Как применять Machine Learning в Digital-продуктах
AGIMA23 марта 2021Иван Антипин·Директор департамента разработкиМашинное обучение полезно digital-продукту, когда есть повторяемая задача, достаточно качественных данных и измеримый результат. Типичные сценарии — прогнозирование спроса, распознавание объектов и речи, рекомендации и автоматизация операций.
Коротко
| Сценарий | Данные | Возможный эффект |
|---|---|---|
| Прогноз спроса | История заказов, сезонность, внешние факторы | Планирование запасов и загрузки |
| Компьютерное зрение | Фото или видеопоток | Контроль качества и распознавание событий |
| Обработка речи | Аудиозаписи и размеченные фразы | Автоматизация приёма обращений и заказов |
| Рекомендации | Поведение и контекст пользователя | Более релевантный выбор продукта |
Примеры в статье относятся к состоянию рынка на 2021 год. Перед внедрением нужно отдельно проверить качество данных, стоимость ошибки и правовые ограничения.
3 марта мы организовали онлайн — конференцию Machine Learning в Digital-продуктах с участием спикеров из Тинькофф, СБЕРа, МТС, Checklens GmbH, Brickit, Epoch8 и AGIMA.
Изменения с помощью ML
Сегодня Machine Learning присутствует в каждом цифровом бизнесе и с легкостью меняет отрасли. Вспомним про драматическую трансформацию рынка такси, когда пришли IT-гиганты и дали новые возможности потребителям в виде цифровых витрин, соединив водителя и клиента с помощью мобильных приложений и веб-сайтов. Также и сейчас, ML способен кардинально изменить рынок такси. Только представьте себе, что машина по сигналу мобильного приложения сможет сама подъехать к шаговой доступности, например, к дому или к терминалу при выходе из аэропорта. Действительно, таксистам будет трудно конкурировать с таким сервисом основанным на базе ML-решений автопилота и компьютерного зрения.
Применение ML в ресторанном бизнесе
Сеть ресторанов — яркий пример консервативного бизнеса, несмотря на то, что многие процессы оцифрованы, основная добавочная ценность и эмоции от пользования продуктом генерируются людьми в офлайне: интерьеры, внешний вид блюда, его подача, уровень обслуживания клиента. Но даже здесь есть возможность найти те бизнес-продукты и процессы, в которые можно внедрить ML-решения и получить невероятный эффект:
- компьютерное зрение(используется чтобы распознать эмоции клиента, оценить качество предоставленных блюд и, возможно, принять решение что-то изменить).
- анализ естественной речи (поможет сократить время на принятие заказа и сосредоточится на процессах внутри, перенести фокус на более творческие задачи).
Алгоритмы компьютерного зрения могут искать клиентов, которые пытаются привлечь внимание к себе. Например, когда персонал занят и упускает из вида желание клиента сделать заказ, гостю не будет комфортно кричать или привлекать внимание к себе иным способом. И тут начинается магия: с помощью ML-алгоритмов клиент попадает в поле зрение менеджера. Подобно поднятой руке в Clubhouse, когда модератор видит, что кто-то хочет высказаться, система на базе компьютерного зрения распознает желание клиента сделать свой заказ. Это повышает лояльность к бренду, дарит клиенту чувство значимости и создает ореол магических технологий.
Если говорить о том, где еще в ресторанном бизнесе мы можем использовать компьютерное зрение, стоит отметить, контроль качества приготовленных блюд, и в первую очередь, здесь мы говорим про их визуальный вид. Нет ничего хуже для клиента получить в заказе то, что будет кардинально отличаться от фотографии в меню. Оформление и подача блюда — это весомая часть формирования дополнительной стоимости и целостности предложения. Возможность контролировать поваров и отдаваемые блюда, помогает оценивать сервис, а самое главное держать его на высоком уровне, заданным позиционированием бренда.
Международный опыт использования ML
Анализируя опыт крупного игрока рынка фастфуда, видны инвестиции в покупку решений для анализа естественной речи и первые пилотные проекты по их запуску для приема заказов из автомобиля. Проекты, которые внедряют, направлены на то, чтобы с помощью алгоритмов машинного обучения узнавать своих клиентов и внедрять эти сервисы в свои рекомендательные программы, программы лояльности и системы рекомендаций. Такого клиента можно узнать на киоске самообслуживания и предложить ему более релевантный товар в виде апсейла, либо рекомендацию, которая вызовет положительные эмоции.
Приведенные примеры говорят нам о том, что точки роста, развитие в которых достигается за счет внедрения ML и AI, можно найти в любом бизнесе, даже в сильно консервативном. Это поможет быть лидером рынка и достичь максимального выполнения стратегических целей.
