ИИ в бизнесе: тренд или необходимость?

В эпоху цифровой трансформации искусственный интеллект стал не просто модным словом, а реальным инструментом изменения бизнес-процессов. Но действительно ли каждой компании нужно спешить внедрять ИИ-решения? Об этом рассуждает Филипп Щербанич, старший бэкенд-разработчик компании Mayflower.

Масштаб явления

Согласно последним данным Statista, глобальный рынок искусственного интеллекта в 2024 году достиг внушительной отметки в 184 миллиарда долларов. Аналитики прогнозируют ежегодный рост около 23%, что говорит о беспрецедентном развитии отрасли.

%img-1%

Исследование Hostinger подтверждает эту тенденцию, показывая рост использования данных технологий во всех отраслях. При этом особую активность демонстрируют сферы здравоохранения, финансов и производства.

%img-2%

Что скрывается за аббревиатурой

Современный ИИ – это сложные программные системы, способные имитировать человеческие когнитивные способности благодаря технологиям машинного обучения. Сегодня существует несколько основных типов ИИ-систем:

Языковые модели (LLM) по типу ChatGPT или LLAMA) для обработки и генерации текстов. Системы компьютерного зрения (CV) для анализа изображений. Технологии синтеза (STT) и распознавания речи (TTS) и другие.

Особенно показательным стал прошедший год, когда тренд сместился в сторону мультимодальных систем, способных одновременно работать с текстом, изображениями и звуком. Выглядит это впечатляюще.

Современные системы ИИ можно применять буквально в любой отрасли бизнеса, помогая оптимизировать процессы в компании и улучшать клиентский опыт. К примеру, компьютерное зрение может помогать следить за безопасностью в городе или на предприятиях, большие языковые модели – имитировать человека в чат-ботах снижая нагрузку на реальных операторов, а комбинация языковой модели, моделей синтеза и распознавания речи могут заменить оператора телефонной линии. Взгляните, например, на Олега, помощника в Т-Банке, сколько людей он уже спас от мошенников.

За последние годы появился ряд компаний, которые используют подобные модели как основу своего бизнеса. Если ваш бизнес построен исключительно на функционале существующей языковой модели, добавляя какие-то полезные функции, то ее поставщику, в случае если решение будет действительно успешным, ничего не стоит добавить его как новую дополнительную фичу на свою платформу. Например, интеграция поиска в Интернете в процесс работы чат-бота для выдачи более актуальных данных в ответе (дополнение контекста) была реализована энтузиастами еще до того, как OpenAI воспользовались этой идеей и реализовали этот функционал у себя на платформе. Или GPT-агенты: сегодня многие бизнесы пытаются создать свою версию "роботов-помощников" на основе того же ChatGPT. Но компания OpenAI уже анонсировала своих "ИИ-агентов", которые, по сути, будут делать то же самое, только лучше, так как им будут доступны более широкие возможности этой модели.

Драйверы роста

Главным катализатором стал феномен ChatGPT от OpenAI, который произвел революцию в понимании возможностей ИИ для бизнеса. Даже начинающие предприниматели увидели реальные перспективы применения этих технологий, что вызвало всплеск интереса к обучению и развитию компетенций в этой сфере.

Немаловажную роль играет доступность технологий. Современные ИИ-инструменты не требуют глубоких технических знаний для внедрения. Например, интеграция ChatGPT через API занимает считанные минуты благодаря невероятно подробным инструкциям по внедрению в свои программы данного продукта, а также готовые библиотеки, позволяющие начать использовать инструмент буквально за несколько минут. Еще один хороший пример – платформа Hugging Face, предоставляющая простой доступ к широкому спектру систем компьютерного зрения и других ИИ-решений, с помощью которых в дальнейшем можно взаимодействовать в коде своих программ через специальные библиотеки. Все это делает использование ИИ привлекательным решением для бизнеса любого масштаба.

Известные технологические гиганты, используют различные ИИ-разработки в своих продуктах уже десятки лет и демонстрируют впечатляющие результаты в оптимизации бизнес-процессов. Так, Amazon произвела настоящую революцию в онлайн-торговле, используя ИИ для создания персонализированных рекомендаций покупателям. Система анализирует историю покупок, поисковые запросы и даже время, проведенное на страницах товаров, что позволяет предлагать именно то, что с наибольшей вероятностью заинтересует конкретного пользователя. Google, в свою очередь, применяет передовые алгоритмы машинного обучения для повышения точности поисковой выдачи и таргетирования рекламы, что не только улучшает пользовательский опыт, но и значительно повышает эффективность рекламных инвестиций для бизнеса.

Подводные камни внедрения

Многие компании сейчас находятся под давлением – внедрять ИИ или остаться за бортом цифровой революции. Несмотря на кажущуюся простоту, внедрение ИИ требует взвешенного подхода. ИИ стоит рассматривать как инструмент для решения конкретных проблем, а не как универсальное решение. Важно понимать, что слепое следование тренду может принести больше вреда, чем пользы.

История знает немало неудачных примеров. Показательный случай – компания Amazon разработала ИИ-систему для автоматического отбора резюме (Amazon Recruitment AI, 2014–2017). Модель обучалась на 10-летней истории найма фирмы, вследствие чего, проявила гендерную дискриминацию, занижая рейтинг резюме женщин, поскольку исторические данные компании были предвзяты (мужчины занимали больше руководящих должностей). Эта история вызвала большой скандал, а компания понесла серьезные репутационные издержки. Или вот еще пример, чат-бот Microsoft Tay, запущенный в 2016 году, сразу после введения в эксплуатацию начал генерировать оскорбительные сообщения из-за недостаточного контроля в ходе обучения на пользовательском контенте. Что вызвало бурю негативных отзывов в адрес компании.

Какие уроки можно извлечь из этого опыта:

Необходимо использовать непредвзятые и репрезентативные данные для обучения моделей (при самостоятельном обучении). Важно учитывать возможные социальные последствия и внедрять механизмы предотвращения дискриминации. Результатам работы ИИ модели нельзя доверять на 100%. Требуется регулярный мониторинг и тестирование ИИ-систем.

Критерии готовности

Нужно помнить, что внедрение ИИ не всегда является необходимостью для компаний. Целесообразность зависит от типа бизнеса, его целей, ресурсов и текущих задач. Если речь идет об уже существующей компании, следует определить, может ли внедрение таких технологий улучшить какие-либо важные бизнес-показатели. Для этого в первую очередь необходимо научиться их измерять, например, интегрировать системы A/B тестирования и т.д. В противном случае, вы можете не заметить, как новая технология начнет снижать эффективность вашей компании и ухудшать ее показатели. Когда обнаружите проблему, исправлять ситуацию будет уже сложно.

Также можно улучшать процессы внутри компании, для увеличения показателей производительности труда. Но делать это необходимо только в случае возникновения такой потребности и крайне аккуратно. Конечно, новые ИИ-фичи могут рассматриваться как способ реализации чего-то инновационного. Тогда основным критерием тут будет наличие ресурсов на реализацию, поддержку и готовность идти на риски.

Если речь идет о молодой компании с пока еще "зеленым" продуктом, то ситуация иная. Гибкости в этом случае гораздо больше, поэтому внедрение новых инструментов будет, на первый взгляд, более простой задачей. Но чтобы это не обернулось крахом, необходимо оценить свои возможности по контролю работоспособности и поддержке такой системы.

Преимущества и риски

К положительным эффектам внедрения ИИ можно отнести:

Конкурентное преимущество. Востребованный и уникальный функционал станет отличным дополнением к проекту при его успешной интеграции. Улучшение пользовательского опыта. Достижение желаемого результата возможно при правильном подходе к реализации задачи. Потенциальный рост доходов. Уникальный функционал ИИ позволяет оптимизировать расходы на персонал и расширить клиентскую базу благодаря новым возможностям. Круглосуточная работа. Искусственный интеллект не заболеет и не уволится. Автоматизация рутинных задач. ИИ открывает новые возможности для оптимизации внутренних процессов компании.

Среди рисков выделяются:

Высокие начальные инвестиции. Разработка уникальных ИИ-решений требует существенных финансовых вложений, особенно когда речь идет о создании принципиально новых технологий, не имеющих аналогов на рынке. Но даже внедряя готовые и рабочие закрытые инструменты, вроде того же ChatGPT, необходимо помнить о том, что каждый запрос к модели будет стоить вам денег. Кроме того, используя его, существуют риски замкнуть себя на одного поставщика услуг. Так как данное решение может иметь огромное количество кастомного функционала, отсутствующего у других, схожих по предоставлению услуг поставщиков. Сложности интеграции. Если решение доступно через API, тогда необходимо предусмотреть риски связанные с его доступностью и надежностью. Мало того, что оно может отключиться в самый неподходящий момент, например, из-за технических работ у поставщика, так и сам API может внезапно изменить свой формат и поломать ряд существующих решений, основанных на нем (как было в OpenAI уже не раз). Если решение self-hosting, нужно позаботиться о том, чтобы оно работало без сбоев, выделять на это серверные ресурсы, подумать о безопасности и так далее. Все эти сложности ложатся на плечи разработчиков, внедряющие его. Возможные утечки чувствительных данных. Безопасность данных играет ключевую роль при взаимодействии с внешними API-сервисами. Работая с такими системами, важно тщательно контролировать передачу и обработку конфиденциальной информации, поскольку даже современные технологии могут допускать случайные утечки данных. Чтобы обеспечить надежную защиту, необходимо внимательно следить за тем, какие данные передаются на внешние серверы. Если поставщик модели и обещает вам, что никак не будет сохранять передаваемые вами данные, то все равно нет никакой гарантии, что на самом деле он не будет этого делать, или что данные не останутся в каких-нибудь логах их системы, или промежуточной системы между вашим сервером и целевым сервером с моделью. Непредсказуемость результатов. Искусственный интеллект, несмотря на свою технологическую развитость, может допускать ошибки и выдавать неожиданные результаты. "Интеллектом" он называется весьма условно. Ведь на самом деле машина не думает, она просто использует сложнейшие математические алгоритмы для предсказания результата. Особенно это заметно в работе языковых моделей, где случаются сбои вплоть до генерации некорректного контента. Такие случаи уже становились причиной общественных дискуссий об этической стороне использования ИИ. Сопротивление персонала. Сотрудники компаний все чаще испытывают тревогу из-за возможной замены их рабочих мест искусственным интеллектом. Соответственно, с их стороны возможны даже диверсии, ведь когда речь идет о потенциальной потере всех доходов, люди могут вести себя крайне неадекватно. Кроме того, данный страх активно подпитывается мировыми СМИ, которые, не разобравшись в проблеме, только пугают людей.

Пошаговая рекомендация по внедрению ИИ в бизнес

Шаг 1. Подготовительный этап

Определить цели и задачи для внедрения ИИ. Сформировать команду специалистов (определить ответственных специалистов). Оценить готовность компании к изменениям. Рассчитать предварительный бюджет.

Шаг 2. Выбор технического решения

Проанализировать доступные ИИ-решений на рынке. Сравнить self-hosted и облачные платформы. Оценить технические требования и ограничения. Рассчитать стоимости внедрения и обслуживания.

Шаг 3. Пилотный проект

Запустить тестовое ИИ-внедрение на ограниченном участке для тестовой группы пользователей, если у вас крупный бизнес (чтобы проверить его эффективность). Собрать и проанализировать первичные результаты. Скорректировать процессы по итогам тестирования. Задокументировать успехи и ошибки.

Шаг 4. Техническая реализация

Подготовить инфраструктуру: если используется self-hosting решение, необходимо рассчитать требуемые ресурсы под каждую отдельную операцию с ИИ моделью. Используя эти данные и прогнозируемое количество запросов, можно определить требования к серверам. При этом нельзя забывать о резервных системах на случай сбоев. Настроить ИИ-систему и произвести интеграцию: если используется стороннее решение, необходимо придумать резервные варианты на случай неработоспособности основного решения. Не стоит завязываться на "кастомные" решения определенного поставщика, чтобы возможно было быстро переключиться на нового. Протестировать и регулярно мониторить производительность.

Шаг 5. Масштабирование

Постепенное расширение использования успешных ИИ-решений. Интегрировать системы мониторинга работоспособности применяемого решения. Добавить функционал поддержки клиентов, чтобы они могли жаловаться на плохо работающий ИИ-инструментарий. Разработать план действий при сбоях.

Шаг 6. Контроль и оптимизация

Проводить регулярный аудит ИИ-систем. Собирать обратную связь от пользователей. Следить за новыми уязвимостями применяемых решений, регулярно обновлять ПО и использовать только последние версии API, чтобы избежать проблем в будущем.

Заключение

Внедрение ИИ в бизнес – инновационный путь, требующий взвешенного подхода. Опыт лидеров рынка показывает: успех зависит от качества данных, постоянного контроля и этичного использования технологий. При грамотной интеграции ИИ становится мощным инструментом развития компании и ее конкурентным преимуществом. Но важно помнить, что это всего лишь инструмент поддержки решений, а не их полной автоматизации. Ключ к успешной работе с ИИ – это баланс, технологии должны служить человеку, а не наоборот. Руководствуйтесь реальными бизнес-потребностями, а не модой.