Читать книгу "Синергия интеллектов. Как внедрить ИИ в бизнес-процессы"

Алексей Колоколов, Алиса Бышовец
Синергия интеллектов. Как внедрить ИИ в бизнес-процессы

Введение

История с искусственным интеллектом (ИИ) сегодня похожа на Вавилонскую башню. Согласно библейской истории, люди тогда замахнулись на амбициозный проект – построить башню до небес, чтобы показать свои возможности. Но они были наказаны небесами: их языки смешались, и они перестали понимать друг друга. В итоге бросили строительство и расселились по всей земле.

Когда заходит речь про ИИ, то одни руководители говорят про инвестиции и ROI, другие – про штрафы за передачу персональных данных, нарушения конфиденциальности. Технические специалисты сыплют терминами про токены и миллиардные параметры моделей. Пока энтузиасты обсуждают сингулярность и приближение сверхинтеллекта, у «простых смертных» нейросеть галлюцинирует при выполнении задач, требующих хоть немного здравого смысла.

Рынок переполнен ИИ-сервисами и компаниями, которые обещают «нейросотрудников», экономию затрат и рост продаж. Но пока что многие ИИ-проекты показывают эффективность лишь в пилоте, а при масштабировании приводят к финансовым убыткам и репутационным издержкам. При этом стратегически очевидно – без инвестиций в ИИ нельзя, иначе рискуем отстать от конкурентов.

Этой книгой я хочу наладить общий язык между всеми заинтересованными, синхронизировать ожидания людей. Показать, как руководителю и специалисту договориться о целях, чтобы ИИ перестал быть черным ящиком. Смысл не в том, чтобы заменить человека машиной, а в том, чтобы объединить их сильные стороны. Человеческий интеллект остается во главе: именно он задаёт направление, принимает решения, управляет рисками. Машинный интеллект усиливает – автоматизирует рутину, ускоряет расчеты, расширяет горизонты. И когда эти два уровня работают вместе, возникает синергия, которая и дает бизнесу реальную отдачу.

Для кого эта книга

Эта книга написана для тех, кто работает с информацией и с людьми и принимает решения. Для тех, кто уже слышал о нейросетях, возможно, что-то пробовал, но не получил понятного, предсказуемого результата. Для тех, кто хочет разобраться, как встроить искусственный интеллект в текущие бизнес-процессы, и как подготовиться к будущим измерениям технологий и рынка.

Руководитель среднего звена. От вас ждут, что вы сделаете прорыв с ИИ: увеличите эффективность, сократите издержки, ускорите процессы. Но у вас нет отдельного бюджета на эксперименты, нет команды разработчиков и ИТ-поддержки, и вы понимаете: если не разобраться самому, ничего не сдвинется.

Собственник малого или среднего бизнеса. Вы привыкли считать деньги и смотреть на результат. Вам предлагают десятки решений, обещают «цифровых сотрудников» и «полный переход на ИИ». Но вы хотите понять принципы, увидеть реальные примеры и разобраться, где вложения оправданы, а где – пустая трата времени и денег.

Специалист, который хочет расти. Вы уже что-то пробовали: задавали бытовые вопросы нейросетям, искали идеи или тексты. Но как использовать ИИ в работе, чтобы получить точный и повторяемый результат – пока непонятно. Вам важно разобраться, потому что впереди карьера, повышение, новые задачи. Ведь те, кто умеет грамотно работать с ИИ, уже получают преимущество.

Узнаёте себя?

С первого раза не получилось. Вы пробовали применить ИИ в работе, но результат оказался бесполезным или не оправдал приложенных усилий. И пока что продолжаете работать прежними инструментами.

Вам важна точность. Вы уже сталкивались с тем, что нейросети фантазируют и галлюцинируют. Но если речь идёт о документах, отчетах или технических заданиях – это недопустимо.

Вы цените своё время. У вас нет возможности следить за обновлениями, смотреть вебинары, экспериментировать. Ведь ваше рабочее время уходит на продажи, производство, логистику, управление людьми и финансами.

При всем этом вы понимаете: важно организовать работу человека и машины, чтобы результат был стабильным, без финансовых и репутационных рисков.

Кому книга НЕ нужна

Если вы технический эксперт, уже разбираетесь в разных моделях, работаете с API, пишете ботов – вам эта книга вряд ли откроет Америку.

Единственный момент, на который хочу обратить ваше внимание – это окружение. Если ваши заказчики, руководители или коллеги хотят от ИИ невозможного или до сих пор не поддерживают ваши проекты – дайте им эту книгу. Она поможет вам найти общий язык.

В чем уникальность книги

Я начинал читать много зарубежных книг про ИИ, но они оказывались написаны в «американском» стиле: результаты исследований, опросов руководителей, подтверждающие идею – «ИИ нужен всем, он скоро все изменит». Много мотивации, общие слова, но непонятно что делать с этой информацией, как внедрять, с чего начать.

Либо за броским названием скрывались сугубо технические книги про машинное обучение, ориентированные на программистов, работу с алгоритмами, а не бизнес-задачами.

На русском языке я даже находил книги, ориентированные на руководителей. Но, к сожалению, это были тексты, явно написанные с нейросетями, содержащие все тот же пересказ американских мотивационных книг с выдержками из исследований «британских ученых».

Поэтому гордо заявляю – книга «Синергия интеллектов»написана человеком!

В ней я опираюсь на 15 лет опыта внедрения проектов корпоративной отчетности. Почему он релевантен теме ИИ? – да потому что все эти годы мне приходилось быть переводчиком с бизнес-языка на технический, работать с заказчиками, ожидавшими чуда от аналитики и прогнозирования. Что BI-система проанализирует данные, и скажет, какие решения принимать. В общем, то же самое, что и с ИИ.

Если вы читали мои предыдущие книги («Дашборд для директора», «Заставьте данные говорить» и «Азбука визуализации Power BI»), то знаете мой авторский стиль. Вместо толерантных обобщений, которыми грешат сейчас нейросети, я высказываю личное мнение, привожу конкретные примеры из практики.

Что вы получите в результате

В книге будет много кейсов, примеров успехов и провалов ИИ-проектов, которые дадут вам насмотренность и возможность научиться на чужих ошибках. Вы получите понятную терминологию, с помощью которой сможете на одном языке договориться с коллегами, получить поддержку ваших инициатив. В итоге вы разберетесь:

– Какие бизнес-задачи можно решать с нейросетями.

– В чем специфика работы с разными типами документов и процессов.

– Как использовать связки из нескольких инструментов.

– Как строится итерационный подход в работе с ИИ.

– Как исправить ошибки и галлюцинации и обучить своего ИИ-ассистента.

Вместо слепого энтузиазма или консервативного недоверия вы сформируетесобственное мнение. Как в вашей организации использовать нейросети, как их контролировать и встраивать в работу людей.

Чего вы НЕ получите

Здесь вы не найдете волшебного промпта «получить прибыль без рисков и затрат». И даже если вы будете использовать подходы, описанные в книге, я не могу вам гарантировать, что именно в вашем проекте они сработают.

Вариативность – свойство нейросетей, с которым важно научиться иметь дело. Но в этом и заключается перспектива, синергетический эффект, которого вы можете достичь после прочтения книги и дальнейшего внедрения искусственного интеллекта в работу.

Желаю вам успехов на этом увлекательном пути!

От автора. Ретроспектива

Нейросети грешат обобщениями. За ними теряются важные детали, а потом их место в документах заполняют усредненные по рынку данные, общие тренды, среди которых не уловить суть. Поэтому я искренне считаю, что в наши дни возрастает ценность субъективного взгляда, авторской позиции. А для формирования собственного мнения по любому вопросу нужно опираться на несколько точек зрения, а не на саммари от ChatGPT.

С 2009 года я занимаюсь проектами по аналитике данных. Сначала – как наемный специалист, затем как директор компании, лично отвечающий за результат перед клиентом. Ключевые проекты были в реальном секторе экономики: металлургия, нефтегаз, железнодорожный транспорт. И мне хорошо знакома разница между тем, что рассказывают про цифровизацию и инновации в головных офисах в Москва-Сити, и тем, как это происходит на земле.

В этой вступительной главе я расскажу вам о том, как я наблюдал развитие машинного обучения и искусственного интеллекта через призму собственного опыта. Даже сам удивился, что это охватывает аж три десятилетия:

«нулевые» – я называю это эпохой информатизации, внедрения ИТ, автоматизации бизнес-процессов

«десятые»годы – эпоха больших данных и расцвета аналитики

«двадцатые»– эпоха повсеместного внедрения искусственного интеллекта

Повторюсь, я не претендую на объективность, это частный взгляд участника событий.

2000-е годы

Вспоминаю 2005 год: на третьем курсе университета у нас был предмет «Интеллектуальные информационные системы», которые вел профессор Гольдштейн. Тогда меня впечатлила идея, что можно не программировать жесткие алгоритмы, а построить систему, которая сама выстраивает связи, как нейроны в мозгу, и находит оптимальный путь решения задачи.

Особенно красиво звучал термин кластерный анализ. Хотя суть проста и понятна: у каждого объекта есть набор признаков – например, у клиента это могут быть покупки, частота визитов, средний чек. Алгоритм измеряет «расстояние» между объектами по этим признакам и группирует похожие. В итоге ты получаешь не стандартную сегментацию по диапазонам сумм или социально-демографическим признакам, а неочевидные поведенческие сегменты.

Еще запомнились деревья решений. Алгоритм ищет такие вопросы, на которые можно четко ответить «да/нет», и разделить данные. Например: «Покупал ли клиент в прошлом месяце?», «Средний чек выше пяти тысяч?». На каждом шаге дерево делится, и чем дальше, тем более конкретные условия мы получаем. В итоге путь по веткам дерева приводит к предсказанию: уйдёт ли клиент, купит ли товар, стоит ли одобрить заявку.

Позже, в аспирантуре, я стал глубже изучать эту тему, и узнал, что на практике это мало где применяется. Точнее, были проекты по прогнозированию социально-экономического развития регионов, но они имели мало общего с реальностью. Чтобы модель давала достоверный результат, нужен большой объем данных. А в ту пору у компаний была лишь базовая автоматизация на уровне 1С бухгалтерии или зачатков CRM.

Такие технологии начинали применяться в банках, федеральных торговых сетях, где транзакции идут каждую секунду. Но даже там прогнозы не учитывали факторы внешней среды, в итоге ИИ-проекты оставались уделом романтиков-математиков, мечтавших алгоритмизировать принятие решений в бизнесе. А также прагматичных менеджеров, которые осваивали бюджеты на инновации, заведомо зная, что проект ляжет в стол.

2010-е годы

В следующем десятилетии ситуация изменилась. Два фактора стимулировали развитие предиктивных технологий:

Во-первых, компании автоматизировали основные процессы, накопили массивы данных за 3–5 лет и более. Уже можно было строить прогнозы, учитывая сезонность и другие тренды.

Во-вторых, серверные мощности стали на порядок доступнее. Добавить сотню гигабайт оперативной памяти или терабайт дискового хранилища стало по карману не только крупным, но и средним компаниям. Плюс развитие облачных дата-центров, где можно быстро арендовать ресурсы.

Тогда основным направлением моей компании было создание корпоративных хранилищ данных, автоматизации отчетности. И мои клиенты действительно стали получать не просто красивые графики на дашборды, а получили возможность углубляться до подробных данных по клиентам, товарам и сотрудникам. А дальше возникал вопрос: «А что, если?..», им хотелось смоделировать разные сценарии, спрогнозировать поведение клиентов.

Наш первый проект в 2014 году был по предсказанию оттока абонентов регионального интернет-провайдера. Идея была в том, чтобы построить «портрет уходящего клиента» и заранее выявлять склонных к уходу, и проводить активности по их удержанию.

Тогда мы использовали технологии IBM SPSS. Загрузили данные по клиентам: активность использования услуг, обращения в поддержку и другие параметры. Данные были без последнего квартала – на них мы затем проверяли достоверность прогноза. Сначала погрешность была существенной, но еще через месяц мы обучили модель на свежих данных, а также добавили статистику по конкурентам (у клиента наконец-то появился повод навести порядок в этих данных).

Точность прогноза была 80%, что по тем временам считалось хорошим результатом, и мы гордо пошли презентовать это коммерческому директору. На что он ответил: «Спасибо, ребята, я и так знаю, что у нас основной сегмент оттока – это коттеджные поселки. Ведь Ростелеком предлагает им больше услуг и вдвое дешевле. Я-то думал, вы спрогнозируете, где нам взять новых клиентов…».

В тот момент я столкнулся с реальностью. Для математиков успех – это точность прогноза (и это не одна метрика, а целый набор критериев). Но для бизнеса – это все бесполезные умные слова. Заказчики, за редким исключением, хотели быстрого результата без вовлечения со своей стороны. А я сфокусировался на теме дашбордов, где клиенты как раз созрели и спрос продолжал расти.

С годами у компаний становилось все больше данных и стал укрепляться новый тренд – Data Science. В основе была все та же матстатистика, но с более современными инструментами. На рынке труда появлялось все больше специалистов, способных работать с ними. И тогда, на рубеже 2017-2018 годов, я снова решил проверить на практике, может ли машина думать за человека.

Завод по производству промышленных смол. Нужно спрогнозировать параметры смолы на выходе из реактора. От этого зависело, куда её можно пустить: либо на деревообрабатывающую сферу, условно для сборки шкафа, либо на производство автомобильных покрышек. Проблема была в том, что заказ шел «под дерево», а на выходе оказывалась партия, подходящая только «под резину».

Клиент уверял, что все данные у него есть, лаборатория автоматизирована. На практике всё упёрлось в сбор достоверных данных: оказалось, часть показателей ведется в бумажных журналах. Мало того, техник мог уйти пораньше и записать в журнал усредненные показатели. В результате реальные отклонения от технологического процесса просто не фиксировались.

Пришлось сделать приложение для ввода данных, но возникли новые барьеры. Дата сайентисты продолжали рассуждать коэффициентами вариации, и не погружались в суть производства. Чтобы проект двинулся, пришлось привлечь химика, кандидата наук, который мог на экспертном уровне спорить с технологами заказчика. Только с таким авторитетом можно было пробить сопротивление консерваторов.

В итоге проект получился не про машинное обучение, а скорее про комплексный консалтинг, когда нужно «поселиться у клиента». А «дата-сайентисты» оказались все теми же программистами-математиками. Это все еще было далеко от тиражирования, управляемого конвейера проектов.

2020-е годы

Шли годы, данных у клиентов становилось все больше, и появлялось все больше сфер для применения. Например, для работы с текстом и извлечением смыслов.

2021 год, промышленный холдинг, свыше 100 000 сотрудников. Мы занимались HR-аналитикой, в том числе исследованиями удовлетворенности. Но помимо расчета eNPS было много текстовых комментариев, в которых и содержались ценные смыслы, не просто количественная, а качественная обратная связь.

Но миллион комментариев вручную не обработать, и мы решили построить модель, которая распределит комментарии по категориям, определит позитивную или негативную тональность.

Сначала заказчик распределил первую тысячу ответов вручную, затем мы обучили модель. Точность была 95%, что технически соответствовало ожиданиям, но когда мы построили дашборд и показали фокус-группе, то это был почти провал. Все ошибки кластеризации попадали на первые экраны или появлялись после 1-2 фильтров. Жалоба на зарплату могла попасть в категорию «условия труда», комментарий про переработки – во «внутреннюю политику». По впечатлению пользователя точность была 50%.

При этом нам было понятно, что надо исправить, как дообучить модель. Но на это надо было 2 недели, а у нас было только 2 дня. Пришлось выгрузить 10 000 проблемных записей и за 2 суток исправить их вручную в авральном режиме. Потом, после презентации, мы дообучили модель, чтобы свежие данные корректно интерпретировались. Но осадочек остался.

Сегодня безграничные вычислительные мощности доступны нам прямо из телефона. Если раньше на обучение модели требовались месяцы и недели, то теперь – часы и минуты. А от идеи до технической реализации проходит несколько дней. Но теперь мы ждем результата обработки запроса не от машины, а от человека. Чтобы осмыслить полученную информацию, обсудить ее с другими людьми и договориться о совместных действиях – нужны все так же дни, недели, а в бюрократизированных организациях – целые месяцы. Но фундаментальный сдвиг уже произошел.

Мы прорабатывали проект по прогнозированию спроса для нашего клиента, мясного производителя. Первый подход был в 2021 году, но тогда ни одно типовое решение им не подошло. Классические регрессионные модели требовали глубокой адаптации под их сезонность и кривизну специфики учета. Бюджет проекта с лицензиями на софт, доработкой и интеграциями с базой превышал 10 млн рублей. Мы хоть и считали экономический эффект, в разы превышавший затраты, клиент счел риски проекта слишком высокими и отложил до лучших времен. А точку заказа так и продолжили считать в Excel.

В 2024 году эти времена и правда настали. К тому времени были доведены до ума процессы и данные, это позволило сделать пилот, используя API Anthropic. Мы провели несколько итераций доработок, а затем организовали стратсессию. На нее позвали руководителей и специалистов из отделов, участвующих в общем процессе: производство, логистика, продажи, маркетинг. На этой сессии мы проверяли гипотезы в моменте, оценивали сценарии развития и на основе данных, и экспертным путем. Это позволило принять решения об изменениях в бизнес-процессах и утвердить нужные бюджеты за один день, а не за три месяца, как раньше.

После пилота модель реализовали уже локально на серверах клиента и масштабировали. Затраты оказались на порядок меньше по сравнению с архитектурой «предыдущего поколения». И в итоге предприятие смогло на 20% увеличить объемы производства и продаж к сезонному пику по сравнению с предыдущим годом.

Если оглянуться на последние 20 лет, то видно, что менялись технологии, названия подходов, но сама логика оставалась прежней. Всегда были завышенные обещания продавцов ИТ-решений. И наивные ожидания бизнеса, что «айтишники поднимут им прибыль». А еще всегда были те, кто грамотно использовал технологии в бизнесе.

Будем верить, что на этот раз у нас с вами все получится.

Часть 1. Психологическая подготовка руководителя к работе с ИИ

Внедрять ИИ в бизнес-процессы – значит не только осваивать новые инструменты, но и менять подход к работе. Эта часть книги поможет вам разобраться, как подготовить себя и команду к использованию нейросетей, чтобы они приносили пользу, а не увеличивали хаос. Речь пойдет о том, как перестроить своё мышление и избежать ловушек, которые мешают эффективно работать с технологиями.

Часто руководители либо переоценивают ИИ, ожидая, что он решит все проблемы, либо недооценивают, считая его игрушкой. Оба подхода ведут в тупик: первый – к разочарованию, второй – к упущенным возможностям. Чтобы ИИ стал вашим союзником, нужно научиться видеть его сильные и слабые стороны, а главное – держать управление в своих руках.

Мы разберем на стратегическом уровне, в какие процессы можно встроить искусственный интеллект, каковы глобальные тренды его развития. С другой стороны – в каких направлениях развивать компетенции сотрудников, как определить уровень зрелости людей и команд в отношении ИИ. Это даст вам понимание, куда приложить усилия, и как избежать типовых ошибок и заблуждений.

Глава 1. Комплекс ИИ-неполноценности

Про искусственный интеллект говорят все. Сначала про саму идею, но уже который год говорят о том, как успешно внедрили нейросотрудников и запускают маркетинг и продажи без бюджета. И создается такое ощущение, что твоя компания самая отсталая: вы все еще «работаете руками». А на небе в интернете только и разговоров, что о море промптах, с которыми за час зарабатывают 1000 долларов, экономят себе месяцы работы и в одиночку запускают целые бизнесы.

В итоге складывается этакий комплекс неполноценности, стыдно признаться, что ты не в тренде, и на вопрос «а вы используете ИИ?» отвечаешь «конечно, вовсю внедряем, это наш стратегический приоритет!». Наблюдая за рынком, я вижу, что незаметно произошла подмена понятий «внедрили» и «попробовали». Честным ответом будет «попробовали, но…». Можно сказать, почти все компании получили первый опыт решения бизнес-задач с помощью нейросетей, но у 95% он оказался неудачным.

Первый неудачный опыт – это нормально. Ведь мы с вами находимся в эпохе, сопоставимой с промышленной революцией, и предстоит сделать еще не одну попытку. Смена технологического и социального уклада будет проходить еще десятилетие, и это нормально, что вы не сделали революционного прорыва за 1-2 года. Ведь лидеры рынка, которые рассказывают о своих историях успеха, начали вкладываться в ИИ 5 и даже 10 лет назад, когда это не было у всех на устах.

Что не нормально, так это жить в иллюзиях, иметь завышенные ожидания. И проблема на рынке именно в этом. Поставщики услуг обещают быстрый результат, что можно просто «подключить ИИ» без вовлечения топ-менеджеров и собственников. И даже без привлечения ИТ-команды нейросеть сама напишет код и все настроит под ключ.

Хотя, если честно, я не испытываю сочувствия к компаниям, которые попадаются на такие уловки. Я сочувствую сотрудникам, которым потом приходится разгребать последствия. Ко мне тоже регулярно обращаются за быстрым результатом, но чаще – когда его не получили, попробовав самостоятельно. В моей работе есть два типовых сценария неоправданных ожиданий от ИИ – в аналитике и в бизнес-процессах.