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:

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