Алексей Белкин – партнер McKinsey & Company
Для того чтобы «большие данные» давали эффект, а не сеяли хаос в компании, нужно отделять мифы об искусственном интеллекте от реальных достижений в этой области.
Машинное зрение и анализ изображений
Что это? Сбор данных с использованием камер и анализа их работы – одна из самых быстроразвивающихся технологий. Ее плюс в том, что камеры избавлены от ошибок, которые делают люди, и способны фиксировать то, что для людей недоступно, например инфракрасное излучение.
Отрасли и применение. Объем информации, который вы можете получить от сенсоров и камер в рамках проектов по машинному зрению, превышает аналогичные показатели в классических проектах в миллиарды раз. Например, в горнорудной сфере анализ данных с камер в режиме реального времени с помощью машинного зрения помогает увеличить выработку, давая рекомендации по изменению направления разработки шахты. Обеспечение безопасности во многих отраслях бизнеса, где камеры отслеживают перемещения и выдают предупреждающие сигналы при возникновении угроз, тоже работает уже сейчас.
Проблемные зоны. В страховом бизнесе пока для предъявления требования по-прежнему необходимо заполнять формы и звонить в колл-центр, хотя фото или видео аварии с камеры наблюдения, в отличие от человека, не способно солгать. Поэтому в страховом деле для полного перехода на цифровую модель еще потребуется время. Кроме того, проблемы связаны не с технологиями, а с кадрами. Специалисты, умеющие использовать анализ изображений с пользой для вашего бизнеса, пока в дефиците. Но этот дефицит преодолевается.
Машинное обучение
Что это? Ажиотаж вокруг машинного обучения слишком велик, и это пугает. Хотя концепция очень проста. Машинное обучение – чистая статистика: когда алгоритмы решают задачу, они прогнозируют ответ на вопрос. Машинное обучение предполагает проверку соответствия прогноза тому, что реально произошло, и корректирует алгоритмы, тем самым повышая точность прогнозирования.
Отрасли и применение. Например, банки, где вопросом может быть: «Какова вероятность того, что клиент не выплатит ипотеку?»
Проблемные зоны. Машинное обучение полезно, только когда вы сочетаете его с человеческим выбором. Сама, в одиночку, машина ничему не научится. Поэтому ожидать, что приехавшее за вами завтра такси будет беспилотным, преждевременно. Барьеры для машинного обучения – в голове у людей, которые считают, что машина и сама рано или поздно всему научится и принять решение способна самостоятельно. Машинное обучение – это дуэт человека и машины, а не просто машина.
Виртуальные цифровые помощники
Что это? В разных ситуациях и с использованием разных каналов – по телефону, видео, интернету и т.д. – вам помогает не человек, а специализированная программа, реагирующая на поступающую информацию.
Отрасли и применение. Бизнесы, где актуальна запись. Например, недавно Google сделал демонстрацию того, как виртуальный помощник записал клиента на обслуживание. С тем же успехом решение можно применить в парикмахерских, салонах красоты, клиниках.
Проблемные зоны. Несмотря на весь ажиотаж, пока виртуальные цифровые помощники все еще очень примитивны. Но по мере совершенствования вычислительных ресурсов, программных технологий и сопутствующей инфраструктуры они неминуемо будут развиваться. Когда с ними можно будет полноценно общаться, многие аспекты организации работы компаний изменятся кардинально, причем во многих сферах: от контроля качества на заводе до офисного персонала, занятого проверкой отчетов.
Роботы
Что это? Не следует путать программных роботов, умеющих анализировать текст, распознавать изображения, составлять письма, и роботов, которые вот уже 30 лет применяются в автомобилестроении. Там они уже используются для выполнения повторяющихся операций и не умеют учиться.
Отрасли и применение. В течение следующих 3-4 лет большинство колл-центров перейдет на использование программных роботов, способных корректировать свои действия, обучаясь на собственных ошибках. Некоторые организации прогнозируют повышение эффективности на 50-60%.
Проблемные зоны. Когда возможности помощников, которые сейчас разнесены по разным типам решений, объединятся с помощью программных средств, это позволит значительно усовершенствовать повторяющиеся задачи, выполняемые людьми, за которыми неминуемо останется функция оценки и выбора. Без этого никуда.
Распознавание и анализ голоса
Что это? Голосовая аналитика – еще одна очень быстро развивающаяся технология, способная переводить аудио в текст и анализировать его в режиме реального времени.
Отрасли и применение. Во многих колл-центрах США и Европы при вашем звонке система фиксирует разговор, переводит его в текст и анализирует. В некоторых случаях также фиксируется передаваемая через «голосовой отпечаток» тональность. В результате если клиент звонит в колл-центр и говорит, что не согласен с выставленным счетом, по поводу которого он звонит уже в третий раз, система фиксирует «не согласен», «счет» и «третий раз звоню». Ваше недовольство зафиксировано, ваш звонок перемещают в начало очереди или сразу соединяют вас с бэк-офисом.
Проблемные зоны. Не замечены. Уже сейчас голосовая аналитика имеет тысячи применений, и их число быстро растет. В сочетании с анализом изображений и сенсорами она становится частью повседневной жизни вне зависимости от того, в каком сегменте рынка работает ваша организация. Практически наверняка голосовая аналитика будет для вас очень актуальна как при взаимодействии с клиентом, так и внутри компании.
Видеоаналитика
Что это? Объединение звука и изображения и их одновременное использование для целей анализа. Фактически это анализ изображений в сочетании с голосовой аналитикой.
Отрасли и применение. На видеоаналитике, например, основано направление, занимающееся повышением эффективности групповой работы. С помощью видеоаналитики можно оптимизировать состав команды, процесс совместной работы, взаимодействие людей между собой, оценить результаты их работы. Видеоаналитика способна помочь максимально реализовать потенциал команд, вне зависимости от того, чем они занимаются – НИОКР или продажами.
Проблемные зоны. Пока не выявлены. Не исключено, что причина – молодость направления.
С чего начать?
Какими должны быть первые шаги руководителя, который хочет разобраться в новых технологиях и поставить цифровые инструменты на службу своему бизнесу?
Проект по внедрению в компании новых технологий должен исходить из целей бизнеса, включать приоритизацию задач и последовательность их решения, привлечение новых специалистов и программ обучения персонала. По мере появления в организации успешных бизнес-кейсов, их обсуждения, проработки и масштабирования в компании сформируется критическая масса навыков и опыта, делающая процесс перемен необратимым. Обычно это занимает около 18 месяцев.
Первое и главное – самообразование. Собрать управленческую команду. Потратить день-два, чтобы изучить, что собой представляет настоящая углубленная аналитика и ее возможности. Новые методы должны быть поняты прежде всего на уровне высшего руководства.
Второй шаг – выявить точки создания полезной стоимости. Определить «места силы» – возможности, которые открывает углубленная аналитика. Главный вопрос – каков потенциал создания полезной стоимости и по каким направлениям? Насколько можно повысить эффективность работы персонала? Как цифровизация усилит прогнозирование потребностей компании? Как технологии способны оптимизировать поставки? Насколько могут улучшиться операционная деятельность и ценообразование?
Третий шаг – решение задачи с точки зрения кадров. Потому что основная проблема на этапе реализации – это менталитет персонала и отсутствие в организации достаточного количества нужных специалистов. Ответом на проблему практически наверняка будет привлечение специалистов со стороны.
Кто впереди?
Главные направления разработок в области искусственного интеллекта развиваются волнами, которые набегают друг на друга.
Первая волна – использование существующих данных для принятия решений на базе чистой аналитики. Сегодня значительная часть углубленной аналитики представляет именно эту категорию. Мы в середине первой волны.
Вторая волна – сочетание машинного зрения и анализа изображений, голосовой аналитики с машинным обучением. На фоне возрастающего потока вносимых данных машина постепенно становится полноценным участником процесса взаимодействия, диалога с аналитиком или пользователем. Сейчас мы в начале этой волны.
Третья волна – перенос технологий ИИ в физический мир, появление роботов. Например, когда вы идете в супермаркет, робот делает вам сэндвич и кофе, несет ваши пакеты. Эта волна еще находится в зародыше.
В чем проблема?
Технологические ограничения при внедрении цифровых технологий в бизнес не так значимы, как кадровые, организационные и психологические.
Проблема, которая мешает реализовать потенциал новых технологических решений, на 75% связана со специалистами, менталитетом и организационными изменениями, необходимыми для поддержки инноваций. Это показал специальный проведенный McKinsey опрос владельцев и руководителей, компании которых находятся в процессе цифровой трансформации.
Технологические ограничения волнуют топ-менеджеров значительно реже. Только один из каждых четырех опрошенных указал на недостаток машинных мощностей для решения задач, требующих просчета больших массивов данных, например при создании виртуальных помощников или физических роботов. Особенно критичны возможности больших компьютеров при работе с «большими данными» в режиме реального времени.
Еще меньшее число управленцев назвало в качестве проблемных вопросы безопасности и технологий, позволяющих создавать продвинутую робототехнику. При этом большинство отмечает, что развитие технологий идет небывалыми темпами – каждые 2-3 года происходит технологический рывок, увеличивающий возможности на несколько порядков.
Не делайте этого
Наиболее типичные ошибки, которые совершают руководители и их компании на пути цифровой трансформации.
Во-первых, не следует централизовать аналитические навыки в рамках одной продвинутой команды и ждать, что ваша организация будет их впитывать. Такой подход, к сожалению, не работает. Угадайте, что произойдет, если специалисты по обработке и анализе данных подойдут к менеджеру с 30-летним опытом работы в компании и скажут: «Вот модель – применяйте»? Вероятность того, что модель будет использована по назначению, минимальна. В то же время не следует ударяться в другую крайность. Практика внедрений показывает, что не нужно создавать хаос, в котором каждый сотрудник компании может экспериментировать с углубленной аналитикой без учета общих для организации методов и протоколов. Подобный подход способен только создать новые сложности, которые непросто преодолеть. Залог успеха – в правильном балансе между порядком и свободой в рамках бизнес-единиц на основе единого корпоративного методического стандарта.
Обычно в организациях, которые гордятся своими проектами в области внутрикорпоративной цифровизации, существует несколько центров передового опыта, которые обучают новым навыкам множество своих сотрудников. При этом лаборатории Agile, определяющие варианты использования аналитики, с организационной точки зрения должны работать внутри бизнес-направлений.
Во-вторых, точно определите место и роль новых цифровых специалистов в компании. Специалист по обработке и анализу данных – кто это и чем он занят? А инженер по работе с данными? А архитектор данных? А так называемый «переводчик» (координатор)? Иначе не получится встроить их в организацию и ее процессы. Если у вас нет четкого видения функций членов цифровой команды и их места в корпоративной иерархии, велика вероятность их относительно быстрого ухода. Вы должны обеспечить высоковостребованным на рынке профессионалам достаточную мотивацию – ясный план развития карьеры, систему повышения квалификации и сертификации, чтобы у них был стимул. К сожалению, эту простую истину понимают далеко не везде.
В-третьих, управленцы должны отдавать себе отчет в том, что создание стоимости – это не только математическая обработка и анализ данных. Наибольший потенциал связан с уже работающими у вас сотрудниками, которые могут перевести накопленные знания в информацию, которая затем моделируется специалистами по технологиям. Драйверы перемен – 10-15% лучших сотрудников, которых нужно обучить в процессе работы. В том числе навыкам «переводчиков», которые дадут возможность добиться масштабного использования аналитики для целей бизнеса.
Когда российские клиенты начинают внедрение углубленной аналитики, они часто забывают о важности кадрового потенциала и организационных изменений. Как показывает наш опыт, именно эти факторы являются сдерживающими при получении практической пользы от технологий машинного обучения. Конкретный выбор механизма построения моделей и их точность – это не более 10-20% от успеха проекта. Способность и желание организации использовать новые продвинутые инструменты в ежедневной работе весят гораздо больше.
