Меня так привлекла история ИИ в шахматах, потому что на ней можно наглядно проследить эволюцию применения машин для принятия решений. Как сами шахматы являются миниатюрой жизни в масштабе 8×8, так и применение ИИ для управления игрой является прототипом его применения для управления миром

«Человека выдают за машину» Аналоги «Механического Турка», когда данные пересылаются в центры обработки данных, где их обрабатывают живые люди, а выдают это за работу уникального алгоритма для привлечения внимания к этому сервису.

Программы и алгоритмы Создание реальных алгоритмов, которые учитывали бы все необходимые данные для поиска лучшего решения. И если для шахмат этого хватило, чтобы победить человечество, то для HR‑решений это было достаточно ограниченным решением. С одной стороны, все упирается в сложность и многокритериальность алгоритма, чтобы на его основании можно было принять качественное решение, а с другой — в отсутствие достаточного объема качественных оцифрованных данных.

ИИ, обучаемый на данных Внедрение ИИ с нейронными сетями, обучаемых на данных, — наверное, сейчас один из самых трендовых в HR инструментов. Правда, пока он чаще используется для облегчения рутинных задач с использованием прокаченных возможностей NLP для анализа и генерации информации. Например, он помогает найти резюме по описанию вакансии. Но в отличие от шахмат, в HR нельзя загрузить исчерпывающее описание партий мастеров из прошлого с дебютами и эндшпилями, чтобы обучить нейронную сеть. Прямой аналогией такой системы было бы, если бы, например, для процесса найма мы загрузили бы даже не резюме, а полноценные биографии сотен миллионов человек экономически активного населения (как люди «ходят»), объединили бы эту базу с историями компаний и влиянием этих людей на эти компании (результат «партий») — и тогда бы сеть обучилась и смогла из базы имеющихся соискателей найти идеального кандидата для решения исходных задач. А сейчас же даже в самых больших компаниях страдает объем и качество имеющихся данных.

Самообучающийся ИИ Отдельно удивляет, как быстро шахматный ИИ перешел от обучения на основании данных к самообучению. Думаю, потому что это лучше всего раскрывается его потенциал. И где это получается сделать, там происходит качественный прорыв. Например, я встречал похожий пример с двигателем LEAP 71, спроектированным ИИ с нуля: когда ИИ получил требования к двигателю, параметры топлива, на основании этого сам создал проект двигателя для 3D‑принтера, который был напечатан в металле и с первой попытки показал на испытаниях необходимые характеристики. У меня при просмотре ролика было ощущение, что этот двигатель сняли с летающей тарелки, а не придумали на Земле.

И если оцифровка жизни и работы сотрудников для создания базы обучения ИИ — потенциально решаемая задача, которая со временем, возможно, будет решена по мере накопления цифрового следа (отдельно, правда, встанет вопрос защиты персональных данных и коммерческой тайны). То как полноценно смоделировать компанию, чтобы потом смоделировать в ней работу сотрудников с разными «характеристиками», чтобы ИИ сам смог спроектировать идеального кандидата для последующего поиска реального человека на это место — вопрос открытый.

Ну разве что сам ИИ выйдет на такой уровень, что сам сделает и эту модель, на основе которой потом сам же себя и обучит. Но это уже напоминает «кроличью нору» из‑за невозможности адекватно оценить получившийся результат. Да и зачем тогда будут нужны люди?

Продолжение обязательно будет