На ближайшие три года технологические решения на базе ИИ станут одним из главных драйверов развития экономики, следует из выводов глобального исследования Accenture. Искусственный интеллект должен cтать полноценным участником выполняемой человеком работы, а не служить лишь средством автоматизации – делают вывод эксперты. Добиться этого можно, выполняя ряд правил.
6 правил возврата инвестиций в ИИ
1. Фокус на бизнес-эффект
В первую очередь, основным KPI команды, занимающейся ИИ, должен быть реальный бизнес-эффект, который приносят инициативы, дошедшие до продукционного использования. Это поможет команде и смежным специалистам сфокусироваться на действительно важных задачах и показать свою ценность для организации.
В дальнейшем могут появиться дополнительные KPI, связанные с финансовыми показателями косвенным образом (например, проекты, ориентированные на повышение лояльности сотрудников) – они дадут возможность реализовывать более широкий круг проектов.
2. Работа с бизнесом и предметными экспертами
Реализация самых лучших идей невозможна без поддержки со стороны бизнеса и тех, кто непосредственно будет пользоваться новыми инструментами. Такие сотрудники должны, с одной стороны, поверить в идею проекта, а с другой – быть полноценными участниками его реализации.
Именно они становятся «владельцами продукта», и довольно быстро смогут определить степень утопичности идеи, как с точки зрения технологий, так и со стороны потенциального бизнес-эффекта.
Следует помнить – то, что имеет хороший экономический потенциал, скорее всего, очевидно для бизнеса и сотрудников, которые глубоко погружены в процессы. Важно повышать осведомленность сотрудников о существующих технологиях, рассказывать об их возможностях и кейсах их применения.
Так повышается вероятность того, что люди на местах будут генерировать идеи использования предлагаемых технологий, которые точно принесут выгоду. Наиболее вероятный сценарий – снижение издержек на реализацию знакомых им бизнес-процессов.
3. Мотивация бизнес-команды
Отдельно нужно отметить, что владелец продукта и другие непосредственные пользователи должны быть мотивированы к достижению бизнес-эффектов за счет реализации «своих» инициатив. Только в таком случае пользователи перестают быть «стражниками» на пути к реализации и получению бизнес-эффекта.
4. Готовность к забегу на длинную дистанцию
ИИ-проекты, как и любые инновации, следует воспринимать как венчурный бизнес. Не все проекты окупятся, еще меньше принесут ощутимую пользу, но несколько проектов принесут отдачу, которая многократно покроет все расходы.
Как следствие – необходимо избегать раннего отсеивания концепций, кажущихся утопическими. Полет человека в космос тоже довольно долго выглядел классической утопией, отвергался как невозможный на уровне науки. Именно поэтому важно реализовывать концепцию фабрики с конвейером гипотез.
5. Фабрика с конвейером гипотез
«Конвейер»: многоступенчатый процесс проработки и развития гипотезы от рождения, через проверку и превращение в рабочее решение, до получения бизнес-эффекта. Причем сотрудники, которые занимаются одной гипотезой, должны сопровождать ее от начала до конца.
Для конвейера должны быть прописаны правила появления новых гипотез. Например, через корпоративную фабрику идей, или через работу с сетью стартапов и технологических партнеров.
Далее, любая гипотеза должна пройти первичную проверку – нужно убедиться, что она в принципе реализуема (как минимум, есть подтверждающие данные), и за ней стоит бизнес-кейс, в который верят не только дата-саентисты, но и будущие пользователи. Затем, после первых проверок, гипотеза должна стать проектом, который подтвердит ее в реальной жизни.
То есть, нужна не только реализация, но и фактическое тестирование гипотезы.
Финальная часть цикла – переход к стадиям вертикального и горизонтального масштабировании, когда фактический эффект может распространяться на все предприятие.
В конце каждой стадии должен происходить расчет потенциального экономического эффекта. На его основании и принимается решение о продолжении работы или возврате гипотезы на предыдущий этап.
Еще раз отмечу важность построения моделей расчета бизнес-кейса в самом начале проекта, при этом на каждом шаге эта модель актуализируется. Очевидные в начале источники эффекта для гипотезы могут оказаться бесперспективными, но по ходу реализации могут появиться новые идеи, и эффект будет достигнут за счет них.
Например, мы видели в predictive maintenance проект, где изначальные ожидания выгоды за счет снижения простоев трансформировались в фактический эффект через повышение качества планирования выпуска.
6. Подводные камни, риски и препятствия
Краеугольный (он же – подводный) камень любого ИИ-проекта – данные. Прежде чем, хоть что-то может стать понятно о реализуемости/экономической эффективности гипотезы, нужно тщательно изучить данные.
Чаще всего данных не будет совсем, или их объем будет ограничен, как с точки зрения глубины хранения, так и со стороны дискретности, с большим количеством пропусков и общим низким уровнем качества. И с этим придется работать – придумывать, как строить модели, оперирующие с неполными данными, как оптимально интерпретировать некачественные, и как их экстраполировать, чтобы заполнить пропуски.
Еще один риск – готовность бизнес-заказчика менять свои бизнес-процессы для использования нового ИИ-инструментария.
Ограничения могут быть как с формальной – юридической точки зрения, так и с неформальной. Со своей стороны, важно быть готовым потратить много усилий на объяснение результатов, почему стоить верить именно им, а не своему опыту предыдущей работы.
Возвращаясь к данным, нужно помнить, что больше всего времени уходит на сбор и изучение адекватного массива данных (data set). Примерно 80% времени реализации ИИ-инициатив занимает эта работа. Нужно объяснять бизнес-заказчику почему важно собрать качественный датасет, и почему столько времени уходит на его создание.
Из-за общей перегретости рынка ИИ формируются завышенные ожидания, согласно которым можно творить магию на основании выгрузки в Excel.
Полезный ИИ – это реально
Для иллюстрации перспектив описанного подхода приведу несколько примеров, иллюстрирующих бизнес-пользу ИИ.
Например, создание ИИ-моделей для оптимизации процессов управления работы с задолженностью клиентов крупного банка. В течение нескольких месяцев были разработаны несколько моделей, использование которых приносило практический эффект с первого же дня их внедрения в бизнес-процессы.
Выгоды даже в краткосрочной перспективе быстро перекрыли инвестиции в разработку. Эффективное управление возвратом задолженностей существенно улучшает маржинальность бизнес-модели кредитных учреждений.
Такой же быстрый эффект можно получить от использования моделей predictive maintenance (прогнозное техобслуживание) для сложного и дорогого промышленного оборудования. Корректное предсказание и последующее предотвращение 1-2 поломок в масштабах крупного предприятия легко окупают даже самый сложный ИИ-проект.
В качестве примера можно также привести решения на основе ИИ в области автоматического мониторинга соблюдения ТБ на стройке и на производственных объектах, автоматическое обнаружение различных утечек промышленных жидкостей с использованием компьютерного зрения.
Еще один пример – применение машинного обучения для прогнозирования продаж ретейл-сети по итогам промоакций.
Низкая точность прогнозирования продаж приводила либо к перезатариванию складов, либо к упущенным продажам из-за недостатка необходимых товаров в практике X5 Retail Group. Использование статистических и МО-моделей прогнозирования существенно снизили недопродажи. Инвестиции в улучшение точности прогнозирования окупаются за счет всего одной промоакции, спланированной с использованием ИИ-решения.
Или использование ИИ для разведки в нефтегазовой отрасли. Бурить скважины и проводить исследование месторождения, даже перспективного – очень дорого.
ИИ-модель помогает максимизировать прибыль от месторождения за счет определения оптимальных локаций для исследования и расчета будущей прибыли через оценку показателей ROI (Return of investment, возвратность инвестиций) и VOI (value of information, ценность информации).
Через ИИ – к новым рынкам
Одна из важнейших особенностей ИИ сегодня – способность обеспечивать принципиально новые подходы к старым отраслевым проблемам. На этом можно успешно строить прорывные бизнес-модели, формировать целые рынки, не существовавшие ранее.
Но это огромное преимущество ИИ требует качественной помощи от человека, чтобы действительно «взлететь». Для такого сотрудничества между человеком и машиной необходимо заменить модель взаимодействия «выполнение команд» на интерактивный и адаптируемый диалог.
Все необходимые технические средства для этого сегодня есть.
Читайте также: