ML-модель — это искусственный интеллект, который автоматизирует рабочие процессы.

Модель подойдет для:

• финансового сектора (банки, страхование, инвестиции). К примеру, для банков AI проводит скоринг клиентов, а если вы инвестор, то можете внедрить алготрейдинг (это быстрый и удобный способ торговать и заключать сделки)

• e-commerce и ритейла. AI прогнозирует спрос на товары, а вы обновляете склад и заказываете нужное количество продукции

• маркетинга и рекламы. Для таргетинга, контекстной рекламы и тп. искусственный интеллект за вас настроит кампанию и будет отслеживать ее динамику

• логистики и транспорта. AI подберет комфортный маршрут, а также учтет погодные условия и другие дорожные факторы (по этому принципу ездят автомобили TESLA)

• производства (индустрия 4.0). AI автоматизирует рутинные процессы. Например, датчик отслеживает работу станков (или других приборов), анализирует информацию и в случае возможной поломки предупредит вас.

Искусственный интеллект облегчает вам работу, ведь задачи выполняются быстрее обычного. В общем и целом — высокий кпд. Удобно? Думаем, да.

Но внедрение AI в бизнес — процесс небыстрый. И вот почему:

1. ML-модели нужно время на разработку и тестирование

Интеграция — важный, но долгий процесс. К сожалению, искусственный интеллект не выдаст вам супер-мега результат спустя две недели. Тут как с маленьким ребенком, который учится ходить. Сначала он ползает. Его ноги и руки становятся сильнее. Он пытается привстать, держась за опору. Учится ловить равновесие. Проходит время, сил в мышцах становится больше, ребенок уже уверенно ходит, но держась за диван. И в какой-то момент он делает первый шаг, затем второй, третий. И вот уже он ходит и бегает по дому. Искусственный интеллект учится точно так же.

В процесс обучения AI входит: 

• сбор и подготовка данных (1-3 месяца). Сложности добавляют «грязные» данные (неверная информация), которые нужно чистить.

• обучение и тестирование (2-6 месяцев). Подбираются алгоритмы, настраиваются гиперпараметры, проводится тестирование.

• валидация (1-2 месяца). Проверка модели на тестовых и реальных кейсах бизнеса. Изучается корректность работы AI.

• интеграция в продакшен (от 2-ух недель до нескольких месяцев). Модель внедряется в бизнес, подключается API и проводятся A/B-тестирования.

На примере это выглядит так: компания хочет знать примерный приток клиентов. Запустили ML-модель и думали, что через месяц будет результат. В итоге ушло 6 месяцев на сбор, обработку данных, обучение, тестирование и валидацию. Плюс, понадобилось 2 месяца для настройки и интеграции модели в процесс. Итого 8 месяцев ушло на запуск.

ML-модели нужна база данных, чтобы обучаться

Загружаем в систему информацию, чем больше, тем лучше. Подгружаем актуальные данные для развития модели. Делаем все по правилам и искусственный интеллект работает как нам нужно. Но есть проблема, которая вредит работе. Дело в информации — она должна быть качественной. Любые некорректные данные сделают ML-модель бесполезной, система будет выдавать ложные сведения, расчеты и тп.

Пример: маркетологу из e-commerce нужно узнать спрос на товар. На основе характеристик клиентов (посещение сайта, покупки, поведение) система анализирует метрики, перебирает информацию и выдает результат. У нас это статистика спроса на товар. Допустим, исходные данные содержат ошибку — это может быть устаревшая информация о пользователях или ошибка системы при обновлении, либо возникла аномалия, когда объединяли данные из разных источников. Из-за этого некоторые товары могут продаваться «отрицательным» количеством. Как итог — система покажет неверный прогноз на спрос. В таких случаях данные требуют дополнительной проверки и чистки.

Итак, запоминаем. Искусственный интеллект будет вам в помощь, если — загружена корректная база данных, информация обновляется и ее объема достаточно. Чем больше данных, тем лучше модель.

ML — это не «настрой и забудь»

Мы понимаем, что хочется, чтобы система сама работала, сама следила за собой и приносила результат на блюдечке. Так оно и будет, но если за ней следить.

Ожидается, что модель работает без вмешательства, даёт точные прогнозы вечно — но это ложное ожидание. На деле все иначе.

Что нужно учитывать?

• Data Drift и Model Drift — данные и поведение пользователей изменяются (модель теряет точность).

• Мониторинг производительности — проверка качества предсказаний.

• Обновление — переобучение модели на новых данных.

Пример:
Банк внедрил модель для скоринга клиентов. Через год её точность снизилась, потому что поведение клиентов изменилось (например, появилось больше онлайн-платежей). Важно следить за параметрами, чтобы вовремя исправить проблему. 

4. Интеграция AI в процесс

Ожидается, что ML-модель легко подключается и сразу приносит прибыль.

Из текста выше мы постарались объяснить, что настройка искусственного интеллекта — процесс небыстрый. Но в этом и суть, чтобы качественно настроить систему, которая будет помогать вам.

Интеграция AI в бизнес — это связка искусственного интеллекта с текущей IT-системой компании.

Помимо создания ML-модели, нам нужно подключить ее к рабочим процессам.

Что учитывается:

• Формат данных — модель должна получать и отдавать данные в совместимом формате.

• Скорость работы — если ML-алгоритм обрабатывает запрос 30 секунд, а бизнесу нужно 1 секунду, модель будет бесполезной.

• Гибкость — это корректировка системы без остановки рабочих процессов.

Для наглядности — ритейлеру нужны данные о спросе товара. Представим, что это срочно. Он заходит в систему и грузит статистику. Ритейлеру вот-вот надо отправить файл по закупке на следующий месяц, но система долго прогружает отчет. Итог — человек в напряге, система тормозит, закупку отложили на следующий день. Это один из примеров о важности быстрой работы программы. От этого зависят последующие действия в бизнесе.
Если система сделана правильно, то и проблем с загрузкой не будет — все счастливы.

Можно подумать, что пример выше отпугнет компанию от идеи внедрения AI. Это не так. Мы просто показываем, что важно уделить процессу достаточно времени на разработку и далее следить за системой. 

5. Стоимость и рентабельность AI

ML-модель — это инвестиция в текущие задачи. Она требует вложений в инфраструктуру и специалистов, которые ей занимаются. В это входит:

• стоимость хранения и обработки данных (Cloud/On-premise).

• расходы на разработку и поддержку (Data Scientists, MLOps-инженеры).

Пример из ритейла:
Мы закупаем товар. Нам нужно узнать количество товара при котором не будет излишков или дефицита. Внедряем ML-модель, которая прогнозирует спрос.

Что спрогнозировала система:

Мы видим то количество товара, которое нам нужно заказать, а какой товар не стоит закупать. Система посчитала все за нас (и это было быстро).

Плюсы работы с AI:

• сокращаются излишки на складе.

• увеличиваются продажи счёт доступности товаров.

• низкие затраты на логистику из-за точного планирования.

6. Обучение команды работе с AI

Искусственный интеллект — это инструмент, а мы им пользуемся и с ним нужно научиться работать.

Система быстрее справляется с задачами, но при этом мы должны понимать почему вот тут она посчитала так, а здесь по-другому.

Разберем это на примере (спойлер — текста будет много, но вы держитесь).

Компания внедряет МL-модель для персонализации рекомендаций на сайте. Далее, мы учим сотрудников работать с AI. В этот этап входит:

• узнать и понять устройство ML-модели. Что делает система? Анализирует поведение пользователей и предсказывает, какие товары их заинтересуют. Какие данные она использует? Историю просмотров, покупки, добавления в корзину, возраст, регион и т. д. Как интерпретировать предсказания? Уметь оценивать данные и признаки, влияющие на решения, от которых зависит результат.

• научиться пользоваться инструментами системы. Мы должны знать, как загружать новые данные. Уметь корректировать алгоритм (например, исключить сезонные товары из персонализации). Понимать, как анализировать точность рекомендаций — допустим, система показала товар пользователю, который с большей вероятностью купил бы товар и как итог — товар куплен. В цифрах это могло быть так — вероятность покупки 85%, а покупка действительно происходит в 80% случаев.

• оценивать эффективность модели. Мы отслеживаем конверсию из рекомендаций (как система влияет на нашу выручку). Проводим A/B-тестирование и выбираем лучшую модель для работы.

Подытожим — чтобы все работало как часы, нужно знать, как эти часы устроены и понимать сколько времени показывает стрелка.

Как понять, нужна ли ML-модель компании? Ответьте на вопросы:

• ML-модель решает реальную проблему?

• Готовы ли клиенты/сотрудники пользоваться ML-моделью?

• Принесёт ли ML-модель прибыль или другие выгоды компании?

Надеемся, что статья познакомила вас с ML-моделью. Мы попытались рассказать про интеграцию системы в работу, как проходит этот процесс и сколько занимает времени. Задача текста разрушить ложные ожидания от работы системы, чтобы вы могли принять обоснованное решение — нужна или нет модель вашему бизнесу.