Интеграция ИИ в бизнес-процессы

Сейчас искусственный интеллект может внедрить почти любая компания. Ее размер и вид деятельности не имеет значения, но конкретный сервис должен подбираться под запросы бизнеса.

В статье GigaChat расскажем о плюсах и рисках интеграции ИИ в бизнес-процессы, приведем пошаговый алгоритм внедрения и ответим на часто задаваемые вопросы.

Что такое интеграция ИИ и зачем она бизнесу?

Интеграция ИИ — это не просто внедрение или установка новой программы. Это более сложная и дорогая операция по включению методов искусственного интеллекта в бизнес-процессы компании для достижения измеримой ценности: экономии времени, трат, ресурсов, роста выручки, удержания клиентов и так далее. Что нужно, чтобы внедрить ИИ:

• Организовать сбор, подготовку и хранение данных. Они должны быть качественными — иначе выводы модели будут неточными.
• Выбрать алгоритм в соответствии с задачами бизнеса: классификация, регрессия, рекомендательная система, кластеризация и так далее.
• Создать инфраструктуру: систему логирования и безопасности, инструмент управления версиями, рабочие среды.
• Настроить интеграцию модели с платформами компании.
• Обучить сотрудников способу применения AI-инструмента. Дополнительно возможно создание отдела, который будет работать с новым инструментом.
• Нанять ИТ-специалистов для мониторинга качества и безопасности модели, а также ее обновления.

Здесь описан вариант, когда компания разрабатывает, обучает и обслуживает собственную модель — если бизнес внедряет готовую платформу, многие сложности отпадают.

Рассмотрим, какие результаты видят организации, которые уже внедрили ИИ:

• Повышение операционной эффективности за счет автоматизации процедур (например, классификации писем, поддержки клиентов или обработки отзывов) и снижения количества ошибок.
• Более высокая обоснованность выводов: ИИ умеет анализировать данные, строить прогнозы и оценивать риски, создавая базу для принятия решений.
• Улучшение клиентского опыта благодаря персональным рекомендациям, предиктивной аналитике, ускорению обработки обращений.
• Снижение рисков сбоев в работе оборудования на производствах за счет мониторинга состояния техники.
• Своевременное определение мошенничества — защита клиентов и репутации компании.
• Приобретение дополнительного конкурентного преимущества.

Пошаговый план внедрения нейросети: от идеи до работающей платформы

Вначале бизнес определяет проблему и цель интеграции AI-инструмента в компанию, например, рост продаж на n%. Вместе с этим разрабатывается система KPI с целевыми показателями по каждой метрике. Далее можно следовать такому алгоритму:

1. Оценка доступных данных: какие есть источники (CRM-, ERP-системы, отчеты, документы и т. д.), каково качество данных (есть ли дубликаты и пропуски, актуальные и полные ли данные), можно ли передавать эту информацию ИИ с точки зрения права, достаточен ли ее объем.
2. Подготовка данных: очистка, нормализация, работа с пропусками и дубликатами, токенизация, организация централизованного хранения.
3. Выбор архитектуры нейросети в соответствии с задачами, проектирование, обучение модели.
4. Тестирование программы: проверка точности, поиск ошибок и недочетов, требующих доработки нейросети.
5. Интеграция модели с приложениями, которые использует бизнес.
6. Мониторинг и обслуживание: анализ результатов, сбор обратной связи, формулировка предложений по улучшению производительности и точности модели.

Уже после начала работы с ИИ бизнес может планировать его дообучение или масштабирование на другие процессы.

Интеграция AI-агентов в бизнес-процессы

AI-агенты — это программы на основе искусственного интеллекта, которые умеют самостоятельно принимать решения, планировать и выполнять сложные действия. Если классические ИИ-сервисы могут решать одну или несколько узких задач по «просьбе» человека, то AI-агенты работают автономно, постоянно взаимодействуя с внешним миром: с источниками данных, пользователями и разными платформами.

Какие бывают виды AI-агентов:

• Простые реактивные агенты. Они воспринимают текущую ситуацию, анализируя входные данные, и реагируют на нее в соответствии с заранее заданными правилами («если случилось это — делай то-то»). Они не используют память (не учитывают предыдущий опыт), не прогнозируют будущее, а также не могут ставить перед собой глобальную цель. Простые реактивные агенты предсказуемы и надежны, но их нельзя применять в сложных сценариях, поэтому чаще всего это — чат-боты или несложные фильтры писем (спам/не спам).

• Агенты с памятью. Они хранят информацию о предыдущих ситуациях в памяти и используют ее для принятия решений. То есть, помимо восприятия происходящего, они учитывают последовательность событий до этого и могут частично понимать контекст. Поэтому агенты с памятью могут брать на себя более сложные задачи. Например, строить диалоги с людьми на основе предыдущих взаимодействий, запоминать карту местности и использовать ее для навигации (как это делают роботы-пылесосы).

• Целеполагающие агенты. Они умеют ставить перед собой одну или несколько целей и принимать решения не правилам, а по степени их полезности для достижения цели. При этом они могут игнорировать действия, которые возможны, но бессмысленны для данной цели. Такие агенты используют для создания автоматизированных систем продаж, а также для поиска оптимальных маршрутов в логистике.

• Полезностные агенты. Это более продвинутый тип целеполагающих агентов. Они не только ставят цель, но и могут оценивать несколько вариантов действий по критерию скорости, риска и вероятных последствий, выбирая оптимальный. Их используют рекомендательные системы и инструменты динамического ценообразования.

• Обучающиеся агенты. Они учатся на основе опыта, данных и обратной связи (подобно обучению с подкреплением) и улучшают свою работу с течением времени. Это наиболее автономный вид AI-агентов, применяемый банками для борьбы с мошенничеством, а также бизнесом в разных сферах для разработки платформ предиктивной аналитики.

Несмотря на то что все это звучит как концепция машин будущего, технология доступна уже сейчас, и ее успешно интегрируют как небольшие компании, так и целые корпорации.

Как работают AI-агенты

Принцип основан на нескольких компонентах:

• LLM (Large Language Model, большая языковая модель), например, GigaChat. Это центральная часть, которая отвечает за интерпретацию входных данных, понимание контекста, анализ информации, планирование, принятие решений и оценку возможных действий, формулировку ответов, взаимодействие с человеком с помощью естественного языка.
• Память. Здесь может быть набор технологий для обеспечения краткосрочной памяти, которая хранит последние сообщения и вычисления, а также долгосрочной памяти, содержащей знания о бизнес-процессах, предыдущих событиях (действиях) и взаимодействиях с пользователем. Этот компонент позволяет модели учиться, решать долгосрочные задачи и поддерживать вовлеченность в контекст.
• API. AI-агенты становятся частью бизнеса, подключаясь к его приложениям (CRM, ERP и прочим) и получая данные из них. Это делается через API — совокупность инструментов и правил, по которым программы «общаются», обмениваются данными и используют функции друг друга.
• Другие инструменты. Это функции, которые агент вызывает для выполнения тех или иных действий. Например, инструментом может быть планировщик, генератор отчетов или функция отправки письма по электронной почте.

Когда пользователь отправляет агенту запрос, например, «составь отчет о продуктивности сотрудников отдела продаж за последний месяц», LLM воспринимает его и обращается к памяти, чтобы лучше погрузиться в контекст и получить формат отчета. Далее он вызывает определенные инструменты, например, чтобы получить данные о количестве продаж каждого сотрудника и об обратной связи клиентов. LLM формирует ответ и передает его пользователю, а также записывает информацию о проделанной работе в память, чтобы использовать ее в будущем.

Основные вызовы и риски при использовании ИИ

Чтобы искусственный интеллект приносил бизнесу пользу, а не вредил, нужно понимать, какие у него есть ограничения:

• Зависимость от качества информации. Данные — это основа работы ИИ, и они определяют точность выводов модели. Если они неполные, устаревшие, ошибочные, нестандартизированные, то модель будет ошибаться. Поэтому, прежде чем внедрить AI-инструмент, нужно наладить все процессы, связанные с получением качественных данных.
• Дрейф модели. Это явление, когда производительность и точность выводов платформы со временем снижается. Оно возникает по разным причинам, например, из-за резкой смены поведения потребителей или начинающегося кризиса. Опасность дрейфа в его неочевидности: точность модели может снижаться постепенно.
• Утечка данных. ИИ часто работает с конфиденциальной информацией, например, с личными данными клиентов или коммерческой тайной. Если бизнес по какой-то причине теряет контроль над такими данными, для него наступают неприятные последствия: репутационные потери, судебные разбирательства, снижение доверия партнеров.
• Конфликты с персоналом. Каждому сотруднику нужно понимать, зачем компания внедряет искусственный интеллект: какую пользу она хочет извлечь и как это повлияет на сохранность рабочих мест. Если сотрудники не привыкли использовать ИИ для принятия решений, важно организовать обучение — иногда с этим может помочь поставщик AI-инструмента.
• Отсутствие цели. Не стоит внедрять искусственный интеллект только потому, что это «модная» (но ненужная сотрудникам) технология — она должна решать конкретные задачи. Для оценки модели нужно разработать систему KPI и постоянно контролировать метрики. За работу с рисками несет ответственность сам бизнес: он не может их избежать, но может минимизировать. Тогда шансы на эффективное взаимодействие с ИИ возрастают. Сферы бизнеса, в которых можно применить ИИ ИИ можно использовать в любой сфере — главное, чтобы были данные, потребность в автоматизации операций и быстром принятии решений. В этом разделе расскажем об индустриях, где искусственный интеллект применяют чаще всего:
• Маркетинг. ИИ помогает в прогнозировании спроса, сегментации клиентов, создании персонализированных предложений, оценке рекламных кампаний на основе показателей продаж и отклика от аудитории. Все это улучшает понимание клиентов, а также позволяет оптимизировать траты на рекламу.
• Поддержка. Чаще всего AI-платформы используют для создания чат-ботов и голосовых ассистентов (когда на звонки отвечает робот, который либо сам помогает клиенту, либо направляет его в нужный отдел). Эти инструменты ускоряют поддержку, делают ее дешевле и снижают нагрузку на сотрудников.
• Финансовая сфера. Здесь ИИ отвечает за борьбу с мошенничеством, отслеживая подозрительные транзакции, а также оценивает риски сотрудничества с тем или иным заемщиком на основе его кредитной истории.
• Промышленность. Искусственный интеллект умеет мониторить качество продукции, находить способы оптимизации производства, прогнозировать сбои и поломки оборудования — сотрудники могут заранее устранять такие проблемы, избегая простоев.
• Логистика. AI-инструменты помогают планировать маршруты, прогнозировать сроки доставки и управлять запасами, исключая ситуацию профицита или дефицита товаров на складе. Это улучшает клиентский опыт, а также снижает траты компании.
• HR. Нейросети могут быстрее отбирать резюме и ранжировать кандидатов по разным признакам: пожелания по зарплате, опыт работы, навыки, город. Также они умеют прогнозировать текучесть персонала и оценивать эффективность отдельных сотрудников (отделов), определять потребности в обучении работников.
• Частные образовательные организации. Ученикам нейросети помогают разбираться в сложных темах, проверять свои решения, а также генерировать десятки уникальных заданий для закрепления материала. Преподавателям же технология может пригодиться для анализа успеваемости подопечных, создания планов занятий, автоматизированных проверок работ. Кроме того, некоторые компании создают виртуальных помощников для студентов. Например, ботов, которые умеют объяснять фрагменты лекций — это снижает нагрузку на преподавателей и позволяет ученикам не прерываться во время обучения.
• СМИ, создание контента. Искусственный интеллект генерирует разные виды контента (тексты, изображения, видео), анализирует текущие тренды в соцсетях и последние новости, а также может автоматизировать создание лендингов и обычных форм регистрации, например, на вебинары.
• Медицина. Пока что нейросети не слишком глубоко проникли в эту область, хотя уже есть десятки моделей, которые тестируются врачами и учеными в разных странах. Однако медицина — это перспективное направление, поскольку искусственный интеллект может более точно анализировать визуальные данные (рентген-, КТ-, МРТ-снимки) и прогнозировать возможные заболевания. Так как охрана здоровья людей — чрезвычайно ответственная задача, разработчикам нужно гарантировать безошибочность работы своей модели, но пока этого сделать не удается. ИИ полезен бизнесу не только в коммерческих целях: он также помогает избежать репутационных потерь, повысить безопасность клиентов, разработать прогнозы по разным направлениям.

Частые вопросы и ответы