GenAI от А до Я – какой бывает и как применять его в бизнесе
Искусственный интеллект, зародившийся в 1950-х годах, совершил значительный скачок с появлением генеративнo-состязательных сетей (GAN). Используя большие языковые модели (LLMs), технологию обработки естественного языка (NLP) и машинное обучение (ML), генеративный ИИ может анализировать и создавать обширный текст и изображения на основе запросов пользователя.
По прогнозам, с 2024 по 2030 год рынок генеративного ИИ будет расти на 20,8% в год и к 2030 году достигнет 207 миллиардов долларов. В 2024 году GenAI превращается в технологию, повышающую ценность - грядущие тенденции в области ИИ могут значительно помочь предприятиям извлекать выгоду из данных.
В этой статье рассмотрим генеративный ИИ со всех сторон – какие виды генеративных моделей бывают, как применять GenAI в работе и какие решения с ним возможны, а также рассмотрим несколько примеров его использования в практике студии ИИ-разработки AllSee.
Более 6 лет я развивал ML (Machine Learning, машинное обучение) в стартапах и корпорациях – Газпромнефть, МегаФон, AutoCoach, MVP Lab. В рамках AllSee реализовал несколько успешных проектов: бот для подбора готовой еды для ВкусВилл, проект для распознавания и синтеза речи пользователей в сфере знакомств и другие.
Виды генеративных моделей
Каждая модель генеративного ИИ предназначена для решения конкретных задач. Рассмотрим каждую из них:
Трансформеры
Эти модели обучаются на больших наборах данных, чтобы понимать взаимосвязи между последовательной информацией, такой как слова и предложения. Благодаря глубокому обучению они, как правило, хорошо справляются с обработкой естественного языка и пониманием его структуры и контекста, что позволяет им генерировать качественный текст. ChatGPT-4 и Google Gemini являются примерами моделей генеративного ИИ на основе трансформеров.
Генеративно-состязательные сети (GAN)
Генеративно-состязательные сети состоят из двух нейронных сетей, называемых генератор и дискриминатор. Они взаимодействуют друг с другом для создания достоверных данных. Роль генератора заключается в создании убедительных выходных данных, например, изображение на основе промпта, в то время как дискриминатор работает над оценкой подлинности этого изображения. DALL-E и Midjourney являются примерами таких моделей.
Вариационные автоэнкодеры (VAE)
Вариационные автоэнкодеры используют две сети для интерпретации и генерации данных — кодировщик и декодер. Кодировщик принимает входные данные и сжимает их в упрощенный формат. Затем декодер извлекает эту сжатую информацию и преобразует ее в нечто новое, похожее на исходные данные, но не полностью совпадающее с ними.
Например, такой процесс может включать в себя обучение компьютерной программы генерированию человеческих лиц с использованием фотографий в качестве исходных данных. Со временем программа научится упрощать фотографии лиц людей по нескольким важным характеристикам, таким как размер и форма глаз, носа, рта, ушей и т. д., а затем использовать их для создания новых лиц.
Мультимодальные модели
Мультимодальные модели могут понимать и обрабатывать несколько типов данных одновременно, например, текст, изображения и аудио, что позволяет им создавать более сложные выходные данные. Примером может служить модель ИИ, способная генерировать изображение на основе текстового запроса, а также текстовое описание графического запроса. DALL-E 3 и GPT-4 от OpenAI являются примерами подобных моделей.
Как мы применяем генеративный ИИ на практике
В работе студии AllSee примерно половина из всех создающихся решений основываются на генеративном ИИ. У этого подхода есть несколько преимуществ:
· Во-первых, это способствует быстрым результатам, ведь большое количество генеративных моделей находятся в открытом доступе. Благодаря этому срок запуска пилотного проекта, прототипа или MVP в среднем составляет не более месяца.
· Во-вторых, работа с генеративными моделями позволяет добиваться автоматизации в тех областях бизнеса, где раньше это было сложно, дорого или вовсе невозможно. Именно с приходом генеративных моделей ИИ стал в буквальном смысле забирать рутинную работу у людей, высвобождая ресурсы для более творческой и интеллектуальной деятельности.
В случае с решениями, которые пока не основываются на генеративном ИИ, важны еще более высокие показатели качества работы моделей - например, в случае с предсказанием заболеваний по медицинским снимкам или работой с большими массивами данных. Здесь более специализированные ML-решения в областях NLP (Natural language processing, обработка естественного языка) или CV (Computer vision, компьютерное зрение) позволяют решать узкоспециализированную задачу эффективнее, чем это может сделать мощная генеративная модель. При такой работе требуется наличие размеченного датасета (обработанного и структурированного массива данных), что увеличивает срок разработки, в отличие от применения генеративного ИИ, который уже обучен на большом массиве данных.
Решения на базе генеративного ИИ
А теперь о применении знаний на практике - давайте посмотрим на то, как в различных областях – от медицины до маркетплейсов – генеративный ИИ может сделать работу проще и эффективнее:
Кстати, более подробно о наших решениях можно почитать в файле «85 решений для бизнеса от AllSee» - забирайте его по ссылке!
Создание контента с уникальными свойствами
Ритейл и маркетплейсы: автоматическое создание описаний товаров и маркетинговых материалов, что ускоряет запуск новых продуктов и улучшает SEO.
Медицина: автоматизация создания медицинских отчетов и образовательных материалов для пациентов, что повышает эффективность работы медицинских учреждений.
HR и рекрутинг: автоматизация создания обучающих материалов и описаний вакансий, что ускоряет процесс рекрутинга и обучения.
Маркетинг: автоматизация создания рекламных материалов и контента для социальных сетей, что ускоряет маркетинговые кампании и снижает затраты.
Персонализированные чат-боты, голосовые помощники и ИИ-ассистенты
Ритейл, маркетплейсы и маркетинг: предоставление индивидуальных рекомендаций и помощи клиентам, что улучшает их покупательский опыт и повышает лояльность.
Медицина: круглосуточная поддержка пациентов и помощь в получении медицинской информации, что улучшает их опыт и повышает удовлетворенность.
HR и рекрутинг: предоставление индивидуальной поддержки сотрудникам, что улучшает их опыт способствует формированию лояльности к бренду работодателя.
Если вдруг вас настигли сомнения – нужен ли вам ИИ и если нужен, то какой именно инструмент стоит внедрить – воспользуйтесь нашим шаблоном для оценки уровня автоматизации вашего бизнеса. Благодаря ему вы поймете, какие инструменты ИИ помогут извлекать наибольшую выгоду конкретно вашей компании.
Системы автоматизации поддержки и helpdesk
Ритейл и медицина: автоматизация обработки запросов и решение проблем клиентов, что сокращает время ожидания и улучшает качество обслуживания.
Маркетплейсы и маркетинг: автоматизация обработки запросов и решение проблем покупателей, что сокращает время ожидания и улучшает качество обслуживания.
HR и рекрутинг: автоматизация обработки запросов сотрудников и решение их проблем, что сокращает время ожидания и повышает удовлетворенность.
Корпоративные чат-боты для обучения и работы с базой знаний
Ритейл и медицина: поддержка сотрудников в обучении и работе с клиентами, что улучшает качество сервиса.
Маркетплейсы, HR и маркетинг: поддержка и обучение сотрудников, что улучшает качество обслуживания и операционную эффективность.
Кейсы с генеративным ИИ
У студии ИИ-разработки AllSee много не только решений, но и кейсов их применения. Вот несколько из тех, в работе с которыми мы непосредственно применяли модели GenAI:
1. Стильный помощник
В ходе этого проекта мы разработали телеграм-бот, который позволяет виртуально примерить одежду и предлагает подходящие к образу вещи. Целью стало повышение вовлеченности пользователей и снижение числа возвратов. Внедрением аналогичных решений занимаются гиганты e-commerce по всему миру – например, Amazon, AliExpress и российский Озон.
При разработке мы внедрили ансамбль из нейросетей: одна выделяет на одежду на пользователе, а вторая примеряет на ее место новую. Также подключили API Google Lens для поиска одежды по изображению примерки и развернули инфраструктуру бота на серверах Yandex Cloud.
Полученный бот поспособствовал повышению удобства пользователей при выборе подходящего товара в интернете и более быстрому принятию решения о покупке.
2. Твоя Автошкола
В рамках этого проекта мы создали приложение для автошкол с GPT-ассистентом, которое помогает ускорять и улучшать процесс обучения.
Нашей целью было разработать продукт, который поможет ученикам автошкол быстрее и качественнее готовиться к экзаменам. Созданное нами приложение содержит GPT-чат как дополнительную функцию, которая позволяет ученикам получать оперативные ответы 24/7.
Интересный факт: обучение GPT-чата под конкретную сферу в базовом варианте требует всего лишь набора PDF-файлов с инструкциями и базой знаний. Cебестоимость одного такого чата с пользователем может варьироваться от 1 до 10 рублей, при этом одновременно могут обрабатываться десятки тысяч запросов.
В результате мы получили ускорение процесса обучения, повышение качества подготовки, и, как следствие, повышение процента успешной сдачи экзаменов с первого раза.
3. Hubech
Здесь мы разработали систему парсинга резюме, которая при анализе выделяет ключевые навыки соискателя и «соединяет» его с подходящей вакансией. Нами была выбрана именно HR сфера для более объективной оценки воронки и отбора талантов. В этом проекте мы использовали YandexGPT для анализа резюме, выявления навыков и их сопоставления с базой данных вакансий.
Получившаяся система обрабатывает более 1000 уникальных навыков, сопоставляя их с резюме кандидата. Более того, даже если кандидат не упомянул какой-то из своих навыков, система догадается о его наличии более чем в 80% случаев. В результате платформа повысила конверсию успешных офферов и обеспечила предоставление кандидатам более релевантных предложений.
4. ИИ-секретарь
В этом кейсе мы работали над созданием телеграм-бота для расшифровки аудио и видео с возможностью генерации итогов встречи и создания обучающих курсов. ИИ-секретарь автоматически транскрибирует аудио и видео, а также на основе распознанного контента предоставляет ответы в формате диалога с ассистентом.
При разработке мы использовали Whisper для распознавания речи и диаризации и умный чат-бот для генерации диалогов на основе содержания сообщений.
Результатом стало значительное сокращение времени на изучение записанных созвонов, лекций и рабочих совещаний – оно уменьшилось более, чем в 10 раз!
Если вы хотите увидеть больше примеров внедрения ИИ в бизнес-процессы реальных компаний, забирайте по ссылке наш файл – там мы рассказываем про AI-решения AllSee для бизнеса и кейсы из реальной маркетинговой практики и не только.
Если вам интересно чаще узнавать о новостях в сфере ИИ и возможностях его применения в различных сферах, рекомендую подписаться на телеграм-канал нашей студии ИИ-разработки. Мы тщательно подбираем свежий и полезный контент для всех, кому интересен ИИ – ждем вас там!