Часто автоматизация средствами ML ассоциируется с быстрым ростом эффективности бизнеса, но на практике оборачивается молниеносным увеличением затрат. Поэтому подход «Если делаешь что-то больше одного раза, автоматизируй это» выглядит слишком радикальным.

Как понять, действительно ли вам нужны ML-технологии или же ваши задачи можно закрыть простыми скриптами и правилами? Чтобы разобраться в этом вопросе, мы в Selectel исследовали успешные кейсы автоматизации в финансовом секторе, телекоме и IT-инфраструктуре, опираясь на экспертизу специалистов из T-Банк, PIX Robotics и Netcracker. Подробности под катом!

Используйте навигацию, если не хотите читать текст целиком:
→ Стратегии автоматизации
→ Как подготовиться к внедрению ML
→ Основные ошибки и решения при запуске ML-проектов
→ Как запускать ML-проекты: пошаговый подход
→ ML в российских компаниях: реальные кейсы
→ Заключение

Стратегии автоматизации

Если необходимо автоматизировать процессы, это не значит, что нужно сразу бежать и искать ML-решения. Стремление бизнеса к внедрению передовых технологий понятно, но начинать нужно не с выбора инструментов, а с анализа бизнес-целей. Прежде всего, задайте себе три ключевых вопроса.

1. Каких издержек вы хотите избежать?
2. Насколько быстрее вам нужно принимать решения?
3. Какую долю ручного труда вы планируете сократить?

Ответы на эти вопросы определят, какой уровень автоматизации подойдет именно под ваш контекст. Рассмотрим три стратегических подхода и выясним, в каких ситуациях они уместны.

Уровень 1. Быстрый эффект и низкие затраты

Роботы превосходят человека по точности и скорости выполнения рутинных операций, таких как маршрутизация заявок, перенос данных между системами или формирование отчетности. Поэтому если бизнес-процесс стабилен, данные поступают в структурированном формате, а сотрудники день за днем выполняют одни и те же действия, оптимальное решение — роботизированная автоматизация (RPA).

«Если процесс стабилен, робот справится идеально. Но стоит только документам стать нестабильными — все, никакая RPA не справится», — Кирилл Серов, технический директор PIX Robotics.

Практический пример: одна из банковских групп за счет внедрения RPA высвободила до 1 000 штатных единиц, ранее занятых в рутинной обработке заявок.

«Автоматизация — это не про замену текущего сотрудника. Это про оптимизацию будущих ресурсов, в тч не найме лишнего сотрудника», — Кирилл Серов, технический директор PIX Robotics.

Аналогичные результаты демонстрируют компании, внедряющие RPA-решения через платформы вроде Power Automate, где расходы снижаются на 60% за считанные недели, а инвестиции окупаются уже в первый квартал.

Однако у этого подхода есть граница эффективности. Любое изменение в формате данных или бизнес-логике сразу выводят строгие правила из строя. В этот момент наступает пора переходить на следующий уровень автоматизации.

Уровень 2. ML только там, где это необходимо

Если стабильные процессы начинают давать сбои, а данные становятся сложнее — PDF-файлы, письма, сканы или фото документов — правила уже не помогут. Тогда появляется необходимость в точечном использовании ML-моделей, которые берут на себя именно те участки процессов, где жесткая логика не справляется.

«ИИ — это инструмент, который раскрывает потенциал бизнеса. Как и готовые алгоритмы, он снижает потребность в найме и позволяет делегировать больше задач меньшему числу, но сильных специалистов», — Ирина, директор по продукту в бизнес-консалтинге.

ML становится не заменой всей системы автоматизации, а ее разумным и эффективным дополнением.

У гибридного подхода есть свои плюсы. Так, внедрение ML-модели для классификации клиентских документов в логистической компании повысило точность до 85%, вдвое сократило время обработки и продолжает улучшать показатели ежеквартально за счет дообучения модели.

Уровень 3. Интеллектуальная автономия

Когда речь идет о масштабной инфраструктуре — будь то телекоммуникационные сети или банковский инцидент-менеджмент — без интеллектуальной автоматизации уже не обойтись. В таких системах ежедневно генерируются миллионы сигналов и тысячи оповещений. Здесь критически важно оперативно определить корневую причину сбоя и минимизировать ущерб от простоев.

«При масштабном сбое одна проблема способна породить тысячи алертов. Система AIOps определяет корень проблемы за минуты, а не просто устраняет ее последствия», — Netcracker.

Один из примеров — телеком-компания, внедрившая решение AIOps, сократила среднее время восстановления после инцидентов (MTTR) на 40%. Вместе с этим — снизила количество штрафов за нарушение SLA и освободила квалифицированных специалистов от трудоемкого анализа ложных сигналов.

Технологии на уровне AIOps — это не просто программное обеспечение. Это долгосрочная инвестиция, требующая зрелости компании в управлении данными, экспертной команды и готовности перестроить внутренние процессы. Но если издержки простоя велики — такая инвестиция себя полностью оправдывает.

Ключевые выводы и рекомендации

1. Используйте простые правила и RPA там, где процессы стабилизированы, а данные структурированы. Любое изменение в формате данных или бизнес-логике сразу выводят строгие правила из строя. В этот момент наступает пора переходить на следующий уровень автоматизации.
2. Переходите к ML точечно. То есть на участках, где правила не справляются с неструктурированными данными и нестабильностью процессов.
3. Инвестируйте в AIOps, если масштабы бизнеса велики и каждая минута простоя критически важна. Но не нужно ждать изменений сразу, ведь AIOps — это долгосрочная инвестиция, на которой можно построить полноценную интеллектуальную автоматизацию.

Как подготовиться к внедрению ML

Допустим, вы решили внедрить ML-проекты для автоматизации процессов. Как к этому подготовиться и почему даже идеальная модель бесполезна без грамотно выстроенного управления данными? Обо всем по-порядку.

Научитесь работать с данными

Даже самый передовой алгоритм не сможет принести пользу, если компания не готова работать с собственными данными. Внедрение ML-проектов часто заходит в тупик именно из-за слабой инфраструктуры данных, разрозненности источников или недостаточного понимания бизнес-контекста.

Это не всегда вопрос объема. Гораздо важнее доступность, прозрачность и качество информации, с которой работают модели. Поэтому перед внедрением ML нужно задать себе несколько вопросов.

• Знаете ли вы, какие именно данные вам необходимы для решения конкретной задачи?
• Есть ли у вас стабильный и оперативный доступ к этим данным?
• Кто в вашей организации отвечает за их качество?
• Готовы ли вы поддерживать и обновлять модели после их запуска?

Ответы помогут определить текущий уровень зрелости вашей организации в работе с данными. Для удобства сформировали три типичных портрета управления данными в компании.

Уровни зрелости в работе с данными

1. Данные есть, но никто ими не управляет. В организациях на этом уровне данные разбросаны между разными подразделениями, дублируются и считаются по-разному в каждой системе.

Доступ к ним эпизодический и, как правило, только по специальному запросу через IT-отдел. При этом отсутствует четко обозначенная ответственность за качество и поддержку данных, а их структура и формат постоянно меняются.

На таком уровне зрелости любая ML-инициатива становится рискованным экспериментом. Даже простейшая модель здесь будет давать нестабильные, трудно воспроизводимые результаты. Автоматизация в этих условиях превращается в дорогостоящий хаос, а не в инструмент повышения эффективности.

2. Данные собраны, но используются эпизодически и вручную. Здесь цифровая гигиена уже выше: есть централизованные потоки и платформы, однако сами потоки данных не полностью автоматизированы, а качество проверяется нерегулярно. Команды понимают, откуда брать данные, но не всегда осознают, как именно они формируются и кто за это отвечает.

На этом уровне можно реализовывать ML-проекты, но каждый кейс требует значительных ручных усилий и индивидуального подхода. При этом масштабировать решения становится трудно и дорого, так как каждый новый проект превращается в отдельный «бутиковый» процесс.

3. Данные управляемы и рассматриваются как стратегический актив. Это эталон работы с информацией — компания строит прозрачную архитектуру данных: от первичного источника до принятия бизнес-решений.

На этом уровне используются системы контроля качества данных, понятна их логика происхождения, четко разграничены права доступа, а также закреплена ответственность за каждую метрику и процесс. ML становится стабильным инструментом принятия решений и частью повседневной бизнес-практики: организация способна быстро запускать новые ML-инициативы, прогнозируя их эффективность, масштабируемость и отдачу от инвестиций.

Действительно, работа с данными важна для каждого из типов автоматизации, однако при такой высокой стоимости внедрения ML — риски выше.

Определитесь с подходом

Вам действительно нужен ML? Если ответ положительный, определитесь с подходом для своей задачи. Ниже — простая таблица, которая поможет это сделать.

Выводы

1. Начинайте с аудита зрелости работы с данными.

2. Не увлекайтесь ML-решениями, если простые правила дают стабильный результат.

3. Внедряйте ML постепенно — от небольших проектов к полномасштабным решениям.

4. Рассматривайте данные как ключевой актив, от которого зависит успех любой автоматизации.

Отлично. С подготовкой данных к внедрению ML разобрались. Но как эффективно запускать ML-проекты, избегая распространенных ошибок, из-за которых многие инициативы становятся дорогостоящими экспериментами вместо инструментов для роста бизнеса.

Основные ошибки и решения при запуске ML-проектов

Решение внедрить машинное обучение принято, бизнес-задачи обозначены, данные подготовлены. Казалось бы, можно запускать проект и ожидать скорых результатов. Или нет?

На практике даже при высокой готовности компании часто сталкиваются с типичными ошибками, которые превращают перспективную инициативу в дорогостоящий эксперимент.

Рассмотрим четыре наиболее распространенные ловушки, в которые попадают компании при запуске ML-проектов, и рекомендации, как их избежать.

Ошибка 1. Отсутствие пилотного проекта (Proof of Concept)

Популярная практика — сразу масштабировать ML-проект без предварительного тестирования гипотез и проверки реальной ценности решения. В результате ошибки становятся заметны слишком поздно, когда вложения уже велики, а окупаемость оказывается под вопросом.

Рекомендация

Всегда начинайте с пилотного проекта (Proof of Concept, PoC), чтобы подтвердить гипотезу на малом объеме данных и понять, насколько реальный результат соответствует ожиданиям бизнеса. По итогам PoC вы сможете точнее оценить перспективы полномасштабного внедрения и избежать лишних затрат.

Ошибка 2. Игнорирование бизнес-контекста

Бывает, что ML-команда увлекается технологической стороной и забывает о конечной бизнес-задаче. Результат — точная, но бесполезная модель, которая не решает реальной проблемы и не интегрируется в процессы компании.

Рекомендация

Вовлекайте бизнес-заказчиков с первых дней проекта. Совместно определите метрики успеха, регулярно обсуждайте промежуточные результаты и убедитесь, что модель действительно приносит ощутимую пользу бизнесу, а не просто хорошо выглядит на презентациях.

Ошибка 3. Недооценивание сопровождения моделей

Многие компании уверены, что затраты на ML заканчиваются на разработке и внедрении модели. В реальности львиная доля расходов может приходиться на последующее сопровождение: дообучение, мониторинг качества данных, обновление алгоритмов при изменении внешних условий.

«Первые шаги в ML всегда сложны: нет готовых метрик, приходится экспериментировать. Существенная отдача заметна только спустя несколько лет постоянной работы с моделью», — Иван Юрченко, руководитель продукта FineDog Growth в Т-Банке.

Рекомендация

Заранее планируйте бюджет на сопровождение ML-решений. Рассматривайте ML не как разовый проект, а как постоянно развивающуюся систему, требующую ресурсов и внимания.

Ошибка 4. Избыточная сложность решения

Иногда компании стремятся использовать передовые технологии и выбирают слишком сложные модели, хотя задачу можно решить проще и дешевле. В результате проект усложняется, становится трудным в сопровождении и требует значительных затрат на инфраструктуру и специалистов.

Рекомендация

Всегда руководствуйтесь принципом минимальной достаточности (Minimal Viable Solution). Начинайте с простых моделей и усложняйте их постепенно — лишь тогда, когда реальная потребность станет очевидной.

Как запускать ML-проекты: пошаговый подход

Мы собрали стратегически верный подход по запуску ML в автоматизации. Если вы будете его придерживаться, перечисленные ошибки можно исключить. А еще он помогает максимально эффективно использовать ресурсы при запуске ML-проекта.

Шаг 1. Определите бизнес-проблему и ее контекст

Четко сформулируйте цель. Например, не «хотим использовать ML», а «хотим на 30% сократить время обработки клиентских обращений». Конкретная задача поможет выбрать оптимальное решение и правильно измерять результат.

Шаг 2. Проведите аудит и подготовьте данные

Убедитесь, что данные доступны, качественны, структурированы и отвечают требованиям задачи. Это критично для успешного запуска любой ML-инициативы.

Шаг 3. Запустите пилотный проект (РоС)

Проверьте идею в небольшом масштабе. Убедитесь в ее ценности, точности и применимости в конкретном бизнес-контексте. Только после подтверждения успеха переходите к масштабированию.

Шаг 4. Оцените затраты и ресурсы на сопровождение

ML-решения требуют регулярной поддержки. Оцените заранее, какие ресурсы: люди, инфраструктура или бюджет — вам понадобятся на постоянной основе для сопровождения модели.

Шаг 5. Масштабируйте постепенно и осознанно

По результатам пилота постепенно увеличивайте охват ML-решения, сохраняя контроль за качеством данных и регулярно отслеживая метрики эффективности. Так вы избежите дорогих ошибок и сможете максимально использовать потенциал модели.

Выводы

ML-проект — это не «магия», а управляемый бизнес-процесс. Главная задача при интеграции — четко понимать, какую именно проблему решает выбранное решение. Кроме того, запуск ML требует постоянного вовлечения бизнеса и регулярного измерения результатов. Будьте реалистичны в ожиданиях: отдача от ML приходит не сразу, но в долгосрочной перспективе вложения окупаются многократно.

ML в российских компаниях: реальные кейсы

Убедительнее всего о ценности технологий говорят не абстрактные рассуждения, а конкретные результаты. У нас как раз есть интересные примеры российских компаний, которые успешно внедрили ML и получили значительный эффект для бизнеса.

PIX Robotics: RPA без глубокого ML

Компания PIX Robotics разрабатывает платформу роботизированной автоматизации PIX RPA, которая позволяет компаниям эффективно избавляться от рутинной работы без сложных ML-решений.

«Роботы идеально подходят для повторяющихся задач, таких как перенос данных между системами или обработка типовых клиентских обращений

Одним из крупнейших наших клиентов — банк «Открытие» — с помощью роботов освободил около 1 000 штатных единиц (FTE). При этом сотрудников не увольняли — просто отказались от новых наймов для выполнения рутинных операций», — Кирилл Серов, технический директор PIX Robotics.

Результаты

• Более 1 000 сотрудников были освобождены от рутинных задач.
• Затраты на обработку операций снижены на 60%.
• Проект окупился в течение первого квартала.

Простые автоматизированные решения могут принести огромную экономию, если бизнес-процессы стабильны. Сложные инструменты — не всегда самый эффективный выбор.

Т-Банк: ML и автоматизация для инцидент-менеджмента

Банковский сектор крайне чувствителен к простоям и инцидентам, поскольку они напрямую влияют на лояльность клиентов и финансовые результаты компании. Чтобы эффективно управлять инцидентами на большой и сложной инфраструктуре, Т-Банк создал единую платформу FineDog, интегрирующую мониторинг, инцидент-менеджмент и ML-технологии.

По словам руководителя продукта Ивана Юрченко, ключевой целью внедрения ML стала оптимизация скорости обнаружения и устранения инцидентов: «FineDog позволяет оперативно выявлять сбои, снижать время жизни инцидентов и предотвращать повторение аналогичных ситуаций».

Платформа FineDog активно использует ML-компоненты.

• Summarizer — ML-модуль, генерирующий краткие и точные описания инцидентов, что позволяет инженерам быстро ориентироваться в ситуации и принимать решения.
  
• LogAnalyzer — интеллектуальная система, которая автоматически выявляет аномалии в логах и заранее сигнализирует о возможных проблемах.

Результаты

• Среднее время восстановления услуг после инцидентов сократилось вдвое.
• Процент заполнения отчетов по инцидентам (пост-анализов) вырос до 100% благодаря автоматическим сводкам от Summarizer.
• Снижено время реакции на инциденты: от 2 до 10 минут экономии на каждый случай.

В критически важных процессах вроде инцидент-менеджмента ML не только экономит ресурсы, но и прямо влияет на клиентский опыт и репутацию компании. Если стоимость простоев высока, автоматизация на базе ML становится стратегическим активом.

Заключение

Безусловно, ML способен существенно повысить эффективность бизнеса. Но должно быть соблюдено ключевое условие успеха — грамотное, обоснованное и точечное применение технологий.

Важно, чтобы простота была важнее сложности. Лучше начинать с простых решений и только при необходимости обращаться к сложным моделям. Вместе с этим важно создать прозрачную и управляемую систему данных, ведь «данные — ключ к автоматизации».

Не забывайте тестировать гипотезы через небольшие пилотные проекты, даже если на первый взгляд кажется, что ими можно пренебречь. Также не забывайте, что ML — это всегда непрерывный процесс, который кроме тестирования гипотез требует регулярного сопровождения и доработок.

Мы подготовили краткий и удобный чек-лист, который поможет вам за 10 минут определить, какие KPI нужны именно вам, правильно учесть все затраты, рассчитать экономический эффект и ROI проекта. Скачивайте и автоматизируйте с умом.