wowpro
Unlimited
- Сообщения
- 14.438
- Лайки
- 9.504
Как ИИ приносит деньги: правила возврата инвестиций
Проекты в области искусственного интеллекта требуют существенных инвестиций, но способны быстро обеспечивать практическую пользу и экономическую выгоду. Как этого добиться?
На ближайшие три года технологические решения на базе ИИ станут одним из главных драйверов развития экономики, следует из выводов глобального исследования Accenture. Искусственный интеллект должен cтать полноценным участником выполняемой человеком работы, а не служить лишь средством автоматизации – делают вывод эксперты. Добиться этого можно, выполняя ряд правил.
6 правил возврата инвестиций в ИИ
1. Фокус на бизнес-эффект
В первую очередь, основным KPI команды, занимающейся ИИ, должен быть реальный бизнес-эффект, который приносят инициативы, дошедшие до продукционного использования. Это поможет команде и смежным специалистам сфокусироваться на действительно важных задачах и показать свою ценность для организации.
В дальнейшем могут появиться дополнительные KPI, связанные с финансовыми показателями косвенным образом (например, проекты, ориентированные на повышение лояльности сотрудников) – они дадут возможность реализовывать более широкий круг проектов.
2. Работа с бизнесом и предметными экспертами
Реализация самых лучших идей невозможна без поддержки со стороны бизнеса и тех, кто непосредственно будет пользоваться новыми инструментами. Такие сотрудники должны, с одной стороны, поверить в идею проекта, а с другой – быть полноценными участниками его реализации.
Именно они становятся «владельцами продукта», и довольно быстро смогут определить степень утопичности идеи, как с точки зрения технологий, так и со стороны потенциального бизнес-эффекта.
Следует помнить – то, что имеет хороший экономический потенциал, скорее всего, очевидно для бизнеса и сотрудников, которые глубоко погружены в процессы. Важно повышать осведомленность сотрудников о существующих технологиях, рассказывать об их возможностях и кейсах их применения.
Так повышается вероятность того, что люди на местах будут генерировать идеи использования предлагаемых технологий, которые точно принесут выгоду. Наиболее вероятный сценарий – снижение издержек на реализацию знакомых им бизнес-процессов.
3. Мотивация бизнес-команды
Отдельно нужно отметить, что владелец продукта и другие непосредственные пользователи должны быть мотивированы к достижению бизнес-эффектов за счет реализации «своих» инициатив. Только в таком случае пользователи перестают быть «стражниками» на пути к реализации и получению бизнес-эффекта.
4. Готовность к забегу на длинную дистанцию
ИИ-проекты, как и любые инновации, следует воспринимать как венчурный бизнес. Не все проекты окупятся, еще меньше принесут ощутимую пользу, но несколько проектов принесут отдачу, которая многократно покроет все расходы.
Как следствие – необходимо избегать раннего отсеивания концепций, кажущихся утопическими. Полет человека в космос тоже довольно долго выглядел классической утопией, отвергался как невозможный на уровне науки. Именно поэтому важно реализовывать концепцию фабрики с конвейером гипотез.
5. Фабрика с конвейером гипотез
«Конвейер»: многоступенчатый процесс проработки и развития гипотезы от рождения, через проверку и превращение в рабочее решение, до получения бизнес-эффекта. Причем сотрудники, которые занимаются одной гипотезой, должны сопровождать ее от начала до конца.
Для конвейера должны быть прописаны правила появления новых гипотез. Например, через корпоративную фабрику идей, или через работу с сетью стартапов и технологических партнеров.
Далее, любая гипотеза должна пройти первичную проверку – нужно убедиться, что она в принципе реализуема (как минимум, есть подтверждающие данные), и за ней стоит бизнес-кейс, в который верят не только дата-саентисты, но и будущие пользователи. Затем, после первых проверок, гипотеза должна стать проектом, который подтвердит ее в реальной жизни.
То есть, нужна не только реализация, но и фактическое тестирование гипотезы.
Финальная часть цикла – переход к стадиям вертикального и горизонтального масштабировании, когда фактический эффект может распространяться на все предприятие.
В конце каждой стадии должен происходить расчет потенциального экономического эффекта. На его основании и принимается решение о продолжении работы или возврате гипотезы на предыдущий этап.
Еще раз отмечу важность построения моделей расчета бизнес-кейса в самом начале проекта, при этом на каждом шаге эта модель актуализируется. Очевидные в начале источники эффекта для гипотезы могут оказаться бесперспективными, но по ходу реализации могут появиться новые идеи, и эффект будет достигнут за счет них.
Например, мы видели в predictive maintenance проект, где изначальные ожидания выгоды за счет снижения простоев трансформировались в фактический эффект через повышение качества планирования выпуска.
6. Подводные камни, риски и препятствия
Краеугольный (он же – подводный) камень любого ИИ-проекта – данные. Прежде чем, хоть что-то может стать понятно о реализуемости/экономической эффективности гипотезы, нужно тщательно изучить данные.
Чаще всего данных не будет совсем, или их объем будет ограничен, как с точки зрения глубины хранения, так и со стороны дискретности, с большим количеством пропусков и общим низким уровнем качества. И с этим придется работать – придумывать, как строить модели, оперирующие с неполными данными, как оптимально интерпретировать некачественные, и как их экстраполировать, чтобы заполнить пропуски.
Еще один риск – готовность бизнес-заказчика менять свои бизнес-процессы для использования нового ИИ-инструментария.
Ограничения могут быть как с формальной – юридической точки зрения, так и с неформальной. Со своей стороны, важно быть готовым потратить много усилий на объяснение результатов, почему стоить верить именно им, а не своему опыту предыдущей работы.
Возвращаясь к данным, нужно помнить, что больше всего времени уходит на сбор и изучение адекватного массива данных (data set). Примерно 80% времени реализации ИИ-инициатив занимает эта работа. Нужно объяснять бизнес-заказчику почему важно собрать качественный датасет, и почему столько времени уходит на его создание.
Из-за общей перегретости рынка ИИ формируются завышенные ожидания, согласно которым можно творить магию на основании выгрузки в Excel.
Полезный ИИ – это реально
Для иллюстрации перспектив описанного подхода приведу несколько примеров, иллюстрирующих бизнес-пользу ИИ.
Например, создание ИИ-моделей для оптимизации процессов управления работы с задолженностью клиентов крупного банка. В течение нескольких месяцев были разработаны несколько моделей, использование которых приносило практический эффект с первого же дня их внедрения в бизнес-процессы.
Выгоды даже в краткосрочной перспективе быстро перекрыли инвестиции в разработку. Эффективное управление возвратом задолженностей существенно улучшает маржинальность бизнес-модели кредитных учреждений.
Такой же быстрый эффект можно получить от использования моделей predictive maintenance (прогнозное техобслуживание) для сложного и дорогого промышленного оборудования. Корректное предсказание и последующее предотвращение 1-2 поломок в масштабах крупного предприятия легко окупают даже самый сложный ИИ-проект.
В качестве примера можно также привести решения на основе ИИ в области автоматического мониторинга соблюдения ТБ на стройке и на производственных объектах, автоматическое обнаружение различных утечек промышленных жидкостей с использованием компьютерного зрения.
Еще один пример – применение машинного обучения для прогнозирования продаж ретейл-сети по итогам промоакций.
Низкая точность прогнозирования продаж приводила либо к перезатариванию складов, либо к упущенным продажам из-за недостатка необходимых товаров в практике X5 Retail Group. Использование статистических и МО-моделей прогнозирования существенно снизили недопродажи. Инвестиции в улучшение точности прогнозирования окупаются за счет всего одной промоакции, спланированной с использованием ИИ-решения.
Или использование ИИ для разведки в нефтегазовой отрасли. Бурить скважины и проводить исследование месторождения, даже перспективного – очень дорого.
ИИ-модель помогает максимизировать прибыль от месторождения за счет определения оптимальных локаций для исследования и расчета будущей прибыли через оценку показателей ROI (Return of investment, возвратность инвестиций) и VOI (value of information, ценность информации).
Через ИИ – к новым рынкам
Одна из важнейших особенностей ИИ сегодня – способность обеспечивать принципиально новые подходы к старым отраслевым проблемам. На этом можно успешно строить прорывные бизнес-модели, формировать целые рынки, не существовавшие ранее.
Но это огромное преимущество ИИ требует качественной помощи от человека, чтобы действительно «взлететь». Для такого сотрудничества между человеком и машиной необходимо заменить модель взаимодействия «выполнение команд» на интерактивный и адаптируемый диалог.
Все необходимые технические средства для этого сегодня есть.
Проекты в области искусственного интеллекта требуют существенных инвестиций, но способны быстро обеспечивать практическую пользу и экономическую выгоду. Как этого добиться?
На ближайшие три года технологические решения на базе ИИ станут одним из главных драйверов развития экономики, следует из выводов глобального исследования Accenture. Искусственный интеллект должен cтать полноценным участником выполняемой человеком работы, а не служить лишь средством автоматизации – делают вывод эксперты. Добиться этого можно, выполняя ряд правил.
6 правил возврата инвестиций в ИИ
1. Фокус на бизнес-эффект
В первую очередь, основным KPI команды, занимающейся ИИ, должен быть реальный бизнес-эффект, который приносят инициативы, дошедшие до продукционного использования. Это поможет команде и смежным специалистам сфокусироваться на действительно важных задачах и показать свою ценность для организации.
В дальнейшем могут появиться дополнительные KPI, связанные с финансовыми показателями косвенным образом (например, проекты, ориентированные на повышение лояльности сотрудников) – они дадут возможность реализовывать более широкий круг проектов.
2. Работа с бизнесом и предметными экспертами
Реализация самых лучших идей невозможна без поддержки со стороны бизнеса и тех, кто непосредственно будет пользоваться новыми инструментами. Такие сотрудники должны, с одной стороны, поверить в идею проекта, а с другой – быть полноценными участниками его реализации.
Именно они становятся «владельцами продукта», и довольно быстро смогут определить степень утопичности идеи, как с точки зрения технологий, так и со стороны потенциального бизнес-эффекта.
Следует помнить – то, что имеет хороший экономический потенциал, скорее всего, очевидно для бизнеса и сотрудников, которые глубоко погружены в процессы. Важно повышать осведомленность сотрудников о существующих технологиях, рассказывать об их возможностях и кейсах их применения.
Так повышается вероятность того, что люди на местах будут генерировать идеи использования предлагаемых технологий, которые точно принесут выгоду. Наиболее вероятный сценарий – снижение издержек на реализацию знакомых им бизнес-процессов.
3. Мотивация бизнес-команды
Отдельно нужно отметить, что владелец продукта и другие непосредственные пользователи должны быть мотивированы к достижению бизнес-эффектов за счет реализации «своих» инициатив. Только в таком случае пользователи перестают быть «стражниками» на пути к реализации и получению бизнес-эффекта.
4. Готовность к забегу на длинную дистанцию
ИИ-проекты, как и любые инновации, следует воспринимать как венчурный бизнес. Не все проекты окупятся, еще меньше принесут ощутимую пользу, но несколько проектов принесут отдачу, которая многократно покроет все расходы.
Как следствие – необходимо избегать раннего отсеивания концепций, кажущихся утопическими. Полет человека в космос тоже довольно долго выглядел классической утопией, отвергался как невозможный на уровне науки. Именно поэтому важно реализовывать концепцию фабрики с конвейером гипотез.
5. Фабрика с конвейером гипотез
«Конвейер»: многоступенчатый процесс проработки и развития гипотезы от рождения, через проверку и превращение в рабочее решение, до получения бизнес-эффекта. Причем сотрудники, которые занимаются одной гипотезой, должны сопровождать ее от начала до конца.
Для конвейера должны быть прописаны правила появления новых гипотез. Например, через корпоративную фабрику идей, или через работу с сетью стартапов и технологических партнеров.
Далее, любая гипотеза должна пройти первичную проверку – нужно убедиться, что она в принципе реализуема (как минимум, есть подтверждающие данные), и за ней стоит бизнес-кейс, в который верят не только дата-саентисты, но и будущие пользователи. Затем, после первых проверок, гипотеза должна стать проектом, который подтвердит ее в реальной жизни.
То есть, нужна не только реализация, но и фактическое тестирование гипотезы.
Финальная часть цикла – переход к стадиям вертикального и горизонтального масштабировании, когда фактический эффект может распространяться на все предприятие.
В конце каждой стадии должен происходить расчет потенциального экономического эффекта. На его основании и принимается решение о продолжении работы или возврате гипотезы на предыдущий этап.
Еще раз отмечу важность построения моделей расчета бизнес-кейса в самом начале проекта, при этом на каждом шаге эта модель актуализируется. Очевидные в начале источники эффекта для гипотезы могут оказаться бесперспективными, но по ходу реализации могут появиться новые идеи, и эффект будет достигнут за счет них.
Например, мы видели в predictive maintenance проект, где изначальные ожидания выгоды за счет снижения простоев трансформировались в фактический эффект через повышение качества планирования выпуска.
6. Подводные камни, риски и препятствия
Краеугольный (он же – подводный) камень любого ИИ-проекта – данные. Прежде чем, хоть что-то может стать понятно о реализуемости/экономической эффективности гипотезы, нужно тщательно изучить данные.
Чаще всего данных не будет совсем, или их объем будет ограничен, как с точки зрения глубины хранения, так и со стороны дискретности, с большим количеством пропусков и общим низким уровнем качества. И с этим придется работать – придумывать, как строить модели, оперирующие с неполными данными, как оптимально интерпретировать некачественные, и как их экстраполировать, чтобы заполнить пропуски.
Еще один риск – готовность бизнес-заказчика менять свои бизнес-процессы для использования нового ИИ-инструментария.
Ограничения могут быть как с формальной – юридической точки зрения, так и с неформальной. Со своей стороны, важно быть готовым потратить много усилий на объяснение результатов, почему стоить верить именно им, а не своему опыту предыдущей работы.
Возвращаясь к данным, нужно помнить, что больше всего времени уходит на сбор и изучение адекватного массива данных (data set). Примерно 80% времени реализации ИИ-инициатив занимает эта работа. Нужно объяснять бизнес-заказчику почему важно собрать качественный датасет, и почему столько времени уходит на его создание.
Из-за общей перегретости рынка ИИ формируются завышенные ожидания, согласно которым можно творить магию на основании выгрузки в Excel.
Полезный ИИ – это реально
Для иллюстрации перспектив описанного подхода приведу несколько примеров, иллюстрирующих бизнес-пользу ИИ.
Например, создание ИИ-моделей для оптимизации процессов управления работы с задолженностью клиентов крупного банка. В течение нескольких месяцев были разработаны несколько моделей, использование которых приносило практический эффект с первого же дня их внедрения в бизнес-процессы.
Выгоды даже в краткосрочной перспективе быстро перекрыли инвестиции в разработку. Эффективное управление возвратом задолженностей существенно улучшает маржинальность бизнес-модели кредитных учреждений.
Такой же быстрый эффект можно получить от использования моделей predictive maintenance (прогнозное техобслуживание) для сложного и дорогого промышленного оборудования. Корректное предсказание и последующее предотвращение 1-2 поломок в масштабах крупного предприятия легко окупают даже самый сложный ИИ-проект.
В качестве примера можно также привести решения на основе ИИ в области автоматического мониторинга соблюдения ТБ на стройке и на производственных объектах, автоматическое обнаружение различных утечек промышленных жидкостей с использованием компьютерного зрения.
Еще один пример – применение машинного обучения для прогнозирования продаж ретейл-сети по итогам промоакций.
Низкая точность прогнозирования продаж приводила либо к перезатариванию складов, либо к упущенным продажам из-за недостатка необходимых товаров в практике X5 Retail Group. Использование статистических и МО-моделей прогнозирования существенно снизили недопродажи. Инвестиции в улучшение точности прогнозирования окупаются за счет всего одной промоакции, спланированной с использованием ИИ-решения.
Или использование ИИ для разведки в нефтегазовой отрасли. Бурить скважины и проводить исследование месторождения, даже перспективного – очень дорого.
ИИ-модель помогает максимизировать прибыль от месторождения за счет определения оптимальных локаций для исследования и расчета будущей прибыли через оценку показателей ROI (Return of investment, возвратность инвестиций) и VOI (value of information, ценность информации).
Через ИИ – к новым рынкам
Одна из важнейших особенностей ИИ сегодня – способность обеспечивать принципиально новые подходы к старым отраслевым проблемам. На этом можно успешно строить прорывные бизнес-модели, формировать целые рынки, не существовавшие ранее.
Но это огромное преимущество ИИ требует качественной помощи от человека, чтобы действительно «взлететь». Для такого сотрудничества между человеком и машиной необходимо заменить модель взаимодействия «выполнение команд» на интерактивный и адаптируемый диалог.
Все необходимые технические средства для этого сегодня есть.
