Зачем бизнесу ML и AI
Как пришли к ML
Машинное обучение и искусственный интеллект захватывают мир. Мы каждый день пользуемся сервисами, в основе которых обучающиеся алгоритмы. Они упрощают жизнь: помогают с покупками, подбирают машину, советуют музыку. По прогнозам Business Insider, , только рынок чат-ботов к 2024 году вырастет до 9,4 млрд долларов.
Наша внутренняя статистика подтверждает тренд. Со второго квартала 2020 по третий квартал 2021 года мы получили 2808 заказов. Из них 120 — запросы на продукты с использованием обучающихся алгоритмов. То есть 4% заказов — это заказы именно такого типа. В 2018–2019 году таких было всего 0,5%. За несколько лет спрос вырос почти в 8 раз.
Но даже не это заставило нас внимательнее следить за ML. В тот же период 2020–2021 года 80% заказчиков, с которыми мы уже работали, попросили внедрить в их продукты новые технологии. И все эти технологии подразумевали полное или частичное применение искусственного интеллекта.
В чем сила ML
Почти все наши заказчики, особенно из финтеха и ритейла, обзавелись чат-ботами. Яркий пример — АльфаСтрахование. Их клиенты через Telegram-бота оформляют полисы .Это снимает нагрузку с их сайта и колл-центра и увеличивает лояльность клиентов. Чтобы получить страховку, ты просто открываешь привычный мессенджер.
Позже мы стали чаще применять другие механики машинного обучения. Например, для умных рекомендательных систем. В классической схеме рекомендации основываются на статистике. Большинство покупателей онлайн-магазина вместе с томатной пастой берут оливковое масло и спагетти. Значит, если вы покупаете томатную пасту, система предложит вам именно оливковое масло и спагетти. Стоит ассортименту смениться, статистика обнуляется. В магазине больше нет того самого оливкового масла. Теперь вместе с томатной пастой вам посоветуют только макароны. Ваш итальянский ужин не состоится.
Но обучающиеся алгоритмы не допустят этого. Они анализируют описание товара при его добавлении в каталог и делают рекомендации исходя из самой его сути. Нет популярного оливкового масла — предложат менее популярное. Нет и его — предложат льняное или подсолнечное. Без масла вы не останетесь. В этом сила «умных» рекомендаций — они оперируют не статистикой.
Технологии искусственного интеллекта способны выполнять работу, в которой несколько лет назад нельзя было обойтись без человека. Например, мы научили робота ЭкоБот сортировать мусор. Программа распознает на конвейере пластик, стекло, металл и картон. Потом механическая рука распределяет разные типы мусора по разным контейнерам. Человеку остается контролировать и доучивать машину.
Эти примеры на практике показали, в чем преимущества обучающихся алгоритмов:
- сокращают рутину за счет ТГ-ботов;
- улучшают продажи за счет рекомендательных систем;
- помогают находить целевую аудиторию через новые SMART-каналы;
- делают клиентский сервис удобнее за счет автоматизации;
- уменьшают издержки благодаря алгоритмам.
Данные исследований, наша внутренняя статистика и успешные кейсы убедили нас, что в будущем цифровой продукт без технологий машинного обучения обречен проигрывать конкурентам.
Почему отдельное направление
Мы не хотели работать над ML-проектами силами наших отделов аналитики и разработки. Тому было две причины:
- проектирование обучающихся алгоритмов требует больше усилий на исследование модели данных;
- для этой работы нужны уникальные компетенции.
Вместо этого мы выбрали другую стратегию. Она состояла из трех элементов:
- Инкапсулировать весь процесс разработки с использованием искусственного интеллекта и машинного обучения в отдельное направление.
- Явно очертить разницу между нашим отделом продуктовой аналитики и новым направлением.
- Прокачать проектные офисы по таким компетенциям, как статистика в машинном обучении, экспериментальный анализ данных, добыча данных и т. п.
Как инкапсулировали направление
Мы собрали все текущие запросы и проекты по доработке продуктов по направлениям AI и ML. Смогли сформировать набор услуг, кейсов и выделить УТП по этим направлениям. Таким образом у нас сформировалась обёртка нового направления.
Отделить специалистов по этим проектам и сформировать управляющую структуру администрации нам помогло объединение с топовой компанией в этом сегменте.
Все наши активности мы моделируем в виде примитивного PnL (отчёта о доходах и убытках). Учитываем текущую выручку и потенциальный рост по конкретному направлению, а также все необходимые затраты (распределяем по головам производственников, поэтому инкапсуляцию провести легче). И в итоге видим потенциал направления и необходимые стратегические решения для его роста.
Какие компетенции нужны для ML
Мы учитывали статистику (годовой прирост оборота по первому году и новым компетенциям выходил в районе 10%), потенциальные темпы роста, затраты на специалистов и повышение компетенций проектных офисов. Всё это помогло нам оптимизировать модель для эффективного старта нового направления.
Основные навыки, которые мы прокачали у наших проектных офисов для комфортной коммуникации со специалистами нового направления:
- Формализация и формулировка самого вопроса, на который можно ответить статистически.
- Вычисление, понимание и интерпретация метрик производительности: например, p-значение, ошибка первого и второго рода и другие.
- Вычисление, понимание и интерпретация общих статистических данных.
- ANOVA — понимать, как делают выводы из оценок местоположения и изменчивости.
- Как применять матстатистику релевантно области использования.
- Понимание процесса разработки экспериментов по проверке гипотез.
Также важно было интегрировать новые процессы в уже отлаженные. Поэтому мы провели большую организационную работу и поменяли текущие регламенты с учетом новых обстоятельств:
- Мы описали отдельный раздел в нашей базе знаний по всем процессам и необходимым компетенциям.
- Добавили соответствующие навыки во все регламенты и чек-листы по грейдированию руководителей проектов и тимлидов.
- Провели презентацию нового направления и компетенций на нашей обязательной встрече Managers Club.
- Для закрепления результатов выработали дополнительную мотивационную схему для руководителей проектов, которые смогут внедрить компетенций AI и ML на своих продуктах.
Что в итоге
Чтобы освоить новый рынок, мы смоделировали новое направление работы компании. Это помогло нам организовать его максимально эффективно:
- задать вектор развития для наших специалистов;
- достичь оптимальной ставки часа.
В результате мы получили новые компетенции, которые умеем масштабировать на наши проектные офисы. И теперь, вновь убедившись на собственном опыте, можем утверждать, что при правильном подходе к организации новых направлений вы не потеряете инвестиции, вложенные в повышение квалификации своих сотрудников, а сможете найти точку роста для своего бизнеса.
Мы уже запустили несколько проектов, которыми мы с вами пользуемся:
- помогаем сортировать мусор с помощью компьютерного зрения,
- построили рекомендательный алгоритм для Factorymarket, который помогает выбирать товары.
В статье я попытался рассказать, как и почему мы открыли направление искусственного интеллекта и машинного обучения. Надеюсь, что она поможет увидеть другим компаниям свои точки роста и масштабироваться