Как просчитать эффективность ИИ и понять, нужен ли он компании

Когда мы говорим об использовании искусственного интеллекта в бизнесе, мы подразумеваем применение готовых или дообученных моделей для решения бизнес-задач — это могут быть крупные внешние модели ChatGPT или Claude, а также локальные модели вроде llama, saiga, yolo, whisper или stable difusion.

Существует множество инструментов на основе ИИ, которые мы используем в работе. Например, Llama, Mistral, Yolo (для распознавания изображений, в том числе на складах, для распознавания грузовиков и лиц), Saiga, Whisper (для распознавания голоса и подготовки протоколов по итогам встреч) и другие. ИИ может использоваться в самых разных областях: от машинного обучения и прогнозирования, до виртуального ассистирования и анализа чувств. Кроме того, активно используются библиотеки OpenCV, TensorFlow, Keras, PyTorch, ByteTrack и другие.

1. Технологические ограничения

• нестабильность существующих решений;
• несоответствие ожиданиям пользователей;
• сложность интеграции в текущие процессы;
• высокая стоимость внедрения и поддержки.

2. Безопасность

• необходимость внедрения дополнительных процедур защиты;
• усложнение существующих процессов безопасности;
• увеличение затрат на обеспечение безопасности;
• риски утечки данных.

Перед внедрением искусственного интеллекта, необходимо тщательно оценить реальную потребность бизнеса, готовность инфраструктуры, соотношение затрат и потенциальной выгоды и, конечно, возможные риски и способы их минимизации.

Успешное применение ИИ требует с одной стороны взвешенного подхода и четкого понимания целей внедрения, а с другой стороны определенной доли авантюризма и гибкости.

Размещение на мезонине

Один из самых наглядных кейсов, в которых ИИ оказался не лучшим решением — оптимальное размещение товаров на мезонине. Многие компании, как и наш клиент, пытаются найти лучшее решение и сократить пробеги на сборку заказов на складе.

Совместно с клиентом мы решили попробовать решить эту задачу с помощью ИИ, который бы анализировал данные: перемещение сотрудников склада, список того, что чаще всего находится в одном чеке (чтобы располагать товары рядом и не тратить время на походы в другой конец склада). Предполагалось, что ИИ будет учитывать правила техники безопасности, габаритные характеристики товаров и другие параметры, чтобы оптимально выстраивать процессы сбора и упаковки заказов.

Но оказалось, что в этом случае искусственный интеллект не закрывает поставленные задачи. Эффект от внедрения оказался недостаточным даже для того, чтобы покрыть затраты на проверку гипотез и физическое перекладывание товаров.

Распознавание инвойсов

Другой показательный кейс — распознавание инвойсов. Бухгалтерам компании-клиента приходилось вручную вводить огромное количество данных как из качественных pdf-файлов, так и с фотографий или скринов плохого качества. Формат инвойсов тоже различался: разные страны, языки, оформление. Руками делать эту работу было достаточно долго и трудоёмко, поэтому на поверхности лежало решение – научить ИИ распознавать нужные данные и оцифровывать их в нужном формате.

В итоге оказалось, что 80% инвойсов — это три типа документов, а остальные 20% настолько разные, что обучать модель малоэффективно – уровень распознавания всё равно будет низким. Выяснилось, что на перепроверку распознанных данных, бухгалтерия потратит практически столько же времени, сколько потратила бы на то, чтобы самостоятельно внести данные из инвойсов.

Гораздо проще было показать модели, как вытаскивать данные из самых распространённых инвойсов, а для этого уже существует ПО.

Транспортная очередь на складах

Кейс, который будет знаком многим большим компаниям. На производстве возникла проблема: очереди на погрузку и разгрузку. Требовалось создать эффективное расписание с учетом типов транспортных средств, приоритетности поставщиков, сезонности нагрузки и дополнительных условий.

Мы провели параллельное тестирование двух подходов к решению задачи:

1. Традиционный алгоритм с прямым программированием
2. Системы на основе искусственного интеллекта.

Результаты показали, что классическое решение эффективнее. Простое календарное планирование с 30-минутными интервалами и приоритезацией транспорта дало лучший результат, чем прогнозы ИИ на полгода вперед.

Из этого можно сделать вывод, что несмотря на растущую популярность искуственного интеллекта, традиционные методы во многих случаях остаются более практичными. ИИ следует рассматривать не как замену существующим решениям, а как дополнительный инструмент, применимость которого нужно оценивать для каждой конкретной задачи.

Основываясь на собственном опыте, мы разработали определенный алгоритм, который поможет оценить потенциальную эффективность технологий на базе ИИ.

Первый шаг. Формирование идеи и бизнес-гипотезы. 

Второй шаг. Проверка идеи (на этом этапе нужно убедиться, что пользователю действительно нужно внедрение ИИ в том идеи, в котором мы предлагаем).

Третий шаг. Проверка гипотезы. 

Проверка гипотезы может идти по двум сценариям. Если мы используем уже опробованные модели ИИ, то принимать решение можем на основе опыта тех компаний, кто уже внедрил его у себя. Например, мы можем выяснить процент распознавания при внедрении ИИ для обработки голоса или изображений. После этого необходимо посчитать экономику проекта и выделить время на проверку гипотезы в своей компании.

Если мы хотим использовать ИИ-технологии, которые ещё не получили подтверждённого эффекта на рынке, то сценарий будет несколько сложнее. Невозможно предсказать, с какой по счёту итерации заработает модель и насколько эффективным будет её внедрение. Важно понимать, сколько денег компания готова вложить в эту технологию, чтобы вовремя остановить проверку гипотезы.

Для того чтобы установить порог для остановки проекта, нужно точно знать, какие бизнес-эффекты должны появиться после удачного внедрения, а также окупят ли они текущие вложения в разработку и проверку гипотез. Когда система заработает, необходимо время для того, чтобы посмотреть, как справляется ИИ, и не требуется ли в решении дополнительных функций.