OLAP.RU: Business intelligence - effective data mining & analysis

Главные проблемы внедрения AI в компаниях

Дмитрий Романов

Где можно эффективно использовать инструменты ИИ, как посчитать прибыль, где взять разработчиков нейронный сетей - эти вопросы задают себе все, кто начинает погружаться в тему искусственного интеллекта.

Сегодня искусственный интеллект (AI) становится не просто хайповой темой, но реальным значимым бизнес-трендом, потому что это очень выгодно. AI растет экспоненциально и позволяет компаниям решать такие задачи, которые раньше они решить не могли - например, автопилоты квадрокоптеров по обнаружению и спасению людей на пляжах или мгновенное определение заболеваний с точностью выше, чем это делают врачи.

Чем искусственный интеллект выгоден компаниям

Экономия за счет искусственного интеллекта

AI способен заменять людей, которым необходимо платить зарплату. Например, в отделе контроля качества при колл-центре можно вместо 50-ти менеджеров поставить одну нейронную сеть, которая сразу даст огромную экономию.

Решение искусственным интеллектом задач, которые не под силу людям

Например, в проекте по бурению нефтяных скважин необходимо на основании данных датчика бурения определить, есть там нефть или нет. Это может сделать либо очень опытный и узко специализированный эксперт, которых сложно найти на рынке и которые регулярно ошибаются - либо нейронная сеть.

Следование трендам рынка и опережение конкурентов с помощью нейросетей

Для многих компаний важно не отстать от конкурентов: люди понимают, что конкуренты тоже будут внедрять AI и с большой вероятностью окажутся впереди. Ситуация та же, что с интернетом 30 лет назад.

С какими проблемами сталкиваются компании при внедрении искусственного интеллекта

Несмотря на очевиднейшую выгоду, у внедрения AI есть проблемы. Мы работаем с десятками компаний, в том числе крупнейшими многомиллиардными компаниями РФ, также внедряем AI у себя. Поэтому мы не понаслышке знаем о реальных сложностях всех секторов экономики России по внедрению AI. А именно:

-       Непонимание, где внедрить искусственный интеллект;

-       Непонимание, как доказать выгоду искусственного интеллекта;

-       Отсутствие датасетов, необходимых для внедрения;

-       Найм разработчиков искусственного интеллекта;

-       Бюрократия.

Разберем эти пункты подробнее.

Непонимание, где внедрить искусственный интеллект

Все слышали об AI и хотят внедрить его в своем бизнесе. Но что конкретно с помощью него можно сделать в компании?

На слуху яркие кейсы внедрения - Stable Diffusion и Midjourney, которые рисуют картинки, chatGPT, которая может сама писать коммерческие предложения, песни и стихи, вакансии и так далее от OpenAI. Все понимают, что за этим будущее, и 95% вероятности, что конкуренты прямо сейчас читают эту статью и думают о внедрении AI.

По оценке экспертов, в ближайшие 30 лет исчезнет 80-90% профессий. Первыми станут дизайнеры, менеджеры по продажам, врачи, водители и так далее, эти профессии начнут исчезать. Даже программисты испытывают давление от chatGPT, потому что она уже умеет базово программировать. Недавно мы запускали проект по классификации текстов, и ChatGPT сгенерировала нейронную сеть ощутимо мощнее, чем команда из пяти разработчиков, причем за 10 секунд. Все понимают, что пора внедрять AI, но мало кто знает, как найти ему применение.

Мы уже 4,5 года занимаемся обучением людей и бизнесов именно в области искусственного интеллекта. За сотни обсуждений и разборов компаний мы сформулировали 4 вопроса, которые помогают направить мысль в нужном направлении.

Где можно заменить людей на нейросеть?

Возьмем бизнес-процесс, например, покраску банок на конвейере. Что делают люди? Ставят банки на конвейер, проверяют аккуратность покраски, снимают готовые банки с конвейера в конце, останавливают конвейер, если он переполнился или банка застряла. Выписываем все, что делают люди, и думаем, где их могла бы заменить нейросеть. Например, ставить банки на конвейер и снимать - нужен робот, это сложно и финансово неэффективно. А вот с проверкой качества проще - нейронная сеть по видеокамере может проверить, красиво и качественно покрашена банка или нет, и не теряет внимательности в отличие от человека, который может прийти не выспавшимся или отвлекаться. Также нейронная сеть может моментально обнаруживать затор и останавливать конвейер, если какая-нибудь банка застряла. Вот два рабочих варианта применения нейронных сетей.

Какие есть данные, которые могут пригодиться нейросети?

Для обучения искусственного интеллекта нужны данные, и мы можем найти идеи для использования AI там, где накоплено много информации. Например, огромные скопления данных - любая видеокамера, микрофон, датчик, CRM-система, ERP-система, BI-система, 1C. Вы можете посмотреть на эти данные и подумать, что из них можно получить. Например, какую информацию могут дать камеры в больнице? Статистику по очередям, статистику перемещения врачей между кабинетами и так далее. Выбираем, что из этого нам выгодно и ценно, но чем мы пока не пользуемся, потому что слишком ресурсоемко доставать эти данные из систем вручную, без нейросети.

Где есть проблемы и можно ли их решить за счет нейросетей?

Самый простой способ доказать руководству необходимость внедрения AI - попасть в проблемную точку. Например, нефтегазовые компании часто приходят с проблемой воровства газа из-за встройки в трубы и задачей проверять, что этой встройки нет. Как это сделать? С помощью квадрокоптера с камерой, который будет пролетать и следить, нет ли встроек в трубу, нет ли деревьев в радиусе трех метров от трубы и так далее. Есть проблема - думаем, можем ли мы ее решить с применением искусственного интеллекта. Это проще всего аргументировать руководству и коммерческому отделу, чтобы они одобрили внедрение AI.

Как организовать ваш бизнес-процесс вообще без людей?

Этот последний вопрос - совсем фантастический, но он помогает найти крутые идеи. Представьте свой бизнес-процесс вообще без людей. Давайте пофантазируем на примере кафе без людей. Робот-официант привозит еду, робот-повар готовит, робот принимает голосовые заказы, робот проверяет неубранные столы и может их прибрать, и так далее. Понятно, что большинство процессов потребует много сложной робототехники, но если все это себе представить - может возникнуть несколько классных идей по внедрению искусственного интеллекта. Например, проект по внедрению AI для обнаружения грязных столов и статистики того, как долго они остаются грязными, мы обсуждали с крупнейшей в России сетью фастфуда, потому что для них это актуально.

Эти четыре вопроса помогают найти примеры применения искусственного интеллекта в компании. У 99,99% компаний есть 3-5 вариантов применения искусственного интеллекта, из которых 1-2 будут рентабельными. Да, часть из них будет невыгодной, но оставшиеся 1-2 принесут реальный финансовый эффект.

Непонимание выгоды от внедрения нейронной сети

Часто в компаниях любое нововведение пытаются обосновать на уровне денег - сколько прибыли в рублях оно принесет. На наш взгляд, это ложная практика, потому что не все измеряется прибылью. Очень сложно вычислить, сколько прибыли принесет уборка офиса, но все понимают, что она нужна, потому что и клиентам, и сотрудникам приятнее вести дела в чистоте. И все понимают, что чистые полы - это однозначная выгода, хотя в рублях посчитать нельзя. Надо избегать этой практики в искусственном интеллекте. Главные выгоды применения искусственного интеллекта выглядят так:

Снятие головной боли с руководителей и экспертов с помощью искусственного интеллекта

Когда конвейер с банками постоянно останавливается, руководитель приходит и спрашивает о причинах. А сотрудники отвечают - заболтались, в телефоне сидели, настройки не так сделаны (особенно если это низкоквалифицированные сотрудники). И это постоянная головная боль руководителя. А искусственный интеллект может снять с него эту головную боль и сделать так, что в этом процессе все будет хорошо.

Решение нейросетью проблем, которые не решаются другими способами

В данный момент мы бесплатно работаем над проектом по обнаружению на пляже акул и нефтяных пятен с помощью квадрокоптеров с автопилотом. Искусственный интеллект распознает акул, обнаруживает купающихся и быстро дает предупреждение. Эту задачу не выразишь в рублях, но даже одна спасенная жизнь человека раз в 3 года - это супер-значимая и ценная задача.

Улучшение клиентского опыта и создание нового функционала при помощи нейросети

Вы создаете для клиентов новый крутой функционал, который однозначно принесет прибыль и статус компании. А еще принесет вам и вашей команде удовлетворение как профессионалам, потому что вы за счет внедрения искусственного интеллекта сделали для своих клиентов нечто потрясающее, чего не делает никто из конкурентов.

Прямая прибыль от внедрения искусственного интеллекта

Посчитать прибыль можно у нейронных сетей, цель которых - сокращение штата сотрудников или сокращение объема их работы. Есть колл-центр из 500 человек, при нем отдел контроля качества - 30 менеджеров с зарплатой по 35 тысяч. Заменив отдел контроля качества на нейросеть, мы получаем экономию в размере миллиона рублей в месяц. Внедрение такой нейронной сети обойдется, допустим, в 5 миллионов рублей. Значит, за 5 месяцев (а с учетом налогов на зарплаты менеджеров контроля качества - за 3 месяца с небольшим) эта нейронная сеть себя окупит и начнет приносить прибыль.

Отсутствие датасетов для нейронных сетей

Это значимая проблема. Нейронным сетям для обучения нужны датасеты (базы данных для обучения искусственного интеллекта) так же, как школьникам для обучения нужны учебники.

Сейчас мы ведем около 25 проектов для крупных компаний. Примерно в трети случаев у компании есть датасет, все готово, можно стартовать. Еще треть случаев - датасет вроде бы есть, но его нужно дособрать, доразметить уже параллельно с началом разработки. А в трети случаев датасета нет, его надо собирать. Тогда мы с компанией:

-       обсуждаем, как им собирать датасет;

-       оцениваем, сколько это займет времени (например, полгода);

-       договариваемся связаться через полгода, когда у них будут собраны данные, потому что без данных нет смысла начинать.

Надо смотреть каждый частный случай, но в целом датасеты - очень значимая штука, и периодически все упирается в необходимость собрать данные. Иногда это вопрос бюджетов, иногда времени сбора данных. Например, если нам нужны данные для определения заболеваний по кардиограмме, то мы получаем столько данных, сколько пациентов с заболеванием сердца посетят наш медицинский центр, и быстрее мы их накопить не сможем, даже если будем вкладывать деньги. Например, появляется 200 примеров в месяц, а нам нужен датасет на 10 тысяч примеров - значит, 50 месяцев его придется копить. Но это плохой случай. Чаще всего нужный датасет уже есть.

Хочу отметить, что в 70% случаев с датасетами все в порядке и они либо есть, либо почти есть и надо их чуть-чуть дособирать, доразмечать и так далее.

Сложности с наймом разработчиков нейронных сетей

Почему не всем нужны senior-разработчики нейросетей

Очень часто я сталкиваюсь с ситуацией, когда в компании хотят senior'а за 300 тысяч и точка. Когда спрашиваешь, зачем senior - логичной аргументации нет, это либо "Нам сказали, что нужен senior", либо "Мы такая компания, мы ниже, чем senior"а за 300 тысяч, даже рассматривать не будем".

В чем состоит проблема? Во-первых, senior'ы дорогие, 300 тысяч и выше. Во-вторых, на них огромный спрос. Вы будете конкурировать со Сбером, Яндексом и множеством других крупных компаний за senior AI-разработчиков.

При этом junior'ы сейчас, в 2023, прекрасно справляются с 90% типовых бизнесовых задач. Мы делаем проекты для огромных многомиллиардных компаний, и в большинстве случаев ими занимаются наши стажеры под руководством старшего middle. Стажеры, даже не junior'ы - они прошли несколько месяцев обучения и отлично справляются с задачами.

Почему? Потому что за последние несколько лет появилось много отличных фреймворков-библиотек наподобие PyTorch, TensorFlow и Keras от Гугл. Также появилось много готовых фреймворков-библиотек, которые позволяют легко решать многие задачи. Мы сами пишем для наших выпускников большое количество сильных фреймворков. Также появляется все больше Auto ML-алгоритмов, которые собирают нейронную сеть автоматически - ты жмешь на кнопку, передаешь данные, и нейронная сеть готова. В chatGPT можно вообще отправить запрос, сказать "под вот такие данные собери нейронную сеть", и она пришлет готовый код.

На нашем рынке 90% типовых рыночных проектов (поверьте, у вас в компании тоже, вероятнее всего, типовые рыночные проекты, потому что не типовые проекты - у DeepMind от Google), и с ними легко справляются junior'ы. Мы доказываем это на протяжении уже 4,5 лет существования нашей компании, реализовав проекты для множества крупнейших игроков рынка, стартапов и так далее.

Где брать разработчиков нейронных сетей

Есть три основных варианта и один из них более выгодный, это факт.

-       Пойти на Headhunter и построить свой отдел найма, то есть взять себе IT HR-а на Headhunter-вакансии и так далее. Это экономнее, чем агентство, но проблема в том, что надо разбираться в теме. Я пишу нейронные сети уже почти 20 лет, собеседовал сотни нейронщиков и отлично понимаю, какой у них уровень. А в большинстве компаний это первый нейронщик в штате, и как оценить его навыки - непонятно.

-       Обратиться в рекрутинговое агентство. Агентство за вас оценит качество, проведет подбор и так далее. У них постоплата, но обычно в размере двух зарплат разработчика, и даже если вы будете брать junior'а - заплатите сразу 140 тысяч. Хотя, скорее всего, агентство вас убедит, что нужен все-таки человек за 150, чтобы получить 300.

-       Взять специалиста у нас, в Университете искусственного интеллекта. У нас всегда есть несколько десятков человек на трудоустройство - в сумме у нас обучалось более 5000 студентов, и мы отдаем их бесплатно. Мы обязательно их тестируем, прозрачно показываем вам их уровень, делаем тестовые задания и так далее. Очевидно, что это самый удобный вариант. Мы бесплатно подбираем разработчиков под компании.

Бюрократия при внедрении нейронных сетей в крупных компаниях

В крупных компаниях при внедрении искусственного интеллекта, учитывая инертность мышления многих руководителей и их установку, что  "ерунда это все хайповая", будьте готовы столкнуться с банальной бюрократией - никому это не нравится, но, к сожалению, это существует.

Простой пример: для наиболее крупных компаний мы в рамках стажировки делаем бесплатно проект, который иначе стоил бы 3-4 миллиона рублей. И даже в этих условиях мы сталкиваемся с множеством ограничений от юридических отделов этих компаний, которые говорят: "Нет, нельзя, просто нельзя, мы не согласны". Или вслепую, не глядя на то, что проект делается бесплатно, накладывают огромное количество требований и совершенно неадекватных обязательств, которые влекут гигантские расходы, как будто это разработка на заказ за много миллионов рублей. Это юридический отдел - для них такое поведение стандартно, им все равно, что компания потеряет эффективный проект, они просто штампуют запреты. И готовьтесь к тому, что в крупной компании с этим придется столкнуться.

Почему внедрять AI нужно прямо сейчас

Что могу сказать в целом? На пути внедрения искусственного интеллекта 100% есть преграды. Но при этом я однозначно вижу по гигантскому количеству заказов у нас, постоянно растущему числу студентов и так далее, что рынок AI растет с огромной скоростью. Все понимают, что будущее - за искусственным интеллектом, что в любом бизнесе надо это внедрять, и рано или поздно любая компания к этому придет. Лучше прийти к этому раньше, чем конкуренты, иначе они обгонят вас.

Для каждого конкретного специалиста значимость строчки в резюме об опыте внедрения искусственного интеллекта в компании в ближайшие годы будет все больше расти и повышать его ценность на рынке как специалиста. Поэтому я желаю всем успешно преодолеть эти сложности, найти точку применения искусственного интеллекта в компании и внедрить его. Университет искусственного интеллекта существует, чтобы помогать вам в этом, передавать фреймворки, готовить сильных разработчиков по искусственному интеллекту и делиться опытом.

Страница сайта http://www.olap.ru
Оригинал находится по адресу http://www.olap.ru/home.asp?artId=3324