Аудит применимости ИИ: где он окупится, а где нет

Разбираем процессы компании и отвечаем на конкретный вопрос: где внедрение ИИ окупится, где хватит более простого решения, а где не получится вовсе из-за отсутствия данных. На выходе перечень задач с оценкой эффекта, сложности и рисков, отсортированный по отдаче. Часть выводов обычно звучит как «здесь ИИ не нужен» — и это тоже результат.

Коротко о задаче

Запросы на внедрение ИИ приходят из двух противоположных состояний, и оба мешают принять решение.

Первое: «нам нужен ИИ». Задачи при этом нет, есть ощущение отставания и давление рынка. В таком состоянии обычно внедряют самое заметное, а не самое полезное, получают демонстрацию и не получают эффекта.

Второе: осторожность до бездействия. Компания видит поток обещаний, не может отделить реальное от рекламного, и не делает ничего. При этом в её процессах есть две-три задачи, которые окупились бы за квартал.

Разобраться самостоятельно трудно по объективной причине: чтобы оценить применимость, нужно одновременно понимать процессы компании, состояние её данных и реальные возможности технологии. Поставщики решений оценивают со своей стороны и заинтересованы в продаже, внутренние специалисты видят процессы, но не всегда представляют границы применимости.

Аудит закрывает этот разрыв. Он стоит несопоставимо меньше внедрения и часто экономит бюджет, показывая, что задача решается без всякого ИИ.

Что входит в услугу

• Разбор процессов и поиск кандидатов

Смотрим, где в компании люди делают монотонную работу с текстом, документами, изображениями или данными. Оцениваем объём: сколько времени уходит, сколько людей задействовано, какова цена ошибки.

• Оценка готовности данных

По каждой задаче проверяем, есть ли данные, пригодны ли они, зафиксированы ли результаты, достаточен ли объём. Отсутствие данных — самая частая причина, по которой хорошая идея не реализуется.

• Оценка выполнимости

Соотносим задачу с реальными возможностями технологии. Отдельно отмечаем то, что кажется простым, но таковым не является, и наоборот.

• Сравнение с решением без ИИ

По каждой задаче проверяем, не закрывается ли она правилами, отчётом, изменением процесса или наведением порядка в данных. Такие варианты дешевле, надёжнее и не требуют сопровождения моделей.

• Расчёт эффекта

Считаем в деньгах и времени: сколько высвобождается, сколько стоит внедрение, сколько стоит владение, за какой срок окупается. Владение включает оборудование, сопровождение и переобучение.

• Оценка рисков

Разбираем последствия ошибок модели, требования к обработке персональных данных, регуляторные ограничения, зависимость от поставщиков. Смотрите {{ссылка: Валидация систем с искусственным интеллектом в регулируемых отраслях}}.

• Приоритизация

Сортируем задачи по отношению эффекта к сложности. Первым берётся не самое впечатляющее, а то, что даст результат быстрее всего.

• Дорожная карта

План по этапам: с чего начать, что делать дальше, какие данные начать накапливать уже сейчас для задач следующего года.

• Определение пилота

Формулируем первый пилот: границы, критерии успеха, сроки, бюджет. Критерии успеха задаются до начала, а не подбираются по результату.

Что это даёт заказчику

• Ответ вместо ощущений. Перечень задач с цифрами по каждой.
• Экономия на ненужном. Часть задач закрывается без ИИ, и мы это скажем.
• Понятная очерёдность. Ясно, с чего начинать и почему.
• Оценка полной стоимости. Владение посчитано, а не только внедрение.
• Реалистичные ожидания. Границы применимости обозначены до вложений.
• Заделы на будущее. Понятно, какие данные начать собирать сегодня.

Как мы работаем

Начинаем с разговора с теми, кто выполняет работу, а не только с руководителями. Задачи, которые съедают время, видны снизу отчётливее.

Считаем честно, включая стоимость владения. Модель нужно сопровождать, переобучать и держать на оборудовании — это не разовые вложения, и в расчёте они должны быть.

Не продаём внедрение через аудит. Если по итогам разбора выяснится, что подходящих задач нет, мы это напишем. Отчёт остаётся у вас, и с ним можно идти к любому подрядчику.

Наш опыт

Мы разработали и сопровождаем систему с локально развёрнутой языковой моделью в отрасли с регуляторными требованиями, довели её до промышленной эксплуатации и знаем, чем этот путь отличается от удачной демонстрации. Мы также знаем, сколько работы приходится не на модель: сбор данных, отсечение лишнего на входе, инженерная обвязка, измерение качества, порог выпуска. В том проекте отдельной и трудоёмкой задачей было научить систему не приносить материалы, которые формально подходят, но по существу к делу не относятся.

Мы разрабатываем программное обеспечение с 2022 года, выполнили более двадцати проектов и строим инфраструктуру, поэтому оцениваем задачи целиком: не только пригодность технологии, но и то, во что обойдётся довести решение до работающего состояния и содержать его дальше.

Расскажите, где в вашей компании люди делают монотонную работу. Начнём с разбора процессов.