Зачем бизнесу ML и AI
AGIMA13 июля 2022Евгений Лобанов·Руководитель AGIMA GroupML и AI полезны бизнесу, когда решают измеримую задачу и для неё есть подходящие данные. Начинать стоит не с выбора модели, а с проверки сценария, ограничений и стоимости ошибки.
Коротко
| Вопрос | Что проверить |
|---|---|
| Есть ли задача | Какое решение или процесс изменится |
| Достаточно ли данных | Качество, права и доступность |
| Нужен ли ML | Можно ли решить задачу правилами |
| Как измерять эффект | Базовый уровень и целевая метрика |
| Как контролировать риск | Участие человека и сценарий отката |
Где ML и AI могут помочь
- классифицировать обращения и документы;
- ранжировать товары или контент;
- искать аномалии и подозрительные операции;
- прогнозировать спрос при наличии устойчивых данных;
- извлекать сведения из текста;
- помогать сотруднику готовить черновик или искать информацию.
Как выбрать первый сценарий
| Критерий | Хороший признак |
|---|---|
| Частота | Задача повторяется и создаёт заметные затраты |
| Данные | Есть история и понятные правила доступа |
| Проверка | Качество результата можно измерить |
| Ошибка | Последствия ограничены и контролируемы |
| Внедрение | Результат можно встроить в существующий процесс |
Порядок пилота
- Зафиксируйте текущий способ работы и базовую метрику.
- Подготовьте репрезентативный набор данных.
- Сравните ML-подход с простым правилом или ручной работой.
- Оцените точность, стоимость проверки и скорость.
- Проверьте безопасность, права и эксплуатационные ограничения.
- Решите, масштабировать, изменить или остановить пилот.
Риски
Модель может ошибаться, устаревать вместе с данными и усиливать ошибки исходного процесса. Для критичных решений нужны журналирование, мониторинг качества, ограниченные права и возможность вмешательства человека.
Вывод
Успешный AI-проект начинается с узкой бизнес-задачи и проверяемой метрики. Если пилот не превосходит простой процесс по качеству или экономике, внедрение не нужно продолжать только ради технологии.
Менеджмент
