В комментариях был вопрос по моей работе на MBA по применению теории игр для цифровой трансформации компании.
Вообще своей целью ставил разработать универсальную методологию и апробировать ее на компании где работал в тот момент.

Первый вопрос, который возникает при использовании теории игр в прикладных задачах - как в игровой форме описать рассматриваемую систему отношений?

Стратегия цифровой трансформации (стратегия внедрения ИИ является ее частью) - производная от бизнес-стратегии в целом, поэтому я подошел к задаче на 2 уровнях:
- посмотреть как теория игр может быть использована на уровне бизнес-стратегии
- и аналогично на примере технологической стратегии.

Уровень бизнес-стратегии

1️⃣ Было определено понятие фокальной точки в цифровой экономике - минимизация времени между созданием и потреблением блага \ ресурса \продукта.
Фокальная точка - определяет пространство стратегий для всех игроков. Вся цифровизация - про сокращение времени - потребитель хочет получить продукт максимально быстро (и, конечно же, качественно). И цифровые технологии, включая наши любимые ML\AI тоже про это.
2️⃣ В качестве базовой модели для игровой модели я рассматривал цепочку создания продукта (производственная цепочка) - по факту в любом продукте участвуют различные компании: кто-то штампует GPU, кто-то создает фреймворки для разработки, кто-то прикладные приложения для конечного клиента.
3️⃣ В целом было выделено 3 стратегических пространства поведения компании:
- внутри своей ниши (как компания может действовать без выхода за пределы нишы)
- в рамках всей цепочки (см. рисунок к посту): тут по сути есть 2 основных мета-стратегии: идти к основанию цепочки (создание фундаментальной технологии) или наоборот к клиенту (создание максимального сервиса и удобства клиенту)
- сформировать новую цепочку (disruptive tech)
# примером последнего кейса является происходящее сейчас около LLM - игроки стремятся к получению технологии, которая позволит им встать в основании производственной цепочки, и именно это несет риски для разработчиков application layer на основе LLM - наиболее мощные фичи (да, с опозданием, но все же) внедряют вендоры Core-моделей

Уровень технологической стратегии (рассмотрим только часть - внедрение ML и монетизация данных)
Теперь спустимся с небес на землю. Мы работаем в некоторой нише - допустим, обслуживаем банкоматы. Мы конкурируем. Как за счет технологий ML\AI нам выиграть в игре с конкурентами?

Качество и эффективность внедряемых в наши процессы алгоритмов обеспечивается 2 факторами (я тут упрощаю и рассматриваю только технический аспект, без хорошей команды это все работать не будет):
- данные
- алгоритмы.

Какое пространство стратегий?
- обогащать данные
- разрабатывать алгоритмы

Вторым занимаются только бигтехи (и, кстати, обратите внимание, на конференциях A* бигтехи все меньше делятся передовыми разработками - они начинают их закрывать).

Поэтому большинство кампаний пытаются играть на пространстве данных.
Как это рассмотреть с точки зрения теории игр? Фичи и данные об одном объекте (человек, организация, банкомат и т.п.) распределены между различными игроками.
В общем случае - чем больше у нас данных об объекте (как фичей, так и данных по различным экземплярам объектов) - тем более качественные решения мы можем принимать.
Здесь можно выделить 2 стратегии:
- стратегия горизонтальной концентрации данных (объединить данные по бОльшему количеству банкоматов)
- стратегия вертикальной концентрации данных (мы пытаемся собрать новые фичи по интересующим нас объектам)
# упрощенная схема также приложена к посту
# Кстати, федеративное обучение так и подразделяется на горизонтальное и вертикальное

Как я это применил в работе?
Была разработана стратегия внедрения ML и согласована с топ-менеджментом -> и далее на ее основе портфель конктреных проектов. Данный подход позволяет полностью синхронизировать стратегию бизнеса и внедрения конкретной технологии.