ЕСТЬ КОНТАКТ!
Искусственный интеллект
и потребности бизнеса
и потребности бизнеса
Искусственный интеллект — это временный хайп или он с нами надолго? Как эта технология помогает бизнесу сегодня? Как найти возможности для применения ИИ в конкретной компании? «Сноб» совместно с образовательной платформой «Нетология», а также Ником Спириным — генеральным директором компании Neuroinfra и экспертом по внедрению ИИ, отвечают на важные вопросы об искусственном интеллекте
Понятие искусственного интеллекта (ИИ) существует давно, но лишь несколько лет назад оно вошло в тренды. Что изменилось?
Идея искусственного интеллекта действительно не нова. В современном понимании она оформилась в середине XX века и была тесно связана с прогрессом в области вычислительных машин. Бурное развитие ИИ в последнее время обусловлено стечением нескольких факторов.
Во-первых, это стремительный рост вычислительной мощности компьютеров, во-вторых, появление огромных массивов цифровых данных, в-третьих, распространение облачных технологий, в-четвертых, крупные инвестиции IT-корпораций в технологии ИИ. Все это вместе привело к тому, что ИИ наконец получил широкое практическое применение в разных областях — от логистики до персональных цифровых ассистентов — и привлек широкое общественное внимание.
За последнее десятилетие ни один год не обходился без громких новостей об ИИ: появились чат-боты, виртуальные голосовые помощники, системы распознавания лиц, на дороги выехали первые беспилотные автомобили, ИИ победил человека в сложных играх, таких как шахматы, го и Dota 2. В более традиционных сферах бизнеса ИИ также нашел множество применений.
Во-первых, это стремительный рост вычислительной мощности компьютеров, во-вторых, появление огромных массивов цифровых данных, в-третьих, распространение облачных технологий, в-четвертых, крупные инвестиции IT-корпораций в технологии ИИ. Все это вместе привело к тому, что ИИ наконец получил широкое практическое применение в разных областях — от логистики до персональных цифровых ассистентов — и привлек широкое общественное внимание.
За последнее десятилетие ни один год не обходился без громких новостей об ИИ: появились чат-боты, виртуальные голосовые помощники, системы распознавания лиц, на дороги выехали первые беспилотные автомобили, ИИ победил человека в сложных играх, таких как шахматы, го и Dota 2. В более традиционных сферах бизнеса ИИ также нашел множество применений.
Не повторит ли ИИ судьбу технологий, которые после недолгой популярности забываются и отходят на второй план?
Технологии часто развиваются волнами: после воодушевляющего прорыва развитие может зайти в тупик и оставаться там до следующего прорыва, если таковой произойдет. Так было и в истории ИИ. После всплеска энтузиазма в 1950–60-х наступил долгий период забвения. На самом деле, речь скорее о забвении в медиа, работа над созданием ИИ продолжалась, просто не привлекала новой волны внимания до начала XXI века.
К настоящему моменту ИИ применяется на практике уже два десятилетия, он прочно вошел в нашу жизнь и доказал свою эффективность. Как и интернет, ИИ является сквозной технологией и применим во всех областях и индустриях. Существующих практических применений ИИ слишком много, чтобы все это вдруг рассеялось, как мираж. Это неотъемлемая часть цифрового общества, которая позволяет делать процессы более быстрыми, дешевыми, стабильными, прозрачными и безопасными. Шумиха, в значительной степени связанная с новизной, может пойти на убыль, но эффективность ИИ-решений никуда не денется.
К настоящему моменту ИИ применяется на практике уже два десятилетия, он прочно вошел в нашу жизнь и доказал свою эффективность. Как и интернет, ИИ является сквозной технологией и применим во всех областях и индустриях. Существующих практических применений ИИ слишком много, чтобы все это вдруг рассеялось, как мираж. Это неотъемлемая часть цифрового общества, которая позволяет делать процессы более быстрыми, дешевыми, стабильными, прозрачными и безопасными. Шумиха, в значительной степени связанная с новизной, может пойти на убыль, но эффективность ИИ-решений никуда не денется.
Как искусственный интеллект трансформирует бизнес?
Один из ключевых навыков ИИ — автоматизированный анализ больших массивов данных. Это очень полезная для бизнеса способность, она позволяет более оперативно и обоснованно принимать решения, управлять рисками, прогнозировать спрос, оптимизировать логистику, персонализировать маркетинг и т. д. Благодаря методам машинного обучения ИИ способен приносить пользу везде, где есть большие данные и четкая постановка задачи.
Способность ИИ к обработке естественного языка позволяет успешно применять эту технологию в клиентских сервисах. Чат-боты и автоматизированные центры обработки вызовов улучшают пользовательский опыт и сокращают расходы компаний на коммуникации с клиентами. Они работают круглосуточно, без выходных и имеют почти безграничную пропускную способность.
Системы компьютерного зрения способны без вмешательства человека идентифицировать предметы и людей, распознавать текст, ретушировать фотографии, оценивать характер движения туловища человека на основе скелетной модели, находить дефекты на производстве или аномалии в поведении людей по видеозаписям. Благодаря этому они обеспечивают безопасность в помещениях и на улицах, контролируют качество производственных процессов, занимаются сортировкой, управляют движением беспилотных автомобилей.
В рамках существующей бизнес-модели ИИ способен разными путями увеличивать выручку и снижать издержки. Кроме того, ИИ открывает перспективы для запуска принципиально новых бизнес-моделей, не существовавших до его появления и невозможных ранее без ИИ.
Способность ИИ к обработке естественного языка позволяет успешно применять эту технологию в клиентских сервисах. Чат-боты и автоматизированные центры обработки вызовов улучшают пользовательский опыт и сокращают расходы компаний на коммуникации с клиентами. Они работают круглосуточно, без выходных и имеют почти безграничную пропускную способность.
Системы компьютерного зрения способны без вмешательства человека идентифицировать предметы и людей, распознавать текст, ретушировать фотографии, оценивать характер движения туловища человека на основе скелетной модели, находить дефекты на производстве или аномалии в поведении людей по видеозаписям. Благодаря этому они обеспечивают безопасность в помещениях и на улицах, контролируют качество производственных процессов, занимаются сортировкой, управляют движением беспилотных автомобилей.
В рамках существующей бизнес-модели ИИ способен разными путями увеличивать выручку и снижать издержки. Кроме того, ИИ открывает перспективы для запуска принципиально новых бизнес-моделей, не существовавших до его появления и невозможных ранее без ИИ.
С какими типами задач современный ИИ особенно хорошо справляется?
ИИ — это большой класс интеллектуальных систем, которые автоматизируют когнитивные операции. Если говорить о машинном обучении, которое является подклассом ИИ и предполагает создание программ посредством обучения на больших данных, то ему по силам разные типы математических задач.
Во-первых, задача классификации. Например, классификация заемщиков банка по их кредитоспособности, когда нужно предсказать, вернет заемщик кредит или нет.
Во-вторых, задача регрессии, то есть предсказание количественной величины. Пример такой задачи — прогнозирование спроса на товар на основе истории покупок. В-третьих, кластеризация, то есть группировка данных на основании их характеристик. Скажем, вам нужно выявить сегмент лояльных пользователей сервиса — ИИ с этим справится. Четвертый тип задач — поиск аномалий в данных, например, выявление мошеннических транзакций. Пятый тип — поиск закономерностей, к примеру, поиск тех последовательностей действий пользователя на сайте, которые приводят к покупке или какому-то другому целевому действию.
Если смотреть на задачи ИИ не с точки зрения их математической типологии, а с точки зрения областей приложения, то можно выделить пять проверенных направлений: обработка естественного языка (например, автоматическое определение тематики статьи), компьютерное зрение (например, распознавание лиц), обработка аудио (например, голосовой помощник Алиса или Alexa), персонализация (например, рекомендации похожих товаров на сайте интернет-магазина или таргетированные email-рассылки) и прогнозирование временных рядов (например, прогнозирование спроса на товар или энергопотребления в центре обработки данных).
Принципиальное отличие ИИ от других программ состоит в том, что ИИ умеет обучаться и вследствие этого «творчески» подходить к работе. Поэтому ИИ способен справляться с задачами, решение которых трудно или даже невозможно формализовать. До появления ИИ подобные задачи мог решать только человек. Впрочем, и человек малоэффективен, если такую задачу нужно решать с учетом больших объемов данных.
Во-первых, задача классификации. Например, классификация заемщиков банка по их кредитоспособности, когда нужно предсказать, вернет заемщик кредит или нет.
Во-вторых, задача регрессии, то есть предсказание количественной величины. Пример такой задачи — прогнозирование спроса на товар на основе истории покупок. В-третьих, кластеризация, то есть группировка данных на основании их характеристик. Скажем, вам нужно выявить сегмент лояльных пользователей сервиса — ИИ с этим справится. Четвертый тип задач — поиск аномалий в данных, например, выявление мошеннических транзакций. Пятый тип — поиск закономерностей, к примеру, поиск тех последовательностей действий пользователя на сайте, которые приводят к покупке или какому-то другому целевому действию.
Если смотреть на задачи ИИ не с точки зрения их математической типологии, а с точки зрения областей приложения, то можно выделить пять проверенных направлений: обработка естественного языка (например, автоматическое определение тематики статьи), компьютерное зрение (например, распознавание лиц), обработка аудио (например, голосовой помощник Алиса или Alexa), персонализация (например, рекомендации похожих товаров на сайте интернет-магазина или таргетированные email-рассылки) и прогнозирование временных рядов (например, прогнозирование спроса на товар или энергопотребления в центре обработки данных).
Принципиальное отличие ИИ от других программ состоит в том, что ИИ умеет обучаться и вследствие этого «творчески» подходить к работе. Поэтому ИИ способен справляться с задачами, решение которых трудно или даже невозможно формализовать. До появления ИИ подобные задачи мог решать только человек. Впрочем, и человек малоэффективен, если такую задачу нужно решать с учетом больших объемов данных.
Какие отрасли сегодня больше всего выигрывают от развития ИИ?
ИИ широко применяется в отраслях, где принципы принятия решений хорошо поддаются формализации. В таком случае программа с успехом может заменить человека, не создавая дополнительных рисков. Это финансы, страхование, телекоммуникации, транспорт и логистика, энергетика. В банках ИИ участвует в процессе одобрения кредитов на основе кредитной истории клиента, в страховании рассчитывает индивидуальную стоимость полиса, в логистике оптимизирует цепочки поставок, в энергетике прогнозирует колебания спроса.
Все шире ИИ применяется в ретейле (например, ускоряет процесс подготовки контента для интернет-каталога или позволяет искать товары по фото на основе визуальной похожести), в индустрии развлечений (при проектировании сложности игр, создании фотореалистичных 3D-аватаров и т. д.), в медиа (например, в сервисах рекомендации фильмов) и ряде других отраслей.
Все шире ИИ применяется в ретейле (например, ускоряет процесс подготовки контента для интернет-каталога или позволяет искать товары по фото на основе визуальной похожести), в индустрии развлечений (при проектировании сложности игр, создании фотореалистичных 3D-аватаров и т. д.), в медиа (например, в сервисах рекомендации фильмов) и ряде других отраслей.
В каких еще отраслях ожидается прогресс, связанный с ИИ?
ИИ вполне может осуществить революцию в здравоохранении. Он способен кардинально изменить систему медицинской диагностики, обеспечить прорыв в разработке новых лекарств и существенно удешевить медицинские услуги для потребителя. Прогресс в здравоохранении сдерживается тем, что это традиционно очень зарегулированная область, и внедрение любых принципиальных новшеств в ней требует большого числа разрешений, согласований, вплоть до изменения законодательной базы.
У всех на слуху новости о беспилотных автомобилях — здесь тоже ожидается прорыв, который может полностью изменить транспорт. Большие перспективы для ИИ открываются в отраслях непрерывного производства: нефтедобыча, металлургия, химпром. Здесь ИИ способен в режиме реального времени оптимизировать производственные параметры, контролировать качество продукции, экономить электроэнергию, предотвращать аварии, повышать безопасность сотрудников, заменяя их на опасных участках роботами или дронами.
У всех на слуху новости о беспилотных автомобилях — здесь тоже ожидается прорыв, который может полностью изменить транспорт. Большие перспективы для ИИ открываются в отраслях непрерывного производства: нефтедобыча, металлургия, химпром. Здесь ИИ способен в режиме реального времени оптимизировать производственные параметры, контролировать качество продукции, экономить электроэнергию, предотвращать аварии, повышать безопасность сотрудников, заменяя их на опасных участках роботами или дронами.
Как найти перспективные возможности для внедрения ИИ в свой бизнес?
Для определения областей, в которых может помочь ИИ, эксперт по внедрению искусственного интеллекта Ник Спирин разработал авторский метод AI Taxonomy Canvas. Руководству бизнеса нужно ответить на пять ключевых вопросов:
В результате ответа на эти вопросы должна получиться таблица, которая позволит локализовать возможности для внедрения ИИ. Наряду с методом AI Taxonomy Canvas, который позволяет структурировать мышление по поиску возможностей внедрения ИИ, можно использовать и другие подходы: опросы руководителей, рядовых сотрудников и клиентов с целью выявления проблем, анализ логов, воркшопы и брейнсторминги, анализ ИИ-кейсов у конкурентов, мониторинг стартапов в области ИИ.
Подробнее ознакомиться с методом AI Taxonomy Canvas можно в рамках курса «Трансформация бизнеса: внедрение искусственного интеллекта».
- Какого бизнес-результата мы хотим достигнуть? На выбор предложены варианты: увеличение выручки, сокращение издержек или запуск новой бизнес-модели.
- Кто будет бенефициаром внедрения ИИ? Варианты: клиенты, сотрудники, партнеры.
- Какая функция бизнеса должна быть улучшена? Здесь следует указать одну из функций: продажи, маркетинг, финансы, продукт, рекрутинг, поддержка, производство, логистика.
- Какие данные есть для анализа? Это может быть текст, табличные данные, изображения, аудио, видео, временные ряды, социальные графы и т. д.
- Какую задачу с технической точки зрения мы решаем? На выбор перечисленные выше типы задач: классификация, регрессия, кластеризация, поиск аномалий, поиск закономерностей, обучение с подкреплением.
В результате ответа на эти вопросы должна получиться таблица, которая позволит локализовать возможности для внедрения ИИ. Наряду с методом AI Taxonomy Canvas, который позволяет структурировать мышление по поиску возможностей внедрения ИИ, можно использовать и другие подходы: опросы руководителей, рядовых сотрудников и клиентов с целью выявления проблем, анализ логов, воркшопы и брейнсторминги, анализ ИИ-кейсов у конкурентов, мониторинг стартапов в области ИИ.
Подробнее ознакомиться с методом AI Taxonomy Canvas можно в рамках курса «Трансформация бизнеса: внедрение искусственного интеллекта».
С чего начать процесс внедрения ИИ?
Едва ли можно гарантировать успех, если в компании не появится лидер по ИИ — топ-менеджер, который будет способен всецело сфокусироваться на цифровой трансформации бизнеса. Это может быть приглашенный специалист или один из лидеров компании. Именно он должен координировать поиск возможностей для внедрения ИИ. После того как набор предложений по ИИ-трансформации сформирован, их следует ранжировать по приоритету и составить портфель из первых 3–5 проектов. Одновременное внедрение нескольких ИИ-проектов помогает диверсифицировать риски: единичный проект может по каким-то, например, внешним причинам «не взлететь», в случае портфеля вероятность успеха гораздо больше.
При отсутствии у компании собственной экспертизы в области ИИ желательно найти внешнего партнера с глубоким пониманием темы. На первое время разработку лучше делегировать партнеру. Совместными усилиями компании и партнера нужно проработать требования к каждому из проектов: бизнес-задачи, метрики, источники данных, ресурсы, бюджет, план, окупаемость инвестиций. Сформировать требования к ИИ-платформе, выбрать партнера, на мощностях которого будут вестись облачные вычисления и храниться данные. Набрать команды по количеству реализуемых ИИ-проектов. И можно начинать разработку.
При отсутствии у компании собственной экспертизы в области ИИ желательно найти внешнего партнера с глубоким пониманием темы. На первое время разработку лучше делегировать партнеру. Совместными усилиями компании и партнера нужно проработать требования к каждому из проектов: бизнес-задачи, метрики, источники данных, ресурсы, бюджет, план, окупаемость инвестиций. Сформировать требования к ИИ-платформе, выбрать партнера, на мощностях которого будут вестись облачные вычисления и храниться данные. Набрать команды по количеству реализуемых ИИ-проектов. И можно начинать разработку.
Какие сотрудники нужны для внедрения ИИ в бизнес?
Минимальная команда при внедрении ИИ-решения состоит из трех человек: продуктовый менеджер, технический архитектор и специалист по обработке и анализу данных (data scientist). Все трое должны иметь опыт именно в области ИИ.
Менеджер продукта отвечает за видение конечного результата, понимает потребности бизнеса, тенденции, бизнес-модель, профиль клиента. Архитектор проектирует структуру решения, планирует циклы выпуска, определяет стандарты разработки, выбирает набор технологий. Data scientist разрабатывает прогностические модели и алгоритмы, это должен быть хороший статистик с навыками разработки или хороший разработчик со статистическими навыками и знанием машинного обучения. Также в зависимости от типа задач может понадобиться инженер данных (data engineer), инженер по машинному обучению, дизайнер пользовательских интерфейсов и менеджер проектов (для координации участников).
Менеджер продукта отвечает за видение конечного результата, понимает потребности бизнеса, тенденции, бизнес-модель, профиль клиента. Архитектор проектирует структуру решения, планирует циклы выпуска, определяет стандарты разработки, выбирает набор технологий. Data scientist разрабатывает прогностические модели и алгоритмы, это должен быть хороший статистик с навыками разработки или хороший разработчик со статистическими навыками и знанием машинного обучения. Также в зависимости от типа задач может понадобиться инженер данных (data engineer), инженер по машинному обучению, дизайнер пользовательских интерфейсов и менеджер проектов (для координации участников).
Какую роль в этом процессе должен играть руководитель?
Успех внедрения ИИ во многом зависит от цифрового лидера. Этот человек должен обладать набором отличительных качеств. Во-первых, он должен быть визионером, то есть видеть бизнес компании в целом, а не только какую-то его часть: понимать бизнес-модель, ресурсы и ограничения компании, знать нюансы работы разных подразделений, чувствовать рыночные тренды. Во-вторых, он должен уметь мотивировать людей на достижение поставленных целей: цифровая трансформация — это не рутинный процесс, она требует самоотдачи от всех участников. В-третьих, он должен хорошо разбираться в IT-технологиях и, собственно, в ИИ: понимать, какие задачи с его помощью можно решить, а какие нет. Цифровому лидеру очень важно иметь авторитет и уважение других руководителей и сотрудников. Вместе с тем он должен быть гибким и открытым человеком, способным работать в ситуации высокой неопределенности, быть готовым к прямому обсуждению вопросов со своей командой, перестраиванию стратегии на основе меняющихся реалий бизнеса.
Но даже при наличии перечисленных качеств человеку, который не имеет за плечами опыта внедрения ИИ, придется непросто. Облегчить его задачу призван курс «Трансформация бизнеса: внедрение искусственного интеллекта», разработанный экспертами с большим личным опытом работы в этой области. Курс нацелен на выработку практических навыков: как искать и находить возможности применения ИИ в своем бизнесе, как оценивать бюджеты и риски проектов, как формировать команды и запускать разработки.
А промокод SNOB даст скидку 10% на все онлайн-курсы направления «Data science и аналитика». Воспользоваться им можно до 27 сентября 2020 года.
Но даже при наличии перечисленных качеств человеку, который не имеет за плечами опыта внедрения ИИ, придется непросто. Облегчить его задачу призван курс «Трансформация бизнеса: внедрение искусственного интеллекта», разработанный экспертами с большим личным опытом работы в этой области. Курс нацелен на выработку практических навыков: как искать и находить возможности применения ИИ в своем бизнесе, как оценивать бюджеты и риски проектов, как формировать команды и запускать разработки.
А промокод SNOB даст скидку 10% на все онлайн-курсы направления «Data science и аналитика». Воспользоваться им можно до 27 сентября 2020 года.
Как перевести бизнес-требования в формальную постановку задачи для ИИ?
Бизнес-требования существуют на языке бизнеса, ИИ оперирует математическими категориями. Для того чтобы бизнес и ИИ образовали продуктивный союз, нужно решить проблему перевода между этими двумя разными языками. Здесь опять же поможет формализация и сегментация задач.
Начать следует с разбивки всего бизнес-процесса на совокупность «состояний» и описание переходов между этими фазами. Для каждого «состояния» нужно определить: что в нем происходит, какое условие должно быть удовлетворено для перехода в следующее «состояние», сколько времени тратится на переход между фазами, какие конверсии между ними существуют. Далее нужно оценить по ряду параметров данные, с которыми предстоит работать: их объем, типологию, частоту обновления, достоверность данных. Затем надо определить, что именно мы хотим моделировать, то есть какую информацию собираемся предсказывать о выбранных сущностях. Исходя из этого, можно определиться с типом задач, решение которых соответствует ожидаемому бизнес-результату.
Для решения этого вопроса Ник Спирин специально разработал инструменты AI Process Mapping и ML Problem Canvas, работа с которыми детально разбирается в рамках курса «Трансформация бизнеса: внедрение искусственного интеллекта».
Начать следует с разбивки всего бизнес-процесса на совокупность «состояний» и описание переходов между этими фазами. Для каждого «состояния» нужно определить: что в нем происходит, какое условие должно быть удовлетворено для перехода в следующее «состояние», сколько времени тратится на переход между фазами, какие конверсии между ними существуют. Далее нужно оценить по ряду параметров данные, с которыми предстоит работать: их объем, типологию, частоту обновления, достоверность данных. Затем надо определить, что именно мы хотим моделировать, то есть какую информацию собираемся предсказывать о выбранных сущностях. Исходя из этого, можно определиться с типом задач, решение которых соответствует ожидаемому бизнес-результату.
Для решения этого вопроса Ник Спирин специально разработал инструменты AI Process Mapping и ML Problem Canvas, работа с которыми детально разбирается в рамках курса «Трансформация бизнеса: внедрение искусственного интеллекта».
Насколько дорого внедрение ИИ?
Стоимость зависит от сложности проекта и продолжительности работ. Интеграция облачного API (интерфейса программирования приложений) потребует 1 месяц работы, разработка внедрения SaaS-продукта (облачный продукт на базе ИИ) — до 2 месяцев, собственная разработка простого продукта займет минимум 2–3 месяца, собственная R&D-разработка (сокращение от Research and development — аналог русской аббревиатуры НИОКР, научно-исследовательские и опытно-конструкторские работы) — от полугода и более. Определившись с вариантом и прикинув состав команды, можно составить примерное представление о стоимости внедрения. Отдельно нужно также учитывать стоимость вычислительных ресурсов, которые потребуются для обучения моделей на основе машинного обучения, а также для хранения больших объемов данных для обучения.
Сложность также зависит от форм-фактора продукта. Это может быть статичный отчет по анализу данных, разработка модели на предсказание из консоли или в формате облачного API, разработка модели для мобильного устройства или для конечного устройства (умной камеры или сенсора). Также имеет значение предполагаемая частота обработки данных: один раз, с какой-то периодичностью, или же понадобится мгновенная обработка — без прямой обратной связи, или с обратной связью (что сложнее).Таким образом, диапазон стоимости внедрения ИИ-решений широк: от сотен тысяч рублей (при интеграции облачного API) до миллионов долларов (в случае создания уникального нового продукта на основе собственного R&D).
Сложность также зависит от форм-фактора продукта. Это может быть статичный отчет по анализу данных, разработка модели на предсказание из консоли или в формате облачного API, разработка модели для мобильного устройства или для конечного устройства (умной камеры или сенсора). Также имеет значение предполагаемая частота обработки данных: один раз, с какой-то периодичностью, или же понадобится мгновенная обработка — без прямой обратной связи, или с обратной связью (что сложнее).Таким образом, диапазон стоимости внедрения ИИ-решений широк: от сотен тысяч рублей (при интеграции облачного API) до миллионов долларов (в случае создания уникального нового продукта на основе собственного R&D).
Текст: Алексей Тиматков
Выпускающий редактор: Анна Данилина, Татьяна Почуева
Корректор: Наталья Сафонова
Фотографии: Unsplash
Креативный продюсер: Кирилл Пономарев
Дизайнер: Снежанна Сухоцкая
© All Right Reserved.
Snob
[email protected]
Выпускающий редактор: Анна Данилина, Татьяна Почуева
Корректор: Наталья Сафонова
Фотографии: Unsplash
Креативный продюсер: Кирилл Пономарев
Дизайнер: Снежанна Сухоцкая
© All Right Reserved.
Snob
[email protected]
