Knjigu pod naslovom “Prediction Machines” napisala su tri ekonomista – Ajay Agrawal, Joshua Gans i Avi Goldfarb. Možda je to i razlog zbog kojeg je umjetna inteligencija predstavljena vrlo površno – kako u tehničkim mogućnostima, tako i u ekonomskim te društvenim dosezima.
Istina, autori se ograđuju, navodeći da je tema usmjerena na samo jedan segment iz repertoara umjetne inteligencije, koji oni opisuju kao “alat za predviđanje”, misleći zapravo na funkciju prepoznavanja uzoraka i stojnog učenja.
Najprije, nije sasvim jasno zašto su odabrali taj naziv. Predviđanje se uvijek odnosi na ishode, i može biti eventualni rezultat primjene naprednog prepoznavanja uzoraka – a ne osnovno svojstvo postupka. Na primjer u medicinskoj dijagnostici, stojno je moguće efikasnije i točnije prepoznati simptome onda postaviti početnu dijagnozu – ali to nije predviđanje bolesti, to je prepoznavanje bolesti. Zato bi, po mojem mišljenju, termin “prepoznavanje”, bolje opisao tehnologiju čije implikacije autori analiziraju.
Dodatno, knjiga selektivno i previše opširno opisuje karakteristične situacije, gubeći se u detaljima – bezuspješno pokušavajući sistematizirati opće razloge i rizike primjene. U tom postupku se glavne ideje ponavljaju, dok se neke manje očite ne razmatraju.
Uglavnom, teza je da je “predviđanje” kritična komponenta današnjih AI sustava i da predstavlja središnji izvor informacija (“ulaz”) za donošenje kvalitetnijih i dalekosežnijih odluka. Cilj knjige je ponuditi okvir za analizu ekonomske opravdanost primjene “predviđajućih strojeva” u konkretnim poslovnim situacijama.
Čim se govori o ekonomskom gledištu – u centru interesa je cijena, pa autori očekuju da će primjenom umjetne inteligencije u analizi podataka pasti cijena poslova koje su ranije radili ljudi i glavna vrijednost rada je proizlazila iz poznavanja podataka i njihovih međusobnih odnosa – od planiranja nabave, zaliha, upravljanje distribucijom robe. No, porast će cijena poslova koji se tiču prikupljanja podataka, odlučivanja i izravnog rada – koje računalo ili današnja “robotska” tehnologija ne može obaviti. Dodatno, doći će do promjene u poslovnoj strategiji – tako da će se neke dramatično unaprijediti, dok će se neke morati odbaciti i zamijeniti novima.
Kao primjer se navodi ideja da se prikupljanjem i analizom dovoljne količine podataka tradicionalna strategija kupi / dostavi može radikalno izmijeniti u strategiju dostavi / kupi – kod koje se korisniku dostavljaju artikli prema procijenjenim (predviđenim) potrebama – a potvrdom primitka se ostvaruje prodaja, plaćanje. Tako se značajno unaprjeđuje planiranje i proces nabave, zalihe se smanjuju na minimum, a ubrzava se proces prodaje uz istovremeno značajno smanjenje logističkih troškova, ali se podiže rizik od povrata robe i povećavaju se pripadajući troškovi.
Ovakav pomak u strategiji pokreće cijeli niz drugih promjena – od promjena u strukturi poslova, do logističkih promjena – a da bi se moglo procijeniti opravdanost takvih intervencija, autori predlažu metodologiju analize koju bi trebalo primijeniti na svaku funkcijsku cjelinu – jednoznačno definirani posao u poslovnom procesu. Metodologija se oslanja na “AI canvas”, matricu za sistematično i pregledno popisivanje svih komponenti potrebnih za analizu primjenjivosti i ishoda primjene umjetne inteligencije u poslovanju.
AI canvas sistematizira i analizira odnose predviđanja, procjene (odlučivanja), mogućih akcija te poslovnih rezultata te tri vrste informacija – ulaznih – koje će sustavu u produkciji biti dostupni, testnih – namijenjenih učenju i povratnih – onih koji služe za korekciju predviđanja.
Primjenom sistematizacije kakvu nudi AI canvas, tvrde autori, mogu se sagledati sastavnice svake ključne funkcije poslovnog procesa – te procijeniti utjecaj predviđanja, a zapravo prepoznavanja odnosa među podacima, na efikasnost poslovanja. Pri tome autori diskutiraju i obrazlažu moguće utjecaje primjene nove tehnologije na raspodjelu poslova unutar organizacije, na unaprjeđenje ili potpunu promjenu strategije – odnosno strukture i ciljeva poslovanja, kao i na utjecaje na širu zajednicu i društvo.
Kad se govori o utjecaju na društvo – onda se kao najvažniji kompromisi navode oni između povećanja produktivnosti i distribucije bogatstva – odnosno, postavlja se pitanje tko će profitirati povećanjem produktivnosti i kako će nova vrijednost biti distribuirana, bitan je i kompromis između inovativnosti i konkurencije – pa se može očekivati da će oni koji imaju dostup većoj količini podataka imati bolje ugođene poslovne sustave pa će polako preuzimati dominaciju i formirati monopol. Kao treći i posebno važan kompromis u kojem treba ostvariti ravnotežu je odnos poslovne uspješnosti i zaštite osobnih podataka. Jasno je da će biti uspješniji oni koji posjeduju više podataka o ponašanju korisnika, ali istovremeno pristup osobnim podacima narušava privatnost.
Knjiga predstavlja vrijedan pokušaj sistematiziranja ekonomskih utjecaja primjenom novih “inteligentnih” alata, ali je želja autora da ovako složenu temu sažmu u metodu za procjenu primjenjivosti rezultirala poopćavanjem nekih utjecaja, uz zanemarivanje ili podcjenjivanje drugih. Ovako uskim pogledom na umjetnu inteligenciju, također, mnogi važni utjecaj na ekonomiju i društvo se samo spominju i nisu dobili mjesto koje im pripada.
Ajay Agrawal works at the University of Toronto’s Rotman School of Management as the Geoffrey Taber Chair in Entrepreneurship and Innovation as well as the Professor of Strategic Management. Agrawal co-founded NEXT Canada, previously The Next 36 in 2010. He founded the Creative Destruction Lab in 2012 at the University of Toronto. Agrawal is co-founder of an annual conference, held at the University of Toronto, “Machine Learning and the Market for Intelligence.” Agrawal is a co-author of the book ‘Prediction Machines: The Simple Economics of Artificial Intelligence’ (released in April 2018)
Joshua Gans holds the Jeffrey Skoll Chair in Technical Innovation and Entrepreneurship at the Rotman School of Management, University of Toronto. Until 2011, he was an economics professor at Melbourne Business School in Australia. His research focuses on competition policy and intellectual property protection. He is the author of several textbooks and policy books, as well as numerous articles in economics journals. He operates two blogs: one on economic policy, and another on economics and parenting.
Avi Goldfarb is the Rotman Chair in Artificial Intelligence and Healthcare and a professor of marketing at the Rotman School of Management, University of Toronto. Avi is also Chief Data Scientist at the Creative Destruction Lab, Senior Editor at Marketing Science, and a Research Associate at the National Bureau of Economic Research. Avi’s research focuses on the opportunities and challenges of the digital economy.
