Как найти потенциал для использования AI в бизнесе — и сделать это так, чтобы он приносил пользу?
В этом материале мы разберем пошаговый фреймворк, который поможет вам видеть возможности для применения AI в вашем продукте и бизнесе.
Мы изучим этот фреймворк на примере работы комплаенс-менеджера банка. Этот пример вдохновлен реальным опытом.
Поиск потенциала для AI в вашем бизнесе
Давайте рассмотрим фреймворк*, который может помочь увидеть новые перспективы для создания бизнес-ценности с помощью AI.
Мы разберем фреймворк на примере работы комплаенс-менеджера SME-банка (работающего с малыми и средними бизнесами). Затраты на комплаенс для финансовых учреждений — это значимая статья расходов, которая превышает
Как понять, можно ли (и нужно ли) применять здесь AI
Основная идея заключается в том, что AI не автоматизирует работу целиком — он автоматизирует конкретные задачи.
Любая работа состоит из множества задач: будь это или профессия (например, юрист, HR-менеджер), или «работа» в терминах фреймворка “jobs-to-be-done” (JTBD).
Алгоритм для определения потенциала применения AI:
— Определите основные задачи работы.
— Проанализируйте каждую задачу:
- оцените потенциальные решения на основе AI;
- оцените экономические выгоды;
- оцените риски.
Давайте обсудим каждый шаг более подробно и посмотрим, как он применяется, на реальном примере.
Как определить основные задачи
Вернемся к комплаенс-менеджеру SME-банка: он отвечает за соблюдение нормативных требований и контролирует транзакции клиентов банка.
Чтобы понять основные задачи, лучше всего провести несколько часов (или дней) с комплаенс-менеджерами, наблюдая за их типичной деятельностью и задавая вопросы. В результате вы получите список наиболее частых и важных задач.
Вот краткий обзор работы комплаенс-менеджера:
- Менеджер работает со специальным веб-приложением, в котором приведены подозрительные транзакции (такие транзакции обнаруживаются с помощью автоматизированной системы).
- Вся информация о клиенте доступна через это веб-приложение: бизнес-профиль, загруженные документы, история транзакций, предыдущие уведомления и так далее.
- Менеджер может общаться с клиентом, чтобы запросить дополнительную информацию.
- У менеджера есть доступ к внешним источникам для проверки информации о клиентах.
- Менеджер принимает все решения строго на основе нормативных требований банка.
- Результатом работы менеджера является одобрение или отклонение подозрительных транзакций и пояснения, связанные с этими решениями.
Самые важные задачи комплаенс-менеджера:
— Определение категории для документа (счет, договор аренды, контракт, лицензия, разрешение и так далее.)
— Проверка каждого документа:
- Подлинный он или поддельный?
- В чем его суть?
- Как он связан с бизнесом клиента?
- Кто контрагенты?
- Соответствует ли он нормативным требованиям?
— Проверка каждой транзакции:
- Является ли она ожидаемой для данного типа бизнеса?
- Является ли сумма типичной?
- Соответствует ли она информации в документах клиента?
— Запрос дополнительных документов у клиентов, если невозможно принять решение.
— Принятие решения об утверждении или отклонении транзакции.
— Общение с клиентами для объяснения решения по их транзакциям.
— Проверка информации о бизнесе клиента во внешних источниках, среди которых:
- налоговые органы;
- присутствие в интернете;
- отзывы на разных площадках;
- и так далее.
Как анализировать задачи для выявления потенциала AI
Мы декомпозировали работу комплаенс-менеджера на повторяющиеся задачи. Теперь мы можем проанализировать каждую из них, чтобы выявить потенциал применения AI.
Для каждой задачи нужно:
- оценить потенциальные решения на основе AI;
- оценить экономические выгоды;
- оценить риски.
Вы можете провести этот анализ с опорой на свои знания в области AI или вместе с вашей AI-командой.
При оценке потенциальных AI-решений стоит использовать все доступные источники:
- статьи по соответствующим темам;
- предыдущий опыт AI-команды;
- брейнстормы с командой и стейкхолдерами;
- консультации с экспертами предметной области;
- разведочный анализ имеющихся данных;
- анализ существующих на рынке решений;
- анализ решений, которые уже применяются в компании.
При оценке экономической выгоды от решения на основе AI нужно определить, как это решение создает ценность для бизнеса и его пользователей. Обычно это будет что-то из следующих категорий:
- увеличение дохода;
- снижение затрат;
- уменьшение времени на выполнение задачи;
- повышение точности результата;
- ускорение обработки;
- улучшение качества обслуживания клиентов.
При оценке экономических выгод и рисков используйте примерные оценочные грейды (низкий/средний/высокий) и постарайтесь сформулировать основание для каждого грейда. Чтобы получить такую оценку, нужно синхронизироваться со стейкхолдерами. Такая оценка поможет вам грамотно приоритизировать работу команды.
В наших примерах мы будем использовать очень простую систему оценок:
Низкая ценность означает, что даже с идеальным техническим решением мы не увидим никакой разницы в доходах или расходах бизнеса.
Средняя ценность означает, что качество решения точно влияет на бизнес-метрики и стоит экспериментировать с решениями, чтобы понять, как именно AI может повлиять на бизнес-показатели.
Высокая ценность означает, что решение на основе AI точно выполнит задачу более эффективно, чем это происходит сейчас.
Давайте рассмотрим два примера задач комплаенс-менеджера:
- Определение сути документа.
- Определение категории для документа.
Задача: в чем суть документа
Клиенты могут предоставлять разные типы документов: счета, договоры аренды, сертификаты, коммерческие контракты, лицензии и так далее
Для каждой транзакции менеджеру необходимо скачать и открыть все релевантные документы, просмотреть их содержимое и проанализировать важные детали.
Например, для выставленного счета важно определить:
- контрагентов;
- дату выставления счета и срок платежа;
- сумму;
- назначение платежа;
- условия платежа.
На основе этих данных и согласно политике банка менеджер решает, является ли счет действительным. Например, счет должен быть связан с клиентом банка, назначение счета должно соответствовать характеру бизнеса клиента, а внутри документа должны быть правильные даты и валюта платежа.
Эта задача занимает очень много времени, потому что документы могут содержать десятки страниц, могут быть плохого качества (например, это может быть просто снимок экрана с рукописным счетом), а на одного клиента может приходиться много документов.
Как можно применять AI
- OCR (оптическое распознавание символов) и распознавание изображений могут использоваться для извлечения текста из отсканированных документов.
- LLM (большие языковые модели) могут использоваться для извлечения ключевой информации, интерпретации контекста документа, его саммаризации и ответов на вопросы по содержанию документа.
Бизнес-ценность
- Уменьшение времени на выполнение задачи: AI сокращает ручной труд, необходимый для понимания документа.
- Повышение точности: точное извлечение и саммаризация ключевой информации помогает принимать более обоснованные решения.
- Средняя ценность: понимание длинных документов занимает значительную часть времени менеджера. Например, 20-страничный контракт может потребовать около пяти минут. AI может сократить это время до менее чем одной минуты, предоставив структурированное саммари документа.
Степень риск
- Средний риск: если AI неправильно интерпретирует информацию, это может привести к неверным выводам и впоследствии неверным действиям менеджера.
Задача: определение категории для документа
Когда клиент загружает новый документ, менеджеру необходимо определить его категорию. Примеры категорий: счета, договоры аренды, коммерческие контракты, лицензии.
Категория будет использоваться для дальнейшей верификации документа, так как каждая категория имеет свои нормативы. Информация о категории вводится в базу данных через специальный веб-интерфейс и хранится для дальнейшего использования.
Как можно применять AI
- Технологии обработки естественного языка (NLP), больших языковых моделей (LLM), оптического распознавания символов (OCR) и распознавания изображений могут использоваться для автоматической классификации документов на основе их содержания.
Бизнес-ценность
- Меньше времени на выполнение задачи: AI сокращает время, затрачиваемое на чтение, сортировку и обработку документов.
- Низкая ценность: менеджеры могут проводить классификацию почти мгновенно.
Степень риска
- Низкий риск: неправильная классификация может быть исправлена во время ручного ревью.
Чтобы улучшить свои навыки в таком анализе, пройдите наш «Симулятор управления ML/AI-проектами».
Анализ всех задач
Вот сводная таблица для всех основных задач менеджера:
Задача | Как можно применять AI | Бизнес-ценность | Степень риска |
---|---|---|---|
Определение категории для документа | Технологии обработки естественного языка (NLP), большие языковые модели (LLM), оптическое распознавание символов (OCR) и технологии распознавания изображений могут быть использованы для автоматической классификации документов на основе их содержания | Меньше времени на выполнение задачи: AI сокращает время, затрачиваемое на чтение, сортировку и обработку документов. Низкая ценность: сотрудники могут провести классификацию почти мгновенно. | Низкий риск: неправильная классификация может быть исправлена во время ручного ревью. |
Документ настоящий или поддельный? | Модели компьютерного зрения могут анализировать особенности документа для выявления аномалий или признаков мошенничества, которые могут указывать на фальсификацию. | Большая точность: улучшение обнаружения мошенничества. Низкая ценность: поддельные документы редкие, достаточно ручной обработки. | Низкий риск: ложноположительные результаты могут быть устранены во время ручного ревью. |
В чем суть документа? | OCR и распознавание изображений могут быть использованы для извлечения текста из отсканированных документов. Большие языковые модели (LLM) могут быть использованы для извлечения ключевой информации, интерпретации контекста документа, его саммаризации и ответов по содержанию документа. | Меньше времени на выполнение задачи: AI сокращает ручной труд, необходимый для понимания документа. Лучшая точность: точное извлечение и саммаризация ключевой информации помогает принимать более обоснованные решения. Средняя ценность: понимание длинных документов занимает много времени. | Средний риск: если AI неправильно интерпретирует информацию, это может привести к неверным выводам и впоследствии неверным действиям менеджера. |
Как документ связан с бизнесом клиента? | Системы AI могут сравнивать детали документа с бизнес-профилями для оценки его релевантности. | Большая точность: повышение точности в оценке соответствия. Средняя ценность: понимание длинных документов занимает много времени. | Средний риск: AI может ошибочно связать документы с неправильными бизнес-контекстами, что приведет к неверным действиям менеджера. |
Определение контрагентов в документе | Большие языковые модели (LLM) могут извлекать именованные сущности и их роли в документах. | Меньше времени на выполнение задачи: AI сокращает необходимость в ручном чтении документов и заполнении форм. Низкая ценность: сотрудникам легко выполнять эту задачу вручную. | Средний риск: ошибки в распознавании сущностей могут привести к пропуску критически важных аспектов, влияющих на целостность соблюдения требований банка. |
Соответствует ли документ нормативным требованиям? | Системы AI могут проверять, соответствуют ли документы конкретным требованиям и отраслевым стандартам. | Меньше времени на выполнение задачи: AI сокращает ручные усилия, необходимые для анализа документа. Лучшая точность: снижение человеческих ошибок при оценке сложных критериев. Высокая ценность: принятие решений о документе может занять много времени. | Высокий риск: неправильная интерпретация нормативных требований может привести к регуляторным рискам для бизнеса. |
Является ли транзакция ожидаемой для данного типа бизнеса? | Модели машинного обучения могут сравнивать параметры транзакции с типичной деятельностью бизнеса. | Меньше времени на выполнение задачи: AI сокращает ручной поиск документов и ускоряет рабочий процесс соблюдения требований. Средняя ценность: понимание бизнес-профиля - это затратная по времени деятельность. | Средний риск: поскольку AI опирается на исторические данные, он может не предсказать нестандартные, но законные бизнес-практики, потенциально помечая их как подозрительные, что приведет к неверным действиям менеджера. |
Является ли сумма транзакции типичной для этого вида бизнеса? | Модели машинного обучения могут анализировать исторические данные для выявления транзакций, которые отклоняются от установленных норм. | Большая точность: ML-модели могут выявлять необычные суммы транзакций. Низкая ценность: базовые автоматические проверки обычно уже есть. | Средний риск: AI может пометить нормальные транзакции как подозрительные, если они отклоняются от типичных шаблонов, что приведет к ненужным действиям менеджера. |
Соответствует ли транзакция данным в документах клиента | Детали транзакции могут быть автоматически сопоставлены с соответствующими документами клиента с использованием результатов системы извлечения именованных сущностей. | Меньше времени на выполнение задачи: AI сокращает ручной поиск документов и ускоряет рабочий процесс. Средняя ценность: понимание бизнес-профиля требует много времени. | Средний риск: AI может неправильно сопоставить транзакции и документы клиентов, что приведет к неверным действиям менеджера. |
Принятие решения об утверждении или отклонении транзакции | Автоматическое утверждение транзакций может базироваться на предопределенных критериях. | Более быстрая обработка: AI может автоматизировать рутинное принятие решений, ускоряя утверждение транзакций. Средняя ценность: Базовая система на основе правил обычно уже есть. | Высокий риск: Чрезмерная зависимость от принятия решений с помощью AI может уменьшить человеческий контроль и увеличить риск ошибок. Удовлетворенность клиентов может ухудшиться. |
Запрос дополнительных документов у клиента | Автоматизированные системы могут инициировать запросы на дополнительную документацию на основе анализа существующих данных. | Более быстрая обработка: Автоматизированные запросы документов оптимизируют взаимодействие и обеспечивают сбор необходимой документации без задержек. Высокая ценность: Чем быстрее процесс для пользователей, тем выше их удовлетворенность. | Средний риск: Автоматизированные запросы могут быть инициированы неправильно, что приведет к неудовлетворенности клиентов. |
Общение с клиентами для объяснения решения по их транзакциям | Чат-боты на базе LLM могут обрабатывать рутинные запросы и предоставлять объяснения по поводу решений о транзакциях. | Улучшение обслуживания клиентов: Чат-боты на базе AI могут предоставлять мгновенные ответы на запросы клиентов, повышая удовлетворенность и вовлеченность. Высокая ценность: Чем быстрее процесс для пользователей, тем выше их удовлетворенность. | Высокий риск: Ответы, сгенерированные AI, могут содержать галлюцинации, неверную информацию, утечку личных данных, отсутствие эмпатии или неадекватно адресовать конкретные проблемы клиентов, потенциально вредя отношениям с клиентами и вызывая юридические риски для бизнеса. |
Проверка информации о бизнесе клиента во внешних источниках | Внешние базы данных и API (например, налоговые записи) могут предоставлять данные для проверки и улучшения информации о клиенте. LLM могут анализировать содержание веб-страниц. | Снижение затрат: Автоматизация процесса верификации с помощью AI уменьшает необходимость в обширных ручных проверках и сокращает операционные расходы. Средняя ценность: Ручной процесс занимает много времени. | Низкий риск: AI может полагаться на устаревшие или некорректные внешние данные, что приведет к неточным оценкам. |
Выбор скоупа проекта
Решение о том, как и где применять AI, всегда зависит от задачи.
Мы рассмотрим базовые критерии для принятия таких решений:
- Решение задачи должно приносить бизнес-ценность (снижение затрат, увеличение доходов и так далее).
- Решение на базе AI должно быть технически осуществимо.
- Риски применения AI не должны быть слишком высоки.
- Затраты на решение должны быть меньше, чем бизнес-выгоды.
Оценка осуществимости AI-решений
Решение, скорее всего, может быть реализовано, если:
- Ваша AI-команда успешно решала аналогичную проблему в прошлом.
- Конкуренты успешно решили аналогичную проблему с помощью AI.
- Есть множество статей по этой теме.
- Есть облачные сервисы, предоставляющие аналогичное решение.
- Есть открытые библиотеки, предоставляющие аналогичное решение.
- Доступны все необходимые данные.
В некоторых случаях команда может столкнуться с трудностями. Поэтому лучше начать с простых и быстрых прототипов, чтобы лучше понять сложность, затраты и риски.
Если доступны внешние инструменты/сервисы/библиотеки, стоит использовать их, чтобы быстро получить представление о потенциальной бизнес-ценности.
Анализ затрат
Чтобы оценить затраты на AI-решение, учитывайте следующие аспекты:
- Затраты на вычисления при использовании AI-моделей или облачных сервисов.
- Усилия AI-команды.
Оцените затраты на вычисления за единицу работы. В нашем случае это может быть стоимость обработки одного документа или транзакции. Такая оценка позволит сравнить время и затраты, необходимые для ручной и автоматизированной обработки.
Усилия команды будут зависеть от специфики предметной области, квалификации команды и наличия готовых решений. Опирайтесь на опыт команды: если она ранее работала с подобными проблемами, ожидания относительно результатов будут более реалистичными.
Давайте применим эту логику к нашим примерам.
Задача: в чем суть документа
- Выполнение задачи должно приносить бизнес-ценность само по себе независимо от AI: ожидается средняя ценность – выполнения задачи потребует меньшего времени, а точность может быть выше .
- AI-решения осуществимы и могут принести улучшения для бизнеса по сравнению с текущим процессом: легко найти множество примеров подобных решений (распознавание именованных сущностей, саммаризация, OCR).
- Риски применения AI не слишком велики.
- Стоимость решения должна быть разумной: затраты на вычисления могут быть очень низкими при использовании облачных сервисов.
Краткий вывод для этой задачи: мы должны включить ее в скоуп проекта.
Задача: определение категории для документа
- Решение задачи должно приносить бизнес-ценность независимо от того, используется ли AI. Ожидается низкая ценность: сотрудники могут классифицировать документы почти мгновенно.
- Решение на основе AI осуществимо: легко найти множество примеров подобных решений (классификация документов).
- Риски применения AI низкие.
- Стоимость решения должна быть разумной: затраты на вычисления могут быть очень низкими при использовании облачных сервисов.
Краткий вывод для этой задачи: мы не должны включать ее в скоуп проекта.
Подходящие задачи для проекта
Исходя из описанной выше логики, мы можем определить задачи проекта:
- Определение сути документа.
- Определение того, как документ связан с бизнесом клиента.
- Определение того, является ли транзакция ожидаемой для данного типа бизнеса.
- Определение соответствия транзакции данным в документах клиента.
- Запрос дополнительных документов от клиентов.
- Проверка информации о бизнесе клиента во внешних источниках.
Что дальше
Мы выбрали задачи комплаенс-менеджера, где применение AI выглядит наиболее перспективным. Следующим шагом нужно наметить архитектуру AI-решения. Это критический момент: теперь нам нужно вернуться к комплаенс-менеджерам и определить, как AI-решение будет интегрировано в их текущий веб-интерфейс для достижения максимальной бизнес-ценности.
Необходимо понять:
- Как менеджер будет получать доступ к результатам AI-решения.
- Как эти результаты будут представлены в интерфейсе.
- Как будет включен в рабочий процесс фидбек менеджера о результатах, сгенерированных AI.
Лучше всего решить эти вопросы до разработки AI-решения, потому что желаемый пользовательский опыт критичен и может формировать основу решения.
Например:
- Если саммари документа слишком длинное и неструктурированное, то это не сэкономит время менеджеров. Лучше заранее посоветоваться с ними, чтобы определить наилучший формат для саммари документов.
- Если менеджерам приходится ждать обработки документов AI-моделями каждый раз, когда они хотят получить доступ к извлеченной информации, то они потеряют драгоценное время. Лучше обрабатывать документы в фоновом режиме, как только они загружены клиентами.
- Если менеджеру нужно использовать какую-то незнакомую внешнюю систему (например, Jupyter Notebook) для доступа к извлеченной информации, это может подорвать их мотивацию использовать AI. Лучше интегрировать результаты, сгенерированные AI, непосредственно в веб-приложение, которое используют менеджеры.
- Если менеджер не может отметить ошибки в результатах, сгенерированных AI, оспорить их или если он не может понять логику принятия решений с помощью AI, то сотрудники не будут доверять такому решению и весь проект может потерпеть неудачу.
Резюме
Чтобы найти потенциал применения AI, можно использовать простую схему:
— Определите задачи в рамках работы
— Проанализируйте каждую задачу:
- оцените потенциальные решения на основе AI;
- оцените экономические выгоды;
- оцените риски.
Чтобы понять основные задачи, лучше всего провести несколько часов (или дней) со специалистами, которые выполняют эту работу, чтобы наблюдать за их типичными действиями и задавать вопросы.
При оценке возможных решений на основе AI стоит использовать все доступные источники, такие как статьи по соответствующим темам, предыдущий опыт AI-команды, мозговой штурм с командой и т. д.
При оценке экономической выгоды полезно четко сформулировать, как решение создает ценность для бизнеса и пользователей (увеличение дохода, снижение затрат, уменьшение времени на выполнение задачи и так далее).
При оценке экономических выгод и рисков AI-решения используйте приблизительные грейды низкий/средний/высокий с кратким объяснением выбора.
Основные критерии выбора скоупа проекта:
- Решение задачи должно приносить бизнес-ценность.
- AI-решение должно быть осуществимым.
- Риски применения AI не должны быть слишком высоки.
- Затраты на решение должны быть меньше, чем бизнес-выгода.
Прежде чем очерчивать архитектуру AI-решения, необходимо понять:
- как будут получаться результаты AI-автоматизации;
- как они будут представлены пользователям;
- как будет обрабатываться обратная связь пользователей о результатах, сгенерированных AI.
***
Усилить ваши навыки работы с AI-продуктами вы можете в нашем «Симуляторе управления ML/AI-проектами».
* Используемый в материале фреймворк вдохновлен статьей
Узнайте больше
Все материалы серии об использовании ML/AI в создании продуктов
1. Зачем продакт-менеджеру изучать ML и AI
2. Большие языковые модели: основы для тех, кто хочет строить продукты на их базе
3. Как ML-технологии помогают улучшать Retention продуктов
4. Как найти возможности для применения AI в вашем продукте
5. Базовое руководство для улучшения качества продуктов с LLM
6. Продвинутые методы улучшения качества продуктов с LLM: RAG
7. Почему идеальной ML-модели недостаточно, чтобы построить бизнес вокруг ML
8. Внедрение ML/AI для оптимизации процессов службы поддержки в крупном продукте: разбор кейса
9. AI-cтартапы: продавайте результат работы, а не софт
10. Новый этап развития генеративного AI: что это значит для стартапов и инвесторов?
Автор иллюстрации к материалу —