Четыре этапа внедрения ИИ | Большие Идеи

・ Управление изменениями

Четыре этапа
внедрения ИИ

Как меняется организация бизнеса при внедрении искусственного интеллекта

Автор: Артем Макеенок

Четыре этапа внедрения ИИ
Фото: Max Langelott / Unsplash

читайте также

Инновации в корпорации: все должны действовать заодно

Уитни Джонсон

Хватит собирать информацию о клиентах

Сирлз Док

Могу ли я позволить себе сменить работу?

Уитни Джонсон

Как не потерять сотрудников после года испытаний и переоценки ценностей

Клэй Рутледж

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.

Как преодолеть сложности и перейти на следующий этап

Сложность для менеджмента представляет оценка целесообразности трат на ИИ. Чтобы достичь впечатляющих результатов, менеджеры по работе с данными должны долго экспериментировать. Поначалу лишь 15—20% всех экспериментов будут доходить до реализации, а существенный результат покажут 20—30% внедренных решений.

Чтобы понять, что эффект внедрения виден не сразу, а «дивиденды» от перехода на ИИ-рельсы имеют накопительный эффект, руководители должны следить за промежуточными результатами. Например, в ходе автоматизации колл-центра стоит запрашивать детальный отчет об эффективности работы сотрудников, включающий в себя анализ деятельности чат-бота. Процессы, которые раньше оценивались «на глазок», следует измерять более точно и в режиме реального времени. Постепенно можно использовать BI-аналитику для отражения ключевых бизнес-метрик.

Уровень проникновения ИИ — 25—40%

Ключевые признаки

● Переход ИИ-процессов в категорию обыденных.

● Формирование централизованной системы сбора, хранения и аналитики данных.

● Планы внедрения MLOps и унификации разработки.

Вернемся к разговору о чат-боте. Условный банк хочет превратить его в персонального ИИ-ассистента, который сможет общаться с клиентом по разным сценариям. Ассистенту понадобится много информации: от кредитной истории до анализа речи в разговорах со службой поддержки. Однако практики объединения данных разных департаментов в единую систему у банка нет. Как ИИ-ассистенту получить доступ к данным всей организации?

Для этого компания создает отдельную функцию — Data Governance, которая развивает единую систему, агрегирующую данные о ключевых бизнес-процессах. Data Governance — это набор практик и процессов, которые помогают обеспечить управление данными и их качеством в организации. Также компания начинает задумываться о внедрении MLOps — концепции управления системами машинного обучения, которая позволяет внедрять модели, отслеживать их производительность с использованием единой платформы и стека технологий. Это помогает избежать неконтролируемого роста расходов и частых проблем при поиске новых специалистов на замену выбывающим.

Компания также начинает разделять работу смежных команд ML-проектов. В одном случае специалисты по работе с данными становятся универсалами; в другом — фокусируются только на создании ИИ-моделей и экспериментах с ними, а вспомогательные функции, например подготовку и разметку данных, выполняют дата-инженеры, асессоры. По такому принципу, скажем, работает маркетплейс KazanEpress. В компании четко разделены роли: одни сотрудники отвечают за пайплайн и поставки данных, другие — за моделирование моделей.

Как преодолеть сложности и перейти на следующий этап

Помимо налаживания системы управления данными, проблемой на этом этапе может стать рост расходов. Количество ML-специалистов увеличивается, для их работы требуется все больше серверов, а «железо» — это всегда дорого, особенно если учесть, что в среднем 70% времени сервер стоит без дела. Компания должна понять, что инфраструктуру для ML-задач выгоднее использовать в режиме «on demand». Как только организация переходит на этот уровень, как правило, наступает время облачных технологий.

Уровень проникновения ИИ — 50% и более

Ключевые признаки

● Data Science — привычный инструмент решения задач в компании.

● Наличие экспертизы в области ML на уровне продуктовых команд.

● Рост требований к менеджменту для постановки задач по ML.

К этому этапу ИИ проникает настолько глубоко, что компания начинает мыслить, как исследователь и экспериментатор. Даже недочеты в ее работе могут стать «топливом» для ML-моделей: ИИ обучается на имеющемся материале и позволяет минимизировать ошибки в существующих процессах.

Между отделами возникает синергия в том, что касается использования технологии. Например, одна из функций чат-бота — распознавание голоса. Ее применяют в колл-центре для работы с клиентами, но по мере масштабирования ИИ-процессов она получает распространение и в других отделах. Скажем, можно внедрить распознавание речи в офлайн-магазинах, чтобы контролировать, как продавцы-консультанты общаются с клиентами. За счет имеющегося опыта можно существенно сократить затраты на новые ИИ-проекты.

Как преодолеть сложности

Хотя ML — менее управляемый процесс, чем классическая разработка, на этом этапе организация должна прогнозировать сроки его развития и внедрения. Это существенно повышает требования к менеджменту. Руководители должны понимать, что такое ML, и уметь оценивать сроки внедрения моделей так, чтобы, с одной стороны, позволять специалистам по работе с данными проводить необходимые эксперименты, а с другой — структурировать их деятельность. В противном случае ML может стать очень дорогой игрушкой, затраты на которую серьезно ударят по бюджету даже крупной организации.

***

Информационные технологии проникают в компанию в несколько этапов. На каждом из них ИИ-трансформация меняет определенные бизнес-процессы и вызывает свой набор проблем. Понимая, какие трудности ждут организацию на этом пути, можно подготовиться к ним и с меньшими затратами переводить традиционные процессы на цифровые рельсы.