Верю – не верю!
Как понять, какие ИИ реально работают?

Недавно меня спросили: «А как ты понимаешь, что доверяешь человеку? На чём строится твое доверие?»

Хороший вопрос. Я стал размышлять, и пришел к тому, что первый критерий – это способность держать слово. Когда есть возможность понаблюдать за человеком длительное время, я смотрю, сходятся ли его слова с делами. Если обещанное раз за разом выполняется, я понимаю, что доверять можно.

Но потом я начал думать, а как сделать вывод быстрее? И я понял, что не доверяю людям, которые в ходе обсуждения какого-то вопроса высказывают свою позицию безапелляционно. Поэтому, второй критерий – насколько аккуратен человек в своих суждениях.

Еще Платон говорил: «Чем больше я знаю, тем больше я понимаю, что ничего не знаю». Моё мировоззрение построено на следующем: чем больше люди знают, тем реже они утверждают что-то наверняка, если это, конечно, не доказательство теоремы. А в вопросах цифровизации ответы, как правило, в принципе не бывают верны для всего и вся. Они применимы к какому-то контексту: виду бизнеса или ситуации. Поэтому, когда люди очень уверенно о чём-то говорят, это вызывает обратный эффект – недоверие.

В теме искусственного интеллекта за последние пару лет появилось гигантское количество «экспертов»! И конечно, они готовы учить и проводить консалтинг. При этом уровень развития технологий и объём практики их применения на данном этапе говорит о том, что тех, кто действительно знает, как ИИ встроится в нашу жизнь, очень мало. А люди, которые пусть не настолько глубоко, но все же погружены в тему, высказываются о ней довольно аккуратно.

Я сам, с одной стороны, уже принял неизбежность интеграции ИИ в нашу жизнь и бизнес, в частности. С другой – испытываю раздражение и тревогу на фоне пестроты информационного поля. Состояние деструктивное, поэтому считаю – пора разбираться.

Когда мне нужно сформировать компетенции в той или иной области, я строю процесс познания на трех основных столпах.

1. Теоретическая база

Другими словами – изучение фундаментальных основ.
Все практические решения опираются на теорию. Чтобы анализ был заземлён, а не витал в воздухе, надо иметь возможность сопоставить решение с теоретическими основами, на которых оно построено.
Понятно, что иногда (особенно когда информации много), хочется просто поверить в какие-то прикладные решения. Но, если мы говорим про бизнес, то это не место, где можно опираться на сказки. Поэтому, если я хочу сделать критический вывод: имеет какое-то решение вероятность успеха и право на жизнь, или нет, я должен валидировать его через теорию. А для этого мне нужны фундаментальные теоретические знания.

2. Реальные кейсы

Чтобы принять решение о перспективности той или иной технологии, нужно проанализировать реальные кейсы ее применения.
На большинстве мероприятий я подчеркиваю, что смотреть важно именно на отраслевой опыт (то есть пищевикам на пищевиков). Но речь при этом идет про устоявшиеся технологии. В случае, когда мы говорим о технологиях высокой степени новизны, может оказаться, что по интересной вам теме у ваших коллег по цеху опыта не найдется.
Смело интересуйтесь практикой отраслей, которые являются более передовыми по внедрению данной технологии. Но важно делать это не через маркетинговые статьи. В них описано, в лучшем случае, не всё, в худшем – нечестно. Когда я погружаюсь в кейсы, то стараюсь найти возможность пообщаться с их авторами. Позадавать вопросы, которые помогут мне понять, где там истина, а где приукрашивание для красоты картинки.

3. Диалог с теми, кто тоже в поиске

Совместное искательство сокровищ эффективнее, чем самостоятельное. Поэтому я считаю полезной практику общения с такими же, как я: кто тоже хочет разобраться в теме, занимается сбором информации и имеет свои сложившиеся мнения.
На фоне единства запросов рождается конструктивный диалог и запускает процесс мышления, который помогает быстрее прийти к выводу – какие технологии всё-таки полезны.

И вот, когда я проработал все три компонента: освоил теоретическую базу, изучил практические кейсы и пообщался с другими искателями, я накопил критический объём представлений и могу оценить те или иные технологии. Разумеется, за одну итерацию я не стал экспертом. Через какое-то время я, возможно, повторю цикл, потому что и сама технология, и мои запросы, развиваются. Но пока мне достаточно данных, чтобы принимать решения в моменте.