No-code для всех: как использовать данные и ИИ без
армии разработчиков

Технологии часто развиваются по одной и той же схеме. Сначала ее использует небольшая группа ученых, затем к ним присоединяются инженеры, способные разобраться в технических сложностях и терминах, и наконец она становится настолько удобной для пользователя, что ей может пользоваться кто угодно.

Сейчас к этому последнему этапу подходит технология разработки ПО. Когда-то сложные текстовые команды DOS сменились удобными окнами Windows и Mac OS, а теперь на смену языкам программирования приходят новые no-code-платформы с простым интерфейсом. Их влияние может оказаться огромным. Раньше, чтобы создать приложение, нужно было нанимать команду разработчиков, а теперь любой человек с браузером может сам воплотить свою идею в жизнь. Иными словами, мощные технологии, которые раньше были доступны только крупным и обеспеченным компаниям, теперь могут себе позволить и фирмы меньшего размера.

Но еще важнее, что no-code-платформы позволяют внедрить искусственный интеллект, одну из самых революционных технологий этого поколения, не нанимая армию разработчиков и специалистов по данным с огромными зарплатами. Небольшие компании, у которых тоже может быть огромное количество данных, смогут использовать все преимущества ИИ — например, разработать новый клиентский опыт (как автономный автомобиль Tesla), увеличить выручку (как P&G, начавшая рассчитывать рекламные расходы на основе ИИ) или максимизировать эффективность (как цепь поставок Walmart).

Но малому бизнесу сложно даже понять, как и где можно внедрить эту новую технологию. Крупные компании уже разобрались, зачем им нужны данные. Однако они начинали с небольших задач, а не с гигантских мегапроектов — и малому бизнесу стоит поступать так же. Вот что следует учитывать.

1. Работайте с уже имеющимися данными. Из них часто можно извлечь больше пользы, чем кажется.

2. Выбирайте важные задачи, оптимизация которых приведет к росту.

3. Начните с того, что уже получилось у многих других — например, оптимизируйте воронку продаж или снизьте отток клиентов, чтобы ваша команда научилась применять ИИ к широкому набору случаев.

4. Если какой-то ИИ-проект не дает вам 10-кратной окупаемости, не стесняйтесь от него отказаться: хороших приложений хватает.

No-code-разработка помогает сотрудникам изобретать креативные способы использовать данные, чтобы улучшить или оптимизировать свою работу, а следовательно, и бизнес компании в целом.

Например, рассмотрим умную оценку лидов. Продажники собирают лиды из множества источников в интернете, из холодных звонков, онлайн-форм или визиток, которые люди оставляют на стенде компании на выставке. Но когда лидов становится несколько тысяч, приходится выбирать, с какими из них стоит работать дальше. Простая no-code-модель классификации может обнаружить паттерны в поведении пользователей, демографии или фирмографии, а затем отсортировать лиды по вероятности продаж. Многие крупные компании используют для таких задач ИИ.

Пользователь no-code-платформы может перетащить данные о продажах из электронной таблицы в окно программы, выбрать несколько опций в выпадающем меню и нажать на пару кнопок — и платформа сама построит модель и составит новые таблицы, лиды в которых будут сразу отсортированы от самых горячих к самым холодным. Так продажники смогут максимизировать выручку, сконцентрировавшись на клиентах с максимальной вероятностью покупки.

ИИ может принести пользу во всех подразделениях компании, а преимущество no-code-платформ заключается в том, что они не ограничены никакими узкими задачами. С их помощью можно, например, рассчитать требуемую частоту обслуживания станков и понять, какие из них близки к поломке, обнаружить первые признаки недовольства клиентов и снизить отток или решить проблему текучки сотрудников. ИИ может искать паттерны не только в цифрах, но и в тексте: анализировать записи или расшифровки разговоров в сочетании с данными об истории продаж и рекламы, чтобы компаниям было легче автоматизировать сложные процессы.

Для многих организаций работа с no-code-платформой сводится к поиску нужной задачи — и нужной платформы.

С чего начать

Хорошая no-code-платформа должна соответствовать трем главным критериям.

Во-первых, у нее должен быть простой интерфейс, в котором удобно загружать данные для обучения модели. Иными словами, платформа должна быть интегрирована с современными бизнес-инструментами (например, Salesforce и другими CRM-системами), а также с Excel или ее аналогами. Если нужные данные возникают сразу в нескольких местах, платформа должна уметь сама их объединять.

Кроме того, платформе необходимо автоматически классифицировать и форматировать данные для обучения модели при минимальном участии пользователя. Например, платформа должна правильно определять тип данных в колонках (категории, даты или числа), а пользователю останется только проверить эту оценку.

Во-вторых, платформа должна автоматизировать выбор и обучение модели. Раньше этим занимались специалисты: есть много подходов к машинному обучению, и каждый лучше всего работает с конкретным типом задач. В платформу следует встроить механизм поиска, чтобы она могла сама выбрать оптимальную модель, исходя из доступных данных и нужных предсказаний. Пользователю нет смысла разбираться в регрессиях или алгоритмах ближайших соседей: платформа должна сама предлагать лучший вариант.

Наконец, ее должно быть легко внедрять и использовать вместе с существующими процессами. Она должна отслеживать работу модели со временем и переобучать ее, когда меняется среда или когда возникают новые данные.

Как выбрать подходящую платформу

No-code-платформы не похожи друг на друга. Какая из них подойдет конкретной компании, зависит от ее потребностей. Цена решений тоже может сильно различаться — в диапазоне от нескольких долларов в месяц до сотен тысяч в год.

Не исключено, что искать подходящее решение придется методом проб и ошибок. Но, по крайней мере, лучшие платформы открыты, то есть кто угодно может посмотреть на них и понять, как они работают. Иными словами, необходимо взять платформу на «тест-драйв», сделать на ней проект и посмотреть, что получится.

Можно оценить точность разных платформ с помощью опубликованных баз данных — например, австралийской базы данных по одобрению кредитов. Пользователи могут легко посмотреть, как часто каждая ИИ-платформа правильно угадывает результат на контрольном множестве — случайно отобранной части выборки (обычно 20%), не включенной в обучение модели. После этого прогнозы можно сверить с действительностью.

Но цифры о точности тоже способны вводить людей в заблуждение: важно учитывать также количество ложноположительных и ложноотрицательных предсказаний. Это особенно важно для «несбалансированных» выборок, где в большом количестве данных нужно найти небольшое число важных случаев — например, случаев мошенничества с кредитными картами или онкологических диагнозов.

Скажем, если модель поиска мошенничества с кредитками выдаст 100% отрицательных результатов, ее точность будет очень высокой, но пользы от такой модели не будет. Хорошая no-code-платформа должна показывать данные о ложноположительных и ложноотрицательных результатах.

Пользователи должны также учитывать время, которое уходит на разработку no-code-платформ. Одна из главных метрик — это время на обучение моделей. Оно может занимать от нескольких минут до нескольких часов, и в последнем случае занятому человеку будет сложнее вписать его в свое расписание.

Обучение модели не единственный временной фактор. Чтобы эти платформы действительно преобразили организацию, они должны быть достаточно простыми для людей без технических навыков. Изучите процесс внедрения разных платформ: если он требует помощи от ИТ-отдела или хотя бы существенных усилий, продажники и бухгалтеры вряд ли захотят в нем разбираться.

Как сделать, чтобы бизнес больше использовал ИИ? Ответ «нужно учить и нанимать больше специалистов» нам не подходит: всего четверть процента населения мира умеет программировать. Но, как еще десять лет назад написал технологический инвестор Марк Андриссен, «программы едят мир». Нет никаких сомнений, что будущее за no-code-платформами.

В будущем все аспекты работы компаний оптимизируют с помощью ИИ — данные для этого у нас уже есть. И чем быстрее станут развиваться и улучшаться платформы, которые позволят обычным людям превратить эти данные в модели для предсказаний и оптимизации, тем быстрее это произойдет.

Упрощение внедрения no-code-платформ поможет использовать мощь ИИ во всех отраслях, и даже неспециалисты научатся буквально предсказывать будущее. Со временем no-code-приложения станут так же распространены, как текстовые редакторы и электронные таблицы сегодня.