Интеллект без ошибок
Партнер
проекта
Photo: ???????
Как избежать потерь при внедрении AI-решений в бизнес-процессы
Текст:
Нина Блейман
AI на потоке
От пилотов к массовым проектам
В сфере искусственного интеллекта (Artificial intelligence, AI) в 2018 году происходят масштабные изменения: начинается массовое внедрение разработок, еще вчера считавшихся экзотическими и футуристичными. Практический опыт внедрения AI-инструментов для бизнеса и перспективы развития отрасли эксперты рынка обсудят в ходе RAIF (The Russian Artificial Intelligence Forum). В преддверии мероприятия, которое пройдет в Москве 23 октября, РБК+ поговорил с его участниками о лучших практиках и типичных ошибках, с которыми сталкиваются компании-пионеры.

Технологии AI «устаканились» и повзрослели, прошли исследовательскую стадию и готовы к промышленному применению, отмечает управляющий директор Accenture в России Мария Григорьева. «Раньше в основном это были различные пилоты, сейчас мы выходим на плато продуктивности, где проекты по AI будут действительно зарабатывать деньги. Мы не ожидаем фундаментальных открытий в этой области, скорее индустриализацию уже известные технологий», — говорит она.

«Еще пять лет назад кейсы, основанные на машинном обучении и работе с большими данными, которые мы теперь можем предложить нашим клиентам, просто бы не сошлись: «железо» было дороже, математика — слабее, объем данных — меньше. Тогда на запуск проекта надо было потратить, условно, 150 руб., а заработать лишь 100, теперь, вложив 80 руб., можно получить отдачу в 120. Сейчас, приходя к заказчику, я могу показать набор успешных кейсов, а не чувствовать себя торговцем гербалайфом», — говорит руководитель дирекции по разработке и внедрению программного обеспечения компании «Инфосистемы Джет» Владимир Молодых.

Как это всегда бывает при переходе рынка от единичных проектов к массовым, задачи профессионального сообщества — описать оптимальные алгоритмы их внедрения и типичные ошибки, отмечают эксперты.

Photo: Jenny Smith/Unsplash
Наступает будущее
Как будет развиваться рынок AI-решений в ближайшие годы
2018 — 20%
бизнес-контента будет создано машинами
2020 — в 4 раза чаще
будут показывать долгосрочную успешность организации, использующие в AI-проектах технологии когнитивной эргономики и системного проектирования
2022 — в 2 раза чаще
«прозрачные» AI-проекты будут получать бюджеты от CIO
2025 — 2 млн
новых рабочих мест для людей создаст AI-индустрия
2025 — каждый 5-й
работник будет использовать AI
2030 — $15,7 трлн
прогнозируемый объем глобального рынка AI
Нас не обманешь
Искусственный интеллект не имитирует человеческий
Попытки создать искусственный интеллект инженеры начали предпринимать еще в середине прошлого века. Первые вычислительные модели, вдохновленные принципом работы нейронных связей в мозгу человека, начали разрабатываться еще в 1940-х годах, а в 1950 математик Алан Тьюринг предложил свой набор критериев, по которым машина может считаться мыслящей. В знаменитом «тесте Тьюринга» человек, задающий письменные вопросы, должен определиться, кем является его собеседник — человеком или машиной, а задача компьютера — его обмануть. Сам Тьюринг полагал, что к 2000 году машины будут способны обмануть 30% судей, однако несмотря на экспонентное развитие вычислительных мощностей формально эту границу еще ни одной разработке преодолеть не удалось. Конечно, при соблюдении ряда условий искусственный интеллект уже довольно успешно справляется с коммуникациями — например, чат-бот в отдельных случаях бывает трудно идентифицировать, но, как правило, речь идет о стандартных повторяющихся вопросах и ответах.

Впрочем, это означает лишь то, что искусственный интеллект пока не способен достаточно хорошо имитировать человеческие разговоры, а не степень «разумности» и эффективности таких программ. Авиационные инженеры не ставят задачи создать аппарат, который будет летать в точности как голубь, чтобы обмануть других голубей, шутят эксперты.

Photo: ?????
Все рассчитать
База для нового экономического роста
Сейчас термин «искусственный интеллект» (AI) используют для обозначения компьютерных систем, способных воспринимать окружающую среду, думать, учиться и действовать в зависимости от оценки окружения и заданных целей — и эта технология уже превратились из модной экзотики в рутинные и массовые бизнес-решения, заточенные под конкретные задачи.

Согласно выводам аналитиков McKinsey, оценивших потенциал использования нейросетей глубокого обучения в 400 кейсах из разных бизнес-отраслей, в 69% случаев AI-технологии позволяли улучшить производительность по сравнению с другими аналитическими техниками. Еще в 16% случаев мог применяться исключительно искусственный интеллект, и лишь в 15% кейсов его использование не давало заметного эффекта — в том числе и по причине банальной нехватки данных. Наиболее перспективной отраслью оказалась сфера путешествий — там внедрение AI-аналитики позволяло повысить эффективность на 128%, в транспортной и логистической сфере, ретейле, автомобильной и промышленности и хай-теке прирост составлял 85–89%. По прогнозу компании, AI-технологии способны ежегодно генерировать дополнительные $3,5–5,8 трлн в 19 отраслях.

По результатам опроса, проведенного Accenture, более трети представителей из 5,4 тыс. бизнес- и ИТ-руководителей из 31 страны мира готовы активно инвестировать в основные направления AI/ML. Аналитики компании прогнозируют, что применение AI-технологий может повысить рентабельность в среднем на 38% к 2035 году и привести к экономическому росту на $14 трлн в 16 сферах бизнеса. По данным Gartner, AI-системы внедрены на сегодняшний день у 4% компаний, 21% запустили или планируют в ближайшее время запустить пилотный проект, 25% имеют средне- и долгосрочные планы. В мировом масштабе дополнительные бизнес-возможности, основанные на использовании AI, в 2018 году оцениваются компанией в $1,2 трлн, что на 70% выше показателя прошлого года, а к 2022 году эта сумма может увеличиться до $3,9 трлн.

Российские кейсы
Как компании улучшили свои бизнес-процессы
Отраслевые прорывы
В каких сферах AI-решения внедряются наиболее активно
Потенциал бизнес-изменений с использованием AI-технологий действительно огромен. По данным Accenture, в горизонте до 2035 года в 16 отраслях они способны нарастить темпы экономического роста в среднем на 1,7%. При этом наибольший рост добавленной стоимости продемонстрируют ИТ и телеком (4,8%), обрабатывающая промышленность (4,4%) и финансовые услуги (4,3%). В сфере строительства, образования, гостеприимства и отельного бизнеса такие решения повысит рентабельность деятельности больше всего, говорит Мария Григорьева. При этом развитие может идти по двум сценариям: полная трансформация бизнеса на основе AI или создание отдельных продуктов и сервисов. Оба сценария реализуют только 17% компаний, а занимаются хотя бы одним из направлений примерно 27%, отмечает эксперт.

По мнению эксперта по машинному обучению, соавтора курса Data Mining in Action Виктора Кантора (бывшего руководителя направления машинного обучения в «Яндекс.Такси»), машинное обучение будет активнее всего применяться в тех сферах, где есть много монотонной работы, выполняемой людьми, — например, в техподдержке. «Качество работы людей ощутимо падает от однотипных и скучных заданий, а алгоритмам все нипочем. Но нужно учитывать, что монотонная работа в целом стоит не очень дорого, поэтому даже если в человеко-часах экономия будет колоссальная, в деньгах это не так много», — отмечает он. Более перспективным может оказаться внедрение в тех компаниях, где процессы уже автоматизированы и накоплен значительный объем данных, — там возможно принимать решения вообще без участия людей. Например, речь может идти о многопользовательских интернет-сервисах (где AI активно используется уже давно) и промышленности.

Действительно, в промышленности уже тоже есть немало успешных примеров внедрения, говорит Владимир Молодых. «В одном проекте по предотвращению брака на промышленном производстве мы работали с 1200 параметрами, из них более 800 существенно влияли на то, уйдет итоговое изделие в брак или нет. Это химические и массовые характеристики, температура, скорость элементов производственного процесса, показания приборов и настройки станков. Причем не было такого, что 5–10 параметров влияли сильно, а остальные слабо. Понятно, что ни в одной человеческой голове увязать между собой сложно взаимозависящие 800 параметров в точную модель невозможно», — отмечает он.
Photo: Jenny Smith/Unsplash
Одна из ключевых сфер применения AI — ретейл, причем модели будут востребованы на всех этапах бизнес-процесса, включая производство, логистику, управление товародвижением от закупки до распределения товара между магазинами, продажи, коммуникацию с клиентами и платежи. В общей сложности инвестиции в AI способны принести в этой сфере до $600 млрд отдачи, говорит генеральный директор компании Nextail в Центральной и Восточной Европе Пиотр Подсядло. «Nextail применяет продвинутые методы анализа и машинного обучения для прогнозирования реального спроса. Наши алгоритмы обучаются на данных ретейлера, и благодаря этому мы учитываем такие факторы, как потребность в размерах и сезонность для каждого магазина. Также мы применяем визуальное распознавание на основе искусственного интеллекта для поиска схожих товаров и прогнозирования спроса для новых товаров», — рассказывает он.

По мнению ИТ-директора Wildberries Андрея Ревяшко, уровень внедрения искусственного интеллекта в ретейле на текущий момент незаслуженно низкий, хотя это реально работающий инструмент. «Совместно с отделом, развивающим ML/AI-технологии, в нашей информационной системе уже внедрены механизмы товарных рекомендаций, поиска товаров на сайте, распознания одежды по фотографии с целью подбора альтернативных вариантов, — рассказывает Андрей Ревяшко. — Сервис повысил конверсию более чем в два раза уже на этапе первых запусков».

AI-технологии уже кардинально трансформировали бизнес-модели банковской сферы, заинтересовавшейся этой темой одной из первых. «С помощью искусственного интеллекта можно автоматизировать большую часть core-бизнеса банка — на ключевых специалистах останется только стратегия развития, но и она будет опираться на прогнозы AI. Наибольший эффект от внедрения достигается в области работы с клиентами (сегментация клиентской базы, кредитный скоринг, предсказание оттока вкладчиков, выявление мошенничеств и др.), а также управления наличностью в кассах и банкоматах», — объясняет CEO TalkBank Михаил Попов.

Аналитика и маркетинговые исследования — еще одна перспективная «поляна» для искусственного интеллекта. На рынке растет спрос на новые типы исследований: аналитику big data, автоматизированный сбор данных, мониторинг социальных медиа, — то есть те области, где применяются машинные алгоритмы. «Сейчас уже многие компании пользуются результатами аналитики социальных медиа, где AI/ML применяется для категоризации сообщений, определения тональности упоминаний, выявления трендов. Становится хорошей практикой объединять результаты опросов с анализом социальных медиа, чтобы расширять знания о бренде, потребителе, выявлять новые тенденции на рынке», — отмечает заместитель генерального директора GfK Rus Марина Безуглова.
Photo: ?????
Хайп и реальность
Что тормозит разработки
Впрочем, на пути к внедрению AI важно не поддаться обаянию научной фантастики и хайпа. Основная проблема — недостаток знаний. По результатам опроса, проведенного MIT Sloan Management Review и BCG Henderson Institute среди более 3 тыс. первых лиц, менеджеров и аналитиков, представляющих компании из 29 отраслей и 126 стран мира, 91% респондентов уверен, что AI-технологии обеспечат новый рост бизнеса в ближайшие пять лет. При этом лишь в 18% компаний, отнесенных исследователями к группе «пионеров», действительно понимают, что такое AI, и уже внедрили его у себя, 33% «исследователей» понимают значение технологии, но не продвинулись дальше пилотных проектов, 16% «экспериментаторов» занимаются внедрением без четкого понимания, что и зачем они делают, а 34% составляют «пассивные ожидатели», не освоившие ни теории, ни практики.
5 препятствий для внедрения
Риски и проблемы технологии AI
Препятствие №1
Данные, используемые для контролируемого обучения нейросетей, приходится маркировать вручную, что делает этот процесс весьма трудоемким.
Препятствие №2
Получить достаточно большой и полный набор данных для обучения может быть трудно, информация может быть «грязной», разрозненной, храниться в разных приложениях и форматах и содержать ошибки, а низкое качество данных на входе приведет к столь же низкому качеству на выходе (принцип garbage in — garbage out).
Препятствие №3
Результаты, полученные с использованием больших сложных моделей, может быть трудно объяснить в человеческих терминах, а регуляторов часто интересует, по каким критериям было принято то или иное решение, если речь идет, например, о банковском, страховом продукте или сфере, непосредственно затрагивающей безопасность граждан, — здравоохранении, автомобиле- и авиастроении и т.д.
Препятствие №4
Трансфер результатов обучения пока слабо развит. AI-системы по-прежнему испытывают проблемы с переносом знаний, полученных в одной ситуации, в другую. Это значит, например, что если модель ориентирована на выявление конкретного вида мошенничества, она не будет реагировать на появление нового — ее придется тренировать заново.
Препятствие №5
Исходный набор данных и алгоритмы, заложенные человеком, могут быть сознательно или неосознанно искажены и предвзяты — например, алгоритм распознавания лиц, натренированный на изображениях людей со светлой кожей, не сможет эффективно работать в крупных мегаполисах с их разнородной популяцией.

Источник: McKinsey
Photo: ?????
Когда что-то пошло не так
Типичные ошибки, которые допускают компании при внедрении AI, комментируют практики рынка
Неверная постановка задачи и завышенные ожидания
Непонимание самой технологии, ее реальных возможностей и ограничений в лучшем случае грозит потерей денег, в худшем — может затормозить процесс трансформации компании. «Применительно к задачам, не связанным с анализом изображений, видео, звука и текста, пока не стоит спешить всюду применять глубокое обучение, но из-за того, что deep learning постепенно превращается в раскрученный бренд, многие компании могут предпринимать попытки использовать его повсюду вместо более классических подходов, что приведет к огромной пропасти между ожиданиями от ML и результатами и более сдержанному дальнейшему внедрению машинного обучения», — говорит Виктор Кантор. Впрочем, умный бизнес учится на своих ошибках: на смену «хайпу», беспорядочному найму сотрудников в отделы ML и ведению огромного количества проектов без оглядки на экономическую эффективность придет время более аккуратных и расчетливых инвестиций в ML, уверен он.
Точечные инициативы вместо конвейера решений
Реальный экономический эффект способна принести лишь полная трансформация бизнеса по принципу «AI как процесс». Для этого необходимо сформировать пул идей, сформулировав для каждой четкую задачу, сценарии KPI, просчитав риски и экономический эффект, приоритизировать эти идеи и выстроить их в очередь на реализацию. «Взять исторические данные, провести с ними хакатон, выложить по его итогам фотки в инстаграм, а пресс-релиз на корпоративный сайт, научились все. Довести проект до промышленной эксплуатации — уже не все. Провести комплексное изменение компании и выстроить конвейер перестройки бизнес-процессов с учетом открывшихся возможностей — единицы. А ведь конвейер — самое главное», — подчеркивает Владимир Молодых.
Неготовность закрыть неудачный пилот
Если пилотные проекты не поставлены на поток, отказаться от неудачного детища, в которое вложено много времени и сил, может быть сложно. Именно поэтому четкие критерии успешности и сроки проекта должны быть закреплены до его старта. «Мы реализуем в основном производственные проекты, которые очень сложны, поскольку скрывают в себе множество технических нюансов и противоречивых требований. Не все проекты могут оказаться успешны по причине недостаточности или низкого качества данных. Но часто также встречается ситуация, когда некорректно поставлена задача или не учтены какие-то принципиальные ограничения. В рамках пилота такие сложности должны быть выявлены как можно раньше, а работы остановлены», — говорит директор по математическому моделированию и анализу данных НЛМК Анджей Аршавский.
Photo: Jenny Smith/Unsplash
Нехватка компетенций и попытка справиться
собственными силами
Минимальный состав команды для внедрения AI-пилота — шесть человек. Это менеджер проекта, архитектор, эксперт ML, data science аналитик, бизнес-аналитик, технический писатель и инженер инфраструктуры. Если компания занимается одновременным запуском нескольких пилотов и внедрением успешных проектов, найти необходимое число квалифицированных специалистов внутри компании будет тяжело. «Необходимо сравнить затраты компании на разработку «самописного» решения (включая расходы на оборудование, время разработчиков и, что самое сложное, оценку их квалификации и денежные затраты) и стоимость покупки готового решения — лидера в своей сфере. В первом случае вы можете потратить много времени и сил и не получить качественного результата, поскольку это не является основной деятельностью компании и ресурсов на решение задачи не хватает», — отмечает Пиотр Подсядло.
Слабая коммуникация заказчика и исполнителя
При реализации проекта собственными силами недостаточно посадить участников в соседних кабинетах — нужно организовать их ежедневное взаимодействие. Но, даже пригласив специалистов со стороны, спихнуть на них всю работу не получится — придется постоянно находиться на связи и координировать процесс. «Мы сделали уже сотни проектов в логике Agile, но, как оказалось, еженедельного контакта с заказчиком для успеха катастрофически недостаточно. Практика нас научила, что data scientist и бизнес-заказчик должны общаться ежедневно, работать вместе. Это необходимо для точной настройки модели, максимально корректной интерпретации ее результатов, особенно промежуточных неудач и аномалий, где нужна экспертиза по конкретному бизнесу», — говорит Владимир Молодых.