Исполнительный директор НПЦ «БизнесАвтоматика» Роман Дзвинко в интервью РБК рассказал о том, как использование технологий искусственного интеллекта позволяет сделать бизнес более эффективным.
С начала 2010-х годов под влиянием впечатляющих успехов, полученных в результате применения многослойных нейронных сетей, тема искусственного интеллекта (ИИ) стала узнаваемой как среди ученых и инженеров, так и среди инвесторов и бизнесменов. Заявления руководителей крупных корпораций и политиков об эффективности данных технологий еще больше подогрели интерес бизнеса.
Несмотря на то, что большинство предпринимателей (около 90% респондентов) знают о технологии ИИ, около 40% не используют ее в своих компаниях и не планируют внедрять в ближайшее время.
Низкое проникновение цифровых инноваций в бизнес чаще всего является результатом ограниченного понимания и доверия к техникам итеративной разработки, поверхностного отношения к нуждам конечных клиентов и невосприимчивости к быстрым изменениям. В данный список также можно добавить феномен технофобии, связанный с перестройкой сознания работников, поскольку инновации изменяют их интересы и привычные ценностные ориентации.
Негативные мнения, основанные на иррациональном страхе, нередко нивелируют блага, которые ИИ уже может обеспечивать. Возьмем крупные нефте- и газодобывающие компании. В течение десятилетий они «оцифровывали» свои оперативно-диспетчерского службы, внедряя автоматизированные системы управления производственными процессами.
Хотя автоматизация значительно улучшила и облегчила работу операторов, большинство сотрудников диспетчерских служб по-прежнему полагается на свой опыт, интуицию и суждения при принятии решений в рабочем процессе и возникновении внештатной ситуации.
Автоматизированные системы сами по себе не cпособны перенимать те умения и навыки, которые накапливает сотрудник таких служб в течение многих лет работы. А ведь сильная зависимость от «опыта» или «знания» затрудняет замену высококвалифицированного оператора после его выхода на пенсию, а различия в квалификации операторов могут повлиять не только на производительность, но и на прибыль компании. В данном случае способность ИИ сохранять, улучшать и стандартизировать знания приобретает огромное значение.
Более того, поскольку ИИ может самостоятельно принимать сложные операционные решения по заданным значениям, эта технология способна обеспечить предсказуемый положительный эффект в сферах, которые испытывают трудности с привлечением и сохранением «знаний и опыта» сотрудников.
ИИ может полностью автоматизировать сложные задачи и обеспечивать согласованные и заданные значения в режиме автопилота. Для его обслуживания требуется меньше рабочей силы. Что не менее важно, его можно быстро скорректировать в том случае, если руководство пересмотрит производственную стратегию.
На сегодняшний день мы провели огромную работу в части совершенствования используемых механизмов ИИ в наших разработках, в частности в продукте «Визари» — отечественной платформе, которую выбирают в качестве информационно-аналитической базы большинство российских министерств и ведомств, вовлеченных в цифровую трансформацию. Я говорю о Минэкономразвития России, Минкомсвязи России, Министерстве обороны России.
Профессиональная команда и многолетний опыт разработки и внедрения позволили нам развивать такие направления ИИ, как машинное обучение и Deep Learning, позволяющие снижать риски и оптимизировать ресурсы, повышая эффективность компаний благодаря результативным управленческим решениям.
Речь также о процедурах Data Classification Engine, с помощью которых сортируются конфиденциальные данные в местах их хранения (локально и в облачных сервисах), а также новое направление с огромным потенциалом — Data Science, или интеллектуальный анализ и обработка данных.
Машинное обучение, или Deep Learning, предусматривает использование алгоритмов, которые позволяют компьютерным системам учиться действительно самостоятельно, анализируя данные и выполняя задания, но не полагаясь на доскональное программирование любого действия человеком. Подобное обучение еще нередко называют глубинным. Оно работает по принципу биологических нейронных сетей, когда в больших объемах данных обнаруживаются и запоминаются определенные схемы. Такие системы выполняют задания путем рассмотрения примеров и превышают показатели традиционных алгоритмов обучения.
Большие комплексы данных, которые уместно анализировать при помощи вычислений высокого уровня для установления схем, тенденций и ассоциаций, вместе с мощью ИИ производят новые формы знаний, которые имеют огромное значение для решения сложных общественных задач.
Возьмем в качестве примера проект внедрения платформы «Визари» с использованием механизмов ИИ для обработки большого количества обращений. Благодаря применению инструментов Deep Learning заказчики получают высококачественные результаты, превосходящие многочасовую работу целого отдела службы поддержки. Это многократное повышение скорости ответа на обращение: выбор категории, подбор шаблона ответа. Это экономия времени и средств за счет переноса всех монотонных операций на ИИ: вместо прохождения большого числа этапов бизнес-процессов пользователь нажимает только одну кнопку и проверяет результат работы ИИ. Это решение проблем отдела кадров, связанных с низкой надежностью и высокой «текучкой» низкоквалифицированных сотрудников, а также повышение лояльности обратившихся: ИИ формирует ответы на обращения круглые сутки, не опаздывает, не болеет, не устает, не грубит и т. д.
