Сегодня технологии машинного обучения (Machine Learning, ML) широко востребованы у представителей среднего и крупного российского бизнеса в разных сферах - от ритейла и финансового сектора до телекома, строительства и продаж недвижимости. Сервисы на основе ML-технологий позволяют бизнесу повышать точность расчетов и прогнозов, принимать верные бизнес-решения, оптимизировать процессы и экономить средства.
При этом в последнее время клиенты из бизнес-сообщества предъявляют к ML-технологиям и решениям на основе искусственного интеллекта (ИИ) все более высокие требования, стремясь к быстрой монетизации проектов. Увеличивается спрос на готовые решения на базе ML и ИИ.
Что такое машинное обучение
Машинное обучение (ML) - это применение математических моделей данных, помогающих компьютеру обучаться без непосредственных инструкций. Оно считается одной из форм ИИ. В ходе ML выявляются различные закономерности в данных, на основе которых создается модель для прогнозирования. Чем больше данных обрабатывает модель и чем дольше она работает, тем точнее ее результаты.
Импульс для продаж
Одно из главных направлений использования технологий на основе ML и ИИ для бизнеса - это продажи. Такие системы выступают для компаний в роли советчиков: помогают показывать именно те товары, которыми с большой вероятностью заинтересуется покупатель, а также автоматически формировать спецпредложения для e-mail рассылок.
По данным опроса McKinsey, наибольшее влияние использование этих технологий оказывает на идентификацию лидов (определение контактов посетителей сайта), оптимизацию маркетинга (A/B-тестирование, SEO-стратегии) и персонализированные коммуникации (чат-боты, виртуальные ассистенты).
Подобные сервисы с использованием ML и ИИ применяют все крупнейшие маркетплейсы, например Wildberries, Ozon, "Сбермегамаркет". Компании X5 Group, "Магнит", "Лента" и многие другие также анализируют поведение покупателей при посещении ими офлайн-магазинов: частоту и сумму покупок, стиль жизни, приемлемый уровень цен, любимые категории товаров. Так, "Перекресток.Впрок", используя ML-модели, персонализировал время отправки сообщений об акциях и скидках, в результате чего объем покупок, совершенных подписанными на рассылку людьми, увеличился на 14-30%, рассказывали в компании.
Как работает подобное ПО, рассказал руководитель лаборатории инноваций компании "Норбит" Дмитрий Демидов на примере BPMSoft, low-code BPM-платформы, которую команда интегратора часто использует для ритейл-проектов. Встроенные в продукт ИИ-инструменты можно использовать для любых процессов, автоматизированных на базе решения. Не только для продаж или маркетинга, но и для смежных логистики, ценообразования, работы с поставщиками, сервисного обслуживания.
К примеру, ИИ в BPMSoft сможет определить вероятность срыва срока поставки, предсказать отток покупателей или провести анализ обратной связи. Тексты отзывов в этом случае обрабатываются специальными ML-моделями, которые умеют определять эмоции людей и даже самостоятельно принимать решение, требуется ли привлечь специалиста для дальнейшей коммуникации с клиентом.
Эти же технологии помогают и с сервисом, когда нужно оперативно решить какую-то проблему покупателя: привезли несвежие продукты, неисправность в работе товара. Сервисы на основе ML маршрутизируют заявки (например, на замену товара или возврат), определяют приоритетность, отслеживают выполнение.
"Система позволяет автоматизировать разные этапы управления продажами (генерация лидов, проведение сделок, обслуживание), маркетинга, сервиса, а также все, что так или иначе их сопровождает. При этом данные собираются в общем цифровом пространстве, формируя единый сквозной процесс. Получается, что управленческие решения можно принимать быстро, меньшими усилиями и, главное, обоснованно", - отметил Демидов.
ML-алгоритмы применимы в ритейле и для скоринга (помогают определить вероятность какого-то события), рекомендаций, прогнозирования. При этом с настройкой подобных моделей на платформе маркетолог или специалист по закупкам сможет справиться самостоятельно.
При этом стоит помнить, что эффективность ML-сервисов в ритейле напрямую зависит от количества, качества и полноты исходных данных. Потребуется массовая, стандартизированная и повторяющаяся задача, а еще масштаб, чтобы окупить инвестиции. Ведь ИИ - это прежде всего про добавленную стоимость.
Ставка на эффективность
Помимо роста продаж технологии ML и ИИ могут использоваться для контроля рабочего времени сотрудников и выполнения ими различных задач. Управление рабочим временем всегда имело большое значение для роста производительности труда.
Раньше роль системы по контролю задач играли бумажные стикеры, расклеенные повсюду, а сейчас - многофункциональные платформы со множеством автоматизированных функций. Такие решения становятся особенно актуальными в период повсеместного дефицита кадров. Безработица в России находится на историческом минимуме в 3%, по данным Росстата. В этих условиях буквально каждая рабочая минута на счету.
Существует множество программных решений, которые контролируют активность сотрудников: сколько времени человек проводит онлайн, какие сайты посещает, с кем и как долго говорит по телефону. Например, Time Doctor, Hubstaff, Yaware и многие другие.
Появились и решения, позволяющие контролировать работников физического труда. Например, система интеллектуального мониторинга от компании Solut. Основатель и директор компании Solut Александр Белоусов рассказал, что разработанная интеллектуальная система мониторинга труда распознает любые рабочие и нерабочие действия человека по движениям его рук.
Каждому работнику выдают наручные часы с датчиками, которые накапливают данные о движениях руки в течение смены и с помощью ИИ распознают виды деятельности, характерные для каждой специальности, техпроцесса или рабочего задания. Solut анализирует полученные данные и представляет их в виде отчетов. С их помощью руководство может оптимизировать процессы и повышать эффективность ручного труда, пояснил Белоусов.
Система выявляет время бездействия каждого рабочего, дает инструменты для борьбы с этим и позволяет понять, почему человек не работает. Как отметил Белоусов, порой рабочие не заняты не по своей вине, а потому что произошли ошибки планирования, нет материалов, инструментов, поставленных задач или средств индивидуальной защиты.
С точки зрения ML контроль работы сотрудников - это задача распознавания. Как голосовой помощник понимает, что сказал человек, так и Solut по движению рук и показателям сенсоров на персональных часах рабочих узнает, что делает человек. ИИ-системы понимает, когда работник крутит гайки, забивает гвозди или листает техническую документацию к приборам. По словам эксперта, система максимально эффективна, когда речь идет о физическом труде. Однако к интеллектуальной работе она пока неприменима.
Точность системы - от 85% и выше, что закреплено в договоре, указал Белоусов. Оставшиеся 15% ошибок типизируются, а затем клиенту отправляется матрица с ними, в ней раскрыты подробности, добавил он. Данные системы руководители привязывают к зарплатам рабочих. При этом создатель системы Solut рекомендует использовать результаты, полученные благодаря ML, для премирования, но не для штрафов.
На страже безопасности
Безопасность и охрана труда - еще одна сфера, в которой бизнес активно применяет решения на основе ML и ИИ. Например, технологии ИИ используются на Быстринском горнодобывающем предприятии для контроля и обеспечения безопасности работников. Анализ изображений с видеокамеры в реальном времени позволяет предотвращать несчастные случаи: если нейросеть обнаружит отсутствие средств защиты на работниках, то руководство сразу получит соответствующий сигнал. При этом идентификация человека происходит по лицевой биометрии. Круглосуточное видеонаблюдение ведется в самых опасных производственных цехах: на участках дробления, измельчения, сушки, отгрузки готовой продукции, технологическом участке и в центральных ремонтно-механических мастерских.
На Кольской АЭС система умной видеоаналитики внедрена еще в 2019 г. Как утверждают в компании, система выявляет и регистрирует 95-98% нарушений, что сократило количество несчастных случаев в 8 раз. Планируется, что к февралю 2024 г. систему внедрят на девяти из 11 российских АЭС.
Разработкой таких решений занимается, например, компания "Системы компьютерного зрения". Как рассказал ее генеральный директор Михаил Смирнов, компьютерное зрение - это одно из направлений использования ИИ, в основе которого лежит принцип извлечения информации из изображений при помощи алгоритмов, в первую очередь математических или же основанных на нейронных сетях.
Так, на производствах компьютерное зрение при помощи камер, установленных на высоте 4-5 м, определяет статичные и динамические опасные зоны, пояснил Смирнов. Пример статичной опасной зоны - это коллекторы. Зрительно это отверстия в полу, ведущие на технический этаж цеха. Обычно их огораживают, но в процессе каких-то работ могут снять ограждение, что делает их потенциально опасными. Если камера распознает в шаговой доступности от них человека, то она может зажечь предупреждающую лампочку на месте или передать сигнал оператору. В динамических зонах происходит какое-то действие - например, это передвижение крана по цеху или подача фуры, вагона под погрузку. Конечно, рабочие в этот момент не должны находиться в непосредственной близости. Если камера все же фиксирует людей рядом, то снова подает предупреждающий сигнал.
По словам Смирнова, решения компании также способны выявлять отсутствие защитной одежды, в том числе касок, у работников на производствах - это заметно на камерах.
"В таком случае система работает в зависимости от настроек: она может просто сказать оператору, что есть человек без каски; может попытаться идентифицировать сотрудника (иногда это удается сделать по лицу или по номеру на спецодежде) или оштрафовать его за отсутствие защитной одежды либо за нахождение в опасной зоне", - объяснил Смирнов.
Инструменты для IТ
По данным исследования Rollbar, 38% программистов тратят на исправление ошибок более четверти рабочего времени, а 26% - свыше половины. В 2021 г. в мире появились первые решения на основе нейронных сетей для поиска ошибок в коде, которые могут существенно экономить время дорогостоящих специалистов.
Однако ИИ можно применять не только для анализа исходного кода, но и для функционального тестирования. Одним из примеров подобного решения является система NeuroControl, разработанная компанией "ЛАНИТ Экспертиза".
Она позволяет автоматизировать тестирование любых Desktop-приложений, распознавая элементы интерфейса с помощью нейросетей, сказал технический директор "ЛАНИТ Экспертизы" Владимир Лаврентьев.
Решение нашло применение в банковской сфере. Дело в том, что приложения банков постоянно дорабатываются, в них добавляются новые функции, убираются старые, и все это происходит в режиме реального времени. Для обеспечения лучшего клиентского опыта требуется постоянно тестировать приложения.
Второе важное направление - это автоматизация мобильного тестирования. Решения, существующие для этого сегодня, требуют навыков программирования. В то же время NeuroControl автоматизирует мобильное тестирование. Даже с минимальными знаниями программирования специалист может проверить функционал приложения, т. е. разработчик убирается из цепочки тестирования и может потратить свое время более продуктивно, продолжил Лаврентьев.
Как указал спикер, система дообучается под каждый конкретный проект. Поэтому со временем она становится умнее, а необходимость в ее дополнительном обучении уменьшается.
Эксперты уверены, что в будущем ИИ и ML еще активнее задействуют в самых разных сферах бизнеса, а варианты их применения станут разнообразнее. При этом лучшие из готовых цифровых решений со временем станут отраслевыми стандартами, к которым будут стремиться другие разработчики.