5 шагов к внедрению ИИ в ваш бизнес без разорения

Искусственный интеллект продолжает набирать обороты, и если он будет продолжать проникать во все отрасли, он полностью изменит нашу жизнь.

В результате этого интеграция ИИ в компании стала для многих основателей приоритетом номер один. Даже отдельные лица ищут способы использования ИИ для улучшения своей личной жизни.

Хайп вокруг ИИ такой, что Collins Dictionary, авторитетный языковой орган, назвал ИИ словом года, из-за его роста популярности.

Как было сказано, для большинства организаций существует огромный разрыв между идеей и реальностью при попытке внедрить ИИ в свои процессы, потому что путь не так прост, как кажется, и он может быть очень дорогим, как в плане необходимых капитальных расходов, так и в потраченном времени, потому что разработки не принесут ожидаемых результатов. Это привело некоторые компании в беду. Например, CNET экспериментировала со статьями, написанными ИИ, и они оказались полны ошибок. Другие компании, как iTutor Group, столкнулись с крупными штрафами и общественным порицанием из-за плохой реализации ИИ.

Как показывают эти случаи, компании могут совершать много ошибок с ИИ, и если у компании нет финансовой подушки, как у Amazon, Google, Microsoft или Meta, эти неудачные эксперименты могут привести к банкротству.

Если вы являетесь основателем или владельцем бизнеса, то вот руководство с пятью шагами, чтобы помочь вам внедрить ИИ в ваш бизнес, сохраняя при этом рациональное использование ваших ресурсов – денег и времени, что в конечном итоге является деньгами – и снижая вероятность фатальных ошибок.

1. Ясно определите проблему, которую вы пытаетесь решить

Ни одна компания не застрахована от неудач ИИ. И как Amazon болезненно обнаружила – через свои неудачные магазины Amazon Go без кассиров – не каждый бизнес-кейс требует ИИ.

Следовательно, важно, чтобы вы определили проблему, которую вы пытаетесь решить с помощью ИИ. Это должно быть описано как можно более четко.

Например, распространенным применением ИИ является поддержка клиентов. Внедрение ИИ в таком случае возможно таким образом, чтобы иметь конкретные результаты, например, уменьшить затраты на колл-центр на определенную сумму денег в месяц или ускорить среднее время решения запросов клиентов на определенное количество минут. С таким подходом у нас есть измеримый показатель в виде денег или времени, который мы попытаемся достичь, внедряя ИИ и увидеть, имеет ли это какой-либо эффект.

Есть различные способы, которыми это может произойти. Например, вместо чат-бота мы можем разработать или купить сервис, который определит, может ли вопрос клиента быть ответом на страницу FAQ. Он будет работать следующим образом. Когда клиент пишет сообщение, мы запускаем эту модель, и она либо говорит нам, что нам нужно передать этот разговор агенту, либо показывает им соответствующую страницу с ответом на их вопрос. Разработка этой модели быстрее и дешевле, чем создание сложного чат-бота с нуля. Если это внедрение окажется успешным, мы достигнем нашей цели – уменьшить затраты, оптимизировав наши расходы, связанные с ИИ, по сравнению с затратами на разработку чат-бота.

Пионером в этом подходе была Matten Law, юридическая фирма из Калифорнии, которая интегрировала ИИ-ассистента для автоматизации многих задач, позволяя юристам тратить больше времени на общение с клиентами и изучение наиболее важных аспектов дела. Это показывает, что даже самые жесткие отрасли могут быть нарушены ИИ, улучшая пользовательский опыт, усиливая человеческий фактор, где он необходим.

Дополнительными распространенными проблемами, которые можно решить с помощью ИИ, являются анализ данных и создание индивидуальных предложений. Spotify – это замечательный пример компании, успешно использующей ИИ для разработки интеллектуальной системы музыкальных рекомендаций, которая доходит до учета времени суток, когда человек слушает определенный жанр.

В обоих вышеупомянутых сценариях ИИ помогает предоставить лучший опыт для клиента. Однако причина, по которой эти компании успешно использовали ИИ, заключалась в том, что они четко определили аспекты, которые необходимо делегировать ИИ.

2. Определите данные, которые вам нужно проанализировать

Как только основная проблема четко определена, нам нужно учитывать данные, которые нам нужно подать системе. Важно помнить, что ИИ – это алгоритм, который анализирует и адаптируется к данным, которые мы предоставляем. Базовый сценарий сбора данных следующий:

1. Поймите, какие данные нам могут понадобиться для реализации ИИ.

2. Посмотрите, есть ли у нашей компании эти данные.

   1. Если есть — отлично.

   2. Если нет, нам нужно сесть и выяснить, можем ли мы начать правильный процесс сбора данных внутри компании. В качестве другой возможности мы можем попросить разработчиков сохранить необходимые данные, если мы еще не делаем этого.

Вот пример. Мы владеем кофейней, и нам нужны данные о количестве посетителей. Мы можем сделать это, реализовав персонализированные карты лояльности, которые клиенты будут предъявлять при покупке. Таким образом, у нас будут данные, которые нам нужны, например, какие клиенты пришли, когда они пришли, что они купили и в каком количестве. Как только у нас будут эти данные, мы сможем использовать их для внедрения ИИ. Однако бывают случаи, когда сбор этих данных может быть очень дорогим. И именно тогда ИИ может нам помочь. Например, если у нас в кофейне установлена камера – которую мы могли бы установить хотя бы для целей безопасности – мы могли бы использовать ее для сбора данных от наших посетителей. Я должен сказать, что до реализации этого важно проконсультироваться с законами о защите личных данных, такими как GDPR, поскольку этот подход может не работать в каждой стране. Но в тех юрисдикциях, где это разрешено, это может быть беспроблемным способом сбора необходимой информации и привлечения ИИ для анализа и обработки.

Если вы задумались, эта персонализированная программа лояльности – это то, что сделала Starbucks, с большим успехом. Программа лояльности Starbucks дошла до того, что предоставляла персонализированные стимулы, когда клиент посещал свою любимую локацию или заказывал свой любимый напиток.

3. Определите гипотезу

Могут быть ситуации, когда вы чувствуете неуверенность в том, какие процессы можно или нужно оптимизировать с помощью ИИ.

Если это ваш случай, то вы можете начать с разделения всего процесса на этапы и определения тех фаз, в которых ваш бизнес работает неэффективно. Какие области, на которые вы тратите слишком много денег? Что занимает больше времени, чем обычно? Отвечая на эти вопросы, вы можете выявить критические области для улучшения и решить, может ли ИИ помочь.

Как вы обнаружите, есть случаи, когда традиционные решения могут быть более эффективными. Если вы боретесь с тем, какие предложения выдвигать клиентам, предложения, основанные на самых популярных продуктах, часто намного более эффективны в системах рекомендаций на рынке, чем попытки прогнозировать поведение пользователя. Поэтому попробуйте это сначала. Как только у вас будет результат – будь то положительный или отрицательный – тогда у вас будет гипотеза для тестирования ИИ. В противном случае область действия будет слишком расплывчатой, и вы можете потратить время и деньги.

4. Используйте существующие решения

Многие компании стремятся сразу же разработать свои собственные алгоритмы машинного обучения. Однако, если вы не планируете обучать их большими наборами данных в течение длительного периода времени, не делайте этого. Это будет очень дорого и耗ет много времени.

Вместо этого я рекомендую сосредоточиться на существующих решениях. Компании, такие как Amazon, Google, Microsoft и многие другие, имеют инструменты, работающие на ИИ, которые могут помочь вам достичь многих целей. Затем вы можете постепенно заключить контракт с одной из них и нанять внутреннего разработчика, чтобы он умело настроил необходимые запросы API.

Основная идея заключается в том, что эти инструменты могут быть интегрированы бизнес-разработчиками (не специалистами по машинному обучению), что позволит нам быстро протестировать гипотезу о том, что ИИ приносит ожидаемый эффект или нет. Если он не сработает, мы можем просто отключить эти инструменты, и наша стоимость тестирования гипотезы будет равна только времени, которое разработчик потратил на интеграцию с этим сервисом, и сумме, которую мы заплатили за использование инструмента. Если бы мы разрабатывали модель, мы потратили бы зарплату специалиста по машинному обучению, умноженную на время, которое он потратил на разработку модели, плюс любые инфраструктурные затраты. И тогда неясно, что делать с разработчиком и моделью, если в конечном итоге ожидаемого эффекта не будет.

Если наша гипотеза подтверждается, и инструмент, работающий на ИИ, приносит ожидаемый эффект, мы радуемся и придумываем новую гипотезу. В будущем, если мы предвидим, что затраты на инструмент значительно возрастут, мы можем подумать о разработке этой модели самостоятельно, тем самым еще больше снижая затраты. Но сначала нам нужно оценить, является ли стоимость разработки действительно меньше, чем то, что мы заплатим за использование инструмента другой компании, специализирующейся на разработке этих инструментов.

Мой совет – рассмотреть возможность разработки собственного продукта машинного обучения только после того, как вы получите хорошие результаты от использования ИИ с помощью вышеупомянутых инструментов и когда вы будете уверены, что ИИ – это правильный способ решить вашу проблему в долгосрочной перспективе. В противном случае ваш проект по машинному обучению не принесет той ценности, которую вы ищете, и, как сказал недавний блестящий материал Harvard Business Review, хайп вокруг ИИ будет только отвлекать вас от вашей миссии, которая не требует ИИ.

5. Консультируйтесь с экспертами по ИИ

В том же духе еще одна очень распространенная ошибка, которую совершают основатели и владельцы бизнеса, заключается в том, что они пытаются сделать все внутри компании. Они нанимают главного инженера или исследователя ИИ, а затем еще людей, чтобы сформировать команду, которая может создать передовой продукт. Однако эта технология будет бесполезна для цели вашей компании, если у вас нет правильно определенной стратегии внедрения ИИ. Также бывает случай, когда они нанимают младшего инженера по машинному обучению, чтобы сэкономить деньги по сравнению с наймом более опытного специалиста. Это также опасно, поскольку человек без опыта может не знать тонкостей разработки и проектирования системы машинного обучения и совершать «ошибки новичка», за которые компания заплатит слишком высокую цену, почти всегда превышающую стоимость найма одного опытного специалиста по машинному обучению.

Следовательно, мой совет – сначала нанять одного эксперта по ИИ, например, консультанта, который будет руководить вами на пути и оценивать процесс внедрения ИИ. Используйте их опыт, чтобы убедиться, что проблема, над которой вы работаете, требует ИИ, и что технологию можно масштабировать эффективно, чтобы доказать вашу гипотезу.

Если вы стартап на ранней стадии и беспокоитесь о финансировании, хитрость в этом случае – связаться с инженерами ИИ в LinkedIn с конкретными вопросами. Поверьте или нет, но многие эксперты по ИИ и машинному обучению любят помогать, как потому, что они действительно увлечены этой темой, так и потому, что если они помогут вам, они могут использовать это как положительный кейс-стади для своего консультационного портфолио.

Заключительные мысли

С учетом всего хайпа, окружающего ИИ, естественно, что вы можете быть готовы включить его в свой бизнес и разработать решение, работающее на ИИ, которое поднимет вас на новый уровень. Однако вам нужно помнить, что тот факт, что все говорят об ИИ, не означает, что ваш бизнес нуждается в ИИ. Многие компании, к сожалению, спешат интегрировать ИИ без четкой цели и в конечном итоге тратят огромные суммы денег и времени. В некоторых случаях, особенно для компаний на ранней стадии, это может означать их гибель. Четко артикулируя проблему, собирая соответствующие данные, тестируя гипотезу и используя существующие инструменты с помощью эксперта, вы можете интегрировать ИИ без истощения финансовых ресурсов вашей компании. Затем, если решение работает, вы можете постепенно масштабировать и включать ИИ в те области, где он увеличивает эффективность или прибыльность вашей компании.