В предыдущей публикации были рассмотрены основные теоретические основы анализа ожидаемой ценности, который подразумевает вероятностную оценку неопределенных результатов, с акцентом на его применение в управлении продуктами на базе искусственного интеллекта. Теперь стоит расширить взгляд и оценить общую картину: как вероятностное мышление, опирающееся на ожидаемую ценность, позволяет командам ИИ решать более широкие стратегические задачи, включая выявление и выбор возможностей, управление портфелем продуктов, а также борьбу с поведенческими предубеждениями, приводящими к иррациональным решениям. Эта статья ориентирована на бизнес-спонсоров и руководителей ИИ, лидеров продуктового направления, специалистов по данным и инженеров, а также других участников, вовлеченных в разработку и реализацию стратегий ИИ.
Выявление и выбор возможностей в ИИ
Задача обнаружения возможностей для создания ценности и последующего оптимального выбора среди них для инвестирования ограниченных ресурсов остается актуальной на протяжении веков. За последние пятьсот лет прогресс в теории и практике анализа инвестиций предоставил ценные инструменты и понятия, такие как чистая приведенная стоимость (NPV), анализ дисконтированных денежных потоков (DCF), отдача на вложенный капитал (ROIC) и реальные опционы, чтобы перечислить лишь некоторые из них. Все эти методы признают неопределенность, присущую решениям о будущем, и пытаются учесть ее с помощью обоснованных предположений и, как ни удивительно, концепции ожидаемой ценности. К примеру, NPV, DCF и ROIC требуют прогнозирования ожидаемых доходов (или денежных потоков) на определенный будущий период. Это по сути подразумевает оценку вероятностей возможных бизнес-результатов вместе с их сопутствующими доходами в этот период и объединение этих оценок для расчета ожидаемой ценности.
Осознавая суть ожидаемой ценности, команды продуктов ИИ могут применять проверенные временем методы анализа инвестиций, упомянутые выше, для выявления и отбора инвестиционных возможностей, таких как проекты для реализации и функции для внедрения клиентам. В этой публикации от appliedAI, европейского института, способствующего сотрудничеству между промышленностью и академией в продвижении ответственного ИИ, авторы описывают метод расчета ROIC для продуктов ИИ с использованием ожидаемых значений. Они представляют диаграмму дерева для расчета ROIC, которая разбирает компонент "доход" в формуле на "пользы" от продукта ИИ (основанные на количестве и качестве предсказаний модели) и неопределенности/ожидаемые затраты этих польз. Эти доходы противопоставляются стоимости инвестиций, то есть общим расходам на ресурсы (IT, труд и прочее), необходимые для разработки, эксплуатации и поддержки продукта ИИ. Расчет ROIC различных инвестиционных возможностей в ИИ с помощью ожидаемых значений помогает продуктовым командам определять и выбирать перспективные варианты, несмотря на присущую неопределенность.
Применение реальных опционов обеспечивает командам еще большую гибкость в принятии решений (подробнее о реальных опционах можно прочитать здесь и здесь). Обычные типы реальных опционов включают опцион на расширение (например, увеличение функциональности продукта ИИ или предложение его более широкому кругу клиентов), опцион на сокращение или уменьшение (например, предложение продукта только премиальным клиентам в будущем), опцион на переключение (например, возможность переноса нагрузок ИИ с одного гиперскейлера на другой), опцион на ожидание (например, отложение решения о создании продукта ИИ до подтверждения готовности рынка) и опцион на отказ (например, завершение жизненного цикла продукта). Чтобы определить, стоит ли инвестировать в один или несколько таких опционов, продуктовые команды могут оценить ожидаемую ценность каждого и действовать соответственно.
В видео ниже приведены практические примеры того, как стандартные рамки (NPV, DCF) и анализ реальных опционов могут привести к разным выводам относительно привлекательности инвестиционных решений:
Управление портфелем ИИ
В любой момент времени компании, особенно крупные, обычно ведут деятельность по нескольким направлениям: запускают новые продукты, расширяют или оптимизируют существующие, а также выводят с рынка другие. Таким образом, лидеры продуктов сталкиваются с постоянной и сложной задачей управления портфелем продуктов, которая включает распределение ограниченных ресурсов (бюджет, персонал и т.д.) по эволюционирующему набору продуктов на разных стадиях жизненного цикла, с учетом внутренних факторов (например, сильных и слабых сторон компании) и внешних (например, угроз и возможностей, связанных с макроэкономическими тенденциями и изменениями в конкурентной среде). Эта задача становится особенно трудной, когда новые продукты ИИ конкурируют за место в портфеле с другими ключевыми продуктами и инициативами (например, связанными с overdue миграциями технологий, модернизацией пользовательских интерфейсов и улучшениями надежности и безопасности основных сервисов).
Хотя современная теория портфеля (MPT) в основном ассоциируется с финансами, это понятие опирается на анализ ожидаемой ценности и может применяться для управления портфелями продуктов ИИ. В сущности, MPT помогает лидерам продуктов формировать портфели, сочетающие различные типы активов (продуктов), чтобы максимизировать ожидаемые доходы (например, выручку, использование и удовлетворенность клиентов в будущем периоде), одновременно минимизируя риски (например, из-за накопления технического долга, угроз от конкурентов и регуляторного давления). Вероятностное мышление в виде анализа ожидаемой ценности позволяет оценивать ожидаемые доходы и учитывать риски, обеспечивая более изощренный подход. Посмотрите видео ниже для иллюстрации применения MPT в контексте ИИ:
Противодействие поведенческим предубеждениям
Представьте, что вы выиграли в игре и вам предлагают три варианта приза: (1) гарантированные 100 долларов, (2) 50% шанс выиграть 200 долларов и (3) 10% шанс выиграть 1100 долларов. Какой приз вы выберете и как ранжируете их в целом? Первый приз обеспечивает определенный доход, в то время как два других несут разную степень риска. Однако ожидаемый доход второго приза составляет 200*0.5 + 0*0.5 = 100 долларов, поэтому теоретически мы должны быть равнодушны к выбору между первым и вторым призами, поскольку их ожидаемые доходы одинаковы. Тем временем третий приз дает ожидаемый доход 1100*0.1 + 0*0.9 = 110 долларов, так что, безусловно, теоретически мы должны предпочесть его остальным. В ранжировании третий вариант получит первое место, а первые два займут совместное второе. Для более глубокого понимания этой дискуссии рекомендуется ознакомиться с разделом теории и выбранными кейсами в этой статье.
Вышеуказанный анализ предполагает, что мы выступаем в роли идеально рациональных агентов, всегда принимающих оптимальные решения на основе доступной информации, как это описывают экономисты. Но на практике мы далеки от идеальной рациональности. Как люди, мы подвержены множеству поведенческих (или когнитивных) предубеждений, которые, несмотря на возможное эволюционное обоснование, часто искажают наше суждение и приводят к субоптимальным решениям. Одно из ключевых предубеждений, которое могло повлиять на ваш выбор приза в приведенном примере, называется отвращением к потерям, подразумевающим большую чувствительность к убыткам по сравнению с выгодами. Поскольку первый вариант представляет гарантированную выгоду в 100 долларов (без ощущения потери), в то время как третий несет 90% вероятность не получить ничего, отвращение к потерям (или избегающая риски позиция) может побудить выбрать первый, теоретически менее выгодный вариант. Фактически, даже способ формулировки вариантов приза может влиять на решение. Описание третьего как "10% шанс выиграть 1100 долларов" может показаться привлекательнее, чем "90% риск не получить ничего и 10% шанс получить 1100 долларов", поскольку последнее подразумевает возможность потери (по сравнению с гарантированными 100 долларами) и не акцентирует "выигрыш".
Защита от субоптимальных решений, вызванных поведенческими предубеждениями, крайне важна при разработке и реализации надежной стратегии ИИ, особенно на фоне ажиотажа вокруг генеративного ИИ после публичного релиза ChatGPT в конце 2022 года. Сегодня тема ИИ привлекает внимание советов директоров в компаниях различных отраслей, а объявление компании "ИИ-ориентированной" может поднять ее акции. Потенциально революционное влияние ИИ (способное существенно снизить затраты на создание множества товаров и услуг) часто сравнивают с ключевыми историческими событиями, такими как появление интернета (снижающего затраты на распространение) и облачных вычислений (снижающих затраты на владение IT). Ажиотаж вокруг ИИ, даже если он оправдан в отдельных случаях, создает огромное давление на руководителей, побуждая спешно внедрять ИИ, несмотря на недостаточную подготовку. Многие компании не имеют доступа к данным и талантам в ИИ, необходимым для создания конкурентоспособных продуктов. Опирание на сторонних провайдеров может показаться удобным в краткосрочной перспективе, но несет долгосрочные риски из-за зависимости от поставщика.
В этой ситуации лидеры компаний могут использовать вероятностное мышление, в частности концепцию ожидаемой ценности, для противодействия распространенным поведенческим предубеждениям, таким как:
- Менталитет стада: Руководители склонны следовать за большинством. Если CEO видит, что коллеги в других компаниях инвестируют значительные средства в генеративный ИИ, она может почувствовать необходимость сделать то же самое, даже если риски и ограничения новой технологии не оценены тщательно, а продуктовые команды еще не готовы. Это предубеждение тесно связано со страхом упустить выгоду (FOMO). Лидеры продуктов могут помочь коллегам в высшем руководстве избежать ошибочных решений, основанных на слепом следовании толпе или FOMO, аргументируя в пользу создания разнообразного набора реальных опционов и приоритизации их по ожидаемой ценности.
- Чрезмерная уверенность: Лидеры продуктов могут переоценивать свою способность прогнозировать успех новых продуктов на базе ИИ. Они могут считать, что лучше понимают технологию и вероятную реакцию клиентов, чем есть на самом деле, что приводит к необоснованной уверенности в инвестициях. Чрезмерная уверенность провоцирует излишний риск, особенно с недоказанными технологиями вроде генеративного ИИ. Анализ ожидаемой ценности помогает сбалансировать эту уверенность и способствует более осторожным решениям.
- Ловушка невозвратных затрат: Эта логическая ошибка известна как "бросание хороших денег вслед за плохими". Она возникает, когда лидеры продуктов и команды считают, что прошлые вложения оправдывают дополнительные будущие расходы, даже если общая отдача от всех инвестиций отрицательна. Например, сегодня лидеры могут направлять все больше ресурсов на продукты на базе генеративного ИИ, несмотря на отрицательную ожидаемую отдачу из-за проблем с галлюцинациями, конфиденциальностью данных, безопасностью и надежностью. Мышление в терминах ожидаемой ценности помогает избежать этой ловушки.
- Предвзятость подтверждения: Руководители и менеджеры могут искать информацию, подтверждающую их существующие убеждения, игнорируя ключевые данные, противоречащие им. При оценке (генеративного) ИИ менеджеры продуктов могут выборочно фокусироваться на историях успеха и результатах исследований пользователей, соответствующих их предубеждениям, что затрудняет объективную оценку ограничений и рисков. Анализируя ожидаемую ценность инвестиций в ИИ, менеджеры продуктов могут оспаривать необоснованные предположения и принимать рациональные решения, не поддаваясь прошлым убеждениям или выборочной информации. Ключевой аспект концепции ожидаемой ценности заключается в возможности обновления убеждений на основе новой информации и стимулировании осторожного, долгосрочного подхода к принятию решений.
Для более полного списка таких предубеждений см. эту статью в Википедии.
Итоги
Как показывает эта статья, вероятностное мышление через призму ожидаемых значений может формировать стратегию ИИ компании несколькими способами: от обнаружения реальных опционов и построения устойчивых портфелей продуктов до защиты от поведенческих предубеждений. Актуальность вероятностного мышления, пожалуй, не удивительна, учитывая, что большинство компаний сегодня функционируют в так называемой VUCA-среде бизнеса, характеризующейся разными уровнями волатильности, неопределенности, сложности и неоднозначности. В этом контексте анализ ожидаемой ценности побуждает руководителей признавать и количественно оценивать неопределенность будущих выплат, действуя осторожно для захвата ценности при одновременном снижении рисков. В целом, вероятностное мышление как стратегический инструментарий, вероятно, будет набирать значимость в будущем, где неопределенные технологии вроде ИИ играют доминирующую роль в росте компаний и создании ценности для акционеров.