Искусственный интеллект, аналитика и новые технологии

2. Создание портфолио проектов

Следующим шагом запуска программы ИИ является систематическая оценка потребностей и возможностей с последующей разработкой приоритетного портфеля проектов. В исследованных нами организациях для этой цели обычно использовались семинары или короткие консультации. Мы рекомендуем компаниям проводить оценки в трех основных областях.

Выявление возможностей

Первая оценка определяет, какие сферы бизнеса могли бы извлечь наибольшую выгоду от использования когнитивных приложений. Как правило, ими являются те отделы компании, где знания, полученные на основе анализа данных или извлеченные из документов, нужны в первую очередь, но пока недоступны.

● Узкие места. В некоторых случаях нужда в когнитивном прогнозировании вызвана узким местом в потоке информации; знания существуют в компании, но не оптимально распределены. Это часто наблюдается в сфере здравоохранения, например когда знания «пылятся» в клиниках, департаментах или академических медицинских центрах.

● Проблемы масштабирования. В других случаях знания доступны, но процесс их использования занимает слишком много времени или является дорогостоящим для масштабирования. Это характерная ситуация для финансовой сферы. Именно поэтому многие инвестиционные и управляющие компании уже предлагают клиентам «робоконсультирование» на основе ИИ, которое представляет собой экономически эффективное руководство по рутинным финансовым вопросам.

В фармацевтической промышленности Pfizer решает проблему масштабирования, используя IBM Watson для ускорения кропотливого процесса иммуно-онкологических исследований в рамках нового подхода к лечению рака, который задействует иммунную систему самого организма. Цикл разработки иммуно-онкологических препаратов может занимать до 12 лет, прежде чем они выйдут на рынок. Комбинируя сведения из научной литературы с собственными данными, такими как лабораторные отчеты, Watson помогает исследователям выявлять взаимосвязи и находить скрытые закономерности, которые должны быстрее «научить» новое лекарство распознавать цели, а также ускорить комбинирование терапии с обучением и подбор пациентов для этого нового класса препаратов.

● Ненадлежащая мощность. Наконец, организация может собрать данных больше, чем возможно обработать с помощью людей или компьютеров. Например, компания может располагать огромными объемами данных о цифровом поведении потребителей, но не может понять, что они означают и как применить эту информацию в стратегическом планировании. Для решения подобных проблем используется машинное обучение, ориентированное на такие группы задач, как таргетированная покупка цифровой рекламы или, в случае Cisco Systems и IBM, на создание десятков тысяч моделей потребительского поведения, чтобы определить, какие клиенты с какой вероятностью предпочтут те или иные товары.

Определение вариантов использования

Вторая оценка касается вариантов использования когнитивных приложений, которые принесут максимальную пользу и поспособствуют успехам в бизнесе. Начните с постановки ключевых вопросов, таких как: насколько важно для вашей общей стратегии решение конкретной проблемы? Насколько сложно в реализации предложенное решение на основе ИИ – как в техническом, так и в организационном плане? Окупят ли выгоды от запуска приложения затраты на его разработку и внедрение? Ответив на эти вопросы, установите приоритетность вариантов использования в соответствии с временным горизонтом каждого из них и учитывая возможность будущей интеграции в более широкую платформу или набор когнитивных инструментов для создания конкурентного преимущества.

Выбор технологии

Третья тема для проведения оценки – действительно ли инструменты ИИ, рассматриваемые для каждого варианта использования, соответствуют поставленной задаче. Например, чат-боты и интеллектуальные программы могут оказаться неподходящими, поскольку большинство из них пока умеют решать наиболее простые сценарии человеческих запросов (хотя и быстро развиваются). Другие технологии, такие как RPA, предназначенные для ускорения простых процессов вроде выставления счетов, могут на деле замедлять работу более сложных производственных систем. Или еще пример: системы визуального распознавания с глубоким обучением действительно распознают изображения на фотографиях и видео, но требуют большого количества маркеров и могут не справиться со сложным визуальным рядом. В будущем когнитивные технологии трансформируют бизнес-процессы, но сейчас разумнее предпринимать постепенные шаги с использованием доступных инструментов и планируя не столь отдаленные изменения. Когда-нибудь вы, возможно, решите передать взаимодействие с клиентами ботам, но сейчас, в качестве первого шага, более осуществимым и целесообразным будет автоматизация внутренней службы технической поддержки.

3. Пилотный этап

Поскольку разрыв между реальными возможностями ИИ и желаемыми не всегда очевиден, компании должны создавать пилотные проекты для когнитивных приложений, прежде чем внедрять их на всем предприятии.

Пробные пилотные решения особенно подходят для инициатив, которые имеют высокую потенциальную ценность для бизнеса или позволяют организации одновременно тестировать различные технологии. Постарайтесь избежать внедрения проектов теми руководителями, которые оказались под влиянием поставщиков технологий. Они всегда будут оказывать давление на руководителей и советы директоров, побуждая их сделать «что-нибудь когнитивное», но это не повод сделать это без «пилота». Проекты, внедренные таким образом, часто терпят неудачу, что, в свою очередь, может ограничивать всю ИИ-программу организации.

Если ваша фирма планирует запустить несколько пилотов, подумайте о создании когнитивного центра передового опыта или аналогичной структуры для управления ими. Такой подход помогает развить необходимые технологические навыки и компетенции в организации, а также упрощает перенос небольших пилотных проектов на производство, что окажет значительное влияние на процессы. Pfizer имеет более 60 проектов, которые используют те или иные формы когнитивных технологий; большинство из них на стадии пилота, но есть уже и внедренные.

В Becton Dickinson служба глобальной автоматизации в рамках ИТ-отдела наблюдает за несколькими когнитивными пилотными проектами на базе средств искусственного интеллекта и RPA (в партнерстве с Global Shared Services). Эта служба использует комплексные карты процессов для руководства внедрением и определения возможностей автоматизации. Кроме того, она использует графические «тепловые карты», которые показывают активности в организации, наиболее поддающиеся вмешательству ИИ. Компания успешно внедрила интеллектуальные средства в процессы ИТ-поддержки, но пока не готова внедрять их в крупномасштабные корпоративные процессы, такие как «заказ – оплата». Страховая компания Anthem разработала аналогичную централизованную ИИ-службу, которую называет Отделом когнитивных компетенций.

Реорганизация бизнес-процесса

По мере разработки когнитивных проектов подумайте над тем, как можно изменить дизайн рабочих процессов, уделяя особое внимание разделению труда между людьми и ИИ. В некоторых подобных проектах 80 % решений станут приниматься машинами, а 20 % – людьми; другие будут иметь обратное соотношение. Систематический пересмотр рабочих процессов необходим для того, чтобы люди и машины дополняли сильные стороны друг друга и компенсировали недостатки.

Например, инвестиционная компания Vanguard запустила новое предложение «Персональные консультативные услуги» (PAS), которое сочетает автоматизированные рекомендации по инвестициям и работу живых консультантов. В этой системе когнитивные технологии применяются для выполнения многих традиционных задач инвестиционного консультирования, включая создание индивидуального портфеля, изменение его баланса с течением времени, сбор налоговых выплат и выбор инвестиций с благоприятным налоговым статусом.

Разделение труда в рамках одной компании

Инвестиционная компания Vanguard использует когнитивную технологию для консультации клиентов по более низкой цене. Система персональных советников автоматизирует многие традиционные задачи инвестиционных консультантов, в то время как они сами занимаются более ценной деятельностью. Вот как Vanguard перестроил свои рабочие процессы, чтобы получить максимум от новой системы.

Благодаря этому консультанты Vanguard выступают в роли «тренеров по инвестициям», которые отвечают на вопросы инвесторов, поддерживают их активную финансовую деятельность и, по словам Vanguard, служат «эмоциональной крепостью» для инвесторов, переживающих за свои инвестиционные планы. Консультантам рекомендуется изучать поведенческие финансы, чтобы эффективно исполнять эти роли. Технология PAS быстро собрала более $80 млрд в управление активами, причем затраты оказались ниже, чем при консультировании сотрудниками, а удовлетворенность клиентов выше. (Подробнее см. врезку «Разделение труда в рамках одной компании».)

Vanguard понимала важность реформирования рабочих процессов при внедрении PAS, но многие другие компании идут напролом, просто автоматизируя уже существующие процессы, особенно при использовании технологии RPA. Эти компании быстрее реализовывают проекты и достигают окупаемости инвестиций, но они лишают себя преимущества в полной мере использовать возможности ИИ и существенно улучшить процесс. Усилия по перепроектированию рабочих процессов могут быть обогащены принципами дизайн-мышления: пониманием потребностей клиента или конечного пользователя, вовлечением сотрудников, чья работа будет реорганизована, рассмотрением планов как экспериментальных «черновиков», обсуждением множества альтернатив и обязательным учетом возможностей когнитивных технологий. Большинство когнитивных проектов хорошо вписываются в итеративное, динамичное развитие.

4. Масштабирование

Многие компании успешно запустили когнитивные пилоты, но не смогли достичь большего, развернув их в масштабах всей организации. Для достижения своих целей компаниям нужны подробные планы масштабирования, что требует сотрудничества между технологическими экспертами и ответственными за автоматизируемый бизнес-процесс лицами. Поскольку когнитивные технологии обычно поддерживают отдельные функции, а не весь процесс целиком, масштабирование почти всегда требует интеграции с существующими системами. Действительно, в нашем опросе руководители сообщили, что такая интеграция была самой большой проблемой, с которой они столкнулись в ИИ-проектах.

Компании должны начать процесс масштабирования с выяснения того, является ли необходимая интеграция возможной в принципе и выполнимой технически. Например, если приложение зависит от специальной технологии, которую сложно получить, это ограничит масштабирование. Убедитесь, что те, кто отвечает за бизнес-процессы, обсуждают вопросы масштабирования с ИТ-отделом до начала или во время пилотного этапа. Конечный запуск в обход айтишников вряд ли будет способствовать успеху, даже в случае относительно простых технологий, таких как RPA.

Например, медицинская страховая компания Anthem разрабатывает когнитивные технологии в рамках серьезной модернизации существующих систем. Вместо того чтобы встраивать новые когнитивные приложения в устаревшую технологию, Anthem использует целостный подход, максимизирующий ценность, производимую когнитивными приложениями, снижающий общую стоимость разработки и интеграции и создающий эффект ореола в устаревших системах. Компания также реорганизует процессы, чтобы, по словам ИТ-директора Тома Миллера, «использовать когнитивные функции, которые выведут нас на новый уровень».

При масштабировании компании могут столкнуться с серьезными проблемами управления изменениями. Так, к примеру, в одной сети розничной торговли одеждой в США пилотный проект в небольшой группе магазинов использовал машинное обучение для получения рекомендаций по продуктам в режиме онлайн, прогнозирования оптимальных запасов и моделей быстрого их пополнения, а также, что оказалось наиболее сложным, в мерчандайзинге. Закупщики, привыкшие заказывать товары на основе своей интуиции, почувствовали угрозу и поставили вопрос ребром: «Если теперь у вас есть эта штука, зачем вам мы?» После завершения пилотного этапа группа закупщиков явилась к начальнику отдела мерчандайзинга с требованием свернуть проект. Исполнительный директор сети познакомил их с положительными результатами пилота и настоял на расширении проекта. Он заверил закупщиков, что, освободившись от определенных мерчандайзинговых функций, они смогут выполнять более ценную работу, которую люди выполняют лучше машин, такую, например, как понимание желаний молодых клиентов и определение планов производителей одежды. При этом он признал, что новые функции потребуют обучения мерчандайзеров.

Если для достижения желаемых результатов нужно масштабироваться, компаниям также придется сосредоточиться на повышении производительности. Многие, например, планируют нарастить ее, увеличив число клиентов и транзакций без увеличения численности персонала. Компании, которые не хотят инвестировать в ИИ, выдвигая в качестве основной причины неизбежное сокращение рабочих мест, должны знать, что куда лучше с этой задачей справляется систематическое изнурение сотрудников или отказ от аутсорсинга.

Когнитивная компания будущего

Наш опрос и интервью показывают, что менеджеры, имеющие опыт работы с когнитивными технологиями, настроены в их отношении оптимистично. Хотя первые успехи относительно скромны, мы ожидаем, что эти технологии в итоге заметно преобразят рабочие процессы. Мы полагаем, что компании, которые в настоящее время начинают разрабатывать проекты на базе ИИ, имея при этом агрессивные планы их внедрения на будущее, смогут получить не меньшие преимущества, чем те, кто воспользовался аналитикой чуть раньше.

Благодаря применению ИИ такие высокоинформативные области, как маркетинг, здравоохранение, образование, финансовые и профессиональные услуги, могут одновременно повысить свою ценность и стать менее дорогостоящими для общества. Монотонная деятельность, которую вынужден вести бизнес во всех отраслях и сферах – учет текущих операций, ответы на повторяющиеся вопросы и извлечение данных из бесконечных документов, – может стать уделом машин, освобождая сотрудников для повышения продуктивности и творчества. Когнитивные технологии также являются катализатором успеха других информационно емких разработок, включая автономные транспортные средства, интернет вещей и многоканальные потребительские технологии.

Основной страх перед когнитивными технологиями состоит в том, что они вызовут массовое сокращение рабочих мест. Конечно, некоторое их уменьшение возможно, поскольку интеллектуальные машины выполняют те же задачи, которые традиционно выполняются людьми. Тем не менее мы считаем, что большинству работников на данный момент нечего опасаться. Когнитивные системы решают только отдельные задачи, а не берут под контроль весь процесс целиком. Сокращения в нашем исследовании главным образом были вызваны «перегоранием» сотрудников, которых некому было заменить, или автоматизацией аутсорсинга.

Большинство когнитивных технологий в настоящее время дополняют человеческую деятельность, решая локальные задачи в рамках более широкого рабочего процесса, или выполняют такую работу, с которой люди не способны справиться в принципе, как, например, анализ больших массивов данных. Почти все управляющие, с которыми мы обсуждали этот вопрос, являются приверженцами стратегии дополнения, то есть интеграции человеческого и машинного труда, а не полной замены первого вторым. Только 22 % руководителей в нашем опросе указали сокращение сотрудников в качестве основного преимущества искусственного интеллекта.

Мы считаем, что каждая крупная компания должна идти путем исследования когнитивных технологий. Этот путь не так прост, он не несет готовых ответов на вопросы, связанные с реструктуризацией коллектива и этикой использования умных машин. Но при верном планировании и развитии когнитивные технологии могут стать началом золотого века производительности, удовлетворенности от работы и процветания.

Впервые опубликовано в выпуске за январь – февраль 2018 года.

Генеральный директор Stitch Fix о продаже индивидуального стиля на массовом рынке

Катрина Лейк

БИЗНЕС-МОДЕЛЬ STITCH FIX ПРОСТА: мы посылаем вам одежду и аксессуары, которые, как нам кажется, вам понравятся, вы оставляете нужные вещи и отправляете остальные обратно. Наука о данных дает компании возможность использовать индивидуальный подход к потребителям, добиваясь при этом масштабирования бизнеса и выходя за рамки традиционной розничной торговли и электронной коммерции. Клиенты любят совершать покупки с помощью опытных стилистов, а также ценят удобство и простоту обслуживания.

Конечно, обеспечить простоту и удобство сервиса в условиях масштабирования бизнеса трудно. Это еще сложнее на рынке модного ритейла – высококонкурентном, неустойчивом и быстро меняющемся. Другие розничные продавцы одежды пытаются выделиться среди конкурентов низкой ценой или быстрой доставкой, наше же отличие – в персональных рекомендациях. Каждый набор вещей, или фикс-бокс, как мы его называем, представляет собой коробку с пятью предметами одежды и аксессуарами, выбранными специально для вас на основе информации, которую вы, как и миллионы других людей, предоставляете нам – сначала в подробной анкете при регистрации, а затем в отзывах после отправки каждого заказа.

Stitch Fix продала одежды на $730 млн в 2016 году и на $977 млн в 2017-м. Компания получила этот доход благодаря системе рекомендаций, которые составляют основу ее бизнеса. Stitch Fix имеет свыше 2 млн активных клиентов в Соединенных Штатах и работает с более чем 700 брендами. Мы не пытаемся продать вам ремни, которые так идут к блузке, добавленной в корзину, или навязать определенную марку, потому что вы ее уже покупали, или использовать вашу историю просмотров, чтобы предложить маленькое черное платье, – все эти действия имеют низкие показатели конверсии. Вместо этого мы создаем уникальные персональные комплекты, используя анализ данных и машинное обучение вместе с экспертным мнением.

Анализ данных не просто встроен в нашу корпоративную культуру, это и есть наша культура. Мы не внедряли его в стандартную организационную структуру – с самого начала он был главной составляющей бизнеса, и алгоритмы компании строились вокруг клиентов и их потребностей. У нас работают более 80 специалистов по обработке и анализу данных, большинство из которых имеют докторские степени в таких областях, как математика, нейробиология, статистика и астрофизика. Отдел Data Science подчиняется мне напрямую, и компании Stitch Fix просто не существовало бы без него.