Harvard Business Review (HBR) - Искусственный интеллект, аналитика и новые технологии

Наше исследование показывает, что программы когнитивного взаимодействия в настоящее время не представляют угрозы для службы поддержки или отдела продаж. В большинстве изученных проектов цель состояла не в том, чтобы уменьшить количество сотрудников, а в том, чтобы справиться с растущим числом взаимодействий между ними и клиентами без найма дополнительного персонала. Некоторые организации планировали передать машинам управление рутинными коммуникациями, высвобождая персонал службы поддержки для более сложных задач, таких как решение сложных вопросов клиентов, ведение неструктурированных диалогов или выход на связь с клиентами еще до того, как они обратятся за решением проблемы.

Чем больше компании знакомятся с когнитивными инструментами, тем чаще они пытаются экспериментировать, запуская проекты, которые объединяют все три типа ИИ для большей эффективности. Например, один итальянский страховщик разработал «службу когнитивной поддержки» для своего ИТ-отдела. Система взаимодействует с сотрудниками, используя технологию глубокого обучения (из категории когнитивного прогнозирования) для поиска ответов на часто задаваемые вопросы, прецедентов решения проблем и документации. Она использует возможности интеллектуальной маршрутизации в автоматизированных бизнес-процессах для передачи наиболее сложных проблем специалистам, а также умеет обрабатывать пользовательские запросы на естественном, в данном случае итальянском, языке.

Однако, несмотря на быстро растущий опыт работы с когнитивными инструментами, компании сталкиваются со значительными препятствиями на этапах их разработки и внедрения. Опираясь на наше исследование, мы разработали четырехступенчатую структуру для интеграции технологий искусственного интеллекта, которые могут помочь компаниям в достижении их целей, будь то прорывные проекты или оптимизация бизнес-процессов.

Прежде чем запустить инициативу в области ИИ, компании должны разобраться в том, какие технологии решают какие типы задач, а также понять сильные и слабые стороны каждой из них. Например, основанные на четких правилах экспертные системы и RPA просты и понятны, но не способны к самообучению и улучшению. Глубокое обучение, с другой стороны, отлично подойдет для исследования больших массивов данных, но принципы, по которым оно строит свои модели, почти недоступны человеческому пониманию. Применение таких «черных ящиков» очень проблематично в отраслях с высоким уровнем государственного регулирования, таких как финансовый сектор, в которых регулирующие органы требуют доступа к механизмам принятия решений.

Мы столкнулись с несколькими организациями, которые впустую потратили время и деньги, выбрав технологию, просто подвернувшуюся под руку. Но, если компания хорошо разобралась в этом вопросе, ей будет проще определить, какая из технологий соответствует конкретной потребности, какого поставщика выбрать и как максимально быстро внедрить систему. Чтобы понять технологии, необходимы постоянные исследования и обучение, как правило, в рамках ИТ-отдела или инновационной группы.

В частности, компаниям необходимо привлечь в качестве ключевых сотрудников специалистов по данным, которые обладают навыками в области статистики и обработки больших объемов информации, необходимыми для понимания этих технологий. Основным фактором успеха будет готовность ваших людей учиться. Некоторые обрадуются такой возможности, другие же предпочтут использовать уже имеющиеся инструменты. Старайтесь, чтобы в вашей компании доля первых была выше.

Если у вас нет своего внутреннего научно-аналитического ресурса, вам придется оперативно создать «экосистему» внешних поставщиков услуг ИИ. В дальнейшем, планируя долгосрочные проекты на базе ИИ, не забудьте нанять талантливого специалиста в этой области. В любом случае наличие необходимых ресурсов имеет решающее значение для успеха.

Учитывая дефицит специалистов в области когнитивных технологий, большинству организаций потребуется создать спецотдел – возможно, в одном из центральных подразделений, таких как ИТ или стратегического планирования, – и дать высокоприоритетным проектам компании доступ к его экспертам. По мере роста потребностей и числа специалистов имеет смысл создавать группы, обслуживающие отдельные бизнес-структуры или подразделения, но даже тогда центральная координирующая функция может быть полезна для управления проектами и карьерой.

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.

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.