Искусственный интеллект на службе у бизнеса
Изображение: ShutterstockAI
На фоне стремительного развития технологий искусственный интеллект (ИИ) становится неотъемлемой частью бизнес-ландшафта. Российские компании активно внедряют ИИ-решения для повышения своей эффективности и конкурентоспособности. Бизнес может использовать ИИ в различных аспектах своей деятельности для повышения эффективности, снижения затрат и улучшения качества услуг. ИИ-решения уже хорошо зарекомендовали себя не только в таких сферах, как автоматизация рутинных задач (сортировка документов, чат-боты), анализ данных и принятие решений (предиктивная аналитика, обработка и анализ больших данных), реклама и маркетинг (персонализация предложений для клиентов и целевая рекламная кампания), но и во многих других областях. Одним словом, технологии и решения на базе ИИ предоставляют человеку инструменты автоматизации, которые сложно было даже вообразить еще 5–10 лет назад. В этом обзоре мы рассмотрим мнения экспертов о том, какие области ИИ приносят наибольшую прибыль и экономию российским компаниям, а также какие методы и алгоритмы машинного обучения считаются самыми перспективными.
Основные области ИИ, приносящие доход и прибыль
По мнению Александра Лошкарева, коммерческого директора компании Neuro.net, наиболее популярными решениями на базе ИИ, которые с каждым годом все более интенсивно внедряются, становятся чат-боты. Сегодня, как напоминает эксперт, чат-боты встречаются на большинстве сайтов. В их задачи входит не только поиск информации и получение справок, но и автоматизация и оптимизация бизнес-процессов в целом. «Наряду с чат-ботами востребованы и голосовые роботы на базе ИИ. Они широко применяются телеком-операторами с миллионными базами клиентов. Голосовые роботы помогают решать задачи по снижению нагрузки на кол-центр и автоматизируют как коммуникацию с клиентами, так и бизнес-процессы в принципе. Дело в том, что внедрение таких технологий позволяет сократить расходы до 3–4 раз», — добавляет Александр.
Никита Целобанов, руководитель проектного офиса компании VibeLab, считает, что ИИ особенно активно используется в финансах и ретейле. «В банках ИИ помогает анализировать риски и бороться с мошенничеством, что экономит значительные суммы. В ретейле ИИ применяется для персонализированных рекомендаций и управления запасами», — отмечает он. Также эксперт добавляет, что в медицине ИИ помогает с диагностикой и предсказательной аналитикой, а на производстве — с оптимизацией процессов и предсказанием поломок оборудования.
Виталий Чесноков, генеральный директор компании QSOFT, выделяет три основные области применения ИИ: обработка текста, чат-боты и анализ данных. «В обработке текста ИИ используется для автоматизации рутинных задач, таких как сортировка и анализ документов, перевод текстов и распознавание речи. Чат-боты, внедренные в службах поддержки клиентов, значительно сокращают затраты на обслуживание и улучшают качество взаимодействия с клиентами», — говорит он. Эксперт отмечает, что анализ больших объемов данных позволяет компаниям лучше понимать поведение клиентов и принимать обоснованные решения, что ведет к экономии и увеличению прибыли.
Как полагает Александр Крушинский, директор департамента голосовых цифровых технологий компании BSS, среди систем обработки естественного языка наиболее распространенными с точки зрения реальной эксплуатации и понятной экономической эффективности являются голосовые ассистенты и текстовые боты, предназначенные для автоматизации клиентского обслуживания в контакт-центрах, а также системы речевой аналитики, направленные на улучшение качества обслуживания и выявление потребностей клиентов в точках прямого контакта. «Это те области, которые уже вышли на «плато продуктивности» и приносят реальную пользу и экономию компаниям, а следовательно, их клиентам. Не таким зрелым, но крайне перспективным направлением являются генеративные ИИ, примером которых служит ChatGPT. Генеративные нейросети могут не только распознавать речь, но и генерировать уникальный контент, и рамки их применения значительно шире, чем автоматизация обслуживания в контакт-центрах», — объясняет он.
Перспективные методы и алгоритмы
Машинное обучение (ML) является сердцем многих ИИ-решений, и выбор методов и алгоритмов играет ключевую роль в их эффективности. Какие методы и алгоритмы машинного обучения считаются наиболее перспективными на сегодняшний день? Илья Иванов, коммерческий директор компании «Наносемантика», подчеркивает важность развития методов автоматизации текстовых задач. «По большому счету, любая офисная деятельность представляет собой различные формы потребления и генерации текста. Продавец изучает запросы клиентов и готовит коммерческие предложения, программист читает техническое задание и пишет код программы, руководитель изучает отчеты и выдает распоряжения. Все это — задачи, где и входом, и выходом является текст, и теоретически такие задачи могут быть автоматизированы», — отмечает он. Наш собеседник считает, что в ближайшие 5–10 лет многие текстовые задачи будут автоматизированы с помощью ИИ.
Игорь Лопатин, руководитель центра компетенций RnD блока информационных технологий компании МТС, напоминает о том, что львиную долю внимания со стороны компаний сегодня получают новые большие языковые модели, реализующие алгоритмы генеративного искусственного интеллекта. Эта область, по его словам, развивается настолько стремительно, что мы видим новейшие разработки и научные публикации буквально каждую неделю, возникает множество стартапов, использующих технологию для своих проектов. На следующем уровне детализации, по мнению эксперта, — повышенный интерес к разработке агентов на базе больших языковых моделей, мультиагентных систем и мультимодальных моделей, способных принимать и генерировать различные типы информации — текст, звук, картинки/видео.
«Трансформеры. Это модели, на основе которых построены все алгоритмы, в том числе транскрибация голоса. Трансформеры — это языковые модели, обучаемые в режиме самообучения на больших объемах данных в виде необработанного текста. Такие модели сейчас не самые быстрые, но самые качественные по метрикам качества сети, — дополняет коллег Илья Тихонов, владелец продукта Polymatyca ML, компании SL Soft. — Поэтому, скорее всего, они сохранят свою лидирующую позицию. Просто потому, что если есть больше данных, то качество будет продолжать расти. Здесь работает эффект масштаба. Там есть статья 2022 года, которая показывает, что с погрешностью в 2% наиболее существенным приростом в качестве является именно увеличение выборки. Чаще всего самые крупные модели получаются в результате очень-очень большой выборки, хорошо качественно размечены».
Создаем ИИ безопасные условия
Обеспечение безопасности и этичности при разработке и внедрении систем искусственного интеллекта — многогранная задача, при решении которой необходимо учитывать несколько аспектов. Александр Лошкарев (Neuro.net) говорит о том, что самый защищенный формат размещения ПО, отвечающий всем требования информационной безопасности — On-Premise. «Такая архитектура решения позволяет не только соответствовать закону о связи, но и полностью регулировать обработку персональных данных. Тем самым работа ПО вендора находится в рамках защищенного контура, а именно в закрытом периметре инфраструктуры заказчика. Сегодня подобные требования встречаются все чаще, так же как и наличие сертифицированной лицензии на ПО, зарегистрированной в Росреестре», — добавляет он.
Илья Иванов («Наносемантика») дает несколько рекомендаций. Прежде всего, он советует сделать контурные решения на внутренние серверы приоритетнее облачных API-соединений. В таком случае каждая отдельная система с нейросетью имеет закрытый контур и безопасность данных. Вторая рекомендация эксперта состоит в том, чтобы исключить применение нейросетей в сферах, несущих риск для жизни (например, управление самолетом, графиком поездов, автотранспортом) до полного стресс-тестирования алгоритмов на протяжении длительного времени в одной испытуемой зоне.
«Правила этичности могут быть заложены (и закладываются) на этапе обучения ИИ, но, конечно же, это не дает гарантий, что ИИ не будет использоваться в неэтичных или преступных целях. Пока ИИ не стал самостоятельным актором, а является инструментом в руках человека — его безопасность контролируется и обеспечивается ответственностью тех, кто его использует. А как обеспечить безопасность «общего ИИ», который еще только предстоит создать и который (возможно) будет превосходить нас в интеллекте... такого рецепта пока нет ни у кого», — говорит Александр Крушинский (BSS).
Окупаемость затрат на ИИ
Бизнес привык и любит считать деньги. Поэтому вопрос об окупаемости инвестиций в ИИ-решения отнюдь не праздный. Илья Тихонов (SL Soft) отмечает, что расчет затрат на разработку и внедрение систем ИИ зависит от сферы применения. Он подчеркивает, что для классических моделей экономика включает расходы на сбор и хранение данных, обучение моделей, их внедрение в производство и систему интеграции, а также зарплаты специалистов, таких как дата-сайентисты, дата-инженеры и MLOps-инженеры. Эти этапы, по его словам, более-менее понятны и автоматизированы. Однако если речь идет о разработке кастомной рекомендательной системы, процесс будет длительным, требующим большего количества специалистов для написания кода и проверки ошибок. В таких системах, по словам эксперта, нужен специалист, работающий с производством в реальном времени. В случае NLP нужен специалист, который занимается ускорением моделей для их более быстрого разворачивания и квантизации.
Никита Уанс, основатель компании Xenia AI, объясняет, что каждая сфера имеет свои метрики, на которые они ориентируются. В качестве примера он привел компанию, обычно закрывающую вакансию за 3–4 недели и тратящую на это около 30 тысяч рублей. После внедрения их системы эта же компания стала закрывать вакансии за 3–5 дней, снижая затраты до 10 тысяч рублей. Дальнейшие расчеты становятся довольно простыми. Эксперт также считает, что для оценки эффективности системы всегда можно воспользоваться пробной версией или провести пилотный проект, измерить результаты и на основе этого принимать решение.
Виталий Чесноков (QSOFT), полагает, что ROI от ИИ-инициатив можно определить, сначала рассчитав все затраты на внедрение и эксплуатацию ИИ, а затем оценив выгоды и экономию от его использования. Например, если ИИ помогает сократить затраты на обслуживание клиентов или улучшить производительность, это можно перевести в денежные показатели. Затем делением выгод на затраты и умножением на 100% получается процент рентабельности. Однако он отмечает, что этот процесс сопряжен с высокими рисками. Не всегда удается настроить идеальную модель ИИ, чтобы полностью удовлетворить потребности бизнеса. Вот почему важно инвестировать в данную область и не жалеть об подобных инвестициях. В российских реалиях это особенно сложно, поскольку многие хотят с минимальными рисками получить огромную прибыль. Но, к сожалению, рынок так не работает.
Работа с учетом рисков
От сбоев и ошибок не застраховано ни одно ИТ-решение, и ИИ здесь не исключение, тем более что эта технология еще очень молодая. Однако рисками, связанными с ошибками ИИ-систем, можно и нужно уметь управлять. Илья Иванов («Наносемантика»), объясняет, что риск может возникнуть, если происходит расхождение между ожиданием и результатом от внедрения ИИ. Поэтому он подчеркивает важность предварительной работы с данными, полученными от клиента, а также правильного выбора инструментов и технологий ИИ.
«Как оценивать риски связанные со сбоем любого ПО или человеческой ошибкой? ML-модели в целом предсказуемы, генеративки в большей степени представляют собой черный ящик. Принимаем эту данность и тестируем, меняем промпты, дообучаем, еще раз тестируем, и так по кругу, пока не получаем устойчиво верный результат», — комментирует Никита Уанс (Xenia AI).
В свою очередь Никита Целобанов (VibeLab), уверен, что для оценки и управления рисками важно регулярно тестировать и проверять модели. «Создавайте резервные копии и системы восстановления, чтобы минимизировать последствия сбоев. Также разработайте планы на случай непредвиденных ситуаций, чтобы быстро реагировать на ошибки и минимизировать их влияние», — рекомендует он.
Александр Крушинский (BSS) поясняет, что качество нейросети всегда выражается в процентном соотношении и никогда не достигает абсолютных 100%. Обычно процесс оценки качества, по его словам, выглядит так: сначала определяется уровень ошибок, допускаемых человеком, и на основе этого устанавливается целевой допустимый процент ошибок для нейросети в аналогичной задаче. Для оценки качества ИИ подготавливаются тестовые наборы данных или ИИ запускается в режиме ограниченной эксплуатации под наблюдением человека. Если на конкретной задаче качество ИИ превосходит работу человека (или немного уступает, но последствия ошибок незначительны), процесс можно полностью автоматизировать, убрав из него человека. Если же качество ИИ недостаточно, то он, считает эксперт, может работать в режиме ассистента человека или дообучаться на новых данных для достижения целевых показателей.
Защита данных ИИ
Данные, используемые и создаваемые ИИ-системами, тоже нуждаются в защите. Как найти баланс между использованием больших данных и защитой конфиденциальности пользователей? Илья Тихонов (SL Soft) говорит о том, что нужно применять обфускацию данных — она представляет собой приведение исходного текста или исполняемого кода программы к такому виду, который сохраняет ее функциональность, но затрудняет анализ, понимание алгоритмов работы и модификацию при декомпиляции. При утечке потенциальной базы данных этот метод помогает предотвратить ее расшифровку, но при этом языковые модели все равно могут использовать закономерности, заложенные в подобных базах. Он упоминает, что существует категориальный признак, представленный в виде целочисленного значения, где это число является уникальной категорией, и только компания знает, как такую категорию обратно расшифровать. Например, при использовании технологии обработки естественного языка, когда модель обучается на авторских статьях, возникает проблема авторского права, и даже случаются судебные иски с требованием удалить модель.
«Защита данных начинается с внедрения передовых методов шифрования и использования надежных протоколов безопасности. Мы также применяем анонимизацию данных, чтобы минимизировать риски утечки конфиденциальной информации. Баланс между использованием больших данных и защитой конфиденциальности достигается соблюдением нормативных требований, направленных на защиту данных, разработкой строгих внутренних политик и использованием технологий дифференциальной приватности. Важно проводить регулярные аудиты безопасности и обеспечивать прозрачность в обработке данных», — резюмирует Виталий Чесноков (QSOFT).
Искусственный интеллект продолжает трансформировать бизнес-среду, предлагая заказчикам новые возможности для автоматизации и оптимизации процессов. Эксперты сходятся во мнении, что ИИ приносит значительные экономические выгоды. Внедрение ИИ-решений позволяет компаниям повышать эффективность, снижать издержки и улучшать качество обслуживания клиентов, что в конечном итоге ведет к увеличению прибыли и конкурентоспособности на рынке.
Опубликовано 05.06.2024