ОПТИМАЛЬНАЯ СТРАТЕГИЯ ИННОВАЦИЙ

Редко встречаются исследования, результаты которых одинаково полезны для китов бизнеса и мелких стартапов, для СЕО и инженера, для инвестбанкира и ITшника.
Этот пост как раз про такое исследование

Инновации для организаций, - то же самое, что эволюция для живых организмов: с их помощью организации адаптируются к изменениям в окружающей бизнес-среде и совершенствуются.

Без инноваций, компании сначала отстают от конкурентов и потом и вовсе уходят под давлением рыночных и средовых изменений.

Тем не менее, несмотря на неуклонный прогресс в нашем понимании эволюции, то, что движет инновациями, до сих пор оставалось неуловимым.

— С одной стороны, многие крупные компании вкладывают значительные средства в свои стратегии стимулирования инноваций.

Например, P&G и Unilever разработали специальные бизнес-процессы и руководства, по поиску новых инновационных продуктов и довольно успешно опираются на них в развитии бизнеса.

— С другой стороны, исторический анализ и индивидуальный опыт позволяют предположить, что значительную роль в процессе обнаружения инноваций играет серендипность – способность к интуитивным прозрениям.

Примеры компаний Apple и Tesla наглядно демонстрируют высокую эффективность обнаружения инноваций с помощью серендипности.

Поэтому любая компания стремится понять:

Каково же оптимальное место серендипности в стратегии инноваций?

Одинаковы ли должны быть стратегии для крупных компаний и стартапов?

Можно ли в принципе формализовать и оцифровать стратегии инноваций, сочетающие классический подход с серендипностью?

На все эти вопросы пытается дать ответы уникальное исследование «Серендипность и стратегия быстрых инноваций» , выполненное на стыке математики и практики разработки стратегий бизнеса.

Это не очередная красивая теория, а вполне практическое исследование, выполненное совместно Лондонским институтом математических наук, Национальным научно-исследовательским центром Франции и Хендерсовским институтом консалтинговой компании BCG, исследующим пути эффективного внедрения бизнес-идей на основе наиболее передовых научных методов и технологий.

Авторы исследования проанализировали математику инноваций, как процесс поиска жизнеспособных проектов во вселенной строительных блоков. А затем протестировали свои выводы на исторических данные по инновациям.

Три класса исследуемых авторами стратегий можно уподобить трем стратегиям сборки конструктора Лего, которые используют Боб, Элис и Вася, получившие задание собрать как можно больше интересных игрушек - фигур/механизмов/оборудования по теме «Мир пожарных».

Каждый из трех имеет собственную стратегию отбора лего-элементов из общей кучи доступных.
— Боб следует стратегии выбора таких лего-элементов, которые более всего подходят для скорейшей сборки той конкретной фигуры, которая им задумана и, вроде как, уже начала получаться (это недальновидная стратегии создания минимально-жизнеспособного продукта, свойственная стартапам).
— Стратегия Элис – выбор наиболее универсальных лего-элементов, которые могут подойти много к чему (это дальновидная ресурсопожирающая стратегия китов бизнеса, типа IBM и Google).
— Вася следует своим интуитивным озарениям, тягая из кучи элементов то, что подсказывает его интуиция (это стратегия Apple).

Исследователи показали, что все 3 стратегии НЕ оптимальные. Для оптимальности нужно сочетание всех трех стратегий в уникальной для каждой компании пропорции

А каковы эти пропорции – читайте статью. Но все упирается в т.н. «относительную полезность» нового элемента при заданном максимальном числе возможных элементов.

#инновации #серендипность #стратегия #бизнес

«Убийство путем машинного обучения» или «Святой Грааль инноваций»?
О двух важных, но малоизвестных потенциальных последствиях машинного обучения и, в целом, ИИ.
Как говорится, есть 2 новости: плохая и хорошая.

О плохой недавно написал в Harvard Business Review Майкл Шраге из MIT – “Является ли «Убийство путем машинного обучения» новой «Смертью от PowerPoint»?” https://goo.gl/4tDFvr
Сухой остаток таков.
1) IT далеко не всегда ведут к повышению производительности (привет вчерашнему посту 😳). Зачастую их внедрение лишь усиливает уже имеющиеся дисфункции (автоматизация бардака лишь усиливает бардак). Например:
— Перегрузка эл-почтовых ящиков явно ухудшает управленческую производительность, моральный дух и настрой на продуктивную работу;
— Электронные таблицы изобилуют глубоко упрятанными ошибками и макро просчетами.
2) В результате этого, затраты на технологию часто конкурируют с ее преимуществами.
3) Однако, при внедрении IT обратного хода уже нет.
— Многие слышали о "Смерти от PowerPoint" https://goo.gl/XvrfKy – колоссальных отрицательных последствиях применения этого приложения, которых мало кому удается избежать https://goo.gl/XETYEC
— Но несмотря на наличие десятков альтернативных приложений (Keynote, Slides, Prezi, SlideRocket, Easel.ly, Emaze, Slidedog …), PowerPoint с 1990 г. занимает 95%+ рынка, имея более 1.2 млрд. пользователей, делающих ежедневно много миллионов скучных и бездарных презентаций, убивающий у их читателей интерес к теме, а у их авторов, - элементарные навыки сторителинга (важнейшего качества для любого бизнеса).
4) С машинным обучением (МО) запросто может получиться, как с PowerPoint.
— МО создает новые сложные организационные риски, поскольку решения на основе МО склонны внушать ложную и / или неуместную уверенность в своих выводах; усиливать и / или укреплять привязку к данным; укреплять или даже усугублять недостатки людей, которые это ПО обучают и / или им пользуются.
— Никто ведь не хочет создавать скучные презентации, лишь убивающие кучу времени их авторов и слушателей… но они это все же делают.
— Аналогично, никто не захочет тренировать алгоритмы МО, чтобы они порождали ошибочные прогнозы, … но люди все равно будут это делать.
Подробней читайте у Майкла Шраге.

О хорошей новости читайте https://goo.gl/kNwpUa (27 слайдов) и смотрите https://goo.gl/NNcR3H (46 мин) совместный доклад NBER и MIT о том, что глубокое обучение может оказаться Изобретением кардинально нового способа изобретательства.
Сухой остаток здесь формулируется предельно лаконично.
Глубокое обучение (равно как и Машинное обучение, равно как весь спектр технологий ИИ):
1) Суть междисциплинарное явление – см. эффектный слайд 20, где показано почти равномерное распределение числа статей по ИИ между дюжиной областей
2) Это «Технология общего назначения» (вроде астролябии у Остапа Бендера - "Сама меряет. Было бы что мерять" и, одновременно с этим, средство поиска инноваций – см. слайд 11.
3) Это единственный известный человечеству способ извлечения информации (а потом и знаний) о т.н. «4ом квадранте» или «Неизвестном неизвестном» - крупнейшей и самой неисследованной области знаний об окружающей нас реальности (о которой, к слову, только и пишет Нассим Талеб) – см. что это такое https://yadi.sk/i/-EXXDPBJ3JqoUj
#МО #ИИ #Инновации #НеизвестноеНеизвестное #Производительность

Супер-идея для стартапа, который будет куплен Фейсбуком за миллиарды
Это не шутка и не преувеличение. И если Фейсбук не заплатит за эту технологию несколько ярдов (причем быстро и не торгуясь), то ее купит Амазон или Волмарт, - но уже за двузначное число ярдов. И остается только один вопрос – кто теперь сделает такую технологию первым.

Суть идеи в возможности автоматической идентификации возникновения стадного поведения, - т.е. поведенческих каскадов, вирусно охватывающих большие массы людей: обитателей социальных сетей, потенциальных покупателей и т.д.
Тот, кто способен автоматически идентифицировать только-только зарождающееся стадное поведение (в моде, покупательских предпочтениях, политических пристрастиях и т.п.), будет способен заработать на этом немыслимые деньги. Как если узнавать, какая из лошадей выиграет, уже на первых секундах забега, когда никто в мире этого еще не знает.

Новая работа «Оценка человеческого суждения о вычислительно-генерируемом роевом поведении» https://goo.gl/2kghNP - это развитие матмодели роя, предложенной Рейнольдсом еще в 1987 г.
Последний еще 30 лет назад поставил вопрос, - почему идентификация роевого поведения людьми столь быстра и эффективна, при том, что выполнение этой же задачи вычислительными методами, столь долго и затруднительно? Как человек делает это – на глазок и практически мгновенно? На какие параметры опирается человек, вынося суждение о том, что он видит формирующийся рой?

Развивая работы своих предшественников, авторы нового исследования таки придумали модель идентификации роевого поведения вычислительным образом, добавив к разработанной в 2015 модели еще 3 параметра: сила влечения, сила выравнивания и сила отталкивания «частиц» из которых формируется рой.

Уточню, что такое рой.
Это суперорганизм (см. вчерашний пост), состоящий из множества автономных особей (когнитивных агентов), полагающихся в своих поведенческих реакциях на собственные ощущения от коммуникации со средой, и взаимодействующих между собой таким образом, что в результате формируется глобальная форма поведения, проявляющаяся на уровне всего роя.

Т.е. динамика феномена рой в том, что структура на макроуровне возникает в результате взаимодействий на микроуровне.

Ключевые свойства роя:
- много-много частиц, кластеризующихся/группирующихся;
- частицы постоянно движутся, но их движение не является равномерно упорядоченным или выровненным, то есть отдельные частицы движутся в разных направлениях.

Поведение частиц роя напоминает свойства кипящих систем, «находящихся на краю хаоса».

Конечно же, любой умудренный знанием нейронных сетей читатель, тут же возразит, что элементарная нейронка легко распознает рой. Так в чем же прорывная идея?

А в том, что нейронка способна визуально распознать рой. А как она это сделает, если рой визуально не идентифицируем? Например, если рой (стадное поведение) формируется в социальной сети или шире, - в сетевом инфопространстве?

Для этого нужны идентификационные параметры, которые можно фиксировать и замерять.
А новое исследование предлагает работающую модель из 3х таких параметров: сила влечения, сила выравнивания и сила отталкивания «частиц» из которых формируется рой.

Дальше дело техники. Научиться оценивать эти 3 силы у когнитивных агентов, пребывающих в сетевом инфопространстве. И вуаля, - извольте бриться. Система будет способна идентифицировать зарождение стадного поведения на самой ранней стадии его возникновения.

Как сопоставить силы, характеризующие движение частиц роя, силам влечения, выравнивания и отталкивания мнений людей в инфопространстве, оставлю пока в тайне.
Лишь отмечу, что похожие «силы» можно фиксировать и измерять в модели синтеллектуального краудсорсинга, реализованного на платформе Witology.

#КогнитивныеАгенты #СтадноеПоведение #Инновации