У нас будет свой ИИ-продукт, с блэкджеком и классным ROI

… ведь можно решить все насущные проблемы и увеличить доходы. Однако обещать — не значит жениться, думать — не значит делать.

Об особенностях запуска разработки ИИ-проектов рассказывает Илья Лысенко, руководитель продуктового направления Data Science в Hybrid .

Прежде чем начать создавать некий продукт или реализовывать фичу, всегда стоит ответить на один простой вопрос: «Какую проблему мы решаем?». Ответ поможет избежать многочисленных разочарований и сразу настроиться на правильный лад. Особенно это касается искусственного интеллекта.

Важно понимать, что ИИ — ни разу не волшебная кнопка, несмотря на повсеместный хайп вокруг технологии. Да, он способен оптимизировать ряд процессов, снизить определенные издержки, но прежде всего — это сложный статистический инструмент, который тоже ошибается и часто требует доработок.

Другой момент — подводные камни при запуске ИИ-истории. Во-первых, любая компания, которая занимается обработкой и сбором данных, всегда сталкивается с их нехваткой. Возникает закономерный вопрос: «Где взять нужную информацию?».

Здесь стоит посмотреть в сторону CRM, логов, баз поддержки, метрик с сайта. Часто бывает, что данные есть, но они разбросаны по разным источникам — остается лишь собрать и грамотно разметить.

Если информации в принципе мало, а собрать новые не получается — на помощь приходит «мэтчинг». Например, вы владеете онлайн-магазином и собрали данные по определенным категориям пользователей. Однако есть и другие магазины, и если получится договориться, можно провести взаимный обмен сведениями о пользователях и получить больше актуальной информации. Речь, разумеется, про обезличенных юзеров.

Во-вторых, острый дефицит компетентных специалистов. Тут и говорить нечего — больной вопрос всей ИТ-отрасли. Это надо учитывать.

Когда вопрос с данными и кадрами закрыт, а ИИ-проект во всю идет, возникает следующий вопрос: «Туда ли мы идем или какой реальный «выхлоп»/ROI?». Деньги здесь обычно итоговый показатель. Мало фич, которые напрямую влияют на них, а не через операционные или второстепенные метрики. Поэтому, чтобы оценить целесообразность ИИ-проекта в первую очередь стоит ориентироваться на скорость выполнения задач или степень автоматизации. Если с искусственным интеллектом таска закрывается быстрее и проще — значит, рентабельно. Также еще можно отслеживать метрики удовлетворенности сотрудников/клиентов.

Использовать свои решения или брать сторонние API, например, от тех же OpenAI? Лично мы используем готовые варианты для тестирования гипотез (что-то типа MVP), чтобы максимально оперативно и дешево понять, реален ли желаемый результат. При этом оценка безопасности — ключевой критерий. Если она нас не радует или гипотеза подтвердилась — идем в сторону собственных моделей .

#созвонились_обсудили