Автоматизация бизнес-процессов, или Как приручить дракона 2.0

Одно важное разделение, без которого сегодня никуда. «Классический» ML — машинное обучение в исходном смысле: прогнозы, классификация, рекомендации. Предсказать спрос на следующий месяц, отсортировать лиды по вероятности покупки, поймать аномалию в расходах — задачи с ответом-цифрой или ответом-категорией. Генеративный ИИ — модели, которые создают контент: тексты, картинки, код, ответы клиентам. Самые известные из них — LLM[4]: именно они стоят за чат-ботами, которые пишут письма и отвечают клиентам.

Оба подхода опираются на машинное обучение. Языковая модель учится закономерностям текста; одна из базовых задач её обучения — предсказывать следующий фрагмент, токен. Прогнозная модель может оценивать спрос или вероятность покупки. Для собственной модели нужны данные, подходящие к задаче, а готовой генеративной модели — понятное задание, необходимый контекст и проверка результата. Для предпринимателя это похоже на экскаватор и грузовик. Они могут работать на похожих дизельных двигателях, но один копает ковшом, а другой перевозит груз в кузове: схожая основа, разная оснастка и разные задачи. Так и здесь: общая основа — обучение на данных, а устройство моделей и способы их применения различаются.

И вот здесь — главная мысль главы, ради которой она писалась. Помните, в главе про цифровизацию я настаивал: собирайте данные автоматически? Для обучения модели на данных вашей компании цифровизация создаёт необходимую основу. Но готовность к такой задаче зависит не только от количества и качества данных: нужны понятная цель, ресурсы и способ проверки результата. Без подходящих данных не обучить собственную модель для конкретной задачи, какие бы бюджеты вы ни принесли. Грязные данные — система выучит ошибки: сервис, построенный на ML, добросовестно усвоит, что половина ваших сделок закрывается «вручную задним числом», и построит на этом свои «закономерности». Мусор на входе — мусор на выходе. Беда в том, что на выходе этот мусор будет выглядеть убедительно. Где ML и ИИ реально работают в малом и среднем бизнесе — без фантастики, по опыту:

• Прогноз спроса и остатков. Классика жанра: сезонность, тренды, запасы «на всякий случай», которые перестают быть гаданием. Нужна подходящая история продаж; её объём и период зависят от задачи и сезонности.

• Скоринг и приоритизация лидов. Система подсказывает менеджеру, кому звонить первым. Требует накопленной истории сделок — вот зачем нужно было подключать телефонию и почту к системе с первых дней.

• Обработка обращений: расшифровка звонков, суммаризация переписки, черновики ответов. Генеративные модели здесь сильны уже сегодня. Забегу вперёд, к главе «Самое больное место — колени!»: передача информации от бота к человеку — ровно тот стык, где ИИ либо экономит часы, либо множит раздражение клиента. Контролируйте переход, а не только бота.

• Анализ обратной связи: тональность отзывов, частые темы жалоб. То самое «неустанное внимание к отзывам клиентов» — только теперь можно обрабатывать гораздо больший поток отзывов. Полноту сбора и точность классификации всё равно нужно проверять. Раньше это было баснословно дорого — сейчас становится дорого этого не делать!

• Предиктивная аналитика поверх ваших дашбордов: игра в «что, если». Не «сколько мы продали», а «сколько продадим, если ничего не менять» и «что может произойти с прибылью, если поднять цену на 5 %». Вопрос о повышении цены требует сценарного расчёта: реакцию спроса и другие предположения придётся проверять на практике. Прошлая статистика сама по себе не доказывает эффект новой цены.

А теперь — о ситуациях, в которых прибегать к помощи ML и ИИ пока не стоит, и это не менее важный список:

• Когда вы хотите обучить модель на собственных данных, а подходящих примеров мало или они недостоверны. Сначала подготовьте данные и проверьте, достаточно ли их для задачи. Использованию готового ИИ для других задач это само по себе не мешает.

• Когда задача решается простым правилом. Если «напоминать о заявке через два часа» закрывает проблему — не нужен нейросетевой скоринг. ИИ ради ИИ — болезнь того же рода, что и интеграция ради интеграции (до неё мы ещё дойдём), только дороже.

Соразмерность, наш первый фильтр, работает и здесь.

• Когда цена ошибки высока, а контроля нет. Генеративные модели галлюцинируют: уверенно сообщают клиенту то, чего нет в вашем прайсе. Ответственность за ответ бота несёт не бот. Везде, где ошибка стоит денег или репутации, между моделью и клиентом должен стоять человек или жёсткое правило.

• Когда данные, на которых учитесь, нельзя отдавать наружу. Прежде чем загрузить клиентскую базу в очередной облачный сервис «с ИИ», спросите себя и поставщика: где эти данные окажутся завтра?

Остался вопрос со звёздочкой: ИИ — это про автоматизацию или про цифровую трансформацию? Чаще — про улучшение существующей работы. Но иногда данные помогают найти новый продукт или бизнес-модель: вспомните платформу автозапчастей из главы про трансформацию. Здесь пригодится принцип озера данных — сохранять исходные события для разных будущих задач. В «Шаге 3. Данные» разберём, как собирать такую основу. Для ML из неё ещё нужно подготовить выборку: проверить пропуски и ошибки, согласовать смысл полей, отделить данные для обучения от данных для проверки. Само хранилище прогнозов не строит и качества модели не гарантирует. Зато история, которую вы сохранили, позволяет вернуться с новым вопросом и проверить идею.

Для предварительной оценки задачи ML я предлагаю проверить пять условий:

1. Нужные данные доступны в цифровом виде и проверены на качество и полноту.

2. Задача конкретна и измерима.

3. Понятно, кто отвечает за решения по прогнозам.

4. Просчитана цена ошибки.

5. Данные можно использовать законно.

Полный чек-лист — в приложении «Инструменты приручения». Каждое «нет» — повод сначала устранить пробел. Если вопросов больше, чем ответов, вернитесь к главам про цифровизацию и данные. А если неясны права на использование данных или ответственность за решения, сначала разберитесь с этим — независимо от общего числа ответов «да». И это, к слову, хорошая новость: фундамент для ИИ строится теми же руками, что и обычный порядок в данных, — просто для этого порядка появилась ещё одна причина.

Главное из главы:

• при обычной автоматизации человек задаёт правила; в ML он определяет задачу и проверяет модель, которая учится на данных;

• генеративные модели, включая LLM, тоже создаются с помощью машинного обучения; для собственных прогнозных моделей нужны качественные данные, подходящие к задаче;

• качество цифровизации — важная основа для ML на данных компании, но само по себе не гарантирует готовность к ИИ;

• где ошибка стоит денег, между моделью и клиентом стоит человек или жёсткое правило.

Что почитать:

Аджей Агравал, Джошуа Ганс, Ави Голдфарб — «Искусственный интеллект на службе бизнеса» — три экономиста объясняют ИИ одним словом «прогноз» — и после этой книги перестаёшь бояться темы.

Они же — «От предвидения к власти» — продолжение: почему выигрывают не те, кто внедрил ИИ точечно, а те, кто перестроил под него систему.

Эндрю Берджесс — «Искусственный интеллект — для вашего бизнеса» — трезвое руководство по оценке: где ИИ вам нужен, а где вам его продают.

Два подхода к автоматизации

От частного к целому или от целого к частному? Выбор подхода определит вашу дорогу на годы — и цену ошибок на ней.

• От частного к целому — локальные решения и их интеграция в систему

• От целого к частному — проектирование системы и декомпозиция на составляющие

В моей картине мира подход «от целого к частному» — правильный, так должно быть: в проекте есть Архитектор. Он переводит стратегию компании в бизнес-цели, определяет необходимые ИТ-решения и вместе с профильными специалистами собирает технологическую карту и модель данных.

Подвох в том, что это долго и дорого, но, к сожалению, и это не всё!

Если предприятие существовало до этого момента, оно уже представляет собой сложную систему.

Отвечает ИИ

Сложная система — это система из множества взаимосвязанных элементов, поведение которой нельзя объяснить только свойствами отдельных частей. Для таких систем характерны нелинейные взаимодействия; некоторые из них способны к адаптации и самоорганизации. Примеры — живые организмы, экосистемы, социальные и технологические системы.

Проще говоря, работающая компания — не сумма отделов, а живой организм: потянешь за одну нитку — отзовётся там, где не ждёшь.

А это значит, что, проектируя «монолит», мы не можем заранее учесть все особенности поведения системы и все риски, которые могут привести наши усилия к негативному результату. Поэтому сдвинуть такой монолит в работающей компании бывает не под силу даже опытным специалистам, что в итоге не приводит к результату — точнее, к результату-то приводит, да не к тому. Поэтому я и советую проверять решения небольшими шагами, а не рассчитывать, что подробный план защитит от всех неожиданностей.

Подход «от частного к целому» изначально не оптимален — но шансов выжить у него куда больше. Он быстро встраивается в существующий «порядок» и решает локальные проблемы, а значит, набирает сторонников внутри компании. Так он и продолжает свой извилистый путь к «целому»: через интеграции разной сложности, промежуточные базы данных, отдельные дата-центры. Причём достигать этого «целого» вовсе необязательно, если вообще возможно.

Ещё один довод в пользу подхода «от частного к целому»: изменение одной части способно непредсказуемо изменить всю систему — создать то, чего и представить было сложно. Это проявление связей внутри сложной системы. Эмерджентностью называют появление у целого свойств, которых нет у его частей по отдельности. Её, к сожалению, мало кто учитывает — а зря.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.

Примечания

1

[1]CRM (Customer Relationship Management) — система управления взаимоотношениями с клиентами.

2

[2]Описание бизнеса Emex; история компании в РБК.

3

[3]Артур Кларк. Третий закон Кларка; английский текст приведён фондом писателя: clarkefoundation.org/arthur-c-clarke-biography/. В тексте дан русский перевод.

4

[4]LLM (Large Language Model) — большая языковая модель.