10 простых шагов: как эффективно внедрить ИИ в бизнес

Изучив возможности ИИ, необходимо понять, какие из них эффективно использовать для решения прикладных задач конкретного бизнеса. Для этого нужно определить, в каких департаментах или службах внедрение ИИ принесет наибольший эффект. Это может быть первая линия клиентского сервиса, отделы продаж и маркетинга, бэк-офис или служба, отвечающая за документооборот. Если компания занимается продажами, ИИ способен помочь не только классифицировать заявки покупателей, но и анализировать их, извлекая ценные инсайты о процессах, клиентской базе, качестве услуг и так далее. Для опасных производственных или секретных объектов актуальна задача контроля доступа. И тут ИИ может пригодиться для распознавания лиц или отпечатков пальцев сотрудников.

Поняв, какие задачи необходимо решить, нужно определить для них измеримые критерии. Иными словами установить целевой параметр, который станет отправной точкой оценки эффективности внедрения ИИ. В ритейле таким критерием может быть конверсия, а эффект оцениваться в ее увеличении. Другим примером может стать таргетирование. В этом случае ИИ может применяться для снижения процента нецелевых потребителей до допустимого уровня.

Если вернуться к примеру, в котором целевым параметром является конверсия, то на нее влияет целый ряд факторов:

• канал привлечения клиента: например, при использовании соцсетей конверсия может быть выше, чем при SMS-рассылке;
• квалификация менеджера: чем более квалифицированный менеджер, тем выше конверсия;
• устройство, используемое клиентом для взаимодействия с ритейлером;
• время суток: например, в сервисе доставки готовой еды объемы заказов увеличиваются в обеденные часы;
• и другие факторы.

Универсальных наборов факторов не существует, для каждого бизнеса они свои. Чем тщательнее компания подойдет к составлению их перечня, тем лучше. Также важно понимать, что набор факторов необходимо корректировать в зависимости от текущих реалий. Например, учитывать сезонность, если речь идет о продажах.

После того, как все влияющие на целевой показатель факторы выявлены, следует понять, есть ли данные о каждом из них. Очевидно, что чем больше данных накоплено, тем точнее можно обучить ИИ-модель. Если анализируемое событие происходит несколько раз в день, необходимой нормой считаются данные за три года. Если данных недостаточно, модель получится менее точной. Например, она будет подвержена воздействию случайных величин (если одна величина из 100 значительно отклоняется от остальных, ее влияние на общий результат будет больше, чем, если бы это была одна величина из 1000). Даже если у компании есть качественные данные по какому-либо из параметров, но их недостаточно, не следует использовать их для обучения модели. Данные должны быть подробны ровно настолько, сколько этого требует задача. Если на данном этапе их недостаточно, задачу лучше отложить. В случае, когда данных достаточно, необходимо подготовить датасет в табличной унифицированной форме. То есть перевести их в Excel или CSV-формат.

На данном этапе возможны три варианта: нанять ИИ-разработчиков в штат, привлечь подрядчика, внедрить готовое решение. Каждый подход имеет свои плюсы и минусы. Первый вариант предусматривает полный контроль над проектом, а также возможность поручить штатным специалистам подготовку данных для обучения модели. Но риски высоки, как с точки зрения сроков, так и необходимости наличия опыта и навыков для управления командой ИИ-разработчиков. Кроме того, содержание таких специалистов может оказаться самым дорогостоящим сценарием.

Второй связан с меньшими рисками. Как правило, подрядчик старается учесть потребности бизнеса и предоставить ему максимальную гибкость. При этом заказчик может делегировать задачу по подготовке данных. Но стоимость и сроки реализации таких проектов могут быть достаточно высоки.

Плюсами внедрения готового решения являются скорость, простота, доступность и низкие риски. Минусом может стать необходимость самостоятельно готовить данные для обучения модели, а также отсутствие гибкости.

Если перед компанией стоят типовые задачи, им вполне может хватить готового решения. Однако если специфика бизнеса заказчика требует более сложного и комплексного ИИ-решения, требуется кастомизация. Некоторые разработчики готовы доработать свои продукты и бесшовно интегрировать их с действующими в компании ИТ-системами. Кастомизированное ИИ-решение может стать для бизнеса значительным конкурентным преимуществом.

Также на этом этапе важно определиться, нужен ли бизнесу ИИ в облаке или on-premise. Как правило, облачные решения удобнее и экономичнее, но в случае повышенных требований к безопасности данных более подходящей является модель on-premise.

Особенностью пилотного проекта внедрения ИИ является то, что нужно брать меньше целевых показателей, но ни в коем случае, не данных. От этого зависит точность обучения модели. Если на этапе тестирования у компании достаточно данных для одного целевого параметра, пилотный проект должен затрагивать только его. И даже, в случае, когда есть данные по нескольким параметрам, в пилотном проекте лучше сконцентрироваться на одном-двух. На данном этапе важно понять, все ли работает так, чтобы решить поставленную задачу.

Часто на стадии пилотных проектов удается выявить и устранить разнообразные ошибки и неточности, которые могут сказаться на дальнейшей эффективности использования ИИ. Например, выясняется, что данных недостаточно. Нужно понимать, что решить данную проблему можно только сбором бОльшего количества данных. Также данные могут оказаться плохо подготовленными. Это может выражаться в пропусках в данных, неправильном формате. Компания может ошибиться с выбором факторов, влияющих на целевой параметр бизнеса. Можно упустить из внимания ключевой фактор, а можно выбрать факторы, которые зависимы между собой. Например, если при продажах мороженого не учесть фактор сезонности, модель, предсказывающая объемы продаж, будет менее точной. А если в качестве факторов выбрать сезонность и температуру воздуха, то это будет избыточно, потому что температура воздуха напрямую связана с сезоном.

Только устранив подобные ошибки, можно оценить эффективность всего проекта. Понять, как скоро можно ожидать возврата инвестиций (ROI), а также выявить сопутствующие эффекты для бизнеса. Так, например, за счет интеграции с ИТ-системами можно настроить алгоритмы сквозной аналитики и перейти к модели принятия решений, основанных на данных.

После получения нужной точности ИИ-модели можно переходить к полномасштабному внедрению по оптимальной модели (облако или on-premise). На данном этапе бизнес-задачи и целевые параметры откалиброваны. Сформированы необходимые датасеты. Однако результаты тестовых данных не всегда могут совпадать с результатами реальных данных. Поэтому на этом этапе важно предусмотреть возможность нивелирования расхождений, а также проверки и уточнения моделей. Эта работа может потребовать привлечения бизнес-аналитиков, которые могут внести корректировки, руководствуясь собственными знаниями технологических и поведенческих процессов. ИИ-алгоритмы чрезвычайно гибкие и позволяют обрабатывать данные параллельно, а также увеличивать или уменьшать объем используемых вычислительных ресурсов в зависимости от количества данных.

Операционные и бизнес-процессы компании необходимо подстроить под ИИ. Например, нужно провести обучение сотрудников. Важно правильно позиционировать проект. В частности, донести до сотрудников идею о том, зачем внедряется искусственный интеллект. Иногда такие проекты встречают негативную реакцию персонала, вызванную неоправданными опасениями замены человека ИИ-алгоритмом.

Также сотрудников может волновать, что для работы с ИИ могут потребоваться специфические навыки. Решить данную проблему можно при помощи привлечения специалистов подрядчика. Если же компания выбрала готовое решение, то, как правило, их применение не требует знаний основ программирования. Интуитивно понятные визуальные интерфейсы помогают пройти все этапы от загрузки данных в таблицы до подготовки отчетов.

Работа с данными требует определенной культуры и понимания их ценности. Развитие такой культуры – важный этап реализации ИИ-стратегии.

Нужно понимать, что с полномасштабным внедрением ИИ проект не заканчивается. Модели необходимо переобучать на вновь появившихся данных. Периодичность может быть любой (раз в полгода, раз в год) и зависеть от того, насколько быстро в компании появляются и накапливаются данные. Это позволяет бизнесу гибко реагировать на рыночные изменения.

Например, пандемия оказала серьезное влияние на работу ритейла. И если условной компании для поддержания бизнеса раньше хватало 30% процентов онлайн-продаж, то теперь их должно быть 80-90%. Такие закономерности ИИ обязательно должен учитывать.