Автоматизация бизнес-процессов, или Как приручить дракона 2.0

Теперь по-простому и в связке с тем, что мы уже разобрали. Помните лестницу: информация → цифровизация → автоматизация? При обычной автоматизации человек задаёт правило, а компьютер исполняет: «если заявка висит два часа без ответа — напомни менеджеру». В машинном обучении человек определяет задачу, подбирает данные и проверяет результат, а модель находит в данных закономерности. Допустим, в учебном примере клиенты, которые спрашивали о доставке в первые сутки, покупали чаще. Модель может использовать эту связь для прогноза. Это ещё не значит, что вопрос о доставке стал причиной покупки, и на новых сделках закономерность нужно проверить. Искусственный интеллект — более широкое понятие, которое охватывает и машинное обучение, и генеративные модели.

Одно важное разделение, без которого сегодня никуда. «Классический» ML — машинное обучение в исходном смысле: прогнозы, классификация, рекомендации. Предсказать спрос на следующий месяц, отсортировать лиды по вероятности покупки, поймать аномалию в расходах — задачи с ответом-цифрой или ответом-категорией. Генеративный ИИ — модели, которые создают контент: тексты, картинки, код, ответы клиентам. Самые известные из них — LLM[4]: именно они стоят за чат-ботами, которые пишут письма и отвечают клиентам.

Оба подхода опираются на машинное обучение. Языковая модель учится закономерностям текста; одна из базовых задач её обучения — предсказывать следующий фрагмент, токен. Прогнозная модель может оценивать спрос или вероятность покупки. Для собственной модели нужны данные, подходящие к задаче, а готовой генеративной модели — понятное задание, необходимый контекст и проверка результата. Для предпринимателя это похоже на экскаватор и грузовик. Они могут работать на похожих дизельных двигателях, но один копает ковшом, а другой перевозит груз в кузове: схожая основа, разная оснастка и разные задачи. Так и здесь: общая основа — обучение на данных, а устройство моделей и способы их применения различаются.

И вот здесь — главная мысль главы, ради которой она писалась. Помните, в главе про цифровизацию я настаивал: собирайте данные автоматически? Для обучения модели на данных вашей компании цифровизация создаёт необходимую основу. Но готовность к такой задаче зависит не только от количества и качества данных: нужны понятная цель, ресурсы и способ проверки результата. Без подходящих данных не обучить собственную модель для конкретной задачи, какие бы бюджеты вы ни принесли. Грязные данные — система выучит ошибки: сервис, построенный на ML, добросовестно усвоит, что половина ваших сделок закрывается «вручную задним числом», и построит на этом свои «закономерности». Мусор на входе — мусор на выходе. Беда в том, что на выходе этот мусор будет выглядеть убедительно. Где ML и ИИ реально работают в малом и среднем бизнесе — без фантастики, по опыту:

• Прогноз спроса и остатков. Классика жанра: сезонность, тренды, запасы «на всякий случай», которые перестают быть гаданием. Нужна подходящая история продаж; её объём и период зависят от задачи и сезонности.

• Скоринг и приоритизация лидов. Система подсказывает менеджеру, кому звонить первым. Требует накопленной истории сделок — вот зачем нужно было подключать телефонию и почту к системе с первых дней.

• Обработка обращений: расшифровка звонков, суммаризация переписки, черновики ответов. Генеративные модели здесь сильны уже сегодня. Забегу вперёд, к главе «Самое больное место — колени!»: передача информации от бота к человеку — ровно тот стык, где ИИ либо экономит часы, либо множит раздражение клиента. Контролируйте переход, а не только бота.

• Анализ обратной связи: тональность отзывов, частые темы жалоб. То самое «неустанное внимание к отзывам клиентов» — только теперь можно обрабатывать гораздо больший поток отзывов. Полноту сбора и точность классификации всё равно нужно проверять. Раньше это было баснословно дорого — сейчас становится дорого этого не делать!

• Предиктивная аналитика поверх ваших дашбордов: игра в «что, если». Не «сколько мы продали», а «сколько продадим, если ничего не менять» и «что может произойти с прибылью, если поднять цену на 5 %». Вопрос о повышении цены требует сценарного расчёта: реакцию спроса и другие предположения придётся проверять на практике. Прошлая статистика сама по себе не доказывает эффект новой цены.

А теперь — о ситуациях, в которых прибегать к помощи ML и ИИ пока не стоит, и это не менее важный список:

• Когда вы хотите обучить модель на собственных данных, а подходящих примеров мало или они недостоверны. Сначала подготовьте данные и проверьте, достаточно ли их для задачи. Использованию готового ИИ для других задач это само по себе не мешает.

• Когда задача решается простым правилом. Если «напоминать о заявке через два часа» закрывает проблему — не нужен нейросетевой скоринг. ИИ ради ИИ — болезнь того же рода, что и интеграция ради интеграции (до неё мы ещё дойдём), только дороже.

Соразмерность, наш первый фильтр, работает и здесь.

• Когда цена ошибки высока, а контроля нет. Генеративные модели галлюцинируют: уверенно сообщают клиенту то, чего нет в вашем прайсе. Ответственность за ответ бота несёт не бот. Везде, где ошибка стоит денег или репутации, между моделью и клиентом должен стоять человек или жёсткое правило.

• Когда данные, на которых учитесь, нельзя отдавать наружу. Прежде чем загрузить клиентскую базу в очередной облачный сервис «с ИИ», спросите себя и поставщика: где эти данные окажутся завтра?

Остался вопрос со звёздочкой: ИИ — это про автоматизацию или про цифровую трансформацию? Чаще — про улучшение существующей работы. Но иногда данные помогают найти новый продукт или бизнес-модель: вспомните платформу автозапчастей из главы про трансформацию. Здесь пригодится принцип озера данных — сохранять исходные события для разных будущих задач. В «Шаге 3. Данные» разберём, как собирать такую основу. Для ML из неё ещё нужно подготовить выборку: проверить пропуски и ошибки, согласовать смысл полей, отделить данные для обучения от данных для проверки. Само хранилище прогнозов не строит и качества модели не гарантирует. Зато история, которую вы сохранили, позволяет вернуться с новым вопросом и проверить идею.

Для предварительной оценки задачи ML я предлагаю проверить пять условий:

1. Нужные данные доступны в цифровом виде и проверены на качество и полноту.

2. Задача конкретна и измерима.

3. Понятно, кто отвечает за решения по прогнозам.

4. Просчитана цена ошибки.

5. Данные можно использовать законно.

Полный чек-лист — в приложении «Инструменты приручения». Каждое «нет» — повод сначала устранить пробел. Если вопросов больше, чем ответов, вернитесь к главам про цифровизацию и данные. А если неясны права на использование данных или ответственность за решения, сначала разберитесь с этим — независимо от общего числа ответов «да». И это, к слову, хорошая новость: фундамент для ИИ строится теми же руками, что и обычный порядок в данных, — просто для этого порядка появилась ещё одна причина.

Главное из главы:

• при обычной автоматизации человек задаёт правила; в ML он определяет задачу и проверяет модель, которая учится на данных;

• генеративные модели, включая LLM, тоже создаются с помощью машинного обучения; для собственных прогнозных моделей нужны качественные данные, подходящие к задаче;

• качество цифровизации — важная основа для ML на данных компании, но само по себе не гарантирует готовность к ИИ;

• где ошибка стоит денег, между моделью и клиентом стоит человек или жёсткое правило.

Что почитать:

Аджей Агравал, Джошуа Ганс, Ави Голдфарб — «Искусственный интеллект на службе бизнеса» — три экономиста объясняют ИИ одним словом «прогноз» — и после этой книги перестаёшь бояться темы.

Они же — «От предвидения к власти» — продолжение: почему выигрывают не те, кто внедрил ИИ точечно, а те, кто перестроил под него систему.

Эндрю Берджесс — «Искусственный интеллект — для вашего бизнеса» — трезвое руководство по оценке: где ИИ вам нужен, а где вам его продают.

Два подхода к автоматизации

От частного к целому или от целого к частному? Выбор подхода определит вашу дорогу на годы — и цену ошибок на ней.

• От частного к целому — локальные решения и их интеграция в систему

• От целого к частному — проектирование системы и декомпозиция на составляющие

В моей картине мира подход «от целого к частному» — правильный, так должно быть: в проекте есть Архитектор. Он переводит стратегию компании в бизнес-цели, определяет необходимые ИТ-решения и вместе с профильными специалистами собирает технологическую карту и модель данных.

Подвох в том, что это долго и дорого, но, к сожалению, и это не всё!

Если предприятие существовало до этого момента, оно уже представляет собой сложную систему.

Отвечает ИИ

Сложная система — это система из множества взаимосвязанных элементов, поведение которой нельзя объяснить только свойствами отдельных частей. Для таких систем характерны нелинейные взаимодействия; некоторые из них способны к адаптации и самоорганизации. Примеры — живые организмы, экосистемы, социальные и технологические системы.

Проще говоря, работающая компания — не сумма отделов, а живой организм: потянешь за одну нитку — отзовётся там, где не ждёшь.

А это значит, что, проектируя «монолит», мы не можем заранее учесть все особенности поведения системы и все риски, которые могут привести наши усилия к негативному результату. Поэтому сдвинуть такой монолит в работающей компании бывает не под силу даже опытным специалистам, что в итоге не приводит к результату — точнее, к результату-то приводит, да не к тому. Поэтому я и советую проверять решения небольшими шагами, а не рассчитывать, что подробный план защитит от всех неожиданностей.

Подход «от частного к целому» изначально не оптимален — но шансов выжить у него куда больше. Он быстро встраивается в существующий «порядок» и решает локальные проблемы, а значит, набирает сторонников внутри компании. Так он и продолжает свой извилистый путь к «целому»: через интеграции разной сложности, промежуточные базы данных, отдельные дата-центры. Причём достигать этого «целого» вовсе необязательно, если вообще возможно.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.

Примечания

1

[1]CRM (Customer Relationship Management) — система управления взаимоотношениями с клиентами.

2

[2]Описание бизнеса Emex; история компании в РБК.

3

[3]Артур Кларк. Третий закон Кларка; английский текст приведён фондом писателя: clarkefoundation.org/arthur-c-clarke-biography/. В тексте дан русский перевод.

4

[4]LLM (Large Language Model) — большая языковая модель.