Искусственный интеллект: где, как и зачем?
Участники клуба «Топ-100 ИТ-лидеров» обсудили варианты применения больших языковых моделей и AI на осенней встрече клуба.
Современные большие языковые модели и технологии искусственного интеллекта (ИИ) открывают перед бизнесом новые горизонты. Однако, где проходит граница между пилотами и тестовыми проектами и работающими кейсами с использованием ИИ? Позволяет ли сегодняшний уровень БЯМ и ИИ внедрять их в реальные бизнес-процессы? Если да, то в каких направлениях инструменты ИИ дают на сегодняшний день самый лучший эффект? Эти вопросы обсудили участники дискуссии «Возможности применения больших языковых моделей и AI», которая прошла в рамках встречи Клуба "Топ-100 ИТ-лидеров" сообщества GlobalCIO.
Встреча закрытого клуба «Топ-100 ИТ-лидеров» проходит традиционно два раза в год, но в этот раз она стала особенной. Помимо непосредственно участников клуба, на нее были приглашены и новые лица. Это те ИТ-руководители, кто пока не входит в «Топ-100 ИТ-лидеров», но у кого в этом году были значимые кейсы в области ИТ-индустрии, и кто может быть рекомендован для вступления в Клуб.
В начале мероприятия с докладом на тему использования ИИ в операционной деятельности выступил директор по цифровой трансформации компании «БиоВитрум» Дмитрий Гуреев. Затем началась дискуссия на тему практического применения больших языков моделей и AI. В ней приняли участие: советник генерального директора по цифровой трансформации «Газпромтранс» Леонид Головин, директор по информационным технологиям «Яндекс» Арвидас Гафиулин, ИИ-директор «МТС» Дмитрий Твердохлебов. Организовывал дискуссию в качестве модератора директор по развитию бизнеса в области данных и ИИ Дата-кластер Ростелеком Михаил Комаров.
В каких направлениях уже сейчас активно применяется ИИ?
По мнению участников дискуссии, сегодняшний хайп вокруг ИИ можно сравнить с бумом «больших данных», который был около 10 лет назад. Тогда «биг дата» тоже воспринимались едва ли не универсальной таблеткой для роста: казалось, что стоило только внедрить инструменты для управления данными, как бизнес тут же «взлетит». Но жизнь все расставила по своим местам: сейчас уже очевидно, что большие данные – это всего лишь один из инструментов, который влияет на развитие бизнеса. С искусственным интеллектом, скорее всего, будет тоже самое – сейчас время экспериментов, когда ИИ пытаются применить ко всему, что только можно. Но со временем будут найдены те точки, где инструменты ИИ работают лучше всего и это станет абсолютно рядовой обыденной практикой. Примерно, как навигатор в машине – ведь сейчас уже почти не осталось водителей, которые бы его не использовали и ездили бы по картам и указателям.
Участники дискуссии привели достаточно много практических примеров, когда инструменты ИИ удалось успешно встроить в бизнес-процессы компании. В частности, они выделили несколько ключевых направлений, где сейчас чаще всего применяется искусственный интеллект.
Прежде всего, это вопросы, связанные с коммуникацией с клиентами и улучшением клиентского опыта. Например, компании разрабатывают чат-боты которые позволяют операторам колл-центров или диспетчерам быстрее находить ответы на запросы пользователей. В некоторых случаях чат-бот на основе ИИ может напрямую общаться с клиентом, предлагая ему различные варианты решения вопроса. Кроме того, при помощи инструментов ИИ можно анализировать запросы пользователей и оперативно направлять их именно в те службы внутри компании, к которым они относятся. Еще один бонус: искусственный интеллект в состоянии классифицировать обращения пользователей в техподдержку по определенным группам – это дает возможность компании наглядно увидеть, с какими проблемами чаще всего сталкиваются клиенты, где находится «слабое звено» в бизнес-процессах или продуктах.
ИИ также способен сильно облегчить закупочные процедуры. Так, в одной компании разработали приложение, которое позволяло из всей массы аукционов по ряду характеристик выбирать именно те, которые интересны для участия. Это сэкономило сотни часов работы специалистов, которым бы пришлось внимательно изучать конкурсную документацию и самостоятельно принимать решение, нужно ли участвовать в этом аукционе или нет.
Еще одно направление, где ИИ уже показывает очень хорошие результаты, – это повышение операционной эффективности сотрудников компании. Например, при помощи того же ChatGPT можно делать транскрибацию текстов, генерировать картинки, анализировать видео и делать на его основе описание продуктов и многое другое. Казалось бы, это простые вещи, но они освобождают сотрудников от рутины и позволяют заниматься более важными и творческими вещами.
Вам также может быть интересен материал Компас CIO:
Автоматизация с ИИ в обучении сотрудников
Раскрываем успешный опыт внедрения системы ИИ-тьютор в крупной компании морских грузоперевозок для срочного обучения 20 000 сотрудников. Узнайте, как с помощью ансамбля нейросетей и семантического ядра удалось обеспечить глубокое понимание материала, получить достоверный цифровой след обучения и значительно сократить простои судов в портах. В статье разбираем архитектуру решения, особенности внедрения и конкретные результаты проекта.
Проблемные вопросы, связанные с внедрением ИИ
Участники дискуссии рассказали, в том числе, и о факторах, которые часто тормозят внедрение искусственного интеллекта. Это, прежде всего, высокая стоимость подобных проектов. И речь не только о том, что нужно собирать команду разработчиков и платить им высокую зарплату, закупать дополнительное оборудование. Многие часто не учитывают стоимость интеграции таких проектов с теми сервисами и инфраструктурой, которая уже существует в компании. Например, чтобы чат бот стал по-настоящему действенным помощником для специалиста, его нужно интегрировать с базами данных в компании, при этом обеспечить регулярное обновление и так далее. Стоимость затрат на интеграцию порой может превышать стоимость реализации самого проекта с применением ИИ, подчеркнули участники.
Не все так просто и с определением эффективности реализованных кейсов ИИ, особенно, если это пытаться перевести в конкретные цифры. В случае с ИИ далеко не всегда можно сказать: «Вот сейчас мы вложим 100 млн. рублей, а через год заработаем 150 млн. рублей». Часто проекты в сфере ИИ имеют накопительный эффект. Кроме того, иногда изменившиеся обстоятельства меняют представление об эффективности ИИ. Например, в одной компании нейросеть обучили модерировать отзывы, которые оставляют клиенты. Сначала задачей было отфильтровывать ненормативную лексику. Но затем функционал фильтрации контента был расширен, что сделало ценность такого ИИ-помощника кратно больше, хотя изначально об этом эффекте никто не даже подумать не мог.
Еще одна сложность связана с качеством данных, которыми пользуется ИИ. Чтобы получить релевантные ответы от нейросети, нужно «скормить» ей актуализированные документы, в которых бы не было противоречий, неточностей, двойного смысла и так далее. Если этого не сделать, то нейросеть будет давать на выходе ошибки, дополнять информацию собственными фантазиями, то есть «галлюцинировать» – как часто говорят эксперты. Это ставит перед компаниями, которые хотят пользоваться ИИ, задачу повышения культуры управления данными. Скорее всего, в штатное расписание нужно будет ввести новую должность – управляющий знаниями, который будет следить за чистотой и обновлениями данных, на базе которых работает нейросеть.
Впрочем, даже при условии предоставлении ИИ качественной информации, нейросеть все равно может фантазировать и выдавать неточности. Это обстоятельство резко сужает сферу применения искусственного интеллекта. Участники дискуссии считают, что в первую очередь инструменты ИИ надо внедрять в тех сферах, где цена ошибки не очень высока. Например, если чат-бот ошибется в ответе на какой-то вопрос клиента, это частный случай, и его легко поправить – например, переключив общение на оператора. А вот если сделать, к примеру, AI-помощника для юриста, и этот помощник выдаст неверную трактовку каких-то положений законодательства, а юрист этого не заметит, в перспективе это может привести к серьезным убыткам для компании. Более того, если в колл-центре работают, к примеру, 200 человек и кто-то один из них ошибется, то последствия будут, скорее всего, незначительными. А вот если какая-то ошибка появилась в модели, то она сразу влияет на весь процесс, на все события, которые через эту модель проходят.
Отсюда следует простой вывод: сегодняшний уровень развития нейросетей пока еще не позволяет полностью заменить ими сотрудников. Поэтому компаниям надо стремиться не к тому, чтобы заменить человека ИИ, а нужно пытаться помочь человеку при помощи технологий искусственного интеллекта. Внедрять новые сервисы, помощников и так далее. Такие копилотные проекты могут существенно повысить эффективность персонала и тем самым направить освободившиеся ресурсы на решение других задач.
Стратегический партнёр встречи Клуба «Топ-100 ИТ-лидеров»:
DataSpace – ведущий оператор коммерческих ЦОД в России, обеспечивающий непрерывность функционирования корпоративной ИТ-инфраструктуры российских и международных компаний.
DataSpace Cloud – надежная облачная инфраструктура для бизнеса: публичные, частные и гибридные облачные решения позволяют быстро и гибко масштабировать инфраструктуру любой сложности.
