Как Alibaba изменила взгляд на бизнес-процессы и создала собственную цифровую экосистему

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


2019-03-23 22:30

цифровизация

Отрывок из книги «Alibaba и умный бизнес будущего».

Издательство «Альпина» в апреле выпустит книгу «Alibaba и умный бизнес будущего». Её автор Цзэн Мин — главный стратег компании, председатель Академического совета Alibaba Group — рассказывает о внутренней кухне Alibaba, основных стратегиях и нюансах смарт-бизнеса, а также создании цифровой экосистемы, основанной на обработке данных и интеллектуальных помощниках.

Редакция vc.ru публикует главу из книги под названием «Интеллектуальная обработка данных», которая рассказывает о том, как технологии машинного обучения помогали в запуске собственного онлайн-банка и обрабатывают каждую транзакцию во всех бизнесах корпорации.

Как машинное обучение, опирающееся на данные, приводит к рождению смарт-бизнеса

Ежемесячно более полутриллиона пользователей открывают приложение Taobao. Они бродят по крупнейшему в мире виртуальному торговому центру, переходя из одного магазина в другой и разглядывая самые удивительные продукты с наилучшими ценами. Однако конечный пользователь видит только вершину айсберга Alibaba.

Средний потребитель даже не подозревает, что на выбор ему представлено более чем 1,5 млрд товарных позиций (для сравнения скажу, что в 2017 году Walmart предлагал 17 млн позиций, а Amazon — 350 млн), предлагаемых миллионами продавцов .

В случае продавцов ситуация практически ничем не отличается. Среднему продавцу нужно лишь знать, что инструменты и окна приложений хорошо работают и помогают находить необходимые сервисы и оптимизировать бизнес продавцов.

В День холостяка 2017 года коммерсанты обращались к информационно-аналитическим онлайновым панелям Tmall более 11 млрд раз для мониторинга своего бизнеса в реальном времени. (За эти 24 часа коммерсанты в среднем потратили 93 минуты и 15 секунд на просмотр и анализ данных по трафику и продажам.)

Мало кто из коммерсантов знает, что для поддержания нормального функционирования торговой площадки алгоритмы безопасности Alibaba работали круглые сутки, прочесывая платформу в поисках спама и незаконных действий. Эти алгоритмы выполняли 30 млрд сканирований в день, обеспечивая многоуровневое обнаружение попыток вмешательства.

На поверхности этой обширной розничной сети не видно второй половины нашей стратегической формулы — интеллектуальной обработки данных, сочетания данных, алгоритмов и адаптивных сервисов. Объединяя все сервисы покупателей и продавцов, платформы Alibaba перерабатывают объем информации, эквивалентный 20 млн фильмов высокой четкости в день.

Наш технологический комплекс — набор программ, управляющих инфраструктурой платформы, — может обрабатывать на пике более 8 млрд обращений к внутренним данным. Поддержание такого потока внутренних данных является без преувеличения техническим подвигом, именно поэтому компании вроде Alibaba и Amazon считаются ведущими в мире поставщиками облачных сервисов.

Я оперирую термином «интеллектуальная обработка данных»,чтобы привлечь внимание к тому, как непрерывный поток данных, генерируемых в результате взаимодействия с пользователями, может использоваться алгоритмами машинного обучения для превращения обычного бизнеса в смарт-бизнес. Информационный поиск Google в интернете, рекомендательная система Taobao и подбор совпадающих маршрутов Uber — все это примеры интеллектуальной обработки данных.

Эти компании пропускают собранные данные через определенные алгоритмы и выдают в реальном времени непрерывно обновляемые и актуальные для клиентов результаты. Большинство операций таких компаний с клиентами почти не требует вмешательства человека. Люди не участвуют в передаче заказа автомобилю Uber и в выдаче рекомендаций по выбору платья на Taobao — это делают алгоритмы. Хотя над созданием таких сервисов трудилась огромная масса людей, после их внедрения бизнес идет практически самостоятельно.

Данная модель открывает удивительные возможности. В результате автоматизации процесса розничной торговли примерно 30 тысяч работников Alibaba могут добиться объема продаж, сопоставимого с Walmart, где работают 2 млн человек. (У Alibaba более 50 тысяч работников по всему миру, однако не все они занимаются ключевой для компании электронной коммерцией.)

С анализом карт и перебором вариантов компьютер справляется намного быстрее и лучше, чем диспетчер, — это позволяет Uber минимизировать время ожидания. Интеллектуальная обработка данных, таким образом, становится самым важным источником конкурентного преимущества.

Вместе с тем мало кто из деловых людей понимает, как распространить такую возможность практически на все виды деятельности, несмотря на внимание, которое СМИ уделяют сегодня технологиям машинного обучения. А внимание это не случайно — сочетание облачных и мобильных вычислений, прогресса в датафикации (преобразовании деятельности или явления в форму, понятную компьютерам) и особенно прогресса в сфере искусственного интеллекта открывает действительно новые возможности, изменяющие и характер работы компаний, и характер конкуренции. В этой главе рассматриваются последствия использования технологий машинного обучения для встраивания интеллектуальной обработки данных в деятельность компаний.

Машинное обучение: интеллект в сфере обработки данных

Строго говоря, машинное обучение — это одна из технологий искусственного интеллекта, однако быстрый прогресс машинного обучения практически затмил другие подходы. В основе машинного обучения лежат алгоритмы, которые описывают оптимизируемые параметры или цели, но не устанавливают правил, которые должны жестко соблюдаться.

Отсутствие жестко заданных правил отличает этот подход от множества других, где иерархические, основанные на правилах инструкции точно определяют, что должен делать компьютер.

Функционирование программ машинного обучения больше похоже на естественный отбор. То, что работает, закрепляется, а то, что нет, —отмирает. Возьмем для простоты проблему подбора очков с использованием механического устройства. Офтальмолог поворачивает линзу и спрашивает, лучше или хуже вы видите буквы на противоположной стене.

Врач повторяет эту процедуру многократно до тех пор,пока не найдет наилучший вариант. Алгоритм работает аналогично. Он берет каждый новый элемент данных и спрашивает, лучше или хуже становится результат.

Алгоритмы машинного обучения самосовершенствуются в процессе обработки больших массивов данных. В 2017 году небывалый ажиотаж, особенно в Китае, вызвал успех программы машинного обучения под названием AlphaGo. Программа обыгрывала мастеров китайской игры го, в которой вариантов ходов на сотни миллионов больше, чем в шахматах. Программисты «обучили» AlphaGo, заставив ее сыграть в го с собой миллионы раз. В результате программа смоделировала бесчисленные ходы и контрходы. Иными словами,она «знала», как развивается большое множество сценариев.

В действительности, однако, компьютер ничего не знал об игре. AlphaGo не нацеливали на то, чтобы она ставила фишку в определенное место,когда соперник делал ход. Вместо этого программа фиксировала положение фишки, а затем, используя миллионы вариантов, рассчитывала вероятность исхода любого возможного хода и выбирала лучший.

Специалисты по обработке и анализу данных постоянно обнаруживают новые способы моделирования проблем и расширяют возможности алгоритмов машинного обучения. Они также делают их многоуровневыми и заставляют работать вместе. Базовая алгоритмическая система Uber связывала заказчиков и автомобили предельно быстро.

Компания затем пошла дальше и разработала алгоритмы, которые динамически дифференцировали цену так, что за быструю подачу автомобиля под проливным дождем приходилось платить больше. Google получает миллиарды долларов за рекламу в результате встраивания аукционной модели в алгоритмы, учитывающие результативность — количество продаж или переходов по ссылкам —при определении цены. Рекомендационная система Taobao максимизирует то, что привлекает каждого потребителя, используя индивидуальное и коллективное знание.

Вклад больших данных

Расширение возможностей алгоритмов машинного обучения позволило повысить эффективность компьютерной обработки данных и увеличить объем самих данных — онлайновое взаимодействие приводит и к появлению крупных массивов данных, и к непрерывному потоку новых данных. AlphaGo обучилась, играя сама с собой, однако большинство алгоритмов машинного обучения должно обучаться в процессе обработки огромных массивов данных обычно до того, каких представят публике.

Итеративный процесс машинного обучения предполагает обработку больших массивов данных с последующим улучшением внутренней калибровки, которое позволяет получать более точные результаты. Проделав подготовительную работу, компания может ввести алгоритм в действие в реальном времени с реальными клиентами. Такие алгоритмы продолжают совершенствоваться по мере переваривания потока данных, например во время событий наподобие Дня холостяка 2017 года, когда наша платформа обрабатывала на пике 325 тысяч транзакций в секунду (примерно 20 млн транзакций в минуту).

Облачный эффект

Для выполнения операций в таких масштабах необходимы огромные вычислительные мощности, которые были недоступны до появления облачных вычислений. В Соединенных Штатах пионером в этой сфере стала Amazon — облачный гигант в отрасли, где доминируют традиционные ИТ-игроки вроде IBM и Microsoft. Первоначально облачные вычисления потребовались Amazon для разгрузки серверов, которые захлебывались в потоках данных, связанных со складскими и логистическими услугами.

Облачные вычисления позволяют получить доступ к обширному банку дешевых серверов и, таким образом, повысить вычислительную мощность, скорость и надежность и обеспечить экономию. Созданное как коммерческая услуга, облако дает компаниям возможность приобретать небольшие части вычислительной мощности и, таким образом, превращать постоянные затраты на собственные сервера в переменные.

На облачное отделение Amazon приходится более 10% совокупных продаж компании. Вложения Alibaba в облачные вычисления объясняются вовсе не желанием скопировать подход Amazon. Еще в 2008 году руководство Alibaba осознало, что плата таким поставщикам ИТ-услуг, как Cisco и Oracle, скоро превзойдет весь поток доходов компании, а не просто ее доходы от электронной коммерции.

Не дожидаясь этого, Alibaba решила вложить средства в создание собственного облака. Однако этот масштабный проект натолкнулся на сильное внутреннее сопротивление. Инженерам пришлось работать до изнеможения, и некоторые решили уйти из компании. Тем временем служба эксплуатации жаловалась на ошибки и системные сбои.

Создание облачных ресурсов — сложное и чрезвычайно дорогое удовольствие. Без острой внутренней потребности ни Amazon,ни Alibaba никогда не поднялись бы на вершину ИТ-отрасли, довольно отдаленно связанной с их основными видами деятельности.

Сегодня Alibaba Cloud — крупнейший в Китае провайдер облачных вычислений и официальный партнер Международного олимпийского комитета в этой области. Alibaba Cloud также поддерживает развитие аналитических и алгоритмических сервисов для пользователей и содействует формированию общекитайского сообщества разработчиков.

Особенно важно то, что коммерциализация облачных вычислений сделала масштабные вычислительные мощности общедоступными, во многом похожими на коммунальные услуги. Стоимость хранения и генерирования больших массивов данных сильно упала с начала нынешнего столетия. Это означает, что бизнес сейчас вполне может позволить себе использовать возможности машинного обучения в реальном времени.

Роль мобильных вычислений

На другом фронте находятся мобильные вычисления, которые обеспечивают считывание данных с какого-либо устройства в любом месте реального мира и их передачу по сети с использованием беспроводного или иного доступа.

Например, для использования множества возможностей смартфона — загрузки интерактивных карт, осуществления звонков, воспроизведения текстов, фотографий и видео,выполнения поиска — требуется скачивание огромного объема данных из сети. Нарождающийся интернет вещей приведет к передаче еще большего объема данных — это «датафикация» реального мира новыми способами.

Все новые и новые технологии для оцифровывания сложных проблем и нечетких явлений открывают перед компаниями возможности по использованию данных для получения знаний и даже создания новых видов бизнеса.

В качестве небольшого, но показательного примера приведуAugury — этот стартап, имеющий офисы в Нью-Йорке и Израиле, разработал устройство типа стетоскопа для регистрации звука, издаваемого различными машинами серийного производства. С помощью алгоритма в облаке Augury может проводить цифровую «физическую диагностику» и передавать результаты через приложение в телефоне. Если машина «нездорова», Augury определяет проблемы и предлагает решения. Если все в порядке, Augury сохраняет результаты для использования в качестве эталона в будущем.

Augury может непрерывно накапливать тренды и статистику по множеству машин с целью информирования производителя или улучшения обслуживания клиентов. Размер промышленного рынка интернета вещей, по оценкам,составит $320 млрд к 2020 году.

При использовании интеллектуальной обработки данных рутинное занятие, в данном случае техническое обслуживание, превратилось в прибыльный смарт-бизнес. В июне 2017 года Augury закрыл раунд финансирования серии B, получив $17 млн для продолжения коммерциализации своей технологии.

Когда все эти инструменты объединяются, результатом становится интеллектуальная обработка данных. Данные собираются в процессе ведения бизнеса, обрабатываются с помощью алгоритмов машинного обучения и возвращаются обратно, образуя цикл обратной связи, поддерживающий принятие бизнес-решений. Этот эффективный цифровой цикл и является по существу интеллектуальной обработкой данных. Компания обучается в реальном времени, а продукт эволюционирует по мере формирования потребностей клиентов, и это дает всегда новый и все более удовлетворительный результат.

Служба Google Maps первоначально была картографическим приложением с доступом через веб-браузер на персональном компьютере. Когда Google Maps запустили на Apple iPhone, она превратилась в один из самых первых успешных мобильных сервисов. Сочетание было подлинным смарт-бизнесом. До Google Maps работать с GPS было довольно неудобно — имелись лишь статические карты, которые никогда не совпадали с текущей ситуацией на дороге.

Google Mapsс делала навигацию онлайновой. Сервис непрерывно совершенствуется по мере накопления данных, уточняет карты и находит более рациональные маршруты. Если вы пропустили поворот — не проблема, маршрут перестраивается. Навигационное приложение Wazeрасширяет возможности индивидуальных пользователей по вводу данных в реальном времени о месте расположения ямы на дороге,поста полиции и тому подобное.

Рассмотрим более подробно, как Ant Financial Services, партнер компании Alibaba, создала систему интеллектуальной обработки данных и превратилась в 2017 году в компанию стоимостью более $60 млрд.

Интеллектуальная обработка данных в Ant Financial и MYbank

В Китае нет развитой финансовой системы. Банковским делом исторически занималось государство, которое ориентировалось на крупные государственные предприятия и индивидуальных вкладчиков.Кредитование мелких и средних предприятий, существенная и стандартная часть американского финансового рынка, не входило в сферу интересов большинства китайских банков.

Дело сдвинулось с места после появления в Китае частных банков. Вместе с тем под «кредитами для малого бизнеса» по-прежнему понимаются суммы не менее $1 млн, а потому они остаются недоступными для десятков миллионов действительно мелких компаний.

В отсутствие официальной истории кредитования малого бизнеса в Китае теряет смысл кредитный скоринг и другие оценки кредитоспособности. Многие небольшие компании полагаются на неофициальные или личные каналы получения капитала. Ситуацию усугубляет то, что средний представитель малого бизнеса в Китае не имеет адекватного (или хотя бы точного) учета хозяйственной деятельности,а это делает подачу заявки на кредит практически нереальной даже в самых сговорчивых институтах.

В результате кредитный ландшафт для малого бизнеса очень мрачен, нередко толкает компании в объятья местных ростовщиков и заставляет брать кредиты у непрофессиональных институтов по запредельным ставкам. Компании на платформах Alibaba в большинстве своем очень маленькие, и им крайне трудно получить кредит для расширения деятельности.

В 2012 году мы увидели такую потребность у наших клиентов и поняли,что можем создать ценный и дополняющий бизнес-сервис. Помимо разработок в сфере машинного обучения и доступа к огромным массивам данных у нас было все необходимое для создания эффективного, масштабируемого и прибыльного бизнеса по кредитованию малых и средних компаний. Этот бизнес назвали Alibaba Microloans и сделали частью Alipay, которая позднее превратилась в Ant FinancialServices.

Сегодня этим микрофинансовым бизнесом занимается MYbank, онлайновый кредитор, основанный в 2014 году как один из пяти первых полностью частных банков Китая. MYbank — полностью виртуальный банк, не имеющий офлайновых офисов. (MYbank на 30% принадлежит Ant Financial).

Упреждая вопросы читателей, скажу, что название Ant — «муравей» — было выбрано потому, что логотипом организации служит образ муравья. Нам хотелось подчеркнуть, что мы помогаем маленьким компаниям, похожим на муравьев. Кроме того, это название символизирует нашу стратегию: поскольку муравью нужно очень мало, мы не несем угрозы крупным традиционным кредитным организациям).

Наш микрокредитный бизнес начал с обслуживания миллионов продавцов на Taobao и Tmall, предлагая кредиты размером от нескольких сотен юаней (порядка $50) до 1 млн (примерно $160 тысяч) на срок до трех месяцев. К декабрю 2016 года MYbank (вместе с его предшественником Alibaba Microloans) предоставил кредиты объемом более 87 млрд юаней ($13,4 млрд) почти трем миллионам небольших компаний и предпринимателей из 32 провинций и административных округов Китая.

Если взять один MYbank, то он прокредитовал 1,17 млн сельских пользователей, предоставив им более 40 млрд юаней ($6,15 млрд). Из этой суммы почти 4 млрд юаней пошли на кредитование 1,86 млн владельцев бизнеса из крайне бедных административных округов.

Более половины кредитов онлайновый банквы дал компаниям и физическим лицам из городов третьего, четвертого и пятого уровня. (Половина владельцев малых предприятий моложе 30 лет.) Пользователь может подать заявку на кредит размером хоть в 1 юань ($0,15), а средний размер кредитной заявки составляет 8 тысяч юаней ($1231).

Для сравнения: средний размер минимального кредита в китайских банках составлял 6 млн юаней (чуть меньше $1 млн), когда Alibaba запускала свой микрокредитный бизнес.

Многие клиенты MYbank — это физические лица с минимальными образованием и ресурсами. У них нет возможности предоставить обеспечение, и зачастую они не могут представить хороший баланс.Так или иначе, когда продавцы подают кредитную заявку, от них не требуют никаких документов. Решение об одобрении заявки или отказе принимается за несколько секунд.

Кредитные средства поступают на онлайновый счет продавца в Alipay уже через три минуты. Главное — то, что при таком размахе операций кредитный бизнес MYbank устойчив: уровень дефолтов по кредитам у него не превышает 1%. Успех MYbank обусловлен встраиванием в бизнес интеллектуальной обработки данных, системы кредитования на основе машинного обучения.

На базовом уровне кредитным организациям при встрече с потенциальным заемщиком необходимо принять решение всего по трем вопросам: стоит ли кредитовать его, какую сумму предоставить и под какой процент. Как известно любому, кто обращается за кредитом, ответы на эти вопросы зависят от кредитной истории заемщика —от его кредитоспособности. Обычный метод ее оценки — сбор и обработка кучи документов в расчете получить полезную информацию.

В отличие от этого у MYbank нет сложности с доступом к информации о потенциальных клиентах, поскольку они ведут бизнес на платформах Alibaba или пользуются продуктами Alipay и Ant Financial. Авторизовавшись, кредитор может просмотреть данные по транзакциям и получить ответы на многие вопросы. Насколько успешно идет бизнес продавца? Был ли он замечен в поступках, подрывающих доверие?

MYbank может даже задавать вопросы, ответ на которые традиционному банку получить крайне трудно: могут ли друзья продавца похвастаться высоким кредитным рейтингом? Сколько времени продавец работает в онлайне? Насколько предложения продавца конкурентоспособны на рынке? Данные в сети намного богаче и точнее,чем то, что банк может получить из документации или из традиционного кредитного скоринга.

Машинное обучение в Ant-стиле

Секрет успеха микрокредитного бизнеса Alibaba кроется не просто в горах данных о продавцах на Taobao, но и в искусственном интеллекте, встроенном в его модель. Специалисты по обработке и анализу данных в MYbank сравнивают группы хороших заемщиков (тех, кто возвращает деньги в срок) и плохих (тех, кто допускает просрочку), выделяют характерные черты этих групп и рассчитывают кредитный скоринг для всех клиентов.

Такой подход к кредитному скорингу может показаться простым и даже старомодным. Однако в нем есть революционный момент — сравнения выполняются в реальном времени машинными программами, или алгоритмами, по всем заемщикам, а не по выборкам, и по всем имеющимся данным об их поведении по тысячам характеристик, а иногда и по сотням тысяч.

Транзакции, контакты с покупателями, товарный ассортимент в магазине, связи с другими сервисами на Taobao, все, что регистрируется на платформе, влияет на их кредитный скоринг.

Алгоритмы, которые рассчитывают кредитные скоринги, эволюционируют в реальном времени, постоянно повышая качество принимаемых решений. Модель MYbank построена на вероятностном рассуждении, а не на точной теории, определяющей, почему различаются определенные характеристики у хороших и плохих заемщиков. Алгоритмы непрерывно улучшают собственную предсказательную способность.

Если продавец с ужасным кредитным скорингом погашает кредит вовремя или продавец со звездным скорингом допускает катастрофическую просрочку, алгоритмы должны внести коррективы.Они построены так, что очень просто проверить исходные допущения и сделать небольшие, но важные изменения.

Какие параметры следует добавить или удалить? Каким параметрам, связанным с тем или иным поведением пользователя, следует присвоить больший вес? Большинству банков для перекалибровки моделей требуется не менее полугода.

MYbank использует аналогичные методы определения размера предоставляемого кредита и процентной ставки. Для расчета кредитного лимита специалисты MYbank должны проанализировать множество дополнительных видов данных: валовую маржу, оборачиваемость запасов, а также более туманную с математической точки зрения информацию вроде жизненного цикла продуктов и качества социальных и деловых связей продавца.

В отношении жизненного цикла продукта аналитики могут поинтересоваться, является ли тот или иной продукт новым, завоевывающим рыночную долю. Выставлен ли продукт на распродажу? Насколько близок момент его устаревания и снижения цены? В плане оценки качества взаимосвязей интерес представляют частота, продолжительность и тип коммуникации (мгновенные сообщения, электронные письма или другие, более привычные для китайского интернета, чем для американского, виды взаимодействия).

Аналитики изучают и выясняют, какие элементы данных несут нужную им информацию, и разрабатывают алгоритмы для их обработки.Чем больше данных и лучше модель, тем точнее можно определить,какую сумму предоставить и под какой процент. Машинное обучение позволяет MYbank стабильно снижать риск и затраты. В результате повышается удовлетворенность клиентов — они получают необходимые деньги, когда им нужно, и под приемлемый для них процент.

Три краеугольных камня смарт-бизнеса

Для функционирования бизнес-модели MYbank необходимы три фундаментальных аспекта: адаптируемые продукты, датафикация и машинное обучение (итеративные алгоритмы). Все они имеются у MYbank. Во-первых, это кредиты переменных размеров с переменными условиями, зависящими от потребностей клиентов. Во-вторых, данные обо всех сторонах бизнеса заемщиков MYbank находятся в сети. И в-третьих, все данные обрабатывают с помощью тщательно сконструированных алгоритмов машинного обучения.

Адаптируемые продукты

Алгоритмы не могут выполнять итерации без продуктов — онлайнового потребительского интерфейса, который непосредственно взаимодействует с клиентом и одновременно получает от него обратную связь, необходимую для подстраивания алгоритмических моделей.

Знаменитая поисковая строка Google — классический пример продукта (рисунок 3.1). Клиенты вводят ключевые слова в строку и сразу видят продукт — искомую страницу. Google вкладывает огромные ресурсы в разработку этого продукта, с тем чтобы клиенты могли находить нужную им информацию как можно быстрее и с наименьшими затратами сил.

Когда Alibaba начала создавать свой онлайновый кредитный бизнес, мы шли примерно тем же путем. Кредитный продукт встраивался в онлайновый рабочий стол продавцов Taobao. Все, что требовалось от клиента, это кликнуть по продукту и практически тут же получить средства.

Смарт-дизайн компьютерных интерфейсов критически важен для успеха интернет-компаний: лента новостей на Facebook, несколько сотен символов в сообщении Twitter, функция «delete after you read» в Snapchat — все это привлекательные и удобные интерфейсы для клиентов.

Еще важнее то, что они работают совместно с системой интеллектуальной обработки данных в облаке (внутренние вычисления не видны потребителям). Кроме того, в них предусмотрена система обратной связи с алгоритмами машинного обучения. Полученные в результате новые знания используются в продукте для улучшения обслуживания пользователя.

В этом смысле продукты будущего, умеющие самостоятельно адаптироваться к потребностям пользователя и к окружающей среде, приобретают качество, которое обозначают словом «смарт».

У таких продуктов общая философия дизайна. Для компаний онлайновые продукты являются критически важным интерфейсом между технологией машинного обучения и бизнес-проблемами.С деловой точки зрения интерфейс связывает клиента с фирмой,которая получает возможность наблюдать за поведением клиента и его предпочтениями с прицелом на ключевую проблему, решаемую ею в интересах клиента.

Данные, генерируемые в результате такого взаимодействия, становятся исходным материалом для алгоритмов.Таким образом, дизайн интерфейса определяет объем, особенности и качество данных, собираемых о клиенте. С точки зрения технологии продукты являются средой, через которую результаты машинного обучения представляются клиенту.

В какой мере технология машинного обучения может реально влиять на качество обслуживания клиента, зависит от дизайна продукта и его реализации. Хорошо продуманный продукт обеспечивает машинному обучению широкие возможности по созданию реальной стоимости, как это происходит в случае адаптируемых кредитов MYbank.

Для многих традиционных отраслей создание адаптируемого продукта является сложной проблемой. Для смарт-компаний — это источник жизненной силы. Компании будущего немыслимы без интернет-компонента, обеспечивающего прямое взаимодействие с клиентами,независимо от того, какие физические продукты они станут создавать и продавать.

Даже в случае продажи продуктов не конечным потребителям у компании все равно остается возможность получать информацию и взаимодействовать с клиентами. Интеллектуальная обработка данных, осуществляемая по всей цепочке создания стоимости, будет усиливать сетевую координацию.

Датафикация и живые данные

Отправной точкой для создания смарт-системы, которая лежит в основе функционирования MYbank, является представление бизнес-проблем в цифровой форме. Как превратить офлайновую коммерческую деятельность в данные? Оцифровывание простых операций и показателей объема продаж, которые и так существуют в численной форме, не представляет проблемы, а вот другие ценные аспекты придется описывать косвенным образом.

Например, для измерения серьезности и активности продавца наш кредитный продукт поначалу оценивал, сколько секунд он тратит на ответ клиенту и как клиент отзывается о продуктах и обслуживании. Использование таких данных было бы немыслимо, если бы стоимость их получения в сети не стала пренебрежимо малой. Постепенно Ant и MYbankперешли на более сложные данные, на основе которых воссоздавался круг общения продавцов и оценивалась валовая маржа их компаний.

Датафикация, под которой понимается перевод деятельности илиявления в понятную для компьютеров форму, редко дается легкои обходится дешево, однако это самая важная часть интеллектуальной обработки данных. Я оперирую словом «датафикация» вместо более распространенного понятия «оцифровывание», которое ассоциируется с преобразованием слов и чисел в бинарный код, с тем чтобы подчеркнуть широту типов регистрируемых данных и намерение использовать их в приложениях и для генерирования знания.

Для датафикации необходимы изобретательность и упорная работа.Google превратила целое море веб-страниц в данные с помощью своих поисковых роботов (простых программ, которые выискивают определенную информацию в сети). Facebook перенес социальные взаимосвязи в сеть; Fitbit со своими фитнес-трекерами начала датафицировать функционирование нашего тела.

Сигеоми Косимидзу из японского Института передовых технологий создал цифровой образ пятой точки человека. Шутки шутками, но эта технология позволяет распознать, действительно ли за рулем автомобиля находится его владелец, или подать сигнал, если сидящий на месте водителя уснул или потерял сознание.

Получение данных, необходимых бизнесу, может оказаться сложной задачей. Деревня все еще нуждается в электрификации, в переносном смысле, конечно. Я буду обсуждать шаги в направлении датафикации, которые позволят бизнесу справиться с этой проблемой, в главе 4.

Вряд ли Alibaba смогла развернуть микрокредитование, если бы Ant пришлось добывать необходимые для ее моделей данные самостоятельно.

Данные даже на самом базовом уровне (функционирование витрины) являются результатом более чем десятилетнего развития Taobao. Рекламная система Google работает так четко потому, что она уже бесчисленное множество раз использовала свою поисковую функцию. Смарт-бизнес раскрутить очень тяжело,поскольку трудно даже сказать, какие именно данные нужно собирать.

Датафикация — творческий и дорогостоящий процесс проб и ошибок. Впрочем, сложность датафикации резко уменьшается по мере того, как все больше и больше данных оказывается в сети, например в результате развития интернета вещей. Чем больше источников данных окружает бизнес, тем меньше средств приходится вкладывать компании, чтобы создать новую стоимость.

Машинное обучение: итеративные алгоритмы

Данные позволяют создавать стоимость только тогда, когда они обрабатываются в системе машинного обучения. С точки зрения бизнеса алгоритмы должны выявлять базовую логику продукта или маркетинговую динамику, которую компания пытается оптимизировать. Помимо постоянного самосовершенствования алгоритмические системы могут тестировать различные сценарии для улучшения результатов деятельности компании.

Например, специалисты MYbank по обработке и анализу данных экспериментируют с кредитным интерфейсом, предлагая разным группам продавцов разные процентные ставки и оценивая в реальном времени долю ответивших. Каждый раз, когда модель предлагает продавцу конкретную процентную ставку, платформа в реальном времени фиксирует его реакцию — от момента принятия условий кредита до момента погашения.

Полученные данные вводятся в модель кредитования с целью корректировки ее параметров, порождая постоянный поток микроизменений.

Широко распространенную в интернет-компаниях практику, при которой исследователи сравнивают два варианта (A и B) и смотрят, какой из них дает лучшие результаты, нередко называют A/B-тестированием. В результате онлайновых экспериментов в реальном времени алгоритмы могут получать прямую обратную связь от потребителей и, таким образом, непрерывно самоподстраиваться.

Цифровой ответ инициирует корректировку, которая дает новый ответ потребителю, инициирующий еще одну корректировку, и так далее, порождая бесконечный процесс совершенствования продукта и улучшения обслуживания пользователя.

Когда все бизнес-операции станут онлайновыми, данные будут поступать со всех участков и от всех процессов. Фирмам придется решать, как поступать с ними, интерпретировать и применять с пользой. Руководители компаний по всему миру видят, что многие решения уже не могут опираться исключительно на профессиональное суждение, а должны приниматься на основе интеллектуальной обработки данных.

Потребности сетевой координации в интеллектуальной обработке данных становятся все больше. В будущем автоматизированные аукционы могут распределять заказы между конкурирующими производителями или организовывать необходимые поставки. Пока такие возможности находятся в зачаточном состоянии, однако у них огромный потенциал.

Интеллектуальная обработка данных в действии

Для определения применимости интеллектуальной обработки информации в вашей компании нужно посмотреть, принимаются ли конкретные бизнес-решения машинами или они пока еще возложены на людей, пользующихся аналитической информацией.

Alibaba запустила чат-бот на основе искусственного интеллекта для помощи в обработке запросов клиентов в 2016 году. Этот чат-бот,получивший название AliMe, не похож на знакомые большинству людей роботизированные службы, которые просто подбирают запрограммированные ответы из своего репертуара, подходящие к вашему запросу.

AliMe обучается у опытных коммерсантов с Taobao. С помощью этих «преподавателей для роботов» чат-боты в каждом магазине знакомятся со всеми его продуктами. В то же время они хорошо осведомлены о механизмах платформ Alibaba: политике возврата,стоимости доставки, порядке изменения заказа или адреса получателя — в общем, обо всем, что может спросить клиент.

Используя различные технологии машинного обучения вроде смыслового восприятия, контекстных диалогов, графов знаний и глубокого обучения, чат-бот быстро приобретает способность выявлять и устранять проблемы потребителя, а не просто давать статические ответы, подталкивающие потребителя к дополнительным действиям. AliMe получает от клиента подтверждение приемлемости предложенного решения,а затем исполняет его.

Вмешательство со стороны Alibaba или коммерсанта минимально. Чат-бот может даже вносить значительный вклад в валовую выручку продавца. Одежный бренд Senma начал использовать чат-бот год назад и обнаружил, что его вклад в объем продаж составил 200 млн юаней ($30,8 млн), в 26 раз больше, чем вклад лучшего партнера коммерсанта.

Представителям по работе с клиентами на Wangwang все еще приходится участвовать в сложных или личных переговорах. Однако возможность автоматической обработки рутинных запросов очень полезна в дни с высоким объемом продаж, в частности при распродажах.

Так или иначе, на время масштабных событий большинство крупных продавцов нанимают дополнительных работников для обслуживания запросов потребителей. Насколько полезен чат-бот? Во время Дня холостяка 2017 года AliMe взял на себя более 95% поступивших запросов и дал ответы более чем 3,5 млн потребителей. (Заметьте, хотя мы очень гордимся нашим чат-ботом, это не аналог универсального цифрового помощника, над созданием которого Apple, Google или Facebook работают уже не один год).

Будущее уже здесь

По мере того как Taobao применяет интеллектуальную обработку данных для решения все большего числа бизнес-проблем, она приобретает все большее конкурентное преимущество. Взять хотя бы технологию распознавания образов, которая уже используется платформой во многих областях.

Программы оптического распознавания символов идентифицируют вредоносную рекламу, скрытую на вроде бы безобидных фотографиях продуктов. Приложение Taobao позволяет пользователям отыскивать продукты, просто сделав снимок с помощью телефона, — алгоритмы берут на себя идентификацию «увиденного» продукта среди доступного на платформе ассортимента.

Визуальный поиск продукта становится все более точным и все более популярным — к нему обращаются более 10 млн уникальных пользователей в день.

Интеллектуальная обработка данных дает огромное преимущество первопроходца из-за широкого использования цепей положительной обратной связи. Сбор больших объемов релевантных данных труден и дорог, однако чем больше данных обрабатывается, тем более ценным становится бизнес.

Так, когда карты AutoNavi (картографический бизнес Alibaba) или Google Maps становятся более точными, ими пользуется больше людей, базовые алгоритмы получают больше данных и точность приложений возрастает еще больше. Этот замкнутый цикл принципиально иной, чем физические продукты. Он совершенно не снижает доходность. Крайне трудно конкурировать против смарт-бизнеса, имеющего такое преимущество уже на старте.


Источник: vc.ru

Комментарии: