируют прогнозы, тактические сценарии и/или предложения по стратегии организации, в том числе в ключевых областях ее деятельности, опираясь на всю доступную (внутреннюю и внешнюю) разнородную информацию: данные, факты, суждения – и используя для ее обработки LLM/LMM и векторные СУБД.
• Во многих случаях должны сопровождаться вспомогательными системами ИИ, основным назначением которых является понятное человеку объяснение предлагаемых мер.
• Окончательное решение в автоматизированном процессе принятия решения, как правило, остается за уполномоченным человеком.

Универсальные системы ИИ (уровень 5). Оригинальное английское название этого класса систем ИИ – GAI (General-purpose Artificial Intelligence). Они предназначены для решения достаточно широкого спектра задач. В том числе таких, которые не были детализированы в момент их проектирования/инструктирования, подобно тому, как это могут делать люди, ориентируясь в меняющейся обстановке. GAI не обязательно обладает уровнем интеллекта, подобным человеческому. К этому классу решений ИИ относятся системы машинного обучения (ML, machine learning), которые могут выполнять различные задачи: распознавание изображений, языковые переводы и анализ данных и др., но не обязательно на уровне человеческого интеллекта. GAI – практическая реализация идеальной системы AGI (Artificial General Intelligence), которая пока что воспринимается, скорее, как теоретическая концепция, чем рабочий образец.

¹ Maslow A. H. Motivation and Personality. – N. Y.: Harpaer and Row, 1954.

² Вопросу классификации систем ИИ в современном технологическом сообществе уделено достаточно много внимания. Среди всего многообразия методологий, фреймворков и документов в качестве фундаментального научного, но несколько сложного для широких кругов пользователей подхода к определению основных ИИ можно отметить ГОСТ Р 59277-2020 «Системы искусственного интеллекта. Классификация систем искусственного интеллекта».

³ LLM – large language model (большая языковая модель), LMM – large multimodal model (большая мультимодальная модель).