Сегодня руководители всех уровней признают, что искусственный интеллект способен принести пользу бизнесу, но чтобы это стало реальностью, нужно правильно применять новшество.
Ориентироваться можно на передовые организации, которые уже осуществляют соответствующие инициативы. Как свидетельствует опрос, недавно проведенный Deloitte Consulting, 82% организаций-первопроходцев получают полезную финансовую отдачу от инвестиций в когнитивные технологии — средняя рентабельность вложений составляет 17%.
В Deloitte уверены: проект внедрения ИИ будет успешным, если он ориентирован на потребности бизнеса, а не просто затеян ради стремления воспользоваться новшеством. Организациям, рассчитывающим получить максимум возможного от ИИ, в Deloitte Consalting советуют сосредоточиться на конкретных задачах — сфокусироваться на бизнес-цели, которую нужно достичь, продемонстрировать ценность новшества и наращивать масштаб.
Приведем восемь советов, которые помогут извлечь выгоду из проектов в сфере ИИ от организаций, в которых благодаря таким инициативам уже получают реальные преимущества.
Сосредоточьтесь на конкретных проблемах
В General Electric подчеркивают, что ориентиром для всех проектов компании в области ИИ служит их ценность с точки зрения бизнеса. Реализация начинается с набора минимально жизнеспособных продуктов, на которых демонстрируются эффективность прогнозирования и преимущества системы — способность делать прогнозы быстро и экономично, возможность повысить прибыль и т. д. Затем выбираются оптимально выгодные для бизнеса методы развертывания и масштабирования.
Придерживаться этого принципа крайне необходимо, подчеркивают в GE. Например, если система ИИ выдает прогнозы относительно потребностей оборудования в ремонте, их необходимо интегрировать в соответствующий рабочий процесс, то есть организовать своевременную отправку на объект инженера соответствующей специализации. Возможно, также понадобится интеграция с системой управления запасами или даже с самим обслуживаемым оборудованием. Допустим, если ИИ способен понять, что в оборудовании требуется оперативно увеличить давление или температуру, то понадобится соединить ИИ с его системами управления.
Учитывайте пределы возможностей ИИ
В психологии существует понятие эффекта Даннинга — Крюгера, суть его в том, что человек с недостаточной квалификацией не способен осознавать ошибочность своих действий. В подобную ловушку могут попасть и системы ИИ. Например, если систему, обученную на определенной выборке данных, заставить делать прогнозы по набору данных из другой области, ответы могут быть принципиально неверными, но выглядеть убедительно с точки зрения пользователя, привыкшего доверять результатам работы ИИ.
Понять, подходит ли конкретная аналитическая модель для определенного набора данных, сможет только специалист в области data science. Нужно знать, какие допущения делались при создании модели и попробовать нагрузить ее — возможно, данными другого рода, чтобы понять, насколько она эффективна, объясняют в GE.
Для решения этой проблемы в компании начали работу над системой ИИ, которая сама «знает», для каких ситуаций подходят ее алгоритмы, и использует их только для этих сценариев. Если соответствия нет, вместо ИИ используется физическая модель, применяемая в компании уже много лет. Сейчас новая разработка проходит тестирование.
Прислушивайтесь к пользователям и заказчикам
Чтобы создать системы ИИ, выдающие полезные результаты, требуется участие не только разработчиков. В идеале проект нужно начинать с совещания с участием всех основных заинтересованных лиц, которые обсуждают все подробности и документируют все требования к системе, отмечают в Healthy Nevada Project.
В организации приводят пример, когда ее специалисты разрабатывали протокол лечения пациентов, страдающих сердечно-сосудистыми заболеваниями. Для этого нужно было собрать сведения о лекарствах, которые назначались таким пациентам при выписке из больницы. Но некоторые средства назначаются пациенту сразу при его поступлении в стационар, а после выписки он должен продолжать их прием. Система предположила, что это лекарства, которые пациент уже принимал до поступления в стационар, а не новые средства, назначенные в связи с причиной госпитализации. Проблему обнаружили, только когда выявилась нехватка некоторых лекарств.
По признанию разработчиков, недоработку можно было обнаружить гораздо раньше, если бы с самого начала проводились подробные обсуждения с участием всех заинтересованных сторон. Отныне разработчики стараются не делать вообще никаких предположений самостоятельно — прежде чем приступить к созданию системы, проводят тщательный отбор и обсуждение требований.
А компании Coupa, которая предлагает платформу управления расходами предприятия, один из клиентов посоветовал новый способ борьбы с мошенничеством. Прежде контроль растрат велся изолированно по различным видам мошенничеств — например, с финансовой отчетностью или с закупками. Но выяснилось, что сотрудники, уличенные в одном виде жульничества, нередко склонны и к другим. После совещания со специалистами по закупкам и финансовыми аудиторами решено было организовать распознавание мошенничеств путем анализа данных по сотрудникам.
ИИ оказался оптимальным средством для этого, в связи с тем что для выявления закономерностей приходится обрабатывать огромный объем данных и человек просто не справился бы с таким объемом работы. К тому же ИИ ускоряет процесс обнаружения мошенничества и своевременно блокирует проведение сомнительных платежей. Теперь в Coupa формируют базу знаний по способам мошенничества, о которых сообщают клиенты, и на ней обучают систему ИИ.
Используйте знания в области своей специализации
ИИ сам по себе — не «чудодейственное средство». В консалтинговой компании Globant отмечают, что заказчики нередко просят «подключить искусственный интеллект» к имеющемуся у них огромному озеру данных, чтобы он находил там полезные сведения. ИИ способен выявить скрытые закономерности, но, не задавая верных вопросов, ответов вы от него не получите.
Большая ошибка — полагаться только на исследователей данных и специалистов в области ИИ в рамках проектов аналитики, отмечают в компании Cognoa, где применяют ИИ для диагностики расстройств поведения, в том числе для выявления детей с аутизмом.
В реальных данных могут быть взаимозависимости, а какая-то часть данных может быть не нужной, и, чтобы отличить ее, понадобится эксперт в вашей предметной области. Например, если две группы пациентов проходят диагностику в кабинетах со стенами разного цвета и результаты этих групп различаются, аналитическая модель может решить, что цвет краски на стенах имеет клиническую значимость. По мере роста объема данных подобные ситуации станут маловероятными, но не исключены менее заметные ошибки, которые не заметит эксперт в области ИИ, не имеющий знаний в предметной области. Это особенно критично, когда наборы данных небольшие — например, если дело касается редких заболеваний.
Разумеется, специалисты в предметной области сами могут быть предвзятыми, скажем, ошибочно верить в связь между определенными характеристиками и заболеваниями. Для большей уверенности можно привлекать к работе и экспертов, и искусственный интеллект, а затем сравнивать результаты.
Медики, работающие в Cognoa, помогают выяснять работоспособность моделей и совершенствовать их. В компании признаются, что всякий раз, когда алгоритм ИИ проверяется в рамках клинических исследований, выясняется, что реальность не соответствует моделям. Такие проверки помогают оптимизировать и дорабатывать продукт.
Использование знаний в предметной области совместно с ИИ также полезно при контроле правильности данных, отмечают в CAS, компании, занимающейся сбором и публикацией данных химических исследований.
Неверно поставленные пробелы, нижние индексы, дефисы и ошибки даже в единственной букве формулы могут превратить безопасную реакцию во взрывную. Поэтому в CAS более 350 дипломированных химиков занимаются контролем правильности данных.
С недавнего времени в компании начали использовать ИИ для классификации и очистки данных, благодаря чему часть ученых удалось освободить для более сложной работы. Но даже в ходе реализации простой системы распознавания текста нужны знания в предметной области, добавляют в CAS. Например, «nmol» означает наномолярную концентрацию, а «mmol» — миллимолярную, на шесть порядков больше. Если система перепутает два этих обозначения, реакция может превратиться в разрушительную.
Поэтому CAS нужны специалисты как в области ИИ, так и в области химии — это затрудняет поиск кандидатов и иногда делает невозможным наем сторонних подрядчиков.
Тестирование в реальных условиях — необходимость
Как «ни один план не переживает встречи с противником», так никакая система ИИ не переживает встречи с реальным миром. Если упустить это из виду, ваш проект ИИ обречен с самого начала, уверены в Credit Suisse Group.
Когда в финансовой группе решили запустить чатбот для службы клиентской поддержки, разработчики осознавали, что программа из-за неспособности ответить на все вопросы будет часто переводить вызовы на людей. Но в компании специально приняли решение ввести бот в эксплуатацию на ранней стадии, когда он понимал цель обращения лишь в 23% случаев. Работая в реальных условиях и наблюдая за ведением диалогов с участием представителей различных культур, стран и поколений, робот обучался, и всего за пять месяцев его уровень понимания вырос до 86%.
Не забывайте, что ИИ — это «черный ящик»
Искусственному интеллекту трудно доверять, поскольку неясно, каким именно образом он приходит к решению. Эту проблему называют «проблемой черного ящика».
В компании Beacon Health Options, занимающейся лечением расстройств психики, посетовали, что в некоторых ситуациях проблема «черного ящика» может быть непреодолимой.
В Beacon решили разработать систему на базе ИИ, которая бы выявляла проблему на ранней стадии, до того, как пациенту может потребоваться госпитализация. При этом в компании не только обучали будущих пользователей системы процедурам работы с ней, но и разъясняли принцип действия алгоритмов. А перед вводом в рабочую эксплуатацию был проведен пробный запуск с использованием данных по прежним пациентам. Как объясняют в компании, те пациенты, для кого прогнозировался высокий риск, были действительно подвержены высокому риску обострения, поскольку их позднее поместили в стационар. Таким образом, врачи Beacon могли наблюдать, как именно действует система, и это помогло уменьшить недоверие.
Затем, когда ИИ начали использовать для выявления риска у новых пациентов, за первые 12 недель система выявила почти 300 человек с высоким риском, больше половины из которых прежде таковыми не считались, согласно результатам традиционных диагностических методов. С выявленными пациентами была начата работа — телефонные собеседования, предоставление контактной информации о медицинских учреждениях, контроль приема лекарств. Через один-два месяца появилось достаточно данных, чтобы далее совершенствовать созданную систему.
Используйте понятные показатели
Наличие понятных бизнесу показателей для измерения результатов проекта ИИ нужно, чтобы демонстрировать эффективность системы и необходимость продолжать ее финансировать.
Между тем во многих организациях этому аспекту проектов ИИ достаточного внимания не уделяют. Меньше чем в половине компаний, участвовавших в опросе Deloitte, измеряют ключевые показатели эффективности, необходимые для оценки финансовых результатов, — экономию, выручку, сохранение клиентской базы и др.
По словам аналитиков Deloitte, эта проблема типична для новых технологий — нередко их внедрения не сопровождаются таким же строгим контролем, как работа с более зрелыми технологиями. Следствием может стать превращение инициативы в области ИИ в «мост в никуда» — пилотные внедрения не масштабируются или проект просто не приносит бизнесу выгоды.
Развивайте сотрудников
Непросто найти людей, одновременно являющихся экспертами в области ИИ и разбирающихся в вашем бизнесе. Специалистов по ИИ сегодня не хватает во всем мире, а если добавить еще и требование знаний в вашей области, пул возможных кандидатов становится крайне ограниченным. Как показал опрос Deloitte, посвященный освоению ИИ в компаниях, в 69% из них испытывают нехватку специалистов.
В GE делают все возможное, чтобы находить людей, одновременно обладающих навыками в области программирования и аналитики и знаниями в сфере инженерного проектирования — основной области специализации компании. В GE инвестируют в университетские курсы, ищут кандидатов через Интернет, налаживают контакты на отраслевых конференциях.
Но вместе с тем в GE обращают внимание на собственных сотрудников инженерного профиля, которые занимаются на курсах обучения в области ИИ, а также разработчиков ИИ-решений, изучающих системы управления и материаловедение. Найти специалиста с нужным сочетанием навыков — это еще полдела, добавляют в GE: нужны те, кто способен применять эти обширные знания на практике, превращать задачи бизнеса в задачи анализа данных.
В GE функционируют собственные курсы обучения, на которых одновременно преподаются дисциплины ИИ и инженерного проектирования. На сегодня их закончили уже около трети всех ученых и инженеров компании.
По словам представителей GE, это только начало процесса, направленного на изменение корпоративной культуры, принципов организации работы и системы поощрений.
— Maria Korolov. 8 secrets of successful AI projects. CIO. November 8, 2018
