AI: сложнее, чем кажется, но перспективней, чем вы думаете
Искусственный интеллект (ИИ; англ. Artificial Intelligence, AI) уже много лет будоражит воображение, но реальные перспективы по преобразованию бизнеса c его помощью появились относительно недавно. Знаете ли вы, что до сих пор 85% проектов в области искусственного интеллекта не приносят бизнесу обещанные результаты (по данным Pactera Technologies за 2019 г.). Это, однако, не мешает большинству экспертов и игроков рынка оценивать потенциал ИИ оптимистично, ведь риски высоки, но и выгоды могут быть огромными.
Часто проекты AI оказываются непредсказуемыми: вы можете достигнуть намеченных целей, можете вернуться в исходную точку ни с чем, а можете найти сокровища там, где не ожидали. Давайте поговорим о том, как можно не только управлять риском в проектах ИИ, но получать максимум выгоды.
Разрабатывайте несколько проектов
Итак, все проекты AI − рискованные. Лучшие из них приносят огромную отдачу от инвестиций, и нетрудно найти этому множество подтверждений. Но и потерпеть неудачу легко. Идея может требовать денег и сил больше, чем принесет ценности. Хорошая программа ИИ – это структурированное портфолио проектов, которое позволит вам исследовать ряд вариантов, прежде чем выбирать лучшие.
Для достижения одних и тех же бизнес-целей можно использовать много путей, а оценка их успеха в ключевых точках, выполненная по одним и тем же метрикам, даст возможность перенести усилия и ресурсы на более перспективные. Если один проект показывает двойную окупаемость инвестиций, а другой − пятикратную, нетрудно сделать правильный выбор.
Впрочем, провал тоже может быть полезен. Из неперспективных проектов по-прежнему извлекайте ценные уроки для начинаний, которые только планируете развивать.
Анализируйте на полпути
Как и в любой новаторской отрасли, первый намек на успех часто окрыляет и заставляет продолжать не самую перспективную работу. Это может происходить, например, из-за экспертов в предметной области (энергетиков, маркетологов или инженеров), которые четко понимают свою узкую цель и знают, какие данные влияют на результат, но не имеют полной бизнес-перспективы.
Часто выгодней будет сделать шаг назад и продолжить путь в другом направлении. Могут обнаружиться полезные источники данных, о которых вы раньше всерьез не думали, потому что они не соответствуют начальным моделям. Или исследование ожидаемой корреляции (например, позитивного влияния изменения частоты рассылок на продажи) способно съесть все ресурсы, в то время как на практике другие переменные могут оказывать более весомое влияние на бизнес.
Конечно, любые решения должны быть основаны на бизнес-целях, а не на стремлении к техническому совершенству. Вы можете снизить частоту ошибок модели с 2% до 1%, но не обязательно к этому стремиться, если и 2% приемлемы.
Как действовать грамотно? Вам поможет постоянный анализ, идентификация потенциальных ловушек и исследование новых возможностей. Не бойтесь отказываться от проектов и переходить на более перспективные маршруты.
Уделите самое большое внимание качеству данных
Машинное обучение оказалось чрезвычайно успешным в решении задач классификации, распознавания, ранжирования, диагностики. Однако для его эффективного применения необходимы большие объемы подготовленных данных, получить которые в реальной жизни − большая проблема.
Имеются сведения, что большинство исследователей данных тратят только 20% своего времени на анализ и 80% − на поиск, очистку и реорганизацию огромных объемов информации. Очевидно, что это неэффективная стратегия.
Связаться с различными отделами для получения данных, дождаться, определить, содержится ли в них нужная информация, решить проблемы с качеством – все это требует много времени и усилий. А чтобы хранилища не превратились в свалки, наборы данных необходимо систематизировать и классифицировать. Компромиссы же ведут к некачественному обучению и плохо работающим на практике моделям.
Решением может стать продуманная политика управления информацией в масштабе организации и использование современных облачных инструментов для автоматизации утомительных процессов, связанных с поиском и очисткой файлов.
Впрочем, для ряда задач данных для обучения заведомо нет. Если вы хотите применить ИИ для предсказания выхода из строя многомиллионной газовой турбины, вряд ли вы найдете много информации по отказам такого оборудования. В таких случаях применять обучаемые модели, очевидно, нет смысла.
Сейчас мы затронули лишь вершину айсберга. Как и в любой новой и сложной технологии, ее успешное применение требует учитывать огромное число факторов и нюансов. В Softline работают опытные и умелые специалисты по внедрению решений AI для решения задач в разных отраслях экономики. Давайте вместе посмотрим на ваши задачи с точки зрения применения решений ИИ.