ENG
Извлекать стабильную предсказуемую выгоду от применения искусственного интеллекта (ИИ) на постоянной основе бизнес сможет только после систематизации этого направления. Это не только неотъемлемая часть масштабирования ИИ-практики для бизнеса, но и залог роста. Компаниям не следует ждать, что отрасль или регуляторы возьмут стандартизацию на себя, им необходимо взять процесс в свои руки.
Не тот подход — не тот масштаб
Искусственный интеллект (ИИ) стал высокоприоритетным направлением — бизнес на мировом уровне потратил на ИИ-решения около $306 млрд за последние три года. В теории эти инвестиции могут приносить трёхкратную отдачу. Однако пока многие компании не достигают ожидаемых результатов.
Главная причина — неспособность бизнеса к эффективному масштабированию ИИ-решений. Это происходит в том числе из-за недостаточной стандартизации ИИ. Проведем аналогию из, например, строительства. Мы понимаем, что архитекторы, укладчики кирпича, электрики и другие профессионалы в области строительства знают, как построить дом каждый на своем этапе. Они прошли обучение, понимают свою роль, знакомы со стандартами безопасности, которым необходимо следовать. Маловероятно, что кто-то в здравом уме доверит проектирование дома архитектору-любителю, а его строительство — группе случайных людей. При этом одно дело, если вы хотите построить, например, элеватор, а другое — многоквартирный дом, для разных типов объектов потребуются специалисты с разным опытом и знаниями.
Так же должно быть с ИИ — только формализовав направление через ввод общего набора норм, стандартов и базовых принципов, можно избежать недооценки или переоценки возможностей технологии применительно к бизнес-задачам, неверной интерпретации заданий, а также просчетов по срокам и финансированию проектов. Поскольку ИИ-технологии развиваются слишком быстро, правительства и регулирующие органы не успевают проводить отраслевые реформы и внедрять стандарты. Таким образом, организациям необходимо взять задачу профессионализации в свои руки.
Время пришло
Accenture провел исследование среди компаний, которые успешно масштабируют ИИ в рамках общей стратегии по развитию бизнеса — их называют strategic scalers. Они применяют тактику стандартизации направления ИИ и междисциплинарных команд. Такой подход позволяет в 1,5–2,5 раза чаще создавать эффективные проектные и продуктовые ИИ-команды, включая обучение и четкое распределение ответственности между участниками.
92% компаний, которые успешно масштабируют ИИ, используют междисциплинарные команды в рамках всей организации. 72% из них утверждают, что их сотрудники полностью понимают, как искусственный интеллект уже применяется или может применяться к задачам в рамках их ролей. Strategic scalers в своей практике быстро устраняют избыточные обязанности и уточняют границы ответственности как внутри, так и в целом в практике сосуществования ИИ-команд внутри компании.
Сочетание и соотношение ролей в таких командах будет зависеть от конкретных кейсов и проектов. Использование опыта партнеров и/или разработка плана того, как должны работать и развиваться команды, поможет становлению этого процесса как стандартизированного и прозрачного для компании. Но одна вещь остается ключевой для всех проектов — нужно с самого начала определить ответственность и зафиксировать ожидания.
Обязательное ИИ-образование и тотальная ИИ-грамотность
Организации инвестируют в обучение ИИ, но, как правило, в реальном мире многие из внутренних специалистов все равно не будут иметь нужной подготовки и квалификации для эффективной работы с искусственным интеллектом. Организациям важно установить требования к образованию, компетенциям и обучению для сотрудников, участвующих в проектах ИИ.
При этом компании, успешно масштабирующие ИИ, опираются на кадры с правильным сочетанием навыков и квалификаций как в области бизнеса, ИТ и управления данными, так и в ИИ. Так, 70% компаний профиля strategic scaler утверждают, что их сотрудники прошли формальное обучение в области ИИ и работе с данными.
Сегодня бизнес часто комплектует ИИ-команды без формализации требований к уровню подготовки и навыкам, не прорабатывая классификацию основных видов задач и подходов к их выполнению. Даже среди дипломированных или сертифицированных специалистов в области ИИ существуют различные охват и уровни владения как практическими навыками и инструментарием, так и с точки зрения понимания особенностей конкретного бизнеса.
При наборе новых талантов компании часто используют технический скрининг кандидатов, чтобы оценить необходимый уровень знаний для выполнения той или иной роли. Чтобы иметь возможность дать участникам ИИ-команд больше ответственности и самостоятельности, понимать актуальную ситуацию практики ИИ, организации должны проводить регулярные оценочные мероприятия на протяжении карьеры сотрудника, чтобы проверить актуальность знаний и планировать развитие.
Несмотря на безусловный рост инвестиций в ИИ, достижение истинного профессионализма в этой сфере будет зависеть от обеспечения тотальной ИИ-грамотности в масштабах всей организации.
ИИ‑dream team
Другой характерный вызов — неспособность построить эффективную междисциплинарную команду. Реальная бизнес-ценность ИИ может быть реализована, только когда специалисты по аналитике, данным и искусственному интеллекту работают рука об руку с бизнес-коллегами. Идеальная команда должна выглядеть так:
- владелец продукта (Product Owner), тот, кто «шкурой» отвечает за продуктовые метрики и является единой точкой входа для получения требований и обратной связи от бизнеса;
- эксперт-методолог предметной области, который отлично понимает, как функционирует существующий бизнес-процесс и, в идеале, поддерживает знания о том, как в других компаниях решают схожие задачи;
- бизнес-аналитик, который корректно оформит кейс — переложит документацию, гипотезы, описания и ограничения в язык требований к ИИ-продукту;
- аналитик данных / дата-сайнтист, который может провести широкий спектр аналитических манипуляций от визуальной аналитики до выявления сложных скрытых закономерностей, чтобы генерировать гипотезы и строить MVP для их проверки; одним из направлений компетенций для таких специалистов является data storytelling — умение пошагово превращать данные и результаты анализа в понятные бизнесу инсайты;
- инженер данных (Data Engineer), который поможет аналитику и дата-сайентисту подготовить данные, например объединить из разных источников, преобразовать в единый формат; опыт показывает, что эта роль должна быть самостоятельной, так как дата-сайентист неэффективен в ее реализации;
- парт-тайм архитектор данных (Data Architect) и представитель дата-офиса (Data Steward), которые смогут оперативно дать сводку по доступности и качеству данных, ограничениях и требованиях тестового и продуктивного контуров, включая информационную безопасность, облачную и другую инфраструктуру, процессы DevSecOps / DataOps / MLOps, чтобы уже на ранних стадиях корректно оценить достижимость и уточнить возможные риски и эффекты.
Исходя из приведенных ролей, видно, что в компаниях таких команд много быть не может — эти специалисты всегда нарасхват. Реалии таковы, что бизнес хочет увидеть эффект до того, как выделит ресурсы на такую команду. Такие команды должны руководствоваться едиными стандартами и правилами. Если работа организована по единым принципам, она выполняется оптимально и масштабируется, а также может быть быстро перепрофилирована на решение новых задач, проверку новых гипотез. Часть специалистов утверждает, что формализованные процессы могут задушить инновации; исследования Accenture показали обратное.
В профессиональных компаниях существует стандартный подход к тестированию и бенчмаркингу при создании и развитии продуктов и услуг. Независимо от того, создает ли компания интеллектуальные устройства или модель машинного обучения для улучшения клиентского опыта онлайн-ретейла, наличие системы и процессов для поддержки разработки ИИ-продукта позволяет сотрудникам внедрять инновации предсказуемым и эффективным образом.
Например, всегда нужна формализованная процедура для переноса на продуктивную среду исполнения программного кода. Другой характерный пример, когда data scientist передает инженерам данных плохо структурированный и недокументированный код, который надо, предположим, перенести из Python на SCALA для поставки на продуктив.
На практике стандарты в области ИИ-разработки затрагивают требования к шаблонам, правила логирования и мониторинга, юнит-тесты, контроль версий кода, данных, используемых версий библиотек и многое другое.
В России и мире
В России в сфере ИИ-разработки отмечается хорошая относительно других стран ситуация с точки зрения компетенций специалистов по машинному обучению и искусственному интеллекту. Сама тематика присутствует в повестке корпораций и на государственном уровне. Функционируют и развиваются выделенные корпоративные лаборатории ИИ, происходит промышленное встраивание ИИ-решений в небольшое пока число бизнес-процессов.
Лучше всего ситуация обстоит в технологических компаниях, электронной коммерции и ритейле, многое делается в телекомах и банках. В этих индустриях уже формируется видение развития с интегрированной ИИ-командой в корпоративной структуре. В реальном секторе экономики еще предстоит большой путь, хотя один из успешных российских примеров в моей практике относится к компании из нефтегазовой отрасли.
Один из максимально успешных промышленных подходов к комплексной трансформации на основе продвинутой аналитики я наблюдал в банковском секторе. Международная банковская группа инвестировала в единую технологическую платформу продвинутой аналитики и онлайн-коллаборации, а также почти одновременно запустила международное Data Science-сообщество. Вместе с фиксацией междисциплинарных продуктовых команд с указанными выше ролями эти шаги позволили за первые полгода запустить в продуктив порядка 10 ИИ-кейсов и начать детальную проработку еще 20.
Важно отметить, что в компании на момент старта уже была хорошо сформированная функция управления данными (Data governance), которая выступила базой для трансформации, определила единый подход, процессы и технологии.
Что решит стандартизация в ИИ
Прежде всего комбинация компетентной команды и прозрачных принципов и стандартов ИИ преодолевает проблему доказательства экономического эффекта от ИИ-инициатив. Это тесно связано с переходом от проектного и процессного подхода развития к продуктовому с анализом сквозной цепочки создания стоимости. Команды привносят в практику ИИ-метрики, которые позволяют нивелировать или полностью исключать проблемы и тонкие места ИИ-проектов. Например, сразу можно провести прогноз изменения P&L-продукта после внедрения продвинутой аналитики и более точно провести cost-benefit-анализ внедрения ИИ в конкретном бизнес-процессе.
В сумме это позволяет осуществить перелом в готовности компаний рассматривать развитие ИИ как стратегическое направление цифровой трансформации и осуществить переход от «лабораторных опытов» к полноценной ИИ-стратегии.
