AI Economist: veštačka inteligencija za usavršavanje poreskih modela

Simulator ekonomskih trendova zasnovan na veštačkoj inteligenciji, AI Economist u stanju je da nakon milion izvršenih simulacija ekonomskih trendova sačini model jedne pravednije poreske politike.

Duboko učenje (Deep RL, ili, DL, „temeljito učenje“; Deep Reinforcement Learning) je tokom proteklih godina obučilo i osposobilo veštačku inteligenciju da nadmaši čoveka u nekim složenim igrama, mozgalicama kao što su Go ili StarCraft. Da li bi takav princip primene veštačke inteligencije mogao da uradi i bolji posao u, recimo, vođenju nacionalne i globalne ekonomije?

Nejednakost prihoda jedan je od najvećih problema ekonomije. Jedno od najefikasnijih sredstava koje političari moraju imati je način da se postigne što uravnoteženije oporezivanje: vlade prikupljaju novac od građana u skladu s onim što oni zarađuju i taj novac redistribuiraju direktno, putem socijalnih šema ili indirektno, koristeći ga za plaćanje troškova javnih projekata. Ali, iako više oporezivanja može dovesti do veće jednakosti među građanima u društvu, previše oporezivanja bi ih moglo obeshrabriti da rade ili ih motivisati da iznalaze načine izbegavanja plaćanja – što, automatski, po logici, smanjuje i ukupni iznos u budžetskoj kasi.

Postići što racionalniji balans u oporezivanju nije lako. Ekonomisti se obično oslanjaju na pretpostavke koje je teško potvrditi. Ponašanje ljudi vezano za „matematiku para“ odnosno ekonomiju, kako ličnu tako i onu sistemski uspostavljenu je složeno, a prikupljanje podataka i formiranje „info-inputa“ o tome je teško. Ekonomisti su proveli decenije istražujući načine kako da što bolje osmisle poreske politike, ali je ona i dalje, sve do danas, ostala otvoren problem: kako utisnuti što je moguće veću racionalnost u oporezivanju, i na čemu bi taj zdravorazumski pristup trebalo da se zasniva?

Naučnici američke kompanije za poslovnu tehnologiju Salesforce misle da bi veštačka inteligencija mogla pomoći pri rešavanju najboljeg i najpravičnijeg oporezivanja građana i firmi u odnosu na njihove prihode. Vođeni Ričardom Sočerom, tim ove firme je razvio sistem koji se zove ‘AI Economist’ koji koristi duboko učenje – istu vrstu tehnike koja stoji iza ’AlphaGo’ i ’AlphaZero’ kompanije DeepMind – da identifikuje optimalne poreske politike za simuliranu ekonomiju. Alat je još uvek relativno jednostavan (ne postoji način da obuhvata sve složenosti stvarnog sveta ili ljudskog ponašanja), ali je obećavajući prvi korak ka procenjivanju politika na potpuno novi način. „Bilo bi neverovatno učiniti poresku politiku manje ispolitizovanom a sa što više realnih podataka na osnovu kojih izvodi svoje proračune,“ kaže član tima Alex Trott.

U jednom od početnih rezultata, ova ekonomska AI je pronašla politiku koja je, s aspekta maksimuma kako produktivnosti tako i jednakosti dohotka, bila 16% pravednija od najsavremenijeg progresivnog poreskog okvira koji su proučavali ekonomisti iz akademskih krugova. Poboljšanje u odnosu na trenutnu američku politiku bilo je još veće. “Mislim da je to potpuno zanimljiva ideja”, kaže Blejk Lebaron s Univerziteta Brendajs (Blake LeBaron, Brandeis univ., Massachusetts), koji je AI neuronske mreže koristio za modeliranje finansijskih tržišta.

U jednoj simulaciji, četiri osobe zaposlene na ovom istraživanju prihvatile su da ih nadgleda veštačka inteligencija sazdana upravo po njihovim modelima dubokog učenja; upregli su svoju ekonomsku AI dajući joj svoje podatke, potrebne veštačkoj inteligenciji za određivanje njihove poreske osnovice. Oni komuniciraju s dvodimenzionalnim svetom, prikupljajući, recimo, drvo i kamen, ili trgujući tim resursima sa drugima, ili ih koriste za izgradnju kuća, što im donosi novac. Radnici poseduju različite nivoe veština, što ih dovodi do specijalizacije u određenim oblastima. Radnici s nižom kvalifikacijom uče da rade bolje ako prikupljaju resurse, a oni sa višom kvalifikacijom uče da rade bolje ako kupe sredstva za izgradnju kuća. Na kraju svake simulirane godine, svi radnici oporezuju se po stopi koju je odredio kreator politike pod kontrolom AI, koristeći se svojim algoritmom dubokog učenja. Cilj kreatora politike je da poveća i produktivnost i prihode svih radnika. Tako se AI, shodno tome, približavaju optimalnom ponašanju ponavljanjem simulacije do, recimo – milion puta.

Oba modela dubokog učenja (DL) počinju od nule, bez prethodnog znanja o ekonomskoj teoriji, i uče kako da dalje postupaju i funcionišu putem pokušaja i pogrešaka – na potpuno isti način na koji veštačka inteligencija kompanije ‘DeepMind’’ uči, bez ljudskog doprinosa, recimo, da igra Go ili StarCraft na, skromno govoreći, nadljudskim nivoima.

Možete li puno naučiti od samo četiri radnika iz AI? Teoretski, da, jer jednostavne interakcije između nekolicine ispitanika ubrzo dovode do vrlo složenih modela ponašanja. (Na primer, igra ‘Go’ i dalje obuhvata samo dva igrača). I mada je tako, svi uključeni u projekat slažu se da će povećanje broja radnika koje će AI ispitivati u simulaciji biti od suštinske važnosti – ako će ovaj alat za analizu većeg broja ispitanika uspeti da modeluje realne scenarije.

Poigravanje sistemom

Od ključne je važnosti primena „duple doze“ veštačke inteligencije: AI neuronske mreže su i ranije korišćene pri kontroli ispitanika u simuliranim ekonomijama. Ali, stvaranje AI za donosioce politika. pa i za poreske politike, takođe vodi ka modelu u kojem se radnici i odlučioci međusobno neprekidno prilagođavaju jedni drugima, a shodno svojim postupcima. Ovo dinamičko okruženje bilo je izazov za modele dubokog učenja primenjenog na ekonomiju i poreske modele, s obzirom da strategija naučena u okviru jedne poreske politike možda neće funkcionisati tako dobro u interakciji s nekom drugom vrstom poreske politike. Ovo je, međutim, takođe značilo da je AI iznašao načina da izigra sistem. Na primer, neki radnici su naučili da izbegavaju porez smanjujući svoju produktivnost da bi se kvalifikovali za niži poreski razred, da bi je zatim ponovo povećali (produktivnost). Ekipa kompanije Salesforce kaže da ovo uzimanje i davanje uspostavljeni između radnika i kreatora politika dovodi do simulacije ekonomskog stanja i poreskog modela na način realističniji od bilo čega postignutog prethodnim modelima, gde su poreske politike obično fiksne i ne variraju (a što već po sebi nije realno stanje stvari).

Poreska politika koju je smislio AI Economist pomalo je neobična. Za razliku od većine postojećih politika, koje su ili progresivne (tj. oni koji više zarađuju bivaju i više oporezovani) ili regresivno (oni koji više zarađuju se oporezuju manje), poreska politika stvorena veštačkom inteligencijom spojila je aspekte oba, primenjujući najviše poreske stope na bogate i siromašne, dok su najniže poreske stope primenjene na radnicima sa srednjim primanjima. Kao i mnoga rešenja koja AI smisle – poput nekih poteza AlphaZero-a za pobedu u igrama – rezultat se čini kontraintutivan, a ne kao nešto što je čovekov um prethodno zamislio. Pa ipak, njegov uticaj na ekonomiju doveo je do manjeg jaza između bogatih i siromašnih.

U nastojanju da uoče hoće li poreska politika nastala uz pomoć veštačke inteligencije slično uticati i na ljudsko ponašanje, tim je testirao više od 100 radnika angažovanih preko Amazonovog “Mehaničkog Turčina” (Mechanical Turk), od koga je u simulaciji zatraženo da preuzme kontrolu nad radnicima (Naziv je potekao od mehaničke igračke-automatona iz 18. veka za simulaciju igranja šaha – a zapravo lutke iza koje se nalazio čovek koji je povlačio poteze). Otkrili su da je poreska politika proistekla iz veštačke inteligencije ohrabrila ljude da „igraju“ i ponašaju se na gotovo isti način kao i AI, sugeriršući – barem u principu – da se ’AI Economist’ može koristiti za uticaj na stvarnu ekonomsku aktivnost.

Beskrajno podešavanje

Još jedna prednost ekonomske simulacije pokretane veštačkom inteligencijom se ogleda u mogućnosti prilagođavanja parametara kako biste istražili raznolike scenarije. Na primer, uticaj pandemije bi se mogao stvoriti dodavanjem ograničenja kao što su međusobno distanciranje i ograničeni pristup resursima, ili pak uklanjanjem ljudi iz pula radne snage. „Teško je smisliti optimalne poreske teorije zasnovane na prošlosti i primerima iz ekonomske istorije ukoliko budućnost izgleda toliko drugačije od onoga što su do pre neki dan bili modeli predviđanja“, kaže Sočer.

Sposobnost simulacije da menja model je veliki plus, kaže LeBaron: „Prilično je zanimljivo videti radnike koji se prilagođavaju poreskom zakonu“. Ovo je zaobišlo jednu od inače krupnih kritika na račun već postojećih poreskih modela, u kojima je ponašanje obično fiksno, odnosno, nepromenljivo, kaže on.

Glavna rezervisanost LeBarona prema ’AI Ekonomisti’ odnosi se na mali broj ispitanika na kojima je ovaj alat primenjen. „Postoje oni koji tvrde da možete steći dublji intelektualni uvid sa samo nekoliko ispitanika“, kaže on. “A nisam jedan od njih.” On bi želeo da vidi kako ishode simulacije sprovedene na, recimo, stotinjak radnika – što je takođe cifra kojoj teži tim kompanije Salesforce.

LeBaron, međutim, veruje da bi se ovaj AI alat već mogao koristiti za proveru postojećih ekonomskih modela: „Da sam ja kreator politika, pokrenuo bih ovu ‘stvar’ čisto da vidim šta će ‘reći’ o već postojecim modelima“. Ako se AI Economist ne bi složio sa drugim, tradicionalnim „ljudskim“ modelima, to bi mogao biti znak da tim drugim modelima nešto nedostaje, kaže on.

Dejvid Parks, harvardski informatičar i ekonomista koji je sarađivao sa timom iz firme Salesforce je takođe optimističan. On se slaže s LeBaronom da im je potrebno znatno veći broj ispitanika. Ali, nakon što su to primenili nekoliko dodatnih karakteristika kao što je dodavanje kompanija simulaciji, Parks predviđa da će moći da ponovi postojeće teorijske rezultate. “Tada ishod AI simulacije odmah postaje koristan i upotrebljiv”, kaže on.

Američki profesor Doin Farmer (Doyne Farmer), koji na Oksfordu predaje ekono-fiziku i kompleksne matematičke sisteme u ekonomiji je, međutim, nešto malo manje ubeđen u valjanost budućih ishoda ekonomskog AI simulatora. Iako pozdravlja ukrštanje i primenu dubokog učenja sa igara na oblast ekonomije – „Postavlja se pitanje da li možete istraživati politike na isti način na koji AlphaZero igra apstraktnu stratešku igru kao što je Go“. On smatra da će proći još neko vreme pre nego što ovaj AI alat postane zaista koristan u ekonomskim predviđanjima i modeliranju. „Stvarni svet je, ipak, previše komplikovan“, kaže Farmer.

Tim iz Salesforce-a prihvata činjenicu da će neki ekonomisti biti, tek vremenom, i postepeno, ubeđivani u prihvatanje ekonomskih ishoda proizašlih isključivo iz algoritma. U tom smislu, oni puštaju svoj kod i pozivaju ostale da kroz njega pokreću svoje modele. Dugoročno gledano, ova otvorenost biće takođe važan deo prerastanja takvih alata u pouzdane, kaže Sočer. „Ako koristite AI kako biste ga preporučili nekim ljudima u formiranju njihovih nižih ili viših stopa oporezivanja,“ ističe on, „onda bi bilo bolje da budete dobro upoznati zašto je tako – da dobro poznajete razloge zbog kojih je proračun baš takav, a ne drugačiji.“

Will Douglas Heaven, MIT Technology Review

AI: 4+4 ključne uloge veštačke inteligencije u preduzetništvu i prodaji

Funkcionisanje “bez napora” je suština veštačke inteligencije, bilo da se koristi u međuljudskim relacijama, načinu raspolaganja radnim vremenom, korisničkom servisu ili menadžmentu tj upravljanju portfoliom. Magazin “Preduzetnik” (Entrepreneur) objavio je dve sretne priče o 4 elementa koja veštačku inteligenciju danas čine neizostavnim sastojkom poslovanja, kao i 4 načina na koji AI može doprineti boljoj prodaji.

Veštačka inteligencija (AI) je polje koje danas zadobija  sve više i više pažnje. Uprkos ovoj činjenici, međutim, i dalje postoje pogrešni stavovi o AI.

U ne malom broju slučajeva,  inovacije koje je uveo AI zadobijaju negativnu konotaciju i smatraju se skoro pa lošim. Ova zabluda proizilazi iz sadržaja koji proističu iz holivudskih filmova i filmskih industrija drugih zemalja koje vole da prikazuju AI kroz antiutopijsku optiku: kao robote koji će nas izbaciti sa naših poslova, zameniti naše prijatelje i porodice i, najzad, uništiti čitavu ljudsku rasu. Taj prikaz nije tačan i možda je čak i pomalo patetičan.

Umesto toga, dobra vest je da AI nije nužno negativna tehnološka novina; postoje oblasti primene koje obećavaju da će posao učiniti boljim i manje stresnim iskustvom. Razmislite o sledećim oblastima dokaza kako je AI postao moćan alat, a ne  upozoravajuća pretnja iz sfere naučne fantastike.

1. Veštačka inteligencija u oblasti ljudskih resursa

Odgovornosti kadrovskih odeljenja uključuju nadzor nad regrutovanjem, obukom i razvojem, nadoknade i beneficije, usaglašenost i niz drugih srodnih obaveza.

Zapošljavanje radnika, koje može biti izazovno i stresno, posebno je područje gde HR može imati koristi od veštačke inteligencije. Kada na hiljade aplikacija dođu na tek jedno otvaranje radnog mesta, HR osoblju može biti (i zapravo već jeste) posebno teško da solidno prouče sve podnosioce zahteva do u detalje, kako bi videli je li njihov potencijal prekoračuje granice njihovih podnesaka za zaposlenje.

Ali primena AI tehnologije van svake sumnje štedi vreme i čini posao manje mučnim. Ako je AI program dizajniran da preispita i razdvoji aplikacije na osnovu utvrđenih kriterijuma, zaposleni u HR-u mogu obaviti preostali posao kada se smanji ukupan broj pristiglih aplikacija. Ovo štedi vreme i smanjuje radna opterećenja.

2. Veštačka inteligencija u upravljanju radnim vremenom

Vreme i dobar tajming  predstavljaju jedan  od najvažnijih faktora koji stoji iza uspeha svake kompanije. Ona, zapravo, čini 42 odsto razlike između neuspeha i uspeha. Nije, dakle, iznenađenje što mnoge kompanije traže način integrisanja veštačke inteligencije u upravljanje vremenom kao i poboljšanju njihovih izgleda za davanje precizne prognoze na osnovu raspoloživih i istorijskih podataka.

Cilj veštačke inteligencije je, stoga, da pomogne takvim organizacijama da naprave najbolja vremenska predviđanja, maksimiziraju resurse onda kada su im najviše potrebni i pomažući im da minimiziraju gubitak vremena. Potpuna implementacija veštačke inteligencije  u ovom ključnom području imaće veliki pozitivan uticaj na vaš posao.

3. Veštačka inteligencija u korisničkoj službi

Reputacija bilo kog biznisa može se napraviti ili oštetiti reputacijom službe za kupce. To je ono što servis za korisnike čini tako važnim delom poslovanja. Ipak, s obzirom na ogroman broj poziva, svakodnevne žalbe i upiti mogu biti dugotrajni i opterećujući.

Danas, vaše preduzeće više ne mora da prelazi tradicionalni put koji obično prelazi svaki biznis; Umesto toga, poboljšana je AI efikasnost, kojom je moguće ukloniti taj teret i stres. Tipičan primer poboljšanja performansi usluga klijenata je četbot (chatbots) tj softverski posrednik (agent),  korisnički chatbot. Sa čet botom, (softverom za komunikaciju sa kupcima), možete jednostavno i efikasno upravljati svojim klijentima, pošto ova tehnologija omogućava ostvarivanje smislenih razgovora sa velikim brojem klijenata.

Rezultat je poboljšanje reputacije kompanije, pošto ljudi po običaju cene brzu reakciju na svoje zahteve od odeljenja za korisničke usluge kompanije.

4. AI u upravljanju portfeljima

Upravljanje portfeljem je još jedna oblast primene sa direktnim uticajem na preduzetništvo. Ako ste zainteresovani za upravljanje investicijama, možete računati na takve aplikacije AI kao savetnike za pružanje pouzdanih finansijskih saveta. Ove aplikacije mogu pomoći pri upravljanju portfeljima sa malim ljudskim faktorom inputa – i često sa manjim troškovima provizije.

Ove aplikacije rade koristeći algoritme dizajnirane da kreiraju finansijski portfolio koji odgovara ciljevima koje je postavio investitor. Veštačka inteligencija, takođe, ustanovljava klijentovu toleranciju na rizike kao deo svog koncepta za pravi „portfolio miks“. Prema Robu Berdžeru, koji piše za magazin Forbs, “robo-savetnici… čine da investiranje bude bez muke i napora”.

A raditi stvari “bez napora” i jeste poenta uvođenja veštačke inteligencije – bez obzira na oblast na koju se primenjuje.

4 načina na koje AI poboljšava prodaju

Ne možete zameniti ljudsku interakciju, ali je možete dopuniti ovim savetima.

Postoje dve jasno podeljene i u tabore razvrstane strane kada je u pitanju veštačka inteligencija (AI): oni koji su uzbuđeni zbog njenih mogućnosti, i oni uplašeni njenim potencijalom. Voleli je mi ili je mrzeli, AI je već prisutan u našem svakodnevnom životu.

Od pozivanja Siri da izvrši Google pretragu i zatraži od Alekse (Alexa) da vrti vašu omiljenu pesmu, AI se svakodnevno koristi. Ima nekoliko primena, kako na ličnom tako i poslovnom planu. Facebook Messenger chatbotovi su samo jedan primer kako brzo AI koriste kompanije za pojednostavljivanje usluga za klijente i svakodnevne zadatke. Veštačka inteligencija, takođe, ima potencijal da poboljša generisanje vaših B2B lidova tj kvalifikovanih kontakata (u marketingu, generisanje lida podrazumeva iniciranje interesovanja potrošača ili ispitivanje proizvoda ili usluga nekog biznisa; Lidovi se mogu kreirati za svrhe kao što su izgradnja liste, akvizicija listova e-biltena ili prodaja. Metode generisanja lidova obično potpadaju pod okrilje oglašavanja, ali mogu uključiti i nenaplative izvore – rezultate organske net pretrage ili upućivanje od postojećih kupaca. Pojašnjenja radi – jer B2B marketing nije nimalo jednostavna rabota – generisanje lidova je kreiranje procesa i aktivnosti koje omogućavajuju dolazak do kvalifikovanih kontakata, tj (potom i, nadaju se prodavci) potencijalnih kupaca.

Evo (za početak) barem četiri dobra razloga za primenu AI u prodaji

1. Pruža tačnije informacije o mogućim klijentima

Potencijalni lidovi tj kvalifikovani kontakti  potiču iz različitih kanala – LinkedIn, Google, itd. – kada unesete AI u proces, on može da potvrdi vaše podatke u odnosu na nekoliko izvora, pomažući vam da sakupite što tačnije podatke.

Kada kontaktirate potencijalne klijenta na osnovu tačnih i validnih podataka iz prve faze procesa istraživanja, drastično poboljšavate i vašu ukupnu uspešnost u prodaji. Ne zovete isključene telefonske brojeve, mrtve adrese e-pošte, niti kontaktirate ljude koji su promenili pozicije ili kompanije. Vaš uspeh i blizak odnos se nadovezuju kada već od samog početka radite radite sa tačnim podacima.

2. Poboljšava produktivnost

AI je u stanju da radi i bude aktivan 24 sata dnevno, sedam dana u nedelji i 365 dana godišnje. Nikada se ne razboli niti je na bolovanju, nije mu potrebna pauza usred dana, ne traži vam nedelju dana potrebnih za odmor i nikada ne napušta kancelariju.

AI ne može da zameni vrednost koju zaposleni isporučuje u smislu izgradnje odnosa i veština komuniciranja među ljudima „od krvi i mesa“, ali može biti ogromna pomoć u stvaranju većeg poslovnog potencijala i povišavanja interesovanja – na čemu radi neprekidno i bez prestanka –  dok vaš prodajni tim nije na poslu, čime se poboljšava ukupna produktivnost. Zaposleni mogu svakodnevno da budu efikasni, zahvaljujući ultra-kvalifikovanim lidovima – zahvaljujući veštačkoj inteligenciji.

3. Omogućava da se automatizovane poruke čine humanijim

Automatizovani marketing nije ništa novo – od automatskog objavljivanja društvenih medija do epidemiranja „dripovanja“ e-pošte (automatizovana imejl kampanja), postoji puno alata za automatizaciju, dostupnih za pomoć pri generisanju potencijalnih lidova. AI ide korak više, što vam omogućava da pokažete specifične marketinške poruke relevantne za specifične potrebe lidova. Ove ciljane poruke povećavaju stopu konverzije jer vam šalju automatizovani marketing, za koji je verovatnije da će ih konvertovati na osnovu podataka koje AI može identifikovati. Prodajni proces počinje dolaskom do kvalifikovanog kontakta (Lead Generation), koji bi dalje trebalo da se usmerava prema realizaciji prodaje (ili tzv. konverziji). Proces usmeravanja prema zatvaranju prodaje se naziva Sales Funneling ili Sales Pipeline.

Prodajni “levak” (funnel) ili prodajni “cevovod” (pipeline) predstavljaju termine koji bi trebalo da opišu mogućnost da se sama prodaja svede na uspostavljanje i vođenje prodaje na nivou definisanja poslovnih procesa i procedura. Ideja koja “leži” iza ovakve postavke prodajnog procesa je u činjenici da, ukoliko postoji osoba koja je potencijalno zainteresovana za kupovinu, takva se osoba može “prirodno” usmeravati ka samom zatvaranju prodaje, gde nema “iskakanja iz levka kada je počelo sipanje”, ili “neće pući cev proverenog cevovoda”.

U svetu prodaje i automatizovanog kao i AI marketinga, „pipeline“ predstavlja popis svih aktivnih prodajnih prilika u jednom trenutku. Bez obzira generiše li se u nekom CRM softveru, ili ga vodimo u Excell-u ili ručno ispisujemo na listu papira.

Prodavac bi trebalo da odvoji vreme kako bi kreirao personalizovanu e-poštu i napiše je u određenom tonu, a u zavisnosti od nekoliko faktora. Jedan od najvećih nedostataka kada je reč o stvarima poput automatske e-pošte, bilo je to što je bila previše generična. Danas je AI u stanju da vašoj automatizaciji u oglašavanju utisne više ljudskosti.

“AI stvara „nadljudske“ prodavce. Njih mašine ne mogu zameniti, naprotiv: mašina ih sigurno može učiniti pametnijima i snažnijima, ukazuje Olin Hajd (Olin Hyde), izvršni direktor i osnivač LeadCrunch-a, vodeće B2B kompanije koja se oslanja na AI i mašinsko učenje. Da podsetimo, B2B znači „Business to business“, tj elektronsko poslovanje koje se odnosi na korišćenje Interneta i veb tehnologija za kupovinu, prodaju, jeftiniju, bržu i bolju saradnju poslovnih subjekata.

4. Smanjuje propuštene mogućnosti

Potrebno je šest do osam „kontakata“ ili koraka, kako bi se ostvario održivi prodajni potencijal, a poželjno je da se kontaktiraju lidovi, kao i vreme odziva tokom kojeg svi ulaze u igru. B2B lidovi moraju biti brzo praćeni, a AI može pojednostaviti proces.

Evo podataka iz jedne ranije  studije Harvardskog poslovnog pregleda (Harvard Business Review) o odzivu interesenata/potencijalnih kupaca:

Prosečno vreme prvog odziva koji B2B firme imaju od svojih potencijalnih kupaca je bilo 42 sata

Samo je 37% kompanija odgovorilo na njihove zahteve u roku od sat vremena.

16 odsto kompanija je odgovorilo u roku od jednog do 24 sata

24 procenta preduzeća odazvalo se tek nakon više od 24 sata

23% kompanija nikada nije odgovorilo.

Veštačka inteligencija  vam dozvoljava da odmah dosegnete do kvalifikovanih kupaca i pratite prodajne tj „linije“ klijenata u svom pajplajnu – do onih koji pokazuju interesovanje za kupovinu vaše usluge ili proizvoda, i to precizno, eliminišući propuštene mogućnosti. Zamislite da  je u vašem „prodajnom levku“ tj uzorku kvalifikovanih kupaca otpočel akcija u 3 ujutro, što je signal za visok nivo interesovanja – a vi biste morali da čekate barem šest sati (do 9 ujutro) dok vaš prodajni tim ne stigne u kancelariju… ili, naprosto možete implementirati AI kako biste ih kontaktirali odmah, što u velikoj meri povećava verovatnoću realizacije prodaje (konverzija, ili, narodski, sretan termin, „prelomiti“; kada interesent za neki proizvod/uslugu „prelomi“ i konačno se odluči da ga kupi).

Jonathan Long 

 

Veštačka inteligencija za svakodnevnu upotrebu: uskoro i na vašem pragu

Kako su četiri programera – bez skoro ikakvog znanja o Japancima – dizajnirali softver za čitanje japanskog rukopisa.

Danas na tržištu postoji obilje applikacija koje podražavaju stvaran svet na način veštačke inteligencije. Ovakve aplikacije niču na neočekivanim mestima – nastaju i pre nego što biste pomislili da takvo šta postoji.

Dok trijumf u igranju igre Go može biti impresivna stvar, i inteligencija današnjih mašina se takođe razvija do tačke gde je može koristiti više ljudi kako bi radilo više stvari. Tako su četiri inženjera, bez gotovo ikakvog znanja japanskog, uspela da za samo nekoliko meseci stvore program koji prepoznaje piktografski rukopis ovog jezika.

Programeri iz informatičke kompanije Reactive Inc. objavili su aplikaciju koja prepoznaje japanski sa 98,66 odsto tačnosti. Ovaj tokijski start-up koji je pokrenut pre samo 18 meseci samo je deo rastuće, globalne zajednice programera i investitora koji predano rade na iskorišćavanju snage neuronskih mreža kako bi AI doveli do što praktičnije svrhe, a ne samo za odgovaranje na trivijalna pitanja ili kao takmaca u šahu i ostalim društvenim igrama.

“Do pre samo nekoliko godina morali biste da budete genije za to”, rekao je Dejvid Malkin (David Malkin) koji ima doktorat iz oblasti učenja mašina (deep learning), ali koji jedva da u nizu može da sastavi dve japanske rečenice. “Sada možete biti prosečno inteligentan momak a ipak da ste u stanju da kreirate zaista korisne stvari. Mašta će ubuduće biti ta koja će se sve više upotrebljavati za rešavanje poslovnih iskušenja na terenu.”

Neuronske mreže sposobne su da “vide” primenom slojevitih filtera koji iziskuju sve kompleksnije funkcije, umnogome na način na koji funkcioniše ljudski korteks za funkcije vida i oka.

Veštačka inteligencija nekada je bila ekskluzivno “igralište” kojim su dominirali jedan Google Inc. ili Facebook Inc. kao i drugi lideri u oblasti tehnološke industrije. Svaki start-up koji se danas bavi razvojem mašinskog učenja može pristupiti platformi baziranoj na IT oblaku, pri čemu im kompanije kao što su Microsoft Corp., NVIDIA Corp. i Amazon.com Inc. prodaju svoje AI platforme kao koristan razvojni alat.

Tehnologija koju je razvio startap Reactive pokazuje kako su čak i mali timovi sposobni da veoma uspešno osmisle složene aplikacije sa tek malo znanja u datoj oblasti. Onaj teži deo posla sastojao bi se u smišljanju strategije kako da zaradite novac s takvom dobrom idejom. U tom smislu, Reactive namerava da pomogne japanskim školama da  poboljšaju svoje testove – jedna naizgled prozaična “vežba” koja bi mogla da promeni pravila igre u zemlji u kojoj se testovi još uvek pišu olovkom na papiru.

Malkin i njegove kolege, Džo Bulard, Filip Remi i Filip Iri, dva magistra i doktor informatike, postižu zavidno brz napredak u razvoju “neuro-softvera”. Bulard je početkom ove godine njihov AI program pokazao grupi entuzijasta tokom druženja u japanskom sedištu kompanije Google, koji je funkcionisao besprekorno – sve dok mu jezička ograničenja nisu stala na put.

“Samo da znaš da ne varam, koji je vaš omiljeni lik?” upitao je Bulard prisutne u prostoriji. Neko je rekao da je to “ba”, jedan fonetski karakter. Soba je odzvanjala smehom dok se Bulard očajnički trudio da napiše ovaj simbol.

I dok se prepoznavanje rukopisa može smatrati za učenje mašina, učenje japanskog je potpuno druga “igra”. To je zbog toga što jezik uključuje simboličke znakove kao što je recimo Kanđi (Kanji), koji se sastoji od elemenata koji se mogu čitati nezavisno, što nam otežava da konačno doznamo gde se jedan simbol završava a drugi počinje.  U svakodnevnom japanskom pisanju postoji više od 2.000 široko rasprostranjenih piktograma sastavljenih od nekoliko desetina klasičnih poteza. Trik je pozabaviti se uvek samo jednim slikovnim znakom, bez vezivanja za ostale.

Softverski algoritam za japanski jezik koji je razvila startup firma Reactive ispituje neuronske mreže za uparivanje i spajanje s ostalim simbolima u rečenici, dodajući svakom obrađivanom simbolu i drugi, pridruženi znak, ponavljajući ga u procesu prepoznavanja sve dok u ovoj finoj obradi ne dobije konačan rezultat koji je visoke verovatnoće tačnosti. Pre nego što ga je pustio u javnost, ovaj startup je svoj algoritamski model za prepoznavanje japanskog „izbrusio“ i testirao na oko 1,8 miliona karaktera.

“Činjenica da je ova tehnologija iskorak u domenu ekspertize pruža veliku prednost u brzini i skalabilnosti kada su u pitanju poslovne aplikacije”, rekao je Seishi Okamoto, projektni direktor u Fujitsu Laboratories Ltd., gde se razvija softver za čitanje kineskog. “Mašine uče da prepoznaju kineske piktograme i to takvim tempom da su već uhvatile korak sa ljudskim sposobnostima a verovatno će ih uskoro i pomračiti.”

I dok je ova tehnologija koju je razvio startap Reactive javno prikazana jedino tokom susreta poput onog u japanskom Guglu, ovi podaci nisu potvrđeni kao važeći, niti su ocenjeni od bilo koje nezavisne strane.

Za razliku od tipičnog programa izgrađenog oko krutih pravila, AI učenje mašina  modelovano je po uzoru na to kako ljudi obrađuju informacije. S obzirom da je dovoljno podataka ulaz (input), a skup željenih rezultata je izlazni set podataka (output), neuronske mreže uče da shvataju šta je to što je u sredini, između inputa i outputa. Ovo im omogućava da pronađu rešenja koja su dosad opterećivala tradicionalne pristupe, kao što je tumačenje govora i jezika ili, recimo, ili prepoznavanje i označavanje slika.

“Postoji nekoliko faktora koji su ovde u igri: računarstvo visokih performansi u suštini postaje jedna vrsta robe-sirovine, obezbeđena je dostupnost svuda prisutnim i gargantuovski obimnim bazama podataka a tu je i ogroman napredak u razvoju bazičnih naučnih disciplina, čija dostignuća čine računare bržima i pametnijima”, rekao je Jošua Bengio, profesor informatike na Univerzitetu u Montrealu koji je i jedan od autora nekih ključnih studija iz ove oblasti. “Demokratizacija informatičkih alata i omasovljavanje računarskih tehnologija takođe olakšava većem broju korisnika – a ne više samo vrhunskim profesionalcima – da razvijaju nove aplikacije i proizvode.

Sve ovo će verovatno ubrzati evoluciju tehnologije za veštačku inteligenciju. Investicije u AI startup firme zahvataju raznolike oblasti – od obrazovanja i maloprodaje, do poljoprivrede. U 2015. godini ova ulaganja dostigla su 310 miliona evra, što je povećanje od gotovo sedam puta u zadnjih pet godina, prema istraživanju  njujorške firme za data-analitiku CB Insights.

Jednom kada bude izgrađena, neuronska mreža ne mora da bude ograničena samo na aplikacije za prepoznavanje jezika. U svoje slobodno vreme, četiri inženjera iz “Reaktiva” je 5.000 fotografija žena i ženske odeće preuzete sa Google Images, “provuklo” kroz svoju aplikaciju za vizuelno prepoznavanje. Dali su računaru jednu sliku prilično oskudno odevene dame da je prokomentariše: “Seksi odeća,” bio je odgovor softvera.

Pavel Alpeyev, Bloomberg

Robotizacija Zapada: Kraj kineskog rasta?

Adidas vraća proizvodnju svojih patika kući u Evropu (zapravo u matičnu zemlju Nemačku), gde uz pomoć robota namerava da zadrži troškove radne snage na konkurentnom nivou. On očekuje da će proizvesti prvu seriju patika u u novoj robotizovanoj fabrici u 2016.

U novijim poglavljima razvoja ove kompanije za proizvodnju sportske odeće, proizvodnja je uglavnom bila locirana u Aziji, posebno u Kini, koja je zabeležila spektakularan privredni rast gradeći ga na podršci proizvodnim potrebama u svetu, nudeći kompanijama svoju masovnu jeftinu radnu snagu. Ono što robotika ili masovna automatizacija danas radi, jeste da rešava probleme nestašice radne snage, kao i nestašice odgovarajućih veština, uz smanjenje najskupljih troškova u svakodnevnom poslovanju svake organizacije u svetu: plata. Naravno, ovo se ne odnosi na preduzeća koja imaju pristup robovskoj radnoj snazi, ali na sreću, svi smo se složili da je to pogrešno, i skoro svuda bar danas (nadam se), tako nešto je nezakonito.

Čak i pre nego što je a-Commerce počeo da nagriza ili pristupa hotelskoj i bolničkoj industriji, robotika je već dugo bila u zagrljaju proizvođača, i danas nije baš ništa novo ili niti je neki poseban novitet. Ono što se, međutim promenilo, je pad ulaznih troškova materijala (input) i proizvodnje mašina, što je u suštini ono što kompjuterski uređaji i roboti jesu. Niska cena proizvodnje dovodi do niske cene kupovine i implementacije ovakvih mašina. To dovodi do smanjenja troškova proizvodnje po jedinici na duge staze, za kompaniju koja ovakve mašine kupuje i uvodi u svoj proizvodni proces. Ne morate ići u biznis školu da bi ste znali tako nešto.

Kada vam ne treba ljudski rad, ne treba vam ni da autsorsujete ili selite svoje proizvodne kapacitete na drugo mesto u potrazi za jeftinim ljudskim radom. To smanjuje logističke troškove i vreme outsourcinga i off-shoringa, kao što su na primer troškovi za transport tako proizvedene robe. Kina je bila alternativa  za niže troškove plata. Sada se pojavljuje jedna praktičnija alternativa u odnosu na Kinu gde troškovi radne snage počinju da rastu uporedo sa porastom zahteva kineskih radnika da se njihov trud adekvatnije nagradi.

Adidasova odluka da prigrli robotizaciju je daleko verovatniji ishod nego da od nje odustane u korist jeftine radne snage i on predvodi panteon zapadnih kompanija pozivajući ih da uskoče u ovaj voz, da povuku svoju proizvodnju iz inostranstva, da bi kod kuće pristupačno i efikasno radili to isto. Ako proizvodnja zapadnih kompanija bude izvan ruku proizvođača u Kini, pitanje je šta će oni da urade?

Naravno ima u Kini danas mnogo toga drugog, nije sve u jeftinoj radnoj snazi. Kina ima sopstvenu industriju i svoje multinacionalke koje ne proizvode u ime drugih nego sa svojim originalnim proizvodima, i brendovima koji sada predstavljaju ozbiljnu konkurenciju nastupaju na globalnoj sceni. Međutim, ta industrija i korporacije takođe su porasle na temelju niskih troškova proizvodnje, bez potrebe za off-shore-om, jer su imali direktan pristup radnoj snazi sa niskim platama. Robotika međutim, sada ujednačava tržišni teren u smislu troškova radne snage za zapadne konkurente kineskih kompanija, uključujući i najuspešnije, do određenog stepena. Robotika zapadnim kompanijama daje priliku da se trkaju sa kineskim kompanijama sa istom cenovnom konkurentnošću.

Povratak proizvodnje kući, za zapadne kompanije, takođe možda predstavljati povratak onome po čemu je zapadna posebno evropska proizvodnja ranije bila poznata, pre uspona proizvodnje u Kini i autsorsinga, a to je kvalitet. Proizvodi i proizvodnja  su bili poznati po trajnosti. Garancije su bile ispunjavane ali nisu i korišćene jer nije bilo razloga za popravku proizvoda u garantnom roku jer su frižideri proizvedeni na zapadu trajali decenijama. Danas nema mnogo takvih proizvoda na tržištu. Bilo da je reč o majicama, ili vozilima. Evropska proizvodnja je u istoriji bila poznata po pouzdanosti, trajnosti i kvalitetu i vraćanje proizvodnje natrag u Evropu može biti dobra vest za potrošače, i to bez dodatnih briga da bi to moglo dovesti do povećanja cena. Jer, proizvodnja je sada cenovno pristupačnija i za proizvođače.

Naravno od proizvoda sa snažnim brend imenima kao što su Adidasovi i ne očekuje se da budu jeftini, ali ako bude potrebno, njihove cene će moći da budu snižene, ako tehnologija stvori mogućnost za takvu vrstu fleksibilnosti koja uklanja prednost koje su do sada imale mnoge kineske kompanije.

Iako se može dogoditi da neki uspesi postanu neuspesi, neki efekti uspeha ne mogu se preokrenuti u negativnom smeru, i to je dobra vest za Kinu i njeno stanovništvo u celini. U stvari to je sjajna vest jer je nivo prosperiteta koji je ova zemlja ostvarila u relativno kratkom vremenskom periodu prilično zavidan, i vrlo je verovatno da će ga ova zemlja još dugo zadržati. Uspesi mogu da se uspore i zaustave. Kako usvajanje robotike i automatizacije bude postajalo masovno i stvar norme sa troškovima tehnologije koji teže ka nuli, sposobnost da se eksploatišu kursne razlike i siromaštvo radnika jedne zemlje u odnosu na druge postajaće sve manje značajne poluge prosperiteta. A tempo usvajanja novih tehnologija kojem svedočimo u celom svetu u protekloj deceniji definitivno treba da predstavlja alarm za kineska preduzeća.

Hariš Šah je singapurski prvi domaći profesionalni futurista i konsultant za upravljanje strategijama. On vodi Stratserv Konsalting (Stratserv Consultancy). Njegove oblasti konsaltinga uključuju strateško vizionarstvo, sistemsko mišljenje, planiranje scenarija i buduće organizacione strukture.

 

Hariš Šah, Singapur

LinkedIn Pulse

Koji je naredni potez FED-a, pitanje je sad

Glavni ekonomista Saxo banke, Stin Jakobsen (Steen Jakobsen), analizira efekte eventualnog podizanja kamatnih stopa.

01

Hoće li se sve okončati u jednom potezu, to jest da li će američki Fed podići kamatne stope samo u jednom navratu, ili će to možda biti samo početak ciklusa sastavljenog od više manjih korekcija, sa stopama koje će se penjati naviše?

Ovo je glavno pitanje s kojim globalna ekonomija započinje treći kvartal 2015. godine. U slučaju da se sve dogodi jednokratno, u jednom potezu, američki dolar će početi da slabi zato što će tržište reagovati tako kao da su američke Federalne rezerve “odradile svoj posao”, a što bi izazvalo izvesni marginalni skok cene kapitala, uz usporavanje očekivanog rasta.

Tome nasuprot, ukoliko bi Fed podizao kamatne stope u više navrata tokom naredne dve godine (24 meseca), u tom bi slučaju referentna kamatna stopa do 2018. dostigla nivo od 2%. Ovo bi takođe predstavljalo i sporu ali nadasve dramatičnu promenu u odnosu na prethodnih devet godina, tokom kojih su kamatne stope imale tendenciju ka nuli, pa bi ovo, najverovatnije, prouzrokovalo nestabilnost uobičajenih tj. klasičnih portfelja.

Međutim, Stin Jakobsen ne veruje da su američka, a još manje svetska ekonomija u stanju da odole takvom pritisku, što nas upućuje na izvestan zaključak: da će se ići na povećanje u jednom potezu, procenjujući takvu meru kao opciju koja je najbezbolnija. Analitičari američkih Federalnih rezervi zastupaju stav da su agregatne prednosti niskih kamatnih stopa, posmatrano na duži rok, manje od posledica stvaranja potencijalnog finasijskog balona, odnosno, kako se već ovo stanje stručno kvalifikuje u rečniku centralnih banaka, “inflacije aktive.

05

Globalni ekonomski izgledi i nadanja za ovu godinu: neutemeljeni optimizam

Jednopotezni pristup: Stin Jakobsen je, prilikom procene mogućnosti primene “jednokratnog” pristupa, krenuo od pretpostavke da će Federalne rezerve preduzeti set određenih mera u oblasti monetarne politike, ne bi li se ostvarili programom uspostavljeni ciljevi: inflacija od očekivanih dva odsto, stabilna odnosno neinflatorna nezaposlenost od 4-5% i dugoročni rast BDP-a od 3%.

Ova formula odnosno jednačina bi izgledala ovako: dugoročni rast+inflacija, minus nezaposlenost = inflacija od dva odsto, plus rast BDP-a od 3%, minus petoprocentna nezaposlenost = nula procenata. Federalne rezerve će kamatne stope podići onda kada konačni rezultat ove kalkulacije bude iznad 1%, a sniziti ih onog momenta kada rezultat napravi pad ispod minus jedan odsto. U slučaju da se FED-ovi analitičari oslone na ekonomske podatke iz prošlosti, onda bi spremnost na dizanje kamatnih stopa bila nepotrebna. Ipak, uprkos ovome, oni najavljuju rast kamatnih stopa.

Jakobsen postavlja pitanje: kako je ovo, uopšte, moguće? Za sada je poznato da ljudi iz američkih Federalnih rezervi imaju želju da se oslone na inflaciju aktive, ne bi li se ublažile posledice trenutno veoma jeftinog novca. Drukčije rečeno, prvo (a možda i jedino!) podizanje kamatne stope neće biti utemeljeno na egzaktnim indikatorima i stvarnim brojkama već na – politici. U tom smislu, septembar bi bio nadasve pogodan momenat za aktivno delovanje u tom pravcu. Među nepovoljne indikatore spada i negativna stopa rasta BDP-a, koju su američka privreda i ekonomija zabeležile tokom prvog tromesečja ove godine.

Ovome bi trebalo dodati i činjenicu da je kineski rast na ivici kolapsa, kao i da su ekonomski pokazatelji Evropske unije i dalje razočaravajući (premda ima izvesnog napretka), tako da globalni privredni rast, po svemu sudeći, neće uspeti da prebaci čarobnu granicu od 3%.

Povrh svega, ako pođemo od premise da se kamatne stope neće uvećavati, makroekonomski analitičar Sakso banke Mads Kefed pokušava da na tome utemelji svoju prognozu američkog privrednog rasta od 2,4%, a u Evropskoj uniji od 1,8%, dok bi kineski privredni rast bio oko 6,7 odsto a u Japanu od 1%. Ove projekcije ukazuju na relativno loše performanse odnosno rezultat, pre svega uzimajući u obzir da su cene inputa prilično niže nego što je to bio slučaj tokom 2013. i 2014. godine.

International

International

U svojoj analizi, Jakobsen se dotiče i nultog rasta, napominjući kako se “već neko vreme suočavamo sa ekonomskim okruženjem nultog rasta, baš kao i nulte inflacije ali i, nažalost, izostanka nužnih reformi, što sveukupno ukazuje na to da većina sadašnje aktive poseduje petogodišnji očekivani nulti povraćaj investicije, i stoga će odvajanje od nulte stope rasta biti bolno – ukoliko i dalje ne bude reformi, dok bi porast inflacije lako mogao da nas iznenadi.”

Dolaskom ove 2015. godine, na tržištu je uspostavljen jednoglasan stav vezan za – strah od deflacije: ovogodišnja situacija je sasvim suprotna od prošlogodišnje, kada je Evropska centralna banka negirala da će u prvom tromesečju biti inflacije. Stoji činjenica da i dalje rastu inflatorna očekivanja merena “break-even” stopom (što predstavlja razliku koja postoji između nominalnog prinosa na obveznice sa fiksnom kamatom i stvarnog prinosa na obveznice vezane za inflaciju) na desetogodišnje obveznice. Izvesno je i to da je “premija na rok”, odnosno očekivana kompenzacija za inflaciju dramatično uvećana, što bi značilo da je rast inflacije brži od ekonomskog rasta. Ovo, potom, navodi na pretpostavku da će prinosi na desetogodišnje obveznice u Nemačkoj i Americi rasti za sto baznih poena. U prinos na nemačke desetogodišnje obveznice je već uključena buduća inflacija. Ovo povećanje cene kapitala će dodatno usporiti privredni i ekonomski rast, dok će marginalno podizanje cene kapitala uvećavati opterećenja dužnika.

Ovu svoju projekciju Jakobsen zaključuje završnom fazom: Nalazimo se u finalnoj etapi ciklusa sve nižih prinosa kao i inflacije, koji traju već više decenija. Na nultom nivou, ništa ne funkcioniše: Voda se zamrzava na nula stepeni, a identična je situacija i sa ekonomijom. Jakobsen upozorava da “ulazimo u period najznačajnijih promena u prinosima, uzimajući u obzir to da će, najverovatnije, doći do podizanja kamatnih stopa, dok će viša cena kapitala, u sprezi sa povećanjem cena inputa, opet dovesti evropsku i američku ekonomiju do nultog rasta. Ipak, nakon tog perioda, treba očekivati oporavak ekonomije i to kako na makro tako i na mikro planu. Imali smo, dakle, pogrešan start ove 2015. godine, zasnovan na nadanjima i željama, pa ćemo imati pad ekonomskog ciklusa na ulasku u 2016. godinu, tački od koje bi trebalo da vidimo napredak u privredi “odozdo naviše” (odnosno umesto makro pristupa, odozgo nadole). Ono što je dobra vest je to što će poslovni ciklus biti aktiviran ponovo, nakon skoro osam godina hibernacije. Tu je i loša vest: novac mora da pritiče sa tržišta obveznica i deonica ka realnoj ekonomiji, ostavljajući očekivane prinose na nuli i, kao nus-efekat, generišući veću nestabilnost.

Jakobsen, po običaju, svoju analizu završava citatom Vinstona Čerčila (Winston Churchill), jednog od njemu najomiljenijih političara svih vremena: “Niti je uspeh konačan, niti je neuspeh fatalan – ono što je jedino važno jeste imati hrabrosti da se nastavi dalje”.

 

Stin Jakobsen, glavni ekonomista Saxo Banke