Россия входит в топ-20 стран по уровню развития цифровых технологий в мире. И искусственный интеллект который год забирает лавры первенства в списке популярных ИТ-трендов. Все больше компаний в промышленности, ритейле, финтехе и других индустриях стремятся внедрить эту технологию для того, чтобы вывести бизнес на новый уровень. Каковы выгоды от нововведений и трудности, с которыми сталкивается бизнес при внедрении ИИ-решений?
Плюсы от внедрения ИИ
Компании, внедряющие искусственный интеллект в бизнес-процессы, держат в руках ключи к сохранению конкурентоспособности и дальнейшему развитию. Рассмотрим конкретную пользу, которые ИИ-решения могут принести бизнесу.
Клиентский опыт выходит на новый уровень
Едва ли на современном рынке найдется компания, которая не собирает массивы структурированных и неструктурированных данных о поведении пользователей. Чтобы заставить данные работать, их анализируют алгоритмами ИИ и получают ценные инсайты для выстраивания коммуникации с клиентами. Так на смену индивидуальному подходу приходит гиперперсонализация, где в фокусе — индивидуальные предпочтения одного клиента, а не группы.
Раньше клиент, купивший стиральную машину, потом неделями видел в рекомендациях аналогичные товары. Алгоритмы ИИ учитывают не только историю покупок, но и другие действия пользователя. И, наряду с гиперперсонализацией, дают бизнесу возможность предлагать покупателю именно то, что ему нужно в конкретный момент.
Аналитика данных с помощью ИИ ложится в основу бизнес-стратегии и плана маркетинговых активностей. Прогнозная аналитика позволяет «заглядывать в будущее»: тренды, сезонный спрос, товарные предпочтения. На базе этой информации получается попадать в клиентские ожидания и адаптироваться к изменениям на рынке.
Технологии ИИ применяют и в физических точках продаж, чтобы избавиться от бесконечных очередей. Например, «Перекресток» в кассы самообслуживания внедрил технологию компьютерного зрения для оплаты улыбкой (с помощью биометрии). Amazon и вовсе предложил магазин без кассиров. Для работы системы в магазине разместили сотни датчиков и камер с компьютерным зрением для отслеживания действия покупателя. Автоматизированная система Amazon Go с помощью машинного обучения аккумулирует данные, чтобы узнавать любой товар без сканирования штрихкодов.
Безопасность во главе угла
Камеры с системами компьютерного зрения практически в любой индустрии могут помочь автоматизировать контроль соблюдения норм безопасности, санитарных требований, правил пожарной безопасности. Наиболее часто такие меры предпринимают на производстве, где ценой беспечности человека на площадке или невнимательности оператора могут стать жизни сотрудников.
Системы видеоаналитики сигнализируют о нарушениях регламентов персоналом, например, об отсутствии защитного снаряжения. В целом они молниеносно распознают типовые потенциально опасные ситуации на заводе и оповещают о них, что позволяет останавливать технологический процесс до возникновения инцидента.
В логистике и ритейле компьютерное зрение помогает следить за тем, как чувствует себя водитель, который везет товар, доставляет ли он его вовремя и в целости и сохранности.
«Умные» полки в магазинах работают с системами компьютерного зрения и датчиками. Технологии помогают контролировать наличие товара, точнее управлять запасами. А также обнаруживать подозрительную активность: попытки кражи, перекладывание продукции в другие упаковки.
Андеррайтинг без риска
Страховые компании применяют машинное обучение и анализ данных для андеррайтинга — оценки финансовых рисков. Обычно при проведения такой процедуры вручную учитывают до 20 параметров. Специалисты могут ошибаться: будут слишком лояльными — страховщик потеряет деньги на выплатах по страховым случаям, слишком осторожным — упустит потенциальных клиентов.
Алгоритмы ИИ оценивают сотни параметров: возраст, штрафы, характеристики автомобиля и другие. А это позволяет точнее выявлять потенциальные риски и при этом полностью исключать человеческий фактор.
Банки используют алгоритмы искусственного интеллекта для оценки фактической платежеспособности клиентов и прогнозирования их поведения в будущем, опираясь на выработанные портреты пользователей. ИИ потенциально справляется с 95% заявок. В остальных 5% случаев нужно подключать человека. Обработка массивов информации происходит за минуты, в результате скорость выдачи займов многократно возрастает.
Эффективность растет, расходы сокращаются
Банки, страховые компании, ритейлеры запускают чат-ботов и мобильных голосовых ассистентов, чтобы оптимизировать работу колл-центров и служб поддержки. Такие помощники распознают речь и определяют тему обращения. Если чат-бот или голосовой ассистент связаны с внутренними системами компании, они используются не только для ответов на вопросы, но и для изменения параметров заказа.
Цифровые помощники могут в два раза ускорить обслуживание клиентов. И способны обрабатывать не только типовые вопросы по заказам, входящие звонки, но и совершать массовые обзвоны, на которые у живых операторов обычно уходит по несколько часов ежедневно.
В «Тинькофф» сообщают, что им удается экономить до 30 млн. рублей за счет голосового помощника, который теперь обрабатывает почти половину запросов в колл-центре.
В целом, в разных индустриях сокращение затрат за счет чат-ботов и голосовых ассистентов может помочь снизить стоимость обслуживания клиентов до 70%. Но при условии комплексного подхода к цифровизации службы поддержки.
Машинное обучение на производстве помогает предсказывать отказы оборудования, что позволяет избежать простоев и снизить финансовые потери. Например, на автомобильном заводе система собирает данные о работе всех роботов и конвейеров, а алгоритмы машинного обучения их анализируют и выявляют паттерны нормального режима работы оборудования и те, которые предшествуют отказам: изменения вибрации, температуры и т. д. В случае отклонения данных процесса производства от нормы система сигнализирует о необходимости экстренно провести ТО, чтобы предотвратить аварию.
С какими вызовами сталкивается бизнес при внедрении ИИ
Потенциальные выгоды идут рука об руку с возможными вызовами, которые стоят перед бизнесом, желающим внедрить ИИ. Вот основные из них:
- Недостаток ресурсов. Не у каждой компании есть достаточный запас времени и денег для того, чтобы внедрить ИИ-технологии, обучать модели, поддерживать это решение. В текущей рыночной ситуации в приоритете бизнеса зачастую оказываются проекты, которые окупятся в ближайшей перспективе. А ИИ-проект долгосрочный: увидеть реальную отдачу от внедрения получится только через полгода или позже.
- Неготовность ИТ-инфраструктуры. Если у бизнеса недостаточно ресурсов на модернизацию внутренних систем, сетевого оборудования, вычислительной техники, реализовать сложный ИИ-проект не удастся.
- Недостаток данных. Зачастую у современной крупной компании достаточно накопленных данных, но, возможно, потребуется собрать еще под конкретную бизнес-задачу, иначе результаты работы алгоритмов ИИ не оправдают ожидания. При этом сбор датасета потребует дополнительных инвестиций и времени.
- Риск утечек данных и кибератак. Обработка и хранение больших объемов данных сопряжены с риском для конфиденциальной информации. Компании должны быть готовы к ужесточению мер безопасности для защиты от возможных кибератак и утечек.
- Трудности поиска специалистов. Дефицит экспертов в сфере ИИ сокращается, но все еще остается существенным. Однако поиск кадров усложняется еще и вследствие непонимания задач, которые нужно решать с помощью ИИ. Бывают ситуации, когда компания ищет специалиста уровня Senior, готова платить ему от 300 тыс. руб. в месяц и конкурировать за него со «Сбером», «Яндексом» и другими гигантами, толком не понимая, почему нужен именно он.
Со многими типовыми проектами на рынке справится специалист уровня Junior или Middle, если он активно пользуется библиотеками (scikit-learn), фреймворками (PyTorch) и ИИ-инструментами (ChatGPT), которые упрощают решение многих задач. К тому же появилось уже достаточно AutoML-алгоритмов, способных автоматически по нажатию кнопки после передачи данных собрать нейросеть. - Неспособность оценить эффект от внедрения. Отсутствие четких критериев оценки эффекта от внедрения ИИ может привести к потере ресурсов и нежелательным результатам. Изначально нужно проанализировать операции конкретного процесса и понять, где анализ данных и автоматизация принесут пользу. И это все с учетом целей и специфики бизнеса.
Каждый бизнес-процесс завязан на специфических KPI. Для одного отслеживают уровень расходов, для другого — качество продукции. Важно учитывать этот контекст и регулярно измерять результаты после внедрения ИИ в сравнении с теми, что были изначально.
Заключение
Искусственный интеллект принесет массу выгод, если удастся справиться со сложностями при внедрении. Технология может значительно оптимизировать бизнес-процессы, что позволит улучшить производительность компании и ее конкурентоспособность на рынке. Так что инвестирование в ИИ — стратегическое решение, способное определить будущее бизнеса.
