Искусственный интеллект: «второй пилот» для бизнеса

Компаниям бывает сложно сформулировать, какой результат они ожидают получить от развития и использования нейросетей. Понять, как скоро такая работа окупится и окупится ли вообще.

Так ли полезен искусственный интеллект на практике? И, если да, то кому и при каких сценариях? Проверили на личном опыте и делимся инсайтами по результатам развития ML-моделей с вами.

В NLABTEAM мы более 20 лет обучаем нейросети: помогаем крупному бизнесу видеть наперёд изменения критически важных данных, принимать на их основе взвешенные решения — и повышать конкурентоспособность.

В статье подробно разбираем:

Полетели!

Задачи, которые решает ИИ, можно разделить на три большие категории:

Остановимся подробнее на каждой из этих категорий.

Как это работает. Искусственный интеллект использует алгоритмы, которые позволяют компьютерам обрабатывать большие объёмы данных и находить в них взаимосвязи, скрытые паттерны, тенденции. Анализируя эти закономерности с высокой скоростью он может делать выводы, генерировать гипотезы с повышенной точностью и предсказывать события.

ИИ может быть использован для прогнозирования спроса, рыночных тенденций, финансовых показателей и других важных параметров. Это помогает руководителям принимать более обоснованные решения и видеть эффект, выраженный в финансах.

Обучение прогнозных ML-моделей — одно из ключевых направлений нашей компании. Сейчас параллельно работаем над тремя проектами по предиктивной аналитике данных на основе ML и скоро будем готовы взять новый: обучим «второго пилота» для управления вашим бизнесом.

ИИ может выступать в роли «суррогата», симулируя данные в областях с их ограниченной доступностью. Например, технологию используют для моделирования сложных технологических процессов или производственных объектов для прогнозирования их работы в различных сценарных условиях.

Пример. В 2022 году в Сеченовском университете разработали «цифровой двойник» человеческого сердца, который в режиме реального времени показывает, что случится с уровнем кровяного давления при возникновении того или иного изменения в состоянии организма.

Как это работает. Искусственный интеллект может быть использован для автоматизации рутинных и повторяющихся задач, управления данными, процессов мониторинга и контроля, а также:

Пример. ИИ используется при создании чат-ботов, которые общаются с клиентами или помогают сотрудникам в поиске информации. Из последних новостей – в марте Павел Дуров анонсировал масштабное обновление своего продукта и появление чат-ботов для бизнес-аккаунтов в Telegram.

Ожидается, что к 2026 году 50% ключевых бизнес-процессов будут автоматизированы. Это позволит сотрудникам сосредоточиться на новых приоритетах, увеличить производительность и качество работы, снизить вероятность ошибок.

Незаменимой автоматизация с ИИ становится в таких сферах, как медицина, финансы, добыча полезных ископаемых, где объёмы исследуемой информации исчисляются терабайтами, а точность выводов и прогнозов критически важна.

Как это работает. Нейросети способны создавать контент, порой, неотличимый от того, что создаётся людьми. Это могут быть несложный текст, красочные изображения, видео, музыка, программный код и многое другое.

Одними из самых известных моделей генеративного ИИ для текстовых креативов являются:

Для создания изображений часто используются:

Пример. В Москве произошло событие, когда Midjourney победил в битве с реальной художницей. По условиям конкурса, в течение часа соперники должны были нарисовать картину — портрет девушки, максимально похожей на живую модель. Нейросеть, которой управлял эксперт, справилась всего за 10 минут и собрала в свою пользу большинство голосов.

Конечно, без грамотно составленного промпта — подробного текстового запроса от специалиста к ИИ — ни одна нейросеть не справится с подобным заданием. А после части, которую выполнит ИИ, потребуется работа специалиста, который доведёт результат до нужного уровня качества. Поэтому сильным представителям творческих профессий не стоит беспокоиться и воспринимать нейросети как угрозу своей ценности и востребованности.

В более повседневных бизнес-задачах генеративный ИИ полезен специалистам разных уровней. Например, можно частично автоматизировать работу по созданию презентаций: интеллектуальные системы анализируют данные, генерируют графики и диаграммы, подбирают картинки, составляют тексты. Это позволяет сократить время, затрачиваемое на такую работу, и получить качественный результат.

Прорыв в развитии искусственного интеллекта в мире произошёл в 80—90-е годы, его связывают с появлением первых роботов-консультантов, выполняющих некоторые функции человека.

В то же время ИИ стал инструментом для решения задач глобального масштаба — среди них предотвращение аварий и инцидентов на промышленных предприятиях, противодействия природным катаклизмам.

В Китае внедрили ИИ на железных дорогах, и с тех пор не произошло ни одного серьёзного инцидента. Технология контролирует 45 000 км ж/д путей с помощью датчиков, установленных на колёсных парах, на вагонах, чтобы учитывать вибрации, ускорение и амплитуду. Объём собираемых для анализа данных достигает 200 Тбайт. Человек и сколь угодно большой коллектив не смог бы оперативно обрабатывать такой объём информации.

Быстрыми темпами растёт интерес к технологии со стороны отечественного бизнеса — крупнейшие компании позитивно оценивают практическую пользу от внедрения ИИ и экономят миллиарды.

Например, финансовый эффект от внедрения ИИ-инструментов в Сбербанке только за три года — с 2020-го по 2022-й — составил 560 млрд руб. По итогам 2023 года ожидается эффект более 350 млрд руб. Основной рост доходов банка ИИ обеспечивает в риск-менеджменте и в персонализации предложений для клиентов.

ИИ всё глубже проникает в такие сферы, как производство и продажи, медицина, сельское хозяйство, безопасность, транспорт, образование, и другие значимые отрасли. Так, в прошлом году более 30% компаний во всем мире использовали ИИ в своей работе.

Основные эффекты, которые сегодня ожидаются от внедрения ИИ в нашей стране — это сокращение расходов, снижение потребности в ручном труде и оптимизации использования ресурсов. Рассмотрим, как это выглядит на практике в разрезе отраслевых решений.

Ретейл — одна из самых гибких отраслей. Торговые сети первыми реагируют на изменения и быстро подстраиваются под них, в первую очередь за счёт применения цифровых технологий. Искусственный интеллект не стал исключением. Согласно последним исследованиям, сфера розничной торговли — один из лидеров по использованию ИИ в России.

ИИ в ретейле может применяться в следующих областях:

Самые продвинутые технологии тестируют у себя маркетплейсы. Интернет-сервис Авито использует искусственный интеллект на каждом этапе работы с массивами объявлений, от начала регистрации пользователя до совершения покупок. Технология тщательно следит за безопасностью и конфиденциальностью сделок. Представители Авито утверждают, что без внедрения ИИ сервису потребовалось бы нанять дополнительных 100 тысяч модераторов, что не позволило бы получить запланированную прибыль.

По оценкам рынка, искусственный интеллект может увеличить выручку финансовых услуг на 34% и на 50% сократить затраты на ФОТ линейных сотрудников. Такие впечатляющие бизнес-эффекты привлекают рынок финтех, который лучше всех «умеет считать».

ИИ в финансовых организациях может применяться в следующих областях:

Инвестиции в проекты по внедрению ИИ в финтех в России ежегодно растут. Лидеры рынка инвестировали в решения на базе искусственного интеллекта около 600 млрд рублей за последние 10 лет. При это рентабельность инвестиций достигает до 240 млрд рублей в год.

Производственные предприятия — более консервативные, нежели торговые компании или финтех, они осторожнее и взвешенно относятся к инвестициям в «цифру». Крупные компании в первую очередь смотрят на предсказуемость результатов: какие бизнес-эффекты принесёт то или иное внедрение, и как скоро это произойдёт.

Тем не менее, объёмы данных в компаниях уровня Enterprise растут в геометрической прогрессии, и их ручная или полуавтоматическая обработка становится фактором, тормозящим бизнес. Поэтому всё больше производственников смотрят в сторону ИИ, подбирая подходящий сценарий применения технологии под свои бизнес-процессы.

По разным оценкам, объём рынка промышленных решений на базе ИИ будет увеличиваться в среднем на 31–35% в год, что говорит о высоком потенциале применения технологии в отрасли.

Например, автоматизация задач по мониторингу оборудования позволяет избежать затрат на избыточное обслуживание оборудования и предотвратить незапланированные остановки, а создание цифровых моделей производственных объектов или технологических процессов сокращают ресурсы на проведение исследований и испытаний.

Компании из производственной сферы применяют ИИ для следующих целей:

Технологии ИИ могут быть использованы в рамках различных бизнес-процессов: закупка сырья, производство, логистика, продажи, маркетинг, управление качеством, планирование и т. д.

В условиях стратегии по импортозамещению ИТ фокус рынка сместился на ИИ-решения российского производства. Сегодня представлено достаточное количество зрелых и надёжных решений, которые могут закрывать потребность производственных предприятий, и объём разработок только растёт.

Цифровые инструменты значительно увеличивают эффективность разработок и исследований. Так, научные исследования могут занимать годы, а технологии сводят эту работу всего к нескольким неделям или месяцам.

ИИ в сфере медицины и разработок применяется для:

Медицина и фармакология очень чувствительны к точности данных, и искусственный интеллект выводит эти отрасли на качественно новый уровень.

Например, компания NLABTEAM внедрила ИИ в практику отделения эндоскопии в одной из региональных онкологических клиник. Мы обучили нейросеть, и теперь она подсказывает врачу, дошёл ли он до купола слепой кишки во время исследования, т. е. исследовал ли кишечник в полной мере.

Благодаря нашей совместной с врачами ГБУЗ ЯО «Клиническая онкологическая больница» работе, решение, превосходящее все существующие аналоги в мире, скоро станет доступно для российских пациентов и позволит обнаруживать новообразования в более чем 2 раза чаще.

Разработка ПО на основе искусственного интеллекта — длительный процесс. Для того чтобы внедрение ИИ в бизнес прошло эффективно и в рамках бюджета, нужно пошагово пройти следующие этапы:

Начните с оценки потребностей бизнеса и определения областей, где искусственный интеллект может принести наибольшую пользу. Зафиксируйте процессы, которые могут быть автоматизированы или оптимизированы с помощью ИИ.

Исследуйте рынок и выберите технологии и решения искусственного интеллекта, которые наилучшим образом подходят для задач вашего бизнеса. Обратите внимание на функциональность, стоимость и возможности интеграции.

Очистите и подготовьте свои данные для обучения моделей искусственного интеллекта. Уделите должное внимание качеству данных, так как точность моделей зависит от качества входных данных.

Это важнейший шаг. При неправильном выборе ML-разработчиков компания рискует потерять деньги и время: ведь каждому последующему подрядчику придётся заново погружаться в бизнес-процессы компании, а иногда создавать решение с нуля.

Мы в NLABTEAM с 1995 года создаём и развиваем модели машинного обучения. Наши эксперты реализовали более 50 проектов, в том числе по внедрению ИИ для бизнеса из разных отраслей.

Насмотренность и опыт нашей команды позволяют учитывать все нюансы в ходе проекта. Мы понимаем, что нужно не просто внедрить новую систему в ИТ-инфраструктуру, но и предварительно перестроить бизнес-процессы. Необходимо обучить и убедить линейных сотрудников в целесообразности интеграции ИИ в их функционал. В противном случае либо использование технологии не оправдает вложений, либо до внедрения вообще не дойдёт.

Это самый сложный и дорогостоящий процесс в проекте — нужно грамотно обучить модель для выполнения одной конкретной задачи.

Важно, чтобы разработчик мог взять на себя полный цикл работы с ML-моделями: разработку, обучение, внедрение, сопровождение и развитие. Только лишь одного обучения недостаточно, хоть это и самый значимый этап ML-проекта.

Тестирование ML-модели — это итерационный процесс, который выстраивает и обеспечивает подрядчик. При необходимости подключает клиента, регулярно показывая результаты.

После того как ML-модель показала эффективность в реальной среде, мы масштабируем проект.

После успешного развёртывания в своей среде используйте свою новую нейросеть в широком масштабе. Следите за результатами, оптимизируйте алгоритмы и продолжайте обучать модели для улучшения их эффективности и соответствия целям бизнеса.