В 2025 году затраты бизнеса на внедрение искусственного интеллекта достигнут $644 млрд. Это приводит к росту интереса предпринимателей к оптимизации их процессов с помощью ИИ. Многие стремятся адаптировать современные технологии, не осознавая, что зачастую им достаточно обычного машинного обучения (ML).
Генеральный директор Surf, Владимир Макеев, в своей колонке для Forbes рассматривает случай, когда внедрение ИИ может не принести ожидаемых результатов.
Искусственный интеллект звучит заманчиво, однако внедрение его в компании не всегда оправдано. Часто проблема заключается в том, что характера задач достаточно простых, чтобы их можно было решить с помощью традиционного ML, которое применяют в реальных приложениях, как в ритейле, банках и ресторанах.
Такие алгоритмы способны обрабатывать большие объемы данных и выполнять специфические функции: от рекомендаций до автоматического распознавания речи. При этом механизм ML не требует сложных логических операций, он работает лишь в рамках обученного алгоритма.
Использование готовых инструментов, таких как «TensorFlow», «PyTorch» и «Scikit-Learn», позволяет существенно сократить затраты на разработку и внедрение системы машинного обучения по сравнению с более затратным искусственным интеллектом.
В итоге компании, стремясь идти в ногу с тенденциями, могут забыть о простых решениях, которые способны привести к повышению эффективности и приносить реальный доход без ненужных затрат на технологии, которые им не поддаются.
Проект «под ключ», включающий все этапы работы с данными и внедрение алгоритмов, обойдется в 50 000 - 250 000 рублей.
Искусственный интеллект (ИИ) воспроизводит человеческий интеллект и представлен большим языковым моделям (LLM), генеративными и аналитическими моделями, которые активно используются в таких сферах, как автопром и медицина. Однако обучение нейросетей в России требует значительных финансовых вложений: от 1,5 до 10 миллионов рублей, в то время как за границей эта сумма составляет от 25 000 до 40 000 долларов.
Разработка сложных моделей, таких как у Microsoft и OpenAI, обходится в сотни миллиардов долларов, а затраты на исследование и разработку растут на 30-50% в год из-за дефицита кадров и стоимости оборудования.
ИИ чаще всего необходим только крупным компаниям, работающим с обширными объемами данных в узкоспецифических сценариях. Например, P&G применяет ИИ для мониторинга производства. Тем не менее, компании, внедряющие ИИ без четкой цели, испытывают неудачи в 80% случаев.
Замена ML на «настоящий ИИ» в таких отраслях, как ритейл и фудтех, оказывается неэффективной, ведет к росту затрат и не приводит к ощутимым изменениям в пользовательском опыте или увеличению продаж.
Бизнесы успешно оперируют и без ИИ, что объясняется недостатком понимания целей его применения среди продакт-менеджеров. Часто они предполагают, что ИИ поможет автоматизировать процессы, хотя в действительности на многие задачи достаточно и ML, который дешевле и требует меньших ресурсов для поддержки.
Следовательно, многие компании выбирают ML как более разумный и эффективный путь, избегая лишних затрат на ненужные решения.
Чтобы повысить эффективность операторов техподдержки без потери качества сервиса, можно обойтись без искусственного интеллекта. Более целесообразно создать чат-бота, использующего алгоритмы машинного обучения (ML) и фиксированные сценарии взаимодействия. Для этого в чат-бот загружаются стандартные вопросы и соответствующие ответы. ML помогает автоматически генерировать ответы на часто задаваемые запросы, анализировать ключевые слова и передавать сложные вопросы к операторам.
Хотя внедрение сложных языковых моделей для общения с клиентами может показаться привлекательным, это нецелесообразно с коммерческой точки зрения. Простые фильтры по категориям и размеру, такие как поиск обуви нужного размера, не требуют сложного интеллекта — это стандартная сортировка товаров. Так функционируют ML-системы в интернет-магазинах, таких как «Nike», «Amazon» и «Wildberries».
Несмотря на это, внедрение более продвинутых чат-ботов, которые могут уточнять параметры у пользователя, также подразумевает использование стандартных ML-методов. Для формирования индивидуальных рекомендаций в сфере e-commerce и финансов выгоднее использовать ML-алгоритмы, которые запоминают поведение пользователей: какие товары они просматривают, что покупают и какие позиции часто приобретаются вместе. На основе этой информации алгоритмы генерируют актуальные рекомендации. Например, успешный опыт внедрения ML-апсейлов в «Burger King» демонстрирует, как правильные рекомендации могут существенно увеличить объем продаж. Если же алгоритм не показывает ожидаемых результатов, его можно оперативно адаптировать.
Обучение нейросетей не требуется для применения их основных функций, таких как общение, предиктивная аналитика и генерация контента. Многие компании переплачивают за эти возможности, которые могут быть не использованы.
Для анализа больших объемов данных можно эффективно применять машинное обучение (ML). Примером служит KFC, использовавшая ML для классификации обращений клиентов. Это решение позволяло определять, к каким продуктам относятся запросы, и помогало улучшать качество обслуживания, направляя жалобы к соответствующим менеджерам и уменьшая количество ошибок в классификации вдвое.
Для автоматической фильтрации контента в соцсетях или на сайтах знакомств важно внедрение ML-алгоритмов. Они могут идентифицировать неприемлемый контент, такой как сцены насилия или порнографию, и автоматически скрывать его, уведомляя модераторов о нарушениях.
В одном из проектов по созданию православного дейтинг-сервиса нам понадобилось разработать алгоритм, который ограничит публикацию откровенных изображений и недопустимых материалов. Это позволило существенно снизить объем ручной работы и ускорить обработку заявок. При низкой уверенности модели мы используем ручную проверку для улучшения точности фильтрации.
Важно также учитывать безопасность данных, особенно когда речь идет о работе с корпоративной или личной информацией в условиях соглашений о неразглашении (NDA), поскольку неведение о рисках может привести к серьезным проблемам.
Внедрение нейросетей в бизнес требует наличия качественных данных и инфраструктуры для их обработки. Без должной культуры работы с данными и организованного хранилища использование современных технологий, таких как «Retrieval-Augmented Generation» (генерация на основе найденной информации), становится менее эффективным.
Основания для этого подтверждают примеры таких гигантов, как «Яндекс» и «Сбер», которые сталкиваются с трудностями в обучении ИИ, особенно по сравнению с более продвинутыми разработками, представленными OpenAI и DeepSeek.
К сожалению, не все крупные компании могут себе позволить полноценное обучение нейросетей, прибегая к упрощённым методам, как «Low-Rank Adaptation». В то время как малый и средний бизнес часто сталкивается с нехваткой финансовых ресурсов и данных, что затрудняет разработку конкурентоспособных решений. Многие из них лишь адаптируют существующие иностранные модели для своих нужд и русского языка.
Тем не менее, доступ к готовым ML-алгоритмам, которые можно дообучить, есть и в открытом доступе. Это создает возможности для компаний, у которых недостаточно средств для разработки собственных систем. Однако основная проблема остается в сборе и обработке данных. Данные представляют собой самый ценный ресурс, требующий аккумулирования и организации. Найти подходящие тематические наборы данных бывает сложно, и они не всегда соответствуют специфическим требованиям бизнеса.
Пример удачного использования машинного обучения можно наблюдать в e-commerce: интеграция умного поиска в приложение магазина модной одежды значительно повысила качество поиска. Старый алгоритм не справлялся с современными запросами, и умный поиск был внедрён для того, чтобы помочь пользователям находить товары, даже если они не могут точно их описать.
Например, система способна интерпретировать запросы, подобные "образ для коктейльной вечеринки", что делает процесс покупки более удобным и ориентированным на потребителя.
Неправильные или неинформативные тексты негативно сказываются на работе систем поиска. Умные поисковые технологии ищут соответствия по изображениями и текстовому контенту, обучаясь на картинках и детализированных описаниях товаров. Например, система может выдать платье с открытой спиной по запросу «летнее платье», даже если это выражение не встречается в описании. В нашей разработке мы использовали готовые решения, адаптировав их под специфические задачи и обучив на надлежащих данных, что обошлось значительно дешевле, чем создание полноценной ИИ-системы, требующей высокой мощности серверов и особенностей обучению в реальном времени.
Клиенты, как правило, довольны результатом: поиск стал более эффективным и не потребовал значительных вложений. Чаще всего большие языковые модели (LLM) интегрируют в чат-боты, черпая преимущество из их использования в тех местах, где традиционные методы уже неэффективны. Например, на портале «Госуслуги» цифровой ассистент помогает пользователям искать нужные услуги, снижая когнитивную нагрузку при большом массиве информации.
Искусственный интеллект (ИИ) также значительно ускоряет процессы разработки. Сервисы типа Copilot помогают автоматизировать дополнение кода, что увеличивает скорость работы разработчиков на 30-40%. Применение ИИ также актуально на сельскохозяйственных предприятиях, где нужно управлять поливом в зависимости от погоды, да и на заводах для прогнозирования износа оборудования.
Кроме того, ИИ эффективен в анализе данных и выявлении проблем, таких как снижение конверсии на сайте. Нейросеть может, например, исследовать тепловую карту и поведение пользователей, чтобы выявить слабые места. В 2025 году нейросети будут служить дополнительными инструментами, находя широкое применение в поддержке клиентов и аналитике после дообучения.
В то же время полноценные ИИ-агенты еще не достигли своего пика в развитии. Российский рынок остается в зависимости от зарубежных решений, хотя в условиях стремительного прогресса предполагается, что крупные языковые модели в ближайшие годы будут значительно развиваться. А новый акцент на миниатюризации и мультимодальности в ИИ, особенно в Китае, может менять правила игры.
