Почему при автоматизации процессов с помощью ИИ важен продуктовый подход

Привет, я Михаил Шрайбман, основатель веб-интегратора «Осьминожка». Мы занимаемся разработкой для среднего и крупного бизнеса, а также одними из первых начали внедрять ИИ в бизнес-процессы наших клиентов.

Несмотря на потенциал ИИ, многие компании сталкиваются с трудностями при автоматизации. И я вижу здесь две ключевые проблемы — нехватка продуктовой экспертности у менеджеров и общее отсутствие сформированного рынка специалистов в области ИИ. И хотя сейчас чаще обсуждают дефицит разработчиков, основной вызов всё-таки связан с пониманием, какие задачи, в том числе и глобальные, действительно может решить ИИ.

Продуктовый подход подразумевает, что менеджер должен понимать и бизнес-задачи, и возможности технологий. Но во многих компаниях отсутствует понимание того, что именно можно автоматизировать и с помощью каких инструментов. Например, одна крупная технологическая компания столкнулась с необходимостью ранжировать отзывы, но не знала, какие технологии лучше использовать: LLM или ML. Оказалось, что для решения задачи требуются ML-модели и специфические данные, которых у компании просто не было. Подобная нехватка знаний особенно заметна в промышленных отраслях, где часто отсутствуют даже базовые компетенции в управлении технологическими проектами.

Ещё один важный вопрос — обоснование экономической эффективности использования ИИ. Здесь перед ответственными лицами встаёт много вопросов. Что выгоднее — использовать западные модели, доступные по подписке, развернуть собственную инфраструктуру, применить модели с открытым доступом или вообще не использовать ИИ? Ответ и поиск решения требуют тщательных тестов, но даже с ними сложно предсказать окупаемость, ведь на экономику проекта влияет очень много факторов: объёмы данных, которые нужно обработать, вычислительные мощности, необходимые для работы моделей и многое другое.

Ниже разберу несколько кейсов из нашей практики, когда продуктовый подход помог избежать ошибок и переработок на проектах.

После 2022 года компании из многих отраслей столкнулись с необходимостью с необходимостью перехода от западных поставщиков к азиатским. Например, в электронике это означало перекрестное сопоставление характеристик американских и китайских компонентов. Здесь критическую роль сыграл продуктовый подход: команда объединила данные с разных платформ, нормализовала их с учётом разницы в единицах измерения и переводе, заполнила пробелы с помощью аналитиков. И только после этого была настроена ML-модель, которая сопоставила бы одну базу с другой.

Перед командой стояла задача структурировать данные на маркетплейсе по продаже зерна. Пользователи часто не заполняли ключевые характеристики продукции, указывая их в описании. Это затрудняло фильтрацию объявлений. Применение LLM позволило извлекать информацию из описаний и переносить её в нужные поля. Обработка одного такого объявления стоила очень дёшево, так что в данном случае для компании внедрение технологии оказалось экономически целесообразным.

С помощью LLM или ML можно ранжировать отзывы. Мы провели тесты на небольшой выборке, оценили точность и стоимость и в результате выбрали гибридный подход: LLM выделяла теги, а ML — ранжировала отзывы. С помощью такого подхода удалось добиться высокой точности при оптимальных затратах.

1. Помогает понять бизнес-задачу и выбрать подходящие технологии

2. Позволяет оценить экономическую целесообразность внедрения ИИ

3. Выстраивает эффективный процесс автоматизации, минимизируя риски