На связи команда «ДатаЛаб» ГК «Автомакон». Создаём рекомендательные системы, антифрод-системы, DWH-платформы и многое другое. Давно на «ты» с искусственным интеллектом, еще до того, как это стало мейнстримом.
Решили поднять волнующую многих специалистов и руководителей компаний тему — что мешает внедрению AI в бизнес-процессы. Рассмотрим вопрос с разных сторон: технических нюансов, сложностей и этики.
Почему не все компании активно внедряют ИИ-системы в свои бизнес-процессы? Ведь LLM-алгоритмы, такие как ChatGPT, буквально вдохнули новую жизнь в концепцию интеллектуальных систем поддержки бизнеса. Спектр возможностей безграничен — сейчас доступны любые виды отчетов, дашбордов, прогнозы, модели машинного обучения (антифрод, кредитный скоринг) и многое другое. Способность чат-ботов общаться, давать ответную реакцию делает их полезными помощниками в решении как рутинных задач, так и довольно нестандартных.
Все хорошо, однако есть нюансы.
Несмотря на все эти потенциальные преимущества, многим компаниям не хватает всего нескольких «мелочей» для того, чтобы внедрение ИИ было успешным. И эти «мелочи» касаются механики передачи данных об организации интеллектуальным системам, или, точнее, интеграционных аспектов.
Отчетная система может «нарисовать» график продаж только после подключения к источнику данных о продажах. Система прогнозирования продаж нуждается в многолетней истории продаж, и (опционально) в данных о праздниках, скидочных акциях, погоде, действиях конкурентов. Модели кредитного скоринга требуется не только анкеты заемщиков, но и полная история их платежной дисциплины. LLM-агент должен знать политику организации по возврату средств, чтобы честно отвечать клиентам.
Уверены, вы и сами понимаете, что маркетологи любят что-то недосказать, что-то утаить, приукрасить, выставить в более выгодном свете. Маркетинговые демонстрации интеллектуальных систем обычно скрывают наличие интеграционных задач, создавая впечатление, что системы сразу готовы к работе. Но это не так.
Интеграционные «мелочи»
Что же представляют собой эти интеграционные «мелочи», и почему они могут стать препятствием на пути внедрения интеллектуальных систем?
Интеграционные задачи включают в себя следующие подзадачи:
Поиск данных. Звучит просто, но на практике это может быть сложным процессом. Одной из основных проблем, с которой сталкиваются компании, является недостаток готовности данных для использования в ИИ-системах. Часто данные хранятся в разных форматах, разделены по разным системам. Это может создавать сложности при их агрегации и анализе, что затрудняет успешное внедрение ИИ. Определение правильного источника и правильных данных может быть сложной задачей. Важно иметь ответы на подобные вопросы: Какие данные нужны для работы ИИ? Где эти данные находятся? В базах данных компании, во внешних источниках, в облаке? откуда можно взять данные о скидках?
Подключение к данным. На первый взгляд, тоже кажется, что ничего сложного. Однако важно понимать, как механически забрать данные из базы данных? Из множества Excel-файлов или из личного кабинета внешней рекламной системы? Требуется разработка механизмов для эффективного и безопасного сбора данных.
Актуализация данных. Собранные данные нужно не только единожды получить, но и обновлять регулярно, чтобы обеспечить актуальность информации. Следует понимать, как забрать данные не один раз, но делать это каждый день/каждый час, как обеспечивать поток данных в реальном времени, при этом не перегружая исходную систему запросами. Для этого требуется разработка механизмов для автоматического сбора данных в реальном времени, что может быть сложной задачей из-за большого объема данных и необходимости минимизации нагрузки на исходные системы.
Наконец, последняя, но, возможно, самая сложная задача — это обеспечение качества данных. Не всегда можно доверять исходным данным, и важно иметь механизмы для их проверки и очистки от ошибок и неточностей. Это особенно важно для успешной работы интеллектуальных систем, так как качество входных данных напрямую влияет на качество результатов.
Таким образом, интеграционные задачи представляют собой не только технические вызовы, но и организационные, методологические и этические проблемы. Их решение требует не только специальных навыков и технологий, но и внимания к деталям и понимания бизнес-процессов компании.
Препятствия на пути внедрения ИИ
Важно понимать, что внедрение ИИ не ограничивается только техническими аспектами. На пути к успешной реализации проектов на базе ИИ стоят и организационные препятствия. Вот еще несколько ключевых аспектов, которые могут затруднить внедрение AI:
Отсутствие четкой стратегии внедрения AI. Многие компании не имеют четкой стратегии внедрения систем на базе ИИ и понимания того, как эти технологии могут быть интегрированы в их бизнес-процессы. Это может привести к непониманию целей и ожиданий от внедрения ИИ, что затрудняет оценку эффективности и успеха проекта.
Культурные и организационные препятствия. Внедрение ИИ может потребовать изменений в культуре и организационной структуре компании. Некоторые сотрудники могут испытывать опасения относительно потери рабочих мест или изменения в своей роли из-за автоматизации процессов. Успешное внедрение ИИ требует обучения и поддержки персонала, а также создания подходящей организационной среды.
Недостаток экспертизы и ресурсов. Внедрение ИИ может потребовать значительных инвестиций как в обучение персонала, так и в приобретение специализированных технологий и инструментов. Компании могут столкнуться с ограниченными ресурсами или недостатком квалифицированных специалистов в области ИИ, что затрудняет процесс внедрения.
Проблемы безопасности и конфиденциальности данных. С увеличением количества данных, используемых в ИИ-системах, возникают и риски связанные с безопасностью и конфиденциальностью. Неправильное использование или утечка данных может привести к серьезным последствиям для компании, включая потерю доверия клиентов и нарушение законодательства о защите данных.
Этические вопросы. Стоит учитывать, что при общении с ИИ стоит фильтровать все, что он выдает. Галлюцинации не редкость. В случае ИИ это может проявляться в неправильной интерпретации данных или в искажении выводов из-за ошибок в программном обеспечении или недостоверной информации.
Все эти факторы могут оказать влияние на решение компаний внедрить или отложить внедрение сервисов на базе ИИ. И все же, несмотря на все эти вызовы, внедрение оправдано своими потенциальными преимуществами. Компании, успешно решающие проблемы, связанные с особенностями использования AI, могут рассчитывать на повышение эффективности, оптимизацию ресурсов и получение новых возможностей для развития в мире, где технологии — один из главных бустеров к успеху.
