Вы можете не осознавать или делать это неосознанно, но если вы работаете с ИИ, вы также работаете в области принятия решений.

Представьте себе: вы создали модель ИИ, которая может принимать заявки в службу поддержки и классифицировать их по разным темам и настроениям. Благодаря этому вы можете расставить запросы в службу поддержки по степени важности и направить их в соответствующую группу поддержки. Звучит здорово, верно? Но так ли это просто? Нет. С моделью искусственного интеллекта мы на самом деле только на полпути к финишу. Если вы решили создать ИИ, подобный тому, который я только что описал, вы, должно быть, преследовали цель оптимизировать рабочий процесс обращения в службу поддержки. Либо для более счастливых клиентов, либо для снижения затрат, либо, может быть, для какой-то другой бизнес-цели. В любом случае, то, как мы действуем с данными, полученными в результате ИИ, не менее важно для самого ИИ, если не больше. Когда мы принимаем решение о том, как действовать в соответствии с полученными данными, мы на самом деле модель решения. Наука, которая лежит в основе этих моделей, не так проста, как может показаться. Посмотрите на этот пример:

ИИ заявки в службу поддержки предполагает, что с вероятностью 60% новая заявка касается прекращения работы, 30% — о новой функции и имеет среднюю критичность при анализе настроений. Теперь это уже не кажется таким простым, не так ли? Как мы обрабатываем эту информацию? Кто должен получить этот билет? И разве прекращение не критично независимо от оценки настроений?

Я никоим образом не ученый, принимающий решения, и не могу здесь никого многому научить. Но что я могу сказать вам наверняка, так это то, что модели принятия решений поверх ИИ слишком часто остаются второстепенными приоритетами без совести или стратегического подхода. И еще хуже – модель решения только обсуждается после мы закончили с моделями ИИ. Я бы сказал, что именно при создании модели принятия решений мы действительно понимаем, какие данные нам действительно нужны, поэтому создание ИИ в первую очередь редко имеет смысл, поскольку мы не знаем, что нам на самом деле нужно.

Есть также много ловушек, о которых следует помнить при принятии решений, таких как предвзятость выживания (думание, что вы приняли правильное решение, потому что получили правильный результат), и многие из нас думают, что мы лучше принимаем решения, чем мы есть на самом деле.

Если вы хотите узнать больше о науке принятия решений, мой лучший совет — следовать за главным специалистом по принятию решений в Google. Кэсси Козырков. Ей действительно удается вывести науку принятия решений на понятный уровень.

Итак, подведем итоги. Если мы хотим получить лучшие результаты с нашими решениями ИИ, мы должны уделять больше внимания принятию решений и во многих случаях начинать с него, прежде чем мы приступим к моделированию.