Крупнейшие мировые корпорации давно используют ИИ-решения, чтобы оптимизировать издержки своего бизнеса и найти новые эффективные способы продвижения на рынке. В среднем около половины компаний тратят $51 тысячу в год на внедрение технологий искусственного интеллекта, еще 13% расходуют на это от $251 до 500 тысяч, у 5% бюджет на ИИ превышает $5 млн.
На какие продукты в сфере ИИ тратят бюджеты российские компании
На российском рынке на ИИ больше всего тратит крупный бизнес: банки, ритейл, нефтегаз, телеком. В ходе цифровой трансформации компании, как правило, решают три основные задачи:
1. Повышение операционной эффективности бизнеса и трансформация производственных процессов.
Какие ИИ-решения используются: предиктивная аналитика и прогнозирование – например, сбоев и поломок оборудования, планирование загрузки, потребностей в ресурсах и т.д.
2. Улучшение клиентского опыта – понимание потребностей потребителей, повышение удовлетворенности покупателей, увеличение выручки, создание и развитие клиентских сервисов.
Какие ИИ-решения используются: чат-боты, голосовые помощники, интеллектуальные колл-центры, рекомендательная поддержка и кросс-продажи, анализ поведения и предпочтений клиентов, интерактивные виды коммуникаций с потребителем, омникальность.
3. Создание и внедрение культуры непрерывных улучшений и преобразований – иначе говоря, создание среды для развития нужных компетенций, управления инновациями и цифровой трансформацией, формирование цифровых активов, запуск новых бизнесов и сервисов, принятие решений на основе данных и интеллектуальных сервисов.
Какие ИИ-решения используются: системы поддержки принятия решений, внедрение интеллектуальных сервисов в работу основных и вспомогательных подразделений, в том числе в аналитические и инженерные центры, R&D, проектные офисы, юридическую, финансовую и HR-службу. Эти продукты особенно востребованы крупными компаниями, которые стремятся к интеллектуализации и реализуют стратегию цифровой трансформации.
Сколько стоит внедрение ИИ-решений
Цена внедрения ИИ для компаний может варьироваться. В первую очередь стоимость зависит от того, использует ли фирма готовый софт или продукт разрабатывается под задачи конкретной организации. Кроме того, на цену влияет функционал системы – чем шире набор функций, тем дороже обойдется решение для компании.
В целом затраты на разработку ИИ-решений можно разделить на четыре группы:
1. Расходы на специалистов. Зарплаты сотрудников съедают значительную часть бюджета проекта. ИИ-решения – это всегда сложный продукт и команда, как правило, включает большое число экспертов. Среди них – менеджеры проекта, ИТ-архитекторы, бизнес-аналитики, UI-дизайнеры, дата-сайентисты, тестировщики, DevOps-инженеры и т.д.
2. Расходы на инфраструктуру. Аренда серверов, затраты на телекоммуникации, закупка необходимого оборудования для тестирования – еще одна важная статья расходов. При этом часть денег можно сэкономить – если, к примеру, использовать не физические, а облачные сервера.
3. Расходы на вспомогательное ПО. Использование API, операционных систем, платных баз данных – эти затраты обычно также включаются в стоимость продукта. Данные пункты не являются чрезмерно затратными, но также способствуют увеличению бюджета на разработку ИИ-решений.
4. Обеспечение информационной безопасности. Там, где есть большие массивы данных, необходимо обеспечение безопасности систем. При внедрении решений такого класса на приведение архитектуры и инфраструктуры в соответствие требованиям информационной безопасности тратятся большие бюджеты — иногда сопоставимо или даже больше стоимости самого решения.
Скрытые затраты на ИИ
Помимо понятных заказчику затрат на специалистов и инфраструктуру, в стоимость ИИ-решений закладывается множество других факторов, о которых, как правило, знают только сами разработчики продукта. Особенность создания таких решений заключается в работе с огромными массивами информации – такие аспекты, как качество и полнота данных могут влиять на конечную стоимость не меньше, чем трудоемкая работа по встраиванию готового решения в текущие бизнес-процессы организации.
Так, среди скрытых затрат могут быть:
1. Получение и подготовка данных. От полноты и качества данных напрямую зависит успех будущего решения — чем грамотнее собрана и обработана информация, тем быстрее и качественнее можно реализовать продукт. При этом исследование и подготовка данных может занимать у data science-специалистов до 80 процентов времени.
«Наибольшую сложность для "машины" составляет работа с текстами. Не секрет, что компании уделяют мало внимания типизации юридических формулировок, стандартизации договоров и локально-нормативных актов, что сильно увеличивает срок реализации проектов с применением технологий ML и в конечном итоге приводит к увеличению стоимости таких решений»
Анна Костыра, основатель и управляющий партнер LegIT
2. Разметка данных – одна из самых затратных статей. В основном эта операция продолжает осуществляться силами человека и, как правило, включает нескольких итераций после анализа полученных результатов. От того, насколько качественно была произведена разметка, во многом будет зависеть корректность работы ИИ-решения.
3. Поиск и подбор моделей, которые будут наиболее оптимально решать задачу. Разработчики пробуют разные методы, пока не добьются лучшего результата, и этот процесс может быть достаточно трудоемким. Сейчас существует множество готовых алгоритмов, подходов и библиотек, однако работа по их дообучению и настройке остается довольно кропотливым делом.
4. Управление интерпретируемостью ИИ. Иногда для клиента важно видеть не только результат работы системы, но и понимать, почему она приняла то или иное решение. В таких случаях создается специальный аналитический модуль для визуализации “хода мысли” ИИ.
5. Разработка пользовательской стороны. ИИ-решения могут встраиваться как в другие системы – тогда необходимо обеспечить бесшовную интеграцию продукта (обмен данными в нужных форматах, качестве, периодичности и т.д.), так и представлять собой полноценное решение. Во втором случае в затраты включаются работы по проектированию и реализации клиентской части системы.
6. Поддержка моделей машинного обучения после внедрения решения.
«Для компаний с большим потоком данных может быть актуальна постоянная поддержка решения даже после внедрения. Например, модели нужно постоянно дообучать, следить за метриками, выстраивать пайплайн доставки новых данных в модели и мониторить аномалии входных/выходных данных»
Антон Балтачев, NLP-инженер в Embedika
7. Доработка систем — например, в части функций, не предусмотренных на стадии формулирования требований к системе.
«Это важная статья неочевидных на первый взгляд затрат. В нашей практике, пожалуй, не было ни одного проекта, когда на стадии завершения работ у заказчика не появлялось желания добавить новый функционал, что, соответственно, увеличивало стоимость решения»
Егор Трубников, юрист, специалист по legal tech-продуктам в ООО "Сибур"
Как снизить расходы на ИИ
Существует несколько возможностей снизить затраты на создание и внедрение ИИ-решений. Вот наиболее эффективные из них:
1. Нанимайте специалистов с умом. Как правило, при разработке ИИ-решений крупный бизнес или формирует собственную команду разработки, или привлекает стороннего подрядчика. Второй вариант позволяет создавать продукт быстрее. Однако не все компании-разработчики имеют реальный опыт создания систем искусственного интеллекта – при выборе подрядчика обращайте внимание на компетентность команды и портфолио реализованных кейсов.
«Ищите в подрядчике оптимальный баланс: сочетание компетенций, гибкости и адекватности в ценообразовании. Если внедряете готовое решение, обращайте внимание на используемый технологический стек: иногда решение настолько сложно встроить в существующий ИТ-ландшафт, что дешевле бывает создать его с нуля»
Егор Трубников, юрист, специалист по legal tech-продуктам ООО "Сибур"
2. Работайте с данными правильно. Старайтесь собрать и передать разработчику максимально большой массив информации. При этом важно делиться наиболее репрезентативными данными, а не идеальной выборкой хорошо структурированных данных. Это поможет избежать популярной проблемы, когда решение хорошо работает на демо, а при работе с реальными данными выдает непригодный результат. Также будьте готовы разметить часть данных — только вы обладаете экспертностью в своей предметной области и сможете выполнить эту операцию наиболее корректно.
3. Правильно определите цели и задачи создаваемого ИИ-решения. Опишите подробно, для чего будет использоваться разрабатываемая система, как устроены процессы, в которые внедряется продукт. Оцените, какие боли в первую очередь должен решать ИИ, а также какое развитие система получит в перспективе – заложите это в возможности проектируемого решения. Понимание подрядчиком ваших задач и потребностей позволит достичь максимального эффекта от создаваемого продукта.
4. Используйте вычислительные мощности машин оптимально. Выше мы говорили о снижении расходов путем перехода на облачные сервера. Данная практика в России пока не везде применима, в то время как зарубежные активно применяют распределенные дата-центры, размещенные в различных странах, что позволяет оптимизировать затраты на инфраструктуру. Идеальный вариант — нанять опытного DevOps-специалиста: в перспективе это сэкономит больше денег на инфраструктуре и безопасности контура.
«Действительно, большинство отечественных компаний сидит в изолированном сегменте, и переход на облака для них нерелевантен. Однако оптимальное использование ресурсов — это не всегда облака, это ещё виртуализация (использование имеющихся мощностей) и сборка оптимальной конфигурации "железа"»
Егор Трубников, юрист, специалист по legal tech-продуктам ООО "Сибур"
Подведем итог
Если вы решили осознанно подружиться с ИИ и развиваться эволюционно в этом направлении, то стоит определить для себя, какая из зон цифровой трансформации будет наиболее восприимчива к изменениям или получит максимальный эффект от внедрения цифровых решений – производственная или операционная эффективность, клиентский опыт, трансформационный офис и культура преобразований.
Данные – это ценнейший актив. Не просто так вопросы управления цифровыми активами относятся к компетенциям топ-менеджеров — CDO или даже CEO. Здорово, что сегодня компании учатся работать с данными: извлекать, накапливать, обрабатывать и применять их в своей деятельности. Важно, чтобы заказчики принимали активное участие в проектах, связанных с ИИ, ведь в будущем подобные инструменты обязательно позволят компаниям наращивать новые компетенции и обходить конкурентов в набирающей обороты цифровой гонке.
