19 декабря 2022 г.

Константин Масляный

Искусственный интеллект, машинное обучение, нейронные сети; еще недавно эта терминология использовалась в основном ИТ-специалистами, учеными, журналистами и писателями-фантастами. Но такое положение вещей доживает последние дни.

Сегодня эти технологии становятся рабочим инструментом бизнеса. Благодаря машинному обучению крупные ритейлеры могут предсказывать спрос на товары, уменьшая уровень просрочки и затоваривания складов. Тяжелая промышленность и нефтегазовая отрасль с помощью искусственного интеллекта предсказывают выход оборудования из строя. Это позволяет заранее заказывать запасные части и планировать ремонт, что сокращает время простоя. В высокотехнологичном бизнесе, таком как банки, электронная коммерция и медиа, искусственный интеллект применяется уже повсеместно. Банки используют скоринговые модели, определяя по сотням различным характеристик, вернет ли новый клиент кредит. Онлайн-магазины понимают какой товар необходимо порекомендовать конкретному покупателю, чтобы увеличить средний чек. Стриминговые платформы предсказывают отток клиентов, что позволяет применять промоакции и другие способы удержания пользователя.

По оценкам компании Zion Market Research, мировой рынок Artificial Intelligence к началу 2022 года оценивался почти в $60 млрд, а к 2028 году достигнет фантастической суммы в $422,37 млрд.

Почему искусственный интеллект (ИИ) и его самая актуальная реализация — машинное обучение (ML) сейчас востребованы и в России?

В 2022 году российский бизнес столкнулся с беспрецедентными вызовами. Нестабильная экономическая и политическая ситуация во всем мире повлияла на российские рынки. Вследствие внешних и внутренних причин изменились условия ведения бизнеса в России.

Каковы эти причины

  • Уход зарубежных заказчиков и поставщиков из экономического пространства РФ, а также ограничения при проведении международных транзакций, разрушили многие коммерческие связи, цепочки поставок товаров, компонентов, комплектующих и поставили российские компании в сложное положение.
  • Сохранилась и даже обострилась конкуренция на внутреннем рынке при одновременном снижении спроса в некоторых сегментах экономики.
  • Выросла волатильность рынка труда и дефицит специалистов по ряду направлений.
  • С введением санкций со стороны США и стран ЕС российским компаниям стало значительно сложнее привлекать инвестиции.

В такой экстраординарной ситуации стейкхолдеры компаний поставили перед топ-менеджментом новые цели. В зависимости от ситуации — это либо быстрое масштабирование бизнеса и завоевание рыночных ниш, освободившихся после ухода зарубежных компаний, либо антикризисный менеджмент и сохранение бизнеса. Однако, для достижения поставленных целей требуется решить целый ряд задач по оптимизации бизнес-процессов:

  • В первую очередь, это максимальная цифровизация бизнеса, в том числе оцифровка данных, бизнес-процессов, аналитики.
  • Автоматизация и внедрение цифровых систем управления предприятием.
  • Быстрое и гибкое масштабирование бизнеса в зависимости от динамики спроса.
  • Повышение производительности труда.
  • Увеличение эффективности бизнеса и скорости возврата инвестиций.
  • Снижения издержек и стоимости предлагаемых товаров и услуг.

Как с этими задачами связан искусственный интеллект и машинное обучение?

Ответ на этот вопрос достаточно прост. Без предиктивной аналитики, оптимизации бизнес-процессов, быстрого тестирования и вывода на рынок новых продуктов и сервисов, построения рекомендательных систем и автоматизации производства, внедрения промышленного IoT — всего того, что можно реализовать с помощью машинного обучения, решение этих задач будет длительным и дорогим, а иногда просто невозможным. При этом большинство российских компаний только начинают использовать ИИ как бизнес-инструмент. В этой ситуации конкурентные преимущества получат те компании, которые раньше остальных интегрируют ML в свои рабочие-процессы.

В каких отраслях и как ML-решения активно используются уже сейчас

E-commerce и ритейл c их высочайшем уровнем конкуренции традиционно считаются лидерами цифровизации бизнеса. Не стало исключением и машинное обучение. Одним из ключевых направлений использования ML в e-commerce и ритейле является формирование моделей по оптимизации ценообразования. Такие системы позволяют определить товары с высоким и низким уровнем ценовой видимости, проанализировать конкурентную среду, задать ценовые правила внутри сети магазинов. От степени эффективности ценовой политики часто зависит доля торговой сети в различных сегментах рынка, а значит и маржинальность бизнеса. Ярким примером эффективности использования ML в ценообразовании стал кейс одного из лидеров продуктового ритейла в России. Первоначально компания, для сохранения статуса лидирующего дискаунтера, занималась ручным мониторингом цен конкурентов. Но при масштабировании бизнеса и возросшем количестве торговых точек, компания автоматизировала систему мониторинга цен конкурентов и обновления цен на конкурентные позиции на полках своих магазинов. В результате конкуренты, работающие в ареале этой торговой сети, теряли до 50% выручки в ряде категорий товаров за счет оттока клиентов в магазины с более привлекательными ценами.

Важнейший параметр любого b2c-бизнеса — предсказание оттока клиентов — тоже прогнозируется с помощью ML-моделей. Благодаря таким нейросетевым моделям можно выстраивать своевременные и персонализированные коммуникации для удержания клиентов, что позволяет на 10–15% сократить отток дохода (revenue churn). Своевременное внедрение такой модели в бизнес позволило крупному российскому игроку e-commerce рынка укрепить свое положение на рынке. В компании заметили ежемесячный отток клиентов с платформы и просчитав, что привлечение новых клиентов будет более затратным процессом, нежели удержание текущих, внедрила ML-модель оттока клиентов. Решение представляло информацию о том, какой профиль клиента с большой вероятностью прекратит пользоваться продуктом. Для прогноза сопоставлялись признаки текущих и ушедших клиентов (например, вовлеченность, история заказов, пол, возраст и пр.). В результате ML-модель определила до 85% склонных к уходу клиентов, позволив компании значительно улучшить показатели продаж.

Помимо электронной коммерции и ритейла, еще одной крупной отраслью российской экономики, активно использующей машинное обучение, стал финансовый рынок. Банки и страховые компании настолько слились с финтехом, что уже сами превратились в ИТ-компании. Высокая экспертиза в области информационных технологий сделала банковский сектор одним из главных потребителей машинного обучения в России.

Самое популярное ML-направление в финансовом секторе — это скоринг. Скоринговые модели на базе ML позволяют оценить кредитоспособность клиента точнее, чем традиционные методы. Для обучения алгоритм использует демографические данные, кредитную историю, данные о доходах, занятости, образовании, активность в социальных сетях и пр. В результате инструмент более точно определяет кредитоспособность клиента. Решение также может быть адаптировано под прогноз дефолта по платежам текущих заемщиков. ML- модели позволяют снизить финансовые риски, автоматизировать выдачу и сократить время одобрения и упростить получение кредитов.

Уже сейчас крупнейший банк России обрабатывает 1,2 млн заявок в день и выдает 99% розничных кредитов в автоматическом режиме реального времени на основе скоринговой модели машинного обучения. Всего же внедрение ML-решений по оценкам менеджмента банка принесло и сэкономило им до 200 млн руб. в 2021 году.

Однако машинное обучение используется не только в b2c сегменте. В промышленности лидером внедрения ML-технологий стала нефтегазовая отрасль. С помощью машинного обучения компании прогнозируют время возможного выхода оборудования из строя. ML-модель оценивает вероятность поломки оборудования на основе таких данных, как спецификация агрегатов (срок службы, рекомендуемый график ТО, информации о комплектующих и др.) и исторических данных его эксплуатации (история обслуживания и ремонта, дефектов и неполадок, данные с датчиков мониторинга оборудования и пр.). Модель позволяет предотвратить поломки, заранее провести техобслуживание и избежать риска снижения нефтегазодобычи, транспортировки нефти и газа и простоя нефтеперерабатывающих комплексов. По данным консалтинговой фирмы McKinsey, предиктивная диагностика на производстве снижает затраты на техническое обслуживание в среднем на 18–25%. Неудивительно, что согласно отчету Market Research Future к концу 2022 года глобальный рынок predictive maintenance вырастет до $6,3 млрд.

Все вышеописанные сценарии (и множество других) уже реализованы как в России, так и в других странах. Однако, до сих пор многие руководители компаний считают, что внедрение решений, базирующихся на искусственном интеллекте, является сложным и дорогостоящим процессом.

Как же в реальности происходит происходит внедрение ML-решений?

Сейчас процесс интеграции ML-модели в рабочий процесс выглядит так.

  1. Первый этап — анализ производственных и бизнес-процессов, формирование списка потенциальных областей оптимизации, оценка и выбор максимально эффективных для бизнеса ML-решений, формирование дорожной карты и составление бэклога выполнения работ.
  2. Следующий этап — подготовка данных. В него входит оценка доступности данных, сбор и нормализация данных (подготовка для использования в дата-сете), создание логического представления структуры данных.
  3. Затем наступает ответственный этап создания ML-модели. Это выбор алгоритма, планирование, тестирование, обучение модели, оценка предварительных результатов, включая оценку экономических эффектов и стоимости внедрения.
  4. После того как модель обучена, начинается процесс внедрения ML-модели в бизнес-процессы, в ходе которого собираются дополнительные требования к ее работе. Происходит тестовое внедрение и начинается опытно-промышленная эксплуатация.
  5. Работа уже запущенной модели также требует контроля и технической поддержки. В случае ухудшения эффективности происходит доработка алгоритмов, выявляются новые возможности оптимизации модели в ходе ее использования, техническая поддержка решения.

Какие барьеры могут возникнуть у компании при внедрении традиционных систем машинного обучения?

Ресурсы

Дороговизна вычислительных ресурсов для полноценного внедрения ML-моделей. Обучение сложных моделей — это процесс, требующий больших вычислительных мощностей, в том числе дорогих графических процессоров. Создание собственных вычислительных кластеров для задач машинного обучения доступно сейчас только крупному бизнесу.

Компетенции

  • Дефицит компетенций. Во всем мире, включая Россию, наблюдается нехватка специалистов области data science. Это связано с высоким порогом входа в профессию и небольшим количеством специализированных учебных заведений и программ в области DS.
  • Следствием дефицита дата-сайентистов, а также международного характера профессии стала дороговизна специалистов в области data science. Российские компании вынуждены конкурировать на рынке труда с глобальными корпорациями.
  • Даже наличие достаточных финансовых ресурсов и вычислительных мощностей, не снимает проблему больших временных затрат на поиск квалифицированных специалистов и формирование DS-команд.

Данные

  • Низкий уровень цифровизации бизнеса влияет на качество и количество данных необходимых для обучения модели нейросети.
  • Разрозненность имеющихся данных (разные форматы, источники, разные владельцы данных) требует дополнительных усилий, ресурсов и времени для создания дата-сетов.

Процесс и ценность

  • Долгий и бюрократический процесс согласования внедрения ML в бизнес и выстраивания коммуникации между внутренними заказчиками и командой разработчиков и внедренцев нередко приводит к тому, что ML-инициативы не получают продолжения после завершения пилотных проектов.
  • Длительный процесс разработки и внедрения ML-моделей из-за большого бэклога рутинных задач у ИТ-отдела компании, приводит к снижению привлекательности использования машинного обучения особенно у малого и среднего бизнеса, где нет возможности быстро нанять DS-специалистов или пригласить готовую аутсорс-команду.

Отмечу, что обычно в процессе внедрения ML-решений компания сталкивается лишь с какой-то частью из перечисленных проблем.

Как бизнес может решить эти проблемы

Ресурсы

Альтернативой собственной вычислительной инфраструктуре стали облачные сервисы — IaaS (Инфраструктура как услуга). Компании не покупают, а арендуют у облачных провайдеров инфраструктуру на время, требуемое для обучения нейросетевых моделей — это наиболее затратный процесс с точки зрения вычислительных ресурсов. Более того, часть поставщиков облачных услуг уже предлагает сервисы PaaS (платформа как услуга) и SaaS (ПО как услуга) для создания и имплементации ML-моделей. Это в первую очередь готовые среды ML-разработки, хранилища данных, Аuto ML платформы. Такой подход снимает с бизнеса не только проблему вычислительных мощностей, но приобретения, установки и настройки специального ПО.

Компетенции

Проблемы дефицита компетенций, дороговизну специалистов и волатильность HR-рынка в области data science позволяет обойти использование no-code ML-решений. Специально разработанного облачного ПО, где автоматизированы процессы очистки и подготовки данных, выбор ML-модели, обучение и интерпретация результатов. Такой подход позволяет внедрить машинное обучение в бизнес-процессы без приглашения дата-сайентистов.

Данные

Низкое качество данных для обучения или их частичное отсутствие можно поначалу компенсировать за счет использования методов разведочного анализа данных и затем улучшить с помощью внедрения практик Data Governance. С помощью разведочного выявляются общие зависимости, закономерности, характер и свойства анализируемых данных. Разведочный анализ применяется для нахождения связей в разнородных данных и при их недостаточном количестве — когда отсутствует понимание о природе этих связей. Data governance — совокупность практик, которые помогают администрировать собственные данные компании. C помощью методологии Data Governance можно извлечь максимальную бизнес-ценность из данных, получаемых в ходе работы компании или организации.

Процесс

Долгий и дорогостоящий процесс разработки и внедрения моделей из-за большого бэклога рутинных задач у ИТ-отдела компании является проблемой не только для малого и среднего бизнеса. Даже крупные компании сталкиваются с тем, что их ИТ-подразделения загружены огромным объемом работы по администрированию и поддержанию в рабочем состоянии информационных систем компании. В этом случае использование универсальных no-code ML-платформ позволяет бизнес-подразделениям быстро тестировать различные продукты, решения, гипотезы с применением методов машинного обучения. Причем, собственными силами, без привлечения DS-разработчиков.

Отмечу важный момент — AI помогает увеличить эффективность бизнеса исключительно за счет использования новых технологий, не прибегая к радикальным управленческим решениям по реорганизации компании, найму или увольнению персонала, без поиска дополнительных инвестиций.

Декомпозиция этапов внедрения ML-решений в бизнес показывает, что машинное обучение уже сейчас доступно не только крупным корпорациям или ИТ-гигантам с высокими компетенциями в области информационных технологий. Безусловно, кастомная data science разработка, по-прежнему, дорогой и сложный процесс, однако появление готовых ML-платформ, особенно low- и no-code, таких как Н2O, DataRobot, Akkio, Nova ML позволяет внедрять ИИ-решения среднему и малому бизнесу и даже стартапам. Для этого не требуется содержать или нанимать дорогостоящую команду дата-сайентистов. Машинное обучение на базе Auto ML решений позволяет использовать ИИ не только широкому кругу разработчиков, но и бизнес-аналитикам, продакт-менеджерам и другим специалистам без знания языков программирования. Практически единственным серьезным барьером внедрения машинного обучения остается уровень цифровизации бизнеса и производства. Чем выше этот уровень, тем больше эффективных инструментов доступно бизнесу. Это касается не только использования ML, но и CRM, ERP, индустриального IoT, облачных технологий, гибких методик разработки и других высокотехнологичных бизнес-решений.

Источник: Константин Масляный, руководитель партнерской программы компании Digital Consulting Solutions (DCS)