Как технологии на базе искусственного интеллекта меняют бизнес и жизнь вокруг нас

Сейчас бизнес находится на стыке двух технологических плит – этап цифровизации подходит к концу, большинство компаний уже оцифровали свои данные и коммуницируют с клиентами в digital. Появляется логичный вопрос – что дальше? Следующих шагом мы называем ИИ-трансформацию.

Как мы это понимаем: цифровизация дала нам качественно оцифрованные данные, бизнес-процессы и digital-каналы коммуникации. На этапе ИИ-трансформации необходимо разработать систему управленческих решений и экосистему ресурсов внутри компаний, чтобы на основании результатов цифровизации с применением технологий искусственного интеллекта сделать шаг дальше.

Есть три главных причины, почему это необходимо для предпринимателей:

1. точность – ИИ анализирует миллионы примеров, терабайты данных, чтобы дать в рамках бизнес-задачи самый точный результат из возможных;
2. скорость – за последнее время производственные мощности развились настолько, что можно решать задачи за секунды;
3. уникальность – ИИ позволяет создавать инновационные сервисы и достигать результатов, которые раньше казались недостижимыми.

В течение пяти лет большинство ИИ-технологий выйдут на плато продуктивности и станут стандартом использования в бизнесе. От внедрения ИИ 94% компаний ожидают экономического роста, 93% компаний ждут увеличения производительности труда сотрудников, инновационного развития (92%), появления новых рабочих мест (69%).

И главное – 70% руководителей компаний уже либо внедряют, либо готовы внедрять ИИ и считают, что в будущем применение искусственного интеллекта станет конкурентным преимуществом.

По прогнозам международной консалтинговой компании IDC, к 2024 75% потребительских кредитов и кредитов малому бизнесу будут выдаваться с использованием ИИ. 

Основные угрозы в финансовом секторе: хищение средств клиентов, финансовые потери банков, в том числе упущенная выгода, нарушение доступности финансовых услуг и развитие системного кризиса из-за кибератак. В ответ на них есть три основных направления применения технологий искусственного интеллекта. 

• Первое – распознавание документов.

В контексте безопасности в финсекторе нужно помнить, что благодаря цифровой трансформации многие процессы начинаются и заканчиваются в «цифре». Но в силу сложившихся деловых практик и законодательства где-то в середине будет разрыв на подписание бумажных документов.

На этапе, когда подписанные документы загружаются в систему, подключается искусственный интеллект, чтобы проверить безопасность сделки и соответствие условиям в бумажном договоре и в цифре. 

• Вторая область – риск-менеджмент.

Когда банк выдает клиенту деньги, он хочет быть уверенным, что деньги вернутся и клиент заплатит за их использование. Существуют предиктивные рисковые модели – на момент выдачи кредита мы не знаем, случится ли дефолт, например, но модели могут это предсказать.

Такие системы существуют давно, алгоритмы их работы во многом регламентированы ЦБ, а задача ИИ в этой области – своевременно анализировать точность и актуализировать эти модели с помощью технологии машинного обучения.

• Третья – ИИ помогает поддерживать систему информационной безопасности и бороться с кибератаками, мошенничеством, распознавать действия клиента под принуждением или действия сотрудников, совершенные со злым умыслом или по незнанию каких-то основ ИБ. 

У банка можно украсть не только деньги, но и данные о клиентах, или сделать на какое-то время недоступной инфраструктуру банка, из-за чего он понесет серьезные убытки. Здесь помогают системы фильтрации на базе ИИ, чтобы отделять правильные запросы от DDoS-атаки.

Машинное обучение помогает адаптировать алгоритмы, потому что это постоянная гонка – чем лучше становятся системы, фильтрующие трафик, тем изощреннее становятся действия злоумышленников.

Что дальше: системы ИИ будут активнее использовать данные биометрии. Пока люди более охотно делятся биометрией с банками, в которых обслуживаются, но можно рассчитывать, что со временем более активно будет наполняться Единая Биометрическая Система (ЕБС).

Уже сейчас ИИ не только формирует какие-то персонализированные предложения для клиентов (Next best offer), но и может подсказывать вероятность конвертации лида в сделку и рекомендовать дальнейшие лучшие действия (Next best action). Думаю, что аналогичные системы появятся и для усиления безопасности – например, рекомендация дополнительных проверок.

Конечно, пациенты и врачи ждут от нас чуда, супертаблетку, которая всех вылечит. При этом существуют проблемы, для решения которых приходится искать нефармакологические методы. Именно в медицине и фармацевтике мы видим очень большой спрос на ИИ-технологии для решения задач диагностики, аналитики данных, коммуникации с врачами и пациентами.

Например, очень остро стоит задача ранней диагностики дефектов речи у детей – более 58% детей страдают от логопедических проблем, а ресурса специалистов, чтобы проверить всех, недостаточно.

Мы решили научить ИИ определять, произносит ребенок нужный звук или нет. Так мы создали сервис «Спектрограмма», в котором заложен ML-модуль, способный определить, насколько правильно ребенок произносит звуки. Точность определения дефекта на записи сейчас около 80%, а записи, на которых определен дефект, отправляются на перепроверку профессиональным логопедам.

Мы уже обработали более 800 анкет – нам на руку сыграл игровой формат и мобильная версия – дети охотно соглашаются на тестирование, потому что им всем нравится взаимодействовать с телефоном.

Когда мы общались с неврологами, мы определили вторую проблему, к которой можно применить наше ИИ-решение: в России много людей, которые пережили инсульт и восстанавливаются после него в течение нескольких лет. Очень важна фиксация прогресса – они приходят, произносят какую-то фразу, и через какое-то время нужно снова произнести эту фразу, чтобы врач понимал, есть ли улучшения или нужно менять терапию. 

И неврологи, и логопеды очень хотят внедрять такие программы на базе ИИ, мы видим очень позитивный отклик от врачей и пациентов. И дальше отрасль будет все больше открываться технологиям.

Объем рынка ИИ в отрасли AEC (архитектура, проектирование и строительство) составляет $1,5 млрд – очень немного.

И если мы разобьем весь процесс создания городского пространства на этапы, то получим такую картинку – большое проникновение ИИ есть на стадии исследования и проектирования, но из-за того, что денег в этом этапе в целом немного, то он становится отстающим – всего 4% от объема рынка ИИ в AEC приходится на него. Гораздо больше средств в стройке (37%) и эксплуатации (59%). 

Город – очень сложная структура, поэтому логичнее говорить не про AEC, а про отрасль, которая непосредственно занимается формированием городов – Urban Tech. Она включает не только строительство, но и охрану окружающей среды, городское управление, городское здоровье, логистику, транспорт и т.д.

Есть проблема – мы занимаемся развитием городов, но объективно мы ничего о них не знаем: что происходит в городах, как они устроены, почему люди ходят в одни места, и не ходят в другие. Это объясняется тем, что города не описаны, у нас нет структурированных данных по городам.

Например, собирая и классифицируя фотографии, мы можем понять, как люди проводят время в городах, что из себя представляет город, как он функционирует, насколько он вообще привлекателен для жизни. Мы можем даже посмотреть, какие локации проседают и почему.

Эти данные позволяют нам делать предиктивные модели для построения туристических маршрутов. Не бывает так, что поведением жителей можно управлять, положив плитку и поставив фонтан, закладывать маршруты необходимо перед разработкой концепции благоустройства территории. 

Можем даже проанализировать тональность сообщения – позитивное, негативное, саркастическое.  Это новые методы работы для наших социологов и антропологов.

Анализ текстов мы используем и для определения индекса туристической привлекательности регионов, и для более узких исследований – например, мы изучали, как себя ощущают люди с диабетом в городе, с какими трудностями они сталкиваются. 

Научившись работать с данными и использовать ИИ, мы разработали свою платформу «Чего хочет город», она помогает взаимодействовать с горожанами правильно: от локальных проектов вовлечения (краудсорсинга или сбора обратной связи) до анализа больших данных, собранных из соцсетей и медиа.

Компьютерное зрение (CV) – то область ИИ, где очень сложно обмануть пользователя. Это настолько сложная технология и настолько разнообразные данные, что нельзя задать жесткие условия для их обработки.

То, что CV активно развивается, показывает не только кривая Гартнера (Hype cycle), но и то, как будущее рынка CV оценивают консалтинговые агентства – сейчас объем рынка составляет около $30 млрд, а к 2023 году вырастет до $100 млрд. Это значит, что в технологию активно инвестируют ведущие IT-компании (Google, Amazon, Facebook, Яндекс) и что CV будет и дальше входить в нашу жизнь.

Оказывается, что если фильтры не заданы, а обучаются, можно и классифицировать, и детектировать, и распознавать людей. Эта мощная идея, которая в 2012 году дала толчок всей области искусственного интеллекта.

Одним из первых популярных кейсов стали эксперименты по совмещению двух картин, когда из одной мы берем контекст, а из второй – стиль.

Например, приложение Prisma работало именно по этому принципу. Сейчас направление генеративного дизайна активно развивается благодаря популярности технологии text2image. Хороший пример – сервис  DALL-E от OpenAI, который создает изображения из текста.

Механика его работы очень простая: человек заполняет переменные в форме, а модель генерирует описанное изображение. Если эта идея будет продолжать развиваться, то дизайн можно будет делать автоматически, а мы будем получать изображения будто созданные человеком.  

Еще одна модель – FaceSwap – умеет переносить произвольное лицо человека на заданное фото или видео, при этом достаточно всего  одной фотографии человека. У этой технологии есть вполне практическое применение – она поможет собрать датасет, чтобы можно было отличать реальные фотографии и видео от дипфейков.

ИИ никогда не сможет заменить нас, потому что ему никогда не будет хватать «толчка», чтобы что-то творить. Но даже в текущем виде он способен генерировать уникальный дизайн или давать людям вдохновение для этого дизайна.  Это большое благо для нас всех.

Изначально METRO позиционировалась как оптовая компания для бизнес-клиентов, поэтому у нас много клиентов из сегмента HoReCa и предпринимателей, которые делают небольшие закупки для своих магазинов. 

Сейчас мы активно развиваем сегмент B2C и активно наращиваем объем клиентов среди физлиц. Начав работать в этом направлении, мы четко увидели проблему – в каждом канале аудитория изолирована, и у нас практически нет данных, как она ведет себя в каждом канале, как перемещается между ними.

Эту проблему мы решали с помощью ИИ – удалось объединить данные из разных каналов и собрать единый клиентский профиль. Что изменилось: 

• на основе исторических данных о том, как и что клиенты покупали раньше, мы можем делать персонализированные предложения; 
• мы оптимизировали количество точек контакта и можем отследить, в каком канале клиент отреагировал на наше сообщение, и не дублировать информацию из канала в канал. Выстраивание такой цепочки помогает значительно экономить – SMS-рассылки обходятся достаточно дорого, хотя мы можем спокойно от них отказаться, если знаем, что клиент уже прокоммуницировал с нами в мессенджере или почте. 

С точки зрения бизнеса нам важно сделать клиентов «омниканальными» –  чтобы те, кто раньше покупал только офлайн, начали пользоваться онлайн-заказами, и наоборот. Когда клиенты начинают систематически покупать и онлайн, и офлайн, логично возрастает количество визитов и покупок и визитов в год.

Например, на сайте невозможно оценить свежесть фруктов, поэтому клиенты боятся их покупать. Но когда он приходит в магазин, он может расширить список своих покупок.

Чтобы повышать количество омниканальных клиентов, мы будем проводить еще более глубокую сегментацию, учить систему понимать, почему сработала та или иная коммуникация, чтобы система делала это лучше человека. Планируем еще точнее настроить персонализацию на сайте – мы хотим понимать, кто заходит на сайт, чтобы главная страница адаптировалась под потребности клиента.

Самый простой пример – если мы знаем, что клиент вегетарианец, можно сразу скрыть от него мясо и мясопродукты, молочные товары. Наше будущее – персонализированные онлайн-витрины и доскональное знание своих покупателей.