Введение
В последние годы ИИ стал более развитым, а его применение в бизнесе значительно расширилось. В результате компании, которые раньше не задумывались об использовании ИИ, теперь по-новому взглянули на него. Привлекательность очевидна: различные формы ИИ могут повысить эффективность работы за счет прогнозирования, автоматизации рутинной работы, идентификации изображений, необходимых для операционной деятельности, или определения ключевых слов, фраз и моделей в голосе и тексте для управления информацией.
Часто организации испытывают трудности в том, чтобы понять, как именно инвестировать средства в проект ИИ, чтобы они действительно окуплись. Если ИИ еще не был частью вашей компании, может быть трудно понять, где кроется реальный потенциал, а где риски. Хотя ИИ может обещать значительные выгоды, эти выгоды имеют свою цену, и руководители должны быть уверены, что они выбирают правильный проект, прежде чем брать на себя обязательства.
Если ваша компания подумывает о внедрении ИИ, вам следует подумать о том, как он может создать ценность, какими могут быть первые успешные проекты, и есть ли у вас в штате нужные специалисты для того, чтобы ваши усилия увенчались успехом в долгосрочной перспективе. Первый проект ИИ может пугать, но знание того, на каких факторах следует сосредоточиться, поможет понять перспективные реалии и определить, стоит ли вообще вкладывать в него деньги.
Создаст ли ИИ ценность для вашей компании?
Действительно ли вашей компании нужен ИИ?
“Почему мы считаем, что эти инвестиции оправдают себя?” – один из первых вопросов, на который вам нужно будет ответить. Это означает, что необходимо знать, какой источник операционной боли (например, избыточность конкретных задач или узкие места в операционном потоке) вы пытаетесь устранить или где вы нацелены на повышение эффективности и инновационное конкурентное преимущество (например, умные продукты и умная розничная торговля). Проекты ИИ должны быть направлены на процессы, которые существенно влияют на затраты, потоки доходов или распределение ресурсов, когда конечный результат может оказать заметное влияние на итоговую прибыль.
Хорошими кандидатами на получение пользы от ИИ являются:
- Деятельность, которая отнимает много времени и сил (например, чтение обширной документации для классификации элементов, пригодных для выполнения).
- Рабочие процессы, требующие интенсивного сканирования изображений.
- Процессы, которые могут быть дополнены голосовым анализом (например, маршрутизация клиентской поддержки).
- Повышение точности прогнозирования в таких областях, как поведение клиентов или общее прогнозирование, что применимо во множестве отраслей, таких как страхование, финансы, маркетинг и даже сельское хозяйство.
Будьте готовы к тому, что ИИ может оказаться не тем решением, которое вы ищете. Даже если вы найдете многообещающего кандидата для проекта ИИ, будьте реалистами в том, что в тех случаях, когда человеческий фактор имеет решающее значение (например, проверка результатов работы ИИ или проверка “красных флагов”), ИИ может не принести большой пользы. Если вы планируете инвестировать в ИИ, вы должны быть уверены, что он принесет пользу.
Выберите задачу, а не проект в качестве отправной точки
ИИ, как правило, ориентирован на решение задач. Для первого эксперимента с ИИ в вашей компании постарайтесь выбрать задачу с высокой ценностью, которая основывается на данных.
Рассмотрим пример из сферы здравоохранения: выявление пациентов, которые могут относиться к категории “высокая вероятность падения”. Это задача высокой ценности, поскольку падение может означать травму для человека, необходимость в более сложном уходе и даже судебное разбирательство. Возможность определить, какие пациенты подвержены риску падения, и добавить дополнительные методы предосторожности для снижения риска падения может принести реальную пользу. Это четко поставленная задача с огромным объемом данных, которые можно использовать для обучения прогностического ИИ, способного отмечать пациентов при их поступлении в стационар.
Знайте, какие данные и дополнительные системы вам нужны
Хорошие данные – это жизненная сила успешного проекта ИИ. Прежде чем приступить к реализации проекта, необходимо официально изучить типы и объем данных, необходимых для его успешного выполнения, узнать, существуют ли какие-либо ограничения на использование этих данных (например, правила конфиденциальности), и есть ли они в приемлемом доступном формате. Это исследование не ограничивается внутренними данными организации, но должно учитывать и данные, которые могут существовать во внешних источниках. Здесь инженер по данным может быть чрезвычайно полезен. Если ваши ресурсы данных не в порядке, вам, возможно, придется сначала сосредоточиться на данных, а потом заняться ИИ.
После того как вы определили, что для обработки ИИ доступны достаточные данные, вам нужно убедиться, что результаты работы ИИ можно интегрировать в целевую задачу. Другими словами, сможет ли он без проблем подключиться к автоматизированным операциям, которые зависят от его рекомендаций? Если ваша модель построена на языке Python, будет ли он совместим с вашими системами? Именно здесь ИТ-эксперты играют жизненно важную роль. Это неприятное пробуждение, когда вы проделали всю работу по созданию эффективных моделей, а потом понимаете, что использование их результатов влечет за собой еще один длительный и громоздкий проект.
Скорректируйте свои ожидания в отношении точности
ИИ – мощный инструмент, но это не волшебство. Тип применяемого вами метода ИИ, имеющиеся у вас данные и задача, на которой вы хотите сосредоточиться, – все это может определять степень точности – и окупаемость инвестиций. Понимание того, что влияет на точность – и почему – может помочь вам установить разумные ожидания относительно того, как выглядит успех проекта. Например, распознавание изображений/компьютерное зрение, как правило, более надежно и точно, чем приложения для прогнозирования.
Проще говоря, важно понимать, какой тип ИИ вы внедряете и для чего будут использоваться полученные результаты, чтобы оценить их влияние на конечный результат.
Не спешите развертывать систему в масштабах всего предприятия
Если ИИ хорошо работает для решения одной задачи, это не значит, что он подойдет для других. Другими словами, рассмотрим задачу развертывания ИИ для улучшения вопросов соответствия нормативным требованиям в вашей организации (например, выявление источников деятельности, не связанной с жалобами). Модели будут эффективны для выявления “красных флажков” в зависимости от конкретной функциональной области (бронирование сделок в fin-tech). Однако эта модель не будет “plug and play” для других областей для решения вопросов соответствия. Проекты ИИ должны проводиться в соответствии с функциональными процедурами и соответствующими данными, которые их определяют.
Реалистично оцените, хватит ли у вас навыков для поддержания ИИ
Так же как меняются процессы, данные, которые были важны для создания модели в одном месяце, могут стать менее важными несколько месяцев спустя, и это может изменить эффективность/точность ИИ. Появляются новые и более свежие данные, меняются движущие силы процессов, и вместе с этим требуется переоптимизация развертывания ИИ. Это требует привлечения инженеров по данным, специалистов по данным и ИТ-персонала для обеспечения поддержки обслуживания системы, чтобы гарантировать постоянную эффективность ИИ. Это зависит от типа организации. Более крупные компании уже имеют соответствующую инфраструктуру (например, ИТ-специалистов и инженеров по данным). Добавление практикующих специалистов по исследованию данных может быть достаточно для поддержания внутренних проектов. Конечно, вариант привлечения внешних поставщиков всегда является жизнеспособной игрой и может быть хорошим способом проникнуть в процесс внедрения и обучения ИИ.
Следует помнить: если вы считаете, что ваша компания обладает характеристиками, которые позволят извлечь выгоду из внедрения ИИ, возможно, стоит инвестировать в персонал, чтобы сделать его постоянной неотъемлемой частью вашей деятельности.
Перевесит ли отдача затраты?
Одно из заблуждений, которое существует в умах многих руководителей, заключается в том, что ИИ – это механизм принятия решений, который дает исчерпывающие ответы, а его функциональность позволит сократить расходы или уменьшить потребность в дорогостоящей рабочей силе. Реальность, однако, такова, что ИИ остается скорее механизмом поддержки принятия решений. Даже при точном распознавании изображений или эффективной обработке естественного языка (NLP) инициатива ИИ, как правило, улучшает этапы процесса, а не меняет конечный результат. Например, NLP может расширить возможности категоризации документов и уменьшить необходимость использования трудоемких ресурсов для выполнения этой задачи. Однако конечным результатом, скорее всего, будет сокращение ресурсов, направляемых на выполнение этой задачи, а избыточный персонал будет направлен на решение более наукоемких задач в организации. Результат, безусловно, положительный, но окупаемость инвестиций не столь очевидна.
Проекты ИИ в реальности
Рассмотрим, как одна компания из списка Global 500, занимающаяся производством промышленных товаров, применила ИИ для оптимизации процесса обслуживания клиентов в отношении взаимодействия с клиентами по электронной почте.
Потребность: компания получала большое количество электронных писем от клиентов. Ответы на них включали повторяющиеся процессы, что делало эту задачу перспективным кандидатом для ИИ.
Метод: в первоначальном проекте предполагалось использовать обработку естественного языка (NLP) и созданные на заказ классификаторы для определения того, как направлять электронные письма клиентов. Это позволило бы устранить трудоемкую и чреватую ошибками задачу назначения электронных писем сотрудниками нужного отдела. Ожидалось, что это позволит ускорить время ответа на 50 % и увеличить количество запросов, которые может обработать каждый сотрудник службы поддержки клиентов. Для того чтобы продвинуться вперед, было налажено сотрудничество между специалистами по обработке данных, ИТ-персоналом и инженерами по обработке данных.
Данные: это была естественная точка входа, поскольку компания накопила десятки тысяч электронных писем, засекреченных людьми. Это позволило сформировать надежный набор данных для обучения/тестирования, обладающий высокой точностью, что является важнейшим элементом для такого рода проектов и часто упускается из виду.
Интеграция и результаты: такая узкая направленность позволила добиться относительно высокой точности классификатора; 80% или выше. Это было выбрано в качестве эталона для классификации входящих электронных писем в одну из 10 основных категорий, а затем до 30 подкатегорий. При таком показателе модель будет более эффективной, чем человеческая маршрутизация, и сэкономит значительное время и ресурсы. Для того чтобы внедрить модель в производство, специалистам по анализу данных пришлось внедрить дополнительный код для интеграции модели Python в существующие в организации системы, основанные на электронной почте.
Конечным результатом проекта стала демонстрация того, как искусственный интеллект может повлиять на трудоемкий и затратный бизнес-процесс, что в конечном итоге послужило основой для других приложений в организации.
Результаты запуска ИИ “правильным способом”
Ключом к успешному внедрению любой новой стратегической технологии является должная осмотрительность. В случае с ИИ, который может быть очень сложным, компаниям необходимо знать возможности методов ИИ и рассмотреть возможность его внедрения в нужные процессы – те, где он может принести пользу. Если говорить более конкретно, то должная осмотрительность при использовании ИИ требует совместного мозгового штурма между инженерами по обработке данных, учеными по обработке данных, специалистами по внутренним процессам и руководителями. Несколько дней сосредоточенного обсуждения могут повысить вероятность успешного внедрения, оптимизирующего ресурсы и обеспечивающего конкурентное преимущество, или избежать болезненного сценария, когда новые технологии остаются в состоянии вечного тестирования.
Если ИИ подходит, компании могут позволить технологии выполнять тяжелую работу по рутинным процессам или выявлять неизвестные на первый взгляд закономерности в огромных массивах данных. Но чтобы добиться этого, необходимо найти подход, который нужен именно вашей компании. Как только вы это сделаете, вы увидите, что вокруг вас открываются новые возможности.
