Определение процессов, пригодных для автоматизации с помощью ИИ
За последние годы алгоритмы машинного обучения приобрели массовую популярность под брендом ИИ. К сожалению, без определенной концепции бывает трудно понять, что вообще можно отдать на откуп этому «интеллекту», а что не стоит. Кроме того, финальный результат может и не соответствовать ожиданиям. В этой статье я хочу предоставить вам критерии, на основании которых вы сможете оценить, поддается той или иной процесс ИИ-автоматизации или нет. Я не стану обобщать различные группы кейсов, а буду приводить их только как иллюстрацию, ведь у каждого читателя может быть свой похожий случай, который не вписывается в предложенные критерии. А значит, слишком жесткие рамки на старте способны помешать успешному внедрению.
Признаки подходящих для автоматизации процессов
Признаки процессов, подходящих для ИИ
Рутинность и повторяемость
В первую очередь стоит обратить внимание на задачи, которые отнимают Х времени сотрудников ежедневно и при этом не требуют творческого подхода, например, составление однотипных писем, оформление типовых документов, проверка выкладки товаров по фото мерчандайзера и т. д. В таком случае алгоритмы будут выполнять рутинные операции мгновенно и экономия составит Х человеко-часов. Ну а для подсчета экономической целесообразности остается сравнить стоимость разработки ИИ-решения с оплатой труда людей. В экономической оценке также стоит учитывать повторяемость. Если процесс радикально изменится, то и решение придется перерабатывать.
Наличие цифрового следа и данных
Пытаться внедрять ИИ в процесс, где нет исторических данных — как пытаться строить кирпичный дом без кирпича. Процесс должен быть оцифрован и выполняться какое-то время человеком. Конечно, если у вас нет данных, то можно попробовать найти готовый набор данных или собрать его самостоятельно, но, если ничего из этого невозможно, сначала надо озаботиться данными.
Подбираем модель ИИ под реальные задачи
Идеальными вариантами станут процессы, накапливающие большое количество структурированных данных, таких как логи, электронные документы, журналы заявок и т. д.
К тому существует важный принцип: «garbage in — garbage out» («мусор на входе дает мусор на выходе»). Если исторические данные ненадежны, противоречивы, то и ML-алгоритмы будут давать неточные результаты.
Высокие затраты времени и склонность к ошибкам
Из неочевидного можно отметить человеческий фактор. Если операция критически зависит от ошибок или задержек, то даже при отсутствии повторяемости может принести пользу. Так, уже сейчас нейронные сети превосходят врачей-специалистов в вопросе определения рака кожи по дерматоскопическому снимку. Другой пример — служба поддержки. Уже сейчас LLM-модели помогают генерировать варианты ответа для оператора, что экономит время реагирования и снижает раздраженность пользователя.
Формализованность и (не)четкие правила
Поддаются автоматизации строгие детерминированные процессы. Важно обратить внимание вот на что: иногда рутинные процессы настолько четко прописаны, что их можно легко заменить программой, алгоритмом или даже формулой. В таком случае не стоит стрелять из пушки по воробьям. ИИ — не ваш выбор.
Разделение процесса на мелкие задачи для автоматизации
Само собой, в практике часто придется столкнуться с ситуацией, когда тот или иной процесс не подойдет под критерии, но его очень нужно заменить ИИ. В таком случае следует разбить его на небольшие подзадачи, которые под критерий подходят.
Декомпозиция сложных процессов
Зачастую бизнес-процесс состоит из серии операций, каждая из которых имеет разный потенциал для автоматизации. Практика показывает, что перед внедрением ИИ в таком случае следует разбить большой процесс на маленькие шаги. Во-первых, так проще оценить их по критериям и выявить самые перспективные места. Во-вторых, ML-алгоритмы по своей природе лучше решают небольшие узкие задачи, чем общие творческие. Таким образом суммарная точность всего пайплайна будет выше, чем если бы мы пытались решать задачу «в лоб».
Приведу пример из практики. Ежегодно в нашей компании проводится стажировка. За тот месяц, что набор открыт, на каждое направление приходит до 500 заявок с резюме. В таких условиях автоматизация первого этапа скрининга резюме просто необходима. Какие могут быть подходы к решению этой задачи?
Я уверен, что большинству недавно соприкоснувшихся с миром ИИ захочется просто засунуть в ChatGPT текст резюме и попросить оценить. Чуть более продвинутые пользователи уже знают, что GPT — это семейство генеративных сетей, предназначенных для создания текста, и для задач оценки они вряд ли подойдут. Но есть другие архитектуры, такие как BERT, которые хорошо справляются с классификацией. На их основе можно построить так называемый «сиамский BERT», позволяющий сравнивать и сопоставлять тексты между собой. И вот тут как раз подходящая на первый взгляд архитектура. Можно попросить сотрудника HR для большого числа пар «резюме-вакансия» выставить метку класса («подходит»/«не подходит»), и я уверен, что такое решение будет работать. Однако возникнут некоторые трудности:
Трудозатраты на разметку. Для общих задач требуется больше данных. Непрозрачность. По сути, мы получаем черный ящик. Низкая точность. По сравнению с предложенной альтернативой.
При уточнении потребностей бизнеса мы пришли к выводу, что ключевыми будут три момента: технологии, с которыми умеет работать кандидат, релевантный опыт (число лет) и схожие с вакансией проекты. Таким образом, мы разложили оценку на эти три компоненты и взяли их с определенными весами. Для каждой была обучена узкоспециализированная модель. В итоге мы с небольшим числом данных получили высокую точность и прозрачную оценку кандидата.
Само собой, если один из процессов не удается заменить ИИ, его придется выполнять человеку, и это нормально. Возьмем, например, автоматическую проверку документов при верификации личности. В зависимости от сервиса документ может пройти несколько этапов: проверку на то, что изображение представляет собой фото паспорта (задача классификации изображений), затем идет поиск лиц на паспорте и селфи (задача детектирования объекта), а далее сравнение лиц. Если модель сомневается — проверка осуществляется человеком.
Ограничения. Не все процессы заменит машина
Пожалуй, при планировании ИИ-трансформации следует также учитывать, что не существует идеальных моделей со 100%-ной точностью. В отличие от алгоритмической природы всего прочего ПО, ИИ-решения имеют стохастическую природу. Они дают прогноз на основе исторических данных с некоторой вероятностью и поэтому могут промахиваться.
Как безболезненно внедрить ИИ в компанию?
Именно поэтому процессы, где ценой ошибки выступает человеческая жизнь, юридические последствия или крупные убытки нельзя отдавать на откуп ИИ. Обязательно должен быть какая-то верификация от человека.
Также отмечу, что какие-то задачи в целом плохо поддаются автоматизации и человек по-прежнему справляется лучше с теми видами деятельности, которые требуют абстрактного мышления, эмпатии и творчества. Едва ли можно представить ChatGPT, который будет за вас вести переговоры с ключевым клиентом, мотивировать команду или разрабатывать стратегию.
***
Подводя итог, можно сказать, что ключом к успешной ИИ-трансформации будет правильное восприятие этой технологии. AI — не «магия», не серебряная пуля, а инструмент со своими ограничениями.
Он может оказать значительную поддержку в оцифрованных рутинных процессах и также серьезно подвести, если делегировать ему то, что ему не по силам. При оценке автоматизируемости следует прежде всего думать не о том, чтобы встроить новомодный ИИ куда-нибудь, а о структуре своей деятельности и специфике операций, из которых она состоит. Если процесс слишком комплексный — декомпозируйте его на простые составляющие. Если риски высоки, лучше отказаться от ИИ или предусмотреть проверку. Если удается выделить операцию, на входе и выходе которой могут быть данные любого типа (изображения, текст, числа), и при этом имеется исторический датасет — это почти всегда сигнал, что перед вами хороший кандидат для автоматизации. Остается просто прийти с такими данными к вашему ML-инженеру.