Бизнес план искусственного интеллекта

6 этапов внедрения ИИ в бизнес-процессы компании

С чего же начинать внедрение ИИ в бизнес-процессы своей компании. Как это не странно звучит, но начинать нужно с конца — то есть с определения конечной цели, которой мы хотим добиться. Это может быть увеличение объёма продаж, увеличение среднего чека, сокращение издержек, уменьшение ошибок или ускорение процессов. Важно, чтобы параметры были измеримы и достижимы, например, рост выручки не менее чем на 30%, увеличение конверсии на 45%, уменьшение простоя оборудования на 25%, снижение брака готовой продукции на 85%.

Внедрение ИИ в промышленных и непромышленных предприятиях происходит немного по-разному. В промышленных организациях чаще всего автоматизируются процессы связанные с когнитивными сервисами, через умное видеонаблюдения (в том числе инфракрасные камеры, тепловизоры и др.). Это позволяет снизить процент брака в готовой продукции, повысить безопасность и автоматизировать ряд процессов. В непроизводственных отраслях внедрение ИИ чаще всего в первую очередь начинается с отдела продаж, так как выгоды здесь наиболее очевидны и измеримы.

Любой процесс, связанный с искусственным интеллектом, требует большого количества данных. Очень большого количества данных. Не секрет, что искусственный интеллект появился более 50 лет назад, а математической базе машинного обучения более 100 лет. Однако эффективно применять их стало возможным только сейчас. Причина во многом кроется в том, что за последние 10 лет удалось накопить достаточный массив данных в виде текстов, фото, видео изображений, записях в CRM и ERP, показателей телеметрических датчиков.Сбор и хранение данных требует определённой культуры работы с данными. На всех этапах бизнес-процесса каждый сотрудник должен понимать, что вся входящая и исходящая информация представляет ценность для дальнейшего анализа и составления прогнозов. Это не очевидно для многих, поэтому требуется уделить внимание, чтобы привить каждому сотруднику привычку бережного сбора и хранения материалов.

Сбор данных может занять определённое время. Слово “большие” в термине Big Data не случайно. Данных должно быть достаточно для нивелирования статистических погрешностей, обучения моделей, формирования контрольной выборки для определения качества моделей.

Методологию сбора и фильтрации данных помогут разработать специалисты data science. Они же потом сформулируют правила их обработки.

Когда подготовительная работа выполнена, строятся ансамбли моделей, которые обучаются на заранее собранных данных (обычно 75% от общей выборки), затем полученные модели тестируются на контрольной выборке (оставшиеся 25%). Те модели, предсказание которых совпало с реальными данными более точно, считаются подходящими для. Разумеется данное описание существенно упрощено, в реальности разбивка на тестовую и обучающую выборки несколько раз перемешивается, чтобы улучшить точность модели и исключить случайное совпадение результатов.То что разные модели могут давать правильные значения не должно смущать. Как в математике так и в обычной жизни мы можем прийти к правильному ответу разными способами, то есть правильных решений может быть несколько. Это в свою очередь даёт больше возможностей для изучения результатов на следующем этапе.

Когда модели построены, тестовые данные предсказываются точно, необходимо проверять результаты на боевых данных. Это не является простой задачей, так как важно нивелировать различные когнитивные искажения вызванные самим наличием прогноза.Люди, как правило, неравнодушно относятся к выводам ИИ и могут как “подгонять” реальные ответы под ответы ИИ, так и наоборот искусственно занижать точность предсказаний, чтобы оставить всё по-старому.

Поэтому проверка моделей должна проводиться с учётом нивелирования данных сложностей.

Кроме наличия самих рекомендаций от моделей машинного обучения, можно получить “веса”, которые разделяют данные на кластеры. То есть бизнес-аналитики получат информацию, которая позволит лучше понять свою целевую аудиторию, сформировать новые гипотезы по улучшению продукта и продаж.

Информация, полученная в результате проверки на реальных актуальных данных, даже если она будет существенно противоречить результатам прогнозов поможет уточнению модели. Расхождения могут быть связаны как с изменением самих данных (архивные могут отличаться от текущих), так и с проблемой, описанной выше.В любом случае построенная модель тестируется на новом массиве данных и обогащается ими.Кроме того уточнение модели необходимо проводить силами бизнес-аналитиков, которые могут внести искусственные коррективы на основе знаний технологических и поведенческих процессов. Это позволит уменьшить необходимую выборку данных и увеличить точность прогноза.

Можете быть уверены, что сам процесс внедрения машинного обучения в ваш бизнес принесёт ряд косвенных положительных изменений. Вы увидите, где данные терялись или искажались в процессе работы, какие не использовались. Бережное отношение к информации ваших сотрудников сделает их более ответственными, аналитики получат ряд гипотез для проверки. Руководство будет иметь возможность строить интерактивные онлайн BI дашборды на основе собранных данных и видеть актуальное состояние бизнеса.Однако даже после достижения изначально поставленных целей, аппетит только разыграется, руководители отделов увидят как ИИ позволяет быстрее и проще достигать KPI и снижает издержки. Это станет началом для дальнейшей оптимизации процессов с помощью машинного обучения, что приведёт к большему порядку в плане работы с данными на предприятии и в конечном счёте даст синергетический эффект для всех отделов.

Новая информация, поступающая в базы данных будет усиливать модели и улучшать прогнозы.

Источник

Бизнес план искусственного интеллекта

Чат-боты в техподдержке

«Как оплатить товар? Когда доставят мой заказ? Как сменить тарифный план?» — большинство вопросов клиентов типичны, и, чтобы ответить на них, необязательно быть человеком.

Всё чаще от имени компаний в контакт-центрах, приложениях и мессенджерах нам отвечают голосовые и чат-боты. Судя по опросам, клиентов это устраивает: люди позитивно относятся к общению с роботом — лишь бы он давал нужную и правильную информацию.

Чат-бот компании «МТС» самостоятельно справляется с 80-85 % обращений пользователей. В дальнейшем МТС планирует научить бота не только обрабатывать запросы, но и в подходящий момент предлагать абонентам услуги и продукты, которые им действительно нужны.

Ещё один пример робота-помощника — чат-бот «ВкусВилл». Он может подбирать скидки и рацион, находить магазины поблизости, а ещё выступает важным для компании каналом обратной связи. Через него приходит около 4 000 полезных отзывов в месяц.

Роботы в рекрутинге

Разработка, внедрение и обновление чат-ботов требует вложений, но в долгосрочной перспективе сокращает издержки, ведь роботам не нужен перерыв на обед, они не уходят в отпуск или на больничный. По этой же причине компании, которые часто в поиске персонала, прибегают к помощи ИИ в рекрутинге.

Стартап Stafory в 2016 году выпустил на рынок проект «Робот Вера» — помощника HR-менеджера. Искусственный интеллект не в состоянии полностью заменить рекрутера-человека, но «Вера» умеет подбирать резюме, обзванивать соискателей и проводить первичные собеседования.

При этом робот-рекрутер, как утверждает компания, способен за 9 часов провести интервью с 1 500 кандидатами. Скорость отсеивания и подбора персонала «Верой» уже оценили такие компании, как IKEA, «Ростелеком» и PepsiCo.

И это далеко не единственная технология ИИ для рекрутинга на рынке. На машинное обучение перешёл поисковый алгоритм HeadHunter, SuperJob использовал в этой сфере чат-бота, а, например, стартап Sever.AI помогает HR-менеджерам X5 Retail Group и «СИБУР».

Компьютерные системы в сложных процессах

Передать ИИ можно не только простые процессы, с которыми самостоятельно справляется один человек. В традиционных отраслях бизнеса вроде сельского хозяйства или тяжёлой промышленности, где копятся невообразимые массивы данных, использование искусственного интеллекта может увеличить производительность в сотни раз. То же касается банкинга и страхования, где ИИ применяется очень активно.

Сбербанк уже внедрил искусственный интеллект практически во все бизнес-процессы. Раньше решения о выдаче кредита юридическому лицу принимали сотрудники, и на это требовалось несколько недель. Теперь кредиты согласовывает искусственный интеллект — всего за 7 минут.

А компания «Газпром нефть» поручила ИИ вопросы разработки месторождений. Компьютер производит расчёты, которые специалисты делали вручную, и на основе трёхмерных моделей предлагает оптимальные сценарии для новых и старых нефтяных скважин. Как показывает анализ, варианты ИИ на 20-30 % экономически эффективнее вариантов экспертов.

Прогнозируют спрос и поведения клиента

Контроль ресурсов в розничной точке

Крупные торговые сети используют для анализа и прогнозирования спроса внутренние наработки в области ИИ, секреты которых, конечно, не раскрывают. Однако какие-то технологии в этой области выходят на рынок, например, решения от Yandex Data Factory (YDF). Так, успехом увенчался пилотный проект YDF для «Пятёрочки»: искусственный интеллект научился прогнозировать спрос на акционные товары с точностью до упаковки в 61 % случаев.

МТС с помощью машинного обучения предсказывает посещаемость розничных салонов сети и перераспределяет ресурсы на 15 % эффективнее. А Mail.ru Group разработала технологию для анализа изображений или видеопотока «Vision», благодаря которой можно, к примеру, вовремя обнаружить, что на полках магазина закончились йогурты.

Возможность анализа больших массивов данных — шанс максимально персонализировать предложения как для отдельных клиентов, так и для групп. Торговые сети сегодня могут подбирать ассортимент точки с учётом информации о жителях района и их потребностях, а сервисы — предугадывать поведение пользователя и предлагать ему то, о чём он даже не успел подумать.

Та же YDF разработала для сайта ЦУМа систему персональных рекомендаций, которая повышает конверсию, что для сегмента люкс — уже большое достижение.

Контролируют качество и безопасности

Человеку неподвластна та точность, с которой искусственный интеллект способен выполнять рутинные задачи. Именно по этой причине ИИ начинают внедрять на сложных производствах, где приходится соблюдать строгие стандарты качества и технику безопасности.

Carlsberg использует ИИ для создания новых сортов пива. Компьютерные системы с высокотехнологичными датчиками отбирают дрожжи и помогают комбинировать тончайшие оттенки вкусов и запахов для продукции. Valio прибегает к решениям, которые позволяют свести к минимуму контакт сырья с неблагоприятной окружающей средой.

Источник

Как внедрить искусственный интеллект в бизнес – 10 шагов

Искусственный интеллект, безусловно, является растущей силой в индустрии технологий. Искусственный интеллект занимает центральное место на конференциях и демонстрирует потенциал в самых разных отраслях, включая розничную торговлю и производство. Новые продукты внедряются вместе с виртуальными помощниками, в то время как чат-боты отвечают на вопросы клиентов по большинству направлений. Тем временем, такие компании, как Google, Microsoft и Яндекс, интегрируют ИИ в качестве интеллектуального слоя во всем своем технологическом стеке. Да, у ИИ определенно есть свой момент.

Это не тот искусственный интеллект, который поп-культура заставила нас ожидать; это не разумные роботы или Скайнет, и даже не Джарвис – помощник Тони Старка. Плато искусственного интеллекта скрывается под поверхностью, делая наши существующие технологии более умными и раскрывая всю мощь данных, которые собирают предприятия.

Что это означает: широкое развитие в машинного обучения, компьютерного зрения, глубокого анализа и обработки естественного языка сделало процесс развёртывания искусственного интеллекта в вашей программном обеспечении или облачной платформе проще, чем когда-либо.

Здесь мы даём советы от некоторых экспертов, чтобы объяснить шаги, которые предприниматели могут принять, чтобы интегрировать ИИ в свою организацию и обеспечить успешное внедрение.

Познакомьтесь с ИИ

Ниже приведен ряд онлайн-ресурсов (бесплатных и платных), которые вы можете использовать для начала:

• Курс от Udacity введение в AI и программа по искусственному интеллекту.
• Онлайн курс по ИИ , предлагаемый Колумбийским университетом.
• Microsoft Cognitive Toolkit с открытым исходным кодом, чтобы помочь разработчикам освоить алгоритмы глубокого обучения.
• Библиотека программного обеспечения TensorFlow с открытым исходным кодом от Google для машинного интеллекта.
• AI Resources, каталог с открытым исходным кодом от AI Access Foundation.
• Страница ресурсов Ассоциации по продвижению искусственного интеллекта.
• Руководство MonkeyLearn по машинному обучению.
• Институт будущего жизни Стивена Хокинга и Элона Маск.
• OpenAI, открытая отраслевая и академическая программа глубокого обучения.

Определите проблемы, которые вы хотите решить с помощью ИИ

Как только вы овладеете основами, следующий шаг для любого бизнеса – начать изучать разные идеи. Подумайте, как вы можете добавить возможности искусственного интеллекта в ваши существующие продукты и услуги. Что ещё более важно, ваша компания должна иметь в виду конкретные случаи использования, в которых ИИ мог бы решать бизнес-задачи или обеспечивать очевидную ценность.

Специфика всегда варьируется в зависимости от отрасли. Например, если компания осуществляет видеонаблюдение, она может получить большую ценность, добавив к этому процессу машинное обучение.

Определите приоритет конкретной ценности

Чтобы расставить приоритеты, посмотрите на размеры потенциала и выполнимость, и поместите их в матрицу 2×2. Это должно помочь вам расставить приоритеты исходя из краткосрочной видимости и узнать, какова финансовая ценность компании. Для этого шага вам обычно требуется понимание и признание со стороны менеджеров и топ-менеджеров.

Признание пробела во внутренних возможностях

Существует резкое различие между тем, чего вы хотите достичь, и тем, какие организационные возможности у Вас есть. Бизнес должен знать, на что он способен, а на что нет, с точки зрения технологий и бизнес-процессов, прежде чем начинать полномасштабную реализацию ИИ .

Иногда это может занять много времени. Устранение вашего внутреннего разрыва в возможностях означает определение того, что вам нужно приобрести, и любых процессов, которые необходимо внутренне развить, прежде чем вы начнёте. В зависимости от бизнеса, могут существовать проекты или команды, которые могут помочь сделать это органично для определенных бизнес-единиц.

Привлеките экспертов и создайте пилотный проект

Как только ваш бизнес будет готов с организационной и технической точек зрения, пришло время начать строить и интегрировать. Самые важные факторы здесь – начать с малого, иметь в виду цели проекта и, самое главное, знать, что вы знаете и что вы не знаете об искусственном интеллекте. Именно здесь привлечение внешних экспертов или консультантов по искусственному интеллекту может быть неоценимым.

Вам не нужно много времени для первого проекта; обычно для пилотного проекта 2-3 месяца – это хороший диапазон. Следует объединить внутренних и внешних людей в небольшую команду, возможно, из 4-5 человек, и в этот сжатый срок сосредоточиться на простых целях. После того, как пилот будет завершен, вы сможете решить, что дальше.

Также важно, чтобы опыт обеих сторон – людей, которые знают о бизнесе, и людей, которые знают об ИИ – был объединен с вашей командой пилотного проекта.

Сформируйте рабочую группу для интеграции данных

Прежде чем внедрить машинное обучение в свой бизнес, вам необходимо очистить данные, чтобы подготовить их к тому, чтобы избежать сценария «мусор в мусоре».

Внутренние корпоративные данные обычно распределяются по разным хранилищам данных в разных унаследованных системах и могут даже находиться в руках разных бизнес-групп с разными приоритетами. Поэтому очень важным шагом на пути к получению высококачественных данных является формирование перекрестной целевой группы [подразделения], объединение различных наборов данных и устранение несоответствий, чтобы данные были точными и полными, со всеми необходимыми нужными измерениями.

Начните с малого

Хранилища – как часть плана внедрения ИИ

Включите ИИ как часть ваших ежедневных задач

Компании должны быть прозрачными в том, как технология работает для решения проблем в рабочем процессе. Это даёт сотрудникам опыт «под капотом», так что они могут четко представить, как ИИ увеличивает их роль, а не устраняет их.

Построить с балансом

Точно так же вы должны сбалансировать общий бюджет, затрачиваемый на проведение исследований, с необходимостью защиты от сбоя питания и других сценариев за счет избыточности. Вам также может понадобиться гибкость, позволяющая перенастроить оборудование при изменении требований пользователя.

Источник