Реагирование в кризисных ситуациях

В статье McKensey:

Lessons from the generals: Decisive action amid the chaos of crisis
Inspiration drawn from crisis-management professionals can help decision makers in the COVID-19 pandemic.
May 2020,
by Yuval Atsmon, David Chinn, Martin Hirt, and Sven Smit

https://www.mckinsey.com/business-functions/strategy-and-corporate-finance/our-insights/lessons-from-the-generals-decisive-action-amid-the-chaos-of-crisis

рассматриваются вопросы управления организацией в услових кризиса.

Среди хаоса также есть возможности. Сун Цзы

Есть три основных вывода, которые мы можем извлечь из военного управления кризисами:

• Военно-командная структура может помочь уменьшить путаницу и позволит быстрее и  лучше принимать решения в организации.
• Одновременное управление на всех временных горизонтах на основе интегрированного стратегического плана действий имеет основополагающее значение для уменьшения хаоса и ускорения принятия решений.
• Вековые принципы войны могут помочь сохранить организацию и повысить ее шансы на достижение поставленных целей.

Военные организации одержимы стремлением к ясности в отношении того, кто что делает, кто и  какие решения принимает. Причина проста: в хаотических ситуациях важно сосредоточить всех на том, что они делают лучше всего, и четко разграничить сферы их ответственности.

В отличие от предприятий, которые склонны поручать реагирование на кризисы одной боевой комнате или группе управления, командование военного времени создает несколько команд, которым поручены разные задачи. Хотя конкретные названия и роли в разных военных организациях различаются, обычно они охватывают четыре области:

• Команда генерации идей (Insights team). Эта команда фокусируется на поиске истины путем сбора разведданных, анализе внутренних и внешних условий, на проверке выдвинутых гипотез.
• Операционная команда. Эта команда концентрируется на достижении результатов, координируя неотложные действия и обеспечивая выполнение приказов.
• Команда планирования. Эта команда отвечает за создание планов, выработку стратегических рекомендаций и действий. Команда планирования часто состоит из нескольких команд. Эти команды проводят анализ обстановки, обсуждение альтернатив,  и затем принимают решения, которые становятся приказами.
• Коммуникационная команда. Эта команда сосредоточена на предоставлении своевременной информации в единой форме широкому кругу внешних и внутренних заинтересованных сторон.

Лица, принимающие решения (ЛПР), взаимодействуют с четырьмя командами.

Команда выработки идей или аналитические команды разрабатывает и предоставляет в распоряжение ЛПР сценарии. На входе команды - гипотезы. Команда собирает информацию, разрабатывает или адаптирует сценарии, использует внешние источники информации, члены команды полагаются на интуитивные догадки и озарения.

Операционная команда отчитывается перед ЛПР. На вход команды поступают решения и данная команда управляет ежедневными активностями, реализацией всех решений и инициатив.

Команды планирования. На входе у этих команд - приоритеты, на выходе - краткосрочные планы.

Коммуникационная команда. На входе - информация от ЛПР, подлежащая доведению и передаче в соответствии с планом коммуникации. На выходе - обратная связь, поступающая по коммуникационным каналам.

Существует множество проверенных временем стратегических принципов управления и усвоенных военными лидерами: от «Искусства войны» Сунь Цзы (500 год до нашей эры) до «Военных изречений Наполеона» Наполеона Бонапарта и Принципов войны Карла фон Клаузевица. Эти доктрины лежали в основе управления крупными организациями во времена хаоса. Их можно описать следующим образом. 

Стратегические принципы

• Выберите главную цель и сосредоточьтесь на ней. Действия, которые не способствуют достижению основной цели, следует приостановить для экономии ресурсов.
• Сохраняйте устойчивость. Выровняйте вероятности потерь с результатами достижения  целей. Это входит в задачи управления рисками, защиты ценных активов и сосредоточения ресурсов на достижимых целях.
• Наступательные действия. Энергичный и проницательный подход к использованию возможностей.
• Добавьте элементы неожиданности и новаторства. Они могут позволить перехватить инициативу, что может быть критически важным условием успеха.
• Примите во внимание тот факт, что концентрация на основных усилиях может потребовать создания резервов, например, за счет экономии. Необходимо обеспечить достаточную боевую мощь в нужное время для преодоления критических моментов.
• Распределение усилий и ресурсов, чтобы выдержать борьбу на протяжении всего кризиса. Лидеры должны уделять первоочередное внимание экономии ресурсов, распределяя их между различными видами деятельности и действиями.

Принципы лидерства

• Поддерживайте боевой дух. Высокий моральный дух характеризуется стойкостью, смелостью, уверенностью и устойчивой надеждой.
• Сохраняйте гибкость. Чтобы в полной мере использовать силу организации, необходим определенный уровень гибкости. Необходимо побудить людей творчески мыслить и проявлять изобретательность. Оценить уровень гибкости можно измерить по скорости действий и реакции отдельных лиц или по тому, насколько быстро командир перехватывает инициативу.
• Стимулируйте сотрудничество. Командный дух и подготовка имеют основополагающее значение для достижения целей. Сотрудничество основывается на трех взаимосвязанных элементах: взаимном доверии и доброй воле, общей цели (или единстве целей) и четко распределенных обязанностей.

Усталость от изменений

Порой организационные изменения - главная причина эмоционального выгорания и стресса сотрудников.

Что такое усталость изменений

Изменения могут быть трудными, поэтому неудивительно, что обычно сотрудники не хотят, чтобы что-то менялось. Но даже, если наоборот, даже те, кто приветствует изменения, когда что-то сильно и быстро меняется, наступает переломный момент, когда сотрудники больше не могут воспринимать изменения. Это то, что называется усталостьб от изменений или "насыщением изменениями" (если переводить буквально).

Точно так же, как губка может впитать определенное количество воды, так и сотрудники могут принять определенное количество информации и определенное количество изменений в течение некоторого периода времени. Это может послужить обоснованием отказа от внесения ряда изменений, проводимых одновременно. Причем, независимо от готовности и возможностей сотрудников принять изменения.

Признаки усталости

Итак, как узнать, достигли ли сотрудники точки насыщения?Для этого следует поискать - нет ли признаков возникновения усталости.

Во-первых, отстраненность и апатия сотрудников - верный признак того, что команда считает, что в организации произошло слишком большие изменения. Вы заметили, что все бегут к двери в 17:00. Сотрудники отключаются во время встреч.

Во-вторых, такие признаки стресса, как возросшее количество жалоб, большее чем обычно, является индикатором насыщенности переменами.

Если вы заметили какой-либо из этих признаков, рекомендуется критически оценить количество одновременно проводимых изменений.

5 советов по предотвращению усталости изменениями

1. Осуществляйте только определенное количество новых проектов или изменений в один момент времени

Если вы замечаете признаки усталости и стресса у своих сотрудников, пора разобраться в ситуации. Возможно, вам удастся перенести некоторые проекты на задний план. 

Какие проекты действительно важны для достижения общих бизнес-целей, а какие являются частными? Что принесет быстрые победы со значительным эффектом, а какие отнимают много времени и менее эффективны? 

По сути, стоит выбрать важные изменения и сосредоточить на их завершении всю энергию, прежде чем переходить к следующим. проектам Это подводит к следующему пункту.

2. Расставьте приоритеты проектов и проводите изменения в соответствие с приоритетами

После того, как определены и спланированы новое инициативы, расставить приоритеты реализации этих инициатив. Дело в том, что если все инициативы важны, но никая из них не является важной.

Члены команды должны знать, на чем следует сосредоточить усилия и определить какое количество усилий неоходимо для достижения целей проекта.

Далее, после того как определен порядок проведения изменений, возможно определить необходимые ресурсы и решить, что нужно в каждом конкретном случае, - нужно ли новое финансирование или нужна координация работ разных отделов?

Зная эту информацию, можно принимать более обоснованные решения о том какие инициативы реализовывать в первую очередь, а какие отложить на второй план.

3. Планируйте сейчас, реализуйте позже

По мере продвижения вперед необходимо знать об управлении новыми возможностями для улучшения работы организации по мере внедрения изменений. Хотя нужды и требования бизнеса - это все, что нужно для обоснования перемен, это не означает, что нужно на все реагировать и немедленно реализовывать все новое, как только оно появляется. Напротив, стоит подождать и спланировать реализацию инициатив. Тогда вы будет готовы к управлению новыми возможностями.

4. Определите сроки завершения инициатив и придерживайтесь их

Некоторые проекты продлятся дольше, чем предполагалось. Однако, если обнаружится, что большинство проектов сталкиваются с задержками, их масштаб и бюджет растут, стоит сосредоточиться, чтобы проверить и, если необходимо, перерассмотреть цели и решения каждой инициативы.

Если цели инициатив неясны, рекомендуется количественно оценить конкретные бизнес-преимущества, которых стремится достичь инициатива. Затем нужно напомнить команде, что нужно сосредоточиться на достижении преимуществ и не отвлекаться на незначительное улучшение проектных решений и лежащих в их основе процессов.

Когда сотрудники видят, что проект приносит ощутимые выгоды, а не затягивается без видимого прогресса, у них меньше шансов утомиться.

5. Внимательно следите за сотрудниками на предмет признаков насыщения переменами

Хотя изменения планируются и делегируются на организационном уровне, они наиболее остро ощущаются на личном и индивидуальном уровне. После старта очередного этапа проекта отдельные сотрудники должны адаптировать свое поведение, также должны быть адаптированы рабочие процессы с учетом результатов проекта. Поэтому следует постоянно следить за признаками усталости у сотрудников. И если такие признаки появились, нужно оценить количество одновременных изменений.

Кстати, тот факт, что реализуется только один проект, не означает, что все хорошо. Дело не в количестве проектов, а в количестве и степени изменений.

Заключение

Наличие усталости не означает, что нужно останавливать намеченные проекты и отказаться от инноваций. Это означает, что нужно расставить приоритеты и задать приемлемый темп изменений. Если подойти к проектам проектам с умом, можно избежать выгорания сотрудников.

Источник.
https://www.panorama-consulting.com/change-saturation/?utm_medium=email&_hsenc=p2ANqtz-_m0b_qacTOXy2w-RG7GcA1sj6NUF4TC-hMY086AER40yf9tYWBAmJlOpcrOYO9hQOAhnskQ5svTQY5Gm5QJahUfEjByg&_hsmi=138626115&utm_content=138624081&utm_source=hs_email&hsCtaTracking=f5896558-5740-4752-b606-e6ace2402ac1%7Cc56098d6-adde-42e5-b8a0-e1d368896eb8

Разница между data scientist и machine learning engineer

Вопрос

В чем разница между специалистом по обработке данных (data scientist) и инженером по машинному обучению (machine learning engineer)? What is the difference between a data scientist and a machine learning engineer?

Ответ

Специалист по обработке данных (Data Scientist) стратегически ориентирован, тогда как инженер по машинному обучению играет в тактическом поле.

Специалист по обработке данных - это бизнес-ориентированная функция. Их основная роль заключается в повышении ценности бизнеса на базе использования научных методов работы с данными. Инженер по машинному обучению - это функция, ориентированная на продукт. Его основная роль заключается в создании определенного алгоритма, соответствующего конкретным требованиям. Но и тут не следует путать с исследователями методов машинного обучения, такие специалисты обычно имеют научную степень.

Специалист по данным решает бизнес-задачи, переводя их на научный язык, с тем, чтобы решать их с помощью статистики и математики. Инженер по машинному обучению решает очень узкую задачу: как обучить модель на конкретном наборе данных, чтобы получить конкретный результат.

Специалист по обработке данных - это архитектор, который выясняет, как использовать в определенной области инструменты машинного обучения. Инженер по машинному обучению реализует определенный класс инструментов (например, нейронную сеть глубокого обучения) для выполнения конкретной задачи, например, распознавания объектов в последовательности изображений.

Специалист по данным может разработать сценарий, в который он может добавить алгоритм для оптимизации конкретного процесса или конкретный алгоритм. Инженер по машинному обучению построит алгоритм, который будет включен в предоопреденный сценарий. Конечно, тут часть функций может быть одинакова, но специалист по данным тратит большую часть времени на моделирование и понимание данных.


Сегодня специалист по анализу данных может заложить основы решения и выполнить некоторые работы по доказательству концепции, которые подтверждают вариант использования и определяют ценность для бизнеса. Затем приходит инженер по машинному обучению, строит и подправляет модель. Инженер по машинному обучению не обязан знать о о бизнесе, результатах или о предметной области. Ему просто нужен спроектированный набор данных, который специалист по анализу данных представил команде инженеров данных, чтобы построить модель для решения очень конкретной задачи.

Специалист по анализу данных имеет широкий спектр входных данных, которые он должен преобразовать в четко определенные и хорошо продуманные выходные данные. Инженер по машинному обучению имеет последовательные входные данные и выдает согласованные выходные данные.

На деле инженеров по машинному обучению просят делать и то, и другое, что не является их настоящей специальностью. Специалистов по обработке данных также просят делать и то, и другое, но это не обязательно то, что они должны делать с точки зрения эффективного использования их времени и квалификации.

С точки зрения обучения инженеру по машинному обучению требуется гораздо меньше фундаментальных знаний - каким бы глубоким не было бы обучения, какой бы сложной не была бы модель. Специалисту по анализу данных, возможно, потребуется большая подготовка и хорошее чувство интуиции в отношении реального мира, потому что его роль кросс-функциональна. Специалист по анализу данных с глубокими знаниями в области количественного анализа данных мог бы выполнить функции инженера по машинному обучению, но инженер по машинному обучению не может с легкостью заместить специалиста по данным.

Проще говоря, специалист по данным переводит бизнес-проблемы в научную область и создает основу для решения, управляемого данными. Инженер по машинному обучению вряд ли будет обучен этому, хотя на деле, это действительно зависит от конкретного образования человека и его сильных сторон.

Если рассмотреть роли «Ученый» и «Инженер», то можно утверждать что роль «Инженер» требует меньше уникальных способностей и навыков по сравнению с ролью "Ученый". И это соображение имеет значение с точки зрения функции поиска и найма талантливых и квалифицированных сотрудников. Правильное соответствие ролей и квалификации с обязанностями и способностями сотрудников определяет эффективность как кадровой так и функциональной работы. Вопреки эгалитарному мифу плоской организации, титулы не являются бессмысленными или произвольными, они выполняют жизненно важную функцию - они объясняют, что вы на самом деле должны делать, что делаете и что способны делать. Согласно Фейнмана нельзя путать знание имени вещи со знанием самой вещи, но в интересах здравомыслия стоит назовать вещи в соответствии с тем, чем или кем они являются на самом деле.

Источник

Pradyumna S. Upadrashta
https://www.quora.com. "What-is-the-difference-between-a-data-scientist-and-a-machine-learning-engineer"

Невозвратные потери

Невозвратные затраты (невозвратные издержки, дословно — «утопленные затраты», невозвратные расходы, англ. sunk costs) — это издержки, которые не имеют альтернативного использования: расходы, понесённые в результате решений, принятых в прошлом, и которые не могут быть изменены последующим решением в будущем.

Другими словами, невозвратные затраты - это сумма, уплаченная в прошлом, которая больше не имеет отношения к решениям о будущем.

Слишком много вложено, чтобы бросить. 

Пример с билетами "из Каннемана".

Вот классический пример: вы по ошибке купили билет в кино не на тот фильм, а поменять или вернуть его нельзя. Это безвозвратные издержки. У вас есть следующий выбор:

1. посмотреть фильм, который вы не хотите смотреть;
2. сказать «Очень жаль!» и использовать время на что-нибудь более интересное.

Таким образом, вам жаль потраченных денег, но ваше решение должно основываться на том, хотите ли вы вообще смотреть этот фильм, независимо от цены.

Тот, кто мыслит рационально, поймет, что второй вариант связан с сожалениями только по одному поводу (о потраченных деньгах), тогда как в первом варианте есть два повода (впустую потраченные деньги и время), так что второй вариант однозначно предпочтительнее.

Это классический случай неприятия потери. Неиспользованный билет — это потеря, более того, это расточительство.

Экономическое мышление: если решения принимаются рационально, то невозвратные затраты не должны учитываются.

Согласно классической экономике и традиционной микроэкономической теории, только предполагаемые (будущие) затраты имеют значение для рационального решения. В любой момент - лучшее зависит только от текущих альтернатив. Единственное, что имеет значение, - это будущие последствия. Прошлые ошибки не имеют значения. Любые расходы, понесенные до принятия решения, уже понесены, независимо от того, какое решение было принято.

Принцип прошлого основывается на ветви нормативной теории принятия решений, известной как теория рационального выбора , особенно в гипотезе ожидаемой полезности. Теория ожидаемой полезности опирается на свойство, известное как аннулирование, которое гласит, что при принятии решений рационально игнорировать любое состояние мира, которое дает один и тот же результат, независимо от вашего выбора. Прошлые решения, включая невозвратные затраты, соответствуют этому критерию.

Агенты должны принимать решения, сравнивая доступные варианты событий, которые все еще могут произойти, независимо от того, как была достигнута текущая ситуация. Если построить дерево решений, то данное правило может быть сформулирована так: выбор агента в конкретном узле дерева не должен зависеть от недоступных частей дерева.

Эти соображения существенны с точки зрения оценки инвестиционных проектов, в частности, с точки зрения расчета NPV и сопуствующих ему показателей для реализуемых, но не завершенных проектов. Для сравнения таких проектов с новыми, еще только планируемые проектами, NPV реализуемых проектов должен рассчитывать без учета уже произведенных и безвозратных затрат, как отрицательных потоков. Но вложения в капитал, который в дальнейшем будет амортизироваться, учету обязательно подлежат.

Таким образом, если NPV реализуемого проекта без учета проведенных инвестиций к моменту расчета станет отрицательным, то проект безусловно стоит прекратить. Но произведенные инвестиции уже будут безвозвратными.

Многие терпеть не могут, когда что-то «пропадает впустую». Многие люди чувствовали бы себя обязанными пойти в кино, хотя им этого не очень-то и хотелось, просто потому, что если не пойти, то билеты «пропадут», а деньги, заработанные потом и кровью, деньги, с которых уже уплачены налоги, окажутся «выкинутыми». Но это и есть заблуждение «невозвратных затрат».

Синдром «невозвратных затрат» ведет к перерасходам.

Психологи установили, что ощущение невозвратных затрат часто влияет на решения из-за человеческого неприятия потери: та цена, которую заплатили в прошлом, становится мерилом ценности в настоящем и в будущем. Так что такое поведение нерационально. Люди попадают в ловушку своего прошлого, они пытаются оправдать неверные решения и возместить потери.

Три принципа скептицизма в оценке экспертами инвестиционных проектов

В ходе оценки инвестиционных проектов одним из методов является анкетирование экспертов, которые оценивают проект.

Эксперты конечно проведут оценивание, однако встает другая проблема: что делать если Вы не согласны с оценками экспертов, или если эксперты дали противоположные оценки. 

Может пригодится следующий подход.

Бертран Рассел привел три отстаиваемых им принципа скептицизма:

1. Если эксперты согласны во мнениях, то противоположное мнение не может считаться несомненным.
2. Если эксперты не согласны, ни одно мнение не может считаться обычным человеком несомненным (считаться не экспертом).
3. Если эксперты полагают, что не достаточно оснований для позитивных суждений, обычный человек должен отложить вынесение собственного суждения.

Мнения, которые изгалаются с пристрастием, таковы, что для них нет достаточных оснований и пристрастие сесть показатель недостаточности рациональных оснований для защиты мнения.

Кстати, мнения в политике почти всегда пристрастны. Но люди в большей степени ненавидят скептиков, нежели страстных защитников.

Применение ИИ в геополитике

Геополитика и "оборонные" тенденции ИИ

Национализм ИИ

Правительства вводят новые ограничения на слияния и поглощения компаний, разрабатывающих системы ИИ. 

В 2020 году Германия приняла закон, разрешающий правительству проверять или блокировать инвестиции компаний, не размещенных в ЕС. Это также касается сделок с поглощеним компаний, занимающихся робототехникой, искусственным интеллектом и полупроводниками, фирмами, не расположенными в ЕС. Максимум иностранного участия снижен с 25% до 10%.

Великобритания ужесточила политику в части иностранных инвестиций в области ИИ: любая деятельность по слияниям и поглощениям с участием компаний ИИ, доход от которых превышает 1 миллион фунтов стерлингов, требует проверки и одобрения со стороны правительства. В результате многие сделки отменяются правительством.

В прошлом году Великобритания и США заблокировали поглощение компании Imagination Technologies китайской компанией. Конгресс США расценивает исследования в области ИИ как  гонку между США и Китаем. Также создано новое технологическое управление в Национальном научном фонде с финансированием 100 миллиардов долларов в течение пяти лет и выделяет 10 миллиардов долларов для местных и региональных технологических центров по всей Америке. А в Китае министерство науки и технологий создало пилотные зоны разработок ИИ в 20 городах, которые должны открыться к 2023 году. 

Официальные правительственные документы свидетельствует, что на основе ИИ предполагается проводить социальные и политические эксперименты.

Национальные стратегии разработки ИИ

2021 и 2022 годы характеризуется запуском новых национальных стратегий разработки ИИ.

Исландия, Норвегия, Кения, Чили, Колумбия и Новая Зеландия разрабатывают национальные стратегии. Китай принял План развития искусственного интеллекта нового поколения с агрессивными контрольными показателями, чтобы в течение 10 лет стать доминирующим игроком в области ИИ. Франция приняла национальную стратегию под названием «ИИ для человечества». В Саудовской Аравии имеется как стратегия, так и правовая база для превращения роботов в гражданство. Объединенные Арабские Эмираты разработали широкий набор политических инициатив в области ИИ и назначили Омара Султана Аль-Олама своим государственным министром по искусственному интеллекту.

В США многочисленные общественные и частные группы независимо работают над будущим ИИ от имени нации. Однако этим усилиям не хватает межведомственного сотрудничества и скоординированных усилий по оптимизации целей, результатов, усилий в области НИОКР и финансирования разработок ИИ.

ИИ как критическая инфраструктура

Правительство наняло исследователей для того, чтобы поставить под контроль и возглавить разработки систем ИИ для использования в критически важных областях: в автомобильных, в железнодорожных и в транспортных системах; в производстве и в распределении электроэнергии; в прогнозировании маршрутов для транспортных средств общественной безопасности, таких как машины скорой помощи и пожарные машины. Появился новый интерес использования технологии ИИ для предотвращения бедствий и повышения безопасности окружающей среды.

Национальные ограждения и правила

Опасности искусственого интеллекта - от дорожно-транспортных происшествий с участием беспилотных автомобилей до вмешательства в выборы посредством кампаний дезинформации и политических репрессий, усиленных распознаванием лиц и автоматическим наблюдением. Сейчас существует мало препятствий для технологии, которая затронет все аспекты человеческой жизни, и страны спешат разрабатывать и публиковать свои собственные стратегии и руководства по ИИ. Европейский Союз разработал Альянс ИИ и план сотрудничества между странами-членами, а Эстония разрабатывает свою собственную правовую базу, регулирующую использование ИИ внутри страны. 

Китай занял позицию лидера в разработке первого набора глобальных норм и стандартов ИИ. В 2019 году страна опубликовала отчет о технических стандартах, которые позволят компаниям сотрудничать и сделать свои системы совместимыми. ЕС и Организация экономического сотрудничества и развития аналогичным образом опубликовали свои собственные руководящие принципы, а администрация Трампа подписала распоряжение о стимулировании разработки стандартов в США. Хотя эти усилия могут ввести новые способы защиты от предвзятости и обеспечения доверия, каждая инициатива также пытается создать стратегические преимущества для заинтересованных сторон.

Одна из отличительных черт - глобальное академическое сотрудничество в разработках ИИ - может резко упасть поскольку ИИ начинает развиваться по разным правилам в Китае, ЕС и США.

Регулирование дипфейков

Новые меры по регулированию создания и распространения дипфейков будут введены в течение 2021 года в США и других странах. Законопроект в законодательном собрании штата Гавайи направлен на запрещение приложений и инструментов создания несанкционированных дипфейков. Если это пройдет, дипфейкинг будет считаться уголовным преступлением класса C. Законопроекты также были представлены в Калифорнии, Техасе и Массачусетсе, и обсуждается ряд федеральных законопроектов. Эти инициативы, вероятно, будут встречены аргументами о том, что запрещение дипфейков нарушает права на свободу слова.

ИИ должен научиться объяснять свои решения

Замечено, что порой ИИ становится «черным ящиком» - даже исследователи, работающие в этой области, не понимают, как работают новейшие системы. Это не совсем так.

Однако среди компьютерных ученых, журналистов и ученых-юристов растет беспокойство: системы искусственного интеллекта не должны быть такими секретными, а регулирующие органы уделяют им пристальное внимание.

Вообще говоря, необходимо преодолеть несколько проблем. Требование прозрачности в ИИ может раскрыть коммерческие секреты компании. Если попросить системы объяснить свои процессы принятия решений в процессе работы их функционирования, это может снизить скорость и качество вывода (результатов работы ИИ). Вполне вероятно, что в ближайшие годы различные страны примут новые правила, требующие объяснения процесса принятия решения. Но, представьте, что вы сидите рядом с гениальным математиком, который дает вам правильные ответы в Италии. А во Франции хотят попросить его остановиться и показать свою работу. Но Франция - это не Италия и открытие покидает национальные границы.

Новые стратегические технические альянсы

Новые стратегические технические союзы между странами будут способствовать дальнейшим исследованиям и разработкам, но также могут ослабить существующие геополитические союзы или усилить напряженность. Вероятные партнеры включают США, Германию, Японию, Индию, Южную Корею, Великобританию, Францию ​​и Канаду, а Китай и Россия будут сотрудничать отдельно. Последние две страны уже объявили о техническом альянсе по спутникам и исследованию дальнего космоса.

Новый производственный комплекс в военной области

В последние несколько лет некоторые из крупнейших компаний в сфере искусственного интеллекта в США вступили в партнерские отношения с военными, чтобы продвигать исследования и разработки и повышать их эффективность. Фактически, государственный сектор не может продвигать свои технологии без помощи сторонних компаний. К тому же компаниям хочется заработать много денег. 

Администрация общих служб США и Объединенный центр искусственного интеллекта Министерства обороны недавно заключили с Booz Allen Hamilton пятилетний контракт стоимостью 800 миллионов долларов на разработку продуктов искусственного интеллекта.

Армия США заключила с Lockheed Martin контракт на 75 миллионов долларов на поставку модуля для устранения кибер-помех с машинным обучением, который может быть установлен на Humvee или дронах.

С новым акцентом на оборонные заказы с компонентами ИИ стартапы, работающие со спутниковыми изображениями высокого разрешения, компьютерным зрением и беспилотными летательными аппаратами, привлекают прибыльные венчурные инвестиции. И Amazon, и Microsoft попали в заголовки газет по поводу 10-летнего государственного технологического контракта на 10 миллиардов долларов, который получил название Joint Enterprise Defense Infrastructure, или JEDI. Другие, в том числе IBM, Oracle и Google, также соревновались за преобразование военных систем облачных вычислений. Тем временем ЦРУ заключило с Amazon контракт на предоставление облачных услуг на 600 миллионов долларов, а Microsoft выиграла контракт на 480 миллионов долларов на производство гарнитур HoloLens для армии.

В 2017 году министерство обороны создало кросс-функциональную группу по алгоритмической войне для работы над Project Maven - системой компьютерного зрения и глубокого обучения, которая распознает объекты на неподвижных изображениях и видео. Министерство обороны заключило контракт с Google на обучение систем ИИ для анализа видеозаписей с дронов, но оказалось, что сотрудники, задействованные в проекте, не знали, что они занимаются военной работой. Последовала резонансная реакция: около 4000 сотрудников Google подписали петицию с протестом против Project Maven, и в конечном итоге десятки сотрудников покинули компанию. В конце концов Google заявила, что не будет продлевать контракт по проекту. Компания ввела в действие набор этических принципов, регулирующих разработку и использование ИИ, включая положение, запрещающее использование любых систем для «оружия или других технологий, основная цель или реализация которых заключается в причинении или непосредственном облегчении нанесения вреда людям».

Алгоритмические боевые действия

Будущие войны будут вестись с помощью кода, с использованием данных и алгоритмов в качестве мощного оружия.

Нынешний мировой порядок формируется с помощью искусственного интеллекта, и те же самые страны, лидирующие в мире в области исследований ИИ - США, Китай, Израиль, Франция, Россия, Великобритания и Южная Корея, - также разрабатывают системы вооружений, которые включают в себя по крайней мере некоторые автономный функционал.

Израиль использует автономные дроны для пограничного патрулирования, а Китай разработал стелс-дроны, способные наносить автономные авиаудары. Анализ Future Today Institute показывает, что будущее войны охватывает не только традиционное оружие.

Используя методы искусственного интеллекта, военные могут «победить», дестабилизируя экономику, а не разрушая сельские районы и центры городов.

Источник: https://futuretodayinstitute.com/trends/

Творческие функции, имитируемые ИИ

Креативно-подобные функции

Генеративные состязательные сети (GAN) способны не только на создание Deepfake-видео. Исследователи сотрудничают с художниками и музыкантами, чтобы генерировать совершенно новые формы творческого самовыражения посредством алгоритмов искусственного интеллекта.

ИИ используется для исследования новых идей - от синтеза масок африканских племен до создания фантастических вымышленных галактик. Nvidia запустила GauGAN (названный в честь художника-постимпрессиониста Поля Гогена), генеративную состязательную систему искусственного интеллекта, которая позволяет пользователям создавать реалистичные изображения пейзажей, которых никогда не существовало. Национальный институт информатики в Токио создал автора текстов на основе искусственного интеллекта, а Amazon выпустила свою систему DeepComposer, которая сочиняет музыку «автоматически». Эти ИИ якобы предназначены не для замены художников, а, скорее, для улучшения их творческого процесса.

Генеративные алгоритмы для производства контента

В прошлом году создатели «Южного парка» построили целое шоу, используя дипфейки.

«Sassy Justice», транслировавшаяся на YouTube, показала синтетического репортера Фреда Сасси, который очень похож на бывшего президента Трампа - только с другим голосом и прической, чтобы избежать судебных разбирательств.

В эпизодах использовались дипфейки Эла Гора, Марка Цукерберга, Джареда Кушнера и других. Алгоритм с открытым исходным кодом DeepFaceLab использовался другими художниками и режиссерами. В рекламе Hulu был дипфейк звезд спорта, а в нескольких рекламных роликах Суперкубка 2021 года, включая жуткое появление Винса Ломбарди, использовались дипфейки и синтетические медиа. Алгоритм глубокого обучения OpenAI выпустил нейронную сеть под названием Jukebox, которая генерирует песни во множестве разных стилей и имитирует голоса, которые звучат (вроде) как Элвис и другие.

Создание виртуального окружения из коротких видеороликов

Разработчик чипов Nvidia учит ИИ создавать реалистичные 3D-среды из коротких видеоклипов. Этот метод основан на предыдущих исследованиях сетей GAN. Система Nvidia генерировала графику на основе наборов данных с открытым исходным кодом, используемых в области автономного вождения. Используя короткие клипы, сегментированные по различным категориям - например, здания, небо, автомобили, знаки, деревья или люди - GAN создавали новые и разные версии этих объектов. Спектр возможных приложений огромен. Автоматически сгенерированные виртуальные среды могут использоваться для фильмов в жанрах фэнтези, для генерации супергероев, могут снизить затраты на производство телепрограмм и разработку игр.

Автоматическое управление версиями историй

Журналисты швейцарской компании Tamedia экспериментировали с генеративными методами во время выборов в своей стране в 2018 году. Алгоритм дерева решений Tamedia по имени Tobi генерировал автоматизированные статьи с подробным описанием результатов голосования для каждого муниципалитета, освещаемого 30 газетами частной медиа-группы. Он также производил контент одновременно на нескольких языках.

Всего Тоби опубликовал 39 996 различных версий предвыборных историй, каждая из которых в среднем содержала 250 слов. Статьи были снабжены специальной подписью, предупреждающей читателей о том, что они написаны с помощью алгоритма. Ожидается, что по мере увеличения числа экспериментов, новостные и развлекательные медиа-компании разрабатывают несколько версий одного и того же контента для охвата более широкой аудитории или для создания огромных объемов контента в больших масштабах.

Автоматическое клонирование и дублирование голоса

Любой, кто когда-либо записывал подкаст, знаком с проблемами редактирования и удаления лишних шумов, таких как разговоры гостей друг с другом, звуки сирен и другие фоновые шумы, а также кашель и чихание. Эти моменты портят разговор. А что, если бы вы могли редактировать устную речь так же, как редактируется текстовый документ?

Это обещание компаний, занимающихся ИИ, включая Resemble AI и Descript, основанные на смопособности клонировать голоса. Очевидно, что у этой технологии есть и обратная сторона. В прошлом году хакеры использовали инструменты клонирования голоса, чтобы заставить сотрудника думать, что он разговаривает по телефону со своим генеральным директором; Затем он перевел 243 000 долларов на банковский счет мошенника.

Автоматическая перезапись окружающего шума

Мы обучаем компьютеры смотреть видео и предсказывать соответствующие звуки в нашем физическом мире. Например, какой звук издается, когда деревянная голень стучит по кушетке? Куча листьев? Стеклянное оконное стекло?

В центре внимания исследования, которое проводится в Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института, разработка способности понимания системами того, как объекты взаимодействуют друг с другом в физической сфере.

В настоящее время реализуются многочисленные проекты, упрощающие автоматическую генерацию голоса, видео и даже создание сюжетных линий.

Доходность рынков частного капитала (2020)

Доходность рынков частного капитала согласно материалов "A year of disruption in the private markets" McKinsey Global Private Markets Review 2021.

Несколько графиков, характеризующих доходность рынков частного капитала.
В данном случае на графиках - показатель внутренней доходность - IRR.

Сопоставление доходности рынков по секторам.



Распределение доходности в зависимости от размера фонда. Видно, что "большие" вложения менее подвержены колебаниям IRR, и более того, риск отрицательной ставки очень маленький.




Доходность в недвижимость: