CC BY
93
001: 10.24412/2072-4098-2022-6249-42-56 Искусственный интеллект как объект стоимостной оценки
А.А. Помулев доцент Департамента корпоративных финансов и корпоративного управления Финансового университета при Правительстве Российской Федерации, кандидат экономических наук (г. Москва)
Александр Александрович Помулев, sasha-pomulev@yandex.ru
Новые прорывные технологии четвертой промышленной революции (облачные технологии, 5Э, большие данные, интернет вещей, искусственный интеллект и машинное обучение) ускоряют развитие цифровой экономики. Пандемия, вызванная С0УЮ-19, выступила катализатором процесса внедрения цифровых технологий в экономике.
Одной из самых востребованных областей цифровых технологий является искусственный интеллект и машинное обучение. Это связано с тем, что в современной экономике накопленные в большом количестве данные являются новой нефтью и могут представлять ценность для своего владельца.
На современном уровне развития тео-
ретических взглядов под термином искусственный интеллект (Artificial intelligence, далее также - ИИ) часто понимают не то, что он представляет собой на самом деле. Впервые термин «искусственный интеллект» возник в ходе конференции в университете Дартмута (США) и не был связан напрямую с пониманием интеллекта у человека. В английском языке слово intelligence означает умение рассуждать разумно, а вовсе не интеллект человека, для чего есть свой аналог - intellect (см. [1]).
Ряд существующих сегодня определений искусственного интеллекта приведен в таблице 1.
Машинное обучение (Machine learning; далее - ML) пришло на смену экспертным системам. Оно позволяет информацион-
Таблица 1
Определение термина ИИ в различных источниках 1
Определение термина Источник
«Искусственный интеллект, по утверждению многих специалистов, это машины, которые призваны решать задачи, ориентированные на возможности человека» Р.Ш. Рахматули-на, В.С. Савина, Е.А. Свиридова [2]
«Свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека (не следует путать с искусственным сознанием, ИС); наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ» Википедия [1]
«Технология, а точнее, направление современной науки, которое изучает способы обучить компьютер, роботизированную технику, аналитическую систему разумно мыслить также как человек» Информационно-аналитический портал [3]
Таблицы 1-3 составлены автором настоящей статьи.
Окончание таблицы 1
«Комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений»
Указ Президента Российской Федерации от 10 октября 2019 года № 490 «О развитии искусственного интеллекта в Российской Федерации» [4]
ным системам самостоятельно формировать правила и находить решения на основе анализа зависимостей, используя исходные наборы «больших данных» (без предварительного составления человеком перечня возможных решений) (см. [4]).
Алгоритмы МЬ обнаруживают закономерности и учатся давать прогнозы и рекомендации, обрабатывая данные и опыт, а не получая явные программные инструкции. Созданная таким образом модель (количественный метод, система или подход, в котором применяются статистические и математические теории для преобразования входных данных в количественные оценки) позволяет количественно представить некоторый реальный процесс или концепцию.
Основные типы МЬ и алгоритмы, используемые при разработке моделей ИИ, с указанием их ценности для бизнес-процессов представлены в таблице 2.
Модель ИИ, созданная с использованием алгоритма машинного обучения, характеризуется следующими свойствами:
• при ее разработке используются реальные данные. Это является основой модели. Экспертные правила, не подтвержденные ретроспективными данными, не могут использоваться для обучения;
• модель базируется на экономических, финансовых или статистических теориях. При разработке могут использоваться гипотезы о том, какие факторы влияют на предсказываемую переменную, но их необходимо подтвердить статистикой;
• порядок преобразования входных данных в результаты не безальтернативный. Имеется свобода выбора используемого алгоритма;
• подверженность неточности. Модель может содержать ошибки. Если алгоритм обработки данных жестко зафиксирован, то это не модель. Например, предобработка текстовых данных -полностью детерминированный процесс, детальность которого определяется непосредственно разработчиком. Результаты предобработки могут использоваться в моделях, но сам алгоритм предобработки моделью не является;
• модель приобретает смысл только тогда, когда используется в бизнес-процессах. Сам по себе математический алгоритм не может принести прибыли, если на его основе не принимаются решения.
По оценкам экспертов благодаря техническим решениям, созданным на основе ML, в 2024 году ожидается рост мировой экономики не менее 1 триллиона долларов США (см. [4]).
В исследовании [5], которое было проведено в 2020 году Ipsos для Microsoft в Центральной и Восточной Европе с участием 815 компаний, было установлено, что 57 процентов респондентов-компаний в финансовой сфере уже используют ИИ или реализуют проекты, предполагающие использование ИИ в течение следующих 6 месяцев. 29 процентов опрошенных активно изучают возможность использования этой технологии в ближайшие 6-12 месяцев.
Таблица 2
Основные типы машинного обучения, алгоритмы, используемые при создании моделей ИИ, и их ценность для бизнеса
Алгоритм типа машинного обучения
Алгоритм, используемый при создании модели ИИ
Ценность моделей ИИ для бизнеса
№
■3 № О № №
.С
Ф I
Ф +
-VI
со
со со
-VI
Для обучения используются как исходные данные, так и обратная связь с человеком, чтобы установить соответствие между данными на входе и определенными итоговыми результатами на выходе
линеиная регрессия; логическая регрессия; линейно-квадратичный дискриминантный анализ; древо решений; наивный классификатор Байеса;
метод опорных векторов; случайный лес; алгоритм адаптивного улучшения А<ЗаВооз1; градиентные деревья; простая нейронная сеть
ОБУЧЕНИЕ С УЧИТЕЛЕМ
понимание побудительных факторов продажи продукта, таких как цены конкурентов, дистрибуция, реклама и т. д.
оптимизация ценовых ориентиров и оценка эластичности цены товара
классификация клиентов по степени вероятности возврата кредита
предсказание доброкачественности или злокачественности повреждения кожи на
основании его признаков (размер, форма, цвет и т. д.)
предсказание оттока клиентов
предсказание вероятности заключения продаж
обеспечение основы для принятия решений при найме новых сотрудников понимание характеристик продукта, которые делают его наиболее вероятной покупкой анализ настроений для оценки восприятия продукта на рынке создание фильтров против спама
предсказание количества пациентов, которых больница должна будет обслужить в течение определенного времени
предсказание вероятности, что кто-то откроет рекламное онлайн-объявление предсказание количества звонков в колл-центр для принятия решений о количестве персонала
предсказание потребления энергии в сети электроснабжения обнаружение мошенничества при транзакциях с использованием кредитных карт классификация изображений (например определение использования земли по снимкам со спутников для построения моделей изменения климата) прогноз спроса на продукцию и складских запасов
предсказание цен на автомобили исходя из их характеристик (например возраст и пробег)
предсказание, будут ли зарегистрированные пользователи, готовы ли они платить определенную цену за продукт
Окончание таблицы 2
Входные данные исследуются без указания на явную результирующую выходную переменную
Задача выполнятся с ориентацией на достижение максимального «вознаграждения»* за выполненные действия
кластеризация методом
/с-средних;
смешанная гауссова
модель;
иерархическая
кластеризация;
рекомендательная
система
сверточная нейронная сеть;
рекуррентная нейронная сеть
ОБУЧЕНИЕ БЕЗ УЧИТЕЛЯ
• группирование клиентов на основании явных характеристик (возраст и т. п.), например, для лучшего ориентирования маркетинговых кампаний или предотвращения оттока клиентов
• группирование клиентов, на которых лучше ориентировать маркетинговые кампании на основании менее явных характеристик клиентов (например предпочтений в отношении продукта)
• группирование сотрудников на основании вероятности их оттока
• кластеризация пользователей карт лояльности в постепенно более микросегментированные группы
• информирование об использовании/разработке продукта с группированием клиентов по ключевым словам в социальных медиа
• рекомендация фильмов пользователям на основе предпочтений других клиентов со схожими характеристиками
• рекомендация новостных статей на основе контента, который читает пользователь
ОБУЧЕНИЕ С ПОДКРЕПЛЕНИЕМ
• диагностика заболеваний по медицинским снимкам
• обнаружение логотипа компании в социальных сетях, чтобы лучше понимать возможности совместного маркетинга (например, соединяя бренды в одном продукте)
• понимание восприятия и использования бренда клиентами на основании изображений
• обнаружение дефектных продуктов на производственной линии на основании изображений
• создание аналитических отчетов для трейдеров ценных бумаг
• обеспечение языкового перевода
• отслеживание визуальных изменений в географической зоне после катастрофы для оценки возможных требований возмещения ущерба
• оценка вероятности того, что транзакция с использованием кредитной карты является мошеннической
• создание подписей для изображений
• чат-боты, которые могут удовлетворить более тонкие потребности и запросы клиентов
Под вознаграждением понимается условное количество баллов, которые начисляются самим алгоритмом при принятии успешного решения.
Однако стоит отметить, что ИИ - это сквозная технология, требующая для внедрения наличия целого комплекса технических средств и определенного количества больших данных (Big data - потоки данных свыше 100 Гб в день). Подобные технологические решения не дешевые. Предприятие должно использовать цифровые технологии и быть готовым к обработке и хранению большого количества данных. В настоящее время это доступно только крупным предприятиям, у которых достаточно ресурсов для приобретения технических средств и разработки моделей. Малый бизнес, наоборот, ограничен в своих ресурсах и не способен использовать дорогостоящие финансовые технологии со сложно прогнозируемым сценарием развития (см. [6]). Возможно, для целей малого бизнеса достаточно использовать классические базы данных и стандартные экспертные системы, основанные на описательной статистике и статистике выводов.
Тем не менее даже для крупных предприятий разработка и внедрение отдельных технологий представляет не простую задачу. Приходится решать комплекс технологических вопросов. В частности, алгоритмы работы нейронных сетей крайне сложны для интерпретации и, следовательно, результаты их работы могут быть подвергнуты сомнению и отменены человеком (см. [4, 7]). Помимо этого, возникают смежные вопросы, касающиеся организационно-экономического механизма внедрения изменений и оценки коммерческой эффективности. Все это сдерживает привлечение частных инвестиций в развитие исследований и разработок в области ИИ.
С развитием рынка моделей ИИ цифровые результаты интеллектуальной деятельности станут полноправными объектами хозяйственного оборота, предметами сделок, объектами собственности и, следовательно, объектами стоимостной оценки (подробнее см [8]). Если рассматривать модели ИИ как цифровые интеллектуальные активы, то для их стоимостной оценки целесообраз-
но руководствоваться Федеральным стандартом оценки нематериальных активов и интеллектуальной собственности (ФСО № 11) [9]. Однако требуется разработка методических рекомендаций, чтобы учесть специфику моделей ИИ, конкретизировать цели оценки и виды определяемой стоимости. По наблюдениям автора отсутствуют публикации, в которых рассматриваются вопросы стоимостной оценки моделей ИИ и методы оценки эффективности их внедрения в бизнес-процессы.
Цели оценки определяют вид стоимости объекта оценки. Согласно методологии стоимостной оценки, которая базируется на экономической теории, принято разделять стоимость на две категории:
1) стоимость в использовании (отражает точку зрения конкретного индивидуума на полезность объекта);
2) стоимость в обмене (отражает точку зрения на полезность объекта совокупности индивидуумов, которые формируют спрос на рынке).
Рассмотрим цели стоимостной оценки моделей ИИ и вид стоимости, которая определяется в следующих случаях:
1) для принятия управленческих решений при проектировании эффектов от предполагаемого использования модели ИИ -определяется инвестиционная стоимость (в рамках Федерального стандарта оценки № 2 [10]);
2) для целей заключения договора исключительной или неисключительной лицензии - определяется рыночная стоимость (в рамках Федерального стандарта оценки № 2);
3) для целей постановки на учет - определяется балансовая стоимость (в рамках российского положения по бухгалтерскому учету);
4) для целей залога при получении финансирования - определяется рыночная, инвестиционная или ликвидационную стоимость (в рамках Федерального стандарта оценки № 9 [11]).
При расчете стоимости моделей ИИ
оценщик должен принимать во внимание следующие внутренние и внешние факторы:
1) срок экономической жизни модели (юридический, экономический);
2) уровень правовой охраны (обязательность патентной защиты);
3) уровень издержек на создание модели (приобретение данных, закупка физического и облачного пространства для хранения данных, закупка комплекса технических средств, оплата труда разработчиков, бизнес-аналитиков и прочее);
4) уровень экономического эффекта (снижение издержек, связанных с производством продукта/услуги, оптимизация времени на выполнение операций, снижение уровня рисков, повышение эффективности рекламной кампании и прочее);
5) ограничения по использованию и применимости модели;
6) качество модели;
7) характеристика рынка (наличие спроса, объем рынка, соотношение спроса и предложения).
1. Оценка экономической целесообразности внедрения моделей искусственного интеллекта
Практика свидетельствует о том, что недостаточно требований к содержанию технико-экономического обоснования создания автоматизированной системы согласно ГОСТ202.24 (подробнее см. [12]) для решения задачи оценки экономической целесообразности внедрения модели ИИ. Любая модель, ансамбль или каскад моделей не генерируют ценность для бизнеса без их внедрения в бизнес-процессы.
В случаях когда финансовый эффект достигается за счет разработки нескольких моделей, их объединяют в единый кейс и рассматривают как один объект оценки. Эффективность внедрения моделей ИИ зависит от уровня цифровизации процессов в организации. Оценка эффективности моделей ИИ представляет собой
этап общего процесса управления интеллектуальной собственностью в организации.
Процесс управления моделями ИИ в контексте общей концепции управления интеллектуальной собственностью бизнеса состоит из следующих этапов:
1) принятие решения о целесообразности разработки модели ИИ;
2) разработка модели (обучение и тестирование);
3) оценка качества модели и эффектов;
4) патентная защита (правовая идентификация);
5) оценка стоимости;
6) постановка на учет как нематериальный актив (НМА);
7) внедрение в операционный процесс или отчуждение.
При оценке экономической целесообразности внедрения модели ИИ следует придерживаться определенных принципов.
Принцип объективности
В процессе оценки необходимо отказаться от использования экспертных оценок и опираться на измеримые объективные данные и статистику.
Принцип измеримости
Выгоды должны быть измеримы. Поскольку объектом оценки является изменение процесса с использованием модели ИИ, как правило, при наличии разработанной модели имеется статистика, на основании которой происходит обучение. Также существует disrupt (созидательное разрушение) модели, которая не имеет статистику на текущий момент. В этом случае использование экспертных оценок до внедрения модели неизбежно. В такой ситуации рекомендуется изучить имеющиеся аналоги, бенчмарк решений в других отраслях (странах) и опираться на них при проведении финансовой оценки. Принцип измеримости подразумевает оценку оптимизируемых показателей до и после реализации модели. Все параметры, влияющие на оценку вы-
год от реализации модели, должны быть зафиксированы в качестве ключевых показателей эффективности для последующего мониторинга устойчивости модели во времени.
Принцип консерватизма
В ходе оценки необходимо прогнозировать денежные потоки, которые обладают свойством неопределенности, поэтому доходы следует оценивать на минимально возможном уровне, а расходы - на максимально возможном.
Принцип полноты
Требуется учитывать все инкрементальные расходы и доходы, необходимые для достижения бизнес-цели (внедрения модели в процесс):
• затраты на человеческие ресурсы, требующиеся для разработки модели, в том числе на аналитиков;
• расходы на программное обеспечение и оборудование;
• операционные расходы на закупку данных, поддержку модели в будущем.
Принцип материальности
Нет необходимости стремиться рассчитать эффект с точностью до рубля. Требуется ответить на вопрос, насколько чувствительна NPV (чистая приведенная стоимость) к изменению положительных или отрицательных факторов, точность которых необходимо повысить. Если значение NPV может измениться несущественно (например на 1-3 процента, на уровне погрешности), то использование ресурсов предприятия для достижения такой точности нецелесообразно.
Учет исключительно будущих выгод и
затрат
При расчете NPV модели денежные потоки дисконтируются к моменту принятия решения о разработке модели (момент t0). При оценке учитываются только будущие (после момента t0) выгоды и затраты, связанные с реализацией модели.
При оценке эффектов в результате внедрения модели, созданной с использованием ML, не стоит забывать о других как положительных, так и отрицательных социальных эффектах, которые могут возникнуть при внедрении модели.
Примером отрицательного социального эффекта является лишение людей определенного функционала, что может привести к росту увольнения сотрудников и увеличению безработицы в конкретном регионе. Этот аспект обуславливает учет последствий в денежной форме для корректной оценки эффективности (например учет затрат на обучение сотрудников другому функционалу) (см. табл. 3).
Для целей планирования инвестиций в разработку модели искусственного интеллекта подходят общеизвестные метрики оценки эффективности, такие как NPV, IRR (внутренняя норма доходности), PBP (срок окупаемости), DBP (дисконтированный срок окупаемости), PI (индекс доходности).
Структура финансовой модели, с помощью которой следует обосновывать экономический эффект будущей модели ИИ, стандартна, однако необходимо учитывать ряд специфичных аспектов при ее разработке. Рассмотрим эти особенности структурных разделов финансовой модели более подробно.
Учет консолидированного эффекта Необходимо проводить оценку на уровне всей группы компаний (при наличии), чтобы учесть все финансовые и налоговые последствия, а также возможные социальные последствия от внедрения модели.
1.1. Доходная часть модели
Как уже отмечалось, в таблице 2 приведены основные ценности, которые могут дать модели ИИ бизнесу, и которые должны трансформироваться в конкретные экономические показатели.
Таблица 3
Эффекты от реализации модели ИИ
Экономический Социальный
положительный отрицательный
• высвобождение штатной численности персонала • рост доходов компании • снижение операционных расходов • снижение операционных рисков • снижение ожидаемых потерь (для кредитных организаций) • рост уровня ликвидности компании (для кредитных организаций) • генерирование новых источников дохода компании • снижение интеллектуальных потерь сотрудников (сотрудники не занимаются технически простыми и рутинными операциями) • повышение психологической устойчивости сотрудников к переменам • повышение показателей текучести кадров • рост безработицы • снижение мотивации коллектива
В методических рекомендациях по цифровой трансформации государственных корпораций и компаний с государственным участием в рамках реализации мероприятий федерального проекта «Цифровые технологии» от 28 мая 2019 года [13] приведены следующие экономические эффекты от реализации стратегии цифровой трансформации:
1) снижение (изменение) операционных затрат;
2) снижение (изменение) капитальных затрат;
3) увеличение (изменение) выручки;
4) выгода от амортизации модели ИИ;
5) создание нового источника дохода.
Однако у моделей ИИ потенциальных
экономических эффектов значительно больше (см. табл. 3).
1.2. Расходная часть модели
Расходы, которые могут потребоваться для реализации модели ИИ, целесообразно классифицировать на расходы, связанные непосредственно с разработкой модели, и расходы на поддержание ее работы.
Расходы, связанные с созданием модели:
1) оплата труда задействованных человеческих ресурсов (разработчики, специалисты по анализу данных, бизнес-аналитики);
2) закупка данных;
3) оплата внешнего консалтинга;
4) капитальные расходы:
• приобретение или аренда недвижимости;
• комплекс технических средств (приобретение оборудования, серверов, облачных пространств, поддержка оборудования, приобретение лицензий);
5) интеграция модели в операционный контур текущих ИТ-систем и бизнес-процессы организации;
6) обучение сотрудников работе с моделью.
Расходы на поддержание работы модели:
1) оплата труда задействованных человеческих ресурсов на поддержку работы модели;
2) закупка дополнительных данных;
3) закупка дополнительного оборудования;
4) амортизация оборудования;
5) прочие операционные расходы, которые необходимо понести для обеспечения работы модели;
6) выплаты социального характера (например вследствие сокращения сотрудников);
7) расходы на профессиональную переподготовку сотрудников, которые попадают
Таблица 4
Методы расчета терминальной стоимости бизнеса [14]
Модель стабильного роста денежных потоков (модель Гордона) Метод мультипликаторов (сравнительный подход) Оценка ликвидационной стоимости актива или обязательств по ликвидации
Постпрогнозная стоимость (V) рассчитывается для бесконечного горизонта времени при постоянном темпе роста (g) денежного потока (Ср и ставке дис- /ч ,, ОР (1 + д) контирования (г): V =---- г - д Прогнозный базовый показатель (EBIT, EBITDA) умножается на мультипликатор, характерный для отрасли Оцениваются стоимость прав на модель ИИ после завершения срока службы или затраты на вывод модели из эксплуатации
под оптимизацию вследствие применения модели.
1.3. Прогнозный горизонт времени
По моделям период прогнозирования денежных потоков составляет 3 года с момента внедрения модели, что связано со средним сроком жизни и деградацией вследствие устаревания данных. В отдельных случаях период оценки может быть увеличен или снижен в индивидуальном порядке, если есть достаточное основание.
1.4. Постпрогнозный период
В оценке материальных активов и бизнеса используются три метода определения терминальной стоимости (см. табл. 4)
Вследствие деградации модели учитывать бесконечный горизонт времени и постоянный темп роста (модель Гордона) возможно, если модель демонстрирует результаты, удовлетворяющие заказчика, надлежащее качество и своевременно актуализируется на новых данных.
При принятии решения о целесообразности разработки модели, не понимая, каким будет качество модели, рассчитывать терминальную стоимость при оценке эффекта нецелесообразно.
Метод мультипликаторов также неприменим, так как еще не сформирован рынок продажи аналогичного типа активов.
При применении метода ликвидационной стоимости продажа актива возможна, если есть потенциальные покупатели, мо-
дель находится в актуальном состоянии и обеспечивает должное качество работы.
Обязательства по ликвидации могут возникнуть, если модель была интегрирована в производственный процесс и для дальнейшей бесперебойной работы требуется создать новую модель на новом типе данных. При отсутствии сложных интеграционных решений затраты на ликвидацию модели отсутствуют.
1.5. Риски и неопределенность
Самая главная неопределенность процесса разработки модели ИИ состоит в результатах ее обучения, то есть в ее способности приносить ожидаемый результат. Степень соответствия ожидаемому результату будет характеризовать качество работы алгоритма (подробнее см. [15]). Чем ниже качество модели, тем выше вероятность получить низкий эффект от результатов внедрения модели ИИ в бизнес-процессы.
Метрика качества модели - это степень того, как сильно и как часто модель ошибается. Выбор метрики зависит от того, какую задачу решает модель. Качество модели можно оценить при помощи таких метрик, как ROC-кривая (Receiver Operating Characteristic) - рабочая характеристика приемника и AUC (area under curve) - площадь под кривой ROC (см. [16]). Кривые ROC являются распространенным инструментом для визуализации оценки модели с точки зрения ее способности решать по-
ставленные задачи. Для построения ROC-кривой используются следующие метрики (см. [16]):
• true positive (TP) - истинно положительное: сколько раз модель предсказывала «Да», и фактический результат также был «Да»
• true negative (TN) - истинно негативное (сколько раз модель предсказывала «Нет», и фактический результат был «Нет»);
• false positive (FP) - ложноположитель-ное (сколько раз модель предсказывала «Да», а фактический результат был «Нет» (ошибка 1-го рода);
• false negative (FN) - ложно негативное (сколько раз модель предсказывала «Нет», а фактический результат был «Да» (ошибка 2-го рода).
На основе указанных метрик строится матрица ошибок, которая содержит только абсолютные числа. Используя эти абсолютные значения, можно получить другие метрики, основанные на относительных соотношениях. Например, относительный уровень истинно положительных прогнозов модели (true positive rate - TPR) можно рассчитать следующим образом: TPR = TP / (TP + FN), а
относительный уровень ложноположитель-ных прогнозов (false positive rate - FPR) -так: FPR = FP / (FP + TN) (см. [14]).
На графике, представленном на рисунке 1, показано, что ROC-кривая - это зависимость TPR от FPR. Чем больше площадь под кривой (AUC), тем лучше, выше класс модели. Идеальная или наилучшая ROC-кривая - это линия, выходящая из точки 0 и тянущаяся до точки 100% по оси ординат, далее переходящая в горизонталь, которая тянется до 100% на оси абсцисс. Это будет означать, что модель всегда может различить положительные и отрицательные случаи [17].
У хорошей модели классификации показатель AUC > 0,9 (90%), но это значение в значительной степени варьируется от сферы применения. В некоторых случаях такое значение AUC свидетельствует о переобученности модели. В практике разработки моделей в экономическом секторе (прогноз продаж, покупки клиентом продукта или предсказание дефолта заемщика и т. д.) значений AUC в районе 0,7-0,8 (70-80%) будет достаточно для решения поставленных задач. Ожидаемые требования к качеству модели формируются заказ-
ос 100
к
80
60
40
20
20 40 60 80
Рис. 1. Пример ROC-кривой [17]
100 FPR, %
0
0
* Здесь «Да» означает, что предсказание модели в виде подтверждения какого-то результата (например, модель предсказала, что заемщик допустит просрочку по кредиту, и он действительно допустил просрочку платежа) совпало с фактическим результатом, «Нет» - что предсказание модели в виде неподтверждения какого-то результата (например, модель предсказала, что заемщик не допустит просрочку платежа, и он действительно не допустил просрочки) также совпало с фактическим результатом.
Таблица 5
Параметры риска за качество модели [18]
Число сигм Число дефектов (несоответствий) на миллион измерений Процент дефектов (несоответствий) Уровень качества Величина риск-премии, %
6 3,4 0,00034 идеал 0
5 233 0,023 мировой 0,023
4 6210 0,62 приемлемый 0,62
3 66 807 6,68 достаточный 6,68
2 308 537 30,9 недостаточный 30,9
1 691 462 69,1 неприемлемый 69,1
чиком и отражаются в техническом задании на разработку.
Для целей количественной оценки риска, который связан с качеством модели, автором настоящего исследования предлагается использовать стандартное отклонение в результатах предсказания модели на тестовых данных.
Сначала необходимо рассчитать число дефектов на миллион измерений по следующей формуле:
Число дефектов на миллион измерений = = (число выявленных ошибок прогноза * х 10 000 00) / (количество экземпляров процесса * количество возможностей совершить ошибку).
Результаты расчета числа дефектов и интерпретация уровня качества процесса работы модели представлены в таблице 5.
Премия за риск, которая связана с качеством модели, привязана к числу сигм и варьируется от 0,023 до 69,1 процента. Однако граница премии в размере 69 процентов является недостижимой, поскольку в этом случае использовать модель не представляется целесообразным. Предлагается учитывать эти риски при расчете ставки дисконтирования в виде дополнительной премии за риск качества модели.
Для того чтобы получить необходимые данные для оценки качества модели, необ-
ходимо обратиться к результатам приемосдаточных испытаний, которые оформляются отдельным актом.
1.6. Специфика расчета ставки
дисконтирования
Ставка дисконтирования отражает основной определенный уровень доходности актива при соответствующем уровне риска. Наиболее часто используемыми методами расчета ставки дисконтирования являются:
• CAPM (модель оценки капитальных активов Capital Assets Pricing Model, предложенная У. Шарпом в 1964 году);
• метод кумулятивного построения (Build up);
• ROE (Return on equity) - рентабельность собственного капитала;
• WACC (Weighted average cost of capital) - средневзвешенная стоимость капитала.
Выбор ставки дисконтирования зависит от модели денежного потока. Для денежных потоков на собственный капитал (Free Cash Flow Equity) используется требуемая собственниками ставка доходности, определенная по методу CAPM, кумулятивного построения, по текущей доходности ROE.
При привлечении в проект внешнего финансирования целесообразно рассчитывать бездолговой денежный поток (Free Cash Flow to Firm) и применять средневзвешенную стоимость капитала (WACC).
Наиболее предпочтительным методом расчета ставки дисконтирования для стоимостной оценки эффекта от внедрения модели ИИ для непубличных компаний будет метод кумулятивного построения, для публичных - метод У. Шарпа.
Помимо общеизвестных премий за риск, автором настоящей статьи предлагается учитывать техническую неопределенность в виде премии за качество модели (см.
раздел 1.5). В случае создания нового направления бизнеса, который можно организовать с использованием модели ИИ, возникает дополнительный риск, связанный с неопределенностью спроса. Этот риск также необходимо учитывать в виде дополнительной премии.
В качестве обоснования воспользуемся шкалой премии в зависимости от степени новизны продукта/услуги (см. табл. 6).
Таблица 6
Поправка за риск в зависимости от новизны продукта (услуги), создаваемого моделью
ИИ [19]
Уровень риска Степень новизны продукта или услуги Поправка на риск, %
Средний Увеличение объема продаж существующего продукта 8-10
Высокий Продвижение на рынок нового продукта 13-15
Очень высокий Расширение возможностей решения исследовательских задач (проверка гипотез, разработка концепций и т. д.) 18-20
2. Оценка модели для целей заключения договора исключительной или неисключительной лицензии
Обязательное условие оценки созданной модели ИИ в целях коммерциализации -оформление исключительного права собственности на модель. При этом следует отметить, что регистрация программного кода в Едином реестре российских программ и баз данных с последующим оформлением как ноу-хау разработчиком - не самый надежный способ защиты своих прав. Причина в том, что программный код может быть скопирован и изменен, что формально свидетельствует о новой программе с идентичными полезными свойствами. Это может быть использовано недобросовестными участниками рынка и конкурентами.
Надежный способ защиты (но не легкий в исполнении) - получение патента в Федеральной службе по интеллектуальной собственности (подробнее см. [20, 21]). Патентное право дает монопольное право на модель ИИ и охраняет «суть» модели (идея модели, ее основной функционал),
а не форму (с помощью каких алгоритмов создана). Однако патент ограничен по территориальному признаку и сроку действия (изобретение - 20 лет, полезная модель -10 лет, промышленный образец - 25 лет).
Оформление права собственности на модель является основанием для возникновения такого права в соответствии с законодательством Российской Федерации.
Для проведения независимой оценки также потребуются:
• описание характеристик модели;
• сведения об источниках доходов от использования модели (см. рис. 2);
• сведения о расходах, связанных с разработкой модели, а также о расходах, требующихся на ее внедрение и правовую охрану;
• справка с указанием наименования модели, инвентарного номера, даты постановки на баланс, первоначальной стоимости, остаточной стоимости на дату оценки, суммы начисленной амортизации, годовой нормы амортизационных отчислений;
• бизнес-план организации производ-
ства и реализации продукции с использованием модели; • сведения о наличии (отсутствии) об-ременений, включая обременение залогом и (или) долговыми обязательствами, иные ограничения по использованию объекта;
• реквизиты заказчика оценки. При выборе подходов к оценке модели ИИ и методов предпочтительным будет метод дисконтированных денежных потоков, так как он отражает ожидаемую полезность объекта. Вторым по значимости будет затратный подход (см. табл. 7).
Таблица 7
Оценки стоимости моделей ИИ
Подход/метод Возможность применения подхода/метода к оценке банка
Затратный подход (метод прямой калькуляции, метод индексации) Методы подхода применимы для оценки моделей, эффект от реализации, которых достаточно трудно рассчитать. При этом важно учитывать, что юридический срок модели, обусловленный сроком действия патента на изобретение 20 лет, полезную модель 10 лет, будет отличаться от экономического. Этот аспект требует отдельного исследования
Сравнительный подход (метод сделок) Метод подхода неприменим в связи с отсутствием открытой информации о сделках с подобным типом активов
Доходный подход (DCF-метод) Применим при наличии ожидаемого экономического и иных видов эффекта от эксплуатации модели
3. Оценка моделей ИИ в целях залога
Нормами статьи 358.18 Гражданского кодекса Российской Федерации предусмотрена возможность отчуждения интеллектуальной собственности, в том числе передача в залог банку. Однако согласно положению Банка России от 28 июня 2017 года № 590-П [23] этот вид залога не может быть отнесен ко второй категории качества из-за затруднения в обосновании ликвидности модели ИИ. Под ликвидностью актива понимается возможность реализовать его на открытом рынке в определенный срок. Банк России регламентирует, что имущественное право должно быть реализовано в срок, не превышающий 270 календарных дней (9 месяцев). При этом необходимо обосновать наличие как спроса, так и потенциальных покупателей.
Статистика поисковых запросов Яндекс свидетельствует о невысоком значении количества запросов (2 223 за 2020 год), которые содержат комбинацию слов «модель искусственного интеллекта» (см. рис. 2).
Для сравнения в 2020 году по слову «квартира» были зафиксированы 108,7 миллиона запросов.
Представленные на рисунке 2 цифры косвенно показывают низкий уровень спроса на модели ИИ на рынке. На текущем этапе развития рынка это обусловлено тем, что крупные компании разрабатывают и используют модели для формирования своего конкурентного преимущества и бизнес пока не готов делиться наработками со всем рынком.
Соответственно, в настоящее время рассматривать этот тип актива в качестве объекта залога возможно, но без принятия реальных кредитных рисков. Такой тип залога пока не обладает подтвержденной ликвидностью и будет приниматься исключительно для ограничения возможности заемщика наращивать обеспеченную задолженность.
Таким образом, рассмотренные особенности стоимостной оценки моделей ИИ в целях принятия решения о целесообразности разработки и в целях отчуждения будут способствовать эффективности процес-
О) О) о о о о о о о о о о о о
т— т— СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ см
о о о о о о о о о о о о о о о о о о о о о о о о
СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ СМ см
я ^ СО СО £± £± X q LJ х h я СО СО £± £± х q lJ х h
о (U X (U го с го GQ (U о (U X (U го с го 2 GQ (U
X к 2 го 2 го о о X к 2 го 2 го о о
Рис. 2. Статистика поисковых запросов в Яндексе по ключевым словам «модель
искусственного интеллекта» [24]
сов цифровой трансформации экономики страны. Корректная оценка всех видов эффектов, которые несет цифровизация бизнес-процессов, будет способствовать перераспределению функционала сотрудников и повышать интеллектуальность труда за счет снижения рутинных процессов.
ИНФОРМАЦИОННЫЕ ИСТОЧНИКИ
1. Информационный ресурс Википедия. URL: ИирвУ/ги^^ре^а.огд^^/Искусствен ный_интеллект
2. Рахматулина Р. Ш., Савина В. С., Свиридова Е. А. Правовое регулирование искусственного интеллекта и роботизации - новый этап развития экономики // Гуманитарные и юридические исследования. 2019. № 4. С. 209-216.
3. Информационно-аналитический портал «Майнинг криптовалюты». URL: https:// mining-cryptocurrency.ru/iskusstvennyj-intel lekt-ai/
4. О развитии искусственного интеллекта в Российской Федерации : Указ Президента Российской Федерации от 10 октября 2019 года № 490. URL: https://www.garant.ru/ products/ipo/prime/doc/72738946/
5. Результаты исследования Опрос Microsoft о цифровой трансформа-
ции в Центральной и Восточной Европе (2020 год). URL: https://info.microsoft. com/CE-DIGTRNS-CNTNT-FY19-100ct-22-GuidetothefutureDigitaltransformation-MGC 0003199_01Registration-ForminBody.html
6. Информационный ресурс «Альт-инвест». URL: https://www.alt-invest.ru/lib/ fintech-2-0-issledovanie/
7. О мерах по обеспечению эффективности мероприятий по использованию информационно-коммуникационных технологий в деятельности федеральных органов исполнительной власти и органов управления государственными внебюджетными фондами : постановление Правительства Российской Федерации от 10 октября 2020 года № 1646. Доступ из справочной правовой системы «КонсультантПлюс».
8. Эскиндаров М. А, Масленников В. В., Абрамова М. А. [и др.]. Современная архитектура финансов России. М. : общество с ограниченной ответственностью «Когито-Центр», 2020. 488 с.
9. Об утверждении Федерального стандарта оценки «Оценка нематериальных активов и интеллектуальной собственности (ФСО № 11)» : приказ Министерства экономического развития Российской Федерации от 22 июня 2015 года № 385. Доступ
из справочной правовой системы «Консуль-тантПлюс».
10. Об утверждении Федерального стандарта оценки «Цель оценки и виды стоимости (ФСО № 2)» : приказ Министерства экономического развития Российской Федерации от 20 мая 2015 года № 298. Доступ из справочной правовой системы «Консуль-тантПлюс».
11. Об утверждении Федерального стандарта оценки «Оценка для целей залога (ФСО № 9)» : приказ Министерства экономического развития Российской Федерации от 1 июня 2015 года № 327. Доступ из справочной правовой системы «Консуль-тантПлюс».
12. Долгова Е. В., Курушин Д. С., Файз-рахманов Р. А., Васильева Е. Е. Оценка экономической эффективности применения системы искусственного интеллекта в системе управления автономным робото-техническим комплексом // Вестник Пермского национального исследовательского политехнического университета. Социально-экономические науки. 2018. № 3. С. 253265. DOI 10.15593/2224-9354/2018.3.20.
13. Методические рекомендации по цифровой трансформации государственных корпораций и компаний с государственным участием : одобрены на заседании президиума Правительственной комиссии по цифровому развитию, использованию информационных технологий для улучшения качества жизни и условий ведения предпринимательской деятельности 6 ноября 2020 года. URL: metodicheskie-rekomendat-sii-po-tsifrovoj-transformatsii-gk.pdf (digital. gov.ru) (дата обращения: 15.11.2021).
14. Ордов К. В., Помулев А. А. Оценка и реструктуризация кредитно-финансовых институтов+ еПриложение : учебное пособие. М. : КноРус, 2022. 239 с. URL: https:// book.ru/book/942670 (дата обращения: 31.10.2021).
15. Андрианова Ю. В., Беляева И. Ю., Богатырев С. Ю. [и др.]. Стоимость соб-
ственности в цифровой экономике: оценка и управление : монография / под ред. М. А. Федотовой, Т. В. Тазихиной, И. В. Косоруко-вой. М. : КноРус, 2021. 442 с.
16. Provost F., Fawcett T. Data Science for Business: What you need to know about data mining and data-analytic thinking. Published by O'Reilly Media, Inc., 1005 Gravenstein Highway North, Sebastopol, CA 95472. 2013. 409 p.
17. Информационный ресурс Python. ru. URL: https://pythonru.com/baza-znanij/ sklearn-roc-auc
18. Информационный ресурс Leancon-sult. URL: http://www.lean-consult.ru/blog/ kak-rasschitat-uroven-sigma-processa-v-metodologii-6-sigm/
19. Теслюк Л. М., Румянцева А. В. Оценка эффективности инвестиционного проекта. Екатеринбург : Уральский Федеральный университет, 2014. URL: https:// elar.urfu.ru/bitstream/10995/27977/1/tesliyk_ ryma%D1%83nceva_2014.pdf (дата обращения: 16.11.2021).
20. Алексеева О. Л., Зайцев Ю. С. Патентование информационных технологий: есть ли проблемы? // Интеллектуальная собственность. Промышленная собственность. 2020. № S. С. 27-35.
21. Васильев А. А, Печатнова Ю. В. Место искусственного интеллекта среди элементов состава правоотношения // Цифровое право. 2020. Т. 1. № 4. С. 74-83.
22. Гражданский кодекс Российской Федерации (часть первая) : Федеральный закон от 30 ноября 1994 года № 51-ФЗ. URL: http://www.consultant.ru/
23. О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности : положение Банка России от 28 июня 2017 года № 590-П : в редакции от 18 августа 2021 года. URL: http://www.consultant.ru/
24. Информационный ресурс «Яндекс». URL: https://wordstat.yandex.ru/
