ГлавнаяWarpБлог
Как начать использовать AI/ML на практике

Как начать использовать AI/ML на практике

Внедрение ИИ позволяет оптимизировать работу организаций в разных функциях: начиная от юридического департамента и заканчивая сложными производствами и процессами продаж. ИИ сейчас — ключевой драйвер конкурентоспособности, а значит и прогресса в целом. Вспомним классические примеры, в которых недооценка цифровизации оказалась фатальной (Kodak, Nokia и др.), то же может случиться с теми, кто не воспринимает искусственный интеллект как серьезную задачу.

При этом хайпа и громких лозунгов вокруг ИИ так много, что становится сложно к нему подступиться. Сложно понять детали практической и экономической пользы, проникнуться доверием, да и в целом определиться, что нужно именно вам. В этом материале мы поделимся опытом из практики AI Consulting, поможем набросать пошаговый план действий и сделать правильный выбор: вводить или не вводить ИИ, какую функцию оцифровывать и что именно должна делать ваша модель.

Шаг 1. Определить бизнес-задачу

Когда решили двигаться в сторону AI, важно понимать, с чего начать. Существует несколько критериев, которые помогут вам определиться. 

Определить функцию. В любой организации есть функции, без которых деятельность невозможна:

  1. Документооборот.
  2. Безопасность.
  3. Производство.
  4. Маркетинг, продажи, аналитика. 
  5. Операции по обслуживанию.
  6. Управление персоналом.
  7. Управление цепочками поставок.

Реализованные сценарии применения AI есть для каждой из этих функций. Это значит, что ничего не нужно изобретать и обосновывать с нуля. Есть проверенные примеры, которые работают. Соответственно, иногда все, что нужно сделать — это посмотреть, как делают другие, экономически обосновать и сделать у себя так же.

Провести ревизию данных. В основе любого AI-решения лежат данные. Поэтому важно понять, какими данными вы располагаете и достаточен ли их объем. Существует три ключевых типа данных:

  • Временные ряды/табличные данные, например, о товарах, закупках, продажах.  
  • Картинки и видео.
  • Тексты, документы.

Без достаточного количества и качества данных можно быстро разочароваться в искусственном интеллекте. Объясним почему: машина просто не сможет увидеть закономерности, если примеров будет мало или они не будут охватывать репрезентативный период. Например, если ваш бизнес имеет выраженную сезонность, данных за последние 3 месяца недостаточно, чтобы спрогнозировать поведение клиентов в течение года. Поэтому держите вопрос о готовности данных как самый первый и важный в голове.

На той функции, где данные есть, их много, они структурированы и охватывают достаточный период (где это применимо), стоит сфокусироваться, так будет больше шансов на успех.

Оценить применение AI в вашей индустрии. Третий критерий — это индустрия. Всегда полезно посмотреть, что уже делают на рынке для вашей отрасли и использовать лучший опыт, поэтому не лишним будет понаблюдать за кейсами внедрения ИИ у коллег по цеху, профильными конференциями и пресс-релизами конкурентов.

Картинка

Итого у нас получилось три ключевых критерия, с помощью которых вы можете конкретизировать бизнес-задачу и приступить к её решению средствами AI: функции в организации, наличие данных, индустрия. Вы можете по-разному их компоновать и выявлять наиболее высокие совпадения. Например: острая проблема/задача в функции + подходящее качество и количество данных для решения этой задачи + кейс, реализованный в похожей индустрии. Кажется, все сходится, чтобы провести успешное внедрение в вашей компании.

Еще пример. Представим, что нет удачного кейса рекомендательной системы по составлению договоров именно в вашей индустрии, скажем, в логистике. Но ровно такой кейс есть для юристов в недвижимости. Как минимум, его стоит изучить, так как роль функции единообразна.

Шаг 2. Найти и внедрить подходящее решение

На следующем шаге стоит разложить технологию по продуктовым полочкам и понять, какой конкретный способ применения ИИ выбрать для вашей задачи. Для простоты давайте использовать какую-нибудь универсальную классификацию, понятную на рынке информационных технологий B2B:

Готовые (коробочные) продукты для конечных пользователей.

AI-оптимизация маршрутов, работы складов, поисковой выдачи в интернет-магазинах, прогнозирование урожайности — примеры готовых продуктов, которые встречались на нашей практике. Плюсы очевидны: получаешь быстро, все сразу работает из коробки, либо требует минимальных доработок.

Готовое решение может не подойти в случае, если:

  • вы хотите построить продукт именно под себя и на базе собственных данных, чтобы быть уверенным в том, что решение на 100% учитывает специфику бизнеса;
  • вас не устраивает качество работы готового продукта, например точность работы ML-модели 65%, а вам необходимо более 80%;
  • доделывать или переделывать готовый продукт выходит дольше/дороже, чем сделать что-то с нуля и сразу под себя;
  • вы не хотите оплачивать дорогие лицензии готовых продуктов.

Готовые платформы и сервисы для разработчиков конечных продуктов, в случае работы с искусственным интеллектом:

  • с процессорами CPU для задач, не требующих супермощных вычислительных ресурсов (например, табличные данные небольших объемов);
  • с высокопроизводительными графическими процессорами GPU для тяжелых вычислительных задач (например, для работы с фотографиями или неструктурированным текстом).

Кастомизированные решения. Заказная разработка, интеграционные проекты, «пакетные»/комплексные предложения продуктовых вендоров, а также все это вместе взятое – в общем, когда, как правило, крупный B2B-заказчик хочет решение «под ключ».

Если говорить про крупные интеграционные проекты, то они присущи крупнейшим организациям (Large Enterprise). Такие на первых порах могут готовить целую стратегию цифровой трансформации, где разные технологии, продукты и инфраструктура разложены по слайдикам и/или полочкам какой-то многоуровневой архитектуры. В таких архитектурах ML и AI являются порой небольшими, но все-таки неотъемлемыми кирпичиками глобальной целевой картины. Как вариант, они могут являться вторым шагом после построения корпоративного хранилища данных (КХД) — это, кстати, можно сделать на базе еще одной нашей PaaS-платформы Advanced. Иногда в этом или любом другом контексте клиенту нужна просто ML-модель, или несколько моделей, но сделанных именно под него, так как ничего готового на рынке нет либо у клиента одна из причин выше.

Выглядит, что выбор сделать просто. Но по факту мы часто сталкиваемся с разными случаями. Например, наша облачная PaaS-платформа для полного цикла ML-разработки ML Space предназначена для ML-разработчиков и дата-саентистов. При этом мы сделали клиенту AI-сервис по прогнозированию спроса на базе ML Space, и теперь им пользуются не разработчики, а аналитики клиента. По простой инструкции они смогли научиться использовать платформу в работе со своим сервисом и, более того, загорелись идеей обучиться Data Science.

Почему нет, если в рамках такого подхода клиент получает все и сразу: сам сервис, инфраструктуру и окружение для него с оплатой только за фактически потребленные ресурсы. Бонус — вдохновение на получение новых знаний. В этом случае у нас получилось решение «под ключ» для конечных пользователей.

Шаг 3. Позаботиться о масштабировании

Если не подумать о масштабировании заранее, можно оказаться в ситуации, когда одна функция в компании лидирует, а другие отстают, или в ситуации острой нехватки вычислительных ресурсов.

О чем нужно подумать заранее:

  • Увеличение количества систем на базе искусственного интеллекта. На первом шаге мы решили, с чего начать внедрять искусственный интеллект. По сути, это минимально необходимая мера для того, чтобы получить железный аргумент в виде кейса и далее продолжать внедрять AI в компании уже не просто на словах. Так что это первый и необходимый шаг на вашем стратегическом пути. Далее, ввиду многообразия сценариев применения, можно руководствоваться теми же критериями, что на первом шаге, и последовательно двигаться вперед, улучшая производительность всего бизнеса.
  • Масштабирование инфраструктуры. Большее количество систем закономерно требует увеличения объемов инфраструктуры. Если ML-модели построены на базе текстовой аналитики, графических данных и/или должны работать в режиме реального времени – CPU-ресурсами уже точно не обойтись, а на пике работы систем не обойтись и GPU-ресурсами в случае, если у вас не будет возможности распределенного обучения. У нас в ML Space такая возможность есть.

Подведем краткие итоги. Чтобы начать применять ИИ на практике, необходимо:

  1. Определить бизнес-задачу, поняв какая функция внутри компании обладает достаточным количеством данных и нуждается в оцифровке с помощью ИИ.
  2. Посмотреть на кейсы применения ИИ коллег в той же индустрии и учесть их опыт.
  3. Выбрать как вы будете внедрять у себя ИИ: выберите готовый продукт, воспользуетесь платформами для самостоятельной разработки или закажете сервис «под ключ».
  4. Продумать следующие шаги по увеличению систем на базе ИИ и инфраструктуры для растущего бизнеса.

Желаем вам успехов на пути развития искусственного интеллекта во благо вашего бизнеса. Ключевая рекомендация – не бояться этого делать. ИИ – такая же информационная технология, как любая другая. А мы в AI Cloud всегда рады помочь вам взять от нее максимум.

Запросите бесплатную консультацию по вашему проекту

Оставить заявкуCloud

Содержание

  • Шаг 1. Определить бизнес-задачу
  • Шаг 2. Найти и внедрить подходящее решение
  • Шаг 3. Позаботиться о масштабировании
Close icon

Подписка
на дайджест

Два раза в месяц присылаем новости сервисов и платформ, кейсы и анонсы мероприятий

Подписаться