Зачем бизнесу ML и AI

2850
#Менеджмент 13 июля 2022

Всем привет! Я Женя Лобанов, директор по стратегическому развитию в AGIMA. Мы уже 15 лет занимаемся заказной разработкой — помогаем нашим заказчикам внедрять digital-решения.

Пару лет назад наша компания вплотную занялась разработкой обучающихся алгоритмов. В этой статье расскажу, почему мы вообще обратились к этой сфере и зачем выделили её в отдельное направление. Уверен, наш опыт поможет другим компаниям найти точки роста и масштабироваться.

Как пришли к ML

Машинное обучение и искусственный интеллект захватывают мир. Мы каждый день пользуемся сервисами, в основе которых обучающиеся алгоритмы. Они упрощают жизнь: помогают с покупками, подбирают машину, советуют музыку. По прогнозам Business Insider, , только рынок чат-ботов к 2024 году вырастет до 9,4 млрд долларов.

Наша внутренняя статистика подтверждает тренд. Со второго квартала 2020 по третий квартал 2021 года мы получили 2808 заказов. Из них 120 — запросы на продукты с использованием обучающихся алгоритмов. То есть 4% заказов — это заказы именно такого типа. В 2018–2019 году таких было всего 0,5%. За несколько лет спрос вырос почти в 8 раз.

Но даже не это заставило нас внимательнее следить за ML. В тот же период 2020–2021 года 80% заказчиков, с которыми мы уже работали, попросили внедрить в их продукты новые технологии. И все эти технологии подразумевали полное или частичное применение искусственного интеллекта.

В чем сила ML

Почти все наши заказчики, особенно из финтеха и ритейла, обзавелись чат-ботами. Яркий пример — АльфаСтрахование. Их клиенты через Telegram-бота оформляют полисы.Это снимает нагрузку с их сайта и колл-центра и увеличивает лояльность клиентов. Чтобы получить страховку, ты просто открываешь привычный мессенджер.

Позже мы стали чаще применять другие механики машинного обучения. Например, для умных рекомендательных систем. В классической схеме рекомендации основываются на статистике. Большинство покупателей онлайн-магазина вместе с томатной пастой берут оливковое масло и спагетти. Значит, если вы покупаете томатную пасту, система предложит вам именно оливковое масло и спагетти. Стоит ассортименту смениться, статистика обнуляется. В магазине больше нет того самого оливкового масла. Теперь вместе с томатной пастой вам посоветуют только макароны. Ваш итальянский ужин не состоится.

Но обучающиеся алгоритмы не допустят этого. Они анализируют описание товара при его добавлении в каталог и делают рекомендации исходя из самой его сути. Нет популярного оливкового масла — предложат менее популярное. Нет и его — предложат льняное или подсолнечное. Без масла вы не останетесь. В этом сила «умных» рекомендаций — они оперируют не статистикой.

Технологии искусственного интеллекта способны выполнять работу, в которой несколько лет назад нельзя было обойтись без человека. Например, мы научили робота ЭкоБот сортировать мусор. Программа распознает на конвейере пластик, стекло, металл и картон. Потом механическая рука распределяет разные типы мусора по разным контейнерам. Человеку остается контролировать и доучивать машину.

Эти примеры на практике показали, в чем преимущества обучающихся алгоритмов:

  • сокращают рутину за счет ТГ-ботов;
  • улучшают продажи за счет рекомендательных систем;
  • помогают находить целевую аудиторию через новые SMART-каналы;
  • делают клиентский сервис удобнее за счет автоматизации;
  • уменьшают издержки благодаря алгоритмам.

Данные исследований, наша внутренняя статистика и успешные кейсы убедили нас, что в будущем цифровой продукт без технологий машинного обучения обречен проигрывать конкурентам. Эта мысль стала отправной точкой для нашего нового направления — AGIMA.AI.

Почему отдельное направление

Мы не хотели работать над ML-проектами силами наших отделов аналитики и разработки. Тому было две причины:

  • проектирование обучающихся алгоритмов требует больше усилий на исследование модели данных;
  • для этой работы нужны уникальные компетенции.

Вместо этого мы выбрали другую стратегию. Она состояла из трех элементов:

  • Инкапсулировать весь процесс разработки с использованием искусственного интеллекта и машинного обучения в отдельное направление.
  • Явно очертить разницу между нашим отделом продуктовой аналитики и новым направлением.
  • Прокачать проектные офисы по таким компетенциям, как статистика в машинном обучении, экспериментальный анализ данных, добыча данных и т. п.

Как инкапсулировали направление

Мы собрали все текущие запросы и проекты по доработке продуктов по направлениям AI и ML. Смогли сформировать набор услуг, кейсов и выделить УТП по этим направлениям. Таким образом у нас сформировалась обёртка нового направления.

Отделить специалистов по этим проектам и сформировать управляющую структуру администрации нам помогло объединение с топовой компанией в этом сегменте.

Все наши активности мы моделируем в виде примитивного PnL (отчёта о доходах и убытках). Учитываем текущую выручку и потенциальный рост по конкретному направлению, а также все необходимые затраты (распределяем по головам производственников, поэтому инкапсуляцию провести легче). И в итоге видим потенциал направления и необходимые стратегические решения для его роста. Более подробно об этом можно почитать, в моей статье про управленческий учёт.

Где граница между AGIMA и AGIMA.AI

Если в AGIMA приходят за комплексным редизайном или запуском нового продукта, то отдел продуктовой аналитики строит модель того, каких бизнес-показателей достигнем после запуска и за счёт чего. AGIMA.AI 

же исследует текущий или новый продукт для улучшения клиентского сервиса по профилю рекомендательных систем, компьютерного зрения, предсказания, чат-ботов, анализа текста, BI и т. п.

При этом, так как AGIMA занимается комплексной разработкой и интеграцией digital-продуктов, без компетенций проведения количественных, качественных исследований, предпроектного обследования, написания заданий на проектирование и запусков в софт-лонче/сплит-тестах мы не могли бы существовать. Но компетенции в статистике и понимании, как реализовывать обучающиеся алгоритмы, только дополняют весь веер наших компетенций.

Какие компетенции нужны для ML

Мы учитывали статистику (годовой прирост оборота по первому году и новым компетенциям выходил в районе 10%), потенциальные темпы роста, затраты на специалистов и повышение компетенций проектных офисов. Всё это помогло нам оптимизировать модель для эффективного старта нового направления.

Основные навыки, которые мы прокачали у наших проектных офисов для комфортной коммуникации со специалистами нового направления:

  • Формализация и формулировка самого вопроса, на который можно ответить статистически.
  • Вычисление, понимание и интерпретация метрик производительности: например, p-значение, ошибка первого и второго рода и другие.
  • Вычисление, понимание и интерпретация общих статистических данных.
  • ANOVA — понимать, как делают выводы из оценок местоположения и изменчивости.
  • Как применять матстатистику релевантно области использования.
  • Понимание процесса разработки экспериментов по проверке гипотез.

Также важно было интегрировать новые процессы в уже отлаженные. Поэтому мы провели большую организационную работу и поменяли текущие регламенты с учетом новых обстоятельств:

  • Мы описали отдельный раздел в нашей базе знаний по всем процессам и необходимым компетенциям.
  • Добавили соответствующие навыки во все регламенты и чек-листы по грейдированию руководителей проектов и тимлидов.
  • Провели презентацию нового направления и компетенций на нашей обязательной встрече Managers Club.
  • Для закрепления результатов выработали дополнительную мотивационную схему для руководителей проектов, которые смогут внедрить компетенций AI и ML на своих продуктах.

Что в итоге

Чтобы освоить новый рынок, мы смоделировали новое направление работы компании. Это помогло нам организовать его максимально эффективно:

  • задать вектор развития для наших специалистов;
  • использовать уже имеющуюся инфраструктуру AGIMA;
  • достичь оптимальной ставки часа.

В результате мы получили новые компетенции, которые умеем масштабировать на наши проектные офисы. И теперь, вновь убедившись на собственном опыте, можем утверждать, что при правильном подходе к организации новых направлений вы не потеряете инвестиции, вложенные в повышение квалификации своих сотрудников, а сможете найти точку роста для своего бизнеса.

Мы уже запустили несколько проектов, которыми мы с вами пользуемся:

В статье я попытался рассказать, как и почему мы открыли направление искусственного интеллекта и машинного обучения. Надеюсь, что она поможет увидеть другим компаниям свои точки роста и масштабироваться.

Комментарии и обсуждения статьи на vc.ru.

Контент-хаб

0 / 0
+7 495 981-01-85 + Стать клиентом
Услуги Кейсы Контент-хаб