Технологии искусственного интеллекта прочно закрепились в российском бизнесе. Многие крупные игроки открыли специальные лаборатории и центры инноваций для тестирования новых возможностей. Какие проекты они развивают и какую выгоду им это приносит?

«Новая реальность уже давно наступила — искусственный интеллект незаметно вошел в нашу жизнь, — говорит Аркадий Сандлер, руководитель направления искусственного интеллекта центра инноваций МТС. — Алгоритмы управляют светофорами, распознают номера машин и присылают автомобилистам штрафы за нарушение правил, уже появились беспилотные автомобили». По мнению Сандлера, со временем новые технологии станут настолько привычными, что мы даже откажемся от самого термина «искусственный интеллект» (ИИ).

По расчетам McKinsey, уже к 2030 году искусственный интеллект принесет мировой экономике $13 трлн. И крупные российские компании не уступают глобальным игрокам. В начале 2019 года компания Microsoft обнародовала исследование «Бизнес-лидеры в эпоху ИИ». В опросе приняли участие 800 топ-менеджеров из США, Европы, России. Результаты показали, что 30% российских компаний активно внедряют искусственный интеллект — это самый высокий показатель среди всех стран-участниц опроса (среднее значение по выборке составляет 22%). По мнению Аркадия Сандлера, который был одним из российских респондентов, этим цифрам можно доверять.

По данным Microsoft, более 40% руководителей быстрорастущих компаний по всему миру активно внедряют ИИ, в то время как среди более медленных игроков этот показатель — 18,5%. В основном топ-менеджеры используют технологии ИИ для постановки правильных целей (32%), разработки бизнес-идей (26%), определения новых возможностей рынка (25%), а также для принятия решений (23%).

Большая часть проектов в области ИИ связаны с распознаванием изображений и видео, текстов, речи, а также с анализом данных. Многие крупные компании уже внедрили разговорные интерфейсы — чат-ботов и голосовых помощников.

Технологии ИИ сегодня работают в разных секторах рынка. Традиционно лидируют ИТ- и телеком-компании, банки, ритейл, большую активность проявляют игроки в области здравоохранения и транспорта. Внутри организаций тоже есть приоритетные направления. Например, компания SAP ведет собственную статистику, где именно ее клиенты используют технологии ИИ и машинного обучения. По ее данным, чуть менее трети проектов (28%) связаны с продажами, затем идут финансы (26%), производство (25%), HR (13%), закупки (4%) и все остальное (4%).

Мы тоже опросили крупные российские компании и выяснили, как они применяют технологии ИИ и есть ли польза от этих проектов.

ИДЕЯ КОРОТКО

Ситуация
Российские компании готовы повышать эффективность бизнеса цифровыми методами, но им необходимы корректные данные, подготовленные специалисты и возможность обучать алгоритмы.
Возможности
Бизнес использует искусственный интеллект и машинное обучение для постановки целей, разработки идей, определения возможностей рынка, а также для принятия решений. Многие проекты связаны с распознаванием изображений и видео, текстов, речи.
Приоритеты
с искусственным интеллектом, российские компании хотят понимать, какую выгоду им это принесет. У большинства игроков есть минимальный финансовый порог, ниже которого они не готовы опускаться.

Телефонное право

В 2017 году МТС создала специальное подразделение для внедрения решений на базе искусственного интеллекта, и сейчас в нем работают почти 80 человек. «МТС уже давно не столько телеком-оператор, сколько поставщик различных цифровых услуг, включая связь, — рассказывает Аркадий Сандлер. — В процессе трансформации мы выявляем бизнес-процессы, которые можно автоматизировать, в том числе с использованием систем ИИ».

Сейчас команда ведет 12 проектов, связанных с обработкой естественного языка, распознаванием речи и компьютерным зрением. На базе этих технологий компания планирует разрабатывать продукты в области клиентского сервиса, медицины, юриспруденции и в других сферах. Например, МТС уже создала целое семейство чат-ботов для взаимодействия с клиентами и решения внутренних задач. По словам Сандлера, эта платформа экономит бизнесу более 50 млн руб. на каждый миллион обращений в компанию.

Системы искусственного интеллекта помогают автоматизировать шаблонные процессы и в других подразделениях. В данный момент МТС модернизирует работу службы закупок и юридического департамента. У крупных корпораций есть проблема: они несут огромные убытки из-за того, что их подрядчики срывают сроки и некачественно выполняют свои обязательства. Даже если в договоре прописаны штрафные санкции, далеко не все заказчики взимают эти суммы. Часто просто руки не доходят — нужен целый штат людей, которые будут отслеживать информацию, писать претензии. В МТС, например, количество открытых договоров с подрядчиками исчисляется сотнями тысяч, если хотя бы 10% из них нарушают условия контракта (а по статистике их даже больше), то многие сотрудники оказываются заваленными бумажной работой.

На помощь приходят технологии, связанные с автоматическим распознаванием и пониманием текстов. Чтобы автоматизировать претензионную работу, нужно составить каталог всех подписанных и действительных документов. Алгоритм должен уметь выделять в них ключевые данные, включая даты, а также читать входящие документы. Кроме того, он должен понимать, что по конкретным договорам возможна просрочка, давать знать об этом ответственному сотруднику в компании, а также самому поставщику. Более того, если от поставщика поступит объяснение, этот документ тоже надо прочитать и принять решение — отложить дату исполнения договора или все-таки настаивать на ответственности контрагента, вплоть до формирования шаблона искового заявления.

В МТС начали с системы чтения документов, над этой задачей сотрудники работали несколько месяцев. Сейчас точность модели составляет примерно 70%, алгоритм читает документы и вычленяет все необходимые данные. Пилотный проект запустили в двух регионах, и, по словам Сандлера, со временем точность модели должна превысить 90%.

«Мы решили, что нам важна профилактика. Если подходит срок исполнения по договору, алгоритм готовит письмо поставщику с напоминанием или просит заранее оповестить о возможных препятствиях, — -рассказывает Аркадий Сандлер. — Если срок уже прошел, предлагаем либо срочно закрыть договор, либо прислать официальное объяснение, почему это не было сделано». Алгоритм сам составляет письма в адрес поставщиков, но сейчас перед отправкой их просматривает человек. В режиме коммерческой эксплуатации алгоритм будет работать самостоятельно. Возможно, со временем ему доверят не только готовить шаблоны исковых заявлений, но и отправлять их в канцелярию суда.

В МТС пока не подсчитывали, сколько сэкономят благодаря новой технологии претензионной работы. Но, как выяснил на международной конференции Аркадий Сандлер, компания Mercedes благодаря подобной системе экономит почти €170 млн в год. По словам Сандлера, МТС не планирует увольнять персонал, чьи функции заменят алгоритмы: «Мы хотим лишь сделать работу людей эффективнее, чтобы сотрудники с высшим образованием занимались не бумажной рутиной, а применяли знания, полученные в вузе».

Расчетливый банк

В банках технологии машинного обучения используют уже довольно давно. Но если раньше это были простые методы (их применяли в основном для оценки рисков), то в последние год-два технологии стремительно развивались, и теперь их внедряют в самые разные бизнес-процессы, рассказывает Андрей Кутовой, руководитель департамента развития клиентской базы Альфа-банка.

Непосредственно в подразделении Андрея Кутового машинным обучением занимаются 20 человек, в других департаментах банка эти технологии используют как минимум еще 20 сотрудников (оценка рисков, противодействие мошенничеству, оптимизация операций и др.). За полтора года они выполнили 7 серьезных диджитал-проектов, еще столько же на подходе. Каждый проект подразумевает разработку математических моделей для решения бизнес-задач. На создание одной модели уходит в среднем от 3 до 6 месяцев. «На все проекты мы смотрим сквозь призму экономической целесообразности, — объясняет Андрей. — Рассмотрев 50 идей на входе, мы взяли в работу 20, которые могут принести наибольший эффект». Чтобы идея была взята в разработку, в Альфа-банке существует минимальный порог — проект должен принести не менее $3 - 5 млн экономической выгоды на горизонте трех лет.

Например, компании выгодно, когда клиенту звонит и предлагает продукты не сотрудник колл-центра, а робот, который умеет поддерживать диалог и отвечать на вопросы. Экономия на труде операторов очевидна. В банке сейчас тестируют такую технологию, и ее внедрение — вопрос ближайшего времени. «Мы хотим за этот год до 50% всех коммуникаций частично или полностью переключить на робота, — говорит Кутовой. —- Сейчас мы ищем внутри компании подобные процессы и пробуем применить для них машинное обучение».

Еще одно перспективное направление — умные продажи. Важно подобрать для каждого клиента оптимальное время коммуникации, ее канал (звонок, СМС-сообщение, мессенджер) и форму (текст или картинки). По словам Кутового, человек особо не замечает разницу, но банк даже в тестовом режиме видит рост продаж. Точно так же искусственный интеллект может предложить клиенту наиболее релевантный для него продукт. Для обучения алгоритма в банке используют историю отношений с клиентом, его кредитную историю, карточные транзакции, покупают агрегированные данные сотовых операторов и т. д. Некоторые банки даже специально создают собственного виртуального оператора для накопления данных.

Наконец, машинное обучение способно существенно улучшить качество скоринга и клиентской базы. Раньше, например, для скоринга использовали метод логистической регрессии и рассчитывали, какой у хорошего розничного заемщика должен быть уровень образования, размер зарплаты, стаж и др. Сейчас активно внедряют более продвинутые математические методы. Например, нейронные сети гораздо быстрее перебирают все возможные комбинации факторов и дают более качественный результат, правда, его не всегда можно интерпретировать. Это так называемые блэк-бокс-модели (от англ. black box — черный ящик). Технология довольно точно подсказывает, какой клиент более надежен, но разработчики не всегда понимают, на основе каких факторов система сделала такой вывод.

Искусственный интеллект помогает и в работе с корпоративными клиентами. Иногда компания делает платежи партнерам в другие банки, не подозревая, что у контрагента также есть счет в Альфа-банке. Математический анализ позволяет находить такие компании, и это всем выгодно — стороны экономят на комиссии, а банк наращивает транзакции.

Кредитоспособность юридических лиц рассчитывать сложнее, чем частных клиентов, поэтому разработчики строят более сложные модели. Они собирают информацию из доступных источников и на ее основании выясняют, каков в целом объем бизнеса клиента, можно ли ему давать кредит. Проект с юридическими лицами продолжается в тестовом режиме, и, по словам Андрея Кутового, результаты будут через несколько месяцев. Но предварительные выводы уже радуют разработчиков.

Металл и зрение

Лаборатория инноваций в «Норильском никеле» появилась чуть более года назад. Ее задача — выявлять области для оптимизации, оценивать новые идеи, а также разрабатывать и тестировать самые перспективные, которые могут принести финансовую выгоду. В команде лаборатории 11 человек, это не только «айтишники», но и опытные металлурги. Как рассказывает руководитель подразделения Алексей Манихин, за прошлый год к ним поступило 60 инициатив, из них 21 взяли в разработку, а на выходе получилось 16 прототипов. В этом году лаборатория уже рассмотрела 150 идей, и 36 из них начала тестировать.

Лаборатория использует самые разные технологии, в том числе искусственный интеллект, машинное обучение, большие данные, интернет вещей и т. д. Все проекты направлены на повышение эффективности производственных и поддерживающих процессов, и часть из этих разработок связана с компьютерным зрением. Например, компания начала отслеживать, выполняют ли рабочие правила техники безопасности. В одном из цехов висят видеокамеры, алгоритм сканирует видеопоток и определяет, надел ли сотрудник защитную спецодежду, очки, каску, застегнул ли ремешок под каской. Если что-то из перечисленного отсутствует, система может отправить онлайн-сигнал руководителю или в конце дня подготовить отчет со скриншотами нарушений. «Технология пока работает в тестовом режиме, — рассказывает Алексей Манихин. — Понятно, что руководитель, получив сигнал, не побежит сразу в цех принимать меры. Мы сейчас решаем, как будем реагировать на нарушение».

Еще один тестовый проект — распознавание посторонних включений на конвейере Талнахской обогатительной фабрики. По конвейеру непрерывно подается руда и поступает в дробилку, но иногда в этом потоке попадается мусор — куски металла, арматура, которые могут сломать дробилку и привести к простоям производства. Скажем, отломился зуб ковша экскаватора и случайно попал на ленту. Чтобы посторонние предметы не попадали в дробилку, за лентой следит оператор. Однако человек устает и может отвлечься, поэтому в помощь сотруднику компания подключила к решению задачи искусственный интеллект.

Как рассказывает эксперт лаборатории Денис Миганов, около ленты поставили видеокамеру, две недели сотрудники просматривали видео и отмечали посторонние включения. Затем они несколько месяцев обучали алгоритм по этим изображениям. Сейчас программа, которая обрабатывает видео из цеха, довольно точно определяет мусор на ленте, его тип (металл, дерево), а также обводит изображение постороннего предмета квадратиком. Кроме того, рядом с конвейером повесили мигалку, которая включается, если алгоритм обнаружил на ленте что-то лишнее. Компания также рассматривает вариант, чтобы система отправляла работнику вибрирующий сигнал на браслет.

Сейчас возле конвейера поставили вторую камеру, чтобы фиксировать действия сотрудника и собирать статистику. Скажем, если система ошиблась и человек не стал вытаскивать предмет, на который ему указали, то картинку используют для дополнительного обучения модели. Возможно, следующим шагом станет покупка промышленного манипулятора, который смог бы без участия работника убирать мусор с ленты.

Еще один проект, который сейчас разрабатывает команда лаборатории инноваций — мониторинг хвостохранилищ. Жидкие отходы горнообогатительного производства (так называемые хвосты) обычно собирают в специальные хранилища, за которыми приходится следить. Если дамбу прорвет, отходы загрязнят окружающую среду, а компания выплатит большой штраф. Стенки дамбы нужно регулярно укреплять, и профилактика обходится довольно дорого. Но есть более эффективный путь — получать фотографии со спутника, оценивать их с помощью цифровых систем и наблюдать, как меняется граница хвостов. В этом случае компания может существенно сэкономить и ремонтировать дамбу только там, где требуется.

Удобрения по стандарту

Одна из главных задач производственных компаний — повышать эффективность оборудования. Как поясняет руководитель департамента цифровизации и технологического развития компании «Уралхим» Азат Гафаров, здесь возможны два пути. Первый — классический: постоянно модернизировать оборудование. Однако это требует серьезных затрат. Второй способ — внедрение инноваций, и здесь на помощь бизнесу приходят цифровые технологии. Именно этот путь выбрал «Уралхим», один из крупнейших производителей минеральных удобрений. Компания обследовала свое оборудование, выявила, что можно улучшить за счет применения искусственного интеллекта и машинного обучения, и начала пилотные проекты.

Жидкое сырье для удобрений поступает в барабанную сушилку, проходит обработку горячим газом и превращается в гранулы. На выходе гранулы должны соответствовать стандартам — 1— 4 мм. «Удобрения вносят на поле с помощью специальных машин, поэтому большое значение имеет баллистика гранул: они должны разлетаться равномерно», — рассказывает Азат Гафаров. Если диаметр продукции больше или меньше, она считается некондиционной и возвращается в барабан на переработку, а крупные гранулы еще приходится дробить. В этом случае производительность агрегата снижается, компания теряет деньги.

На объем выпуска влияет множество параметров — температура газа внутри барабана, давление, количество оборотов и т. д. Если просто увеличить количество оборотов или поднять температуру, можно нарушить технологический режим, и процесс придется останавливать. Оператор установки отслеживает с помощью датчиков все параметры и подбирает оптимальный режим. Но даже опытный специалист не может быстро просчитать все варианты, как это сделал бы искусственный интеллект.

Компания построила цифровую модель, которая адекватно описывает работу установки, а затем обучила алгоритм на реальных производственных показателях. На это ушло несколько месяцев. Эксперимент пока продолжается, но, по словам Азата Гафарова, эффект уже есть. Сейчас установка вырабатывает до 16 тонн удобрений в час, а искусственный интеллект может увеличить эту цифру примерно на 10%. В деньгах это дополнительные 40 млн руб. в год от одного агрегата, а таких установок в «Уралхиме» девять. Правда, разработанная система не сможет действовать самостоятельно и управлять работой оборудования — таковы требования Ростехнадзора. ИИ будет выступать лишь в роли цифрового советчика — подсказывать оператору, какие изменения внести в технологический процесс, чтобы увеличить объем выпуска, не снижая качества.

Искусственный интеллект сегодня помогает российским компаниям повышать производительность труда, результативность продаж, следить за работой оборудования и отлаживать многие другие процессы. Но развитие технологий пока сдерживают два фактора: недостаток данных для обучения алгоритмов и нехватка опытных специалистов. Как только эти проблемы будут решены, нас ждет взрывной рост как числа проектов, так и их эффективности.

 

 

 

Источник: Harvard Business Review