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 $200 миллиардов в год. Использование AI может заметно снизить эти затраты.

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.
Table Plugin

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 “What Can Machines Learn, and What Does It Mean for Occupations and the Economy?” Эрика Бриньольфссона, Тома Митчелла и Даниэля Рока. Andrew Ng популяризировал его в контексте современного AI.

Узнайте больше

Автор иллюстрации к материалу — Анна Гольде