“Машинное обучение позволяет нам вывести персонализацию на новый уровень”, – Виктория Шаймарданова, TeamIdea

Российский рынок искусственного интеллекта в 2020 году достиг $291 млн.

Ожидается, что в 2023 году он преодолеет отметку в $500 млн, и к 2024 году его объем составит $555,1 млн.

Почти каждое третье крупное предприятие в России, в котором работают более 10 тысяч человек, уже активно использует ИИ.

Планируется, что до конца 2024 года не менее 50% организаций в ключевых отраслях экономики и социальной сферы будут внедрять ИИ.

Какие ИИ-технологии набирают популярность в российском ритейле и чего ждать через несколько лет? Сложно ли разрабатывать под ИИ? Вытеснят ли роботы продавцов?

Обсудили с Викторией Шаймардановой, руководителем направления заказной разработки и директором по развитию TeamIdea.

Спрос естественно рос с развитием технологий. Только за 2022 год рынок вырос на 15% и сос­та­вил око­ло 635 миллиардов рублей.

Когда началась пандемия, люди по понятным причинам пошли в онлайн. Онлайн начал расти, потребности тоже. А дальше, чтобы обслуживать потребности, подтянулась техника.

Получился “толчок” с двух сторон. Помогло то, что к этому моменту технологии были зрелыми, опробованными флагманами отрасли в виде финтеховских компаний и организаций.

Многие наши клиенты сейчас инвестируют в обработку и анализ данных конечных пользователей. Наиболее активно ИИ применяется для персонификации услуг и сервисов, а также для автоматизации взаимодействия с покупателями и заказчиками.

Машинное обучение позволяет нам вывести персонализацию контента и ценового предложения на новый уровень. Мы анализируем поведение пользователя как на отдельной площадке, так и в интернете в целом и понимаем, что может его потенциально заинтересовать. Получается более точечный подход к каждому покупателю.

Автоматизация же позволяет бизнесу экономить. Как правило, после внедрения виртуальных ассистентов или ботов, доля заявок, обработанных без участия менеджера, доходит до 60%, а затраты на обслуживание снижаются на 70%.

Конечно, в первую очередь, машинное обучение – это для компаний, у которых есть много данных. Но это если смотреть прямо. А если посмотреть глубже, сейчас есть тренд на агрегацию и консолидацию бизнесов.

Наглядный пример – маркетплейсы, которые предоставляют небольшим компаниям возможность попробовать инструментарий передовых технологических корпораций вроде Amazon.

Задачи маркетплейсов – обеспечить быстрый вход селлеров и определение целевой аудитории. В решении обеих применение ИИ дает хорошие результаты.

Один из недавних кейсов – клиент из СНГ, крупный ритейлер бытовой техники и электроники. Хотел поправить выдачу товаров на сайте и сделать ее более точной и персонализированной.

Например, чтобы когда покупатель ищет чехлы для смартфона, на первых позициях в выдаче были именно чехлы, а не телефоны. Частая проблема. И даже крупный российский бизнес пока еще не до конца с ней справился.

Мы скорректировали выдачу, используя интеллектуальный поиск на базе машинного обучения. Наш инструмент непрерывно и постоянно анализировал последовательность: что искал конечный пользователь на сайте, что нашел, какой заказ совершил в итоге.

Дальше, на базе анализа происходил постоянный тюнинг движка и дополнение баз синонимов, чтобы выдача для последующих клиентов была наиболее релевантна.

И да, и нет. Если задачи уже решены, то можно, воспользовавшись распространенной архитектурой нейросети, просто переобучить ее на своих данных. Однако, если задача немного выбивается из того, что делали раньше, приходится разрабатывать архитектуру нейросети.

Сразу идеальную сделать не удается. Приходится тестировать разные архитектуры с разными параметрами. Каждая из них обучается, и тестируется уже обученной. Уходит много времени и ресурсов на обучение. Но мы в TeamIdea уже научились это автоматизировать.

Еще одна сложность – данные: их не всегда достаточно для обучения. Приходится придумывать что-то, чтобы их добыть или дополнить существующие. Также с данными перед обучением приходится работать. Размечать их. Что-то удается сделать автоматически, но что-то размечается только вручную – это требует много человеческих ресурсов.

Во-первых, не додумались. А во-вторых, технологии не позволяли.

Сейчас мы можем все быстро посчитать на видеокартах, потому что в них много маленьких простых процессоров. Центральный процессор много умеет, он мощный, но у него всего 4-16 ядер. А в видеокарте этих ядер сотни. Они умеют немного, но для расчетов ИИ этого достаточно. Зато считают сразу много и параллельно.

И еще один важный фактор – 20 лет назад никто еще не владел объемами данных, достаточных для обучения.

Применение ИИ-технологий дает ощутимые социальные и экономические эффекты, поэтому в ближайшее время они будут массово внедряться в органах государственной власти и бизнесе.

Вероятно, следующим этапом станет поддержка внедрения и масштабирования ИИ-решений и формирование отраслевых сообществ заказчиков и разработчиков, закрепление отдельного рынка искусственного интеллекта.

Роботы, знающие, что клиент смотрел до этого, покупал до этого, смотрит прямо сейчас, сильно упростят работу продавцов. Подскажут, что нужно предложить.

При этом, сервис никуда не денется. Консультанты, которые улыбаются клиенту и обслуживают его, останутся в магазинах. Хотя в меньшем количестве.

По сути, ИИ в ритейле позволит качественно улучшить процесс продажи и покупки какой-то вещи, гарантировать, что клиент получит то, что он хотел и будет этим удовлетворен, и вернется к вам снова.