ИИ в бизнесе и на производстве: факторы успеха

Искусственный интеллект дебютировал в корпоративном секторе, однако по ряду причин не везде одинаково успешно. Эксперты, принявшие участие в форуме «Интеллектуальное предприятие 2024», рассказывают, из каких слагаемых формируется успех проектов ИИ в бизнесе и на производстве, какие факторы оказывают наибольшее влияние на результаты применения ИИ, а какие мешают построить действительно интеллектуальное предприятие.

Ключевые факторы успеха ИИ-проектов

Для успеха ИИ-проектов, по мнению всех опрошенных экспертов, необходим достаточный объем качественных данных, четко поставленные бизнес-цели, измеримые результаты, а также квалифицированная команда.

«Практически для любой модели машинного обучения требуется значительный объем данных — накопленных, как минимум, за три года. Причем они должны быть систематизированы и обладать большой глубиной», — считает Максим Жаров.

«Чем точнее продукт будет выполнять возложенные на него функции, тем успешнее будет его использование, — продолжает Людмила Голицына. — Например, в OCR-продуктах важно качество распознавания не только в целом, но и при решении конкретной задачи пользователей. Если же говорить о создании собственных инструментов на базе ИИ, то здесь очень важна сильная команда специалистов, нужны соответствующие данные и оборудование. Для получения качественного результата требуются по крайней мере десятки серверов и сотни тысяч часов аудио».

Александр Кныш ключевыми показателями успеха ИИ считает его применимость в той или иной области, а также осязаемые эффекты от его внедрения: «ИИ имеет множество ограничений, связанных с особенностями работы алгоритмов и сложностями их реализации. Чем сложнее и крупнее бизнес или процесс, тем сложнее внедрить ИИ — нужно больше времени и трудозатрат, при этом будет выше риск того, что это либо не заработает, либо не даст ожидаемого эффекта».

По мнению Владислава Беляева, успех зависит от того, насколько широко внутри организации применяются ИИ-инструменты: «Донести ценность использования ИИ до нескольких десятков тысяч человек персонала — важная задача, которую нужно уметь решать. Можно, например, размещать чат-боты в привычных для сотрудников местах — порталах и “точках притяжения” в офисах. Можно проводить регулярные обсуждения с разбором ситуаций, которые смогли решить боты. Можно сопоставить скорость и эффективность решения задачи через цифрового помощника, сравнив, например, с обработкой обращения по телефону».

Сергей Ахметов обращает особое внимание на наличие в организации развитой инфраструктуры для обработки данных и обучения моделей, а также на грамотную интеграцию с другими системами и процессами. В зависимости от стоящих перед организацией задач можно выбрать точечное внедрение с подключением лишь одного ИИ-инструмента (например, чат-бота для взаимодействия кандидатов на работу с кадровой службой) или широкое — с интеграцией ИИ-решений во множество процессов. «Подразумевается, что ИИ будет задействован на всех этапах работы с кандидатом — это в два раза увеличит скорость обработки релевантности вакансии и прохождение кандидата по воронке найма вплоть до выдачи оффера», — комментирует Ахметов.

Сергей Голицын подчеркивает значимость экономического эффекта от внедрения новой технологии, а также наличие цифровой платформы, включающей в себя хранилище данных, правильно выстроенные процессы сбора данных и аналитические витрины. Что же касается точечного либо широкого применения ИИ, то у обоих подходов есть и преимущества, и недостатки, уверен Голицын: «Точечные ИИ-проекты реализуются быстрее, проще и с меньшими рисками, позволяя оперативно корректировать процесс. Вместе с тем цифровизация широкого спектра процессов с применением ИИ дает ощутимый синергетический эффект и позволяет получить конкурентные преимущества в масштабах всей компании, но при этом требует больше ресурсов».

Илья Смирнов отмечает важность оценки экономической целесообразности внедрения технологий на базе ИИ и поддержки со стороны производственников: «По нашему опыту, главными составляющими успешного ИИ-проекта являются его осознанность, предварительная оценка применимости искусственного интеллекта и контроль бюджета. Цифровизация — это не столько широкое внедрение технологий, сколько осмысление бизнес-процессов. Нужен ли здесь искусственный интеллект? Какой результат хотим получить? Ответить на эти вопросы следует заранее».

Негативные факторы

Вполне ожидаемо, что главными негативными факторами ИИ-проектов эксперты назвали недостаточное количество и качество данных, а также размытое понимание целей и задач проектов.

Помимо нехватки данных и сложностей (например, юридических) с их получением, к факторам риска Голицына относит неготовность организаций заниматься внедрением и дообучением моделей на месте, а также желание получить быстрый результат. Кроме того, на итогах проекта может сказаться слабый учет: «Часто организации недостаточно аккуратно вносят данные в учетные базы данных, что, конечно, затрудняет обучение моделей», — добавляет Людмила.

О важности результата напоминает Кныш: «Если заказчик не увидит явных эффектов от внедрения ИИ, то вся работа команды пойдет насмарку». Еще одним ключевым фактором он считает качество работы ИИ и возможность его масштабировать, развивать и совершенствовать в рамках выполняемой задачи.

Смирнов особо отмечает значимость пилотных проектов: «В случае игнорирования этого этапа ИИ-проект может затянуться или стать убыточным. Необходимость проверять и оценивать возможность применения технологий на отдельных производственных переделах — важная составляющая успеха. Пилотный этап помогает выявить проблемы, связанные с недостатком данных, обнаружить противоречия в описании производственных процессов, ошибки выбора алгоритма и т. д. Еще одним барьером может стать непринятие цифровизации со стороны производственного персонала, который легко воспринимает цифровизацию нулевого уровня (например, установку сенсоров или дашборды), однако “в штыки” принимает, например, разработку советника-подсказчика. Важно донести до сотрудников, что ИИ их не заменит».

«В первую очередь негативно на результатах ИИ-проектов может сказаться недостаточная квалификация исполнителей, — уверен Голицын. — Кроме того, до первых пилотных проектов бывает трудно оценить заранее эффект от ИИ-проектов — есть риск недооценить или, напротив, переоценить получаемые выгоды. Еще одной проблемой может стать недостаточное финансирование, особенно это касается затрат на качественное оборудование. Иногда приходится сталкиваться с опасениями в отношении угроз кибербезопасности, в том числе конфиденциальности данных».

«ИИ-проекты часто требуют совместной работы специалистов из разных областей. Отсутствие координации и сотрудничества между командами может негативно повлиять на результаты, — продолжает Беляев. — Затруднить обработку больших объемов данных или сделать реализацию проекта принципиально невозможной может также отсутствие необходимой инфраструктуры».

На влияние человеческого фактора, в том числе нереалистичных ожиданий заказчиков проекта и неготовность сотрудников компании к изменениям, обращает внимание и Жаров: «Если, например, бизнес рассчитывает в результате ИИ-проекта получить полезную информацию для вывода на рынок новых продуктов или услуг, то, скорее всего, результаты его разочаруют. Да, машинное обучение предоставляет возможности для аналитики, но его цель — не в коренном пересмотре стратегического курса. Кроме того, не имея четкой цели и глубокого понимания бизнеса, можно получить лишь набор основных характеристик, на основании которых невозможно построить верные гипотезы».

Ахметову и его коллегам часто приходится сталкиваться с недостаточным уровнем автоматизации бизнес-процессов в HR-службах. Кроме того, сами рекрутеры могут не доверять решениям, принимаемым ИИ-системами. «Например, рекрутер может не принять мнение системы о несоответствии должности кандидата, если не понимает логику этого вывода. Или, наоборот, ИИ-система может определить кандидата как “подходящего”, но при этом не учесть другие факторы, такие как личность кандидата и его соответствие корпоративной культуре».

Что важнее: идея, инструменты, команда или способность принять ИИ?

По оценке Беляева, весовые характеристики перечисленных факторов следует распределить таким образом: по 30% — первые два фактора и по 20% — третий и четвертый.

«Важно понимать, что каждый из этих факторов играет ключевую роль в успехе ИИ-проекта, а их сочетание определяет его общую эффективность, — продолжает Жаров. — 50% успеха в связке зависит от идеи и инструментов ее реализации: правильный выбор задачи определяет потенциал проекта, а инструменты обеспечивают надежность решения. Вторые 50% успеха зависят от людей, задействованных в проекте: скоординированная работа команды и готовность заказчика интегрировать ИИ в свои бизнес-процессы критически важны для долгосрочного успеха».

По мнению Голицыной, правильно выбранная идея применения ИИ и подходящие, качественные инструменты реализации — залог успешности проекта. «Вклад этих факторов в успешность проекта достигает 60–65%. Конечно, большое значение имеет работа проектной команды и то, как конечные пользователи будут применять решение, поэтому эти факторы тоже очень важны, их доля в успехе проекта составляет не менее 35–40%», — поясняет Людмила.

Ахметов на первое место ставит способность бизнеса принять, освоить и затем правильно использовать ИИ. Остальные факторы он расставляет следующим образом: правильно выстроенные усилия команды проекта, удачно выбранная идея применения ИИ (ИИ должен решать реальную проблему и приносить ощутимую пользу) и правильно выбранные и качественные инструменты (платформы, модели ИИ и др.) для реализации идеи.

«Станет ли инновация продуктом и будет ли использоваться в бизнес-процессе, зависит от идеи и способности заказчика принять инновацию, освоить и правильно использовать, — считает Голицын. — По нашему опыту, из множества рациональных идей лишь единицы доходят до продуктивной эксплуатации. Чаще это связано с рыночной конъюнктурой: сказываются высокая стоимость внедрения, недостаточный эффект, неготовность рынка принять инновацию, неверно заложенные ожидания и т. д.».

Кныш считает, что 90% успеха проекта зависит от понимания и готовности бизнеса осваивать и применять ИИ: «Если заказчик ясно и четко понимает и принимает правила работы с ИИ, имеет штат, готовый трудиться в этом направлении, то вероятность успеха будет высокой, а выбор инструментов и поиск способов реализации идеи существенно упростятся».

Каждый из четырех факторов важен, соглашается Смирнов, причем именно их синергия приводит к успеху ИИ-проекта. Тем не менее первостепенное значение он придает выбору идеи применения ИИ. Оценка необходимости оптимизации того или иного производственного участка также крайне важна. Кроме того, безусловно, важны команда и выбор правильного инструмента. «Квалифицированная команда специалистов сможет провести анализ всех составляющих и предложить способы оптимизации производственного участка, — поясняет Смирнов. — Часто выясняется, что производству нужен не “умный” помощник на базе ИИ, а математический алгоритм. И тогда можно не затевать сложный и дорогой ИИ-проект, а внедрить более простое и менее затратное решение, полностью соответствующее ожиданиям заказчика».

Итак, на результативность ИИ-проектов оказывает влияние множество факторов, как технологических, так и непосредственно связанных с ролью человека. Нет какого-либо одного решающего фактора — необходим оптимальный баланс между всеми ключевыми слагаемыми успеха ИИ.

Михаил Зырянов (mikez@osp.ru) — шеф-редактор, OSP.RU (Москва).