5 шагов для внедрения 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 приоритетом номер один для многих основателей. Даже отдельные лица ищут способы использования ИИ для улучшения своей личной жизни.

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

Однако для большинства организаций существует огромный разрыв между идеей и реальностью при попытке интегрировать ИИ в свои процессы, потому что путь не так прямолинеен, как кажется, и может быть очень дорогим, как в плане капитальных расходов, так и в потраченном времени, потому что разработки не принесут ожидаемых результатов. Это привело некоторые компании в беду. Например, CNET экспериментировала с ИИ-написанными статьями, и они оказались полны ошибок. Другие компании, как iTutor Group, столкнулись с крупными штрафами в дополнение к общественному порицанию из-за их 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, вот руководство с пятью шагами, чтобы помочь вам внедрить ИИ в ваш бизнес, все при этом делая 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 с ИИ. И как Amazon болезненно обнаружила – через свои неудачные безкассовые магазины Amazon Go – не каждый бизнес-кейс требует ИИ.

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

Например, распространенным применением ИИ является поддержка клиентов. Внедрение ИИ в таком случае возможно так, чтобы иметь конкретные результаты, например, снижение затрат на колл-центр на определенную сумму денег в месяц или ускорение среднего времени решения запросов клиентов на определенное количество минут. С таким подходом у нас есть измеримый индикатор в виде денег или времени, который мы попытаемся достичь, внедряя ИИ и проверяя, 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 запрос клиента быть ответом с помощью страницы 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 успешно, мы достигнем нашей цели – снижения затрат при оптимизации наших капитальных расходов, связанных с ИИ, по сравнению с затратами на разработку чат-бота.

Пионером в этом подходе была юридическая фирма Matten Law, базирующаяся в Калифорнии, которая интегрировала ИИ-усиливающего помощника, чтобы автоматизировать многие задачи, 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 таким образом, чтобы укрепить опыт пользователя, увеличивая человеческий подход там, где он наиболее необходим.

Дополнительными распространенными проблемами, которые можно решить с помощью ИИ, являются анализ данных и создание индивидуальных предложений. Spotify – это замечательный пример компании, которая успешно использует ИИ для разработки интеллектуальной системы музыкальных рекомендаций, которая идет так далеко, как учет времени суток, когда кто-то 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 были очень четкими в отношении аспектов, которые необходимо делегировать ИИ.

2. Определите данные, которые вам нужно проанализировать

Как только основная проблема хорошо определена, нам нужно учитывать данные, которые нам нужно подать в систему. Ключевым моментом является то, что ИИ – это алгоритм, который анализирует и адаптируется к данным, которые мы предоставляем. Базовый сценарий сбора данных следующий:

1. Понять, какие данные нам, возможно, нужно для реализации ИИ.

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

   1. Если да – отлично.

   2. Если нет, нам нужно сесть и выяснить, можем ли мы начать правильный процесс сбора данных внутри компании. Как еще одна возможность, мы можем попросить разработчиков сохранить данные, которые нам нужны, если мы еще не делаем этого.

Вот пример. Мы владеем кофейней, и нам нужно данные о количестве посетителей. Мы можем сделать это, реализовав персонализированные карты лояльности, которые пользователи будут предъявлять при покупке. Таким образом, у нас будут данные, которые нам нужны, такие как 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 есть случаи, когда сбор этих данных может быть очень дорогим. Именно тогда ИИ может нам помочь. Например, если у нас установлена камера в кофейне – что мы, возможно, сделали 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 персональных данных, такими как GDPR, поскольку этот подход может не работать в каждой стране. Но в тех юрисдикциях, где это разрешено, это может быть бесшовным способом собрать информацию, которую нам нужно, и привлечь ИИ для анализа и обработки ее.

Если вы задумываетесь, такая персонализированная программа лояльности – это то, что сделала Starbucks, с большим успехом. Программа лояльности Starbucks прошла так далеко, что предоставляла персонализированные стимулы всякий раз, когда клиент посетил их предпочитаемое место или заказал их любимый напиток.

3. Определите гипотезу

Может быть ситуации, когда вы чувствуете неуверенность в отношении того, какие процессы можно или нужно оптимизировать с помощью ИИ.

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

Как вы обнаружите, есть случаи, когда традиционные решения могут быть более эффективными. Если вы боретесь с тем, какие предложения подчеркнуть для ваших клиентов, предложения на основе наиболее популярных продуктов 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 трудоемко.

Вместо этого я предлагаю вам сосредоточиться на решениях, которые уже доступны. 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 (а не специалистами по машинному обучению), что позволит нам быстро протестировать гипотезу о том, что ИИ приносит ожидаемый эффект или нет. Если он не приносит, мы можем просто отключить эти инструменты, и наша стоимость тестирования гипотезы будет равна только времени разработчика, которое мы потратили на интеграцию с этим сервисом, и сумме, которую мы заплатили за использование инструмента. Если бы мы разрабатывали модель, мы бы потратили зарплату специалиста по машинному обучению, умноженную на время, которое он потратил на разработку модели, плюс любые затраты на инфраструктуру. И тогда неясно, что делать с разработчиком и моделью, если в конце концов ожидаемый эффект отсутствует.

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 растут, мы можем подумать о разработке этой модели самостоятельно, чтобы еще больше снизить затраты. Но нам нужно сначала оценить, является ли стоимость разработки действительно ниже, 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 получили хорошие результаты от использования ИИ с помощью вышеупомянутых инструментов и когда вы уверены, что ИИ – правильный способ решить вашу проблему в долгосрочной перспективе. В противном случае ваш проект по машинному обучению не принесет той ценности, на которую вы рассчитываете, и, как сказал блестящий недавний материал Harvard Business Review, хайп вокруг ИИ будет только отвлекать вас от вашей миссии, которая не нуждается в 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 по ИИ, а затем больше 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 реализации ИИ. Также есть случай, когда они нанимают младшего инженера по машинному обучению, чтобы сэкономить деньги по сравнению с нанятием более опытного специалиста. Это также опасно, потому что человек без опыта может не знать тонкостей разработки и проектирования системы машинного обучения и совершить “ошибки новичка”, за которые компания будет слишком высоко платить, почти всегда превышая стоимость нанятия одного опытного специалиста по машинному обучению.

Следовательно, моя рекомендация – сначала нанять одного эксперта по ИИ, например, консультанта, который будет руководить вами на пути и оценить ваш процесс принятия ИИ. Используйте их опыт, чтобы убедиться, что проблема, над которой вы работаете, требует ИИ, и что технологию можно масштабировать эффективно, чтобы проверить вашу гипотезу.

Если вы являетесь стартапом на ранней стадии и беспокоитесь о финансировании, хитрость в этом заключается в том, чтобы связаться с инженерами по ИИ в LinkedIn с конкретными вопросами. Поверьте или нет, многие эксперты по ИИ и машинному обучению любят помогать, как потому, что они действительно увлечены этой темой, так и потому, что если они преуспеют в помощи вам, они могут использовать это как положительный кейс-стади для своего консультационного портфеля.

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, означает, что ваш бизнес нуждается в ИИ. Многие компании, к сожалению, спешат интегрировать ИИ без четкой цели в виду и в конечном итоге тратят огромные суммы денег и времени. В некоторых случаях, особенно для компаний на ранней стадии, это может означать их гибель. Ясно артикулируя проблему, собирая соответствующие данные, тестируя гипотезу и используя инструменты, которые уже доступны 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, в которых он увеличивает эффективность или прибыльность вашей компании.