Четыре этапа внедрения ИИ

Использование искусственного интеллекта во многих отраслях давно стало условием конкурентоспособности бизнеса. В ежегодном отчете Gartner Hype Cycle ускоренная автоматизация на базе ИИ названа одним из главных трендов 2022 года. В России, по данным проведенного TAdviser опроса, на конец 2020 года более 85% крупных организаций уже реализовали или пилотировали ИИ-инициативы. При этом небольших или средних компаний с высокой степенью проникновения технологий искусственного интеллекта в стране пока немного. Пытаясь догнать пионеров, эти организации первым делом стараются определить свой уровень ИИ-зрелости. Для этого они отслеживают динамику автоматизации ключевых процессов, изменения в культуре, в обязанностях сотрудников, в структуре их взаимодействия. Однако оценка проникновения ИИ в процессы компании компании — задача комплексная. Помочь руководителям справиться с ней может гайд, представленный в этой статье. Он покажет, какие изменения происходят на каждой стадии ИИ-трансформации, чем характеризуются разные этапы внедрения искусственного интеллекта в жизнь организации, какие проблемы на них возникают, как с ними справляться и эффективнее планировать следующий этап.

Уровень проникновения ИИ — менее 10%

Ключевые признаки

● Несистемный интерес к машинному обучению (ML) со стороны отдельных энтузиастов.

● Отсутствие инфраструктуры для ML-решений.

● Экспертиза по ML внутри компании отсутствует или минимальна.

«Дегустацию» возможностей ИИ организации чаще всего начинают по инициативе отдельных энтузиастов. Как показывает практика, обучить простую модель с помощью систем AutoML может и банковский менеджер, и врач. Они никогда этому не учились, но стремятся усовершенствовать свою деятельность с помощью новых инструментов.

Такое состояние не может длиться долго, поэтому в определенный момент у компании появляется интерес к машинному обучению и бюджет на первые ML-проекты. Вероятность успеха таких проектов повышается, если автоматизация начинается с наиболее популярных и понятных процессов: в подобных случаях даже небольшие изменения могут принести прибыль. К примеру, при внедрении чат-бота для автоматизации колл-центров или обслуживания клиентов по типовым вопросам скорость и количество ответов увеличиваются за короткий срок. Стоит учитывать, что к технической реализации таких проектов лучше привлекать подрядчиков — людей с опытом промышленного внедрения ИИ.

Запуск экспериментов с ИИ зачастую приводит к первым изменениям в обязанностях сотрудников. Например, команда службы поддержки или колл-центра частично берет на себя задачи, связанные с ML, — скажем, обновление и расширение сценариев для чат-ботов. Из операторов колл-центров люди превращаются в своего рода координаторов первых ML-процессов компании.

Как преодолеть сложности и перейти на следующий этап

Фокусируясь на ключевых процессах, внедрение ИИ в которые может принести относительно быстрый эффект, следует доводить эксперименты до конца. Важно также сломить сопротивление сотрудников, которые чувствуют угрозу и боятся, что их сократят. Это, как следует из данных глобального опроса пользователей MLOps, проведенного компанией DataRobot, одна из распространенных проблем при внедрении технологий машинного обучения. Преодолеть ее можно с помощью регулярного повышения квалификации и работы с ожиданиями. Люди должны понимать, что благодаря происходящим изменениям они приобретают новые компетенции и повышают свою ценность на рынке труда.

Уровень проникновения ИИ — 10—25%

Ключевые признаки

● Масштабирование ML-решений, которые ранее показали свою эффективность.

● Формирование внутренней экспертизы по ML.

● Использование руководителями BI-аналитики и визуальных дашбордов для оценки эффективности; фокусировка на данных.

Получив значимые результаты первых проектов, организация стремится применить ИИ и в других бизнес-процессах. На этом этапе, однако, внедрение ИИ зачастую подрывает привычные паттерны работы компании или конфликтует с ними. Например, обычно главный KPI для менеджеров — time-to-market, поэтому при разработке новых решений организация не вкладывается в управление данными и их структурирование. Такой несистемный подход приводит к сложностям внедрения ИИ в новые процессы.

Когда ML-процессов становится больше, компания начинает нанимать специалистов по работе с данными. При этом внедрение ML в разных департаментах идет несогласованно. Конкурируя между собой, они берут разных ML-специалистов, пытаясь «более успешно» внедрить ИИ и обойти коллег по показателям эффективности.