Как организовать работу с AI-инструментами и командами: инструкция для самых (и не только) маленьких бизнесов

Если ты большая транснациональная или госкомпания – то создаёшь отдел по цифровой трансформации, хантишь именитого директора, он собирает проверенную команду и приступает к работе. А что делать маленькому, но гордому МСП? Вроде сердце требует инноваций, а бюджет на целый отдел не рассчитан. Да и нужен ли целый отдел, когда не понятно, за что схватиться, с чего начать, кого нанимать и как управлять тем, в чем пока не сильно разбираешься?

В этой статье мы описали факторы риска, на которых можно споткнуться при управлении разработкой алгоритмов искусственного интеллекта и организации соответствующей команды.

Дробите на кусочки

Проект с применением технологий искусственного интеллекта (ИИ) может показаться большим и непонятным, но на деле — это всегда три относительно простых компонента:

1. Инфраструктура и подготовка данных;

2. Предиктивный компонент;

3. Оболочка.

1. Организация работы с данными

С данными все просто: они или есть, или их надо собрать. Третий вариант - купить.

Чтобы организовать инфраструктуру сбора и анализа данных, зачастую достаточно одного хорошего Data Scientist специалиста в штате. Он же аналитик Big Data. Он же инженер по работе с Big Data.

Универсальный специалист, который обладает знаниями в математике, статистике, информатике, компьютерных науках, бизнесе и экономике. Именно он обрабатывает данные, извлекая из них закономерности. В data science используются методы машинного обучения для анализа данных, но машинное обучение – это только один из методов анализа.

Data Scientist наладит и систематизирует сбор и хранение данных и внедрит первичную аналитику. Ещё он может внедрить базовую предиктивную аналитику, например, основанную на линейных регрессиях.

Где его взять? Вряд ли вы или ваш HR сможете качественно оценить такого специалиста, поэтому здесь лучше обратиться к профильному рекрутеру. Либо поискать по профильным сообществам, например, в Facebook.

Сколько он стоит? В зависимости от опыта, навыков и региона – в среднем от 100 до 300 тысяч рублей в месяц.

Кто еще может понадобиться?

Инженер по Machine Learning и Deep Learning

Тот, кто возится с нейронными сетями, ИИ, глубоким обучением, умеет с этим всем работать и управлять, чтобы получить нужный результат. Разбирается в алгоритмах, математической статистике, численных методах, методах оптимизации, в теории вероятностей, теории графов, в различных техниках работы с данными в цифровой форме.

Системный администратор/DevOps инженер

Парень, который шарит в оборудовании, серверах, базах данных, сетях, операционных системах и том, как это всё работает вместе и по отдельности.

В последнее время популярным становится не просто разбираться в сетях и железе, но и быть немного программистом (чтобы автоматизировать разработку) и тестировщиком. Такие специалисты называются DevOps инженеры.

Но их стоимость окупается только на больших проектах, так как они занимаются не только настройкой рабочего окружения системы, но и автоматизируют процесс доставки кода до этого самого рабочего окружения, параллельно осуществляя его тестирование.

2. Реализация предиктивного компонента. Модели команд.

Если у вас есть бизнес-задача, которая решается с применением ИИ, то здесь есть 4 основных сценария работы с командой:

  • Вы нанимаете одного специалиста в штат, который будет вести проект и привлекать сторонних аутсорс-специалистов по мере того, как они будут нужны на том или ином этапе.

  • Вы нанимаете компанию-разработчика, описываете свою задачу, и вся работа ведётся на аутсорсе.

  • Вы нанимаете всю команду в штат, возможно, «добираете» тех или иных специалистов по мере необходимости.

  • Вы покупаете готовое решение или его компонент и допиливаете его под себя (в том случае, если такие на рынке есть).

Заметим: разные задачи по мере развития компании могут решаться с применением всех вышеописанных сценариев. Т.е. сегодня вы нанимаете в штат нужного сотрудника, а через месяц может понадобиться докупить готовое решение. А через полгода – привлечь аутсорс-команду. Одно другому не мешает.

Выбирая оптимальную модель работы с командой, стоит ответить на вопросы:

Каков желаемый уровень внутренней экспертизы?

Понятно, что чем больше работы отдаётся на аутсорс, тем больше опыта и знаний уносит с собой приглашённая команда и тем меньше остаётся у вас. Свой сотрудник дороже, зато экспертиза и опыт остаётся внутри.

Насколько уникальным должно быть решение?

Если вы хотите внедрить что-то простое и без перламутровых пуговиц, то, вероятнее всего, такое уже есть, а значит проще всего найти, купить и интегрировать готовое решение, не тратя деньги, время и нервы на собственную разработку.

Какие сроки/бюджеты/развитие проекта?

Если вы планируете поэтапный, многоуровневый, долгий и сложный проект, то, вероятнее всего, нужно будет брать людей в штат хотя бы частично. Как минимум внутреннего лидера, который будет его «тащить». Чем проще, короче, дешевле – тем больше аутсорса и готовых решений. Чем кастомнее и сложнее – тем больше внутренней работы.

3. Делаем красиво

После создания ИИ-компонента ваша система сможет сама анализировать и прогнозировать, далее встанет вопрос о визуализации результатов.

Оно нужно или нет? Принято считать, что, если это инструмент для внутреннего пользования, то дорогая и красивая «оболочка» не нужна. Если же речь идет о внешнем, клиентском сервисе, то здесь нужно пройти семь кругов ада в части дизайна интерфейса.

На наш взгляд, это устаревшая логика. Во-первых, покапитансвуем, конечно, но внешний вид – в первую очередь, про удобство и скорость исполнения функций, а не про предпочтения в цветах и формах. Поэтому к внутреннему сервису ровно такие же требования, как и к внешнему. И даже выше, если вы считаете активом репутацию компании среди сотрудников.

Важно помнить, что оболочка ИИ-продукта не является частью ИИ-модулей. Поэтому эту задачу решают специалисты по веб- и мобильной разработке.

Минус в том, что это отдельные люди и компетенции. Приятный же момент – они дешевле (не кидайтесь тапками сразу, мы взяли среднее по больнице).

AI-компетенции менеджемента

Вопрос об управлении тем, что сам не до конца понимаешь, в разработках предиктивных моделей и ИИ-компонентов актуален как никогда. По крайней мере для малого и среднего бизнеса на данном этапе развития технологий искусственного интеллекта.

ТОПЫ

Руководителям необходимо понять, что может дать ИИ предприятию. Начните разработку стратегии ИИ, распределение ресурсов, расставьте приоритеты.

  • Базовое бизнес-понимание возможностей и невозможностей ИИ, технологий, источников данных;
  • Понимание влияния AI стратегии на стратегию бизнеса в целом;
  • Кейсы применения технологий искусственного интеллекта в своей или близкой к своей отрасли (на самом деле отрасль сейчас не так важна, как профессиональные и личные качества разработчиков, но заказчикам, понятное дело, спокойнее).

РУКОВОДИТЕЛИ ПОДРАЗДЕЛЕНИЙ

Руководители отделов и дивизионов должны быть в состоянии задать вектор AI проектов, распределять ресурсы, отслеживать прогресс и вовремя вносить коррективы для успешного развертывания решения.

  • Базовое бизнес-понимание возможностей и невозможностей технологий искусственного интеллекта, источников данных;
  • Базовое техническое понимание ИИ, включая основные классы алгоритмов и их требования;
  • Понимание проектного рабочего процесса и процессов в AI проектах, ролей и обязанностей в AI командах, управления AI командой.

Вот, собственно, и всё. Основная мысль: не думайте, что ИИ-инструменты – это что-то страшное, неподъёмное и непонятное. Создание и интеграция предиктивных аналитических компонентов – это пазл, состоящий из отдельных вполне понятных кусочков, и если у вас есть четкая бизнес-цель (картинка с результатом), то собрать его более чем реально за 6-12 месяцев.

Рассказываем про будни AI-технологий в бизнесе на своей страничке Facebook. Присоединяйтесь!

Начать дискуссию