Центр компетенций
ИИ-проекты: специфика, барьеры и принципы
Что нужно заложить в ИИ-решение уже на стадии проектирования? Стоит ли встраивать ИИ-компоненты в развёрнутые бизнес-процессы? Что учесть при встраивании ИИ в бизнес-приложения, чтобы не ухудшились их свойства? Рассказывает Дмитрий Архипов, руководитель управления технологического развития Айсорс.
ИИ-проекты: специфика, барьеры и принципы
Что нужно заложить в ИИ-решение уже на стадии проектирования? Стоит ли встраивать ИИ-компоненты в развёрнутые бизнес-процессы? Что учесть при встраивании ИИ в бизнес-приложения, чтобы не ухудшились их свойства? Рассказывает Дмитрий Архипов, руководитель управления технологического развития Айсорс.
Сегодня многие предприятия реализуют пилотные проекты с ИИ, чтобы оценить возможности разных продуктов. Между пилотным внедрением и масштабированием с последующей промышленной эксплуатацией в границах всего предприятия большой путь. Как правило, пилотный проект реализуется небольшой командой за 1-2 недели, сотрудники с удовольствием используют внедрённую модель в корпоративном периметре. Однако при дальнейшем масштабировании возникают вопросы, связанные с инфраструктурой, безопасностью, поддержкой, экономическим обоснованием, развитием моделей.
По данным свежих исследований, сотрудники и работодатели положительно относятся к применению ИИ-инструментов в работе — 63%, при этом 20% компаний уже имеют регламенты по работе с ИИ, а 11% компаний сообщают о массовом запросе сотрудников на системное обучение ИИ-навыкам.
У ИИ-проектов есть принципиальная специфика
Качество зависит не только от кода продукта или системы, но и от данных, модели, контекста применения, регулярности и интерпретации обратной связи пользователей. Поэтому успешный пилот ещё не доказывает готовность к промышленной эксплуатации.
При масштабировании основные барьеры: неподготовленность или недоступность данных, нестабильность качества, дефицит вычислительных ресурсов, интеграция с корпоративным ландшафтом, требования ИБ, экономика пилота не переносится на масштаб. То есть для успешного внедрения и масштабирования ИИ следует закрыть долги по цифровизации своих процессов и управлению данными.
Масштабировать следует не сам пилот, а воспроизводимый конвейер отбора, внедрения и сопровождения ИИ-сценариев. Тут помогает продуктовый подход: с владельцем, целевыми метриками, модульной архитектурой, управлением версиями моделей и промптов, мониторингом качества и стоимости, журналированием действий, разграничением доступа и возможностью безопасного отката. Обязательно наличие бизнес-владельца и готовность изменить сам процесс.
Решать эту задачу в два этапа
Первый этап можно назвать «ИИ поверх систем и данных». Он предполагает создание ИИ-слоя над корпоративными системами. То есть ИИ не получает неконтролируемого прямого доступа к базам данных, а работает через управляемые сервисы, API и механизмы разграничения доступа.
Наибольший эффект ИИ даёт там, где человеку приходится интерпретировать неструктурированные данные или принимать типовые решения. Например, в прогнозировании спроса и отказов, планировании производства, обработке документов, поддержке клиентов, продажах, закупках и управлении знаниями.
Ключевой принцип: ИИ должен предлагать, объяснять и выполнять действия в пределах заданных полномочий, а критичные операции – оставлять под контролем человека и бизнес-правил.
Дополняем это инструментами управления доступами, контроля качества, журналирования, версионирования. И в начале пути обязательно не забываем про резервный сценарий без ИИ.
Второй этап можно назвать «ИИ-native процессы». Существующие корпоративные системы проектировались с одним архитектурным ограничением: пользователь – обязательный участник процесса, который инициирует, интерпретирует и подтверждает значительную часть операций.
Качество зависит не только от кода продукта или системы, но и от данных, модели, контекста применения, регулярности и интерпретации обратной связи пользователей. Поэтому успешный пилот ещё не доказывает готовность к промышленной эксплуатации.
При масштабировании основные барьеры: неподготовленность или недоступность данных, нестабильность качества, дефицит вычислительных ресурсов, интеграция с корпоративным ландшафтом, требования ИБ, экономика пилота не переносится на масштаб. То есть для успешного внедрения и масштабирования ИИ следует закрыть долги по цифровизации своих процессов и управлению данными.
Масштабировать следует не сам пилот, а воспроизводимый конвейер отбора, внедрения и сопровождения ИИ-сценариев. Тут помогает продуктовый подход: с владельцем, целевыми метриками, модульной архитектурой, управлением версиями моделей и промптов, мониторингом качества и стоимости, журналированием действий, разграничением доступа и возможностью безопасного отката. Обязательно наличие бизнес-владельца и готовность изменить сам процесс.
Решать эту задачу в два этапа
Первый этап можно назвать «ИИ поверх систем и данных». Он предполагает создание ИИ-слоя над корпоративными системами. То есть ИИ не получает неконтролируемого прямого доступа к базам данных, а работает через управляемые сервисы, API и механизмы разграничения доступа.
Наибольший эффект ИИ даёт там, где человеку приходится интерпретировать неструктурированные данные или принимать типовые решения. Например, в прогнозировании спроса и отказов, планировании производства, обработке документов, поддержке клиентов, продажах, закупках и управлении знаниями.
Ключевой принцип: ИИ должен предлагать, объяснять и выполнять действия в пределах заданных полномочий, а критичные операции – оставлять под контролем человека и бизнес-правил.
Дополняем это инструментами управления доступами, контроля качества, журналирования, версионирования. И в начале пути обязательно не забываем про резервный сценарий без ИИ.
Второй этап можно назвать «ИИ-native процессы». Существующие корпоративные системы проектировались с одним архитектурным ограничением: пользователь – обязательный участник процесса, который инициирует, интерпретирует и подтверждает значительную часть операций.
По данным последних исследований, контроль за использованием ИИ в бизнесе сегодня довольно мягкий. Только у 20% компаний есть регламенты, 9% передали вопрос на усмотрение отделов, а 71% позволили специалистам самостоятельно определять, как использовать ИИ-инструменты.
Если вы хотите получить максимум эффекта от ИИ, новые процессы или пересмотр текущих нужно осуществлять без этого ограничения, фокусируясь на целях, метриках процесса и входных данных, как если бы у вас был greenfield, без требований вида «это должно быть в ERP».
По сути, вы проектируете новые сквозные процессы независимо от границ legacy-систем, постепенно заменяя или обходя их элементы там, где это оправдано эффектом. Итерационно в итоге вы пересоберёте свой корпоративный ландшафт, основываясь на новых принципах.
Изменится роль пользователя
Теперь пользователь задаёт цели и ограничения, контролирует отклонения и разбирает исключения.
Конечно, это требует больших затрат, но это эффекты могут это окупить, а ИИ-инструменты уже начинают снижать стоимость разработки, интеграции и сопровождения, но не отменяют сложности трансформации данных, архитектуры и процессов.
По сути, вы проектируете новые сквозные процессы независимо от границ legacy-систем, постепенно заменяя или обходя их элементы там, где это оправдано эффектом. Итерационно в итоге вы пересоберёте свой корпоративный ландшафт, основываясь на новых принципах.
Изменится роль пользователя
Теперь пользователь задаёт цели и ограничения, контролирует отклонения и разбирает исключения.
Конечно, это требует больших затрат, но это эффекты могут это окупить, а ИИ-инструменты уже начинают снижать стоимость разработки, интеграции и сопровождения, но не отменяют сложности трансформации данных, архитектуры и процессов.