5 Шагов для Внедрения ИИ в Ваш Бизнес, не Разоряясь

5 Шагов для Успешной Имплементации ИИ в Ваш Бизнес, без Больших Финансовых Затрат

Искусственный интеллект продолжает буриться, и если он будет проходить в каждую отрасль, он полностью преобразит нашу жизнь.

В результате этого внедрение ИИ в их компании стало вопросом первостепенной необходимости для многих основателей. Даже отдельные лица ищут способы использования ИИ для улучшения своей личной жизни.

Из-за этого Collins Dictionary, авторитет по языку, назвал ИИ словом года из-за его всплеска популярности.

Сказанное выше означает, что для большинства организаций существует огромный разрыв между идеей и реальностью при попытке интеграции ИИ в свои процессы. Это происходит потому, что путь не так прост, как кажется, и он может быть очень дорогим, как с точки зрения необходимых капиталовложений, так и потерянного времени, так как разработки не принесут ожидаемых результатов. Из-за этого несколько компаний оказались в затруднительном положении. Например, CNET экспериментировал с написанием статей ИИ, и они оказались полными недостатков. Компании, такие как iTutor Group, вынуждены были платить крупные штрафы, а также столкнулись с публичным осуждением из-за неправильной реализации ИИ.

• Гэри Хьюстис, владелец и директор компании Powerhouse Forensics – серия интервью
• Расшифровка статистической мощности ключ к точности в маркетинговых исследованиях
• Как преодолеть трудности, открывая свой AI-стартап?

Как показывают эти случаи, компании могут допустить множество ошибок с ИИ, и, если проекту не удастся найти финансовую подушку, похожую на Amazon, Google, Microsoft или Meta, эти неудачные эксперименты могут привести к банкротству компании.

Если вы являетесь основателем или бизнес-владельцем, вот руководство с пятью шагами, которые помогут вам внедрить ИИ в ваш бизнес, оптимально используя ваши ресурсы – деньги и время, которое в конечном счете тоже есть деньги, – и при этом снизить вероятность фатальных ошибок.

1. Будьте ясными в проблеме, которую вы пытаетесь решить

Ни одна компания не защищена от ошибок с ИИ. И, как показал Amazon через свои неудачные магазины без кассиров Amazon Go, не все бизнес-кейсы требуют ИИ.

Поэтому критически важно, чтобы вы определили проблему, которую вы хотите решить с помощью ИИ. Это должно быть ясно сформулировано.

Например, распространенное применение ИИ – это поддержка клиентов. Внедрение ИИ в таком случае возможно таким образом, что это имеет конкретные результаты, например, снижение затрат на колл-центр на X денег в месяц или ускорение среднего времени решения запросов клиентов на X минут. С таким подходом у нас есть измеримый показатель в виде денег или времени, которого мы попытаемся достичь, реализовав ИИ, и посмотрим, как это повлияет.

Это может произойти различными способами. Например, вместо чатбота, мы можем разработать или купить сервис, который определит, может ли вопрос клиента быть отвечен на странице с часто задаваемыми вопросами. Это будет работать так. Когда клиент пишет сообщение, мы запускаем эту модель, и она либо говорит нам, что нам нужно передать этот разговор агенту, либо показывает им релевантную страницу с ответом на их вопрос. Разработка этой модели будет быстрее и дешевле, чем создание сложного чатбота с нуля. Если эта реализация пройдет успешно, мы достигнем своей цели по снижению затрат, оптимизировав расходы по ИИ по сравнению с разработкой чатбота.

Один из пионеров такого подхода была юридическая фирма Мэттен Лоу, расположенная в Калифорнии, которая внедрила ИИ-приводимого помощника для автоматизации многих задач, позволяя юристам тратить больше времени на прослушивание клиентов и изучение наиболее актуальных аспектов дела. Это показывает, что даже самые консервативные отрасли могут быть нарушены с помощью ИИ таким образом, что усиливает пользовательский опыт, усиливая человеческий фактор там, где он нужен больше всего.

Другие распространенные проблемы, которые можно решить с помощью ИИ, включают анализ данных и создание индивидуальных предложений. Spotify является выдающимся примером такой компании, которая успешно использует ИИ для разработки интеллектуальной системы рекомендаций музыки, которая даже принимает во внимание время суток, в которое кто-то слушает определенный жанр.

В обоих вышеупомянутых сценариях искусственный интеллект помогает предоставить лучший опыт для клиента. Однако причина успешного использования искусственного интеллекта этими компаниями заключается в том, что они очень ясно определили аспекты, которые следует делегировать искусственному интеллекту.

2. Определите данные, которые вам нужно будет анализировать

Когда главная проблема хорошо определена, нам необходимо принять во внимание данные, которыми мы должны питать систему. Важно помнить, что искусственный интеллект это алгоритм, который анализирует и корректируется в зависимости от данных, которые мы предоставляем. Основной сценарий сбора данных выглядит следующим образом:

1. Понять, какие данные нам могут понадобиться для внедрения искусственного интеллекта.

2. Проверить, есть ли у нашего бизнеса эти данные.

   1. Если есть – отлично.

   2. Если нет, нам нужно присесть и разобраться, можем ли мы начать процесс сбора правильных данных внутри компании. Как альтернативу, мы можем попросить разработчиков сохранить данные, которые нам нужны, если мы этого еще не делаем.

Вот пример. У нас есть кофейня, и нам нужны данные о количестве посетителей. Мы можем сделать это, внедрив персонализированные карты лояльности, которые пользователи будут предъявлять при совершении покупки. Таким образом, у нас будут данные, которые нам нужны, например, какие клиенты приходили, когда они приходили, что они покупали и в каком количестве. Как только у нас будут эти данные, мы можем использовать их для внедрения искусственного интеллекта. Однако иногда сбор таких данных может быть очень дорогостоящим. И вот тогда искусственный интеллект может прийти нам на помощь. Например, если у нас установлена камера в нашей кофейне – что может быть, хотя бы в целях безопасности – мы можем использовать ее, чтобы собирать данные о наших посетителях. Я должен сказать, что перед внедрением этого важно посоветоваться по поводу законов о защите персональных данных, таких как GDPR, поскольку такой подход может не сработать в каждой стране. Но в тех юрисдикциях, где это разрешено, это может быть безопасным способом собрать информацию, которую вам нужно, и привлечь помощь искусственного интеллекта для ее анализа и обработки.

Если вы задаетесь вопросом, такая персонализированная программа лояльности – это то, что сделала Starbucks, с большим успехом. Программа вознаграждения Starbucks зашла дальше и предоставляла персонализированные стимулы, когда клиенты посещали их избранные места или заказывали любимые напитки.

3. Определите гипотезу

Могут возникнуть ситуации, когда вы чувствуете неуверенность относительно того, какие процессы можно или нужно оптимизировать с помощью искусственного интеллекта.

Если это ваш случай, то вы можете начать с того, чтобы разбить весь ваш процесс на этапы и определить те фазы, на которых, по вашему мнению, ваш бизнес работает неэффективно. Над чем вы тратите слишком много денег? Что занимает больше времени, чем обычно? Ответив на эти вопросы, вы сможете выявить ключевые области для улучшения и решить, может ли искусственный интеллект быть полезным.

Как вы увидите, существуют случаи, когда традиционные решения могут быть более эффективными. Если у вас возникают сложности с определением, какие товарные предложения выделить для ваших клиентов, рекомендации на основе самых популярных товаров часто являются более эффективными в системах рекомендаций рынков, чем попытки прогнозирования поведения пользователя. Поэтому попробуйте первое. Как только у вас будет результат – положительный или отрицательный – тогда у вас будет гипотеза для тестирования искусственного интеллекта. В противном случае, область деятельности будет слишком неопределенной, и вы можете потратить время и деньги впустую.

4. Воспользуйтесь уже существующими решениями

Многие компании стремятся сразу же разрабатывать свои собственные алгоритмы машинного обучения. Однако, если вы не планируете обучать их на больших объемах данных в течение длительного времени, не делайте этого. Это будет очень дорого и займет много времени.

Вместо этого я предлагаю вам сосредоточиться на уже существующих решениях. Компании, такие как Amazon, Google, Microsoft и многие другие, предлагают инструменты на базе искусственного интеллекта, которые могут помочь вам достичь многих целей. Постепенно вы можете заключить контракт с одной из них и нанять внутреннего разработчика, чтобы грамотно настроить необходимые запросы API.

Основная идея заключается в том, что эти инструменты могут быть интегрированы бизнес-разработчиками (не специалистами по машинному обучению), что позволит быстро протестировать гипотезу о том, принесет ли искусственный интеллект ожидаемый эффект или нет. Если это не происходит, мы просто отключаем эти инструменты, и нашей стоимостью тестирования гипотезы будут только затраты времени разработчика, которое мы потратили на интеграцию с этой службой, и сумма, которую мы заплатили за использование инструмента. Если бы мы разрабатывали модель, мы бы потратили зарплату специалиста по машинному обучению, умноженную на количество времени, которое они потратили на разработку модели, плюс любые затраты на инфраструктуру. И потом неясно, что делать с разработчиком и моделью, если, в конце концов, ожидаемого эффекта нет.

Если наша гипотеза подтверждается, и инструмент на базе искусственного интеллекта дает ожидаемый эффект, мы радуемся и выдвигаем новую гипотезу. В будущем, если мы видим, что затраты на инструмент значительно возрастают, мы можем подумать о разработке этой модели самостоятельно и таким образом снизить затраты еще больше. Но нам нужно сначала оценить, насколько стоимость разработки фактически меньше, чем то, что мы заплатили бы за использование инструмента от другой компании, которая специализируется на разработке таких инструментов.

Мой совет заключается в том, чтобы рассмотреть возможность разработки собственного продукта машинного обучения только после того, как вы получили хорошие результаты, используя искусственный интеллект с упомянутыми выше инструментами, и убедиться, что искусственный интеллект – это правильный способ решить вашу проблему в долгосрочной перспективе. В противном случае ваш проект машинного обучения не принесет того значения, которого вы ожидаете, и как замечательная статья в недавнем выпуске Harvard Business Review говорит, “шум вокруг искусственного интеллекта только отвлечет вас от вашей миссии”, которой не нужен искусственный интеллект.

5. Проконсультируйтесь с AI-специалистами

В том же духе, еще одна очень распространенная ошибка, которую делают основатели и владельцы бизнеса, заключается в том, что они пытаются делать все самостоятельно. Они нанимают главного инженера или исследователя по искусственному интеллекту и затем больше людей, чтобы создать команду, которая может создать передовой продукт. Однако, эта технология будет бесполезной для целей вашей компании, если у вас нет четко определенной стратегии внедрения искусственного интеллекта. Также бывает так, что нанимают младшего инженера по машинному обучению, чтобы сэкономить деньги по сравнению с наймом более опытного специалиста. Это также опасно, потому что человек без опыта может не знать тонкостей разработки и проектирования систем машинного обучения и совершать “начальные ошибки”, за которые компания будет платить слишком высокую цену, чаще всего превышающую стоимость найма опытного специалиста по машинному обучению.

Поэтому, моя рекомендация состоит в том, чтобы сначала нанять одного эксперта по искусственному интеллекту, как консультанта, который будет направлять вас и оценивать процесс принятия искусственного интеллекта. Используйте их опыт, чтобы убедиться, что проблема, над которой вы работаете, требует использования искусственного интеллекта и что технология может быть масштабирована эффективно для проверки вашей гипотезы.

Если вы являетесь стартапом на ранней стадии и волнуетесь о финансировании, хорошим советом может быть обратиться к инженерам по искусственному интеллекту на LinkedIn с конкретными вопросами. Поверьте или нет, многие специалисты по машинному обучению и искусственному интеллекту любят помогать, поскольку им интересна эта тема, и если им удается помочь вам, они могут использовать это в качестве положительного кейса для своего портфолио консультанта.

Заключительные мысли

С учетом всего шума, который сопровождает искусственный интеллект, нормально, что вы можете стремиться внедрить его в свой бизнес и разработать решение на базе искусственного интеллекта, которое поднимет вас на новый уровень. Однако, вы должны помнить, что то, что все говорят об искусственном интеллекте, не означает, что вашему бизнесу нужен искусственный интеллект. Многие бизнесы, к сожалению, спешат внедрить искусственный интеллект без ясной цели, и в результате тратят огромные суммы денег и времени. В некоторых случаях, особенно для компаний на ранней стадии, это может привести к их краху. Четко определите проблему, соберите соответствующие данные, протестируйте гипотезу и используйте доступные инструменты с помощью опытного эксперта, чтобы внедрить искусственный интеллект, не истощая финансовые ресурсы вашей компании. Затем, если решение работает, вы можете постепенно наращивать масштаб и внедрять искусственный интеллект в тех областях, в которых он повышает эффективность или прибыльность вашей компании.