Искусственный интеллект нуждается в вашей помощи. Он способен принимать миллионы оперативных решений — одобрить документ, вынести вердикт на основании данных, выбрать контакт для связи, назначить встречу или назначить лечение. Но в любом проекте есть важный этап, который часто упускают из виду: выбор порога принятия решения — всего одной цифры, которая отделяет «да» от «нет». Например, предлагать товар только тем клиентам, которые совершат покупку с вероятностью более 30%. Или одобрять кредит только в тех случаях, когда вероятность его погашения превышает 95%.
Установление порога принятия решения — это не технический параметр, а стратегический бизнес-выбор. Он относится не к «проектированию ракеты», а к ее наведению.
Почему ИИ сводится к «калькулятору вероятности»
С точки зрения компаний, использующих искусственный интеллект для масштабного улучшения своей деятельности, синонимом ИИ является машинное обучение, которое позволяет предсказывать результаты: будет ли тот или иной человек переходить по ссылке, покупать, лгать или умрет. От этих прогнозов зависят все принимаемые оперативные решения.
Искусственный интеллект, который в течение последних полутора лет доминирует в новостных заголовках — это генеративный ИИ. Но здесь речь не о нем, а о прогностическом искусственном интеллекте, который работает на основе машинного обучения и направлен на улучшение эффективности бизнеса.
Конечно же, никакой прогноз не может быть идеальным — волшебного хрустального шара не существует. Вместо этого машинное обучение позволяет нам оценить вероятность. Прогнозирующую модель, которую машинное обучение генерирует на основе данных, можно рассматривать как «калькулятор вероятности», который оценивает каждый отдельный случай с прогностической точки зрения и сообщает шансы на получение результата.
Для того, чтобы перейти от оценки вероятности к действиям, большинству проектов достаточно установить всего лишь один параметр — порог принятия решения. Например, маркетинговый проект может установить пороговое значение в 30%: отправлять клиенту рекламный буклет только в том случае, если вероятность покупки превышает 30%.
Таким образом, сделав единственный выбор, вы предоставляете программному обеспечению возможность принимать миллионы решений.
Порог принятия решения: где провести черту?
Выбор порога имеет решающее значение. Именно он определяет, как прогностический ИИ будет действовать, и каким будет конечный результат принятия решений, то есть насколько он сможет улучшить деятельность компании. Фактически, выбор порогового значения зачастую оказывает бо́льшее влияние на успех проекта, чем изменения в работе самой модели.
Возьмем, к примеру, обнаружение мошенничества с платежными картами. В данном случае прогностический ИИ используется для принятия решения о том, следует ли авторизовать или остановить текущую транзакцию. Очевидно, что не следует проводить транзакции, которые, согласно прогнозу, скорее всего являются мошенническими. Но какова вероятность таких транзакций? Где провести черту?
Например, банк среднего размера может выбрать порог, согласно которому блокируется, скажем, 3% наиболее рискованных транзакций, то есть таких, которые с наибольшей вероятностью являются мошенническими. Это позволило бы успешно заблокировать 220 000 случаев мошенничества в месяц, но одновременно причинило бы неудобства клиентам 77 000 раз в связи с ошибочной блокировкой законных транзакций.
В качестве альтернативы, если бы банк выбрал более мягкий порог и заблокировал только 2%, таких неудобств было бы меньше — всего 17 600 — но это позволило бы заблокировать намного меньше мошеннических транзакций, около 180 000.
Каждый проект прогностического ИИ предполагает компромисс, который заключается в выборе порога принятия решения. А для того, чтобы сделать такой выбор, необходимо стратегическое мышление. Это означает, что ключевой выбор порога ложится на плечи руководителя компании, независимо от того, насколько хорошо разработана и работает модель машинного обучения.
Одна модель, множество вариантов
Компании используют прогностические модели, разработанные разными специалистами, которые используют разные методы работы с данными. Когда компания устанавливает порог, она, по сути, определяет, как будет проводиться сортировка. Сколько транзакций стоит прерывать из-за возможного мошенничества? На контакты со сколькими клиентами имеет смысл потратить маркетинговый бюджет, учитывая, что снижение порога означает контакт с бо́льшим количеством потенциальных клиентов, но также и трату денег на маркетинг среди тех, кто с меньшей вероятностью купит? Сколько кредитных заявок должен одобрить банк, зная, что чем более он снисходителен, тем больше рискованных должников принимает?
Настраивая порог принятия решения, компания делает стратегический выбор относительно агрессивности своей политики. Это компромиссное и прагматичное решение, которое зависит от приоритетов бизнеса.
Понимание того, какую роль играет порог принятия решения — это всего лишь один из животрепещущих вопросов, о которых должны иметь ясное представление руководители компаний, использующие модели машинного обучения. Чтобы эффективно сотрудничать с профессионалами в области обработки данных, они должны понимать, как работают проекты машинного обучения от начала и до конца. Что будет предсказывать модель? Как именно ее прогнозы повлияют на деятельность компании? Какие показатели отслеживает модель и насколько точны ее прогнозы? Какие именно нужны данные? От этих важных аспектов зависит, достигнет ли проект поставленных целей и позволит ли использование машинного обучения увеличить прибыльность бизнеса. Эти вопросы не требуют технических знаний о работе машинного обучения, но они настолько важны, что им можно посвятить целую книгу.
▼
Канал Anton Elston — это актуальная информация об IT, блокчейне, NFT и онлайн-образовании. Здесь рождается метавселенная DEXART
