29 октября состоялся вебинар компании «Корус Консалтинг», посвященный вопросам оценки экономического эффекта от внедрения искусственного интеллекта (ИИ). Мероприятие провели Полина Ефремова, директор по развитию бизнеса, и Авенир Воронов, технический директор «Корус Консалтинг».
Полина Ефремова, открывая мероприятие, признала, что ИИ сегодня – это очень модно, стильно и актуально, но, тем не менее, является технологией новой, сложной, связанной с многочисленными и неочевидными затратами.
Говоря о применении ИИ в бизнесе, обычно имеют в виду использование тех или иных проверенных моделей и соответствующих библиотек. Именно в этом узком смысле и было предложено далее рассматривать ИИ. На схеме ниже собраны достаточно распространенные библиотеки и модели работы с текстом, изображением и голосом, а также некоторые внешние инструменты (см. схему), которые использует и «Корус Консалтинг».
Далее спикеры еще раз напомнили основные области применения ИИ: машинное обучение, предикативные системы, прогнозирование, распознавание изображений, системы рекомендаций, анализ эмоций и чувств, построение систем безопасностей на базе трекинга передвижений, роботизация бизнес-процессов (БП) и т. д. Особо подчеркивалось, что помимо экономии денег эти решения позволяют существенно оптимизировать (например, ускорить) бизнес-процессы организации.
Сегодня целый ряд направлений применения ИИ уже вошел в нашу жизнь и взят на вооружение бизнесом (см. гистрограмму). В первую очередь это касается первых пяти пунктов.
Какие же задачи и области применения ИИ прорабатываются сегодня, в каких из них только планируется применение ИИ завтра? Авенир Воронов привел некоторые из них: мониторинг организационной безопасности, автоматизация организационных процессов, автоматизация анализа данных, автоматизация маркетинговых исследований. Каждое из них было проиллюстрировано интересными кейсами, в том числе с применением GPT. Особо подчеркивалось, что в этих областях идет постоянный прогресс и улучшение результатов, хотя иногда и случаются «глюки», т. е. неправильные результаты. Поэтому результаты работы ИИ всегда (!) требуют определенной проверки. В некоторых областях, например, анализа данных, до сих пор случается до 9% ошибок.
Всегда ли применим ИИ
Оказывается, далеко не всегда. Авенир Воронов привел несколько примеров (логистика на мезонине, распознавание инвойсов, расчет слотов заезда на склад, генерация документов), где ИИ неприменим или неэффективен. Среди причин – неокупаемость модели или реализации ее рекомендаций на практике, низкий экономический эффект, недостаточная точность распознавания или высокие затраты на распознавание, наличие альтернативных подходов, более простых и сопоставимых по стоимости и т. д.
Положительные кейсы
Тем не менее, есть масса областей, где ИИ отлично работает. В подтверждение тому было представлено несколько общеизвестных кейсов.
Пример банка, который все знают
В банке отказались от традиционного голосового меню, заменив его на распознавание обращения с помощью голосовой ИИ-модели и прямой маршрутизации абонента сразу в нужную точку. Результаты: сокращение трафика, снижение нагрузки на операторов, уменьшение стоимости обслуживания клиентов.
Пример фастфуда, который все знают
В сети ресторанов была традиционная акция «День рождения». Она реализовалась посредством рассылки email-рекламы, которая была неэффективной. С помощью ИИ разработали кросс-канальную коммуникацию, с учетом ПДн клиентов. В итоге ИИ сам выбирает нужный канал коммуникации, эффективность при этом впечатляющая.
Кейс конторы ЖКХ, которую все знают
Существует задача ознакомления новых сотрудников с массой инструкций и иных документов. А эффективность их запоминания и освоения крайне низкая. В компании разработали и запустили чат-бот на базе ИИ. Он подсказывает, расшифровывает и поясняет на доступном языке те или иные инструкции, по мере возникновения в них потребности. Это позволило сократить число сотрудников, не прошедших испытательный срок, а также время доступа к информации и сбора аналитики.
Как подобрать решение исходя из «боли»
Как же подступиться к процессу принятия решения по внедрению ИИ? Выступающие предложили несколько вариантов подхода.
Вначале формируется бизнес-гипотеза. Для нее должны быть выработаны четкие критерии измеримости, и должно быть точное понимание причин почему сработала/не сработала гипотеза. На следующем этапе идет проверка идеи.
Далее необходимо сформировать задание на саму систему. Тут возможна «развилка»: использовать уже апробированное в подобной ситуации ИИ-решение, про которое точно известно, что оно есть у конкурентов или на рынке, либо создавать свое с нуля.
В первом случае имеем существенное сокращение времени и стоимости этапа – за счет проверки работоспособности идеи. При этом надо оценить точность результатов уже работающей системы, понимать экономику проекта (затраты и бизнес-эффекты от внедрения) и провести проверку ее работы в конкретных условиях своей компании.
Во втором случае мы фактически создаем систему с нуля, внедряем свое ноу-хау, которого ни у кого нет. Ключевой фактор здесь – непредсказуемость. Непонятно, когда модель заработает вообще и с какой итерации начнет давать удовлетворительный результат. Все это приводит к непрогнозируемому бюджету.
В связи с этим рекомендуется всегда начинать с пилота (MVP). Не стоит создавать сразу сложную систему, целесообразно сделать простой проект, все доработки оставить на потом.
Очень важно сразу определиться, сколько мы готовы потратить на ИИ-проект. Если на каком-то этапе стоимость переваливает этот порог, надо останавливаться. Необходимо заранее посчитать все эффекты и критерии успешности гипотезы. В зависимости от эффекта установить stop-loss.
На практике часто удается решить задачу без применения ИИ. Рекомендуется всегда проводить проверку такой возможности. Если даже ее нет, вполне возможна ситуация, когда задача решается комбинацией традиционных методов и нейросетей. В таком случае сначала имеет смысл внедрить привычные решения. К тому же это даст больше данных для отработки модели ИИ и дополнительное время на перестройку бизнес-процессов в организации.
Идти или не идти в ИИ
Итак, какие же «подводные камни» или ограничения нас ожидают на пути внедрения ИИ? Во-первых, стоимость самого оборудования. Простейший вариант компьютера с видеокартой обойдется примерно в 200 тыс. руб. В облачной модели придется сначала объяснять провайдеру, зачем вам нужен его ресурс, после чего вам дадут квоту, которая, вообще говоря, не всегда доступна. Во-вторых, есть определенные санкционные ограничения относительно оборудования и софта. В-третьих, имеются ограничения самого производства тех же видеокарт.
Непросто найти и высококвалифицированных специалистов по ИИ. Сегодня развитие технологий опережает развитие самих специалистов, которым нужно постоянно поддерживать свою квалификацию, поэтому стоят их услуги недешево.
Наконец, каждая итерация усовершенствования нейросети – это так называемая эпоха. Каждая «эпоха» – это дополнительные затраты. Внешние системы обучения как возможная альтернатива тоже стоят денег.
А что на другом полюсе? Что можно записать в плюсы внедрения ИИ? Безусловно, повышение эффективности бизнес-процессов. Это и открытие качественно новых возможностей, от которых организации трудно будет отказаться, однажды попробовав. Стоит отметить, что сама технология ИИ быстро развивается, и проблемы сегодняшнего дня обязательно решатся уже завтра. Еще крайне важными аргументами являются уход от влияния человеческого фактора, снижение рисков и повышение качества продукции. Иногда это связанные вещи, иногда – нет. На гистограмме приводятся данные опроса относительно возможных эффектов от ИИ.
Что учитывать при расчете эффекта
Необходимо изначально правильно оценить эффект. Практика показывает, что трудозатраты при внедрении ИИ сокращаются почти в 100% проектов. Практически всегда присутствуют сокращение расходов и увеличение прибыли. Нельзя забывать и об ускорении бизнес-процессов в организации.
Не менее важно оценить и полные затраты, точнее, полную стоимость владения. Она немного отличается от случая традиционных решений. Так, в нее входят: стоимость проверки гипотезы, ИТ-команды, адаптации бизнес-процесса; стоимость внедрения; стоимость эксплуатации (включая регулярную проверку данных работы ИИ!), стоимость поддержки. Сюда же надо отнести стоимость «железа» и прочей инфраструктуры, подсистемы информационной безопасности (специфической, с учетом природы ИИ).
Люди и роли в ИИ
Крайне интересной оказалась предложенная спикерами систематизация участников и их ролей в процессе разработки, внедрения и эксплуатации ИИ в организации. Приведем ее полностью:
- дата-инженеры (готовят, размечают данные для обучения и работы нейросети);
- дата-саинтисты (понимают, как работать с нейросетью, как ее выбирать, какие данные обрабатывать);
- ML OPS (обеспечивает организацию и формирование потока данных на внешнюю или внутреннюю нейросеть);
- дата-архитектор (упорядочивает схему работы и организует хранение данных);
- AI QA (отвечает за тестирование и оценку адекватности ответов нейросети);
- AI Trainer (отвечает за организацию обучения модели нейросети);
- AI UX Designer (разрабатывает дизайн и интерфейсы работы пользователей с нейросетью, отличные от традиционных и построенные на ином пользовательском опыте);
- AI Security engineer (обеспечивает информационную безопасность, том числе шифрования ПДн, распределение прав доступа между пользователями и самими нейросетями, работа с обновлениями, антивирусами и т. д.).
Вместо заключения
Резюмируя все вышесказанное, выступающие сформулировали главные выводы:
- ИИ не всегда дает оптимально решение. Часто можно решить задачу привычным способом;
- ИИ требует больших вложений. Соответственно, бизнес-эффекты от его внедрения должны быть экономически значимыми в масштабах предприятия;
- в ближайшей перспективе без внедрения ИИ в бизнес-процессы не удастся сохранить эффективность операционной деятельности и конкурентоспособность предприятия в целом.
