Рубрика развивается при поддержке
Маркетинг
Lera Leonova
1190

Как искусственный интеллект используется в бизнесе: обзор и кейсы

Объем информации, созданной человечеством за последние 30 лет, равен объему за предыдущие 3 тысячелетия и продолжает стремительно расти. Искусственный интеллект заменяет аналитиков и менеджеров. Интуиция, опыт и ручной труд уже не справляются с обработкой потока информации. Бизнес, маркетинг, медицина, государственные структуры оптимизируют работу при помощи инструментов искусственного интеллекта — BigData, машинного обучения и нейросетей.

В закладки

Число компаний, занимающихся искусственным интеллектом в мире быстро растет — доля ИИ-стартапов выросла в пять раз с 2015 по 2018 год и составила 3465, в США — 1393. Наибольшее количество таких компаний в 2017 г. зарегистрировано в США — 2905.

Большинство компаний, работающих на рынке ИИ, вкладывают средства в разработку приложений для машинного обучения. По последним подсчетам $31,7 миллиарда инвестированы именно в эту категорию. Также большие средства вкладываются в программы для распознавания речи. Этот сегмент, по прогнозам, вырастет до $12,4 миллиарда в 2020 году.

Выручка от BigData и бизнес-аналитики в мире в 2018 году составила $168,8 миллиардов. К 2022 году этот показатель, по прогнозам, впервые превысит отметку в $274,3 миллиарда.

Как используют искусственный интеллект крупнейшие компании

Google:

  • в проекте health.google ИИ в комплексе диагностирует состояние здоровья, помогает определить маршрут до ближайшей больницы, напоминает о времени приема лекарств, оценивает прогресс в занятиях фитнесом;

  • проект Medical Brain анализирует состояние больного, перспективы дальнейшего течения болезни, вероятность смерти от этой болезни;

Сбербанк:

  • выдавать все кредиты к концу 2020 года в Сбербанке будет ИИ, для этого он сопоставит биометрические данные клиента, кредитную историю, доходы, затраты и самостоятельно примет решение;
  • в приложении Сбербанк Онлайн, предпочтения 50 миллионов пользователей будут анализировать по 1000 параметрам и сформируют пакет услуг и информации специально для этого пользователя — частые переводы и платежи, статистика трат;
  • предварительное собеседование с кандидатами на массовые вакансии уже сейчас проводит робот, который задает вопросы в зависимости от ситуации и, если кандидат соответствует требованиям, переключает беседу на человека — сотрудника HR службы;

Facebook:

  • ИИ “открывает” глаза людей, моргнувших на фотографиях — без него это было бы невозможно сделать; замена глаз на фотографии — сложный процесс, предусмотреть нужно многое: национальность, разрез глаз, возраст,освещение, поворот головы, другие изображения этого человека в сети.

В бизнесе используется слабый искусственный интеллект, умеющий решать только узкие специализированные задачи с помощью методов BigData, алгоритмов машинного обучения. Сильный искусственный интеллект способен к многозадачности. Его функционал не ограничен — игра в шахматы, сочинение стихов, решение математических задач, бизнес-аналитика и наличие интеллекта.

Сильный ИИ, по прогнозам, появится в интервале 2040-2075 г.

Рассмотрим кейсы из практики

Кейс 1: автоматизация контакт-центра «Додо Пиццы»

Как было:

150 работающих удаленно сотрудников контакт-центра, 250 000 звонков в месяц, для поддержания стандартов сервиса создали скрипты ответов для операторов. Через некоторое время столкнулись с проблемой, что люди стали отвечать на звонки, как роботы, появились негативные отзывы. Вместо переобучения людей появилась идея автоматизировать контакт-центр.

Что сделали:

часто повторяющиеся запросы — жалоба на опоздание курьера, просьба изменить способ оплаты, доставки, отменить заказ, жалоба на качество — перевели на робота. Операторам оставили нестандартные запросы.

С какими трудностями столкнулись:

  • Перевод голоса в текст — люди в разговоре с роботом по другому структурируют речь, интонацию. Например: фраза “Соедините меня с оператором” была распознана роботом как “Соедините меня с императором”; изначально подобранное имя робота “Оксана” воспринималось клиентами, как известная “Алиса”.

  • Некоторые выбранные тематики оказались лишними, запросов на них не было, что привело к пустой трате времени на мало востребованные вопросы.

  • Разработанные логические цепочки быстро устаревают, нужно постоянное обновление.

Что получили:

несмотря на проблемы, итоги оказались выше ожиданий. Автоматизировали 250 тысяч звонков, 1 минута работы оператора стоит 7 рублей, в среднем разговор длится 2 минуты — в итоге экономия составила 500 000 рублей в месяц. Цель обращения клиента определялась в 67% звонков, из них успешно обработаны 97% звонков.

Полностью прослушать доклад можно здесь .

Кейс 2: Результаты поиска трендов развития новых продуктов в металлургии с помощью автоматизированного анализа текстов. ИСИЭЗ НИУ ВШЭ и «Северсталь».

Для “Северстали” важно отслеживать новинки отрасли для создания востребованных на рынке продуктов. Текстовый анализ данных можно успешно применять в металлургии для поиска ключевых фраз в научно-технических документах.

Что сделали:

Тексты научных статей, патентных заявок, отраслевых публикаций по отраслям, имеющим отношение к металлургии (авиастроение, судостроение, двигателестроение, строительство, нефтегазовая отрасль и другие) разбили на термины, термины соединили с описаниями и определили, какие из них относятся к технологиям.

Найденные словосочетания визуализировали в виде карт.

  1. Семантическая карта: каждая точка на карте это термин, близкие по смыслу — кластер. Карту можно просматривать по всем обработанным публикациям или применить фильтр для выбранной категории. Часто встречающиеся термины выделены в ТОП.

  2. Тренд-карта — перспективы и направления развития. Полученные в результате поиска технологии распределены по векторам — зрелые, стимулирующие, зарождающиеся тренды и слабая зона.

  3. На основании этих двух карт вывели информацию в виде утверждений — практические примеры развития отдельных технологий и материалов.

С какими трудностями столкнулись:

  • Поиск должен включать все варианты, формы, падежи слов и различать их значения, например, слово “Apple” может обозначать как фрукт, так и бренд.
  • Для решения недостаточно трех видов карт, это только инструмент для дальнейшего анализа специалистами. Без участия человека конкретные рекомендации пока невозможно принять в силу изменяющихся рыночных условий, финансовых мощностей предприятия.
  • Длительный процесс обработки: 6 месяцев для получения результата.

Результат:

  • 36 новых тем нашли для дальнейшего изучения.

  • 4 новых направления стали темами научно-исследовательских работ в 2019 году.

  • На 10% сократилось время поиска и отслеживания проектов.
  • 2 новых крупных блока рассматриваются для анализа в 2020 году.

Полностью прослушать доклад можно здесь .

Кейс 3: компания Mobifitness привлекла ИИ для анализа и сортировки отзывов клиентов фитнес-клубов и спортивных студий.

Компания разрабатывает ИТ-решения для автоматизации работы 3 000 клиентов спортивной индустрии.

Спикер — Владимир Старков, сооснователь компании Mobifitness.

Как было:

Менеджеры фитнес-клубов ежедневно получали отзывы от клиентов через мобильное приложение, сайт и другие каналы, вручную обрабатывали каждый отзыв, выявляли суть проблемы и направляли ее в нужный отдел. Это лишняя рутинная работа, персонал и затраты. В таком «потоке» легко потерять важный фидбэк, например, жалобу на грязь и неработающую сантехнику.

Что сделано:

Обучили нейросеть на основе сотен реальных отзывов клиентов фитнес-клубов автоматически определять тональность отзыва и отмечать наиболее важные.

Система «сканирует» отзыв и присваивает ему один из четырех смайлов (два грустных и два веселых), в зависимости от настроения клиента. Она также оценивает степень агрессивности людей, оставивших негативный комментарий.

С какими трудностями столкнулись:

Многие клиенты не сразу понимали практическую выгоду автоматической оценки тональности отзывов. Приходилось объяснять, что менеджеры и руководители смогут быстрее реагировать на запросы.

Результат:

  • важные отзывы не теряются в общем потоке;

  • клиентский сервис становится молниеносным: негативные комментарии видно сразу;

  • экономится половина ставки работника, который раньше разбирал отзывы вручную;

  • высокая степень достоверности обработки отзывов: более 90%;

  • возможность автоматически следить за эффективностью работы управляющих фитнес-клубов и филиалов через подсчет положительных и отрицательных отзывов;
  • возможность создания в перспективе системы, которая будет следить за качеством всех составляющих бизнеса: качество общения с клиентами, предоставления услуг, качество уборки.

Кейс 4 — неудачный. Онлайн-ритейлер Амазон использовал ИИ в подборе кандидатов на работу.

Для оценки претендентов разработали алгоритм, который обучался на анкетах ранее принятых сотрудников. При этом сотрудников-мужчин в штате Амазона оказалось больше, чем женщин, и ИИ сделал предпочтение в пользу кандидатов-мужчин.

Предпринимались попытки исправить алгоритм, но полной уверенности в том, что кандидаты не будут дискриминированы еще по другим признакам, не было. Поэтому в 2017 году Амазон отказался от применения ИИ в подборе сотрудников.

Какие риски несет применение искусственного интеллекта?

Стивен Хокинг и Илон Маск считают, что искусственный интеллект несет опасность.

Как и любая новая технология, ИИ можно использовать и во благо, и во вред человечеству. Конфликтами с искусственным интеллектом, обладающим разумом, пугают в фантастических фильмах.

В реальной жизни уже сейчас есть проблемы, которые пока не решены или они требуют дополнительного контроля со стороны людей:

  • нормативно-правовая база — кто будет отвечать за ошибки роботов: проектировщик, разработчик, создавший алгоритм или сотрудник, бухгалтер, оператор, не проверивший результат;

  • персональные данные — как будет соблюдаться конфиденциальность данных, если машины будут анализировать здоровье, пол, возраст, распознавать лица автоматически, не спрашивая согласия человека;

  • низкое качество и быстрое устаревание исходных данных — либо станет препятствием для применения ИИ в отдельных компаниях, либо, как в случае с Amazon, ИИ может сделать неверные выводы при обучении и выдать некорректные результаты;
  • человеческий фактор — люди станут посредниками, автоматизаторами, контролерами для ИИ, сократятся рабочие места.

Своим мнением об использовании искусственного интеллекта поделился Никита Т. , разработчик BigData в крупной банковской системе:

«Основные сложности — это данные, на которых строятся модели и машинное обучение. Может получиться так, что данных много, но после очистки и предобработки их оказывается недостаточно для построения качественной модели для первоначальной задачи. Нужно искать или другие данные или копить новые.

Еще одна из сложностей в том, что сейчас много желающих работать в данной области, многие хотят заниматься Data Science, неплохо знают теорию, но не понимают сферу, для которой решаются задачи.

Вполне реально использовать ИИ в малом и среднем бизнесе, если есть в наличии данные, на которых можно строить обучение (часть данных можно взять из открытых источников). Если данных не столь много, то можно обработать даже на одном мощном ПК, если, конечно, вопрос времени не столь важен. Кроме того, сейчас много доступных платформ, которые предоставляют свои мощности и даже инструменты для машинного обучения. Например, Amazon со своим Azure, Yandex, Mail.ru, есть узкоспециализированные площадки».

Автор: Chiragjain dr - собственная работа, CC BY-SA 4.0, https://commons.wikimedia.org/w/index.php?curid=73401482

Мы уже живем рядом с ИИ, это даже не будущее, это наше настоящее. Мы общаемся с “Алисой”, получаем персональные предложения от банков и магазинов, видим информацию в поисковых системах с учетом наших предпочтений, можем обратиться к онлайн-доктору и ждем появления беспилотных такси на улицах.

Бизнес, технологии, сервис уже невозможны без применения технологий искусственного интеллекта. Но и искусственный интеллект еще долго не сможет обходиться без человека.

Материал опубликован пользователем.
Нажмите кнопку «Написать», чтобы поделиться мнением или рассказать о своём проекте.

Написать
{ "author_name": "Lera Leonova", "author_type": "self", "tags": [], "comments": 4, "likes": 2, "favorites": 23, "is_advertisement": false, "subsite_label": "marketing", "id": 105102, "is_wide": false, "is_ugc": true, "date": "Tue, 04 Feb 2020 20:44:22 +0300", "is_special": false }
Простой коллтрекинг
для малого бизнеса
Новый алгоритм с
настройкой в два клика
Узнать больше
Коллтрекинг
без боли
Простые настройки
Умный алгоритм
Чистая аналитика
Подробнее
Простой коллтрекинг
для малого бизнеса
Знание источников продаж
постичь ты сможешь
познать
Простой коллтрекинг
для малого бизнеса
Знание источников продаж
постичь ты сможешь
постичь
(function(d, w) { var analyticsCategory = "CoMagic branding"; var sendEvent = function sendEvent(label) { var action = arguments.length > 1 && arguments[1] !== undefined ? arguments[1] : "Click"; var value = "" .concat(analyticsCategory, " \u2014 ") .concat(label, " \u2014 ") .concat(action); console.log("Analytics: %c".concat(value), "color: #E87E04"); if (window.dataLayer !== undefined && analyticsCategory) { window.dataLayer.push({ event: "data_event", data_description: value }); } }; var rand = function rand(min, max) { min = Math.ceil(min); max = Math.floor(max); return Math.floor(Math.random() * (max - min + 1)) + min; }; var id = rand(1, 4); var head = document.querySelector(".comagic-branding-head"); head.setAttribute("data-comagic", id); sendEvent(id + " — Header", "Init"); head.addEventListener("click", function() { sendEvent(id + " — Header"); }); var branding = document.querySelector( '.comagic-branding[data-comagic="' + id + '"]' ); branding.style.display = "block"; sendEvent(id + " — Footer", "Init"); branding.addEventListener("click", function() { sendEvent(id + " — Footer"); }); })(document, window);
0
4 комментария
Популярные
По порядку
2

А где ИИ в малом бизнесе? Или, как всегда, ждем 1с?

Ответить
0

Малый бизнес экономит на всем. Даже на 1С. Многие считают, что дешевле нанять несколько аналитиков и они разгребут базу данных вручную. Вся проблема в ИТ инфраструктуре. А платформы для использования есть. Повторюсь - Azure, например. 

Ответить
0

Вот, смотрите (look:))). Для МБ (особенно ритэйл) существует, видимо, легко формализуемая парадигма для данных. Никто пока не смотрит в эту сторону по-настоящему. Хотя у тех же 1с хостеров данных нереально много. Клондайк. Платформы есть. Реализаций практически нет. Тут вопрос интересный - нужно формировать спрос  (рынок) на услугу или ждать пока МБ начнет просить сам? Рынок-то не шуточный. Сорри за много букв. 

Ответить
0

Вы правы, данных много, то, что у хостеров возможно формализовать. Ждать пока парадигма мышления МБ перенастроится? Интересно было бы услышать мнение представителей МБ. 

Ответить

Прямой эфир