Чек-лист: нужен ли вашему бизнесу AI (заодно развенчиваем популярные мифы)
Искусственный интеллект — мощнейший тренд наших дней. Технология уже проникла во многие бизнес-процессы и продолжает совершать революционные изменения на рынках IT, финансов, HR, e-commerce, систем безопасности. Не обходится и без перегибов: все чаще можно услышать о применении искусственного интеллекта в качестве своего рода маркетинговой приманки — например в кофейне. Руководитель технологического консалтинга по AI-решениям Intuition Иван Ильин рассказывает, кому и в каких случаях действительно стоит задуматься о внедрении AI-технологий — и как это лучше сделать.
3 мифа про искусственный интеллект
1.
Внедрение AI гарантирует повышение эффективности конечного продукта в разы.
Нет, это не так. Эксперты Gartner, например, отмечают, что в среднем технология позволяет сэкономить всего 3-5%. На каждую историю успеха внедрения AI и ML (machine learning) приходится множество неудач. Половина финансовых топ-менеджеров, которые планируют ввести предиктивную аналитику к 2020 году, делают это из стадного чувства (panic buying). Аналитики компании советуют тестировать технологию, но избегать крупных вложений. «Путь к AI- и ML-нирване усыпан мертвыми телами неудачных примеров внедрения», — говорит Роб ван дер Мейлен из Gartner.
2.
Количество сфер и отраслей, где можно использовать AI, безгранично.
AI — огромная область Computer Science. Очевидно, что решения на основе алгоритмов искусственного интеллекта многократно эффективнее в работе с изображениями и текстами, чем классические алгоритмы. Они приносят практическую пользу на миллиарды долларов в различных индустриях, но совершенно бесполезны и не несут никакой ценности в слишком «человеческих» областях. IBM может позволить себе создание робота-повара Chef Watson и решить таким образом ряд задач по маркетингу. Но что такая дорогостоящая технология может действительно дать индустрии общепита и гостеприимства, кроме кратковременного эффекта от хайпа?
В Wantful с помощью алгоритмов искусственного интеллекта пытались научить пользователей выбирать удачные персонализированные подарки для конкретных людей; в Teforia — правильно заваривать чай; в Polimobile — общаться с избирателями на политические темы. Все эти стартапы за короткое время прекратили свое существование. Наивно ожидать полного исключения человека из процессов, требующих креатива.
3.
Не обязательно писать AI-модели с нуля — можно взять готовое решение из открытых библиотек.
Да, эффективно использовать готовое решение или собрать простую модель можно и без фундаментального математического образования. Но созданием своих эффективных алгоритмов под конкретные бизнес-процессы могут заниматься только профессионалы. Учитывая задачу и имеющиеся данные, они тонко настраивают алгоритмы компьютерного зрения, понимания естественного языка и классического машинного обучения. Специалисты также умеют составить оптимальный набор из доступных инструментов и правильно строить архитектуру решения.
Рассмотрим на примере торговой сети. Алгоритм кластеризации открытой библиотеки позволяет, не прибегая к услугам квалифицированного инженера машинного обучения, обработать сырые данные и разделить их по признакам, например сгруппировать магазины по товарообороту или проходимости. Но если ретейлер хочет разобраться в полученных данных (провести факторный анализ разбивки на кластеры, оценить корреляцию различных факторов, в том числе с бизнес-показателями, и т. п.), то ему придется нанять AI-специалиста. Последний применит более глубокий подход к обработке данных и напишет соответствующий задачам алгоритм.
Как не поддаться стадному чувству
В ближайшее время технологии AI точно будут востребованы в прогнозировании процессов, связанных с логистикой, загрузкой складов, построением маршрутов. Искусственный интеллект справится с персонализацией любого контента (тексты, видео, товарные предложения) для пользователя. Ретейл заинтересован в использовании AI для тонкой аналитики, проверки корректности чеков, распознавания лиц покупателей или заполненности полок с помощью камер. Вместе с тем, хайп, связанный с AI в творческих областях, будет сходить на нет, — процесс креатива и интеграции уникальных навыков и опыта каждого человека достаточно сложно воспроизвести алгоритмически.
Чтобы не попасть в ту самую половину аудитории, которая готова потратиться на искусственный интеллект из стадного чувства, нужно учесть следующие моменты.
Ценность от внедрения решения должна превышать стоимость разработки и содержания AI-команды. Например, в сфере производства экономический эффект составляет в среднем 3-5%, что очень существенно на больших объемах. Исследование Российского союза промышленников и предпринимателей и компании «Цифра» показало, что объем российского рынка AI в промышленности к 2021 году достигнет $380 млн (и эти инвестиции будут абсолютно оправданными). Так, Новолипецкий металлургический комбинат уже сейчас применяет искусственный интеллект для оптимизации производственных процессов в сталеплавильной отрасли (и снижает таким образом потребление природного газа на 5%).
В то же самое время, внедрять AI в кофейне — все равно что покупать атомный микроскоп в школьный кабинет (то есть абсолютно нерентабельно). Средний бизнес в последнее время часто заявляет об использовании искусственного интеллекта в какой-то цепочке действий, где это часто не нужно и не критично. В этом случае целесообразнее говорить о недолговечном маркетинговом эффекте, нежели о полезности самой технологии.
Если компания — AI-стартап, то очевидно, что для нее это ключевая технология. Речь в таком случае идет о полной автоматизации каких-либо областей, кардинальном изменении процессов, в результате чего сокращаются целые блоки, которыми раньше занимались отдельные компании и большой штат сотрудников.
Конечно, здесь нужно учитывать, что AI — это уже мейнстрим, рынок достаточно насыщен, а в некоторых сферах даже переполнен. Начинающей компании сложно выделиться на этом фоне и найти новую, относительно свободную рыночную нишу с существенным коммерческим потенциалом. Крупный бизнес обычно предпочитает выращивать команду разработки в своих стенах, чем прибегать к сторонним сервисам. У AI-стартапов есть будущее, только если они придумают нечто революционное, подобное мультиагентной системе для «Газпрома» (предотвращает миллиардные потери на логистике). Похожую технологию применили в Coca-Cola, сэкономив на транспортных расходах до 20%.
Нужна узкая настройка AI на операции, которые он выполнит лучше человека. Например, искусственный интеллект умеет работать с терабайтами текста, тогда как любой из нас потратил бы на это месяцы. С помощью алгоритмов можно сразу ранжировать и классифицировать печатную информацию, искать ее по интересующему запросу, а также распознавать изображения и выявлять людей по фото на видео. AI успешно внедряется в различных системах безопасности, например Aruba 360 Secure Fabric. Пример среднего бизнеса, где действительно стоит использовать алгоритмы, — частные охранные предприятия. Работу множества охранников, которые ежедневно сидят и вглядываются в мониторы, вполне можно автоматизировать.
Как не ошибиться с исполнителями
При планировании внедрения алгоритмов искусственного интеллекта любая компания без собственной команды AI-инженеров столкнется с рядом проблем.
1.
Нанимать AI-разработчиков должен HR-специалист с соответствующим опытом. Допустим, торговая сеть захочет внедрять обработку больших данных для оптимизации трафика покупателей. Кадровый отдел ретейлера решает задачи найма линейного персонала — с задачей поиска AI-разработчика или Data Scientist он вряд ли справится (в силу нехватки знаний в данной области не сможет оценить компетенции инженера). Следовательно, чтобы сколотить AI-команду, нужно сначала найти эйчара с соответствующим опытом найма.
2.
Возглавить команду разработчиков должен человек с двойной экспертизой — бизнес заказчика и AI-разработка. Работодатель, не обладающий специальными знаниями, не сможет построить эффективную работу даже с хорошими специалистами. Необходимо сначала найти человека на вакансию Chief Digital Officer или Chief Digital Transformation Officer. Требования к такому профессионалу — обладание (помимо технической) экспертизой еще и в бизнесе заказчика, а также управленческие навыки.
3.
В России мало хороших AI-разработчиков. В компетенции специалиста (или команды) по автоматизации процессов на производстве в обязательном порядке входят математическое образование (а не просто техническое) и навыки профессионального программирования (Python, С++). Желательно, чтобы это были новаторы, заинтересованные в науке и поисках альтернативных путей решения, а не в воспроизводстве уже известных алгоритмов. В России достаточно сложно с поиском подобных кадров: обязательно страдает какая-то часть экспертизы (научный бэкграунд или программирование), поэтому подобные специалисты стоят дорого. Их средняя зарплата на рынке — от 200 тыс. руб. до 250 тыс. руб.
4.
Штатных инженеров будет трудно удержать в компании. Мало найти и нанять специалистов — придется прикладывать усилия, чтобы они остались, и постоянно заниматься их мотивацией. Хорошие разработчики всегда стремятся к развитию, им нужны смена деятельности и новые интересные задачи. Они обладают научным бэкграундом, а потому нередко предпочитают уходить в академические исследования. В итоге для отдельной компании содержание собственного отдела может быть совершенно нерентабельно — намного проще и экономически выгоднее нанять внешнюю, уже сработавшуюся команду исполнителей.
Тем компаниям, которые еще только собираются перевести свои процессы на автоматические рельсы, можно попробовать бесплатные облачные решения. С помощью свободно распространяемых продуктов средний бизнес может решить ряд задач. IT-гиганты вроде Google совершенствуют такие сервисы, и в дальнейшем они, возможно, смогут конкурировать с кастомными решениями. Но последние пока выигрывают — за счет большей гибкости и тонкой настройки под задачу клиента.
