К чему подготовить бизнес перед использованием AI и ML
Искусственный интеллект (AI) и машинное обучение (ML) важны, когда у компании много данных и нужно упростить работу с ними или больше зарабатывать с их помощью. Такой сценарий актуален, к примеру, для маркетинга, IT- и банковской сфер.
Ак Барс Банк, чтобы поделиться опытом в обработке клиентских сведений, организовал на Kazan Digital Week 2021 секцию «AI&ML для монетизации данных». Здесь обсудили, чем AI и ML полезны бизнесу, как их внедрить и какие сложности могут из-за них появиться.
AI (artificial intelligence) — это искусственный интеллект. То есть машина выполняет задачи, с которыми раньше мог справиться только человек. AI-системы способны запускать мыслительный процесс: рассуждают, ищут смысл, обобщают, учатся на своих ошибках и делают выводы.
Чуть более узкое понятие — ML (machine learning) — машинное обучение. Это один из методов искусственного интеллекта, и он как раз отвечает за передачу необходимых «знаний» AI-системе.
С помощью искусственного интеллекта компании:
- создают персонализированные предложения, изображения, видео, тексты;
- выстраивают общение с потенциальными и реальными клиентами (чат-боты — это тот же AI);
- подбирают персональные продукты и проценты от банков и банковских карт;
- показывают подходящие вакансии на Headhunter;
- разрабатывают мобильные приложения;
- распознают речь и создают голосовые помощники.
В обычной жизни люди сталкиваются с Al и ML, сами того не замечая. Например, вы на рабочем ноутбуке читали про новую модель iPhone, и уже по дороге домой в Instagram вам то и дело предлагают рекламные объявления в духе «новый iPhone в рассрочку».
Еще один пример. Вам нужно срочно заполнить сайт текстом, и вы обращаетесь в контент-агентство в надежде, что за вашу задачу быстро возьмутся. Свободных копирайтеров нет, зато агентство использует технологии искусственного интеллекта — и вы тут же получаете готовые тексты для сайта.
Сейчас AI и ML наиболее широко используют в шести направлениях:
- Аналитика, управление проектами и принятие решений.
- Обработка естественной речи.
- Персонализация маркетинга и обслуживания.
- Интернет вещей и цифровые двойники.
- Автономные устройства (например, роботы-пылесосы).
- AI-разработка (например, разработка бизнес-решений без привлечения консультантов).
Чтобы использовать искусственный интеллект и машинное обучение в компании, нужно собрать данные о клиентах. Весь этот объем информации называется Big Data — база данных, которые компании получают из внешних и внутренних источников: отчетов, данных службы поддержки и отдела продаж, систем аналитики и действий самих клиентов.
Самый простой пример — опросы в чат-ботах или по электронной почте. Клиент отвечает на вопросы, его ответы переносятся в базу, после чего можно подключить к работе AI и ML и создать для него персональное предложение.
Условно все компании можно разделить на 3 группы:
- We have nothing: не используют данные, потому что не понимают или не видят в этом смысла. Как правило, у них большой дефицит в специалистах, очень дорогие облачные или коробочные решения, сложный процесс внедрения новых технологий. Начать работу с данными здесь сложнее и дольше всего.
- We have data: только начинают использовать данные в работе, собирают аналитику, чтобы понимать, как работает их бизнес. У них, как и в первой группе, могут быть дорогие облачные или коробочные решения, постоянный дефицит кадров, устаревший набор технологий.
- Data-Driven Company: хорошо выстроили data-driven-процессы. Они уже умеют собирать и применять данные в бизнесе. Именно в таких компаниях новые технологии быстро приживаются и развиваются.
Условная классификация компаний по уровню работы с данными
На работу с данными перешли еще не все компании, потому что data-бизнес, включая AI и ML, очень молод, ему 10 лет. Он все еще развивается, и технологии быстро сменяют друг друга. Если компания хочет успевать за обновлениями, в штате нужен хотя бы один человек, который разбирается в данных, готов изучать новые AI-решения и внедрять их в бизнес. Но специалистов, разбирающихся в данных, на рынке не хватает.
Увы, дефицит специалистов — не единственная проблема. Есть другие препятствия для использования данных в бизнесе:
- Колоссальные ограничения с точки зрения информационной и юридической безопасности.
- Слабая нормативно-правовая база на территории РФ/СНГ.
- Применимые в России методы и подходы не подойдут для Европы и США из-за того, что у них свои регламенты и очень жесткие.
Если вышеперечисленные проблемы удастся миновать, и компания начинает работу с данными, появляются новые сложности на этапе внедрения данных в продукты:
- Рынок не знает, что хочет.
- Рынок не знает, что можно.
- В некоторых областях слишком высокая конкуренция.
- Разработка продуктов иногда нерентабельна.
- Компания не хочет или не может обогащать данные.
Все новые технологии, связанные с обработкой входящей информации вроде распознавания речи или чат-ботов, еще только развиваются и дорого стоят. Компания, которая хочет их внедрить, должна запастись временем и большим бюджетом.
Разработка новшества и его внедрение могут обойтись дороже старых бизнес-процессов. Например, решили уволить всех продавцов, разместить по всему периметру магазина камеры и установить кассы самообслуживания. При таком сценарии покупка, установка и обслуживание нового оборудования будут дороже оплаты труда реальных продавцов.
По статистике, 87% data-science-проектов остаются на пилотной стадии и никем не используются. Для реализации технологий в любом случае придется много экспериментировать и тратиться.
Получить AI-решение в некоторых случаях очень сложно, а в некоторых — невозможно вообще.
Пример 1. Водитель грузовика, работающий в компании, часто нарушает правила: курит в кабине, подвозит попутчиков. Его снимают камеры, но просматривать камеры некому — нет времени. Тогда разработали AI-решение с камерами, автоматически фиксирующими нарушения. Но коробка с этими камерами просто не влезла в грузовик .
Пример 2. В станок на заводе внедрили камеру, которая фотографирует готовые детали и при обнаружении брака уничтожает их. Со временем в партиях стали появляться бракованные детали, потому что светодиод в камере износился и перестал фиксировать дефекты.
В процессе AI-разработки и внедрения можно выделить 3 основных проблемы:
- AI-решения не универсальны.
- Требуются специализированные AI-решения.
- Для поддержки AI-решения необходимо переобучение или повышение квалификации специалистов.
Специалисты, которые принимают участие в создании AI-решения: Data Engineer, ML Engineer, Data Analyst
Можно выделить 3 работающих способа, чтобы получить хорошее AI-решение:
- Взять готовый AI-продукт.
- Создать свою AI-команду.
- Заказать AI-разработку.
Это уже существующий или разрабатывающийся продукт, который, вероятно, будут использовать несколько компаний.
- не надо долго ждать;
- от компании требуется только заключить договор и платить лицензионную плату.
- нет гарантии развития;
- лицензионная плата хоть и меньше стоимости разработки решения с нуля, но все-таки есть;
- возможно, продукт еще не разработан и все равно придется подождать;
- возможно, продукт не будет решать задачи компании.
Компания нанимает специалистов, которые разрабатывают AI-решение под особенности ее бизнеса.
- разработка точно решает задачи бизнеса;
- нет проблем с поддержкой функционирования AI-решения;
- продукт (без обслуживания) имеет доступную стоимость.
- неравномерная нагрузка: для создания продукта нужен целый штат специалистов, для поддержки — 1-2 человека;
- дефицит специалистов и их дороговизна.
Компания обращается к специалистам, которые разрабатывают AI-продукт, но не числятся в штате.
- AI-решение заточено под бизнес;
- равномерная нагрузка.
- сложно выбрать компанию/специалиста;
- разработчики могут указать высокую стоимость поддержки AI-решения, потому что никто, кроме него, не может этого сделать;
- решение может работать некоторое время, а затем — перестать работать, потому что специалист не следит постоянно за вашей компанией и вашими изменениями.
При разработке AI-решения важно, чтобы в компании были люди, которые разбираются в AI. Для этого можно либо обучить основам руководителей, либо найти посредника между AI-разработчиком и менеджментом. Обученные специалисты внутри компании сильно пригодятся, когда AI-решение будет готово: его предстоит не только внедрять, но и развивать.
Зачем продакт-менеджеру изучать ML и AI
Машинное обучение и искусственный интеллект — самые обсуждаемые и горячие темы в технологической среде. Но насколько они релевантны продакт-менеджерам? Нужны ли продактам знания и навыки в ML и AI? Если да, то зачем?
Чтобы найти ответ на этот вопрос, давайте посмотрим, как разные продукты и индустрии изменились благодаря технологиям машинного обучения за последние 10 лет.
Мы подготовили эту статью совместно с соавторами «Симулятора управления ML/AI-проектами» — Ириной Пименовой и Виталием Пименовым , которые более 10 лет работают в сфере ML-технологий.
В симуляторе вы научитесь строить продукты, оптимизировать процессы на основе технологий машинного обучения, приносить через эти технологии пользу бизнесу.
Если после прочтения этого материала вы захотите приступить к практическим действиям по реализации ML/AI-проекта, то переходите по ссылке, чтобы получить в нашем симуляторе необходимые знания и навыки.
Все материалы серии об использовании ML/AI в создании продуктов
Технологические прорывы в ML
За последние десять лет (благодаря росту доступности облачных вычислений, новым мощным чипам, накопленным массивам данных, научным прорывам и инвестициям в исследования) в технологиях машинного обучения произошли существенные прорывы.
Вот несколько интересных примеров.
Компьютеры научились играть в сложные игры
Когда-то давно компьютеры стали лучшими в шахматах, но еще долгое время существовал консенсус, что у них нет шансов в более сложных логических играх, таких как го, а также кибердисциплинах вроде Starcraft. Предполагалось, что на достижение человеческого уровня в этих играх компьютерам понадобится не один десяток лет.
Но уже в 2016 году компьютерная модель, разработанная в Google Brain, впервые выиграла в го у лучшего гроссмейстера мира, а спустя лишь один год — стала непобедимой. Для шахмат интервал между первым выигрышем компьютера у гроссмейстера и последним проигрышем составил куда больше — 10 лет.
Перелом случился, когда модели стали обучаться, играя сами с собой. Это называется Reinforcement Learning. При этом в процесс этого обучения не добавлялось никакого предварительного знания о стратегиях и тактиках от человека.
→ Подробнее о прогрессе компьютера в игре в го можно прочитать по ссылке .
Недавно компьютеры покорили еще одну вершину. Теперь они умеют в « Дипломатию » — игру, основанную на естественном языке. Компания Meta создала AI-агента CICERO , который уже входит в 10% лучших игроков в мире.
Модели распознавания изображений и речи сперва догнали, а затем и обогнали по точности человека
Еще в 2012 году модель распознавания изображений с помощью ML существенно уступала по эффективности человеку. Но уже в 2015 году в рамках конкурса ImageNet модель впервые показала результат лучше, чем у человека. Ключом к успеху здесь стал прогресс в области глубокого обучения нейронных сетей (Deep Neural Networks).
…А теперь и генерируют изображения и тексты не хуже людей
В 2023 году продукты вроде ChatGPT и Stable Diffusion окончательно захватили внимание людей. Кто-то вне себя от восторга, а кто-то — от страха. Эти генеративные модели рисуют картины, пишут тексты и проходят экзамены на уровне лучших выпускников Стэнфорда.
Оцените скорость прогресса.
На графике ниже показаны результате GPT-3.5 и GPT-4 для разных экзаменов. По вертикальной оси показан процентиль среди тех, кто проходил тест. Другими словами, уже сейчас модель GPT-4 проходит большее количество тестов лучше большинства людей .
Стоимость обучения моделей падает
Технологии машинного обучения становятся все более доступными, так как стоимость обучения моделей стремительно снижается.
Из отчета OpenAI : объем вычислительной мощности, необходимой для обучения AI-модели в рамках одной и той же задачи, с 2012 года уменьшается в два раза каждые 16 месяцев.
Предполагается, что стоимость обучения модели уровня GPT-3 к 2030 году снизится до $30. Для сравнения: в 2022 году ее обучение стоило $450 000.
Появляется различная инфраструктура для применения ML к прикладным задачам
Сегодня доступно огромное количество инфраструктурных проектов, которые максимально упрощают применение машинного обучения. От AWS и Azure до Hugging Face и множества других инструментов. От инструментов для контроля версий данных и моделей до мониторинга качества данных и моделей в продакшене: DVC, EvidentlyAI, MLflow , WhyLabs, Arize .
Почему эти технологические прорывы влияют на роль продакт-менеджера
Как было раньше
Исторически сфера применимости компьютеров и алгоритмов была ограничена тем, какие есть в наличии оцифрованные данные и какие существуют методы работы с ними.
Как стало теперь
Только за последние несколько лет компьютеры научились видеть, говорить, писать и распознавать. Не просто научились, а вышли на такой уровень, где многие из этих задач они решают лучше людей.
Это расширяет сферу применимости технологий и алгоритмов.
У компьютеров появились способности для того, чтобы понимать окружающий мир. А значит — для разработчиков, предпринимателей и продакт-менеджеров открылось множество новых путей и возможностей для создания ценности и перепридумывания способов решения разных задач.
Прорывы в ML/AI создают огромный потенциал для продуктовых инноваций и для того, чтобы повышать эффективность решения задач в самых разных сферах деятельности (а именно в этом и заключается суть работы продакт-менеджера).
С высокой вероятностью именно эти технологии станут движущей силой в следующие 10–20 лет, что принципиально повлияет на роль продакт-менеджера.
Эра AI повлияет на продуктовую роль не меньше, чем эра мобильных устройств
Сложно обойтись без следующей аналогии, сравнивая степень значимости прорывов в ML/AI для продуктовых индустрий и продуктовых ролей.
В 2007 году мир увидел первый iPhone. За прошедшие годы смартфоны стали крупнейшей платформой, а их возможности стали драйвером для создания множества новых продуктов, перевернувших свои индустрии с ног на голову.
Разумеется, это повлияло на роль продакт-менеджера. Навыки работы с мобильными приложениями и интерфейсами стали важной частью роли. Это открыло путь в профессию для многих и многих новых людей, а также потребовало переобучения тех, кто работал продактом в «домобильные» времена.
Сегодняшние прорывы в технологиях машинного обучения и искусственного интеллекта станут еще один переломным моментом, подобным по своему значению.
Продакт-менеджеры и предприниматели, которые смогут первыми освоить и применить возможности ML/AI-технологий получат существенное конкурентное преимущество.
Почему мы так уверены в этом? Давайте обсудим.
Создание продуктов на основе ML/AI стало доступно всем
Обычно продуктовые инновации появляются с задержкой относительно фундаментальных научных и технологических прорывов.
Иными словами, нужно время (и иногда длительное время) для того, чтобы реализовать технологический потенциал во что-то практически применимое.
Искусственный интеллект был предметом исследований с 1950-х годов, но значительное влияние на продукты и услуги он начал оказывать только в 2010-х годах, спустя половину столетия.
Сегодня машинное обучение уже используется в широком спектре приложений: от рекомендательных систем до самоуправляющихся автомобилей. При этом технологии и необходимые вычислительные мощности доступны практически всем, кто готов прийти — и взять их.
Пример превращения технологической проблемы в продуктовую проблему
В 1999 году Джефф Безос подошел к решению задачи создания интернет-магазина. Для этого ему понадобилось привлечь финансирование, нанять дорогих технических специалистов, закупить серверы, решить множество других проблем.
Это было сложно и дорого. Дело в том, что одна из ключевых проблем для e-commerce в 1999 году лежала именно в технологической плоскости.
Но сегодня это не так. Можно открыть Shopify и запустить свой интернет-магазин практически мгновенно. Технологических барьеров больше нет. Теперь это бизнес-задача и продуктовая задача.
То же самое происходит сегодня и в сфере ML/AI. Технологические проблемы превращаются в продуктовые.
- Построение персональных рекомендаций — одна из наиболее распространенных и успешных областей применения ML в пользовательских сервисах. Сегодня рекомендации на основе ML используются повсеместно: новости, соцсети, стриминги, банки, e-commerce, путешествия, знакомства и так далее. Где-то рекомендации даже ложатся в основу бизнес-модели.
- Модели вроде DALL-E и Stable Diffusion появились в 2022 году. Команда Prisma Labs на основе этих моделей построила приложение Lensa (вы же еще помните стилизованные генеративные аватары почти всех своих друзей и коллег?). За несколько месяцев Lensa стало самым зарабатывающим продуктом в мире в App Store.
- OpenAI представила миру модель GPT-3 в 2020 году. Поверх этих моделей Copy.ai и Jasper построили миллиардные бизнесы, которые помогают компаниям в создании коммерческих текстов. Сама же OpenAI небольшой командой построила ChatGPT, который предположительно стал самым быстрорастущим продуктом в мире.
- По данным GitHub, запущенный поверх модели GPT-3 Copilot сегодня участвует в написании 46% кода и помогает разработчикам, которые используют эту технологию, писать код на 55% быстрее.
Подобные примеры можно приводить еще очень долго.
Словари-переводчики вроде Google Translate сегодня стали основными инструментами, а не вспомогательными, как это было в начале 2010-х.
Технологии распознавания лиц стали мейнстримом (FaceID в iPhone, биометрическая идентификация в банковских приложениях, распознавание документов, приложения вроде FaceApp, отметки людей на фотографиях в соцсетях). Даже в сфере дейтинга начали превалировать ML-алгоритмы для оптимального матчинга людей.
Крупнейшие продукты ринулись переизобретать или улучшать себя на основе новых технологий: новый поиск от Bing, интеграция умных ассистентов в продукты Microsoft и Google, функции саммаризации в Slack, множество новых фичей в Notion.
Технологический прогресс прошлых десятилетий в сфере ML дошел до состояния, когда его достаточно, чтобы команды (без глубокого погружения в саму технологию) могли создавать востребованные продукты для конечных пользователей массового рынка.
Продукты, которые будут вызывать восторг и удивление.
С чем бы сравнить ML/AI в 2023 году, чтобы стало совсем понятно?
Мы все еще в начале пути.
То, как применяются ML/AI-технологии сегодня, можно сравнить с приложением-фонариком в мобильную эру.
Но дальше нас ждет «новый Angry Birds», «новый WhatsApp», «новый Uber». Много новых продуктов, которые изменят наши представления о мире — и то, как мы с ним взаимодействуем.
Технологии продолжат улучшаться, создавая все больший задел для продуктовых инноваций. Это создаст огромный запрос на специалистов, кто такие возможности способен увидеть и реализовать.
Мы подготовили эту статью совместно с соавторами «Симулятора управления ML/AI-проектами» — Ириной Пименовой и Виталием Пименовым , которые более 10 лет работают в сфере ML-технологий.
В симуляторе вы научитесь строить продукты, оптимизировать процессы на основе технологий машинного обучения, приносить через эти технологии пользу бизнесу.
Если после прочтения этого материала вы готовы приступить к практическим действиям по реализации ML/AI-проекта, то переходите по ссылке, чтобы получить в нашем симуляторе необходимые знания и навыки.
Бесплатный тест навыков в управлении продуктом
Оцените свои навыки в управлении продуктом за один час
Симулятор управления продуктом на основе данных
Пройдите симулятор управления продуктом на основе данных
Симулятор управления ростом и масштабированием
Усильте знания и навыки в симуляторе управления ростом продукта
Симулятор SQL для продуктовой аналитики
Научитесь применять SQL в работе над продуктом и маркетингом
Новый симулятор управления ML/AI-проектами
Делимся новостями GoPractice и новыми материалами для профессионального развития в нашей почтовой рассылке и в телеграм-канале
Три термина в сфере AI, которые должны знать все бизнес-менеджеры
Разработки в области искусственного интеллекта (Artificial Intelligence — AI) — сегодня весьма горячая тема. Как показал недавний отчет MIT Sloan Management Review, почти 85% руководителей считают, что AI «позволит их компаниям обрести или поддерживать конкурентные преимущества».
Впрочем, до сих пор существует немало путаницы в терминологии и названиях программных приложений, которые применяют компании, даже в тех сферах, где AI занимает господствующие позиции. Нередко можно слышать, что бизнес-профессионалы используют AI и другие термины, такие как «машинное обучение» и «глубинное обучение», в качестве синонимов, хотя в действительности между ними существуют серьезные отличия.
AI — это следующая эра информационных технологий, и для бизнес-мира важно понять, как раскрыть его потенциал. На недавнем мероприятии в Facebook Live Роб Хай (Rob High), вице-президент и главный технический директор IBM Watson, и Эми Вебб (Amy Webb), профессор стратегического предвидения в Школе бизнеса NYU Stern School of Business и основатель института Future Today, пришли к выводу, что AI не является «серебряной пулей», и что реальная ценность технологии формируется путем индивидуального сочетания инструментов, предназначенных для решения конкретной бизнес-задачи.
Ставки для компаний, которые хотят инвестировать в AI, достаточно высокие, а недостаточное понимание в этой области может привести к неудачному внедрению и медленному возврату инвестиций. Итак, что же на самом деле означают все эти термины?
Искусственный интеллект
Научные исследования в области AI появились еще после Второй мировой войны, однако изначально технология взяла за цель имитации человеческого разума. В рамках исследований ученые пытались создать систему, которая бы могла последовать тому, как человек рассуждает, оценивает важность различных обстоятельств и делает внутренние выводы. Впоследствии исследователи поняли, что наш мозг гораздо сложнее, чем считалось ранее. И хотя люди в целом достаточно хорошо делают определенные вещи, есть задачи, выполнение которых им просто не под силу. Например, врач не может прочитать и проанализировать миллионы статей, опубликованных на платформе PubMed, так быстро, как это способна сделать система искусственного интеллекта. Цель технологий AI заключается в том, чтобы дополнить человеческие способности, а не скопировать или заменить их. Подобно тому, как строители используют бульдозеры и экскаваторы вместо простой кирки и лопаты, так и искусственный интеллект позволяет нам обрабатывать огромные объемы данных, открывать закономерности и принимать лучшие решения, основываясь на результатах анализа.
Конечная цель AI — это то, что мы можем назвать «расширенным интеллектом», который поможет вдохновить человека на использование систем анализа огромных объемов данных с целью генерации лучших идей и альтернативных решений. Кроме того, система поможет оценить наши когнитивные предубеждения с тех точек зрения, которые в противном случае мы бы могли и не увидеть.
Машинное обучение
Машинное обучение (Machine learning — ML) — алгоритмический метод, который существует уже много десятилетий. На базовом уровне ML способен прогнозировать тенденции или распознавать шаблоны в массиве данных при условии, что исследователи описали модель предыдущих образцов таких шаблонов. Например, если у вас есть ряд чисел, которые вы можете связать с каким-либо значительным процессом, и если этот шаблон ранее повторялся, вы можете научить алгоритмы ML распознавать такие шаблоны и потом использовать их для прогнозирования того, будет снова достигнут аналогичный результат.
Для компаний технология машинного обучения играет очень важную роль. Благодаря ML предприятия могут оценивать поведение покупателей, чтобы спрогнозировать их запросы в будущем. В результате бизнес-менеджеры получают возможность откорректировать в случае необходимости свою стратегию.
Компании применяют ML для решения самых разнообразных задач. Например, розничные магазины могут использовать машинное обучение в системах прогнозирования, которые должны учитывать как прошлые, так и текущие (с точностью до мелочей) рыночные тенденции. А финансовые сервисы задействуют системы рекомендаций продуктов на основе ML, учитывающие текущие процентные ставки и рыночные тенденции.
Глубинное обучение
Глубокое обучение (Deep learning — DL) — это наиболее инновационная технология в широком наборе алгоритмов машинного обучения. DL является алгоритмическим методом, что моделируется по принципу нервных структур в мозге человека. Этот термин иногда называют «нейронными сетями», потому что исследователи были вдохновлены синапсами и нейронами в человеческом мозге и механизмом, с помощью которого нейроны возбуждаются и заставляют синапсы собирать и распространять энергию этого нейрона.
Технология DL использует искусственные нейронные сети, чтобы резко увеличить количество сегментов данных, которые она способна обработать, включая неструктурированные изображения и звуки. Этот многомерный подход похож на то, как люди в реальности чувствуют мир. Благодаря обучению нейронных сетей и избранным наборам качественных данных, DL предлагает широкие перспективы для мощного анализа с использованием AI в различных отраслях.
Хотя искусственный интеллект использует алгоритмические методы ML и DL, важно помнить, что сам AI — гораздо более широкий термин. Ведь AI объединяет специфические формы алгоритмических методов для решения конкретной проблемы или выполнения поставленной задачи.
Не привязывайтесь к одной технологии: ищите оптимальную комбинацию
ML и DL доставляет много преимуществ, но бизнес не должен пытаться удовлетворить все свои проблемы только одной технологией. Реальная ценность заключается в индивидуальном сочетании этих инструментов. Например, если у продавца есть большой объем данных о автомобильный трафик, и менеджеры захотят экстраполировать информацию из этих данных для прогнозирования трафика в курортном сезоне, именно технология машинного обучения окажется наиболее полезной. Однако если тот же розничный продавец захочет сопоставить данные о трафике с типами погоды, более целостную картину предложит глубинное обучение.
Сервисы AI, предлагаемых IBM Watson, способны предоставить рекомендации, как именно следует использовать алгоритмы ML или DL. Инженеры этих сервисов уже выяснили, где наилучшим образом использовать методы ML, DL и другие методики, чтобы упростить для предприятий создание приложений AI, наиболее подходящих для их конкретных задач.
Исследуйте все нюансы. Искусственный интеллект поможет обновить метод ведения бизнеса, но только если руководители компаний найдут время, чтобы осознать все нюансы этих мощных технологий. И хотя хорошее понимание AI, ML и DL является важным шагом в правильном направлении, это только начало путешествия. Работникам, ответственным за принятие решений, понадобится время, чтобы подумать о том, как AI может помочь им в фундаментальном переосмыслении и оптимизации своего бизнеса.
Компании, которые считают, что могут еще подождать и посмотреть, что будет дальше, окажутся в невыгодном положении. Помните, что даже если вы не готовитесь к внедрению AI, ваши конкуренты уже делают это. Искусственный интеллект — не какая-то далекая перспектива, он актуален и сегодня.
Подборка полезных Al-проектов для бизнеса: что нейросети могут делать компаниям уже сейчас
В декабре 2022 года за неделю существования проект ChatGPT , разработанный компанией OpenAl, получил 1 миллион пользователей. Аудитория новой технологии продолжает расти, а задачи, с которыми может справиться нейросеть , усложняются. Теперь искусственный интеллект даже пишет бизнес-планы. Помимо ChatGPT есть и другие Al-проекты, способные упростить работу бизнеса. Основатель и владелец разработчика крупных IT-решений «Неотех» Феликс Хачатрян поделился с «Про бизнес» подборкой доступных сервисов, которые смогут помочь вашей компании.
Что такое Al-проекты
AI (от англ. « artificial intelligence ») — это искусственный интеллект , способной имитировать поведение человека и выполнять сложные задачи. Al-проекты способны анализировать информацию, обучаться на полученном ранее опыте, а также проявлять творческие способности.
Подмножеством искусственного интеллекта являются нейросети . Это математическая модель, работа которой основана на искусственных нейронах. Их используют для выявления закономерностей в данных, прогнозирования и принятия решений.
Например, определить целевую аудиторию или спрогнозировать стоимость акций компании.
По исследованиям McKinsey & Company 60% финтех-компаний уже в 2020 году использовали в работе Al-проекты. И с каждым днем вслед за IT-гигантами искусственный интеллект внедряют все больше представителей малого и среднего бизнеса. Делюсь сервисами, которые могут помочь вам в оптимизации бизнес-процессов.
Rationale Al
Rationale Al — это искусственный интеллект , помогающий владельцам бизнеса, менеджерам и частным лицам принимать трудные решения.
Как помогает бизнесу:
Алгоритмы GPT и контекстного обучения перечислят плюсы и минусы каждого решения компании, проведут многокритериальный, причинно-следственный и SWOT-анализ, чтобы помочь руководителю взвесить варианты.
Цена:
$ 0 в месяц — Тариф Free: 60 кредитов, 1 решение, 1 человек.
$ 9.99 в месяц — Тариф Lite: 100 кредитов, несколько запросов, 3 человека.
$ 40 в месяц — Тариф Standard: 500 кредитов, умеренное количество запросов, 10 человек.
$ 100 в месяц — Тариф Max: 2000 кредитов, наиболее полный доступ к сервису, 50 человек.
ExcelFormulaBot
ExcelFormulaBot — это сервис для преобразования текстовых инструкций в Excel-формулы.
Как помогает бизнесу:
ExcelFormulaBot можно интегрировать в Google Sheets или Excel, где сервис поможет компании за секунды преобразовать текстовый запрос в Excel-формулу или при необходимости объяснит формулу текстом.
Также можно переводить текстовые инструкции в язык программирования Microsoft Office VBA или в SQL-запросы с возможностью создания, просмотра и объединения нескольких таблиц. Это поможет компании работать с базами данных и тем самым сэкономит их время.
Цена:
$ 0 в месяц — Тариф Free: 5 формул.
$ 7 в месяц — Тариф Premium: неограниченное количество формул.
$ 63 в месяц — Тариф Business: неограниченное количество формул, 5+ пользователей.
⇒ Как искусственный интеллект определяет будущее компании? Где и как использовать AI в ближайшие годы? 27 апреля 2023 эта тема станет одной из ключевых на HI-TECH FORUM: EVOLUTION, самой большой конференции «Про бизнес».
Заряди свой бизнес силой HI-TECH!
OtterPilot
OtterPilot — это сервис для проведения онлайн-собраний.
Как помогает бизнесу:
Сервис записывает встречи в режиме реального времени. Также он автоматически преобразовывает собрания на английском в текстовый формат. Однако и для пользователей, говорящих на других языках, можно найти полезные функции. Например, оставляйте комментарии, выделяйте ключевые моменты и назначайте задачи прямо во время звонка в команде с коллегами.
Otter Assistant присоединяется к Zoom , Microsoft Teams и Google Meet для того, чтобы делать заметки и обмениваться ими, даже если у сотрудника не получается присутствовать на собрании. Также система прикрепляет слайды к нужным частям записей, чтобы все погрузились в контекст выступления.
Цена:
$ 0 — Тариф Basic: 300 минут транскрипции, 30 минут на разговор.
$ 8 в месяц — Тариф Pro: 1200 минут транскрипции, 90 минут на разговор.
$ 20 в месяц — Тариф Business: 6000 минут транскрипции, 4 часа на разговор.
Индивидуальный расчёт — Тариф Enterprise: 6000 минут транскрипции, 4 часа на разговор, единый вход для компании, дополнительные способы оплаты.
WordTune
WordTune — это сервис, который форматирует текст и приводит его к четкому, убедительному и аутентичному виду.
Как помогает бизнесу:
Ключевыми функциями WordTune являются изменение тона вашего текста с обычного на официальный, а также расширение или сокращение объема текста. Сервис может перевести текст с русского на английский, а затем редактировать полученный вариант.
Цена:
$ 0 — Тариф Free: 10 запросов в день на рерайт, изменение тона письма, изменение объема текста.
$ 9,99 в месяц — Тариф Premium: неограниченное количество запросов, можно делать рерайт абзацев, премиальная поддержка.
Индивидуальный расчёт — Тариф Premium for Teams: неограниченное количество запросов, можно платить как команда.
BetaTome
BetaTome — это сервис, который с помощью искусственного интеллекта создаёт презентации с нуля.
Как помогает бизнесу:
BetaTome создает презентации и другие формы контента по запросу компании. Сгенерированный нейросетью результат можно скорректировать по своему вкусу и получить качественный результат за пару кликов. Тем самым ваша компания сэкономит время на поиске изображений, оформлении слайдов и написании текстов для них.
Цена: бесплатный сервис, кредиты можно получить за приглашение друга по реферальной ссылке.
Notion Al
Notion AI — это сервис для генерации текстов .
Как помогает бизнесу:
Notion Al способен набрейнштормить идеи для компании, придумать с нуля рассказ, а еще написать пресс-релиз для СМИ или пост в ее социальные сети. С помощью таких сервисов бренды могут делать промо-проекты, например, как сервис Халва совместно с сервисом Барт поздравил пользователей с 8 марта.
Цена:
$ 0 — Тариф Free: ограниченное количество ответов.
$ 10 в месяц — Тариф Notion Al: неограниченное количество ответов, черновики, доступ ко всем заметкам, документам и проектам, текстовый редактор с перетаскиванием.
ai2sql.io
ai2sql.io — это инструмент, который автоматически создает SQL-запросы (Structured Query Language) из обычного текстового описания.
Как помогает бизнесу:
С помощью сервиса SQL-запросы может писать даже сотрудник и без технических навыков, тем самым экономя рабочее время инженеров и разработчиков.
Цена:
$ 0 — Тариф Free: ограниченный функционал.
$ 7 в месяц — Тариф Start: 100 SQL-запросов в месяц, добавление до 10 столов.
$ 17 в месяц — Тариф Pro: 300 SQL-запросов в месяц, добавление до 50 столов.
Вывод
Искусственный интеллект с каждым днем становится более доступным для компаний. Использование Al-проектов выделит вас из конкурентного рынка и поможет оптимизировать внутренние бизнес-процессы. Также искусственный интеллект способен увеличить лояльность ваших потребителей, дать рациональное решение вашей проблеме и придумать креатив.