ИИ в крупных компаниях: оптимизация расходов и повышение эффективности или завышенные ожидания?

Виды ИИ и их место в жизни большого бизнеса

В зависимости от вида ИИ можно выделить несколько основных сфер применения ИИ:

Прогнозный ИИ и другие классические алгоритмы машинного обучения. К этой категории мы отнесли модели, которые учатся на исторических данных и занимаются прогнозированием будущего, а вместе с алгоритмами оптимизации отвечают за сценарный анализ и подбор оптимального сценария. Здесь же различные алгоритмы классификации и рекомендательные сервисы. Такой вид ИИ чаще всего используется в компаниях, где накоплено очень много исторических данных – истории продаж, посещений сайтов, обращений клиентов.

С помощью таких алгоритмов можно сделать прогнозы точнее и быстрее, персонализировать контент под клиента или просто провести его скоринг. Например:

1. 1. Ритейл и производство FMCG – системы прогнозирования спроса и, как следствие, планирование продаж, выстраивание логистики и закупок, планирование производства. Так, один из крупных ритейлеров внедрил AI для управления запасами. Это помогло снизить издержки на 20% и увеличить доступность товаров на 15%.

2. 2. Маркетплейсы и социальные сети – персонализация предложений и контента. Это помогает как повысить продажи, так и увеличить аудиторию и время пребывания на сайте, что является целевой метрикой для социальных сетей. Тот же Netflix экономит миллиарды долларов на удержании клиентов за счет персонализации предложений клиентам.

3. 3. Крупные финансовые организации – разносторонняя оценка клиентов и их операций. Это помогает как оценить и минимизировать риски, так и персонализировать предложения для клиента. Обычно в банках 95% кредитных заявок оценивается автоматически набором правил и моделей ИИ.

4. 4. Производство – ранний прогноз поломок оборудования или подбор оптимальных режимов работы производственных линий.

Видеоаналитика. Как следует из названия, это вид ИИ, который анализирует потоковое видео для выявления заданных сценариев. Очевидно, что при большом объеме камер видеонаблюдения, ИИ справится с анализом видео лучше и эффективнее, чем человек.

Наиболее известные примеры использования видеоаналитики в разных отраслях:

1. 1. На производстве есть множество сценариев использования – от контроля соблюдения требований ОТ и ТБ, в частности ношение СИЗ (каски, жилеты, респираторы и т.п.), проверки наличия персонала у станков и производственных линий, до контроля технологических процессов проката стали и выплавки металла. Например, СИБУР разработал систему интеллектуальной видеоаналитики, которая сократила нагрузку на операторов до 70%. А на ММК (Магнитогорский Металлургический Комбинат) внедрили систему, которая умеет не только находить минусы холоднокатаного металлопроката, но и классифицировать их с точностью до 95%.

2. 2. В ритейле видеоаналитика используется для контроля за действиями покупателей, например, платформа видеоаналитики AISee может использоваться для предотвращения потерь на кассах самообслуживания, а также за состоянием полок.

Генеративный ИИ – это качественный скачок в возможностях работы с неструктурированными данными. В отличие от классических моделей ИИ, которые анализируют и классифицируют информацию, генеративные модели создают совершенно новый контент (текст, код, изображения, аудио) на основе полученного запроса. Это открывает для крупных компаний совершенно новые пути автоматизации и повышения эффективности:

1. 1. Автоматизация создания документов и контента: юридические отделы используют генеративный ИИ для проверки документов на соответствие внутренним регламентам и созданию новых договоров по шаблонам

2. 2. Подготовка контента: маркетинговые команды в разы ускоряют подготовку материалов, описаний товаров, email-рассылок и постов для соцсетей, сохраняя единый корпоративный стиль. Например, крупный российский банк внедрил ИИ-ассистента для сотрудников отдела кредитования. Система автоматически генерирует персональные ответы на запросы клиентов по условиям кредита, основываясь на их данных и истории взаимодействий. Это сократило время на подготовку ответа с 15-20 минут до 1-2 минут и разгрузило специалистов для решения более сложных задач.

3. 3. Корпоративный ИИ-ассистент, доступный для сотрудников компании и имеющий всю корпоративную базу документов, помогает оперативно ответить на имеющиеся вопросы.

4. 4. Создание и тестирование кода: разработчики используют генеративные ИИ-инструменты для написания кода, генерации функций по текстовому описанию, поиска ошибок и написания тестов. Это значительно ускоряет цикл разработки и снижает нагрузку на программистов.

Большие данные – источник знаний для ИИ

Как становится понятно из сказанного выше – ИИ не работает в вакууме и не берет знания из ниоткуда. ИИ хорошо работает на больших объемах данных. Именно эта особенность открывает компаниям доступ к глубокой аналитике накопленной истории, причем дает возможность работать в режиме реального времени.

Это позволяет:

1. 1. Иметь более точные прогнозы – алгоритмы ИИ анализируют миллионы и миллиарды строк данных и выявляют скрытые закономерности.

2. 2. Проводить оптимизацию продуктового портфеля – имея возможность сделать прогноз при разных условиях можно оперативно составить оптимальную стратегию поведения. А добавив оперативный анализ отзывов и поведения клиентов, можно гибко управлять выводом и адаптацией продукта под рынок.

3. 3. Выявлять аномальные события и риски на самой ранней стадии и предотвращать проблемы, а не устранять последствия

4. 4. С помощью генеративного ИИ проанализировать за несколько секунд сотни страниц отчетов, распознанных звонков, новостных статей и подготовить структурированное резюме: выявить основные тренды, инсайты, риски и предложить рекомендации.

Все это вместе позволяет компаниям, внедрившим ИИ, в работу быть более эффективной в конкурентной борьбе – закладывать меньше запаса на риск, минимизировать потери и перепроизводства, не допустить пустых полок или расходов на утилизацию испортившегося товара, или просто продавать больше при той же клиентской базе.

Типовые ошибки при внедрении ИИ и как их избежать

При этом надо понимать, что одного магического словосочетания ИИ и внедрения продукта недостаточно для того, чтобы начать зарабатывать денег. К сожалению, так оно не работает, что подтверждается статистикой. По разным исследованиям от 70% до 85% внедрений ИИ не приносит ожидаемых результатов.

Разберем типичные ошибки и способы борьбы с ними:

1. 1. Плохое качество или недостаток данных – поскольку в основе большинства моделей ИИ лежит обучение под конкретную задачу на исторических данных, то результат зависит от наличия данных и их качества.

2. 2. Внедрение ИИ без четкой стратегии и видения – очень часто ИИ внедряют, потому что так модно и без оглядки на возможность неудачи. Чаще всего это приводит к печальным последствиям.

3. 3. Сложности с изменением бизнес-процессов и сопротивление персонала – для того чтобы ИИ начал приносить результаты, он должен быть встроен в структуру компании. Зачастую это требует изменения бизнес-процессов, что сталкивается с противодействием «на местах». А если внедрение ИИ связано с сокращением рабочих мест, то нужна очень сильная воля руководства для «продавливания» таких изменений.

Это не значит, что внедрение ИИ обречено на провал и статистика «не в нашу пользу». Ничего подобного. Это значит, что внедрение ИИ требует постепенного и продуманного подхода к интеграции, т.к. это не магическая таблетка, которая помогает всегда.

Поэтому основные рекомендации по внедрению ИИ, которые вытекают из этих типичных ошибок:

1. 1. Начинать стоит не с массовых и тяжелых проектов по внедрению ИИ, а с проверки гипотез и проведения пилотов. Это поможет заранее проверить достаточно ли данных и необходимого ли они качества, подтвердить в реальности (а не на бумаге) эффективность ИИ в вашей конкретной задаче, а также приучить людей к работе с ИИ и увидеть «болевые точки» внедрения заранее.И даже если гипотеза не подтвердилась и данных не хватило или эффективность оказалась ниже ожидаемой, то время и ресурсы, которые вы потратили на пилот, будут несравненно ниже, чем на полноценное внедрение.

2. 2. Надо четко формулировать цели, задачи и критерии успешности в начале работ. Это поможет избежать завышенных ожиданий и беспристрастно оценивать результаты пилота или проекта.

3. 3. Сразу закладывать в расчет эффективности выстраивание инфраструктуры под ИИ – от обработки и хранения данных, вычислительных мощностей, до обучения персонала по работе с ИИ.

Кроме этого надо понимать, что успешное внедрение ИИ всегда зависит от людей, поэтому популяризация инструментов ИИ и повышение доверия к результатам его работы – это тоже немаловажный аспект, влияющий на эффективность внедрения.

Подводя итог можно сказать, что внедрение ИИ — это марафон, а не спринт. Начните с малого, двигайтесь постепенно, сфокусируйтесь на данных и людях, а технологии найдется. Все это вместе обязательно даст вашему бизнесу решающее преимущество.