Узкий ИИ в операциях: что работает, что зависает
Компании запускают пилоты с ИИ, но большинство из них не доходит до продуктива. Разбор того, что отличает рабочие кейсы от зависших.
За последние несколько лет я видел десятки разговоров о "внедрении ИИ" - и значительно меньше случаев, когда это приводило к чему-то работающему в производстве. Разрыв между пилотом и продуктивом остаётся большим, и он не уменьшается со временем.
Причина, по моему наблюдению, почти никогда не в технологии. Она в том, как сформулирована задача и в каком контексте она запускается.
Почему пилоты зависают
Первая причина: задача сформулирована слишком широко. "Предсказывать отток клиентов" - это не задача для модели, это целое направление работы. У такой задачи нет чёткого входа, нет чёткого выхода, нет понятного места в операционном процессе. Модель можно обучить, но её некуда применить.
Вторая причина: нет данных нужного качества. Пилот запускается, данные собираются в последний момент, оказывается что часть из них не подходит, часть отсутствует. Дальше начинается либо затяжная работа по подготовке данных, либо пилот признаётся "технически успешным, но не масштабируемым".
Третья причина: нет пользователя результата. Модель посчитала - и что дальше? Если нет конкретного человека или системы, которая этот результат использует и меняет своё поведение - ценность нулевая.
Что общего у работающих кейсов
Я наблюдал несколько случаев, где ИИ реально остался работать в операциях. У них было несколько общих характеристик.
Чёткий и узкий вход. Документ, изображение, набор чисел - что-то конкретное, а не "данные из системы в общем".
Понятный и ограниченный выход. Бинарная классификация, числовой скор, категория из закрытого списка. Не "расскажи мне о клиенте", а "этот счёт нормальный или требует проверки".
Место в процессе. Кто конкретно видит результат работы модели? Когда? Что делает иначе?
Готовность принять ошибку. Ни одна модель не работает идеально. Организация, которая не готова к тому, что модель иногда ошибается, будет останавливать любой пилот при первой же ошибке.
Как думать о следующем пилоте
Прежде чем запускать что-то новое, стоит честно ответить на несколько вопросов:
- Можем ли мы описать задачу в виде "на входе X, на выходе Y" - конкретно, без метафор?
- Есть ли у нас данные, которые нужны для обучения и работы - прямо сейчас, не "в теории"?
- Кто конкретно будет использовать результат работы модели, как и когда?
- Что изменится в операционном процессе, если модель работает хорошо?
- Что мы будем делать, когда модель ошибётся - есть ли у нас fallback?
Эти вопросы не технические. Они операционные. И именно они чаще всего определяют, дойдёт пилот до продуктива или нет.