Rozpocznij darmowy okres próbny
Popularne Nowości Gatunki Autorzy
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Wyszukiwanie...
SoBrief
Potęga prognozowania

Potęga prognozowania

Tytuł oryginalny: Prediction Machines
Ekonomia sztucznej inteligencji
Gdy AI obniża koszty prognozowania, przeprojektuj procesy decyzyjne i zdecyduj, gdzie ludzki osąd musi pozostać.
autor: Ajay Agrawal 2018 272 stron
3.86
3000+ ocen
Słuchaj
Immersyjne
V2.3
Amazon Kindle Audible
Wypróbuj pełny dostęp przez 3 dni
Odblokuj słuchanie i więcej!
Kontynuuj

Kluczowe wnioski

Ekonomiczną siłą AI jest tanie prognozowanie, a nie myślenie maszyn

Węższa definicja. Prognozowanie polega na wykorzystaniu dostępnych już informacji do uzupełnienia brakujących. System może przewidywać, czy płatność kartą jest oszustwem, które słowa najlepiej oddadzą zdanie w tłumaczeniu albo co klient może kupić. Nie musi myśleć jak człowiek, żeby wykonywać te zadania. Ekonomiczna teza książki głosi, że AI ma znaczenie, ponieważ obniża koszt prognozowania — podobnie jak komputery obniżyły koszt wykonywania działań arytmetycznych.

Niewielkie różnice w błędach mają znaczenie. Skuteczność wykrywania oszustw przy płatnościach kartą kredytową wzrosła z około 98 procent do nawet 99,9 procent. Może się to wydawać niewielką poprawą, ale oznacza nawet dwudziestokrotnie mniej błędów. Gdy koszt prognozowania spada, organizacje korzystają z niego częściej, również przy zadaniach, które wcześniej wydawały się niezwiązane z prognozowaniem.

Analiza

Przydatność tej definicji polega na tym, że nie myli ona wąskich kompetencji z rozumieniem właściwym człowiekowi. Pomaga menedżerom zadać praktyczne pytanie: która niepewność jest na tyle kosztowna, że lepsze prognozowanie mogłoby zmienić decyzję? Sama trafność prognoz nie przesądza jednak o ich wartości. Prognoza może być prawidłowa, a mimo to nieistotna albo kosztowna w działaniu. Perspektywa ekonomiczna wyjaśnia, co zapewnia technologia, ale trudniejsze pytania o cel, dopuszczalny poziom błędu i to, kto odnosi korzyści, pozostawia decydentom.

Korzystaj z prognoz przy podejmowaniu decyzji, ale o tym, co ważne, niech rozstrzyga ludzki osąd

Prognoza nie jest wyborem. Decyzja łączy informacje i prognozę z osądem dotyczącym wartości możliwych rezultatów, działaniem oraz jego wynikiem. Lekarz może ocenić, że uraz nogi to prawdopodobnie skurcz mięśnia, a mimo to rozważyć niewielkie prawdopodobieństwo groźnego zakrzepu i zestawić je z dyskomfortem związanym z ostrożnościowym leczeniem. Prognoza szacuje, co może być prawdą; osąd określa wartość działania w warunkach niepewności.

Zmienia się to, czego brakuje. Londyńscy taksówkarze przez lata uczyli się tras i wzorców ruchu drogowego, aż nawigacja w telefonie upowszechniła prognozowanie tras. Ich umiejętności prowadzenia nie zniknęły, ale wiedza o trasach, niegdyś rzadka i wyróżniająca, przestała odróżniać ich od innych kierowców. Gdy maszyny zapewniają prognozowanie, większą wartość mogą zyskać ludzki osąd, dostęp do istotnych informacji i zdolność do działania.

Analiza

To rozróżnienie pozwala uniknąć częstego błędu kategorialnego: system prognozujący wynik nie wybrał tym samym reakcji pożądanej społecznie ani osobiście. Dobrze pokazuje to decyzja o zabraniu parasola: prognoza deszczu jest przydatna tylko w kontekście tego, jak bardzo komuś przeszkadza zmoknięcie i noszenie parasola. W organizacjach te preferencje mogą być różne w zależności od klienta, roli czy misji. Ich wyraźne określenie sprzyja odpowiedzialności, choć może też ujawnić spory, które w przeciwnym razie ukryłaby pojedyncza ocena.

Traktuj dane jak inwestycję, mając na uwadze konkretną prognozę

Trzy zadania danych. Dane treningowe uczą model, jak wzorce wiążą się z wynikami. Dane wejściowe pozwalają mu sporządzić prognozę w nowym przypadku. Dane zwrotne pokazują, czy prognozy się sprawdziły, i pomagają je ulepszać. Aplikacja do monitorowania zdrowia Cardiogram wykorzystywała pomiary tętna do prognozowania zaburzeń rytmu serca. W jej wstępnym badaniu wzięło udział około 6000 użytkowników, z których mniej więcej 200 miało rozpoznane zaburzenia rytmu; odnotowano 97-procentową trafność. Wynik zależał od powiązania danych o pracy serca z informacjami o rzeczywistym stanie zdrowia.

Więcej nie zawsze znaczy lepiej. Każda nowa obserwacja może wnosić mniej informacji przydatnych do prognozowania niż poprzednia, a jednocześnie niewielka poprawa może mieć dużą wartość biznesową, jeśli dzięki niej usługa staje się użyteczna lub lepsza od konkurencyjnej. Zbieranie danych również kosztuje i może naruszać prywatność, dlatego ich wartość zależy od tego, jaką prognozę i decyzję wspierają.

Analiza

Traktowanie danych jako inwestycji, a nie zasobu bez ograniczeń, skłania do postawienia bardziej precyzyjnego pytania: jaki wynik poprawia każde dodatkowe źródło danych i za jaką cenę? Pozwala to także odróżnić przydatność predykcyjną od samej wielkości zbioru danych. Duży zbiór może odzwierciedlać wąski lub niereprezentatywny obraz świata, a zbieranie wrażliwych danych może osłabiać zaufanie. Ujęcie przedstawione w książce czyni z prywatności element ekonomiki działalności, a nie kwestię, którą można odłożyć na później. Medyczny przykład również wymaga ostrożności: obiecujący wynik wstępnego badania dotyczący trafności sam w sobie nie dowodzi skuteczności klinicznej.

Powierz maszynom powtarzalne wzorce, a ludziom pozostaw wyjątki

Różne atuty, różne błędy. Maszyny potrafią wykrywać złożone zależności w dużych zbiorach danych; ludzie mogą korzystać z doświadczenia i analogii, gdy danych jest niewiele. Książka opisuje cztery warunki prognozowania: znane znane, gdy dobre dane umożliwiają wiarygodne prognozy; znane nieznane, gdy ograniczenia są widoczne; nieznane nieznane, czyli zdarzenia wykraczające poza dotychczasowe doświadczenie; oraz nieznane znane, gdy dane wydają się miarodajne, ale ukryte przyczyny lub zmieniające się zachowania sprawiają, że wprowadzają w błąd.

Łącz możliwości, zamiast tylko je porównywać. W konkursie polegającym na analizie obrazów związanych z rakiem piersi maszyna osiągnęła trafność 92,5 procent, a patolog — 96,6 procent. Połączenie ich ocen dało wynik 99,5 procent, ponieważ popełniali różne rodzaje błędów. Prognozowanie z obsługą wyjątków (prediction by exception) polega na tym, że maszyna zajmuje się rutynowymi przypadkami, a nietypowe lub niepewne przekazuje do ludzkiej weryfikacji. Taki podział może zapewnić skalę działania, nie zakładając, że każdy przypadek jest rutynowy.

Analiza

Najbardziej owocne jest nie pytanie, czy ludzie, czy maszyny są ogólnie mądrzejsze, lecz czy ich błędy się pokrywają. Jeśli zawodzą na różne sposoby, współpraca może przynieść lepsze wyniki niż działanie każdej ze stron z osobna. Zmienia to punkt ciężkości: z nazw stanowisk na strukturę zadania i wiarygodność dowodów w każdym przypadku. Obsługa wyjątków wymaga jednak staranności: system automatyczny musi rozpoznawać nietypowe przypadki, a człowiek weryfikujący — mieć czas i uprawnienia, by interweniować. W przeciwnym razie rzekoma siatka bezpieczeństwa stanie się jedynie formalnością.

Określ korzyść, zanim zautomatyzujesz prognozowanie

Cel wyznacza osąd. Wartość przypisywana możliwym działaniom i wynikom to funkcja nagrody. Projektowanie funkcji nagrody (reward function engineering) polega na określaniu tych wartości tak, aby człowiek lub maszyna mogli wybrać działanie. Firma obsługująca karty płatnicze, która decyduje, czy zablokować podejrzaną transakcję, musi wyważyć koszt oszustwa i koszt niesłusznego utrudniania życia uczciwemu klientowi. Lepsze prognozowanie oszustw zmniejsza niepewność, ale nie rozstrzyga, jaki poziom niedogodności dla klienta jest do przyjęcia.

Cele mogą pozostawać ze sobą w konflikcie przez dłuższy czas. ZipRecruiter testował różne ceny dla pracodawców. Niektóre podwyżki zwiększały krótkoterminowy zysk o ponad 50 procent, ale firma odczekała cztery miesiące, by sprawdzić, czy klienci odejdą, zanim je przyjęła. Wybór celu — na przykład bieżących przychodów albo trwałych relacji z klientami — sam w sobie jest kwestią osądu. Gdy wybór jest prosty, wartości te można zakodować; gdy jest złożony, ludzie nadal muszą je rozważać.

Analiza

Cel modelu nigdy nie jest jedynie ustawieniem technicznym. To zwięzła deklaracja tego, czyje koszty się liczą, jakie błędy można zaakceptować i jak odległy w czasie jest sukces. Nazwanie tych wyborów pozwala o nich dyskutować i je zmieniać, zamiast ukrywać je w oprogramowaniu. Trudność polega na tym, że organizacje często chcą, by jedna ocena zastąpiła kilka celów. Może to usprawnić realizację zadań, a jednocześnie zawęzić misję. Dobre projektowanie funkcji nagrody wymaga zatem zarówno jasności operacyjnej, jak i zgody na zakwestionowanie wybranego miernika.

Przebuduj procesy pracy wokół zadań, a nie stanowisk

Zacznij od pracy. Stanowisko obejmuje zestaw zadań, a narzędzia AI zwykle służą do prognozowania w ramach jednego z nich. Ford miał kiedyś nadzieję, że komputery pozwolą zmniejszyć zespół księgowości zobowiązań o 20 procent. Po przemyśleniu na nowo procesu zakupowego firma zmniejszyła ten dział o 75 procent, a sam proces przyspieszyła i usprawniła. Nie chodzi po prostu o wstawienie oprogramowania w stary ciąg czynności, lecz o rozważenie, jak należy zmienić cały proces pracy.

Rozpisz każdą decyzję. Kanwa AI (AI canvas) porządkuje zadanie wokół prognozy, danych wejściowych, danych treningowych, informacji zwrotnej, osądu, działania i wyniku. Zmusza zespół do określenia, co właściwie chce prognozować i co uzna za sukces. Wpływ na miejsca pracy może być różny: narzędzia mogą wspomagać pracowników, usuwać zadania, tworzyć nowe albo zmieniać znaczenie poszczególnych umiejętności — podobnie jak arkusze kalkulacyjne zmieniły pracę księgowych.

Analiza

Analiza procesów pracy pozwala uniknąć dwóch przeciwnych błędów: założenia, że każde nowe narzędzie od razu zwiększy produktywność, oraz przekonania, że automatyzacja każdego zadania eliminuje cały zawód. Właściwą jednostką analizy jest często coś mniejszego niż stanowisko, ale większego niż pojedynczy wynik modelu. Dzięki temu wdrożenie staje się problemem zarządczym, a nie tylko decyzją zakupową. Pozostaje jednak ograniczenie: nawet dobrze wypełniona kanwa sama nie rozstrzygnie sporów o cele organizacji. Może za to ujawnić je, zanim model po cichu uzna priorytety jednej grupy za domyślne.

Włącz AI do agendy zarządu, gdy tańsze prognozowanie zmienia model biznesowy

Szukaj strategicznego punktu zwrotnego. AI staje się sprawą kierownictwa, gdy spełnione są trzy warunki: firma stoi przed rzeczywistym kompromisem, niepewność wpływa na ten kompromis, a lepsze prognozowanie może przechylić szalę. Przedstawiony w książce eksperyment myślowy dotyczący Amazon zakłada, że sprzedawca jest na tyle pewny prognoz, iż wysyła klientom prawdopodobne zakupy, zanim ci je zamówią. Większą sprzedaż mogą równoważyć zwroty, dlatego powodzenie strategii zależy od trafnego prognozowania popytu i sprawnego zarządzania zwrotami.

Prognozowanie może przeobrazić działalność operacyjną. Niemiecki sprzedawca Otto wykorzystywał historię transakcji i inne dane, by z 90-procentową trafnością prognozować miesięczną sprzedaż produktów. Zmiany w logistyce obniżyły poziom zapasów o 20 procent i zmniejszyły roczną liczbę zwrotów o dwa miliony produktów. Takie zmiany mogą wpłynąć na sieci dostaw, partnerstwa i zakres działań prowadzonych przez firmę. Dlatego strategia AI należy do zadań osób kierujących organizacją, które mogą koordynować działania w różnych działach i na styku firm.

Analiza

Strategiczne pytanie jest ambitniejsze niż to, czy AI może usprawnić jakieś zadanie. Chodzi o to, czy mniejsza niepewność zmienia ekonomiczne podstawy obecnego modelu organizacji. Właśnie dlatego skutki mogą rozprzestrzenić się z prognozowania na zapasy, dostawy i decyzje dotyczące własności. Scenariusz Amazona jest przydatny jako sposób wyobrażenia sobie możliwości, a nie jako pewna prognoza. Menedżerowie powinni odróżniać wiarygodną zmianę bodźców od efektownej opowieści o technologii, a następnie sprawdzić, czy korzyści utrzymają się po uwzględnieniu kosztów wdrożenia i zmiany zachowań klientów.

Dawaj pierwszeństwo uczeniu się tylko wtedy, gdy koszt początkowych błędów jest do przyjęcia

Uczenie się wymaga ekspozycji na rzeczywistość. Strategia AI jako priorytet (AI-first) stawia jakość prognozowania i uczenie się na pierwszym miejscu, nawet jeśli oznacza to poświęcenie krótkoterminowych wyników lub wygody klientów. Niektóre systemy uczą się na oznakowanych przykładach; inne doskonalą się dzięki informacji zwrotnej po podjętych działaniach. Google Inbox, którego sugerowane odpowiedzi w opisywanym okresie były przydatne tylko w około 30 procentach przypadków, mógł mimo to być akceptowalny, bo złą sugestię łatwo było zignorować. Błąd w autonomicznej jeździe może zagrażać życiu, więc taka sama strategia uczenia się nie jest tam do przyjęcia.

Wybierz, gdzie gromadzi się doświadczenie. Użytkowanie w świecie rzeczywistym może dostarczać bardziej zróżnicowanych danych niż testy kontrolowane, natomiast symulacja może ograniczać ryzyko wyrządzenia szkody. Uczenie się na centralnym serwerze ułatwia kontrolę jakości; uczenie się na urządzeniu pozwala szybciej dostosować system do warunków lokalnych. Automatyzacja grozi też pozbawieniem ludzi praktyki potrzebnej w rzadkich sytuacjach awaryjnych. To, kiedy i gdzie odbywa się uczenie, decyduje o tym, kto ponosi jego koszty, a kto odnosi korzyści.

Analiza

Pytanie o wdrożenie nie sprowadza się do tego, czy produkt jest gotowy, lecz do tego, kto płaci za doświadczenie, dzięki któremu produkt staje się lepszy. Użytkownik w sytuacji niskiego ryzyka może tolerować nietrafną sugestię; pasażer nie może w znaczący sposób wyrazić zgody na każde ryzyko ukryte w niedojrzałym systemie autonomicznej jazdy. Ten kontrast pokazuje, że tolerancja błędów jest zmienną strategiczną i etyczną. Równie ważne jest ostrzeżenie dotyczące ludzkich umiejętności: odebranie ludziom rutynowej praktyki może sprawić, że będą gorzej przygotowani na rzadki moment awarii automatyzacji. Plany uczenia się powinny uwzględniać doświadczenie zarówno maszyn, jak i ludzi.

Kontroluj wyniki AI, zanim dyskryminacja, manipulacje lub powszechne awarie nabiorą skali

Nawet trafne prognozy mogą szkodzić. Przywołane w książce badania wykazały, że wyszukiwanie niektórych imion kojarzonych z osobami czarnoskórymi o 25 procent częściej prowadziło do wyświetlania reklam związanych z aresztowaniem niż wyszukiwanie imion kojarzonych z osobami białymi. Inne badanie wykazało, że system reklamowy Facebooka rzadziej pokazywał kobietom reklamy zawodów z dziedziny STEM, częściowo dlatego, że tańsze było wyświetlanie ich mężczyznom. Neutralne intencje nie zapobiegają dyskryminującym skutkom, dlatego organizacje muszą analizować wyniki w różnych grupach.

Sprawdzaj, co ukrywają korelacje. Zwykła analiza wskazywała, że reklamy w wyszukiwarce eBay przynoszą ponad 4000 procent zwrotu, jednak eksperyment regionalny wykazał niemal zerowy wpływ na sprzedaż wśród stałych klientów. Prognozowanie można też wykorzystywać do manipulacji: hakerzy mogą zniekształcać dane wejściowe, konkurenci — badać modele, a wrogo nastawieni użytkownicy — zatruwać informacje zwrotne, jak stało się w przypadku chatbota Tay firmy Microsoft. Kontroluj wyniki, testuj twierdzenia o związkach przyczynowych i monitoruj przepływ danych.

Analiza

To przydatna zmiana perspektywy: zamiast pytać, czy algorytm jest stronniczy, pytamy, kto odczuwa skutki jego działania i jak te skutki powstają. Nieprzejrzysty model nie jest zwolniony z kontroli; jego wyniki można porównywać, testować i podważać. Eksperyment eBay pokazuje również, dlaczego nie należy mylić prognozowania z oceną przyczynową. Model może trafnie przewidywać sprzedaż, a zarazem źle doradzać, jakie działanie ją zwiększy. Audyt nie jest więc końcowym sprawdzianem zgodności z przepisami. Stanowi element utrzymywania niezawodnego systemu decyzyjnego.

Dyskutuj o tym, kto przejmuje korzyści z AI, a nie o tym, czy prognozowanie je tworzy

Produktywność i podział korzyści to odrębne kwestie. Książka przewiduje, że tańsze prognozowanie zwiększy produktywność, ale nie przyniesie wszystkim równych korzyści. Maszyny mogą konkurować z pracownikami w wykonywaniu konkretnych zadań, wywierać presję na płace i zwiększać zyski właścicieli AI. Mogą pojawić się nowe rodzaje pracy związane z osądem, nadzorem lub innymi rolami uzupełniającymi, ale zmiany mogą być bolesne, a nowe miejsca pracy mogą być gorzej płatne niż te, które zniknęły.

Polityka to zbiór kompromisów. Większa ilość danych i większa liczba użytkowników mogą wzmacniać pozycję kilku firm, natomiast ograniczenia dotyczące prywatności mogą zmniejszać możliwości personalizacji i ograniczać dostęp do danych treningowych. Poluzowanie tych ograniczeń może ulepszyć systemy, ale naruszać prywatność obywateli. Opodatkowanie automatyzacji może zmniejszyć nierówności, a zarazem osłabić bodźce do inwestowania. Ujęcie ekonomiczne w książce nie podaje jednej uniwersalnej odpowiedzi; zachęca społeczeństwa do dokonywania wyborów zgodnie z własnymi priorytetami oraz rozkładem kosztów i korzyści.

Analiza

Oddzielenie tworzenia bogactwa od jego podziału pozwala precyzyjniej prowadzić debatę publiczną. Nie trzeba wtedy uznawać wzrostu produktywności za dowód, że wszyscy pracownicy będą w lepszej sytuacji, ani twierdzić, że automatyzacja musi prowadzić do trwałego bezrobocia na masową skalę. Kwestia podziału obejmuje siłę przetargową, przekwalifikowanie, prywatność i koncentrację rynku, a nie tylko liczbę miejsc pracy. Nie ma bezkosztowego rozwiązania politycznego: każda interwencja wpływa zarówno na bodźce, jak i na wyniki. Mocną stroną tego ujęcia jest wyraźne pokazanie tych poświęceń, choć nie rozstrzyga ono, które wartości społeczne powinny przeważyć.

Analiza

„Potęga prognozowania. Ekonomia sztucznej inteligencji” przedstawia zwięzłą ekonomiczną teorię AI, zastępując obciążone emocjonalnie pojęcie sztucznej inteligencji bardziej ograniczonym pojęciem tańszego prognozowania. To potężne przeformułowanie, bo pozwala zrozumieć technologię bez udawania, że wyjaśnia świadomość czy ogólne rozumowanie. Prowadzi też do praktycznego schematu działania: rozpoznać niepewność, określić decyzję, której dotyczy prognoza, sprecyzować, jakie wyniki są istotne, a następnie przeprojektować zadanie i organizację w świetle nowej struktury kosztów.

Najważniejszym posunięciem książki jest oddzielenie prognozowania od osądu. Maszyny mogą szacować, co jest prawdopodobne; ludzie i instytucje nadal decydują, którym wynikom należy nadać priorytet. To rozróżnienie wyjaśnia, dlaczego AI może obniżać wartość niektórych rodzajów wiedzy specjalistycznej, a jednocześnie zwiększać znaczenie osądu, dostępu do danych i zdolności do działania. Ujawnia też kluczowe zagrożenie dla nadzoru: cele mogą być kodowane tak, jakby były neutralnymi wyborami technicznymi, mimo że rozdzielają korzyści i obciążenia.

Ujęcie to najlepiej sprawdza się w przypadku jasno określonych, powtarzalnych decyzji, dla których dostępna jest bogata informacja zwrotna. Przykłady z książki pokazują jednak, dlaczego ekstrapolowanie staje się zawodne przy rzadkich zdarzeniach, pytaniach o przyczynowość lub w sytuacjach, w których ludzie zmieniają zachowanie w reakcji na prognozy. Takie systemy nie są po prostu biernymi obserwatorami. Rekomendacja może przekierować popyt, zmienić generowane dane i zachęcić do strategicznych manipulacji. Środowisko podejmowania decyzji zmienia się więc wraz z wdrożeniem, co sprawia, że monitorowanie i uczenie się instytucji są niezbędne.

Ekonomiczny nacisk położony w książce pomaga też wyjaśnić, dlaczego nie istnieje jedna zasada wdrażania AI. Wcześniejsze wdrożenie może przyspieszyć uczenie się, ale narazić klientów na błędy; większa ilość danych może poprawić personalizację, ale osłabić prywatność; automatyzacja może zwiększyć produktywność, a zarazem przesunąć dochody w stronę właścicieli kapitału. Nie są to usterki inżynieryjne czekające na techniczne rozwiązanie. To wybory dotyczące ryzyka, kontroli i podziału korzyści. Najtrwalszym wkładem książki nie jest prognoza, która firma lub kraj zdominuje rynek, lecz metoda stawiania pytań o to, co tanieje, co stanowi tego uzupełnienie i kto ma prawo wyznaczać cele.

Podsumowanie w 30 sekund
Ekonomiczny wpływ AI wynika z obniżania kosztów prognozowania, a nie z odtwarzania ludzkiego myślenia. Prognozy dostarczają informacji potrzebnych do podejmowania decyzji, ale to ludzie nadal wyznaczają cele i rozważają konsekwencje. Dane są wartościowe, gdy poprawiają konkretną prognozę, a prognozy maszyn najlepiej sprawdzają się w połączeniu z ludzkim osądem w przypadkach niepewnych lub wyjątkowych. Przeprojektuj procesy pracy wokół zadań, a nie stanowisk: Ford zmniejszył zatrudnienie w dziale zobowiązań wobec dostawców o 75 procent. Kontroluj wyniki pod kątem stronniczości, manipulacji i zmieniających się warunków, uwzględniając zarazem korzyści produktywności oraz koszty dla prywatności, zatrudnienia i równego podziału korzyści.
Zawiera spoilery

Ostatnia aktualizacja:

Zgłoś problem

Podsumowanie recenzji

3.86 z 5
Średnia z 3000+ ocen z Goodreads i Amazon.

Potęga prognozowania. Ekonomia sztucznej inteligencji to praktyczna analiza wpływu AI na biznes i gospodarkę, skupiająca się na tym, jak uczenie maszynowe zwiększa możliwości prognozowania. Recenzenci doceniają przystępny język i przykłady z życia, choć niektórzy uważają, że książka jest powtarzalna. Chwalą ją za ramy pozwalające zrozumieć ekonomiczne skutki AI oraz za wskazówki dla liderów biznesu. Niektórzy czytelnicy są jednak zdania, że brakuje jej głębi lub że zdążyła się zestarzeć ze względu na szybkie tempo rozwoju AI. Ogólnie uznaje się ją za solidne wprowadzenie do roli AI w prognozowaniu i podejmowaniu decyzji.

Twoja ocena:
4.39
422 ocen
Chcesz przeczytać całą książkę?

Słowniczek

prognozowanie

Uzupełnianie brakujących informacji

Prognozowanie to proces wykorzystywania już dostępnych informacji, często nazywanych danymi, do generowania brakujących informacji. Może dotyczyć przyszłości, na przykład popytu, albo klasyfikować coś w teraźniejszości, na przykład oszukańczą transakcję. W tej książce prognozowanie jest kluczową zdolnością, której koszt obniża nowoczesna AI, a nie synonimem myślenia podobnego do ludzkiego.

spostrzegawczość w zakresie AI (AI Insight)

Ujęcie zadania na nowo jako prognozowania

Spostrzegawczość w zakresie AI (AI Insight) to zdolność dostrzeżenia, że problem tradycyjnie rozwiązywany za pomocą reguł lub specjalistycznej wiedzy można zamiast tego sformułować jako zadanie prognozowania. Na przykład do autonomicznej nawigacji można podejść, prognozując, co zrobiłby człowiek kierujący pojazdem w danej sytuacji. Zmiana ujęcia ma znaczenie, ponieważ uczenie maszynowe może radzić sobie z sytuacjami zbyt różnorodnymi, by opisać je za pomocą wyczerpującego zestawu reguł „jeśli–to”.

kanwa AI (AI canvas)

Mapa zadania decyzyjnego

Kanwa AI (AI canvas) to narzędzie służące do rozłożenia zadania na elementy potrzebne do oceny lub zbudowania narzędzia prognostycznego. Pomaga zespołowi określić prognozę, dane wejściowe, dane treningowe, informację zwrotną, osąd, działanie i wynik. Wymóg wyraźnego określenia tych elementów pomaga ustalić, czy narzędzie AI może przynieść wartość oraz jakich informacji lub zmian organizacyjnych wymaga.

projektowanie funkcji nagrody (reward function engineering)

Określanie wartości przypisywanych wynikom

Projektowanie funkcji nagrody (reward function engineering) polega na określaniu wartości lub kosztu związanych z różnymi działaniami i wynikami. Przekłada cele organizacji na wskazówki dotyczące wykorzystania prognoz. Niektóre osądy można określić z wyprzedzeniem i zakodować w systemie; inne zależą od kontekstu, niepewności lub ludzkich preferencji i lepiej podejmować je dopiero po uzyskaniu prognozy.

prognozowanie z obsługą wyjątków (prediction by exception)

Maszyny obsługują rutynowe przypadki

Prognozowanie z obsługą wyjątków (prediction by exception) to podział pracy, w którym maszyna prognostyczna obsługuje częste, dobrze reprezentowane przypadki, a nietypowe lub niepewne kieruje do człowieka. Pozwala wykorzystać skalowalność maszyn, zachowując uwagę człowieka dla sytuacji, w których danych jest niewiele lub model może być zawodny. Takie podejście działa tylko wtedy, gdy wyjątki są rozpoznawane, a człowiek przeprowadzający weryfikację ma rzeczywiste uprawnienia.

znane znane, znane nieznane, nieznane nieznane i nieznane znane

Cztery warunki prognozowania

Ta taksonomia opisuje różne ograniczenia prognozowania. Znane znane to przypadki, w których dostępne są wystarczające dane, by tworzyć wiarygodne prognozy. Znane nieznane to przypadki, w których brak danych sprawia, że niepewność jest widoczna. Nieznane nieznane to zdarzenia wykraczające poza doświadczenia reprezentowane w danych. Nieznane znane to mylące wzorce, które wydają się wiarygodne, ale skrywają przyczyny lub warunki mogące ulec zmianie.

wybór rozwiązania wystarczająco dobrego (satisficing)

Wybór odpowiedniej opcji

Wybór rozwiązania wystarczająco dobrego (satisficing) oznacza wybranie opcji, która jest dostatecznie dobra, gdy złożoność, ograniczone informacje lub koszty analizy sprawiają, że znalezienie rozwiązania optymalnego jest niepraktyczne. Książka podaje przykład przyjazdu na lotnisko z wyprzedzeniem: podróżni godzą się na dodatkowy czas oczekiwania, by zabezpieczyć się przed niepewnym ruchem drogowym. Lepsze prognozowanie może ograniczyć potrzebę takich kompromisów i umożliwić podejmowanie większej liczby decyzji warunkowych.

uczenie się przez użytkowanie (learning-by-using)

Doskonalenie dzięki rzeczywistemu użytkowaniu

Uczenie się przez użytkowanie (learning-by-using) oznacza doskonalenie, które zachodzi w miarę zdobywania przez produkt lub system doświadczenia w rzeczywistym działaniu. W przypadku maszyn prognostycznych użytkowanie może dostarczać informacji zwrotnej i ujawniać warunki pominięte w początkowym treningu. Wczesne wdrożenie może przyspieszyć uczenie się, ale może też narazić klientów lub organizację na słabe działanie, zagrożenia dla bezpieczeństwa albo szkody wizerunkowe.

strategia AI jako priorytet (AI-first)

Priorytetowe traktowanie jakości prognozowania

Strategia AI jako priorytet (AI-first) stawia na poprawę jakości prognozowania oraz budowanie wspierających je procesów gromadzenia danych i uczenia się, nawet jeśli odbywa się to kosztem krótkoterminowych wyników, doświadczeń klientów lub przychodów. To strategiczne zobowiązanie, a nie hasło, ponieważ oznacza wybór jednego celu kosztem innych. Właściwa równowaga zależy od tego, jak kosztowne są błędy i jak bardzo rzeczywiste użytkowanie przyspiesza doskonalenie systemu.

FAQ

O czym jest Potęga prognozowania. Ekonomia sztucznej inteligencji?

  • AI i ekonomia: Potęga prognozowania. Ekonomia sztucznej inteligencji autorstwa Ajaya Agrawala, Joshuy Gansa i Aviego Goldfarba omawia, jak AI zmienia podejmowanie decyzji w firmach dzięki zwiększeniu możliwości prognozowania.
  • Ramy pomagające zrozumieć zagadnienie: Książka łączy ekonomię i AI, aby pomóc czytelnikom zrozumieć, jakie konsekwencje dla strategii biznesowych i społeczeństwa niesie tańsze prognozowanie.
  • Zastosowania w praktyce: Przykłady firm takich jak Amazon i Tesla pokazują praktyczne zastosowania AI w przystępny sposób, także dla liderów biznesu i decydentów.

Dlaczego warto przeczytać Potęgę prognozowania. Ekonomię sztucznej inteligencji?

  • Jasne wyjaśnienie wpływu AI: Książka pomaga odczarować AI, przedstawiając wiedzę niezbędną strategom, menedżerom i decydentom do zrozumienia praktycznych konsekwencji jej stosowania.
  • Uporządkowane ramy podejmowania decyzji: Oferuje ramy włączania AI do procesów decyzyjnych i podkreśla znaczenie rozumienia kompromisów związanych z AI.
  • Wiedza ekspertów: Książka napisana przez ekonomistów z dużym doświadczeniem w dziedzinie technologii i AI łączy wiedzę teoretyczną z praktycznymi zastosowaniami.

Jakie są najważniejsze wnioski z Potęgi prognozowania. Ekonomii sztucznej inteligencji?

  • Kluczowe znaczenie prognozowania: Obecna fala rozwoju AI koncentruje się na doskonaleniu możliwości prognozowania, co ma zasadnicze znaczenie dla ograniczania niepewności przy podejmowaniu decyzji.
  • Kompromisy przy wdrażaniu AI: Wdrażanie AI wiąże się z kompromisami, takimi jak szybkość a dokładność oraz autonomia a kontrola, które trzeba uwzględnić w skutecznych strategiach AI.
  • Niezbędna rola ludzkiego osądu: Pomimo zdolności AI do prognozowania ludzki osąd pozostaje konieczny do oceny wyników i podejmowania decyzji.

Jak Potęga prognozowania. Ekonomia sztucznej inteligencji definiuje prognozowanie?

  • Definicja prognozowania: Prognozowanie definiuje się jako „proces uzupełniania brakujących informacji”, podkreślając rolę AI w uzyskiwaniu wiedzy na podstawie danych.
  • Rola w podejmowaniu decyzji: Prognozowanie ogranicza niepewność, umożliwiając organizacjom podejmowanie świadomych decyzji; książka ilustruje to przykładami z różnych branż.
  • Ramy ekonomiczne: Książka wykorzystuje ramy ekonomiczne, by pokazać, jak lepsze prognozy usprawniają podejmowanie decyzji, i zwraca uwagę na związane z tym kompromisy.

Czym jest kanwa AI wspomniana w Potędze prognozowania. Ekonomii sztucznej inteligencji?

  • Ramy analizy zadań: Kanwa AI pomaga organizacjom rozłożyć zadania na części, aby ustalić, gdzie można wykorzystać AI. Obejmuje takie elementy jak prognoza, dane wejściowe i informacja zwrotna.
  • Większa przejrzystość: Ułatwia zrozumienie elementów zadania i tego, jak AI może usprawnić każdy z nich, pomagając podejmować lepsze decyzje dotyczące inwestycji w AI.
  • Zastosowanie praktyczne: Kanwę można stosować w takich sytuacjach jak wybór kandydatów na studia MBA czy odkrywanie leków, by usprawniać podejmowanie decyzji.

Jakie kompromisy związane z AI omawia Potęga prognozowania. Ekonomia sztucznej inteligencji?

  • Szybkość a dokładność: Szybsze prognozy mogą być mniej dokładne, co może znacząco wpłynąć na decyzje biznesowe.
  • Autonomia a kontrola: Równowaga między autonomią AI a ludzką kontrolą ma kluczowe znaczenie dla dostosowania AI do celów organizacji.
  • Obawy dotyczące prywatności danych: Większa ilość danych poprawia prognozy, ale wzbudza obawy związane z prywatnością i etyką, dlatego należy ostrożnie podchodzić do tego zagadnienia.

Jak Potęga prognozowania. Ekonomia sztucznej inteligencji porusza społeczne konsekwencje AI?

  • Wpływ na zatrudnienie: AI może prowadzić do zaniku miejsc pracy, co wymaga przekwalifikowania pracowników i przygotowania ich na nadchodzące zmiany.
  • Nierówności dochodowe: Książka zwraca uwagę na możliwość wzrostu nierówności dochodowych wskutek wdrażania AI i wzywa decydentów do zapewnienia sprawiedliwych rezultatów.
  • Prywatność i etyka: Podkreśla kwestie etyczne związane z gromadzeniem danych i wdrażaniem AI oraz zachęca do rozważnego postępowania, które chroni prawa obywateli.

Jak Potęga prognozowania. Ekonomia sztucznej inteligencji wyjaśnia związek między AI a wzrostem gospodarczym?

  • Wzrost produktywności: AI zwiększa produktywność, poprawiając dokładność prognoz, co przekłada się na lepsze decyzje biznesowe i sprawniejsze działanie.
  • Tworzenie miejsc pracy: AI może likwidować niektóre stanowiska, ale tworzy też nowe możliwości wymagające ludzkiego osądu i kreatywności, przyczyniając się do wzrostu gospodarczego.
  • Inwestycje w umiejętności: Książka podkreśla potrzebę inwestowania w edukację i szkolenia, by przygotować pracowników do funkcjonowania w gospodarce opartej na AI.

Jakie potencjalne zagrożenia związane z wdrażaniem AI omawia Potęga prognozowania. Ekonomia sztucznej inteligencji?

  • Stronniczość algorytmiczna: Systemy AI mogą nieumyślnie dyskryminować, prowadząc do problemów prawnych i etycznych, zwłaszcza w rekrutacji lub reklamie.
  • Ryzyko związane z jakością: Dane niskiej jakości mogą prowadzić do niedokładnych prognoz AI, dlatego do treningu potrzebne są wiarygodne i reprezentatywne dane.
  • Luki w zabezpieczeniach: Systemy AI są podatne na manipulacje, dlatego potrzebne są solidne zabezpieczenia chroniące wiarygodność prognoz.

Jak firmy mogą wykorzystać wnioski z Potęgi prognozowania. Ekonomii sztucznej inteligencji?

  • Ponowne przemyślenie strategii biznesowych: Firmy powinny wskazać obszary, w których prognozy AI mogą usprawnić procesy decyzyjne.
  • Inwestowanie w narzędzia AI: Organizacje powinny inwestować w narzędzia AI poprawiające dokładność i efektywność prognozowania.
  • Skupienie się na ludzkim osądzie: Wdrażając AI, firmy powinny rozwijać ludzkie umiejętności podejmowania decyzji równolegle z możliwościami AI.

Jak Potęga prognozowania. Ekonomia sztucznej inteligencji przedstawia przyszłość pracy w dobie AI?

  • Przeprojektowanie stanowisk: AI doprowadzi raczej do przeprojektowania stanowisk niż do całkowitej utraty pracy; pojawią się nowe role wymagające ludzkiego osądu i nadzoru.
  • Umiejętności uzupełniające: Wzrośnie zapotrzebowanie na umiejętności takie jak projektowanie funkcji nagrody, co stworzy nowe możliwości zatrudnienia.
  • Czasowa utrata pracy: Niektóre miejsca pracy mogą zniknąć przejściowo, ale pojawią się nowe role, wymagające od pracowników dostosowania się do zmian.

Jakie strategie wdrażania AI proponuje Potęga prognozowania. Ekonomia sztucznej inteligencji?

  • Ocena procesów pracy: Firmy powinny oceniać swoje procesy pracy, by wskazać zadania, które mogą skorzystać na wdrożeniu AI.
  • Dbałość o jakość danych: Zapewnienie wysokiej jakości danych ma kluczowe znaczenie dla dokładnych prognoz AI i skutecznego podejmowania decyzji.
  • Równowaga między AI a ludzkim osądem: Organizacje powinny wykorzystywać AI do usprawniania podejmowania decyzji, zachowując przy tym ludzką perspektywę.

O autorze

Ajay Agrawal jest cenionym naukowcem i przedsiębiorcą w dziedzinie innowacji oraz sztucznej inteligencji. Jako profesor w Rotman School of Management na University of Toronto piastuje stanowisko Geoffrey Taber Chair in Entrepreneurship and Innovation, a także jest profesorem zarządzania strategicznego. Działalność Agrawala wykracza poza środowisko akademickie: w 2010 roku współzałożył NEXT Canada, organizację wspierającą przedsiębiorczość. Jego praca koncentruje się na ekonomicznych i społecznych konsekwencjach sztucznej inteligencji, a złożone zagadnienia przedstawia w przystępny sposób liderom biznesu i decydentom. Wiedza Agrawala na temat AI i jej wpływu na gospodarkę uczyniła go jednym z czołowych głosów na styku technologii, biznesu i innowacji.

Pobierz PDF

Aby zachować streszczenie „Potęga prognozowania” na później, pobierz bezpłatny plik PDF. Możesz je wydrukować lub przeczytać offline w dogodnym dla siebie momencie.
Download PDF

Pobierz EPUB

Aby przeczytać streszczenie „Potęga prognozowania” na czytniku lub w aplikacji, pobierz bezpłatny plik EPUB. Cyfrowy format książki .epub idealnie nadaje się do czytania e-booków na telefonach, tabletach i czytnikach.
Download EPUB
Chcesz przeczytać całą książkę?
Obserwuj
Słuchaj8 min
Główna
Swipe
Biblioteka
Aplikacja
Wypróbuj pełny dostęp przez 3 dni
Słuchaj, dodawaj zakładki i więcej
Porównaj funkcje Darmowy Pro
📖 Czytaj streszczenia
Czytaj nieograniczoną liczbę streszczeń. Darmowi użytkownicy otrzymują 3 miesięcznie
🎧 Słuchaj streszczeń
Słuchaj nieograniczonej liczby streszczeń w 40 językach
—
❤️ Nieograniczone zakładki
Darmowi użytkownicy mają limit 4
—
📜 Nieograniczona historia
Darmowi użytkownicy mają limit 4
—
📥 Nieograniczone pobieranie
Darmowi użytkownicy mają limit 1
—
Harmonogram bez ryzyka
Dziś: Uzyskaj natychmiastowy dostęp
Słuchaj pełnych streszczeń ponad 26 000 książek. To ponad 12 000 godzin audio!
Dzień 2: Przypomnienie o okresie próbnym
Wyślemy Ci powiadomienie, że okres próbny wkrótce się kończy.
Dzień 3: Rozpoczęcie subskrypcji
Opłata zostanie pobrana 25 lis,
anuluj w dowolnym momencie wcześniej.
Consume 2.8× More Books
2.8× więcej książek Słuchanie Czytanie
Nasi użytkownicy nas kochają
1M+ czytelników
Trustpilot Rating
TrustPilot
4.6 Doskonały
Ta strona to prawdziwa rewolucja. Czytam streszczenia książek szybciej niż kiedykolwiek. Bardzo, bardzo polecam.
— Dave G
Warte mojego czasu i pieniędzy, naprawdę dobrze zrobione. Nigdy nie widziałem tak dobrych streszczeń na innych stronach. Bardzo pomocne!
— Em
Gorąco polecam!! Fantastyczna usługa. Idealna dla tych, którzy chcą czegoś więcej niż zajawka, ale nie potrzebują wszystkich szczegółów pełnego audiobooka.
— Greg M
Oszczędź 62%
Roczny
$119.88 $44.99/rok/rok
$3.75/mies.
Miesięczny
$9.99/mies.
Rozpocznij 3-dniowy darmowy okres próbny
3 dni za darmo, potem $44.99/rok. Anuluj w dowolnym momencie.
Unlock a world of fiction & nonfiction books
Ponad 26 000 książek w cenie 2 książek
Przeczytaj dowolną książkę w 10 minut
Odkrywaj nowe książki jak na Tinderze
Zamów dowolną książkę, jeśli nie ma jeszcze streszczenia
Czytaj więcej książek niż ktokolwiek, kogo znasz
Aplikacja nr 1 dla miłośników książek
Lifelike & immersive summaries
30-dniowa gwarancja zwrotu pieniędzy
Pobieraj streszczenia w formatach EPUB i PDF
Anuluj w każdej chwili kilkoma kliknięciami

Dlaczego tylko jedno streszczenie?

Skaner
Znajdź kod kreskowy do zeskanowania

⭐
⭐
⭐
Mamy dla Ciebie specjalny prezent
Otwórz
Rabat 38%
RABAT DLA CIEBIE
⭐
⭐
⭐
$79.99
$49.99/rok
Tylko $4.16 miesięcznie
Kontynuuj
Wystarczą 2 kliknięcia, by zacząć. Rezygnacja jest bardzo prosta
Ustawienia
Ogólne
Widget
Ładowanie...