Najlepsze gospodarki oparte na danych

Które kraje są głównymi producentami danych? Z prognoz McKinseya wynika, że zasilane danymi aplikacje sztucznej inteligencji (AI) wygenerują do 2030 r. zysk rzędu 13 trylionów dolarów w obszarze globalnej gospodarki. To z kolei może wpłynąć na kształt nowego ładu światowego, podobnie jak się to stało z produkcją ropy naftowej, której zasoby odegrały znaczącą rolę w tworzeniu podmiotów gospodarczych w ubiegłym wieku.

Choć Chiny i USA mają szansę zostać dwoma supermocarstwami w zakresie sztucznej inteligencji, w przeciwieństwie do gospodarki opartej na ropie naftowej, źródła danych nie mogą koncentrować się jedynie w kilku miejscach. Dane powinny pochodzić z wielu źródeł, a przyszłe aplikacje AI muszą tworzyć nowe, trudne do przewidzenia podmioty. Nowy ład światowy może mieć bardziej złożony charakter niż prosta struktura dwubiegunowa, zwłaszcza że produkcja danych przebiega w tempie, które przerasta nasze wyobrażenie.

Wykorzystując wcześniejsze badania, w których stworzyliśmy mapę cyfrowych transformacji oraz konkurencyjności krajów na całym świecie, podjęliśmy próbę zlokalizowania najgłębszych i najszerszych zbiorów przydatnych danych. To działania niezbędne, aby móc wdrożyć modele uczenia maszynowego istotne z punktu widzenia sztucznej inteligencji. W tym celu przydatne jest rozróżnienie między samym wolumenem danych a miernikiem, który nazywamy „produktem danych brutto” . Stanowi on naszą wersję PKB. Jeśli chcemy zidentyfikować najlepszych na świecie producentów „produktu danych brutto”, musimy posłużyć się czterema kryteriami:

1. Wolumen. Wielkość użytkowania łączy szerokopasmowych w określonym kraju jako wskaźnik wygenerowanych danych surowych.

2. Użytkowanie. Liczba aktywnych użytkowników internetu jako wskaźnik zachowań, potrzeb i kontekstów użycia.

3. Dostępność. Otwartość instytucjonalna na przepływy danych jako sposób oceny, czy dane generowane w określonym kraju pozwalają na szersze użytkowanie i udostępnianie ich badaczom sztucznej inteligencji, autorom nowoczesnych rozwiązań i twórcom aplikacji.

4. Złożoność. Wolumen użytkowania łączy szerokopasmowych na mieszkańca jako wskaźnik zaawansowania i złożoności działalności cyfrowej.

Patrząc na powyższe kryteria, warto zwrócić uwagę na szereg niuansów.

Po pierwsze, musimy zdawać sobie sprawę z tego, że cyfrowe ślady generowane przez komputery na całym świecie obejmują szeroki zakres aktywności – od wysyłania SMS‑ów po realizację transakcji finansowych. Chcąc umożliwić prawidłowe porównanie tych samych elementów na całym świecie, posłużyliśmy się wskaźnikiem użytkowania łączy szerokopasmowych na jednego mieszkańca jako miarą o odpowiednim zakresie i złożoności (pod pewnymi względami przypominającą wykorzystanie dochodu na jednego mieszkańca jako wskaźnika ogólnego dobrobytu).

Po drugie, istnieją rozbieżności pomiędzy państwami pod względem sposobu dzielenia się danymi prywatnymi przez instytucje. Różnice obejmują też istnienie ram ustalania tożsamości cyfrowej, umożliwiających powiązanie osób fizycznych z ich aktywnością cyfrową. Tego typu czynniki instytucjonalne mogą wpływać na ostateczny sposób kojarzenia ze sobą danych. W naszej analizie nie uwzględniamy tych różnic. Wybraliśmy państwa na podstawie trzech zasadniczych kryteriów:

1. kraje, które ze względu na wysoki wynik w określonym przez nas wcześniej rankingu rozwoju cyfrowego w największym stopniu przyczyniają się do kształtowania globalnej gospodarki cyfrowej lub – z uwagi na silny trend rozwojowy w działalności cyfrowej – mają wpływ na kształt gospodarek cyfrowych;

2. kraje, które ze względu na pozycję regionalną lub społeczno‑gospodarczą mają znaczny wpływ na wygląd danych;

3. kraje, które udostępniły bazę danych i dowody umożliwiające przeprowadzenie analiz.

Istotną kwestią, którą warto brać pod uwagę, określając dostępność, jest prywatność. Problemy z nią związane oraz przepisy o ochronie danych mogą ułatwić lub utrudnić algorytmom rozwijanie nowych zdolności. W naszej analizie przyjmujemy, że określone ramy służące zapewnieniu prywatności i ochronie danych oraz otwartość na mobilność informacji są korzystne i mają pozytywny wpływ na rozwój AI w dłuższej perspektywie. Przykładem może być problem wykrywania oszustw w transakcjach finansowych. Aplikacje, które korzystają z ustaleń pochodzących z różnych lokalizacji i kontekstów użytkowania, umożliwiają określenie schematów wiarygodności i pomagają sygnalizować zagrożenia bezpieczeństwa. Tego typu aplikacjom sprzyjają systemy spełniające kryterium dostępności. W związku z tym zdajemy sobie sprawę z tego, że w niedalekiej przyszłości mogą pojawić się kraje – najbardziej wyróżniającym się przykładem są Chiny – w których instytucje sektora publicznego i prywatnego dzielą się między sobą danymi przy jednoczesnej niewielkiej mobilności zewnętrznej. Przyjęta przez nie polityka może skutkować naruszeniem norm prywatności i otwartości, zapewniając jednak wspomnianym państwom tymczasową przewagę w szkoleniu algorytmów w zamkniętych ekosystemach zwanych „zamkniętymi ogrodami” (walled garden).

Więcej na temat metodologii

Badania są wynikiem pracy przy projekcie The Digital Planet realizowanym przez MasterCard i The Fletcher School działającej na Tufts University. Przeanalizowaliśmy informacje z 30 krajów w następujących obszarach:

• Liczba użytkowników internetu na kraj, 2017 r. (źródło: Euromonitor).

• Łączna miara wielkości ruchu szerokopasmowego (stacjonarnego i mobilnego) na kraj. Miara została określona przy użyciu połączonego zestawu danych utworzonego z Cisco, który stanowi nasze główne źródło informacji, oraz danych ITU jako dodatkowego źródła dla krajów, co do których brakowało informacji.

• Ruch IP w terabajtach, 2017 r. (źródło: Cisco).

• Szerokopasmowy mobilny ruch internetowy (w obrębie kraju, 2017 r.); w terabajtach + stacjonarny (przewodowy) szerokopasmowy ruch internetowy w terabajtach, 2017 r. (źródło: ITU).

• Pozycja 2 podzielona przez pozycję 1 tworzy wskaźnik użytkowania internetu szerokopasmowego na jednego mieszkańca.

• Instytucjonalne bariery przepływu danych, którym przypisano punktację z uwzględnieniem kilku czynników:

• W jakim stopniu rząd otwarcie udostępnia dane? Na podstawie zebranych informacji dotyczących otwartości i udostępniania danych przez rządy (źródła: Global Open Data Index/Open Government Partnership).

• W jakim stopniu ochrona danych i polityka prywatności wpływają na swobodny przepływ danych? Na podstawie informacji o polityce ochrony danych i prywatności (źródło: CNIL).

• W jakim stopniu kraje zezwalają na swobodny przepływ danych? Na podstawie raportów na temat zasad i przepisów regulujących lokalizację danych (źródło: badania Fletcher School wykorzystujące wiele agencji krajowych i źródeł informacji).

Które z tych kryteriów należy zastosować do oceny potencjalnego nowego ładu światowego powstałego na podstawie danych? Uważamy, że głównym warunkiem powinna pozostać dostępność. Dostęp do danych ma kluczowe znaczenie przy założeniu, że najbardziej oddziałują te aplikacje AI, które służą celom publicznym. W niedawnym badaniu przydatności sztucznej inteligencji z punktu widzenia dobra publicznego McKinsey wymienia dostęp jako jedną z głównych barier. Spośród 18 problemów zidentyfikowanych przez firmę, 6 wiąże się z dostępnością, ilością, jakością i użytecznością danych.

Poniższy wykres pokazuje mapę 30 badanych krajów wyznaczoną na podstawie dwóch przyjętych przez nas kryteriów:

Podczas gdy – wbrew powszechnym przekonaniom – Stany Zjednoczone uzyskują dobre wyniki we wszystkich trzech kryteriach, gdyby globalną dostępność danych traktować jako wymóg tworzenia efektywnych aplikacji AI, Chiny miałyby do pokonania dodatkową przeszkodę. Głównym producentem mogącym rywalizować z USA zostałaby Unia Europejska (uwzględniając nadal Wielką Brytanię oraz zakładając, że zaczęłaby ona działać kolektywnie). Poza tym, w znacznej mierze dzięki potędze wytwarzanych przez siebie danych surowych, silnymi konkurentami drugiego rzędu mogłyby zostać Chiny, oraz pozostałe kraje z grupy BRIC, czyli Brazylia, Indie i Rosja. Istnieje jednak ryzyko, że ich pozycję osłabiłby problem dostępności.

Odmienne implikacje widać w przypadku mniejszych państw (Nowa Zelandia) lub krajów niestowarzyszonych z większymi uniami gospodarczymi (Korea Południowa), które wykazują otwartość i mobilność w zakresie przepływu danych. W ich przypadku korzystne byłoby zawarcie umów handlowych w zakresie danych z innymi państwami „otwartymi”. Umożliwiłoby to im przezwyciężenie własnych naturalnych ograniczeń zarówno pod względem liczby użytkowników, jak i całkowitego wykorzystywania łączy szerokopasmowych w kraju. Formy tego typu porozumień handlowych lub umów o wymianie danych wymagają określenia. Warto sobie wyobrazić, że będą one stanowić jedną z możliwości, zwłaszcza jeśli uznamy, że produkt danych brutto ma wartość, podobnie jak każdy inny produkt, który jest obecnie przedmiotem swobodnej wymiany handlowej.

Kierunek, w którym rozwijają się aplikacje AI o wysokiej wartości, nie jest jeszcze do końca wyznaczony. Istnieje również ryzyko, że sztuczna inteligencja okaże się przereklamowana, będzie niewłaściwie rozumiana lub stanie się źródłem wielu rozczarowań. Z drugiej strony cały czas do użytku wchodzą kolejne aplikacje. Zastosowane przez nas ramy analityczne są wystarczająco elastyczne, aby uwzględnić tego typu nieokreśloność. Otrzymamy inny obraz sytuacji, jeśli zastosujemy odmienny zestaw kryteriów, uznany przez nas za istotny z punktu widzenia wdrożenia aplikacji AI. Poniższa tabela przedstawia jedną z możliwości, uwzględniającą wyłącznie kryteria złożoności i dostępności.

W takim ujęciu widać linearną strukturę „nowego”, napędzanego danymi ładu światowego. Zdecydowanymi liderami są kraje charakteryzujące się wysokim poziomem użytkowania internetu szerokopasmowego na jednego mieszkańca oraz wysokim poziomem otwartości instytucjonalnej (prawy górny róg grafiki). Można sobie wyobrazić scenariusz, w którym wysoka złożoność i mobilność przepływów danych w prawym górnym rogu grafiki umożliwia stworzenie bardziej wydajnej strefy „wolnego handlu”, gdzie wymiana zgromadzonych zbiorów danych przynosi korzyści poszczególnym krajom.

Na koniec rozważaliśmy scenariusz, w którym za ważne należy uznać wszystkie cztery kryteria. Jeśli przypiszemy równe wagi wszystkim czterem warunkom, pojawi się ranking „nowych” producentów danych i zaktualizowany ład światowy.

1. Stany Zjednoczone

2. Wielka Brytania

3. Chiny

4. Szwajcaria

5. Korea Południowa

6. Francja

7. Kanada

8. Szwecja

9. Australia

10. Czechy

11. Japonia

12. Nowa Zelandia

13. Niemcy

14. Hiszpania

15. Irlandia

16. Włochy

17. Portugalia

18. Meksyk

19. Argentyna

20. Chile

21. Polska

22. Brazylia

23. Grecja

24. Indie

25. RPA

26. Węgry

27. Malezja

28. Rosja

29. Turcja

30. Indonezja

Tego typu segmentacje wskazujące miejsce głównych producentów danych opierają się na szeregu założeń. Naszym celem było pokazanie, jak – w zależności od założeń – będą wyglądały scenariusze ładu światowego. Przyjmując inny zestaw pytań, skoncentrowany np. na czynnikach takich jak wartość gospodarcza lub polityczna wytworzona dzięki AI, otrzymalibyśmy inną segmentację. Opierałaby się ona głównie na przypisaniu poszczególnym krajom obecnej pozycji państwa pod względem łatwości prowadzenia działalności cyfrowej i przygotowania do niej w przyszłości. Rozwiniemy te zagadnienia w przyszłych projektach badawczych.

Dane stanowią paliwo nowej gospodarki oraz tej, która po niej nadejdzie. Uznając w 2017 r., że najcenniejszym zasobem świata nie jest ropa naftowa, lecz dane, tygodnik „The Economist” stwierdził: „Bez względu na to, czy idziesz pobiegać, oglądasz telewizję, czy nawet stoisz w korku, każde działanie pozostawia cyfrowy ślad, który jest surowcem dla produkcji danych”. Algorytmy wytworzone na podstawie cyfrowych śladów będą miały moc przekształcającą w skali globalnej. Być może powstanie dzięki temu ład światowy z nowym PDB – produktem danych brutto – który mierzy wzrost skali bogactwa i potęgi narodów. Nadszedł czas, abyśmy zdali sobie sprawę z tego, jak wygląda dziedzina, w której rozwijają się konkurencyjne i oparte na współpracy możliwości.

Od redakcji: Każdy ranking lub indeks stanowi tylko jeden ze sposobów analizowania i porównywania firm lub miejsc na podstawie określonej metodologii i zestawu danych. W HBR uważamy, że odpowiednio opracowany indeks może dostarczyć przydatnych informacji, nawet jeśli sam w sobie stanowi jedynie wycinek większego obrazu. Zawsze zachęcamy do uważnego zapoznania się z metodologią.