Практическое руководство по выявлению возможностей, управлению портфелями продуктов и преодолению поведенческих предубеждений
Делиться
В предыдущей статье мы рассмотрели ключевые теоретические концепции, лежащие в основе анализа ожидаемых значений (ожидаемых значений), который включает в себя вероятностное взвешивание неопределенных результатов, и сосредоточились на его актуальности для управления продуктами ИИ. В этой статье мы рассмотрим общую картину, как вероятностное мышление, основанное на ожидаемых значениях, может помочь командам разработчиков ИИ решать более масштабные стратегические задачи, такие как выявление и выбор возможностей, управление портфелем продуктов и противодействие поведенческим предубеждениям, приводящим к принятию нерациональных решений. Целевая аудитория этой статьи — спонсоры и руководители бизнес-проектов в сфере ИИ, руководители продуктов ИИ, специалисты по данным и инженеры, а также любые другие заинтересованные стороны, участвующие в разработке и реализации стратегий в области ИИ.
Выявление и выбор возможностей ИИ
Как выявить возможности создания стоимости для инвестирования ограниченных ресурсов, а затем оптимально выбрать среди них, является извечной проблемой. Достижения в теории и практике инвестиционного анализа за последние пятьсот лет дали нам такие полезные инструменты и концепции, как чистая приведенная стоимость (NPV), анализ дисконтированных денежных потоков (DCF), доходность инвестированного капитала (ROIC) и реальные опционы, и это лишь некоторые из них. Все эти инструменты признают неопределенность, присущую принятию решений о будущем, и пытаются учесть эту неопределенность, используя обоснованные предположения и — что неудивительно — понятие ожидаемой стоимости. Например, NPV, DCF и ROIC требуют от нас прогнозирования ожидаемой доходности (или денежных потоков) на определенный будущий период времени. Это по сути включает в себя оценку вероятностей потенциальных бизнес-результатов вместе с их соответствующей доходностью за этот период времени и объединение этих оценок для расчета ожидаемой стоимости.
Понимание ожидаемой стоимости позволяет командам разработчиков продуктов ИИ использовать мощные, проверенные на практике методы инвестиционного анализа, подобные упомянутым выше, для выявления и выбора инвестиционных возможностей (например, проектов для работы и функций для поставки клиентам). В данной публикации, подготовленной компанией appliedAI, европейским институтом, содействующим сотрудничеству между промышленностью и академическими кругами и продвигающим ответственный подход к развитию ИИ, авторы описывают подход к расчету ROIC продуктов ИИ с использованием ожидаемых значений. Они представляют древовидную диаграмму расчета ROIC, которая разбивает «доходность» формулы на «выгоды» продукта ИИ (основанные на количестве и качестве прогнозов модели) и неопределенность/ожидаемые затраты на эти выгоды. Они сопоставляют эту доходность со стоимостью инвестиций, то есть с общей стоимостью ресурсов, необходимых (ИТ, рабочая сила и т. д.) для разработки, эксплуатации и обслуживания продукта ИИ. Расчет ROIC различных инвестиционных возможностей ИИ с использованием ожидаемых значений может помочь командам разработчиков продуктов выявлять и выбирать перспективные возможности, несмотря на присущую им неопределенность.
Использование реальных опционов может предоставить командам ещё большую гибкость в принятии решений (подробнее о реальных опционах см. здесь и здесь). К распространённым типам реальных опционов относятся опцион на расширение (например, расширение функциональности продукта ИИ, предложение продукта более широкому кругу клиентов), опцион на сокращение или сокращение (например, предложение продукта только премиум-клиентам в будущем), опцион на переключение (например, возможность гибко переносить рабочие нагрузки ИИ с одного гиперскейлерного решения на другое), опцион на ожидание (например, отсрочка принятия решения о создании продукта ИИ до момента подтверждения готовности рынка) и опцион на отказ (например, прекращение поддержки продукта). Чтобы решить, инвестировать ли в один или несколько из этих опционов, команды разработчиков могут оценить ожидаемую стоимость каждого из них и действовать соответствующим образом.
Посмотрите видео ниже, где приведены практические примеры того, как стандартные подходы (NPV, DCF) и анализ реальных опционов могут привести к разным выводам о привлекательности инвестиционных решений:
Управление портфелем ИИ
В любой момент времени компании (особенно крупные) склонны действовать на нескольких фронтах, запуская новые продукты, расширяя или оптимизируя существующие и прекращая поддержку других. Таким образом, лидеры продуктов сталкиваются с бесконечной и непростой задачей управления портфелем продуктов, которая включает в себя распределение ограниченных ресурсов (бюджета, персонала и т. д.) по всему развивающемуся портфелю продуктов, которые могут находиться на разных этапах своего жизненного цикла, с учетом внутренних факторов (например, сильных и слабых сторон компании) и внешних факторов (например, угроз и возможностей, связанных с макроэкономическими тенденциями и изменениями в конкурентной среде). Эта задача становится особенно сложной, поскольку новые продукты на основе ИИ борются за место в портфеле продуктов с другими важными продуктами и инициативами (например, связанными с запоздалой миграцией технологий, модернизацией пользовательских интерфейсов и улучшениями, направленными на надежность и безопасность основных сервисов).
Хотя современная теория портфеля (MPT) в первую очередь ассоциируется с областью финансов, она представляет собой концепцию, основанную на анализе ожидаемой стоимости и может быть использована для управления портфелями продуктов на базе ИИ. По сути, MPT может помочь руководителям продуктов создавать портфели, объединяющие различные типы активов (продуктов) для максимизации ожидаемой доходности (например, выручки, использования и удовлетворенности клиентов в будущем периоде) при минимизации рисков (например, из-за растущего технического долга, угроз со стороны конкурентов и противодействия регулирующих органов). Вероятностное мышление в форме анализа ожидаемой стоимости может использоваться для оценки ожидаемой доходности и учета рисков, позволяя проводить более сложную, основанную на данных оценку общего профиля риска и доходности портфеля; эта оценка, в свою очередь, может привести к выработке практических рекомендаций по оптимальному распределению ресурсов между различными продуктами.
Более подробное объяснение MPT можно найти в этом видео:
Противодействие поведенческим предубеждениям
Предположим, вы выиграли в игре и вам представлены следующие три варианта призов: (1) гарантированные 100 долларов, (2) 50% шанс выиграть 200 долларов и (3) 10% шанс выиграть 1100 долларов. Какой приз вы бы выбрали и как бы вы оценили призы в целом? В то время как первый приз гарантирует определенный доход, последние два приза сопряжены с разной степенью риска. Однако ожидаемый доход второго приза составляет 200*0,5 + 0*0,5 = 100 долларов, поэтому нам следует (по крайней мере теоретически) быть безразличным к получению любого из первых двух призов; в конце концов, их ожидаемые доходы одинаковы. Между тем, третий приз предлагает ожидаемый доход 1100*0,1 + 0*0,9 = 110 долларов, поэтому очевидно, что нам следует (теоретически) выбрать этот вариант приза среди других. Что касается рейтинга, мы бы присвоили третьему варианту первое место, а двум другим вариантам — второе. Читателям, желающим глубже понять вышеизложенное, рекомендуется ознакомиться с теоретическим разделом и отдельными примерами из этой статьи.
В предыдущем анализе предполагалось, что мы являемся тем, что экономисты называют совершенно рациональными агентами, всегда принимающими оптимальные решения на основе доступной информации. Но в реальности, конечно, мы склонны быть какими угодно, но не идеально рациональными. Как люди, мы страдаем от ряда так называемых поведенческих предубеждений (или когнитивных предубеждений), которые, несмотря на их потенциальное эволюционное обоснование, часто могут ослаблять наши суждения и приводить к неоптимальным решениям. Одно важное поведенческое предубеждение, которое могло повлиять на ваш выбор приза в приведенном выше примере, называется неприятием потерь, которое заключается в большей чувствительности к потерям, чем к выигрышам. Поскольку первый приз представляет собой гарантированный выигрыш в 100 долларов (т.е. отсутствие чувства потери), тогда как третий приз предполагает 90% вероятность ничего не получить, неприятие потерь (или неприятие риска) может привести к выбору первого — теоретически неоптимального — приза. Фактически, даже то, как представлены варианты призов, может повлиять на ваше решение. Формулировка третьего приза как «10% шанс выиграть 1100 долларов» может показаться более привлекательной, чем формулировка как «90% риск не получить ничего и 10% шанс получить 1100 долларов», поскольку последняя формулировка предполагает возможность проигрыша (по сравнению с гарантированными 100 долларами) и не содержит прямого упоминания о «выигрыше».
При разработке и реализации продуманной стратегии в области ИИ критически важно избегать неоптимальных решений, вызванных поведенческими предубеждениями, особенно учитывая ажиотаж вокруг генеративного ИИ с момента выхода ChatGPT в конце 2022 года. В настоящее время тема ИИ находится в центре внимания советов директоров компаний различных отраслей, и признание компании «ИИ-первым делом» (ИИ-первым), вероятно, приведет к росту ее акций. Потенциально революционное влияние ИИ (которое может значительно снизить стоимость создания многих товаров и услуг) часто сравнивают с такими поворотными моментами в истории, как появление Интернета (который снизил стоимость дистрибуции) и облачных вычислений (которые снизили стоимость владения ИТ). Ажиотаж вокруг ИИ, даже если он в некоторых случаях оправдан, оказывает огромное давление на лиц, принимающих решения на руководящих должностях, вынуждая их влиться в этот тренд, несмотря на то, что они зачастую не готовы к эффективному использованию ИИ. Многие компании не имеют доступа к данным и специалистам в области ИИ, которые позволили бы им создавать конкурентоспособные продукты на базе ИИ. В краткосрочной перспективе привлечение сторонних поставщиков может показаться целесообразным, но в долгосрочной перспективе влечет за собой риски из-за привязки к поставщику.
На этом фоне руководители компаний могут использовать вероятностное мышление (и концепцию ожидаемой ценности в частности) для противодействия распространенным поведенческим предубеждениям, таким как:
- Стадное чувство : лица, принимающие решения, склонны следовать за толпой. Если генеральный директор видит, что его коллеги из других компаний вкладывают значительные средства в генеративный ИИ, он может почувствовать себя обязанным поступить так же, даже если риски и ограничения новой технологии не были тщательно оценены, а его продуктовые команды ещё не готовы к решению этой задачи. Эта предвзятость тесно связана с так называемым страхом упустить что-то важное (FOMO). Руководители продуктов могут помочь коллегам в высшем руководстве избежать потенциально ошибочных решений, основанных на «следовании за стадом» и FOMO, аргументируя необходимость создания разнообразного набора реальных вариантов и расстановки приоритетов среди них на основе ожидаемой ценности.
- Излишняя самоуверенность : Руководители продуктов могут переоценивать свою способность предсказывать успех новых продуктов на базе ИИ. Они могут полагать, что понимают базовую технологию и вероятную восприимчивость клиентов к новым продуктам на базе ИИ лучше, чем есть на самом деле, что приводит к неоправданной уверенности в своих инвестиционных решениях. Излишняя самоуверенность может привести к чрезмерному риску, особенно при работе с непроверенными технологиями, такими как генеративный ИИ. Анализ ожидаемой ценности может помочь смягчить эту уверенность и способствовать принятию более взвешенных решений.
- Ошибка невозвратных затрат : эта логическая ошибка часто называется «выбрасыванием денег на ветер». Она возникает, когда руководители и команды по продуктам считают, что прошлые инвестиции во что-то оправдывают дополнительные будущие, даже если отдача от всех этих инвестиций может быть отрицательной. Например, сегодня руководители по продуктам могут чувствовать себя вынужденными выделять всё больше ресурсов на продукты, созданные с использованием генеративного ИИ, даже если ожидаемая отдача может быть отрицательной из-за проблем, связанных с галлюцинациями, конфиденциальностью данных, безопасностью и сохранностью данных. Размышления в терминах ожидаемой ценности могут помочь избежать этой ошибки.
- Склонность к подтверждению : руководители и менеджеры компаний склонны искать информацию, подтверждающую их существующие убеждения, не обращая внимания на важную информацию, которая может противоречить этим убеждениям. Например, при оценке (генеративного) ИИ менеджеры по продуктам могут избирательно фокусироваться на историях успеха и результатах исследований пользователей, которые согласуются с их предубеждениями, что затрудняет объективную оценку ограничений и рисков. Анализируя ожидаемую ценность инвестиций в ИИ, менеджеры по продуктам могут подвергать сомнению необоснованные предположения и принимать рациональные решения, не поддаваясь влиянию прежних убеждений или выборочной информации. Важно отметить, что концепция ожидаемой ценности позволяет обновлять убеждения на основе новой информации и способствует принятию взвешенных, долгосрочных решений.
Более полный список таких предубеждений см. в этой статье Википедии.
Обертка
Как показано в этой статье, вероятностное мышление с точки зрения ожидаемых значений может помочь сформировать стратегию компании в области ИИ несколькими способами: от поиска реальных вариантов и создания надежных портфелей продуктов до защиты от поведенческих предубеждений. Актуальность вероятностного мышления, пожалуй, не так уж и удивительна, учитывая, что большинство компаний сегодня работают в так называемой бизнес-среде «VUCA», которая характеризуется различной степенью волатильности, неопределенности, сложности и неоднозначности. В этом контексте анализ ожидаемых значений побуждает лиц, принимающих решения, распознавать и количественно оценивать неопределенность будущих выплат и действовать осмотрительно для получения стоимости, одновременно снижая риски. В целом, вероятностное мышление как стратегический инструментарий, вероятно, приобретет значение в будущем, где неопределенные технологии, такие как ИИ, играют огромную роль в формировании роста компании и акционерной стоимости.
Источник: towardsdatascience.com
