вторник, 26 марта 2024 г.

Немного идей о буддизме и сутрах

Элемент - самосущая единичность

Каковы основные идеи праджня-парамитских сутр? Их можно обобщить следующим образом:
  1. Бессущностна не только личность, но и образующие ее (равно как и всю сферу опыта) элементарные психофизические состояния — дхармы. Более того, наличие представления о самосущей единичности, или элементе, является источником всех заблуждений и корнем сансарического существования. Именно из соответствующего представления вытекают и все прочие ложные идеи — о вечном «я», душе, субстанциальной личности и другие.
  2. Пребывание живых существ в сансаре иллюзорно. В действительности все живые существа являются Буддами и изначально пребывают в нирване. Только неведение порождает мираж сансарического существования. Эту истину постигает бодхисаттва, осознавая, что с точки зрения абсолютной истины спасать некого и не от чего. И вместе с тем, руководствуясь этим знанием, он на уровне относительной истины стремится спасать эмпирически наличные живые существа. Для бодхисаттвы не существует представлений о «я», личности, душе и дхармах.
  3. Будда не есть человеческое существо, пусть даже и совершенное в своей святости. Будда — синоним истинной реальности, как она есть, и глубоко заблуждается тот, кто думает опознать Будду по его физическим признакам.
  4. Истинная реальность не может быть описана и обозначена. Она в принципе не семиотична и недоступна для языкового выражения Все описываемое не есть реальность и все реальное не может быть выражено в языке и представлении
  5. Истинная реальность постигается благодаря йогической интуиции, которая и есть праджня-парамита. Праджня-парамитские тексты предназначены для порождения в воспринимающем их человеке соответствующего состояния. Следовательно, если учесть невыразимую природу реальности, праджня-парамитская сутра есть текст, отрицающий сам себя.
Последний пункт особенно важен: праджня-парамитский текст — текст с психопрактическими функциями.

пятница, 22 марта 2024 г.

Архитектура предприятия



SAP представил следующую простую "картинку" архитектуры предприятия:


Уровни архитектуры предприятия (в ходе перевода упоминание SAP S/4HANA заменено на "цифру".
  • Стратегия и организация. Как архитектура поддерживает наилучшим образом стратегию бизнеса.
  • Бизнес процессы. Какие бизнес-процессы имеют наибольшие возможности для улучшения? Как идентифицировать эти бизнес-процессы.
  • Функции/Возможности. Как получить максимум из "цифры"? Какие компоненты связаны с потребностями бизнеса?
  • Приложения. Как старые приложения могут быть переведены на "цифру"? Что стоит сохранить? Как сохранить ландшафт максимально экономичным?
  • Данные. Какие стратегические данные поддерживают бизнес приоритеты? Как можно увероваться в качестве данных на всем ландшафте?
  • Платформа. Какие возможности платформы интеллектуализируют предприятие?
  • Технология. Как перейти в "облако"? Каковы риски и ограничения используемых технологий?

понедельник, 18 марта 2024 г.

О сознании

Теперь – о сознании. Интересная штуковина, правда ведь? Оно – плод безумной гонки вооружений между хищником и жертвой. Если понаблюдать за кошкой и мышкой, можно заметить: поведение кошки разумнее всего объяснить тем, что у кошки в наличии модель сознания мышки. Внутренняя симуляция, позволяющая предсказывать наиболее вероятное поведение мышки, замечающей хищника. Например, куда та побежит. И кошка, используя эту модель, может оптимизировать стратегию атаки. Но одновременно с этим виды добычи, устроенные достаточно сложно для того, чтобы иметь собственную модель сознания, получают преимущество в обороне, если становятся способными предвидеть действия хищника. В конце концов именно эта самая гонка вооружений млекопитающих и привела к появлению нас, вида социальных обезьян, шагнувших дальше. Мы научились использовать модель сознания для улучшения системы сигналов, чтобы племя работало сообща, а затем и для рефлексии, чтобы и внутренние состояния самого индивидуума можно было строить. Сложи эти два фактора, сигнальную систему и интроспективную симуляцию, и ты получишь сознание человеческого уровня, а в качестве бонуса – язык, систему передачи информации о внутренних состояниях, а не просто набор примитивных сигналов вроде «хищник идет!» или «еда!».

Цитата из книги Чарльза Стросса. Аччелерандо




четверг, 14 марта 2024 г.

Слайды проектного менеджмента применительно к управлению знаниями

Из архивов нашлись такие слайды-заметки. Оставляю на всякий случай.



DIKW модель

DIKW (data, information, knowledge, wisdom) — совокупность моделей, которые отображают структурные и функциональные связи между такими категориями как данные, информация, знания и мудрость. Демонстрирует пути получения ценности в процессе обработки данных. Представляет собой не технологию, а теоретическую основу для понимания того, какие этапы необходимо пройти для получения пользы от имеющихся данных.




KM Index - Индекс управления знаниями — это инструмент оценки, разработанный проектом «The Knowledge for Health (K4Health) Project для изучения использования организацией или проектом практики управления знаниями (KM), выявления возможностей для улучшения и составления плана действий по укреплению KM. Индекс KM измеряет потенциал в четырех фундаментальных областях практики KM:
  • организационная структура (видение и стратегия KM),
  • возможности обучения (профессиональное развитие),
  • внутренняя культура KM (поиск и обмен знаниями),
  • KM для глобального повышения зрелости.

Индекс KM следует использовать в качестве базовой оценки и о проектной деятельности, направленной на повышение потенциала KM, а также в качестве конечной оценки изменений в развитии потенциала KM и реализации инициатив KM.





 

воскресенье, 10 марта 2024 г.

К теме искусственного интеллекта в банках

Приложения генеративного искусственного интеллекта (gen AI) развиваются в авангарде банковских учреждений. Большинство первоначальных приложений были сосредоточены на улучшении обслуживания клиентов, производительности агентов и разработке программного обеспечения. 

Согласно анализу McKinsey, около 75% стоимости, созданной искусственным интеллектом во всех отраслях на сегодняшний день, приходится на взаимодействие с клиентами и три другие категории: синтез контента (виртуальный эксперт), генерация контента, а также кодирование и программное обеспечение.

Привлечения клиентов. Решения Gen AI могут превратить утомительные ручные процессы в более увлекательное и эффективное взаимодействие. Например, виртуальный помощник кредитора помогает сотрудникам пройти процесс подачи кредитной заявки, используя полезные выдержки из истории чата, объяснения терминов. Это делает процесс более рациональным и менее обременительным. Некоторые банки используют Gen AI для предоставления сотрудникам утвержденных шаблонов, которые помогают при оформлении документации.

Синтез контента (виртуальный эксперт). Модели Gen AI повышают производительность сотрудников, обобщая и извлекая информацию из огромных объемов информации — например, запрашивая последние государственные нормативные акты в разных регионах; создание исследовательских отчетов, презентаций, анализа настроений клиентов и инструкций; или выступать в роли «виртуального эксперта». Сообщается, что Morgan Stanley создал ИИ-помощника, использующего GPT-4, который помогает десяткам тысяч управляющих активами быстро находить и синтезировать ответы из огромной внутренней базы знаний. Он также обобщает встречи с клиентами и генерирует электронные письма. Другой ведущий банк сообщил, что он близок к сокращению времени на составление инвестиционного обзора более чем на 90% (с девяти часов до 30 минут) благодаря использованию искусственного интеллекта.

Генерация контента. Модели Gen AI могут создавать персонализированный контент в режиме реального времени для многих вариантов использования. Например, персонализированные маркетинговые материалы, сформированные на основе профилей клиентов, их историй и подробностей о продуктах.

Кодирование и программное обеспечение. Помощники по программированию на основе искусственного интеллекта помогают компаниям справиться с технологическим долгом и ускорить разработку программного обеспечения. Помощники по коду переводят устаревший код на новые языки, используя подсказки на естественном языке, и помогают разработчикам отлаживать и создавать тесты.

Риски использования Gen AI


Генеративный ИИ (Gen AI), несмотря на все свои потенциальные преимущества, сопряжен с уникальными рисками. Некоторые из наиболее важных проблем включают в себя:

Несправедливость. Gen AI может проецировать алгоритмическую предвзятость из-за несовершенства обучающих данных или инженерных решений на этапах разработки и развертывания.

Проблемы камни интеллектуальной собственности. Данные обучения и выходные данные моделей могут создавать значительные риски для интеллектуальной собственности, включая возможное нарушение авторских прав, товарных знаков, запатентованных и иным образом защищенных законом материалов.

Проблемы конфиденциальности. Gen AI может усилить проблемы конфиденциальности из-за (потенциально непреднамеренного) использования личной или иной конфиденциальной информации, используемой при обучении моделей.

Угрозы безопасности. Приложения могут подвергаться уязвимостям безопасности и манипуляциям. Например, злоумышленники могут обойти фильтры безопасности посредством запутывания, разделения полезной нагрузки или виртуализации.

Отсутствие объяснимости. Gen AI опирается на нейронные сети с миллиардами параметров, тем самым усложняя попытки объяснить пользователям, как создается тот или иной ответ.

Ненадежность. Gen AI может давать разные ответы на одни и те же запросы, что затрудняет способность пользователей оценивать точность и надежность результатов.

Организационное воздействие. Gen AI может существенно повлиять на рабочую силу, оказывая потенциально непропорциональное негативное воздействие на отдельные группы и местные сообщества.

Последствия ESG. Обучение и внедрение базовых моделей могут увеличить выбросы углекислого газа и превзойти экологические, социальные и управленческие (ESG) обязательства или ожидания.


Gen AI потенциально может произвести революцию в способах управления рисками банков. Это может позволить подразделениям перейти от ориентированной на задачи деятельности к партнерству с бизнес-подразделениями по предотвращению стратегических рисков и обеспечению контроля на начальном этапе взаимодействия с новыми клиентами. Это, в свою очередь, освободит специалистов по рискам для консультирования предприятий по вопросам разработки новых продуктов и стратегических бизнес-решений, изучения возникающих тенденций и сценариев риска, повышения устойчивости и активного улучшения процессов управления рисками и контроля.

Использование Gen AI в функциях управления рисками и соблюдением требований


Соответствие нормативным требованиям. Предприятия используют Gen AI в качестве виртуального эксперта по нормативно-правовому регулированию и политике, обучая его отвечать на вопросы о правилах, политике компании и руководящих принципах. Технология также может сравнивать политики, правила и рабочие процедуры. Он может проверять код на наличие несоответствий и пробелов. Он может автоматизировать проверку соблюдения нормативных требований и предупреждать о потенциальных нарушениях.

Финансовое преступление. Gen AI может генерировать отчеты о подозрительной активности на основе информации о клиентах и ​​транзакциях. Он также может автоматизировать создание и обновление рейтингов рисков клиентов на основе изменений в атрибутах «знай своего клиента». Создавая и улучшая код для обнаружения подозрительной активности и анализа транзакций, технология может улучшить мониторинг транзакций.

Риск кредита. Обобщая информацию о клиентах (например, транзакции с другими банками) для обоснования кредитных решений, Gen AI может помочь ускорить сквозной кредитный процесс. После принятия решения о кредите он может составить кредитное авизо и договор. Финансовые учреждения используют эту технологию для создания отчетов о кредитных рисках и извлечения информации о клиентах из кредитных авизо. Gen AI может генерировать код для получения и анализа кредитных данных, чтобы получить представление о профилях рисков клиентов и генерировать оценки вероятности дефолта и потерь с помощью моделей.

Моделирование и анализ данных. Gen AI может ускорить миграцию с устаревших языков программирования. Он также может автоматизировать мониторинг производительности модели и генерировать оповещения, если показатели выходят за пределы допустимых значений. Компании также используют ИИ для разработки документации по моделям и отчетов о проверке.

Киберриск. Проверяя уязвимости кибербезопасности, Gen AI может использовать естественный язык для генерации кода и ускорить разработку безопасного кода. Технология также может служить виртуальным экспертом для исследования данных безопасности. Это может сделать обнаружение рисков более разумным за счет ускорения и агрегирования информации о безопасности и тенденций на основе событий безопасности и аномалий поведения.

Климатический риск. В качестве ускорителя кодирования Gen AI может предлагать фрагменты кода, облегчать модульное тестирование и помогать визуализировать физические риски с помощью карт высокого разрешения. Он может автоматизировать сбор данных для оценки рисков перехода контрагентов и генерировать сигналы раннего предупреждения на основе триггерных событий. Будучи виртуальным экспертом, Gen AI может автоматически создавать отчеты по экологическим, социальным и управленческим темам (ESG), а также разделы годовых отчетов, посвященные устойчивому развитию.

Операционные риски. Еще одна область, в которой ИИ может сыграть важную роль, — это операционные риски. Банки могут использовать Gen AI для автоматизации контроля, мониторинга и обнаружения инцидентов. Gen AI также может автоматически составлять оценку рисков и контролировать их.

Функции управления рисками


Доведение информации о рисках. Все в организации должны быть осведомлены о рисках, присущих Gen AI, публикуя информацию о том, что можно и чего нельзя делать, а также устанавливая ограничения рисков.

Актуализации критериев идентификации политики и моделей рисков. Обновление критериев идентификации моделей и политику моделирования рисков (в соответствии с такими нормативными актами, как Закон ЕС об искусственном интеллекте) с тем, чтобы обеспечить идентификацию и классификацию моделей Gen AI, а также иметь соответствующую систему оценки и контроля рисков.

Подготовка экспертов по рискам и соблюдению требований, связанных с искусственным интеллектом, которые смогут работать напрямую с передовыми командами разработчиков над новыми продуктами и взаимодействиями с клиентами.

Пересмотр существующих принципов «знай своего клиента», мер по борьбе с отмыванием денег, мошенничеством и киберконтролем с тем, чтобы убедиться, что они по-прежнему эффективны в мире с поддержкой искусственного интеллекта.

Семь измерений масштабирования генеративного ИИ


  1. Стратегическая дорожная карта. 
    • Видение, согласованность и приверженность высшего руководства и подотчетность на уровне бизнес-подразделений для достижения результатов. 
    • Список приоритетных областей (функций или бизнес-подразделений), в которых можно построить несколько связанных вариантов использования, каждый из которых имеет четкое экономическое обоснование, основанное на потенциальной ценности и осуществимости доставки (Gen AI не всегда является правильным решением; иногда традиционный аналитический ИИ лучше). 
    • Четкие цели «от - к», которые переосмысливают приоритетные области. 
    • Оценка возможностей, включая таланты, гибкую операционную модель, технологии и данные.
    • Тщательный план масштабирования, в котором указано, когда и как решать каждую область и создавать необходимые возможности.
    • Подробный план партнерства, при необходимости, для потенциального расширения существующих возможностей или приобретения новых.
  2. Привелечение талантов.
  3. Операционная модель.
  4. Технология.
  5. Данные.
  6. Риск и контроль (упрваление).
  7. Внедрение и управление изменениями.

Источники


https://www.mckinsey.com/industries/financial-services/our-insights/capturing-the-full-value-of-generative-ai-in-banking

https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/how-generative-ai-can-help-banks-manage-risk-and-compliance

среда, 6 марта 2024 г.

Как обнаружить дезинформацию

Большая часть онлайн-контента рассчитана на высокую вовлеченность, а не на точность.

Развитие алгоритмов социальных сетей увеличило количество способов распространения научной дезинформации, а также расширило типы дезинформации, с которой вы, вероятно, столкнетесь. Это уже не просто гомеопатия; сегодня это политические и социальные претензии, призванные возмутить вас и заставить поделиться контентом.

Одна вещь, которая действительно возникла и заняла первое место в XXI веке, — это так называемая аффективная поляризация

Аффективная поляризация — это тенденция людей с партийными чувствами активно не любить людей из оппозиционной политической партии. Социологи активно изучают, почему это явление стало такой заметной чертой.

Причина, вероятно, многофакторна, но одной из причин, безусловно, стал рост алгоритмов социальных сетей, связанный с ростом аффективной поляризации. Основной сюжет (и это не просто какая-то случайная гипотеза, это был предмет большого количества исследований) заключается в том, что статьи в социальных сетях продвигаются (то есть показываются большему количеству людей), когда они получают высокую степень вовлеченности. Если я опубликую фотографию растения в горшке, на нее никто не отреагирует, и алгоритм ее проигнорирует; если я опубликую фотографию детей, которых приносят в жертву культисты, это вызовет огромное возмущение, и все нажмут на нее, репостнут или оставят комментарий. Затем алгоритм продвигает этот пост еще большему количеству людей, вызывая еще больше реакций, и люди проводят больше времени на платформе, выражая свое возмущение. Это означает большую доступность рекламы и, следовательно, больший доход.

Эта система воспользовалась огромным преимуществом аффективной поляризации. Если вы посмотрите на недавние президентские выборы, темы дел в Верховном суде, а также на социальные и религиозные разногласия, высокая аффективная поляризация означает большее возмущение в сообщениях в социальных сетях и, следовательно, гораздо более высокую вовлеченность. Если вы когда-либо нажимали на «гневную» реакцию или делились в социальных сетях статьей, раскрывающей какую-то ужасную новость, которую задумала противостоящая политическая партия, скорее всего, вам показали этот пост, потому что алгоритм знал из вашего прошлого поведения, что ваша политическая партия поляризация означала, что вы, скорее всего, предпримете именно это действие. А те дополнительные минуты, которые вы провели на сайте, просто принесли кому-то деньги.

Когда так много людей во всем мире находятся во власти такого эффективного влияния, неудивительно, что мировые правительства использовали его в своих интересах, чтобы сеять раскол и нестабильность на выборах друг друга. Конечным результатом всего этого является огромное количество онлайн-информации, которая распространяется как в защиту, так и против всего, что вы можете себе представить, особенно всего, что кого-то шокирует и возмущает. И вот очень важный момент: эти онлайн-статьи и посты кажутся нам весьма правдоподобными, независимо от их точности, из-за обратной стороны медали аффективной поляризации, которая представляет собой тенденцию автоматически симпатизировать и доверять людям. Поэтому, поскольку мы видим, что весь этот контент поступает из надежных источников — людей, за которыми мы следим в Интернете, — мы автоматически воспринимаем это как факт.

Из-за этого дезинформацию распознать труднее, чем когда-либо прежде.

Является ли вопрос вызывающим разногласия. Вопросом, из-за которого какая-либо группа становится злодейской?

Это, пожалуй, самый большой тревожный сигнал о том, что статья вполне может быть пропагандой, варьирующейся от преувеличенной до совершенно ложной. Это негативная статья о каких-то ужасных новых действиях какой-то группы, нации или демографической группы, которая вам уже не нравится?

Реальные новостные статьи не вызывают разногласий. Они сообщают о важных событиях. Иногда это преступления или международные конфликты, но настоящие непредвзятые новостные сайты понимают, что все международные конфликты многогранны и сложны; поэтому они, как правило, не сообщают об односторонней точке зрения.

Если вам кажется, что статья слишком точно соответствует вашим предубеждениям, воспринимайте это как предупреждение о том, что алгоритм показал вам что-то, на что, как он знал, вы отреагируете.

Обвиняет ли заголовок некоторую политическую фигуру?

Классическая вызывающая разногласия статья, дезинформирующая, призывает к ответственности какого-нибудь политика, и посвящена какой-то возмутительной, невероятной новой идее, которую пытаются протолкнуть политики. Алгоритмы любят распространять такие истории, потому что очень много людей делятся ими и добавляю комментарии со своим возмущением.

У этой медали есть две стороны. Маргинальные партийные политики часто используют сеющую разногласия терминологию и часто указывают на призраков, чтобы поддерживать воодушевление и использовать эту аффективную поляризацию для сохранения популярности. Но не все всегда это делают. Часто вы обнаружите, что в отчете об их возмутительном поведении есть не что иное, как доля правды, и что в этой истории есть нечто большее, а их настоящие комментарии в контексте вообще не были возмутительными.

Так что просто имейте в виду, что политики, которые вам нравятся, могут заниматься первым; и сеющие разногласия политики, которых вы ненавидите, возможно, занимаются последним. В мире гораздо больше здравомыслия, чем безумия; это просто алгоритмы, которые заставят вас думать иначе.

Поищите на объективном новостном сайте.

Если ваша статья представляет собой некачественную информацию, призванную вызвать разногласия и возмущение, то вы, вероятно, вообще не найдете эту историю на качественных, объективных новостных сайтах. Возникает вопрос, как их найти? Какие источники новостей являются надежными и беспристрастными? Прим. Открытый вопрос. Автор ссылается на американские издания...

Поищите на сайтах проверки фактов.

Если история вымышлена, то почти наверняка кто-то другой уже проделал всю работу за вас. Проверьте это. Найдите его на паре ваших любимых из четырех лучших сайтов по проверке фактов. Автор приводит: Snopes , Politifact , FactCheck.org и BBC Reality Check.

Всегда выполняйте быструю перепроверку источника.

Является ли статья со знакомого новостного сайта, который, как вы уверены, является законным? Если это не так, то вам лучше быстро проверить, настоящий ли этот сайт, или это сайт пародии или сатиры, или просто какой-то мусорный сайт, который недавно был создан без заслуживающего доверия происхождения.

Что делать, если вы обнаружили дезинформацию

Всякий раз, когда вы видите в социальных сетях пост, который вы считаете пропагандой, основанной на алгоритмах, лишите его кислорода. Скройте. При необходимости заблокируйте отправителя. Если сообщение опубликовано другом, сообщите ему, что это, вероятно, пропаганда, основанная на алгоритмах. Убедитесь, что вы не делаете комментарий к самому сообщению, потому что любой комментарий (даже отрицательный) имеет значение и еще больше повышает ценность этой статьи.

Наконец, я рекомендую очистить ваши собственные источники.

Брайан Даннинг
How to Spot Misinformation.
https://skeptoid.com/episodes/4910



суббота, 2 марта 2024 г.

Масштабирование ИИ

Когда организация эксплуатирует модель машинного обучения, модель может устареть или снизить производительность из-за изменений в базовых данных или изменениях в бизнес-требованиях. Масштабирование ИИ также сопряжено с рисками, такими как снижение производительности, с необходимостью соблюдения организацией высоких стандартов безопасности, соблюдения нормативных требований и этики. По мере масштабирования проектов искусственного интеллекта командам сложнее поддерживать производительность в силу растущей сложности, неэффективного сотрудничества и отсутствия стандартизированных процессов разработки и стандартизированных инструментов.

Четыре технических фактора для успешного масштабирования ИИ:
  • хранилища функций (репозитории кодов), 
  • повторно используемые пакеты и модули, 
  • стандартизированные подходы в разработке ИИ,
  • использование технологических возможностей операций машинного обучения (MLOps).

Хранилища функций


При разработке новых моделей машинного обучения группы обработки данных часто сталкиваются с проблемами, связанными с качеством данных, их доступностью для разработки, а также с обслуживанием и мониторингом моделей. Данные могут содержать ошибки, пропущенные значения, систематическую ошибку или выбросы, которые влияют на скорость разработки модели и качество работы модели. Кроме того, данные из различных источников могут быть труднодоступны из-за неэффективного управления данными. Эти проблемы в конечном итоге увеличивают затраты на разработку и обслуживание, влияют на способность моделей генерировать значимые и действенные идеи на основе своих данных.

Хранилища функций помогают устранить дубеирование усилий и ускорить разработку и развертывание моделей машинного обучения предоставляя единую платформу, на которой специалисты, работающие с данными, могут сотрудничать и повторно использовать функции. Это по сути межфункциональное сотрудничество.

Например, в модель данных могут добавляться новые функции, обрабатывающие поступающие данных из разных источников, такие, например, как функции прогноза оттока клиентов. Новые функции могут использоваться другими специалистами. Например, рпск-менеждеры, - создающие и модифицирующие модели риска. Тогда этим специалистам не нужно с нуля создавать новые функции.

Хранилища функций не только ускоряют разработку отдельных вариантов использования, но также помогают поддерживать контроль версий, отслеживать происхождение данных, что значительно повышает общее качество моделей и обеспечивает управление конвейером AI/ML. Хранилища функций могут облегчить масштабирование проектов искусственного интеллекта и машинного обучения. Используя совокупные знания и опыт, содержащиеся в хранилище функций, компании могут быстро разрабатывать и внедрять новые модели машинного обучения, способствуя инновациям, стимулируя рост в быстро меняющейся конкурентной среде.

Повторно используемые пакеты и модули


Если организации принимают бизнес-решения на основе кода, который не прошел всестороннюю проверку, то возникают у организации возникают соответствующие риски.

В силу затрат на всестороннюю проверку, повторное используование пакетов и модулей является хорошей передовой практикой разработки программного обеспечения и организациям следует рассмотреть возможность внедрения повторного использования пакетов и модулей при разработке проектов AI/ML. Проектирование программного обеспечения с использованием пакетов кода и модулей похоже на строительство здания из готовых компонентов. Готовые элементы кода могут помочь группам обработки данных ускорить процесс разработки, снизить затраты, поддерживать согласованную, легко поддерживаемую и гибкую структуру программного обеспечения. Это может привести к долгосрочному успеху и устойчивости инициатив AI/ML.

Многоразовые пакеты кода сокращают дублирование усилий, позволяя группам обработки данных сосредоточиться на совместной работе, инновациях и стратегических задачах, а не на мелочах кодирования. Этот модульный подход означает, что проекты AI/ML становятся более экономичными, поскольку ресурсы можно распределять более эффективно. Это также облегчает организациям модификацию, расширение или перепрофилирование проектов. Затем они смогут постоянно совершенствовать проекты искусственного интеллекта и машинного обучения в соответствии с меняющимися рыночными условиями, требованиями клиентов или нормативными требованиями.

Стандартизированные подходы в разработке ИИ


Учитывая скорость и потребность в трансформации ИИ, организации должны принять стандарты и протоколы для эффективного масштабирования ИИ. Создание надежной структуры стандартов и протоколов дает командам данных рекомендации по созданию, оценке и развертыванию моделей машинного обучения. Используя эту структуру, группы обработки данных следуют стандартизированному подходу при разработке сценариев использования ИИ и соблюдают ограничения, необходимые для их отрасли (например, не используют функции, которые могут создать предвзятость).

При масштабировании ИИ организации могут добиться успеха, внедрив три важных аспекта стандартов и протоколов: 
  • инженерные стандарты, 
  • передовые методы управления данными и жизненным циклом машинного обучения,
  • нормативные требования, соответствие требованиям и этику.

Стандартные технологии разработки программного обеспечения. Организации могут применять стандартные технологии разработки программного обеспечения, чтобы максимизировать отдачу от своих инвестиций в ИИ. Среды непрерывной интеграции/непрерывного развертывания (CI/CD) и автоматизированного тестирования позволяют организациям автоматизировать создание, тестирование и развертывание ИИ.

Лучшие практики обработки данных и машинного обучения.

Внедряя ряд четко определенных протоколов, организации могут оптимизировать процесс аналитики. Такие протоколы обычно определяют, как организации подходят к новым проектам, принимают данные, разрабатывают функции машинного обучения, а также создают и тестируют модели. После развертывания модели тщательный мониторинг ее производительности и проведение технического обслуживания становятся необходимыми для достижения максимально возможной производительности.

Эти лучшие практики должны быть систематизированы в комплексные руководства, которые объясняют последовательность действий, важные результаты и роли различных заинтересованных сторон, таких как специалисты по обработке данных, инженеры и бизнес-профессионалы. Организации, применяющие эти лучшие практики, могут более эффективно масштабировать ИИ и развивать культуру межфункционального сотрудничества.

Использование технологических возможностей операций машинного обучения (MLOps)


Организации могут в полной мере использовать свои инвестиции в машинное обучение, внедряя технологию, которая эффективно переводит модели машинного обучения от экспериментирования к производству и облегчает постоянное обслуживание и производительность после развертывания этих моделей. Здесь в игру вступает MLOps.

MLOps относится к технологиям и лучшим практикам, которые обеспечивают надежность и эффективность моделей машинного обучения перед развертыванием за счет автоматизации ключевых задач, облегчения сотрудничества между командами и предоставления надежных конвейеров развертывания и механизмов мониторинга. Такая бесперебойная доставка гарантирует качество и надежность моделей машинного обучения, повышая доверие к процессам принятия решений на основе данных. Это также сводит к минимуму риск проблем с производительностью после запуска моделей ML, помогая компаниям сократить время и ресурсы, необходимые для моделей ML, чтобы обеспечить реальный эффект.

Что еще важно - MLOps предотвращает деградацию модели.

Источник


Scaling AI for success: Four technical enablers for sustained impact
Масштабирование ИИ для достижения успеха: четыре технических фактора, способствующих устойчивому эффекту

September 27, 2023by Gerry Aue, Pepe Cafferata, Roman Drapeko, Margaux Penwarden, and Vaibhav Sinha

https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/tech-forward/scaling-ai-for-success-four-technical-enablers-for-sustained-impact


Джерри Ауэ — партнер офиса McKinsey в Гватемале, Пепе Кафферата — старший партнер в офисе в Сан-Паулу, а Роман Драпеко — выдающийся инженер по обработке данных в лондонском офисе, где Марго Пенварден — главный специалист по данным, а Вайбхав Синха — руководитель. инженер данных.

вторник, 27 февраля 2024 г.

Регулирование цифровой экономики

Существуют три основных подхода к регулированию цифровой экономики:
  • американская модель, ориентированная на рынок,
  • китайская модель, основанная на государственном регулировании,
  • европейская модель, основанная на правах человека.

Американская рыночная модель основана на идее обеспечения максимальных стимулов для инноваций. Модель опирается на идею свободного рынка и свободного интернета и оставляет правительству минимальную роль в регулировании. Вместо этого управление цифровой экономикой передается технологическим компаниям.

Китайская государственная модель в части цифровой экономики совершенно иная. Кроме того, Китай использует технологии для цензуры, наблюдения и пропаганды в целях сохранения социальной стабильности и укрепления политической власти.

Европейская модель основана на правах человека, то есть на человекоцентричном видении цифровой экономики. Он отдает приоритет защите основных прав личности, сохранению демократических структур общества, а также идее более справедливого распределения выгод от цифровой трансформации.

Каждое правительство в своей юрисдикции стремится обуздать поведение крупнейших технологических гигантов. Правительства все больше обеспокоены высокой концентрацией на рынке. На рынке мало влиятельных игроков, чио не обеспечивает экономический контроль. Поэтому правительства обеспокоены поведением технологических гигантов, что оказывает пагубное влияние на отдельных людей и общество.

Идет борьба по вопросу регулированию, обнажая разные взгляды на управление цифровым обществом . Здесь ЕС, безусловно, является игроком. И получилось така, что ЕС, вместо того, чтобы быть разработчиком цифровых технологий, является основным регулятором таких технологий. ЕС был в авангарде регулирования конфиденциальности данных благодаря своему новаторскому GDPR — Общему регламенту защиты данных, который был принят еще в 2016 году. ЕС также был ведущим исполнителем антимонопольного законодательства против технологических компаний. ЕС гораздо более строг, чем Соединенные Штаты, когда дело касается регулирования контента в интернете. Именно ЕС сейчас собирается принять первый в мире обязательный, всеобъемлющий закон, регулирующий искусственный интеллект.

И глобальные компании тоже часто приходят к выводу, что в их интересах распространить европейское регулирование на глобальные контакты, на глобальное производство, на глобальные рынки. Это поможет им избежать затрат на соблюдение различных режимов регулирования.

Китай показал миру, что свобода не обязательна для инноваций, и это очень трудно признать американцам и их союзникам, которые верят в преимущества либеральной демократии. Итак, теперь другие страны смотрят на Китай и говорят: «Послушайте, на самом деле у нас может быть и то, и другое. Мы можем иметь политический контроль. И мы можем добиться процветающих инноваций и очень устойчивого экономического роста». Это одно из преимуществ, которое может предложить Китай. Но США и ЕС трудно воспроизвести преимущества, которые дает подход Китая к регулированию.

С другой стороны, в Соединенных Штатах меняется общественное мнение. Люди больше не доверяют технологическим компаниям и хотят большего регулирования. Впрочем, и не только. именно именно европейцы регулируют американские технологические компании.

Источник.

https://www.mckinsey.com/featured-insights/mckinsey-on-books/author-talks-anu-bradford-discusses-the-race-to-become-the-next-technology-superpower

Авторские беседы: Ану Брэдфорд обсуждает гонку за то, чтобы стать следующей технологической сверхдержавой

Anu Bradford, the Henry L. Moses Professor of Law and International Organization at Columbia University School of Law, the book, Digital Empires: The Global Battle to Regulate Technology (Oxford University Press, September 2023).

Ану Брэдфорд, профессором права и международных организаций имени Генри Л. Мозеса на юридическом факультете Колумбийского университета, книгf «Цифровые империи: глобальная битва за регулирование технологий»

пятница, 23 февраля 2024 г.

О дао

Немного о Дао из из книги Топчинов Е.А. Даосизм. Опыт историко-религиоведческого описания.
В книге рассматривается даосизм с многих точек зрения. В то же время, там изложены взгляды и других автором, один из которых привлек своей системностью. Не факт, что все тут бесспорно, но для начального понимания достаточно.

А. Ф. Райт выделяет следующие, важнейшие с его точки зрения характеристики даосского мировоззрения.
  1. Для даоса все явления (включая человека) сплетены в единую суть взаимовлияющих сил как видимых, так и невидимых. С этим связана даосская идея “потока” — всеобщего изменения, становления.
  2. Примитивизм, т. е. представление о том, что индивидуум и общество улучшатся, если вернутся к первозданной простоте с ее минимумом дифференциации, учености и целенаправленной активности.
  3. Вера, что люди посредством различных методов — мистического созерцания, диеты, сексуальных практик, алхимии — могут достичь совершенства, которое проявляется в долголетии (бессмертии), сверхъестественных способностях, харизме, в возможности познать силы природы и овладеть ими.
Далее А. Ф. Райт рассматривает “субтрадиции” даосизма, выделяя следующие:
  1. Философско-спекулятивное направление, адепты которого стремятся достичь совершенства через единение с Дао. Это направление нашло также выражение в литературе, живописи, отшельничестве и повлияло на становление чань (дзэн) — буддизма.
  2. Алхимия, в свою очередь распадающаяся на два направления:
    1. тесно связанная с философско-спекулятивным направлением “внутренняя” алхимия (нэй дань), развившая технику для обретения совершенства и бессмертия, дыхательную гимнастику, сексуальную гигиену, режим диеты и т. д.
    2. “внешняя” алхимия (вай дань), связанная с внутренней алхимией общей терминологией, символикой и многими методиками, но занимающаяся в основном трансмутацией металлов и изготовлением “эликсира бессмертия”.
  3.  Политическая субтрадиция, прилагавшая даосские идеи к политической и социальной жизни.  Эта субтрадиция, в свою очередь разделилась при династии Хань на два направления: 
    1. ортодоксальный политический даосизм, представленный в Хуайнань-цзы”. Направление разрабатывало учение о правлении, основанном на “недеянии”, развивало концепцию монарха как “совершенного человека” {чжэнь жэнь). Это направление оправдывало и поддерживало неограниченную власть монарха.
    2. еретический политический даосизм. Направление было тесно связано народными движениями старого Китая (через уравнительное и антиэтатистские установки), хотя некоторые его лидеры и принадлежали к элите общества. Для этого направления характерен мессианизм (вера в лидеров как в новые проявления и воплощения Лао-цзы), милленаризм (вера в установление “царства справедливости”), вера в лидеров как в “бессмертных”, “святых”, признание их сверхъестественных способностей и т. п.
  4. Общинный религиозный даосизм. Эта субтрадиция возникла в позднеханьских теократических государствах, в особенности в государстве “Небесных наставников”. Она обслуживала локальные общины, практически не затронутыеконфуцианской пропагандой. Эта субтрадиция проявляется в экзорцистских ритуалах, очищении местности от вредоносных влияний, погребальных обрядах, ритуалах “обновления” общины.
  5. Монастырский даосизм. По существу, это форма “буддизированного” даосизма и, вместе с тем, своеобразная реакция на проникновение буддизма в китайское общество . Но существовали и внутренние тенденции в самом даосизме, также способствовавшие укреплению монастырского даосизма.

Источник. Цитаты из книги Топчинов Е.А. Даосизм. Опыт историко-религиоведческого описания.

Цитаты из произведений дао

Когда устранили великое дао, появились "человеколюбие" и "справедливость". Когда появилось мудроствование, возникло и великое лицемерие. Когда шесть роственников родственников в раздоре, тогда появляются "сыновняя почтительность" и "отцовская любовь". Когда в государстве царит беспорядок, тогда появляются "верные слуги".

Кто поднялся на цыпочки, не может долго стоять. Кто делает большие шаги, не может долго идти. Кто сам себя выставляет на свет, тот не блестит. Кто сам себя восхваляет, тот не добудет славы. Кто нападает, не достигает успеха. Кто сам себя возвышает, не может быть старшим среди других. Если исходить из дао, все это называется лишним желанием и бесполезным поведением. Таких ненавидят все существа. 

Человек высшей учености, узнав о дао, стремится к его осуществлению. Человек средней учености, узнав о дао, то соблюдает его, то его нарушает. Человек низшей учености, узнав о дао, подвергает его насмешке. Если оно не подвергалось бы насмешке, не являлось бы дао. Поэтому существует поговорка: кто узнает дао, похож на темного; кто проникает в дао, похож на отступающего; кто на высоте дао, похож на заблуждающегося; человек высшей добродетели похож на простого; великий просвещенный похож на презираемого; безграничная добродетельность похожа на ее недостаток; распространение добродетельности похоже на ее расхищение; истинная правда похожа на ее отсутствие.

...вещи возвышаются, когда их принижают, и принижаются, когда их возвышают.

...сильные и жестокие не умирают своей смертью.

...когда в стране много запретительных законов, народ становится бедным. Когда у народа много острого оружия, в стране увеличиваются смуты. Когда много искусных мастеров, умножаются редкие предметы. Когда растут законы и приказы, увеличивается число воров и разбойников.

Верные слова не изящны. Красивые слова не заслуживают доверия. Добрый не красноречив. Красноречивый не может быть добрым. Знающий не доказывает, доказывающий не знает.

Хаос - смешение тьмы вещей, еще не отделившихся друг от друга.

то, что формируется в форму, - это сущность, а то, что формирует форму, никогда формой не обладает.

Не имеющее начала, но постоянно рождающее - это путь.

Если баран пропал оттого, что на дороге много развилок, то философы теряют жизнь оттого, что наука многогранная. Это не означает, что учение в корне различно, что корень не один; но это показывает, как далеко расходятся его ветви. Чтобы не погибнуть и обрести утраченное, необходимо возвращение к общему корню, возвращение к единству.

Обладающий большими познаниями - щедр, обладающий малыми познаниями - любопытен. В значительной речи - сила и огонь, в незначительной речи - пустословие. Во сне - воспринятое душой, наяву - воспринятое телом. В отношениях людей друг с другом и в их союзах ежедневно происходит борьба умов. Здесь и нерешительные, скрывающие, умолчающие, при малых опасностях - осторожные, при больших опасностях - медлительные. Речи одних стремительны, точно полет стрелы, они решают, что истинно, а что - ложно. Другие молчат, точно принеся клятву в военном союзе, стоят на своем во имя победы. Речи третьих подобны осеннему и зимнему увяданию - с каждым днем они слабеют. Речи четвертых обращены к уже содеянному, их не отвечь от прошлого. Выражения избитые, точно привязанные к старому руслу, у таких не оживить умерающее сердце.

Те, кто на первое место ставит тела и названия, награды и наказания, познали орудия управления, но им неведом путь управления.

Слава - общее достояние, много от нее забирать нельзя. Милосердие и справедливость - это словно постоялый двор древних государей, там можно разок переночевать, долго жить нельзя, многие встречные будут укорять.

Путь не слышен, если слышим, то это не путь. Путь не видим, если видим, значит не путь. Путь не выразим в словах; если выражен, значит не путь. Кто познал формирующиее формы бесформенное, понимает, что путь нельзя назвать.

"Есть нечто бесформенное, но совершенное, Существовавшее прежде, чем возникли небо и земля.
Так неподвижно! Так бессодержательно! Ни от чего не зависит и неизменно. Всепроникающе и непоколебимо. Возникает мысль, что оно - это мать всех вещей, что существуют под небом Я не знаю его названия, Но называю его "Смыслом". Если бы я должен был дать ему имя, то назвал бы его "Великим". Лао-цзы так описывает дао в своем знаменитом "Дао Де Цзин".

Людям присущи восемь пороков, а тем, кто служит - четыре зла.
Делать то, что не поручено, называется превышением власти;
выдвигать то, что не удостаивают вниманием - болтливостью;
говорить, лишь с оглядкой на чужое мнение - угодливостью;
хвалить, не разбирая где правда, где ложь - лестью;
со страстью судить о чужих недостатках - поношением;
отделиться от родных, отколоться от друзей - бунтом;
восхвалять лживого, чтобы нанести удар по ненавистному - злонамеренностью:
хладнокровно допускать и доброе и злое без разбора, чтобы воровски овладеть желаем - коварство.
Четыре зла:
питать пристрастие к важным делам, к переменам и изменениям обычного, долговременного, чтобы присвоить себе заслуги и славу назвается злоупотреблением;
вершить дела лишь по собственному произволу, захватывать людей для собственных нужд - алчностью;
не исправлять замеченных ошибок, усуглять их вопреки советам - высокомерием;
не разбирая кто хорош, а кто плох, одобрять с собой согласных, не одобрять с собой несогласных - самодурством.

понедельник, 19 февраля 2024 г.

Алгоритмическое сжатие данных

Цитаты:

Древние мифы были первыми"теориями всего". Миф – это фундаментальная история.
Любой символический ряд, который можно представить в укороченной форме, называется алгоритмически сжимаемым. С этой точки зрения науку можно рассматривать как методику поиска алгоритмических сжатий.

Без такого алгоритмического сжатия данных наука была бы чем-то вроде бездумного коллекционирования марок – "ученые" без разбора накапливали бы всю поступающую информацию. Наука основывается на том убеждении, что Вселенная алгоритмически сжимаема, и современные поиски "теории всего" как раз служат высшим проявлением этой убеждённости и веры в то, что человеку под силу в завершенной компактной форме описать логику, обусловливающую все наблюдаемые свойства Вселенной.

Физические теории всегда описываются на языке математики, и физиков, похоже, интересуют только такие "теории всего", которые поддаются математическому изложению.

На практике рациональная познаваемость мира сводится к его алгоритмическому сжатию. Мы имеем возможность заменить цепочки фактов и наблюдаемых данных более короткими утверждениями, имеющими такое же информационное содержание. Некоторые из таких сокращений мы называем физическими законами. Если бы мир не был алгоритмически сжимаемым, тогда и законов в нем не было бы. Вместо того чтобы использовать для расчета орбит планет закон всемирного тяготения, мы вынуждены были бы вести точный и кропотливый учет позиций планет во все прежние времена, однако даже это не позволило бы нам предсказать положение планет на какой бы то ни было будущий момент времени.Мир потенциально и фактически познаваем потому, что достаточно сильно сжимаем алгоритмически. Именно поэтому возникает возможность описывать физический мир математически. Математика представляет собой наиболее удобный язык для выражений всех обнаруживаемых алгоритмических сжатий.

Эффективность разума как инструмента восприятия окружающего мира и выживание человека как вида очевидным образом связаны с его способностью производить алгоритмические сжатия.

Тот факт, что человеческий разум не слишком амбициозен в плане сбора информации и ее обработки, означает, что он осуществляет алгоритмическое сжатие данных, даже если они по природе своей не очень-то и сжимаемы. На практике это делается путем усечения поступающей информации. Наши органы чувств сами по себе способны воспринимать такое-то количество информации с таким-то разрешением и такой-то чувствительностью.

Если не существует возможности алгоритмически сжать последовательность данных, естественно считать ее случайной. Однако в принципе невозможно доказать, что такая-то последовательность является случайной, в то время как неслучайность доказывается нахождением возможности сжатия.

Барроу Джон. Новые теории всего.

* * *

В основе построения нейронной сети (определенных видов) также лежит принцип алгоритмического сжатия как входных, так и промежуточных данных.

* * *

Высшее назначение математики — находить скрытый порядок в мире хаоса, который нас окружает.
Н. Винер. “Я — математик”

Философ и богослов XY века Николай Кузанский, немало сделавший для подготовки Возрождения: «Там, где терпит неудачу язык математики, человеческий дух ничего уже не сможет понять и узнать».

четверг, 15 февраля 2024 г.

Неопределенность и стратегия

Отсутствие уверенности в будущем – та самая причина, по которой нужна стратегия. Неопределенность присутствует всюду в стратегии и вокруг нее. Если все определенно, то достаточно плана для перехода от А к Б. Значит ли это, что неопределенность будущего и есть та насущная необходимость разработки стратегии. Похоже на это.

Бизнес не может все контролировить: он не может контролировать экономику, политику, политические события и действия конкурентов. Такую неопределенность требуется учитывать. Неопределенности, проистекающая из не подлежащих контролю событий и окружения. Учитывается ли ясным и надежным образом неопределенность при разработке стратегии. При обсуждениях часто отсутствует правильное планирование различных вариантов развития событий. Вместо этого обычно рассматривают одну версию будущего без понимания вероятности осуществления такой версии.

Стратегия требует прямого учета неопределенности с учетом понятия вероятности. Оценив шансы на успех реализации стратегии, зная изменение шансов под воздействием конкретных предпринимаемых действий можно оценить неопределенность с помощью эмпирических методов, а не догадок или принятия желаемого за действительное.

Почему мы избегаем иметь дело с неопределенностью? Возможно, в склонности рассматривать стратегию как чисто интеллектуальное упражнение — своего рода корпоративную игру. Однако стратегия ставит перед собой решение особого типа редких задач с высокой степенью неопределенности. К решению таких задач человеческий мозг наименее приспособлен. Люди подвержены когнитивным искажениям, среди которых чрезмерная самоуверенность, привязанность, неприятие потерь, предвзятость подтверждения и ошибки атрибуции. Эти непреднамеренные мысленные способы оценки помогают нам в повседневной деятельности фильтровать информацию. Но они искажают решение долгосрочных задач с высокой неопределенностью. И именно такие задачи рассматривает стратегия.

Даже самые опытные руководители имеют лишь ограниченный опыт и способность распознавать закономерности в таких ситуациях. Им приходится принимать решения на основе ограниченной информации, а результаты могут не проявляться годами. В то же время любое количество факторов — человеческий фактор, рынок, отставание и «шум» — может вмешаться и подавить способность любого стратега предсказать результат.

Неумение работать с неопределенностью


Электронные таблицы не предназначены для отображения диапазонов и учета шансов. Таблицы рассчитаны на конкретные числа, поэтому трудно осознать 75% вероятность того, что значение окажется между X и Y, а само значение получнео из тысяч ячеек корпоративного бюджета.

Мы игнорируем неопределенность. Многие презентации стратегий начинаются с прогноза рынка, основанного на аналитиках. Не сценарий, не набор исходов, а «наиболее вероятная версия будущего». И это последнее, что можно услышать о неопределенности в презентации. С этого момента вы получаете точечные оценки плана. «Я не могу справиться с множеством реальностей», — сказал нам один генеральный директор. «Я лучше выберу мир, в котором живу».

Мы относимся к неопределенности как к второстепенной мысли. Стратегическая комната — суровое место для большинства, и, откровенно говоря, неудача на этом этапе не является вариантом для большинства менеджеров. Проблемы с исполнением? ХОРОШО. Стратегия, в которой есть пробелы? Мы можем это исправить. Но стратегический разговор о вероятностях? Ты должно быть шутите! Вместо этого вы получаете слайд о рисках на странице 149 150-страничной колоды, озаглавленный примерно так: «Потенциальные проблемы риска и способы их смягчения». Это сделано для того, чтобы докладчик мог сказать, что проблема раскрыта, если возникнет вопрос о риске.

Мы притворяемся, что имеем дело с неопределенностью. В некоторых случаях неопределенность действительно обсуждается в стратегической комнате. Скажем, геополитические потрясения угрожают росту продаж на развивающемся рынке или есть признаки того, что конкурент может предпринять шаги по консолидации отрасли. Можно представить несколько сценариев, после чего следует обсуждение того, какой из них более или менее вероятен. Затем один сценарий выбирается в качестве «базового», и это, вероятно, последнее, что вы слышите о неопределенности. Стратегия ясна, работа сделана.

Конечно, есть предприятия, которые не смогли бы выжить, не столкнувшись с неопределенностью. Например, в управлении активами и других финансовых сферах показатели, взвешенные с учетом риска, являются нормальными. Разница в том, что эти профессионалы перемещают деньги. В более осязаемом бизнесе вы перемещаете не только деньги, но и людей, а также карьеры и репутацию бизнес-лидеров. В то время как калькулятор теряет репутацию, неправильно рассчитывая риск, менеджер теряет репутацию, отказываясь от ресурсов.

Все эти распространенные практики и связанные с ними ошибки могут заложить основу для установления неправильных уровней амбиций и, как следствие, для создания ошибочных стратегий. Нет ничего плохого в том, чтобы поставить перед собой амбициозные цели , но эти амбиции должны быть привязаны к реалиям бизнеса и меняющемуся контексту, в котором он работает.

Понимание причин


Оценить причины того или иного результата не всегда легко. Мы не можем сказать, был ли плохой результат благородной неудачей, так же как мы не можем сказать, был ли отличный результат слепой удачей. Был ли это случай, когда все усилия по хорошей ставке были сорваны неудачным броском игральных костей? Был ли это более пагубный провал планирования или исполнения? Может быть, это была просто плохая стратегия с самого начала? Неопределенность означает не только то, что мы не можем заглянуть за следующий поворот. Неопределенность также вторгается в прошлое.

При выборе стимулов, бонусов и продвижения по службе снова в игру вступают неопределенность и вероятности. Поскольку мы все хотим добиться успеха, большинство из нас предпочтут план, который мы выполним с вероятностью 90%, плану, который мы выполним только в 50% случаев. Фактически, многие бизнес-лидеры спокойно признают, что они соглашаются только с теми бюджетными целями, которые, по их мнению, могут достичь их почти наверняка 100%, за исключением каких-либо совершенно неожиданных сбоев. Тем не менее, когда мы спрашиваем руководителей, что было бы справедливо в отношении промахов, многие из них говорят, что каждые три-четыре года лидер может не выполнять план. Это большая разница во взглядах.

Учет вероятностей может сделать оценку эффективности и результатов чрезвычайно сложной. В этом случае гораздо труднее определить ключевые показатели эффективности.

От уверенности к вероятности


McKensey провела анализ экономической прибыли почти 2400 компаний за 10 летний период и сделала заключение, что эффективность отрасли определяет почти половину успеха компании. Фактически, влияние отрасли настолько существенно, что лучше быть средней компанией в великой отрасли, чем великой компанией в средней отрасли. Далее было сделано заключение, что шансы на то, что компания перейдет из среднего квинтиля в верхний за десятилетний период составляет всего 8%.

Обнаружено, что 10 переменных объясняют почти 90% положения компании. Они делятся на три категории:
  • возможности (с чего вы начинаете), 
  • тенденции (встречные или попутные ветры),
  • действия (пять предпринимаемых стратегических действий).

Сопоставление этих переменных с переменными конкурентными или с кривой от Mckensey позволяет уменьшить оптимистические надежды и более трезво оценить вероятность успеха.

Исследование также показало, что примерно 40% успешных компаний в течение десятилетия скатятся вниз.

Если каждая из пяти компаний имеет 80% шанс на успех, это все равно означает, что одна из них обычно терпит неудачу. Если каждая из пяти компаний имеет 20% шанс на успех, одна из пяти, скорее всего, выиграет. Очевидно, что лучшая стратегия — это та, вероятность успеха которой составляет 80%, и именно ей следует отдать должное, независимо от того, выиграете вы или проиграете.

Риск, конечно, должен быть частью обсуждения вероятности. Вместе с шансами приходит явное осознание риска, и появляется неприятие потерь. Непосредственное столкновение с риском может сделать людей пугливыми, даже если мы хотим, чтобы они пошли на больший риск.

Оценка риска необходима для принятия решения о том, когда их стоит принимать, и для того, чтобы подтолкнуть других к их принятию. Если у вас лишь небольшой шанс на выигрыш, но ставка стоит мало, а потенциальный выигрыш огромен, это все равно может оказаться стоящей инвестицией. Обратное тоже верно. Дорогостоящие инвестиции, которые создают высокую вероятность небольшого успеха, могут оказаться плохой идеей. Игроки в покер называют такие расчеты «шансами банка». Если ставка в 100 долларов дает вам 20% шанс выиграть банк в 200 долларов, вы сбрасываете карты. По сути, вы платите 100 долларов за 40 долларов — это 20% от 200 долларов. Но ставку в 100 долларов, которая дает вам 20% шанс выиграть банк в 2000 долларов, вы делаете каждый раз, потому что вы платите 100 долларов, чтобы получить 400 долларов — 20% от 2000 долларов. Таким образом, оценка шансов — среди прочего, конкурентных, рыночных и нормативных — должна быть частью расчетов.

Также важно отслеживать предположения с течением времени, в будущем. Через несколько недель после разработки плана подробные предположения затуманиваются в памяти. Отклонение от бюджета отслеживается очень тщательно, но лежащие в его основе предположения, такие как темпы освоения, рост рынка или уровень инфляции, оцениваются не так тщательно. Вместо этого решите, что вы можете сделать сегодня, используя имеющуюся у вас информацию, и встройте в стратегию явные триггерные точки, чтобы пересматривать решения по мере появления новой информации.

Нам нужно перестать разрабатывать стратегию так, как будто мы знаем будущее. Подсчитав свои шансы на успех, вы сможете увидеть, основан ли план на реалистичных устремлениях или на искаженном принятии желаемого за действительное.

Источник


https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/how-to-confront-uncertainty-in-your-strategy

Chris Bradley, Martin Hirt, Sven Smit. How to confront uncertainty in your strategy. 23.03.2018.
Как противостоять неопределенности в вашей стратегии. 23.03.2018. Отрывок из книги.