ИИ: хайп или реальная польза?
время публикации: 10:00 06 ноября 2024 года
@Freepic
Применение машинного обучения (ML) и искусственного интеллекта (ИИ) становится все более востребованным инструментом в арсенале компаний по всему миру. Согласно исследованиям McKinsey, 72% компаний уже используют ИИ в тех или иных функциях. Многие из них отмечают значительный рост выручки и операционной эффективности, особенно в сферах управления поставками, маркетинге и клиентском обслуживании. В то же время часто использование ИИ не приносит ожидаемой выгоды.
Если рассмотреть вопрос подробнее, станет ясно, что выручка растет у компаний, для которых ИИ — это продукт, то есть они зарабатывают на его интеграции. При этом в приводимой статистике о том, что 72% компаний используют ИИ, включен и генеративный ИИ, который часто применяется как помощник в работе с контентом.
Но где реальная прибыль от внедрения ИИ и почему никто не освещает большое кладбище проектов, которые не принесли результата от внедрения ИИ и их ошибки?
Несмотря на успехи лидеров, значительная часть проектов с использованием ИИ сталкивается с проблемами, которые снижают его эффективность и увеличивают риски. По данным McKinsey, около 44% компаний отмечают негативные последствия внедрения ИИ, в том числе неточность данных и прогнозов, что часто приводит к провалам в реализации проектов. По данным исследования Gartner, от 60% до 85% проектов в области Data Science по внедрению ИИ или ML не результативны либо вообще не доходят до успеха. Это немного остужает пыл и дает повод задуматься о потенциальных сложностях.
Без регулярного переобучения, обновления моделей ИИ результаты могут расходиться с реальностью, создавая не только затраты, но и потенциальные репутационные риски для компании.
1. Неточность данных — одна из самых распространенных проблем, с которой сталкиваются компании при внедрении ИИ. ИИ- и ML-модели требуют больших объемов точной информации для корректного анализа и прогнозирования. Причем под «точной» понимается именно та информация, которой достаточно, чтобы строить прогноз. Если данных недостаточно, ИИ выдает недостоверные результаты, или ИИ модель вовсе не выдает нужное решение. А значит уровень автоматизации должен быть достаточно высок.
Если у вас высокий уровень автоматизации, то данные возможно нужно собирать из разных систем, причем часто системы еще сами развиваются и модели данных меняются, что может ломать ИИ модели уже когда проект закончился и находится в эксплуатации. Как вы сможете оценить, что ИИ модель раньше работала лучше, а теперь хуже? Вы не сможете оценить логику принятия того или иного решения и найти “ошибку” классической декомпозицией.
2. Длительное ожидание результатов. Внедрение персонализированных моделей ИИ часто занимает от пяти месяцев и более. Это может создать дополнительные ожидания и привести к необоснованным надеждам, особенно если с самого начала не были установлены четкие бизнес-цели.
3. Завышенные ожидания от технологий. Если нет четкого представления о том, как ИИ может быть применен в бизнес-процессах, инвестиции в него могут быть необоснованными и не принесут реальной пользы. В итоге ИИ становится дорогой игрушкой, которая никак не способствует увеличению доходов или снижению издержек.
В 2020 году в «Пицце Синице» мы решили использовать машинное обучение (ML) для прогнозирования вероятности оттока клиентов. Модель показала обнадеживающие результаты в тестах, и мы рассчитывали, что сможем своевременно предсказывать, когда клиент может уйти, и удерживать его с помощью точечных маркетинговых активностей. Однако реальность оказалась сложнее, чем мы ожидали.
Главной ошибкой оказалось то, что мы не воспринимали данные как актив, требующий постоянной поддержки и улучшения. С ML-моделью, как и с любым другим инструментом, нужно работать постоянно, отслеживать новые данные и адаптировать к ним модель. Тогда у нас не было специалистов, понимающих процесс изнутри: мы просто выполнили проект сторонними подрядчиками. Результат? Проект «заглох» без поддержки.
@Freepic
Основная причина неудач в применении ML в бизнесе кроется в неправильном подходе, который выливается в организационные ошибки. В компании должно поменяться отношение к специалистам в области работы с данными и к самим данным. В первую очередь эти специалисты должны стать центром прибыли, а не затратной статьей, и IT-система должна стать активом бизнеса.
Многие думают, что достаточно заплатить денег и «купить» нужный продукт как в магазине. Но использование ML не ограничивается форматом использования готовых решений. Важно отнестись к проекту как к исследованию, а это значит:
● обеспечить организационную поддержку проекту;
● отнестись к нему, как к активу, который приносит добавленную стоимость;
● создать внутри компании структуру, которая управляет этим активом;
● возможно даже перестроить бизнес-модель.
Пример: Netflix несколько лет проводил конкурс на улучшение алгоритма рекомендаций с целью повысить точность на 10%. Победитель получил приз в миллион долларов, но улучшенный алгоритм так и не был внедрен, из-за очень высокой стоимости работы инженеров и необходимости изменений в бизнес-модели компании.
Если вы первопроходец, лучше изучить реальный опыт и результаты крупных технологических компаний, которые уже научились добиваться результатов. Такие компании вкладывают в IT на порядок больше ресурсов и задают тренды.
Например, Uber удалось решить серьезную проблему текучести кадров. Раньше только 4% водителей оставалось работать в компании дольше года, Uber тратил от 2 до 5 тысяч долларов на бонусы новым водителям. Сейчас агрегаторы доставок прогнозируют отток водителей через ML для адресной работы с удержанием.
Но это только вершина айсберга: компания занимается повышением квалификации водителей, придумывает стандарты сервиса, тем самым удерживая сотрудников в сервисе и позволяя им больше зарабатывать за счет чаевых и получать хорошие оценки клиентов. В следующий раз, заказывая такси повышенного класса и получая бутылочку воды на заднем сиденье, вспомните о том, какая большая работа была проделана для этого!
По нашему опыту, машинное обучение требует не только технологий, но и новой философии в компании: организация должна воспринимать отдел по работе с данными не как центр затрат, а как центр прибыли. Внедрение машинного обучения может также потребовать перестройки команды, которая будет постоянно совершенствовать алгоритмы и расширять использование данных. На практике во многих компаниях даже нет подразделения для работы с такими задачами, и в этом заключается одна из ключевых трудностей.
Сегодня мы перестроили работу и сделали акцент на маркетинге, ориентированном на лояльность клиентов. Команда каждую неделю тестирует новые гипотезы, адаптируя подходы к потребностям клиентов. Это позволило нам лучше понять, как работать с данными на регулярной основе и повышать лояльность без сложных моделей машинного обучения, которые в нашем случае не оправдали ожиданий.
Читайте также: ИИ при работе с ассортиментом: насколько активно российские розничные сети используют передовые технологии
Чтобы ИИ действительно приносил пользу, важно подходить к процессу внедрения с осторожностью и реалистичными ожиданиями.
Изучайте, где ИИ реально может помочь. Прежде чем приступить к внедрению ИИ, следует провести исследование и определить процессы, в которых ИИ будет наиболее полезен. Например, помимо BigTech, ИИ активно развивают компании финансового сектора и компании, работающие с новыми методами обработки аудио- и видеоконтента.
Сконцентрируйтесь на основных процессах, которые приносят вам выручку и прибыль. ИИ вносит наибольший вклад в маркетинг и продажи. Если ваш основной процесс направлен на повышение операционной эффективности, как в случае с Uber и водителями, ИИ также может существенно сократить расходы.
Оценивайте прибыль с внедрения. Поддержка моделей ИИ потребует значительных расходов на специалистов по обработке данных и возможные изменения в структуре компании. Заранее оцените затраты, чтобы понимать, как они соотносятся с потенциальной прибылью.
Наш опыт показывает, что без изменения подхода к данным, подготовленных специалистов и регулярной поддержки проекта, машинное обучение может остаться всего лишь дорогим хайпом. Важно понимать: ИИ — это не универсальная волшебная кнопка, а целая система, требующая точной настройки, осознанного подхода и регулярного анализа.
Почему почти половина проектов с использованием ИИ не оправдывают ожиданий, и как бизнесу избежать ловушек внедрения.
Рассказывает Денис Кузнецов, основатель сибирской сети пиццерий
«Пицца Синица», инвестиционный партнер и IT-директор.Применение машинного обучения (ML) и искусственного интеллекта (ИИ) становится все более востребованным инструментом в арсенале компаний по всему миру. Согласно исследованиям McKinsey, 72% компаний уже используют ИИ в тех или иных функциях. Многие из них отмечают значительный рост выручки и операционной эффективности, особенно в сферах управления поставками, маркетинге и клиентском обслуживании. В то же время часто использование ИИ не приносит ожидаемой выгоды.
Если рассмотреть вопрос подробнее, станет ясно, что выручка растет у компаний, для которых ИИ — это продукт, то есть они зарабатывают на его интеграции. При этом в приводимой статистике о том, что 72% компаний используют ИИ, включен и генеративный ИИ, который часто применяется как помощник в работе с контентом.
Но где реальная прибыль от внедрения ИИ и почему никто не освещает большое кладбище проектов, которые не принесли результата от внедрения ИИ и их ошибки?
Трудности и риски: где компании теряют на ИИ
Несмотря на успехи лидеров, значительная часть проектов с использованием ИИ сталкивается с проблемами, которые снижают его эффективность и увеличивают риски. По данным McKinsey, около 44% компаний отмечают негативные последствия внедрения ИИ, в том числе неточность данных и прогнозов, что часто приводит к провалам в реализации проектов. По данным исследования Gartner, от 60% до 85% проектов в области Data Science по внедрению ИИ или ML не результативны либо вообще не доходят до успеха. Это немного остужает пыл и дает повод задуматься о потенциальных сложностях.
Без регулярного переобучения, обновления моделей ИИ результаты могут расходиться с реальностью, создавая не только затраты, но и потенциальные репутационные риски для компании.
1. Неточность данных — одна из самых распространенных проблем, с которой сталкиваются компании при внедрении ИИ. ИИ- и ML-модели требуют больших объемов точной информации для корректного анализа и прогнозирования. Причем под «точной» понимается именно та информация, которой достаточно, чтобы строить прогноз. Если данных недостаточно, ИИ выдает недостоверные результаты, или ИИ модель вовсе не выдает нужное решение. А значит уровень автоматизации должен быть достаточно высок.
Если у вас высокий уровень автоматизации, то данные возможно нужно собирать из разных систем, причем часто системы еще сами развиваются и модели данных меняются, что может ломать ИИ модели уже когда проект закончился и находится в эксплуатации. Как вы сможете оценить, что ИИ модель раньше работала лучше, а теперь хуже? Вы не сможете оценить логику принятия того или иного решения и найти “ошибку” классической декомпозицией.
2. Длительное ожидание результатов. Внедрение персонализированных моделей ИИ часто занимает от пяти месяцев и более. Это может создать дополнительные ожидания и привести к необоснованным надеждам, особенно если с самого начала не были установлены четкие бизнес-цели.
3. Завышенные ожидания от технологий. Если нет четкого представления о том, как ИИ может быть применен в бизнес-процессах, инвестиции в него могут быть необоснованными и не принесут реальной пользы. В итоге ИИ становится дорогой игрушкой, которая никак не способствует увеличению доходов или снижению издержек.
Наш опыт: как мы внедряли машинное обучение
В 2020 году в «Пицце Синице» мы решили использовать машинное обучение (ML) для прогнозирования вероятности оттока клиентов. Модель показала обнадеживающие результаты в тестах, и мы рассчитывали, что сможем своевременно предсказывать, когда клиент может уйти, и удерживать его с помощью точечных маркетинговых активностей. Однако реальность оказалась сложнее, чем мы ожидали.
Главной ошибкой оказалось то, что мы не воспринимали данные как актив, требующий постоянной поддержки и улучшения. С ML-моделью, как и с любым другим инструментом, нужно работать постоянно, отслеживать новые данные и адаптировать к ним модель. Тогда у нас не было специалистов, понимающих процесс изнутри: мы просто выполнили проект сторонними подрядчиками. Результат? Проект «заглох» без поддержки.
@Freepic
Почему так происходит?
Основная причина неудач в применении ML в бизнесе кроется в неправильном подходе, который выливается в организационные ошибки. В компании должно поменяться отношение к специалистам в области работы с данными и к самим данным. В первую очередь эти специалисты должны стать центром прибыли, а не затратной статьей, и IT-система должна стать активом бизнеса.
Многие думают, что достаточно заплатить денег и «купить» нужный продукт как в магазине. Но использование ML не ограничивается форматом использования готовых решений. Важно отнестись к проекту как к исследованию, а это значит:
● обеспечить организационную поддержку проекту;
● отнестись к нему, как к активу, который приносит добавленную стоимость;
● создать внутри компании структуру, которая управляет этим активом;
● возможно даже перестроить бизнес-модель.
Пример: Netflix несколько лет проводил конкурс на улучшение алгоритма рекомендаций с целью повысить точность на 10%. Победитель получил приз в миллион долларов, но улучшенный алгоритм так и не был внедрен, из-за очень высокой стоимости работы инженеров и необходимости изменений в бизнес-модели компании.
Если вы первопроходец, лучше изучить реальный опыт и результаты крупных технологических компаний, которые уже научились добиваться результатов. Такие компании вкладывают в IT на порядок больше ресурсов и задают тренды.
Например, Uber удалось решить серьезную проблему текучести кадров. Раньше только 4% водителей оставалось работать в компании дольше года, Uber тратил от 2 до 5 тысяч долларов на бонусы новым водителям. Сейчас агрегаторы доставок прогнозируют отток водителей через ML для адресной работы с удержанием.
Но это только вершина айсберга: компания занимается повышением квалификации водителей, придумывает стандарты сервиса, тем самым удерживая сотрудников в сервисе и позволяя им больше зарабатывать за счет чаевых и получать хорошие оценки клиентов. В следующий раз, заказывая такси повышенного класса и получая бутылочку воды на заднем сиденье, вспомните о том, какая большая работа была проделана для этого!
Как мы изменили подход
По нашему опыту, машинное обучение требует не только технологий, но и новой философии в компании: организация должна воспринимать отдел по работе с данными не как центр затрат, а как центр прибыли. Внедрение машинного обучения может также потребовать перестройки команды, которая будет постоянно совершенствовать алгоритмы и расширять использование данных. На практике во многих компаниях даже нет подразделения для работы с такими задачами, и в этом заключается одна из ключевых трудностей.
Сегодня мы перестроили работу и сделали акцент на маркетинге, ориентированном на лояльность клиентов. Команда каждую неделю тестирует новые гипотезы, адаптируя подходы к потребностям клиентов. Это позволило нам лучше понять, как работать с данными на регулярной основе и повышать лояльность без сложных моделей машинного обучения, которые в нашем случае не оправдали ожиданий.
Читайте также: ИИ при работе с ассортиментом: насколько активно российские розничные сети используют передовые технологии
Как бизнесу избежать ловушек хайпа?
Чтобы ИИ действительно приносил пользу, важно подходить к процессу внедрения с осторожностью и реалистичными ожиданиями.
Изучайте, где ИИ реально может помочь. Прежде чем приступить к внедрению ИИ, следует провести исследование и определить процессы, в которых ИИ будет наиболее полезен. Например, помимо BigTech, ИИ активно развивают компании финансового сектора и компании, работающие с новыми методами обработки аудио- и видеоконтента.
Сконцентрируйтесь на основных процессах, которые приносят вам выручку и прибыль. ИИ вносит наибольший вклад в маркетинг и продажи. Если ваш основной процесс направлен на повышение операционной эффективности, как в случае с Uber и водителями, ИИ также может существенно сократить расходы.
Оценивайте прибыль с внедрения. Поддержка моделей ИИ потребует значительных расходов на специалистов по обработке данных и возможные изменения в структуре компании. Заранее оцените затраты, чтобы понимать, как они соотносятся с потенциальной прибылью.
Наш опыт показывает, что без изменения подхода к данным, подготовленных специалистов и регулярной поддержки проекта, машинное обучение может остаться всего лишь дорогим хайпом. Важно понимать: ИИ — это не универсальная волшебная кнопка, а целая система, требующая точной настройки, осознанного подхода и регулярного анализа.
Денис Кузнецов,
основатель сибирской сети пиццерий
«Пицца Синица»,
инвестиционный партнер и IT-директор.
Для NEW RETAIL
0
Последние новости
Самое популярное
- Новый клиентский опыт в офлайне: технологии для ритейла 2024-2027
- Сооснователь MD Audit Андрей Подгорнов: «Наша цель — создать в одном продукте це...
- Людмила Этиз, «О’КЕЙ»: «Наша цель – сформировать экологичное сообщество, где все...
- Контроль за продавцами маркированных товаров усиливается: разбираем новые индика...
- Бизнес в условиях импортозамещения: 7 кейсов вынужденного ребрендинга