Передовые практики внедрения AI решений

В декабре 2021 года McKinsey опубликовал результаты глобального опроса The state of AI in 2021. Отчет показывает, что внедрение ИИ продолжает расти: 56% всех респондентов сообщают о внедрении по крайней мере одной функции по сравнению с 50% в 2020 году и демонстрирует радужные результаты использования: доля респондентов, сообщающих о не менее 5% прибыли до вычета процентов и налогов (EBIT), которая относится к ИИ, увеличилась до 27% по сравнению с 22% в предыдущем опросе.

Наибольшая ценность опроса состоит в формировании перечня лучших практик, которые используют компании с высокоэффективным внедрением решений ИИ, в частности, оценивают EBIT от использования ИИ не менее 20%. Мы проанализировали опрос и составили перечень некоторых передовых подходов к созданию, развертыванию и оценке ИИ решений, которые рекомендуем использовать и для компаний с собственной разработкой, и для управления проектами ИИ, выполняемыми на аутсорсинге.

Использование методологии дизайн-мышления (design thinking) для эффективного внедрения AI

60% высокоэффективных компаний используют эту методологию для создания, развертывания и оценки ИИ решений.

Если посмотреть на этапы методологии, то это вполне закономерно.

  1. Сопереживание/эмпатия (Empathize)

Понимание проблемы и потребностей потенциальных пользователей.

  1. Определение проблемы (Define)

Анализ наблюдений и фокусировка на конкретных «болях» пользователей. На этом этапе важно понимать возможности ИИ.

  1. Генерация идей (Ideate)

Мозговой штурм и генерация гипотез позволяют найти нестандартные решения. На этом этапе можно формулировать алгоритмы, методы ИИ, которые будут использоваться в проекте.

  1. Прототипирование (Prototype)

Быстрая проверка гипотез – это быстрые победы, которые вдохновляют. Достаточно прототипа решения (например, MVP), чтобы выбрать лучшие идеи для дальнейшей разработки.

  1. Тестирование (Test)

На этапе тестирования можно определить решает ли ИИ продукт проблему из п. 1, сделать необходимые улучшения и принять решение о дальнейшем развитии и масштабировании.

Наличие четко определенных процессов управления данными (Data Governance)

45% высокоэффективных компаний отметили эту практику, как существующую в их бизнес-процессе, в отличии от 37% всех прочих компаний.

Обычные компании отмечают, что имеют регламенты, гарантирующие качество данных, и процент ответов у них даже выше, чем у высокоэффективных компаний (42% против 40%), но это, скорее, связано с незрелостью процесса управления данными, т. к. подобная инициатива может быть не до конца внедрена и проблема качества данных закрывается протоколами и регламентами.

В своих статьях мы уже писали о 5 основных задачах управления данными. Согласно докладу 2019 State of Data Management – это одна из основных стратегических инициатив для организации, и налаживание процессов и процедур Data Governance позволяет эффективно внедрять AI решения.

Напомним какие задачи должен закрывать процесс управление данными:

  1. Повышение качества данных
  2. Обеспечение целостности и доступности данных
  3. Контроль данных
  4. Обеспечение согласованности данных
  5. Унификация данных

Внедрение практик управления данными (Data Governance) в рабочий процесс поможет организации повысить качество корпоративных данных, увеличить их ценность и монетизировать в дальнейшем.

Постоянный мониторинг, переобучение и обновление AI моделей

По мере развития решений ИИ и увеличения количества внедрений становится актуальным вопрос ускорения разработки, упрощение запуска в промышленную эксплуатацию, мониторинг и поддержка решения. Появилось понятие MLOps для моделей машинного обучения (ML) по аналогии с DevOps для ПО.

Практики MLOps активно применяются высокоэффективными компаниями и только-только начинают осваиваться новичками. Например, подход полного жизненного цикла к разработке и развертыванию моделей ИИ – это 57% и только 26% соответственно.

В жизненном цикле машинного обучения есть пять основных этапов, все из которых имеют одинаковую важность и выполняются в определенном порядке.

  1. Определение цели проекта
  2. Сбор и изучение данных
  3. Моделирование данных
  4. Интерпретация и коммуникация
  5. Внедрение, документирование и поддержка

В основе подхода полного жизненного цикла лежит методология CRISP-DM, то есть Cross Industry Standard Process for Data Mining, но с повышением интенсивности внедрения требуется и расширение управления жизненным циклом модели, поэтому высокоэффективные компании имеют в составе своих бизнес-процессов следующие элементы MLOps:

  • регулярное обновление моделей ИИ на основе четко определенных критериев того, когда и зачем это делать (49% против 28% ответов от обычных компаний);
  • наличие методов и процессов, обеспечивающих интерпретируемость моделей (45% против 31% ответов от обычных компаний);
  • обновление технологического стека AI/ML не реже одного раза в год, чтобы воспользоваться последними технологическими достижениями (45% против 16% ответов от обычных компаний).

Вовлечение пользователей

Высокоэффективные компании отличаются тем, что они не только обучают персонал тому, как пользоваться моделями ИИ, но и основам работы этих моделей (57% против 35% ответов от обычных компаний). Понимание принципов работы ML-моделей поможет упростить нетехническим пользователям постановку задачи и не переоценивать потенциальные результаты.

Какую пользу приносит внедрение передовых практик

Опрос демонстрирует, что высокоэффективные компании в области ИИ не только показывают лучшие результаты внедрения AI решений, но и бОльшую эффективность и предсказуемость расходов на ИИ.

Три четверти высокоэффективных компаний отметили, что стоимость создания моделей ИИ была на уровне или даже меньше, чем они ожидали, в то время как половина всех остальных респондентов заявили, что затраты на проекты ИИ в их компаниях оказались выше, чем ожидалось.

Стоит отметить, что результаты опроса также показывают, что компании могут повысить свою эффективность за счет использования облака.

Большинство компаний, независимо от того, являются ли они высокоэффективными или нет, как правило, используют сочетание облачных и on-premises платформ для ИИ. Но высокоэффективные компании используют облачную инфраструктуру гораздо чаще, чем их коллеги: 64% их рабочих нагрузок ИИ выполняются в общедоступном или гибридном облаке по сравнению с 44% в обычных компаниях. Использование облаков дает доступ к широкому спектру возможностей и методов искусственного интеллекта, например, понимание речи на естественном языке и распознавания лиц.

Дополнительно в опросе затронута тема управления рисками AI решений, которую мы раскроем в следующей статье обзора.

Дополнительно

Читайте в наших статьях:

Снижение рисков инновационных проектов или как помочь проекту взлететь (datanomics.ru)

Искусственный интеллект в промышленности на примере внедрения системы предиктивного обслуживания оборудования. 3 фактора успеха (datanomics.ru)

Data Governance. 5 основных задач управления данными (datanomics.ru)

Облачные хранилища данных: доступные и надежные системы для развития бизнеса (datanomics.ru)

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

    Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

    Мы используем файлы cookies, чтобы получать статистику и делать наш сайт и другие сервисы удобными для вас. Продолжая дальнейшее использование сайта и/или его сервисов, вы соглашаетесь с этим. Более подробную информацию можно прочитать в «Политика обработки персональных данных» и в «Политика Cookies»