Работа с данными в любой сфере (Еременко) - страница 33

Игра в шахматы полностью основана на логике. Цель Deep Blue состояла в том, чтобы безупречно соблюдать эту логику и ждать, пока противник допустит ошибку. Люди совершают ошибки, машины – нет. В отличие от шахмат игра в го основана на интуиции. По сравнению с логикой, которой руководствуется компьютер, интуиция – гораздо более сложный феномен: она требует, чтобы машина развивала внутренние знания об игре, которые не могут быть просто запрограммированы в ней[18].

В го игроки перемещают черные и белые фишки по доске с разметкой 19×19 клеток. Цель игры – захватить бо́льшую площадь, чем противник. AlphaGo первоначально получила обширную базу данных – около 30 млн сделанных людьми ходов, проанализированных с помощью комбинации машинных алгоритмов и методов свободного поиска. После того как значительное количество игр было сыграно против соперников-людей и собрано достаточно знаний о поведении противников, AlphaGo миллионы раз сыграла сама против себя, чтобы еще больше улучшить результаты. (Это тип обучения с подкреплением, о котором я расскажу более подробно в главе 6.) Только после того, как этот период обучения завершился, создатели машины выставили ее против лучших игроков мира. От шахмат до го искусственный интеллект прошел значительный путь, обучаясь через действия и наблюдения, а не только применяя математическую логику[19].

В этот момент вы можете подумать: «Победа ИИ в шахматах и гo впечатляет, но как все это относится к бизнесу?»

Применение искусственного интеллекта не ограничивается победами над людьми в игре го. Та же компания DeepMind разработала искусственный интеллект, чтобы помочь Google лучше управлять охлаждением в их обширных центрах обработки данных. Система смогла последовательно достигнуть поразительного 40 %-ного сокращения количества энергии, используемой для охлаждения. Это не только создает огромный потенциал для экономии в компании, но также означает повышение энергоэффективности, сокращение выбросов и в конечном счете – вклад в решение проблемы изменения климата (DeepMind, 2016). Если это не творческий подход к решению проблем бизнеса, то я не знаю, что им является.

3. Используйте свое прошлое

Как я уже говорил в пункте 1, истинная красота науки о данных заключается в том, что в отличие от многих других дисциплин для ее освоения не потребуются годы практики. Читатели, которые только начинают заниматься наукой о данных, не должны чувствовать себя в невыгодном положении относительно сверстников, которые, возможно, работали с данными и изучали их всю жизнь. Опять же, все, что вам нужно, – это небольшое изменение в мышлении – сосредоточьтесь на том, что вы