5 вопросов, которые стоит задать себе перед внедрением ИИ

Опубликовано От Sergey

Все больше компаний сегодня экспериментируют с искусственным интеллектом — ими движет любопытство и желание не отстать от конкурентов. Однако о главном — бизнес-результатах — многие забывают. 

Павел Мрыкин, эксперт по сквозной аналитике в Calltouch, рассказывает, на что обратить внимание перед запуском ИИ-решения и как внедрить новую технологию без потерь и с пользой для бизнеса.

5 вопросов, которые стоит задать себе перед внедрением ИИ

Павел Мрыкин

По данным McKinsey, использование искусственного интеллекта в бизнес-процессах только за минувший год выросло на четверть. Это неудивительно, ведь технологии на базе ИИ сокращают затраты и увеличивают выручку. Например, Google благодаря ИИ сократил расходы на электроэнергию на 40%. 

Кажется, что роботы-бухгалтеры, юристы и операторы колл-центров повсеместно приносят «работодателям» миллиарды долларов.

В результате у предпринимателей и топ-менеджеров возникает FOMO — синдром упущенной выгоды. Компании спешат вложить свободные средства в ИИ, только бы не отстать от конкурентов. 

Но в процессе экспериментов предприятия часто повторяют одни и те же ошибки. Чтобы их избежать, ответьте себе на следующие пять вопросов.

1. А мне вообще нужны алгоритмы?

Первый и главный вопрос: какую конкретную измеримую пользу принесет алгоритм вашему бизнесу?

Исследования показывают, что 40% компаний, которые вложились в технологию, не получили существенной выгоды. 

Эту проблему хорошо сформулировал бывший главный экономист Microsoft Престон Макафи. Он заметил, что задача большинства ИИ-моделей — это повышение точности прогноза. Система не допускает риска, а ее главная цель — оптимизация. 

Например, условный алгоритм может предложить отделу продаж пять сверхточных рекомендаций по сделкам, и маркетологи действительно заключат пять контрактов. Но если отделу нужно закрыть минимум 100 сделок в месяц, то насколько выгодно пользоваться услугами ИИ?

Отсюда вывод: важно на раннем этапе определить, какую метрику вы хотите улучшить и какой объем данных и размер инвестиций для этого потребуется.

Желательно обратиться к коллегам по рынку или экспертам за советом: это поможет более объективно оценить возможности технологий и не поддаваться распространенным заблуждениям. 

2. Создать свою технологию или заказать готовую?

Бизнес может разработать собственное решение на базе ИИ — для этого потребуются дополнительные расходы, команда специалистов и накопленный массив данных. 

Установка SaaS-сервисов кажется выгоднее, ведь готовый продукт экономит время и деньги.

Но найти добросовестного подрядчика не так просто. Многие компании утверждают, что работают с искусственным интеллектом, но на деле это может быть не так. 

Аналитики MMC Ventures выяснили, что только 60% из 2830 европейских ИИ-стартапов разрабатывают продукты на базе машинного обучения. Остальные сервисы вообще никак не связаны с технологией. Они не располагают вычислительными мощностями, а вместо этого используют дешевую рабочую силу на аутсорсе, которая выполняет работу за ИИ. 

Так, например, обнаружилось, что  B2B-сервис Expensify, который помогал «автоматически» рассчитывать корпоративные траты сотрудников с помощью «умной» системы сканирования, использовал для сканирования чеков труд фрилансеров с платформы Mechanical Turk.

3. Запуск собственного продукта = существенная выгода или лишние расходы?

Если вы все-таки решили создавать свой ИИ-продукт, постарайтесь объективно оценить его жизнеспособность и экономическую целесообразность. На рынке насчитывается как минимум 5 тысяч стартапов, которые работают с технологией машинного обучения. 

Взгляните на рейтинг Топ-100 проектов в сфере ИИ от CBInsights — индустрия действительно перенасыщена. В списке, кстати, нет российских компаний, но на локальном рынке тоже немало игроков в большинстве сфер — от промышленности до EdTech. 

На рынке достаточно готовых качественных сервисов, которые — вероятно — полностью решат вашу проблему. Если вы хотите создать собственный усовершенствованный аналог, это может дать вам конкурентное преимущество.

Но прежде чем изобретать велосипед, следует посчитать, во сколько обойдется разработка и поддержка собственного решения, и сравнить с абонентской платой за сторонний сервис. 

Постарайтесь учесть, что многие тренды на рынке недолговечны. ИИ-технологии постоянно меняются и совершенствуются, а на разработку с нуля могут уйти годы, поэтому смотрите в будущее и учитывайте, будет ли проект актуальным через год, три и 10 лет.

4. Достаточно ли у меня материала для обучения ИИ?

Большие данные называют новой нефтью, но какая польза от сырой нефти, если просто копить ее? То же касается информации: без тщательного анализа, обработки и превращения в продукт Big Data — это просто терабайты. 

При этом важно помнить, что значительную роль играет не количество данных, а их качество. Бывает, что ИИ-модель можно натренировать на небольшом массиве — и получить ценные инсайты. 

Желательно заранее проверить, сможете ли вы регулярно пополнять базу свежими и релевантными сведениями – только так ИИ-модель будет совершенствоваться.

При этом стоит учитывать, что нестандартные ситуации обычно не идут на пользу обучению. Например, пандемия коронавируса негативно повлияла на точность алгоритмов, поскольку привычные паттерны поведения поменялись. 

5. Если алгоритм нарушит закон, то кто понесет ответственность?

Не стоит забывать и о правовой стороне применения ИИ. Эксперты и политики до сих пор не пришли к консенсусу в вопросе, кто все-таки несет ответственность за решения, принятые искусственным интеллектом. 

В случае ДТП с беспилотным такси отвечает компания-производитель или таксопарк? А если рекламный алгоритм начнет настраивать таргет в зависимости от расы, отсеивая меньшинства, то виновата платформа или разработчик? И какую роль играет программист, который выполняет требования заказчика?

Любая компания, которая работает с ИИ, должна заранее определить свою зону ответственности и прописать ее в договоре.

Провальные в плане этики решения принимают даже такие гиганты, как Facebook — достаточно вспомнить скандал с Cambridge Analytica. Поэтому осторожность и осмотрительность никому не помешают. 

Можно, например, предусмотреть два формата услуг: в первом клиент полностью передает ответственность алгоритму, а во втором — лишь полагается на рекомендации ИИ. Мы используем такой подход в сервисе оптимизации ставок в рекламных кампаниях. Пользователь сам выбирает, положиться на ИИ или действовать самостоятельно, используя алгоритм в качестве советчика. 

Как достичь максимума при внедрении ИИ

  • Не нужно поддаваться на хайп и внедрять машинное обучение потому, что так делают все. Важно постепенно оптимизировать процессы и осваивать новые технологии, а не встраивать алгоритмы повсеместно только потому, что так сказали в McKinsey или Accenture.
  • Стоит определить метрику, которую нужно оптимизировать, и убедиться, что ИИ действительно может улучшить процессы. Не ставьте абстрактные цели типа «улучшить все», а действуйте точечно. Например, сократить время на обработку звонков на 1,5% — это не самый амбициозный, зато четкий и выполнимый план.
  • На раннем этапе нужно выяснить, какими данными располагает ваша компания. Сколько времени уйдет на обработку и разметку? Какие дополнительные сведения нужно собрать? Как вы будете обновлять и пополнять базу в будущем? В приоритете должно быть качество, а не количество. 
  • Обязательный этап — анализ рынка. Зачем тратить ресурсы на разработку решения, если оно уже существует? Если вы планируете продавать услуги, продумайте процесс отстройки от конкурентов. ИИ-рынок устроен парадоксально: с одной стороны, он перенасыщен, а с другой — эффективных работающих решений на самом деле не хватает.
  • Фото на обложке и в тексте: Unsplash

    Нашли опечатку? Выделите текст и нажмите Ctrl + Enter

    Источник: https://rb.ru/

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *