6 этапов внедрения ИИ в бизнес-процессы компании
1. Конечная цель
С чего же начинать внедрение ИИ в бизнес-процессы своей компании. Как это не странно звучит, но начинать нужно с конца - то есть с определения конечной цели, которой мы хотим добиться. Это может быть увеличение объёма продаж, увеличение среднего чека, сокращение издержек, уменьшение ошибок или ускорение процессов. Важно, чтобы параметры были измеримы и достижимы, например, рост выручки не менее чем на 30%, увеличение конверсии на 45%, уменьшение простоя оборудования на 25%, снижение брака готовой продукции на 85%.
Внедрение ИИ в промышленных и непромышленных предприятиях происходит немного по-разному. В промышленных организациях чаще всего автоматизируются процессы связанные с когнитивными сервисами, через умное видеонаблюдения (в том числе инфракрасные камеры, тепловизоры и др.). Это позволяет снизить процент брака в готовой продукции, повысить безопасность и автоматизировать ряд процессов. В непроизводственных отраслях внедрение ИИ чаще всего в первую очередь начинается с отдела продаж, так как выгоды здесь наиболее очевидны и измеримы.
2. Создание культуры работы с данными
Любой процесс, связанный с искусственным интеллектом, требует большого количества данных. Очень большого количества данных. Не секрет, что искусственный интеллект появился более 50 лет назад, а математической базе машинного обучения более 100 лет. Однако эффективно применять их стало возможным только сейчас. Причина во многом кроется в том, что за последние 10 лет удалось накопить достаточный массив данных в виде текстов, фото, видео изображений, записях в CRM и ERP, показателей телеметрических датчиков.Сбор и хранение данных требует определённой культуры работы с данными. На всех этапах бизнес-процесса каждый сотрудник должен понимать, что вся входящая и исходящая информация представляет ценность для дальнейшего анализа и составления прогнозов. Это не очевидно для многих, поэтому требуется уделить внимание, чтобы привить каждому сотруднику привычку бережного сбора и хранения материалов.
3. Сбор и обработка данных
Сбор данных может занять определённое время. Слово “большие” в термине Big Data не случайно. Данных должно быть достаточно для нивелирования статистических погрешностей, обучения моделей, формирования контрольной выборки для определения качества моделей.
Методологию сбора и фильтрации данных помогут разработать специалисты data science. Они же потом сформулируют правила их обработки.
4. Построение моделей
Когда подготовительная работа выполнена, строятся ансамбли моделей, которые обучаются на заранее собранных данных (обычно 75% от общей выборки), затем полученные модели тестируются на контрольной выборке (оставшиеся 25%). Те модели, предсказание которых совпало с реальными данными более точно, считаются подходящими для. Разумеется данное описание существенно упрощено, в реальности разбивка на тестовую и обучающую выборки несколько раз перемешивается, чтобы улучшить точность модели и исключить случайное совпадение результатов.То что разные модели могут давать правильные значения не должно смущать. Как в математике так и в обычной жизни мы можем прийти к правильному ответу разными способами, то есть правильных решений может быть несколько. Это в свою очередь даёт больше возможностей для изучения результатов на следующем этапе.
5. Проверка результатов и брейн-штормы
Когда модели построены, тестовые данные предсказываются точно, необходимо проверять результаты на боевых данных. Это не является простой задачей, так как важно нивелировать различные когнитивные искажения вызванные самим наличием прогноза.Люди, как правило, неравнодушно относятся к выводам ИИ и могут как “подгонять” реальные ответы под ответы ИИ, так и наоборот искусственно занижать точность предсказаний, чтобы оставить всё по-старому.
Поэтому проверка моделей должна проводиться с учётом нивелирования данных сложностей.
Кроме наличия самих рекомендаций от моделей машинного обучения, можно получить “веса”, которые разделяют данные на кластеры. То есть бизнес-аналитики получат информацию, которая позволит лучше понять свою целевую аудиторию, сформировать новые гипотезы по улучшению продукта и продаж.
6. Уточнение моделей
Информация, полученная в результате проверки на реальных актуальных данных, даже если она будет существенно противоречить результатам прогнозов поможет уточнению модели. Расхождения могут быть связаны как с изменением самих данных (архивные могут отличаться от текущих), так и с проблемой, описанной выше.В любом случае построенная модель тестируется на новом массиве данных и обогащается ими.Кроме того уточнение модели необходимо проводить силами бизнес-аналитиков, которые могут внести искусственные коррективы на основе знаний технологических и поведенческих процессов. Это позволит уменьшить необходимую выборку данных и увеличить точность прогноза.
Дальнейшее развитие
Можете быть уверены, что сам процесс внедрения машинного обучения в ваш бизнес принесёт ряд косвенных положительных изменений. Вы увидите, где данные терялись или искажались в процессе работы, какие не использовались. Бережное отношение к информации ваших сотрудников сделает их более ответственными, аналитики получат ряд гипотез для проверки. Руководство будет иметь возможность строить интерактивные онлайн BI дашборды на основе собранных данных и видеть актуальное состояние бизнеса.Однако даже после достижения изначально поставленных целей, аппетит только разыграется, руководители отделов увидят как ИИ позволяет быстрее и проще достигать KPI и снижает издержки. Это станет началом для дальнейшей оптимизации процессов с помощью машинного обучения, что приведёт к большему порядку в плане работы с данными на предприятии и в конечном счёте даст синергетический эффект для всех отделов.
Новая информация, поступающая в базы данных будет усиливать модели и улучшать прогнозы.