![](https://habrastorage.org/webt/xk/p1/zr/xkp1zrqxrysum3ccfthi3rpdnwq.jpeg)
Искусственный интеллект перестал быть вотчиной исключительно крупных компаний. Он становится мейнстримом для бизнеса, однако, по словам президента и исполнительного директора Salesforce Брета Тейлора, успех способствует ему не всегда. Продуманная стратегия развития ИИ должна в первую очередь учитывать интересы клиента и чётко определять результаты для бизнеса, а ключевым аспектом для всего этого являются данные.
В своём докладе на конференции Scale TransformX 2021 Тейлор рассказал об основных вопросах, которые компании любого размера должны учитывать, чтобы выполнять задачи клиентов и достигать стабильных результатов.
В этой статье мы вкратце изложим семь основных выводов из презентации Тейлора. Более подробную информацию можно посмотреть в видео.
Сегодня в бизнесе главное — это данные
«Если у вас нет цифрового бизнеса, то у вас нет бизнеса», — говорит Тейлор.
Компаниям необходимо постоянно поддерживать связь с клиентами, цепочками поставок, партнёрами и сотрудниками. В таких взаимодействиях генерируется множество данных, которые бизнесы могут использовать для создания более интеллектуальных и персонализированных связей. Для осознания этого нарастающего цунами из данных требуются умные алгоритмы и автоматизация. Как когда-то сказал сооснователь фирмы по управлению венчурным капиталом Andreessen Horowitz Марк Андриссен, «Программное обеспечение пожирает мир».
Однако сегодня центром всего, что делают компании наподобие Salesforce, стал искусственный интеллект.
Создание культуры данных
ИИ и глубокое обучение не могут принадлежать исключительно технологическим компаниям. Чтобы достигать своих целей, каждая компания должна стремиться к развитию культуры данных, позволяющей её сотрудникам видеть и понимать поток информации, движущейся по бизнесу. A главный директор по обработке и анализу данных (CDO) должен управлять всей этой информацией, не накапливая её во внутренних закромах. Каждый сотрудник должен иметь возможность принимать информированные решения на основании объективных данных о клиентах, цепочках поставок и потоке ресурсов.
В конечном итоге, компании, создающие открытые культуры данных, легко обгоняют тех, кто этим не занимается.
Этический ИИ создаёт доверие
Переход к культуре данных требует встраивания этики в конструкцию систем, аналогично тому, как компании встраивают в системы безопасность.
Чтобы обеспечить этическую разработку ИИ, самым важным должно быть доверие. Помня об этом, Salesforce создала должность главного директора по этическому и гуманному использованию, задача которого заключается в управлении внедрением ИИ в компании.
Salesforce хочет гарантировать, что все аспекты её ИИ являются ответственными, надёжными, прозрачными, расширяющими права и инклюзивными. Тейлор полагает, что если не учесть этого, то дальнейшее развитие с самого начала неизбежно приведёт к непреднамеренным негативным последствиям и снижению доверия к технологии.
Сегодня общество требует обеспечения высокого качества ПО и искусственного интеллекта. Разрабатывающие ИИ компании должны охотно идти навстречу обсуждениям этики и доверия, а также внедрять эти обсуждения в свои процессы разработки. Для создания доверия также необходимо задействовать ответственных лиц, не являющихся дата-саентистами, чтобы они помогали формировать ответственное использование этих технологий.
Нацеленность на стратегию, а не ИИ ради ИИ
Хотя чтобы оставаться конкурентоспособной, каждой компании нужно стать ИИ-компанией, слишком многие организации уступают ажиотажу вокруг цифровой трансформации, не имея при этом чёткой цели. Согласно опросу Gartner о повестке директоров по информационным технологиям за 2021 год, хотя 94% CIO работают над внедрением ИИ, лишь четверть из них делают это успешно.
«Начинайте не с технологии, а с клиентов», — говорит Тейлор. Сосредоточьтесь на их опыте и на том, что нужно и важно клиентам. Чётко определите границы проекта и в первую очередь ищите те места, где можно достичь быстрой победы. «Если целью проекта становится ИИ, он превращается в бездонную яму для вложений», — считает Брет.
Короткий путь к хорошему ИИ: не создавайте его сами, а купите
ИИ-платформа Einstein компании Salesforce — яркий пример того, что Salesforce сосредоточена на создании технологии ИИ, которая нацелена на клиента и которую «можно настроить щелчками мыши, а не кодом». Клиент Salesforce Orvis использует Einstein для выполнения простого анализа потенциальной успешности своих маркетинговых сообщений до их публикации.
Такой подход увеличил click-through rate Orvis на 22% и повысил трафик на 30%. Это один из способов, которыми компания может внедрять нацеленные на клиента системы при помощи ИИ и без необходимости вложений в навыки и технологии, которые обычно требуются для его разработки.
Согласовывайте инвестиции в ИИ с приоритетами бизнеса
Распространённая ключевая стратегия, особенно в компаниях сферы B2C, заключается в том, чтобы начать с определения сценариев использования, повышающих персонализацию и автоматизацию, таким образом упрощая взаимодействие с клиентом. После этого компании выявляют данные и инструменты ИИ, которые могли бы помочь в создании таких сценариев.
Например, цель Orvis заключается в уменьшении времени звонков в службу поддержки и Einstein может помочь в этом благодаря транскрибированию и анализу вопросов клиентов, а также рекомендуя ответы сотрудникам колл-центра в реальном времени.
Из этого можно извлечь следующий урок: задействуйте лишь небольшое количество специалистов в машинном обучении и сочетайте их работу с использованием стандартных платформ SaaS.
Не забывайте о быстрых победах
Выгода от применения ИИ — это не научная фантастика, считает Тейлор. Достаточно просто посмотреть на картину в целом и найти лёгкую мишень, позволяющую достичь осязаемых результатов для бизнеса.
Подробнее
Чтобы подробнее узнать о том, как Salesforce создала свою стратегию развития ИИ, посмотрите доклад Тейлора и прочитайте полную транскрипцию.
Понравилась статья? Еще больше контента на темы разметки, Data Mining и ML вы можете найти в нашем Telegram канале “Где данные, Лебовски?”
- Как подготовиться к сбору данных, чтобы не провалиться в процессе?
- Как работать с синтетическими данными в 2024 году?
- В чем специфика работы с ML проектами? И как разметить 1500 пузырьков руды на одном фото и не сойти с ума?