Как внедрять искусственный интеллект в бизнес
Главная Аналитика, Технологический сектор, Искусственный интеллект, Карьера и бизнес

Эксперты PwC рассказали, как подготовить данные для обучения ИИ, извлечь из технологии максимальную прибыль и не потерять доверие клиентов.

Создайте основу для искусственного интеллекта

Лучшая основа для внедрения ИИ — центр компетенций по искусственному интеллекту. Это разнопрофильная команда, которая отражает все функции компании и куда входят представители бизнеса, IT и специалисты по ИИ.

Представители бизнеса и IT должны:

  • Разрабатывать единые регламенты по работе с данными для всей корпорации и следить за их соблюдением;
  • Выбирать лучшие варианты подотчетности и корпоративного управления;
  • Определять технические стандарты взаимоотношений с поставщиками;
  • Управлять объектами интеллектуальной собственности;
  • Оценивать уровень внедрения искусственного интеллекта.

Задача специалистов по ИИ — разработать виртуальную среду со встраиваемыми инструментами, в которой бизнес-специалисты и технические специалисты будут совместно использовать ресурсы (наборы данных, методологии, компоненты многократного применения) и решать бизнес-проблемы.

Обучите искусственный интеллект

  1. Соберите данные. Чтобы искусственный интеллект мог извлекать ценную информацию из большого массива данных и прогнозировать будущее, его необходимо обучить. Для этого нужно собрать большой объем информации.
  2. Промаркируйте данные. Собранные данные необходимо промаркировать по какому-то признаку: например, определить, удовлетворен ли потребитель. Для этого данным по каждому пользователю необходимо вручную проставить маркер «удовлетворен» или «не удовлетворен».
  3. Обучите ИИ. После маркировки данные необходимо показать искусственному интеллекту: он научится находить в них нелинейные закономерности и в дальнейшем сможет самостоятельно проставлять данный маркер по другим пользователям.
  4. Регламентируйте маркировку. Чтобы промаркированные наборы данных были полезны для алгоритмов искусственного интеллекта на всем предприятии, нужно создать общекорпоративные стандарты по их разметке.

Все задачи по обучению искусственного интеллекта должен решать центр компетенций по ИИ.

Искусственный интеллект может учиться, даже когда у компании нет достаточно данных:

  • Рациональное и дополненное обучение (Lean and Augmented Learning) позволяет создавать собственные данные на базе небольшого числа образцов;
  • Обучение с переносом полученных знаний (Transfer Learning) переносит решение с одной задачи, для которой есть достаточно данных, на другую;
  • Моделирование, основанное на теории вероятности, используют для создания «синтетических» данных для обучения ИИ.

Не беритесь за все сразу

Сначала стоит разработать модель искусственного интеллекта под одну задачу, это решит конкретную бизнес-проблему и увеличит эффективность работы. Если компания успешно внедрила ИИ в одной сфере бизнеса, скорее всего, его можно будет применить и для других задач. Руководителям нужно создать портфель алгоритмов на базе искусственного интеллекта, которые можно многократно использовать для разных процессов. Это ускорит окупаемость инвестиций и быстрее распространит технологию в компании.

Обучайте сотрудников и привлекайте новых

Инструменты на базе машинного обучения автоматизируют работу с ИИ и делают ее доступнее для работников. И все же в некоторых алгоритмах не могут разобраться даже те сотрудники, которые прошли обучение в области искусственного интеллекта. В такой ситуации они могут случайно использовать не тот алгоритм, что приведет их к неверным результатам. Чтобы этого не случилось, необходимо создать три уровня квалификации работников в области искусственного интеллекта.

  • Пользователи. Большинство сотрудников должны научиться пользоваться искусственным интеллектом, применять корпоративные приложения на базе ИИ, правильно управлять данными и обращаться за помощью экспертов при необходимости.
  • Разработчики. 5−10% сотрудников должны пройти дополнительное обучение, чтобы стать разработчиками. Они будут формировать наборы данных, использовать их и сотрудничать со специалистами по ИИ при разработке новых приложений на базе искусственного интеллекта.
  • Профессионалы. Небольшая часть инженеров и специалистов по интеллектуальному анализу данных будет создавать приложения на базе ИИ и управлять ими.

Можно обучить сотрудников компании выполнять роль пользователей и разработчиков. Профессионалов в области ИИ нужно нанимать со стороны, это должны быть работники технического профиля.

Руководителю стоит четко распределить обязанности между тремя группами сотрудников, наладить совместную работу специалистов по искусственному интеллекту и бизнес-специалистов, развивать партнерские отношения между ними и культуру наставничества.

Большинство сотрудников смогут обучиться новым навыкам и принять новые роли, но кому-то это не удастся, поэтому руководителю нужно настроиться на некоторую текучку персонала.

Обеспечьте доверие к искусственному интеллекту

Технологии искусственного интеллекта до сих пор вызывают много вопросов: конфиденциальность данных, кибербезопасность, трудоустройство. Чтобы клиенты, сотрудники и совет директоров доверяли инструментам искусственного интеллекта, руководители должны следовать принципам ответственного ИИ:

  • Справедливость: компании необходимо минимизировать предвзятость данных, с которыми работает ИИ.
  • Осознанность: нужно понимать, каким образом ИИ принимает решения, и гарантировать точность этих решений.
  • Надежность и безопасность: системы искусственного интеллекта должны быть устойчивы к кибератакам.
  • Контроль: алгоритмы искусственного интеллекта стоит периодически проверять, в компании нужно назначить ответственного за системы ИИ.
  • Системная этика: системы ИИ должны соответствовать нормативно-правовым требованиям, компании стоит учитывать, как системы ИИ влияют на сотрудников и клиентов.

Чтобы регулировать соблюдение этих принципов, нужно разработать должностные роли, которые будут сочетать технические знания и умение разбираться в нормативно-правовых, этических и репутационных вопросах.

Другой способ повысить доверие к искусственному интеллекту — развивать объяснимый ИИ. Такая технология может обосновать каждое действие и объяснить преимущества выбранной стратегии. Это повысит прозрачность, интерпретируемость и доказуемость решений искусственного интеллекта, а значит, и доверие к нему.

Пересмотрите возможности ИИ

Искусственный интеллект автоматизирует бизнес-процессы и помогает принимать решения. На этих возможностях технологии сейчас сконцентрированы многие руководители, однако наибольшую прибыль компании получат за счет персонализации и повышения качества товаров и услуг.

Наиболее перспективные отрасли для монетизации ИИ:

  • Здравоохранение. Искусственный интеллект позволит мониторить данные об образе жизни пациента, быстрее диагностировать заболевания и предлагать персонализированное страхование здоровья.
  • Розничная торговля. Компании уже прогнозируют поведение покупателей с помощью ИИ. Следующий этап — гиперперсонализированный ритейл: при помощи искусственного интеллекта и автоматизации розничные предприятия будут предлагать товары и услуги для конкретного потребителя.
  • Автомобильная отрасль. Искусственный интеллект позволяет моделировать последствия разных бизнес-решений и выбирать лучшую стратегию. Например, один ведущий автопроизводитель с помощью ИИ тестирует более 200 тыс. сценариев того, как вывести на рынок беспилотные автомобили для совместного использования.

Объединяйте ИИ с другими технологиями

Искусственный интеллект работает эффективнее в сочетании с такими технологиями, как аналитика, ERP (планирование ресурсов предприятия), интернет вещей, блокчейн и даже квантовые вычисления. При этом интеграция ИИ с другими технологиями начинается с данных, поэтому компании должны уделять особое внимание их стандартизации и разметке.

Наиболее перспективно интегрировать искусственный интеллект с интернетом вещей. Крупные предприятия используют огромное количество датчиков, которые собирают информацию с корпоративного оборудования и клиентских устройств. Искусственный интеллект будет выявлять закономерности в этом потоке данных для самых разных задач: от обслуживания систем до маркетингового анализа.

Объединять нужно не только технологии, но и сотрудников. Раньше аналитики изучали процессы и создавали алгоритмы, потом передавали их IT-специалистам для написания API-интерфейса, а те отправляли его бизнес-специалистам для применения в работе. Теперь команды должны работать вместе с самого начала. Для этого нужно создать обратную связь между специалистами по разработке и эксплуатации, чтобы они могли сотрудничать и вместе вносить изменения в продукт (техника DevOps). Другой вариант — ввести посредника между командами.

Подписывайтесь на наш канал в Яндекс.Дзен. Много эксклюзивных историй, полезных материалов и красивых фото.

Читайте также:
Пожалуйста, опишите ошибку
Закрыть