ИИ встречает аналитическую инженерию: зрелость ИИ для процессов

Компании из самых разных отраслей и специализаций ощущают потребность окунуться в мир ИИ, включая аналитическую инженерию. Возможности реальны и захватывающи, но организациям, стремящимся максимально эффективно использовать их, следует продуманно и реалистично структурировать свои процессы, исходя из своего уровня зрелости в области ИИ. Давайте рассмотрим, как это сделать.

Уровни зрелости ИИ

При описании сложности используемого вами ИИ уровни зрелости ИИ будут полезны в качестве простой и ясной основы.

Уровень 1: Вспомогательный интеллект (автоматизация): базовая автоматизация повторяющихся задач и рабочих процессов. Примеры: чат-боты с фиксированными ответами, поисковые роботы, инструменты внутреннего поиска.

Уровень 2: Дополненный интеллект (управляемый анализ): вы указываете ИИ метод/модель и то, что нужно анализировать, а он делает всё остальное. Примеры: алгоритмы назначения ставок на рекламу, резюматоры контента.

Уровень 3: Автономный интеллект (самообучающийся ИИ): ИИ выбирает методы, выявляет закономерности и предлагает рекомендации. Примеры: беспилотные автомобили, автономные биржевые торговые роботы.

Давление на «ИИ»

Конечно, сегодня существует огромное давление, направленное на то, чтобы «быть на уровне 3». Но это во многом зависит от ресурсов, активов, основных возможностей, знаний и персонала вашей компании. Лучший подход — начать с того, где это целесообразно, даже если это уровень 1.

Сейчас в интернете миллионы статей, которые бомбардируют вас идеями об ИИ. Но идеи не приносят прибыль. По данным Adobe, только 12%. компаний в настоящее время имеют работающие ИИ-решения, демонстрирующие явную окупаемость инвестиций. Большинство из них всё ещё находятся на этапе пилотных проектов, оценивают эффективность или сталкиваются с трудностями при масштабировании инициатив в области ИИ. Многие команды испытывают трудности с определением областей, где ИИ может быть эффективно интегрирован в их рабочие процессы, и даже когда вариант использования определён, многим организациям не хватает внутренних возможностей для разработки собственных ИИ-инструментов или поиска надёжных внешних решений.

Давайте придерживаться реалистичных приложений. Существуют отличные способы постепенного внедрения ИИ в реальные элементы работы для руководителей, готовых к ответственному масштабированию.

Что можно автоматизировать при создании аналитики для продукта электронной коммерции/SaaS

На мой взгляд, в успешных командах инженеров-аналитиков есть два общих процесса, которые отлично подходят для достижения зрелости ИИ:

1. ИИ для управления знаниями и адаптации
2. ИИ для автоматизации контроля качества и аудита

1. ИИ для управления знаниями и адаптации новых сотрудников

Документация — ключевой инструмент для отслеживания сложных систем. Согласно фреймворку процессов, SDR (Solution Design Reference) должен документировать каждый из пяти этапов. Это может выглядеть следующим образом:

• Процесс №1: Документирование ожидаемых результатов.
• Процесс №2: Отслеживание ключевых историй сбора данных, которые регулярно проверяются.
• Процесс №3: Учет истории требований к данным сторонних технических заинтересованных сторон.
• Процесс №4: Детализация уровня данных для всех приложений и поверхностей.
• Процесс №5: Описание и детализация инженерной архитектуры с помощью диаграмм, иерархий и требований.

А теперь давайте добавим сюда немного искусственного интеллекта.

Level 1

На уровне 1 вы можете начать использовать внутренних чат-ботов на основе искусственного интеллекта для поиска документов.

Во многих компаниях теперь есть внутренние чат-боты, которых можно обучить работе с собственной документацией. Если у вас нет внутреннего чат-бота, вы можете использовать режим инкогнито или отредактировать документацию перед отправкой боту.

Предоставьте своему боту ваши SDR, руководства по контролю качества, соглашения об именовании и стандарты реализации.

После успешного релиза добавьте в документацию заметки по проекту ИИ или планы внедрения. Затем задайте ИИ следующие вопросы:

• «Какой наилучший способ реализовать X, если я хочу использовать ту же логику, что и Y?»
• «Какие данные необходимо собирать для отслеживания покупок?»
• «Каких тегов не хватает на этой новой странице продукта?»

Результатом этого процесса является то, что вы тратите меньше времени на просмотр документов или общение с коллегами, новые члены команды могут самостоятельно находить ответы, а общие знания становятся масштабируемыми.

Здесь есть несколько оговорок. Этот метод действительно работает, если вы хорошо следите за документацией, и масштабировать его можно только после обучения сотрудников и обязательного использования инструмента.

Level 2

Если это подходит вашему отделу, подумайте о масштабировании и подключении чат-бота напрямую к вашей системе. Вы можете автоматизировать эту автоматизацию.

Level 3

Уверен, что здесь нет предела совершенству. Я бы сосредоточился на разработке проактивного ИИ, который выявляет несоответствия и предлагает решения. Реальность такова, что лишь немногие компании достигают такого уровня, и я пишу эту статью для большинства из нас, тех, кто только осваивает азы.

2. ИИ для автоматизации контроля качества и аудита

Регулярный аудит методов сбора данных — одна из лучших практик для фреймворка процессов. Зачастую аудитором выступает команда специалистов по контролю качества, либо можно использовать специальный инструмент аудита. Например, ObservePoint — это многофункциональный и легко настраиваемый инструмент, позволяющий создавать сложные процессы аудита. Даже с роботом всегда можно использовать больше ИИ, верно?

Level 1

Начнём с автоматизации технических аспектов. Разработка маршрутов в инструментах аудита роботов, таких как ObservePoint, часто требует технических навыков и серьёзной поддержки. Чтобы автоматизировать некоторые из этих повторяющихся технических задач при разработке маршрутов аудита, вы снова можете обратиться за помощью к чат-боту на основе искусственного интеллекта. Задайте ИИ следующие вопросы:

«Дайте мне CSS-селектор для кнопки «Следующий шаг».

«Напишите собственный код, который автоматически подтвердит использование всех файлов cookie».

Результатом этого должно стать большее удобство при работе с технически сложными инструментами, более быстрая сортировка и устранение неполадок, а также меньшая зависимость от поддержки и разработчиков интерфейсов.

Здесь есть несколько оговорок: если вы не используете робота-сканера для аудита данных, вам, возможно, придётся обратиться к команде контроля качества. Команда контроля качества может рассмотреть возможность автоматизации стандартных этапов. Начните с малого, постепенно наращивайте темпы по мере готовности; ваши дальнейшие действия станут понятнее только после того, как вы сделаете первый шаг.

Level 2

Для использования ИИ уровня 2 рассмотрите возможность интеграции вашего чат-бота с инструментом напрямую, избегая при этом ручного управления чат-ботом.

Level 3

Наконец, для использования уровня 3 снова нет ограничений. Узнайте, как сделать автоматизацию более проактивной, выявляя улучшения и предлагая решения. Выбирайте этот путь только в том случае, если чувствуете себя уверенно на уровне 2.

Что пока не автоматизировать

Давайте рассмотрим передовую практику №3: сотрудничайте со сторонними технологическими специалистами. Это по-прежнему лучше всего получается у людей. Вы можете использовать ИИ для подготовки к звонкам поставщикам, составления резюме контрактов или составления планов интеграции. Но пока выстраивание отношений остаётся делом человека.

Заключение

Даже если у вас нет бюджета на разработку ИИ на заказ, вы можете начать с уже имеющихся инструментов. Хороший процесс и хороший чат-бот играют важную роль.

Начните с самого простого, с уровня 1 или 2, и дайте своей команде освоиться. Как только вы увидите, как ИИ экономит время и повышает согласованность, вы будете знать, куда инвестировать в более продвинутые инструменты. Самое сложное при внедрении ИИ зачастую заключается в том, чтобы понять, где он вам нужен изначально. Определив этот базовый уровень, попробуйте перейти на следующий уровень вместе со своей командой и посмотрите, насколько более гладкой может стать аналитическая разработка на основе ИИ.

Хотите узнать больше об ИИ в аналитической инженерии, а точнее, о лучших процессах сбора чистых данных? Ознакомьтесь с моей статьей о создании Чистая структура данных электронной коммерции.