ым технологиям приходится работать под давлением со стороны руководителей, которые настаивают на принятии неподходящих решений под влиянием поставщиков технологий (хотя со временем эта проблема становится менее острой). Кроме того, многие специалисты жалуются, что из-за дороговизны технологий компании недостаточно инвестируют в их развитие. При ответе на другой вопрос из опроса Deloitte 92 % респондентов выразили согласие с утверждением: «Моя компания внедряла бы инновации эффективнее, если бы мы больше вкладывали в развитие ИИ / когнитивных технологий». Однако в опросе Teradata лишь 30 % респондентов посчитали, что их организация инвестирует в развитие технологий недостаточно, чтобы не отставать от конкурентов в своей отрасли.
Я не могу решить все перечисленные проблемы в этой главе, но опишу пути решения некоторых из них.
Разработка технологической стратегии для ИИ
Какие технологии организация должна разработать или приобрести, чтобы достичь своих целей в когнитивной сфере? Каким образом их следует внедрять? Организациям очень важно ответить на эти сложные вопросы. Как я показал на страницах этой книги, когнитивных технологий много, поэтому нужно выбрать именно те из них, которые смогут решить бизнес-задачи вашей организации. Кроме того, компаниям необходимо решить, разрабатывать им технологии или приобретать их, использовать программное обеспечение с открытым или закрытым кодом, применять инструменты одного поставщика технологий или выбирать «лучшее в своей сфере», использовать целую платформу или отдельные приложения и т. д.
Верных ответов на эти вопросы не существует: организациям важно понимать, что именно подходит и не подходит им в зависимости от имеющихся у них компетенций, реализуемой бизнес-стратегии и других аспектов когнитивной стратегии. Однако некоторые технологии особенно хорошо подходят для решения конкретных задач[143]. Составление подробной карты технологий выходит за рамки этой главы, однако, если ваша организация, к примеру, располагает внушительным объемом динамических, но структурированных (например, в виде рядов и колонок цифр) данных о клиентах, технология машинного обучения, вероятно, поможет вам лучше понять их предпочтения. Если вам необходимо распознавать изображения, скорее всего, вам стоит обратиться к нейронным сетям глубокого обучения – и т. д.
Чтобы принимать подобные технологические решения, организация должна четко понимать не только то, каких бизнес-целей хочет достичь, но и какими методами она собирается этого добиться. Так, существуют сотни алгоритмов машинного обучения, но не все программы включают в себя все алгоритмы. Есть также несколько подходов к обработке естественного языка, в том числе два общих класса статистической и семантической ОЕЯ. Даже наименее интеллектуальная из когнитивных технологий, роботизированная автоматизация процессов, располагает различными компетенциями для поддержки бизнес-функций и обучения, причем их набор зависит от того, какое именно программное обеспечение у какого поставщика технологий вы приобретаете. Чтобы выбрать нужную технологию для разработки или покупки, компания должна привлечь к процессу не только топ-менеджеров, но и аналитиков, ИТ-специалистов и специалистов по обработке данных.
Ключевым фактором при принятии технологических решений становится квалифицированность и искушенность организации в сфере когнитивных технологий. Искушенным компаниям приходится принимать гораздо больше решений, чем тем, кто только начинает свой путь к внедрению когнитивных технологий. Возьмем, к примеру, Procter & Gamble и American Express. Эти компании с переменным успехом работают с искусственным интеллектом с 1980-х гг. (в основном с технологиями экспертных систем на основе правил). Имея такой опыт, они могут:
● разрабатывать собственные когнитивные приложения, а не покупать их у поставщиков технологий;
● управлять набором разрозненных когнитивных инструментов, а не единой когнитивной платформой;
● разрабатывать приложения, используя инструменты с открытым кодом;
● использовать штатных разработчиков и специалистов по обработке данных, а не внештатных специалистов.
Такие подходы прекрасно работают в компаниях вроде P&G и AmEx, но они не подойдут организациям, не имеющим такого опыта в сфере когнитивных технологий. Даже если компании смогут внедрить технологии с помощью консультантов или подрядчиков, со временем им необходимо будет развивать собственные компетенции.
В следующем разделе я опишу несколько стратегий внедрения когнитивных технологий и для каждой укажу степень сложности и технические требования. Начну с самого простого подхода.
Внедрение когнитивных компетенций, предоставляемых поставщиками программного обеспечения для обработки транзакций
Один из самых простых способов вступить в мир когнитивных технологий – внедрить в свои процессы когнитивные компетенции, встроенные в бизнес-приложения, предоставляемые крупными поставщиками технологий. Как правило, это системы обработки транзакций, которые используются для взаимодействия с клиентами, управления цепочкой поставок и персоналом, ведь всем этим сферам пойдет на пользу применение умных технологий.
Большинство компаний уже внедрили такие системы, но потребность в них не уменьшается. Оснащение системы интеллектуальными технологиями может означать, что отныне она будет не сообщать о произошедших транзакциях, а подсказывать сотрудникам, как работать эффективнее. Например, такие системы могут автоматически рекомендовать, каким клиентам звонить и сколько товаров заказывать, или предупреждать о том, какие сотрудники подумывают об увольнении. Как правило, гораздо проще добавить интеллектуальные компетенции в систему, которая уже используется, чем вынуждать сотрудников осваивать новое приложение. Во многих случаях необходимые для когнитивного анализа данные уже содержатся в системе обработке транзакций.
Я не стану подробно описывать варианты этого подхода, поскольку со временем они меняются. Однако я приведу в качестве примера компанию Salesforce.com, так как она одной из первых использовала этот подход (признаюсь, периодически я выступаю с презентациями перед клиентами Salesforce). Разработанная Salesforce система ИИ-компетенций Einstein дополняет приложения для работы с клиентами рядом когнитивных и аналитических функций. Компания утверждает, что более 20 функций Einstein находятся во всех ее облаках для применения в продажах, маркетинге, сфере услуг, электронной коммерции и общественной сфере. Среди функций Einstein прогнозная оценка и приоритизация потенциальных клиентов, автоматизация ввода данных, персонализация рекламы, анализ тональности публикаций в социальных сетях и электронных писем, персонализированная рекомендация продуктов и классификация изображений. В сфере аналитики система Einstein Discovery находит в данных закономерности, не требуя выдвижения гипотез.
Некоторые компании уже начали применять эти компетенции[144]. Например, U.S. Bank использовал способность Einstein к прогнозной оценке потенциальных клиентов, основанной на технологии машинного обучения, чтобы выявлять тех, кому могут понадобиться услуги управления капиталом. Этот подход позволил компании в 2,34 раза увеличить число конверсий при предложении о предоставлении услуг. Финский производитель лифтов и эскалаторов Kone использует Einstein в сервисном облаке Salesforce, чтобы находить лучших техников для решения возникающих у клиентов проблем. Компания – производитель туристического снаряжения Black Diamond утверждает, что автоматизированные рекомендации Einstein позволили ей повысить конверсию примерно на 10 %, а прибыль в пересчете на посетителя сайта – на 15 %. Использование этих компетенций только начинается, но они уже приносят пользу, в то время как их внедрение не представляет особой сложности – по крайней мере с технической точки зрения.
Когнитивные технологии внедряют в свои системы планирования ресурсов и такие компании, как SAP, Oracle и Workday. Некоторые предлагаемые ими функции сходны с компетенциями Salesforce (это, например, возможность оценки и приоритизации потенциальных клиентов, а также персонализации контента для конкретного клиента). Кроме этих компетенций на основе машинного обучения, SAP развивает «разговорную коммерцию», в которой активно используются чат-боты, а также технологии распознавания изображений и лиц. В набор ИИ-компетенций, получивший название Leonardo Machine Learning, также входят специализированные решения, включая управление наличными активами в финансовой сфере, видеоанализ для управления брендом и анализ обращений в службу поддержки при возникновении неполадок[145]. Предлагая свои продукты, SAP делает доступными ИИ-инструменты с закрытым и открытым кодом – как правило, в форме API, к которому могут обращаться ее системы. И ее стратегия кажется мне выигрышной.
Oracle уделяет особое внимание развитию технологии чат-ботов, а также своим обширным источникам данных, в частности компаниям. Workday специализируется на анализе показателей, которые позволяют снижать текучку кадров. Ни одной из этих компаний не угнаться за Salesforce, но все они стараются интегрировать ИИ в свои продукты[146]. Поскольку многие клиенты пользуются их системами обработки транзакций, эти компании имеют преимущество над стартапами, которые предоставляют самостоятельные решения. Впрочем, также важно отметить, что стартапы часто предлагают возможность интеграции своих решений с популярными программами для обработки транзакций. Так, компания Conversica, предлагающая виртуального ИИ-ассистента, генерирующего автоматические сообщения для повышения конверсии продаж, заявляет, что ее программное обеспечение без проблем интегрируется с Salesforce и другими распространенными системами CRM.