В 2020 году исполняется 10 лет со дня моего профессионального опыта работы в сфере искусственного интеллекта (ИИ) как в качестве специалиста по данным, так и в области стратегии и реализации продуктов. Он был инициирован в мире малого и среднего бизнеса (SMB) в различных отраслях, включая строительство, розничную торговлю и здравоохранение; и вскоре после этого перешел в корпоративный мир, сосредоточившись на электронной коммерции, платежах и фармацевтике.

Оглядываясь назад, я понимаю, что достижения в области больших данных, инструментов машинного обучения и технологий управления рабочими процессами в совокупности способствовали превращению ИИ в товар для бизнеса. Теперь стало проще 1) получать доступ к возможностям хранения и вычислений с помощью общедоступного оборудования, 2) использовать сложные алгоритмы с использованием доступных инструментов и библиотек для автоматизации рабочего процесса или обучения/тестирования модели без глубоких знаний в области машинного обучения и 3) развертывать параллельные артефакты модели в производство и проводить эксперименты A/B, чтобы найти оптимальный опыт.

Крупные корпорации уже осознали влияние ИИ на свои рабочие процессы, и большинство из них создали внутренние платформы, которые еще больше упрощают разработку и развертывание таких технологий. Примерами таких систем являются платформа ML-as-a-Service Michelangelo от Uber, FBLearner от Facebook, Bighead от Airbnb и Крылов от eBay. Однако многие нетехнические малые и средние предприятия еще не смогли в полной мере использовать ИИ из-за его дорогостоящего, технического и ресурсоемкого характера. Я подозреваю, что грядущие горизонтальные или вертикальные инновации для малых и средних предприятий сделают неизбежным использование ИИ в будущем.

Здесь я хотел бы поделиться реальными примерами использования ИИ в бизнесе, некоторые из которых основаны на моем собственном опыте. Высказанные мнения являются исключительно моими собственными и не отражают точку зрения какой-либо организации.

Подход «сверху вниз» к поиску наилучших возможностей ИИ для каждого бизнеса начинается с понимания того, какие ключевые показатели эффективности бизнеса необходимо оптимизировать, а не с решения по ИИ. Я обнаружил, что приложения ИИ особенно важны для оптимизации пяти ключевых показателей эффективности бизнеса.

1. Снижение затрат

2. Экономия времени

3. Улучшение соответствия

4. Увеличение дохода

5. Масштабирование бизнеса

1. Снижение затрат: NLP, распознавание речи и RPA

Обработка естественного языка (NLP) вносит большой вклад в автоматизацию и снижение затрат для бизнеса. Вариант использования NLP, который широко используется в корпорациях и в мире малого и среднего бизнеса, — это служба поддержки клиентов. Это включает в себя 1) непосредственное получение вопросов, проблем и запросов клиентов, 2) обработку естественного языка для понимания контекста ввода клиента, 3) поиск правильного контента, тесно связанного с контекстом клиента, и 4) ответ клиенту либо в в режиме реального времени или в автономном режиме. Uber разработал собственную платформу Uber COTA, которая ежедневно обрабатывает сотни тысяч билетов в более чем 400 городах мира. Представьте себе обработку такого объема данных командой поддержки клиентов, состоящей из людей! Этот вариант использования — отличный пример того, как службы поддержки могут использовать НЛП для обеспечения автоматизации и снижения затрат на человеческие ресурсы. Сегодня многие компании предлагают модели и услуги НЛП, включая AWS Comprehend, Google и Turi Create. Тем не менее, Берт от Google известен своими наиболее полными библиотеками НЛП с открытым исходным кодом. У меня также был большой опыт в прошлом обучении моделей NLP с использованием IBM Watson и подключении конечного результата к другим приложениям, таким как Slack.

Распознавание речи — еще один инструмент снижения затрат для компаний и малого и среднего бизнеса. Специально для здравоохранения, Medical Transcription может использовать технологии распознавания речи для расшифровки голоса, продиктованного врачами, медсестрами или другими практикующими врачами, и автоматизации передачи их данных в электронные медицинские карты (EHR). AWS предлагает специальный сервис Медицинская транскрипция. Эта технология устраняет человеческие ошибки при ручном расшифровывании и снижает затраты на выделение человеческих ресурсов для выполнения этой задачи.

Роботизированная автоматизация процессов (RPA), которая включает использование программных роботов для автоматизации процессов на основе правил, является третьим фактором снижения затрат. Этих роботов обычно несложно обучить и развернуть для автоматизации ручных процессов, и они обычно используются для автоматизации повторяющихся задач, таких как передача данных между приложениями и выполнение повторяющихся задач между различными системами. Эти программные роботы заменили людей-операторов, что значительно снижает затраты и повышает гибкость бизнес-операций. Использование RPA обычно считается ступенькой к более сложной и всесторонней аналитике для организаций.

2. Экономия времени: OCR

Оптическое распознавание символов (OCR) позволяет более эффективно оцифровывать бумажные формы и извлекать данные из устаревших процессов. Этот тип технологии широко используется во многих отраслях, включая 1) строительство, где выезды на места происходят в формате ручки и бумаги, и требуются длительные процессы ввода данных для передачи данных в цифровые базы данных, 2) банковское дело, где автоматизированная и безошибочная требуется преобразование чеков и документов в счета клиентов, и 3) здравоохранение, где информация о пациентах в бумажных формах потребует конфиденциальной и точной передачи данных в EHR.

Мой предыдущий опыт работы в Marmasoft был связан со строительной отраслью, где я помогал с оцифровкой форм и автоматизацией процессов ввода данных. Технологии этого типа очень помогли компаниям сэкономить время, затрачиваемое на ввод данных вручную в базы данных, и уменьшить количество человеческих ошибок в результате ручных процессов. Помимо экономии времени, OCR также помогает обеспечить конфиденциальность и безопасность данных.

3. Улучшение соответствия: Интернет вещей

В фармацевтической промышленности контрактные исследовательские организации (CRO) — это организации, проводящие клинические испытания для фармацевтических компаний, чтобы доказать безопасность и эффективность лекарств при конкретном заболевании. Эти клинические испытания очень длительны и дорогостоящи, так как для завершения нескольких фаз испытаний требуются годы и от сотен миллионов до миллиардов долларов для получения одобрения FDA и выхода на рынок. Поэтому очень важно, чтобы все аспекты клинических испытаний соответствовали правилам и рекомендациям FDA. Сегодня Интернет вещей (IoT) не используется в полной мере в клинических испытаниях ни со стороны потребителей, ни со стороны бизнеса. Этому варианту использования посвятили себя я и моя команда в Brite.

Люди, участвующие в клинических испытаниях, потенциально могут использовать датчики состояния здоровья для измерения и мониторинга нужных данных, а также для передачи или обработки их для обеспечения высокого соответствия требованиям конфиденциальности участников и требованиям FDA. Примером может служить применение Apple Watch ECG в рамках клинических исследований сердечно-сосудистых заболеваний.

Что касается коммерческой стороны клинических испытаний, фармацевтические компании и CRO могут автоматически передавать данные с потребительских датчиков или медицинских устройств для их обработки и анализа конфиденциальным и безопасным способом. Это значительно поможет с соблюдением требований FDA.

4. Увеличение дохода: рекомендации и персонализация

В последние годы развлекательные услуги (такие как Netflix) и услуги электронной коммерции (такие как Amazon и Walmart, а также PayPal в качестве платежной технологии для электронной коммерции) быстро росли. Эти отрасли имеют сходство:

  1. Оба имеют огромные объемы данных и требуют специальной инфраструктуры для хранения и обработки больших данных. Чтобы представить это в перспективе, Netflix имеет дело с десятками тысяч контента (например, сериалы, фильмы и т. д.), Walmart eCommerce имеет миллионы товаров (единицы хранения — SKU), а PayPal имеет дело с миллиардами транзакций. Такой большой объем (и скорость потока) данных потребует специальной инфраструктуры хранения и возможностей обработки.
  2. Оба требуют особого внимания к привлечению клиентов, чтобы удерживать клиентов в своей экосистеме и конкурировать со своими конкурентами. Сегодня эти компании используют возможности персонализации и рекомендаций для предоставления релевантного контента (как с точки зрения медиа-контента в сфере развлечений, так и с точки зрения рекомендаций по товарам в электронной коммерции), чтобы помочь клиентам находить и конвертировать без проблем и более эффективно. Возможно, вы слышали о премии Netflix в размере 1 миллиона долларов за рекомендации (которые никогда не были реализованы).

Использование данных для удержания клиентов в экосистеме компании с использованием персонализированных и очень актуальных рекомендаций приведет к повышению вовлеченности клиентов и увеличению доходов компании.

Хотя услуги розничной торговли или электронной коммерции малого и среднего бизнеса не будут иметь таких же больших объемов данных, им все равно потребуются технологии для автоматического хранения и обработки данных о клиентах, запасах и транзакциях, чтобы получать доход за счет рекомендаций и персонализации. Мой опыт создания систем рекомендаций и персонализации в eBay/PayPal и Walmart был посвящен корпоративному миру, и я хотел бы использовать этот опыт и в секторе малого и среднего бизнеса. В ближайшее время я посвящу этой теме отдельный пост.

5. Масштабирование бизнеса: прогнозная аналитика

Последний вариант использования технологий ИИ в мире B2B является самым сложным и всеобъемлющим из всех. Используя Predictive Analytics, растущие компании могут сосредоточиться на прогнозировании продаж, прогнозировании цен, прогнозировании времени безотказной работы или дополнительных целях клиентов, чтобы значительно масштабировать свой бизнес и гибко реагировать на изменения рынка.

Вывод

Таким образом, текущие достижения в области искусственного интеллекта, включая автоматизацию и машинное обучение, привели к внедрению искусственного интеллекта в различных корпорациях. Тем не менее, рынок SBM по-прежнему ищет более простые в использовании технологии для более интеллектуальной автоматизации своих процессов без необходимости в больших и дорогостоящих технических командах. Как только такая вертикальная или горизонтальная технология малого и среднего бизнеса будет разработана, небольшие компании также смогут сократить расходы, сэкономить время, улучшить соответствие требованиям, увеличить доход и, наконец, масштабировать свой бизнес беспрецедентным образом.

Первоначально опубликовано наhttps://www.linkedin.com/pulse/real-value-ai-smb-corporates-niousha-zadeh/