Текст книги "Внедрение искусственного интеллекта в бизнес-практику. Преимущества и сложности"

● системы рекомендации продуктов и услуг для интернет-магазинов, повышающие персонализацию, вовлеченность и количество продаж – как правило, с использованием богатого языка или изображений;

● системы рекомендаций в сфере здравоохранения (часто предлагаемые страховыми компаниями), которые помогают поставщикам медицинских услуг составлять персонализированные планы лечения, учитывающие состояние здоровья пациентов и историю их лечения.

В настоящее время чаще встречаются системы для вовлечения сотрудников, чем для вовлечения клиентов. Это может измениться, когда компании перестанут бояться передавать на откуп машинам взаимодействие с клиентами. Например, компания Vanguard запустила пилотного интеллектуального агента, который помогает сотрудникам службы поддержки отвечать на часто задаваемые вопросы клиентов. Планируется, что со временем клиенты смогут общаться напрямую с когнитивным агентом, а не с сотрудником службы поддержки. Однако на первых порах пилотный проект отнимал у сотрудников службы поддержки слишком много времени. Американская компания Becton Dickinson (BD) использует интеллектуального агента-аватара Amelia, который оказывает техническую поддержку сотрудникам. Компания также планирует рано или поздно начать использование агента во взаимодействиях с клиентами.

Скандинавский банк Skandinaviska Enskilda Banken (SEB) начал использовать интеллектуальных агентов во внутренней службе ИТ-поддержки, но затем сделал Aida, шведскоязычный аватар на базе Amelia, ограниченно доступным для клиентов банка, чтобы протестировать его работу и реакцию клиентов. Этот шаг был произведен в рамках более широкой стратегии перехода на цифровые каналы поддержки клиентов. Цель банка не в том, чтобы заменить людей роботами, а в том, чтобы обеспечить круглосуточное функционирование службы поддержки и содействовать росту, не увеличивая штат[34]34
  «Burning Passion to Use AI for World-Class Service,» SEBGroup press release, August 21, 2017, https://sebgroup.com/press/news/burning-passion-to-use-ai-for-world-class-service; использование Amelia в SEB также описано в учебном пособии: Mary Lacity, Leslie Willcocks, and Andrew Craig, «Service Automation: Cognitive Virtual Agents at SEB Bank,» London School of Economics Outsourcing Unit Working Research Paper Series, February 2017, http://www.umsl.edu/~lacitym/LSEOUWP1701.pdf.


[Закрыть].

Консервативность подхода этих компаний к клиентским когнитивным сервисам объясняется отчасти несовершенством технологии. Например, в 2017 г. в Facebook пришли к выводу, что чат-боты приложения Messenger не могут ответить на 70 % запросов клиентов без человеческого вмешательства[35]35
  Shareen Pathak, «Drop It Like It's Bot: Brands Have Cooled on Chatbots,» Digiday, March 10, 2017, https://digiday.com/marketing/brand-bot-backlash-begun/.


[Закрыть]. В результате Facebook и другие компании ограничили использование ботов – теперь они применяются только при разговорах определенного типа и на определенные темы.

Клиенты тоже не слишком довольны текущими возможностями чат-ботов. Результаты опроса клиентов из США и Великобритании, проведенного сайтом Chatbots.org в конце 2017 г., показывают, что более половины опрошенных в обеих странах были недовольны, когда им пришлось повторять информацию, которую они уже сообщили чат-боту, при переходе к общению с оператором[36]36
  «Consumers Say No to Chatbot Silos in US and UK Survey,» eGain press release, February 7, 2018, http://www.egain.com/company/news/press_releases/consumers-say-no-chatbot-silos-us-uk-survey/.


[Закрыть]. Около трети опрошенных отметили, что чат-боты «заходят в тупик и не знают, что делать дальше». В результате более половины опрошенных назвали чат-боты «неэффективными» или лишь «отчасти эффективными». Очевидно, их необходимо усовершенствовать посредством внедрения когнитивных технологий.

Возможно, отчасти именно несовершенством технологии объясняется тот факт, почему я не слышал ни об одном сотруднике службы поддержки или отдела продаж, который лишился бы работы из-за внедрения приложений когнитивной вовлеченности, а также ни об одной организации, планирующей масштабные сокращения в ближайшем будущем. Как правило, компании используют эту технологию, чтобы обслуживать растущее число взаимодействий с сотрудниками и клиентами, не расширяя штат. Некоторые организации планируют переориентировать персонал службы поддержки клиентов на выполнение более сложных задач, с которыми пока не справляются боты: обрабатывать сложные вопросы клиентов, вести долгие неструктурированные диалоги или связываться с клиентами, прежде чем они заявят о проблеме. Многие сотрудники признаются, что с радостью передадут рутинные задачи машинам.

Сочетание категорий

Даже внутри категорий когнитивные инструменты все чаще разбиваются на отдельные компоненты и программные интерфейсы приложений (API), чтобы выполнять конкретные задачи. Суперкомпьютер IBM Watson, который многие считают монолитной машиной вопросов и ответов, на самом деле представляет собой набор API. API могут быть как готовыми приложениями, выполняющими определенные задачи (как правило, от поставщиков запатентованных технологий, например IBM), так и приложениями с открытым кодом, которые могут модифицироваться на уровне пользователей. Такая гибкость позволяет организациям комбинировать компоненты для достижения стоящих перед ними целей, что часто предполагает сочетание перечисленных выше категорий. Однако это требует опыта и труда.

Один комбинированный набор инструментов был разработан для итальянской страховой компании, которая хотела основать «когнитивную службу поддержки» в своем ИТ-отделе. Для этого использовалось приложение когнитивной вовлеченности, однако, поскольку когнитивные технологии пока не справляются с решением многих вопросов, его необходимо было обеспечить поддержкой операторов-людей. В связи с этим компания прибегла к роботизированной автоматизации процессов, чтобы перенаправлять вопросы правильным ИТ-специалистам. Наконец, система должна была поддерживать текстовую коммуникацию на итальянском языке, а это не было возможным при использовании многих инструментов обработки естественного языка (ОЕЯ).

В качестве основного когнитивного инструмента эта когнитивная служба поддержки использует технологию глубокого обучения без учителя, относящуюся к категории когнитивного анализа. Поставщиком технологии выступает компания LoopAI Labs (где я работаю советником). Программа (что довольно необычно для инструмента обучения без учителя) может изучать набор текстовых документов на любом языке и выявлять ключевые концепции, часто задаваемые вопросы и ответы на ранее решенные проблемы, связанные с текущей задачей, а также разделы основных документов, где с наибольшей вероятностью будет обнаружено необходимое решение. Эксплуатируя способность роботизированной автоматизации процессов к умной маршрутизации, система существенно снизила время решения вопросов (на 35–70 % в зависимости от типа вопроса) и повысила точность ответов на запросы в службу поддержки (теперь она составляет 70–85 % в зависимости от вопроса).

Как стать когнитивной корпорацией

Когда мы анализируем, «что сегодня происходит» в бизнесе с ИИ, важно обращать внимание не только на применение технологий ИИ, но и на компетенции. Многие крупные организации явно начинают расширять текущие компетенции с помощью применения когнитивных технологий и становятся когнитивными корпорациями. Одни компетенции компании хотят получить, поскольку когнитивные технологии предлагают стратегические выгоды и повышение производительности, а другие – поскольку организации столкнулись с рядом проблем при внедрении первых когнитивных проектов.

Переход только начался, но уже понятно, что он происходит. Определились и ключевые компетенции:

● понимание, какие технологии какие задачи выполняют;

● развитие сильных сторон больших данных и аналитики;

● создание приоритетного портфеля технологий, сопоставленных с процессами и задачами;

● создание серии пилотных или тестовых проектов;

● когнитивная перестройка работы с использованием принципов дизайн-мышления;

● фокус на масштабировании и повышении производительности.

Понимание технологий и задач

Очень важно понимать, какие технологии какие задачи выполняют, а также знать сильные и слабые стороны каждой из технологий. В главе 1 я описал различные технологии и их функции, но организациям и руководителям необходимо усвоить эту информацию. В одном исследовании 37 % опрошенных заявили, что «руководители не понимают когнитивные технологии и принципы их работы», в связи с чем организации сталкиваются с проблемами при их внедрении. Я наблюдаю такую картину и во многих компаниях, с которыми работаю сам.

Не понимая побочных эффектов технологий, люди совершают ошибки. Например, механизм работы экспертных систем на основе правил и роботизированной автоматизации процессов вполне прозрачен, но ни одна из этих технологий не способна к обучению и совершенствованию. С другой стороны, технология глубокого обучения прекрасно справляется с обучением на основе огромных объемов маркированных данных, но понять, каким образом она создает модели, практически невозможно. Такая проблема «черного ящика» особенно критична в сильно регулируемых отраслях, например в секторе финансовых услуг, где регуляторы требуют объяснять, почему принимается то или иное решение.

Как я заметил в главе 1, обработка естественного языка может производиться на базе одной из двух альтернативных технологий – либо статистически, методом «грубой силы», который требует большого количества данных (один из лучших примеров – Google-переводчик), либо в большей степени семантически, посредством использования графа знаний, описывающего термины и взаимосвязи в конкретной сфере. Создание графа знаний, как правило, требует много времени и сил, особенно если для конкретной области знаний он создается впервые. Статистические методы ОЕЯ подходят для компаний, располагающих большими объемами данных (скажем, базой данных голосовых обращений в службу поддержки, которые можно перевести в текст), в то время как семантический подход не требует большого количества данных, но предполагает необходимость предварительного создания архитектуры силами экспертов.

Понимание сильных и слабых сторон каждой из технологий поможет принимать решения о том, какая из них лучше подойдет для решения конкретной задачи, с какими поставщиками услуг работать и насколько быстро можно внедрить систему определенного типа. Я знаю несколько организаций, которые потеряли немало времени и денег, внедряя технологию, не подходящую для решения текущих задач. Чтобы понять технологии, необходимо исследовать их и учиться, чем обычно занимается ИТ-отдел или инновационный сектор. Некоторые руководители ИИ-групп, с которыми я встречался, говорят, что тратят большую часть времени на описание когнитивных технологий и объяснение различий между их типами. В связи с этим специалисты должны не только разбираться в науке и программировании, но и уметь передавать свои знания другим. Я рекомендую всем компаниям познакомиться хотя бы с категориями инструментов, описанных в главе 1.

Развитие сильных сторон аналитики

В основе многих когнитивных технологий лежит статистический анализ и аналитика больших данных, поэтому организации важно задействовать эти компетенции, если они у нее уже есть. На этом этапе немногие профессионалы имеют опыт работы в сфере ИИ, поэтому азам этих технологий, скорее всего, сумеют обучиться специалисты по обработке данных, имеющие навыки работы со статистикой и большими данными. Именно они помогут усовершенствовать их и применить для достижения стоящих перед организацией целей. Это особенно верно, когда новая технология представляет собой вариацию статистического машинного обучения, которое во многих случаях становится относительно несложным логическим продолжением прогнозной аналитики. Чтобы добиться успеха, специалисты по обработке данных должны быть готовы осваивать новые навыки и методы. Одни схватятся за эту возможность, в то время как другие предпочтут и дальше использовать техники, освоенные в университете. Старайтесь, чтобы у вас было как можно больше специалистов первого типа.

Если у вас есть команды, которые занимаются традиционной обработкой или аналитикой данных, рассмотрите возможность сконцентрировать свои ИИ-проекты вокруг них, ведь это позволит всей организации использовать их опыт. Компетенции этих групп пригодятся как для осуществления специализированных краткосрочных проектов, так и для развития более общих долгосрочных инициатив. Если в вашей организации нет подобных групп, вероятно, вам следует создать «экосистему» внешних поставщиков услуг ИИ, которые смогут обеспечить необходимые компетенции в краткосрочной перспективе. Если же вы планируете продолжать работу с ИИ в долгосрочной перспективе, вам лучше всего принять специалистов в штат.

Учитывая дефицит специалистов по когнитивным технологиям, большинству организаций следует создать централизованный пул ресурсов (например, в одном из ключевых отделов, таких как департамент ИТ или стратегического планирования) и выделить экспертов для приоритетных проектов. Впоследствии, когда спрос на специалистов возрастет, можно сформировать группы, которые будут заниматься конкретными задачами или обслуживать конкретные подразделения, но даже тогда лучше иметь центральный координирующий орган, занимающийся управлением проектами и кадрами. Во многих организациях уже функционируют центральные (или централизованно координируемые) аналитические группы, так что входящим в них специалистам будет относительно несложно усвоить навыки работы с ИИ.

Создание приоритетного портфеля проектов

Перед запуском программы ИИ крайне важно проводить систематическую оценку потребностей и компетенций компании. В тех компаниях, которые я изучал, этим обычно занималась рабочая группа или другой небольшой консультационный орган, исследовавший три широкие сферы. Услуги подобных рабочих групп предлагают несколько поставщиков и консалтинговых фирм.

В ходе оценки областей выявляются те области бизнеса, которым могут пойти на пользу когнитивные технологии. Как правило, это подразделения компании, где определенный тип знания – выводы, сделанные на основе анализа данных или корпуса текста, – пригодился бы, но пока недоступен.

● Узкие места распространения знаний. В некоторых случаях недоступность знаний объясняется наличием узкого места: знание где-то существует, но не распределяется оптимальным образом. Например, такое часто наблюдается в области здравоохранения, где знание нередко становится заложником конкретных специалистов, отделений или городских академических медицинских центров. Так, эксперты Мемориального онкологического центра имени Слоуна – Кеттеринга считают, что главные выгоды программа лечения рака на основе системы Watson принесет не в самой нью-йоркской больнице (где работает множество специалистов-онкологов), а в отдаленных клиниках и изолированных регионах, где специалистов мало.

● Проблемы масштабирования. В других случаях объемы знания растут, но масштабирование процесса происходит слишком медленно или требует слишком больших затрат. Так происходит со знаниями опытных брокеров и финансовых советников. В ответ многие компании по управлению инвестициями и капиталом разрабатывают экономически эффективных роботизированных советников, которые помогают клиентам ориентироваться в финансовой среде. В фармацевтической отрасли компания Pfizer использует IBM Watson, чтобы ускорить исследования новых препаратов в области иммуноонкологии – новом подходе к лечению рака, использующем иммунную систему организма. Иммуноонкологические препараты могут быть весьма эффективными, но их разработка и вывод на рынок занимают до 12 лет из-за трудоемкости процесса. Компания использовала машинное обучение, обработку естественного языка и другие когнитивные технологии рассуждений Watson, чтобы поддерживать выявление новых мишеней лекарственных препаратов[37]37
  Выявление мишеней лекарственных препаратов – процесс определения, где и как действуют лекарственные вещества. – Прим. ред.


[Закрыть], методов комбинированной терапии и стратегий отбора пациентов. Сочетая способность Watson к быстрому анализу литературы с собственными данными Pfizer, такими как лабораторные отчеты, ИИ помогает ученым устанавливать связи между разрозненными наборами данных и обнаруживать скрытые закономерности, благодаря которым можно ускорить выявление и разработку этого нового класса препаратов.

● Ненадлежащая мощность. Дефицит знания может объясняться тем фактом, что объем данных слишком велик, чтобы люди или имеющиеся у них в распоряжении компьютеры могли их должным образом анализировать и применять. Так происходит, когда компания располагает большими данными о цифровом поведении клиентов, но недостаточно осведомлена о том, что оно означает и какие стратегические выгоды из него можно извлечь. Чтобы решить эту проблему, компании используют машинное обучение для поддержки процесса программируемой закупки персонализированной цифровой рекламы или – в случае с B2B-компаниями вроде Cisco Systems и IBM – для создания десятков тысяч моделей предрасположенности, с помощью которых можно определить, какие клиенты склонны к покупке каких продуктов.

При оценке сценариев использования производится анализ сценариев, в которых когнитивные технологии могут принести существенную пользу и поспособствовать успеху бизнеса. Каждый сценарий подразумевает применение технологии ИИ к решению бизнес-задачи. При приоритизации сценариев использования необходимо учитывать, насколько критично для стратегии компании решение обозначенной проблемы, как сильно технологии ИИ изменят текущие процессы и насколько сложно будет внедрить предлагаемое ИИ-решение с технической и организационной точки зрения. После выявления всех сценариев использования можно сравнить их на основании того, какие из них принесут наибольшую выгоду в краткосрочной и долгосрочной перспективе, а также какие можно будет в итоге превратить в полноценные платформы когнитивных компетенций, обеспечивающих конкурентное преимущество компании. Поскольку когнитивные инструменты, как правило, используются для решения конкретных задач, то их необходимо сочетать в рамках целого бизнес-процесса или всей совокупности операций.

При технологической оценке производится проверка соответствия рассматриваемых технологий ИИ стоящим перед ними задачам. Например, чат-боты и интеллектуальные агенты порой разочаровывают некоторые компании, поскольку большинство из них пока существенно уступают человеку при решении проблем, не укладывающихся в рамки простых сценариев работы (но технология быстро совершенствуется). Другие технологии, например роботизированная автоматизация процессов, могут ускорять работу систем ручного производства, таких как выставление счетов, при этом замедляя другие, более сложные процессы. Системам распознавания изображений на базе глубокого обучения под силу распознавать объекты на фотографиях и видео, но для этого они должны располагать большим количеством маркированных данных, а со сложным визуальным рядом могут и не справиться. Разрыв между текущими и желаемыми компетенциями ИИ не всегда очевиден. В связи с этим большинство компаний сегодня запускают пилотные проекты с использованием когнитивных технологий или используют их ограниченно, вместо того чтобы внедрять сразу на всем предприятии.

Со временем когнитивные технологии изменят принципы ведения бизнеса, но сегодня лучше постепенно внедрять доступные технологии, планируя трансформацию в не столь далеком будущем. Возможно, впоследствии вы захотите передать рутинное взаимодействие с клиентами ботам, но пока гораздо проще (и разумнее) автоматизировать с их помощью внутреннюю службу ИТ-поддержки, совершив тем самым первый шаг к намеченной цели.

Создание пилотных или тестовых проектов

Компании по всему миру запускают пилотные и тестовые проекты, чтобы изучить влияние когнитивных технологий. Это подходит для проектов, которые характеризуются потенциально высокой ценностью для бизнеса, а также позволяют организации протестировать несколько различных технологий. Некоторые из этих проектов могут быть частью более смелых и амбициозных планов, в то время как другие могут оставаться самостоятельными. Например, в компании Pfizer запущено более сотни проектов, в которых задействованы различные формы когнитивных технологий. Многие из них работают в пилотном режиме, но некоторые уже запущены в промышленную эксплуатацию.

Пилотные проекты должны отбираться и приоритизироваться в соответствии с описанными выше критериями. Избегайте «вбрасывания» проектов топ-менеджерами, которые находятся под влиянием поставщиков технологий. Если руководство и совет директоров считают, что «пора работать в когнитивном направлении», это не означает, что вам следует действовать очертя голову. Поскольку вбрасываемые пилотные проекты не подвергаются тщательной оценке, они часто проваливаются, что может существенно осложнить осуществление ИИ-программы организации.

Если компания планирует запустить несколько пилотных проектов, стоит рассмотреть возможность создания когнитивного центра компетенций или подобной структуры, чтобы управлять этими проектами. Такой подход помогает сформировать необходимые технологические навыки и компетенции внутри организации, а также способствует переносу небольших пилотных проектов на производство, что позволяет им оказывать большее влияние на процессы. Например, в крупной медицинской технологической компании BD несколькими пилотными проектами в сфере когнитивных технологий управляет группа глобальной автоматизации, созданная в рамках ИТ-отдела организации. В частности, под ее руководством осуществляется внедрение интеллектуальных цифровых агентов и роботизированная автоматизация процессов (работа по РАП ведется совместно с единым сервисным центром компании). Группа разработала ряд карт непрерывных процессов, в соответствии с которыми осуществляется внедрение когнитивных технологий и выявляются возможности автоматизации. Кроме того, группа создала наглядные «тепловые» карты, показывающие те аспекты работы организации, которые наиболее восприимчивы к использованию технологий ИИ. Компания BD успешно внедрила интеллектуальные агенты в службу технической поддержки, но считает, что технологию пока рано развертывать на всем предприятии для использования в рамках более масштабных процессов, например полного цикла выполнения заказов.

Страховая компания Anthem создала подобную группу, которую назвала отделом когнитивных компетенций. Технический директор компании Том Миллер (которому подчиняется этот отдел) говорит, что, создавая централизованный отдел для приоритизации проектов, управления ими и оценки результатов, Anthem приравнивает когнитивные технологии к остальным ценным возможностям для бизнеса. Компания работает над целым рядом проектов, включая внедрение систем роботизированной автоматизации процессов, но в первую очередь хочет использовать когнитивные технологии для масштабной модернизации систем обработки транзакций. Компания стандартизирует и затем автоматизирует ручной труд в таких сферах, как работа с рекламациями.

Некоторые компании сосредотачивают работу над ИИ в более крупном центре инноваций и новых технологий. Часто такие центры находятся за пределами штаб-квартиры компании, например в технологически ориентированных регионах вроде Кремниевой долины. Компания Lowe's, владеющая сетью магазинов по обустройству дома, открыла инновационное подразделение Lowe's Innovation Labs в районе Сиэтла. В этом подразделении разрабатываются технологии ИИ, в первую очередь LoweBot – робот, который автономно перемещается между стеллажами в магазинах Lowe's. Когда магазины открыты для покупателей, он может показывать им дорогу к конкретным товарам, которые они ищут, подчиняясь голосовым командам или управлению через сенсорный экран. Когда магазины закрыты, LoweBot не уходит домой, а находит товары, лежащие не на месте, и проводит учет. Пилотную программу использования роботов LoweBot уже запустили в магазинах в Кремниевой долине, где покупатели, как правило, не боятся новых технологий[38]38
  «Nvidia Partner Jetson Stories: Fellow Robots – LoweBot – Lowe's Innovation Labs,» March 30, 2017, http://www.lowesinnovationlabs.com/updates/2017/3/30/nvidia-jetson-partner-stories-fellow-robots-lowebot.


[Закрыть].

Страховая компания Sompo Holdings, о которой я упоминал в главе 1, также выбрала комплексный подход к инновациям. Цифровые лаборатории Sompo работают в Токио, Кремниевой долине и Тель-Авиве. Лаборатория в Токио занимается изучением технологии автоматизированного машинного обучения и IBM Watson, лаборатория в Кремниевой долине – беспилотными автомобилями и другими подобными технологиями, а лаборатория в Тель-Авиве – преимущественно кибербезопасностью, включая использование технологий ИИ для обеспечения кибербезопасности. Цель каждой из лабораторий состоит в том, чтобы работать с ИИ и другими технологиями, внедрение которых может преобразить страховую сферу.

Когнитивная перестройка работы

Пока идет разработка когнитивных технологий, организации должны продумать, как будет устроена работа после внедрения новых приложений, уделяя особенное внимание разделению труда между людьми и ИИ. Некоторые когнитивные проекты предполагают 80 % машинных решений и 20 % решений, принимаемых людьми, в то время как другие устроены иначе. Необходимо систематически проводить оценку рабочих процессов, чтобы понимать, как люди и машины будут дополнять друг друга и компенсировать свои недостатки.

Так, в инвестиционной компании Vanguard новая программа индивидуальных консультационных услуг (PAS) сочетает автоматизированные советы по инвестициям и работу советников, что выгоднее работы одних советников. Технология PAS выполняет многие типичные задачи инвестиционного консультирования, включая составление индивидуального портфеля, перебалансировку портфелей, компенсацию налоговых убытков, выбор оптимальных в налоговом отношении вариантов инвестирования, а также предоставление рекомендаций о безопасных объемах снятия денег со счетов для пенсионеров. Система избавила советников от необходимости выполнять ряд задач, включая получение базовой информации от клиентов и предоставление им сведений о состоянии их счетов, а эти задачи советники нередко считали рутинными.

Чтобы пользоваться консультационными услугами Vanguard, клиенты должны предоставлять больше, чем обычно, информации о себе и передавать информацию об активах, не обслуживаемых Vanguard, своему советнику или напрямую системе. Таким образом сложные данные (например, о построенных по методу Монте-Карло моделях надежности портфелей после выхода клиентов на пенсию) становятся непосредственно доступны клиентам и позволяют им блокировать действия, запланированные автоматизированной системой. Технология машинного обучения помогает рассчитать, с какой вероятностью пенсионные активы клиентов их переживут.

Советникам Vanguard, часть из которых помогали с разработкой PAS, пришлось взять на себя новые роли. В рамках нового рабочего процесса они стали «инвестиционными тренерами», способными отвечать на вопросы клиентов, поддерживать здоровое финансовое поведение и быть, как говорят в Vanguard, «эмоциональным рубильником», чтобы инвесторы придерживались заранее составленного плана. Для того чтобы эффективно выполнять эту роль, советники изучают поведенческие финансы. Снижать расходы, поддерживая при этом тесное взаимодействие с инвесторами, помогают видеозвонки, которыми советники время от времени заменяют личные встречи. Технология PAS оказалась весьма успешной и быстро набрала более $100 млрд активов в управление. Клиенты также заявляют о высоком уровне своей удовлетворенности этой программой. Вопреки сложившемуся мнению, автоматизированным советам доверяет в основном не молодежь – большинство клиентов программы старше 55 лет.

В то время как Vanguard поняла важность перестройки рабочих процессов при внедрении когнитивных технологий, многие компании просто пошли по пути наименьшего сопротивления, автоматизируя существующие рабочие процессы, особенно при использовании технологии РАП (что я заметил выше, в разделе об этой технологии). Автоматизация существующих процессов помогает быстро внедрить новые технологии и окупить инвестиции, однако в таком случае легко упустить возможность в полной мере воспользоваться преимуществами ИИ и существенно улучшить процессы.

При когнитивной перестройке процессов полезно применять принципы дизайн-мышления. В частности, необходимо понимать нужды конечного пользователя, вовлекать в процесс сотрудников, которых затронет перестройка, считать новые планы экспериментальными «черновиками», рассматривать альтернативные варианты и учитывать возможности когнитивных технологий в ходе перестройки. Кроме того, большинство когнитивных проектов лучше разрабатывать пошагово, сохраняя при этом гибкость. Точно так же следует проводить и перестройку рабочих процессов с их использованием.

Фокус на масштабировании и повышении производительности

Многие организации успешно запустили пилотные когнитивные проекты, но по ряду причин не добились того же успеха при их развертывании в промышленных масштабах. Большинство компаний только знакомится с технологиями, которые во многих случаях еще не совершенны. Промышленное использование когнитивных систем требует значительной модификации существующих рабочих процессов.

Прежде чем внедрять когнитивные технологии на уровне предприятия, необходимо разработать подробные планы масштабирования, для чего эксперты по технологиям должны работать в сотрудничестве с ответственными за процессы, подвергающиеся автоматизации. Учитывая, что при помощи когнитивных технологий, как правило, решаются отдельные задачи, а не перестраиваются целые процессы, масштабирование почти всегда предполагает интеграцию с существующими процессами и системами. Компаниям следует с самого начала проверять, возможно ли это.

Если осуществление когнитивного проекта зависит от особой технологии, подпитывать которую тяжело, это тоже ограничит возможности масштабирования. Ответственные за процессы и определенные аспекты работы сотрудники должны обсудить это с ИТ-отделом компании до запуска пилотной фазы проекта или в ходе ее осуществления. Внедрить когнитивные технологии – даже относительно простые, например роботизированную автоматизацию процессов, – в обход ИТ-отдела вряд ли получится. В опросе об осведомленности о когнитивных технологиях, проведенном компанией Deloitte, большинство респондентов отметило, что самой серьезной проблемой при внедрении технологий становится их интеграция с существующими системами.

Развертывание технологий в масштабах всей организации также требует умелого управления изменениями. Например, в одной американской сети магазинов одежды пилотный проект внедрения ИИ был запущен лишь в небольшом количестве магазинов. В рамках него машинное обучение применялось для предоставления рекомендаций в режиме онлайн, прогнозирования оптимальных уровней загруженности склада и создания моделей быстрого пополнения запасов, а также (что было сложнее всего) формирования политики сбыта. Закупщики, которые прежде заказывали товары интуитивно, теперь задавали вопросы: «Зачем я вам, если вы полагаетесь на эту технологию?» После завершения пилотной фазы проекта закупщики объединились и обратились к директору по стимулированию сбыта с требованием отказаться от программы. Стоит отдать ему должное: он отметил, что пилотный проект показал хорошие результаты, и позволил его расширение. Он решил, что закупщики, освободившись от определенных задач, смогут заняться более сложной работой, в которой люди все еще проявляют себя лучше, чем машины, например разбираться с желаниями молодых покупателей и определять планы производителей одежды на будущее. Вместе с тем он понял, что закупщиков необходимо обучить новым принципам работы.