Четыре шага к искусственному интеллекту | Harvard Business Review Russia
Среда инноваций

Четыре шага к искусственному интеллекту

Четыре шага к искусственному интеллекту
Фото: Ricardo Gomez Angel / Unsplash

В 2013 году в Онкологическом центре Андерсона запустили проект поистине космического масштаба: диагностика и составление планов лечения некоторых видов рака с помощью когнитивной системы Watson фирмы IBM. Однако в 2017 году, после того как на разработки потратили более $62 млн, проект заморозили, так и не начав испытывать систему на реальных пациентах.

ИДЕЯ КОРОТКО

Проблема
Для решения бизнес-задач все чаще используют когнитивные технологии. Правда, самые амбициозные проекты часто пробуксовывают или вовсе терпят крах.
Подход
Компании должны идти к ИИ постепенно, не предполагая полной трансформации. Акцент надо делать на расширение, а не на замену человеческих навыков и умений.
Процесс
Чтобы получить максимальную отдачу от ИИ, фирмы должны понять, какие технологии подойдут для их типов задач, создать портфель приоритетных проектов на основе потребностей бизнеса и разработать план развертывания ИИ по всей компании.

ИТ-отдел онкоцентра не прекратил экспериментировать с когнитивными технологиями, но проекты стали гораздо менее амбициозными. К примеру, искусственный интеллект (ИИ) легко справился с такими задачами, как подбор гостиниц и ресторанов для семей больных; выявление нуждающихся в финансовой поддержке пациентов; консультирование сотрудников центра по ИТ. Результаты этих проектов налицо: повысилась удовлетворенность пациентов, улучшились финансовые показатели, снизилось время, затрачиваемое на утомительный ввод данных. Первая неудачная попытка достичь главной цели: заставить когнитивные технологии работать в практике лечения онкобольных — не остановила Центр Андерсона: в настоящее время в его отделе когнитивных вычислений идут проработки нескольких новых проектов.

Понимать разницу между «журавлем в небе» и «синицей в руках» важно для любой организации, планирующей проекты с ИИ. Из 250 опрошенных нами руководителей, в компаниях которых есть такие инициативы, три четверти считают, что ИИ существенно изменит их бизнес в ближайшие три года. Наш анализ 152 проектов показывает, что у «прорывных» систем меньше шансов на реальное воплощение, чем у «лежащих на поверхности» улучшений бизнес-процессов. В этом нет ничего удивительного, ведь такое случалось с подавляющим большинством новых технологий, которые внедряли прежде. Но нынешний ажиотаж вокруг мощи ИИ был настолько мощным, что некоторые организации не смогли сопротивляться соблазну.

В этой статье мы рассмотрим различные категории ИИ и дадим общую схему, которая поможет компаниям наращивать свой «когнитивный» потенциал в ближайшие годы.

Три типа искусственного интеллекта

На ИИ полезнее смотреть сквозь призму бизнеса, а не возможностей самих технологий. В целом когнитивные системы могут поддерживать три типа задач: автоматизация бизнес-процессов, получение знаний на основе анализа данных и взаимодействие с клиентами и сотрудниками (см. врезку «Типы когнитивных проектов»).

Автоматизация процессов. Среди изученных нами проектов самыми распространенными оказались системы автоматизации — чаще всего административной и финансовой работы бэк-­офиса с помощью роботизированных технологий обработки (RPA). RPA — более продвинутая, чем прежние, среда для автоматизации бизнес-процессов. В этой среде робот (то есть программа на сервере), подобно человеку, обменивается информацией сразу с несколькими ИТ-системами, решая такие задачи, как:

    перенос данных из электронной почты и сис­тем call-центра в базы данных — например, для отслеживания изменения адреса в файле клиента или сохранения запроса на дополнительные услуги;

замена утерянных кредитных и дебетовых карт с обработкой сообщений и последующим обновлением данных по клиенту в нескольких системах;

сверка отказов в оплате услуг через биллинговые системы с поиском информации в различных типах документов;

«чтение» юридической и контрактной документации для извлечения решений с помощью анализа естественного языка.

RPA — самый дешевый и простой в реализации тип когнитивных технологий. Как правило, он приносит быструю и высокую отдачу от инвестиций. Но он и наименее «умный» в том смысле, что эти приложения не запрограммированы, чтобы самообучаться и совершенствоваться, хотя разработчики постепенно добавляют им «интеллекта» и «способностей к обучению». Особенно хорошо роботам удаются проекты, связывающие несколько ИТ-систем.

NASA запустило четыре пилотных RPA-проекта — для расчетов дебиторской и кредиторской задолженности, расходов на ИТ и кад­рового учета. Ими управляет единый центр. Эти проекты показали себя хорошо (например, в программе найма 86% операций проходят без участия человека) и были распространены на всю организацию. А сейчас NASA внедряет еще больше RPA-ботов и некоторые из них имеют «повышенный уровень интеллекта». По словам руководителя проекта единого обслуживания Джима Уокера, «пока все идет гладко».

Кто-то подумает, что роботизация и автоматизация процессов приведут к тому, что множество людей станут терять работу. Но в 71 RPA-проекте, которые мы рассмотрели, замена административных сотрудников не была ни главной целью, ни высокочастотным результатом. Лишь несколько проектов привели к высвобождению персонала, а в большинстве роботам передали задачи, которые прежде решались аутсорсингом. В будущем проекты роботизации и автоматизации будут сопровождаться сокращениями в первую очередь в аутсорсинговых компаниях-офшорах. Вообще, если задачу можно отдать на аутсорсинг, скорее всего, ее можно и автоматизировать.

Когнитивные инсайты. Второй по распространенности тип проектов (38% от общего числа) использует алгоритмы для выявления и интерпретации закономерностей в огромных объемах данных. Можно назвать это «аналитикой на стероидах». Такие самообучающиеся сис­темы бизнес использует для:

    предсказаний того, что определенный клиент, вероятно, купит в будущем;

выявления мошенничества с кредитными картами и страховками в режиме реального времени;

анализа данных гарантийного ремонта для выявления проблем с безопасностью и качеством автомобилей или других продуктов;

автоматизации персонализированного таргетинга диджитал-рекламы;

построения более точной и подробной актуарной модели для страховщиков.

Когнитивные решения на основе выявленных машиной закономерностей отличаются от традиционной аналитики в трех отношениях: (а) они гораздо более информационно емкие и детализированные; (б) они, как правило, обучаются на какой-то части данных; (в) со временем их способности использовать новые данные, делать прогнозы и разбивать объекты на категории улучшаются.

Некоторые виды машинного самообучения (в частности, глубинное обучение, которое пытается имитировать работу мозга с паттернами) способны на невероятные вещи, такие как распознавание изображений и «понимание» речи. Машина может и сама представить новые данные, улучшающие аналитику. Работа с данными всегда была трудоемкой, но теперь благодаря самообучающимся алгоритмам стало легче, например, находить информацию, которая скорее всего связана с одним и тем же человеком или компанией. Компания GE применила эту технологию для сличения данных о своих поставщиках и в первый же год сэкономила $80 млн за счет удаления дубликатов и пересмотра условий договоров разных отделов с одной и той же организацией. А в крупном банке эта технология использовалась для извлечения контрактной информации и сличения ее с реальными накладными. Оказалось, что десятки миллионов долларов были потрачены на продукты и услуги, которые не были получены. Компания Deloitte использует ИИ для извлечения условий из текстов контрактов. Это позволяет проводить аудит большей части документов (часто почти всех) без вычитывания аудитором-человеком.

Когнитивные решения обычно используют для улучшения работы, которую и так умеют делать только машины. Примером служит программируемый показ рекламных объявлений в сети, всегда требовавший скорости обработки данных за пределами человеческих возможностей. Подобные приложения вообще не несут угрозы для рабочих мест.

Системы взаимодействия. Это такие проекты, как: общение на естественном языке с применением чат-ботов, интеллектуальные агенты и машинное обучение. В нашей выборке этот тип составляет 16% от общего числа проектов. Вот примеры таких разработок:

    интеллектуальные агенты, обслуживающие клиентов 24/7 и решающие широкий класс проблем: от запросов на восстановление пароля до технической поддержки, причем общение идет на естественном языке;

внутренние сайты для ответов на вопросы сотрудников, касающиеся ИТ, льгот для персонала или политик компании;

продукты и системы рекомендаций для ритейлеров, настроенные на улучшение персонализации предложения и общения с клиентом и повышение продаж — обычно с богатыми языковыми или визуальными средствами;

рекомендательные системы для врачей по ведению больных: помощь в разработке индивидуальных планов, учитывающих состояние здоровья и предыдущее лечение пациента.

В нашем исследовании чаще встречались когнитивные системы для взаимодействия с сотрудниками, а не с клиентами. Однако быстрый сдвиг весьма вероятен: фирмы стали проще относиться к передаче машине функций общения с клиентами. К примеру, компания Vanguard ведет пилотный проект интеллектуального агента, который помогает сотрудникам службы поддержки отвечать на часто задаваемые вопросы клиентов. Ожидается, что рано или поздно агент-робот полностью возьмет на себя общение с людьми. Шведский SEBank и медицинский производитель-гигант Becton Dickinson из США используют аватара Амелию для ИТ-поддержки своих сотрудников. SEBank недавно стала вводить Амелию и в клиентскую поддержку. Пока лишь для небольшой группы, чтобы проверить, как она работает и как на нее реагируют пользователи.

Осторожность в применении когнитивных технологий для общения с клиентами во многом объясняется их незрелостью. Например, в Facebook* подсчитали, что 70% вопросов, задаваемых через мессенджер, требуют ответа человека. Как результат, Facebook* и другие компании нашего списка ограничили применение ботов определенными темами и типами онлайн-бесед.

Наши исследования показывают, что когнитивные приложения для коммуникации в настоящее время не угрожают сотрудникам отделов продаж или сервиса. В большинстве проектов цель была не в сокращении штата, а в том, чтобы справиться с ростом интенсивности общения между компанией и клиентами без дополнительного найма. Некоторые организации планируют передать машинам рутинную коммуникацию, оставив службе поддержки более сложные задачи вроде клиентских проблем, требующих вмешательства руководства, ведения неструктурированных диалогов или предупреждения клиентов о риске — до того, как они сами позвонят и сообщат о неприятности.

По мере овладения когнитивными инструментами компании начинают экспериментировать с проектами, которые сочетают в себе элементы разных категорий. Итальянский страховщик, например, разработал «справочное бюро» по ИТ. В ходе взаимодействия с сотрудниками программа самообучается — выявляет часто задаваемые вопросы, ранее решенные проблемы и ссылки на документы, помогающие с ответом, (признаки принадлежности к категории когнитивных инсайтов). Смарт-маршрутизация, характерная для RPA, применяется для пересылки сложных проблем человеку, а интерфейс на естественном языке (итальянском) характерен для когнитивных технологий коммуникации.

Опыт работы с когнитивным инструментарием расширяется, но компании пока сталкиваются с серьезными препятствиями в реализации проектов. Мы разработали схему из четырех шагов. Она поможет правильно развернуть и интегрировать в работу компании когнитивные технологии любой степени амбициозности, от скромных до прорывных.

1. Понимание технологий

Прежде чем вступать в область искусственного интеллекта, надо понять, какие типы ИТ пригодны для ваших задач, разобраться в достоинствах и недостатках каждого класса ПО. Работа экспертных систем и программ автоматизации процессов понятна и прозрачна, но они не способны учиться и улучшаться. Глубинное обучение прекрасно подходит для иccледования больших объемов размеченных данных, но редко когда можно понять, по какой модели оно их анализирует. Функционирование в режиме «черного ящика» может стать серьезной проблемой в сильно зарегулированных отраслях, таких как финансовые услуги, ведь регулятор нередко хочет понимать, почему было принято то или иное решение.

В некоторых организациях неправильный выбор ПО уже привел к напрасным тратам времени и денег. Чтобы удовлетворять реальные потребности своего бизнеса, надо знать и правильных поставщиков ПО, и классы программных оболочек, и примерные сроки их внедрения. ИТ-отдел или инновационная группа должны быть готовы потратить немало сил на изучение и исследование рынка.

Кроме того, надо привлекать специалистов, владеющих статистикой и достаточно разбирающихся в больших данных, чтобы понять, как устроены когнитивные системы. Главный фактор успеха — желание сотрудников учиться. Одни будут в восторге от возможности узнать новое, а другие захотят остаться со своим привычным инструментарием. Постарайтесь, чтобы в вашей команде было больше первых.

советуем прочитать

* деятельность на территории РФ запрещена

Войдите на сайт, чтобы читать полную версию статьи
советуем прочитать
Хватит строить планы — пора решать
Мэнкинс Майкл,  Стил Ричард