ИТ-портал компании «Инфосистемы Джет»

AI Conference: как ИИ работает в ритейле

В технополисе «Москва» 9 апреля прошла конференция по искусственному интеллекту «AI Conference Moscow 2019». На мероприятии обсуждали кейсы из HR-практики, проблемы внедрения ИИ-решений и нюансы их использования в ритейле.

Искусственный интеллект: теория и российские реалии

По традиции подобных мероприятий, первое выступление было визионерским: чтобы рассказать о проблемах и перспективах применения ИИ, на сцену вышел директор департамента интеллектуальных приложений компании «Цифра» Константин Горбач. В начале своего выступления он говорил о цикле хайпа Gartner и эволюции искусственного интеллекта в рамках этого цикла. «Это одна из немногих технологий, которая создает очень много проблем создателям цикла, — отметил Константин. — В 2014 г. в Gartner использовали термин “предписывающая аналитика”, в 2015 г. его заменили на “data science”, а еще год спустя появился термин “machine learning”. А в 2017 г. прорвало: появилась целая плеяда технологий, таких как “цифровые двойники” и “глубокое обучение”, которые так или иначе относятся к искусственному интеллекту».

Помимо путаницы в терминах, искусственный интеллект в глобальном смысле принес бизнесу целый ворох проблем. Представитель «Цифры» составил их полный перечень, который структурировал следующим образом: данные, сложность, монетизация, безопасность, трансформация рынка труда и взаимодействие с обществом. Рассмотрим эти проблемы по порядку.

• Данные. Сбор данных, базовой основы для внедрения ИИ, в разных отраслях организован по-разному. Если в интернет-магазинах данных много и они четко структурированы, то в государственной медицине или бюджетных учреждениях зачастую информацию записывают в амбарные книги.

• Сложность. Технологию нельзя назвать зрелой, поэтому во время внедрения ИИ-решений проблемы будут возникать обязательно. В лучшем случае с момента постановки задачи до создания и масштабирования решения пройдет год, за это время продукт может устареть или измениться.

• Монетизация. Эта проблема напрямую связана с предыдущим пунктом: поскольку технология сейчас на пике хайпа, а внедрение является дорогостоящим и сложным в реализации, зачастую решение не оправдывает ожиданий бизнеса. Пользователи ждут заветную «серебряную пулю», а взамен получают обычное коробочное решение. Эта проблема уйдет с повышением уровня зрелости технологии, но пока имеет место.

• Безопасность. В некоторых задачах искусственный интеллект работает быстрее людей, в качестве примера спикер привел распознавание изображений. Но ИИ можно обмануть такими   способами, которые с людьми бы не сработали: с помощью специального цифрового шума картинка панды для технологии компьютерного зрения легко превращается в изображение гиббона. Правда, для выполнения такого трюка необходимо знать алгоритм работы ИИ и его проблемные точки.

• Рынок труда. В перспективе ИИ заберет себе функции сбора и анализа информации, интерпретации результатов, будет определять алгоритмы выполнения и их реализацию. Людям останутся мотивация, эмпатия и взаимодействие с другими людьми. Но вначале необходимо научиться разделять эти функции и доверять работу искусственному интеллекту.

• Общество. Внедрение ИИ ставит перед обществом новые этические проблемы, самая известная из которых: кого спасать беспилотному автомобилю в случае ДТП — пассажиров или пешеходов? К этому добавляются сложности с юридическим регулированием, вопросы приватности и потенциальной дискриминации людей со стороны искусственного интеллекта (например, если ИИ доверят решать вопросы кредитования населения).

После визионерского выступления перешли к обсуждению частных кейсов, и тут же проявилась упомянутая выше путаница в терминах. Предприниматель Леонид Коновалов, владелец компании «Инфо Системс», работающей в Тольятти, рассказал, как организовал работу сети АЗС. В компании ушли от разрозненной системы учета в Excel к консолидированной системе — решению 1С. Благодаря этому удалось сократить потери на сумму около 1,5 млн рублей ежегодно.

«Если это 1С, то где здесь искусственный интеллект?» — уточнили из зала.

«Какой там искусственный интеллект, это реалии, — рассмеялся докладчик. — Автоматизация 1С вместо Excel — это уже прогресс, можно спрогнозировать закупки, анализируя сезонность продаж и уровень спроса. Я думаю, какой-то искусственный интеллект в этом есть, пусть и совсем небольшой».

Будущее ИИ*

1. Ограниченный искусственный интеллект. Это нынешний этап развития. ИИ специализируется на узких задачах из одной области.

2. Общий искусственный интеллект. Будет наделен рядом человеческих свойств, таких как умение обосновывать, планировать, использовать накопленный опыт, абстрактно мыслить и быстро обучаться. Появится через 20 лет.

3. Искусственный суперинтеллект. По всем параметрам будет превосходить отдельного человека, включая такие направления, как общие познания, научные изобретения и социальные навыки. Появится приблизительно через 50 лет.

* Прогноз директора департамента интеллектуальных приложений компании «Цифра» Константина Горбача

Что дает ИИ в HR и управленческих решениях

По данным отраслевых экспертов, уже сейчас в работе HR-служб можно и нужно использовать искусственный интеллект. Так, до 90% заявок можно выполнять автоматически, сложности возникают только при запросе копий трудовых книжек. Рассмотрение до 70% заявок не требует вмешательства человека, и до 100% запросов новых сотрудников на получение информации о компании (когда зарплата, как подать заявку на обучение) можно обрабатывать с использованием алгоритмов. Хотя, напомним, в ближайшее время заменить живое общение решениями ИИ не получится.

Директор департамента HRM-технологий и аналитики «Ростелекома» Никита Черкасенко рассказал, как искусственный интеллект помог сократить текучесть кадров. В компании собрали большой объем данных о собственных сотрудниках: получаемый доход, сравнение со средней зарплатой по отрасли и региону, стиль работы (работающие в рваном режиме склонны увольняться по собственному желанию), количество входящих и исходящих сообщений в рабочей почте в течение года — и построили прогнозную модель увольнений в ближайшие три месяца.

«Когда я построил первую рабочую модель с указанием вероятности увольнения ряда сотрудников, то отправил подготовленный документ HR-директорам филиалов и начал их обзванивать, чтобы сообщить им, что это такое. Одна руководительница не смогла поговорить со мной сразу (у нее была важная встреча), но перезвонила мне через 40 минут. “Никита, я правильно понимаю, что это прогноз увольнений? — спросила она. — Интересно, просто я только что говорила с одним из наших менеджеров, он принес заявление на увольнение”. Этот человек был у нас третьим в списке по этому макрорегиону».

Директор исследовательского центра «Интерфакс ЛАБ» Илья Мунерман рассказал, как с помощью данных можно автоматизировать процесс принятия управленческих решений. По его словам, скоринговые решения имеют преимущества перед традиционными технологиями. Человеку присущи когнитивные искажения: оценочные суждения, нерепрезентативная выборка, «ошибка выжившего», иллюзия контроля — это не полный список подобных искажений, влияющих даже на финансовый анализ, если его ведет человек.

В свою очередь, «Интерфакс Лаб» предлагает использовать следующие сведения и инструменты анализа данных: индексы платежной дисциплины, судебные решения и исполнительные производства, данные о персонале компании, анализ налогового бремени и производительности, тендерную информацию, данные о недвижимости, информацию из новостей и социальных сетей, транзакции и традиционные финансовые коэффициенты. На основе этих данных можно собрать большую и более реалистичную картину того, что происходит с тем или иным предприятием. Например — посчитать, сколько из ваших франчайзи выживут в течение ближайшего года.

Проблемы внедрения ИИ: кейс «Додо Пиццы»

«Кто из вас может сказать, что в компании используют методы машинного обучения? А кто считает, что ваша инфраструктура готова к внедрению решений, построенных на основе машинного обучения?» — начал свое выступление Андрей Филипьев, ведущий разработчик в «Додо Пицца». В зале подняли руки буквально пара человек. «Сегодня я вам докажу, что компании необходимо внедрять методы машинного обучения», — продолжил спикер.

Сейчас «Додо Пицца» насчитывает более 470 пиццерий в 12 странах, оборот всех точек составляет более 1 млрд рублей в месяц. Это огромная клиентская база, которая растет гигантскими темпами. И чтобы подготовить персонализированные предложения для каждого из клиентов, провести продуктовую аналитику, в компании решили использовать методы машинного обучения.

Благодаря кластеризации рецептов, в «Додо Пицца» выявили шесть наборов ингредиентов, которые клиенты выбирают чаще всего. Опираясь на анализ данных, научились прогнозировать использование конкретных рецептов. Выявив самые популярные ингредиенты и те, которые менее востребованы, работники научились оптимизировать запасы. Кроме того, удалось доработать систему рекомендаций. Разделив покупателей по вкусовым предпочтениям, для каждого кластера загрузили персональные рекомендации. В итоге люди стали покупать продукты, более разнообразные по сравнению с теми, что предлагались раньше, когда система рекомендаций работала по алгоритму, основанному на экспертной оценке

Ведущий разработчик «Додо Пиццы» выделил топ-5 реальных проблем, с которыми может столкнуться бизнес в ходе внедрения ML-решений.

Во-первых, это деньги. Бизнес не готов выделять серьезный бюджет для инвестирования в малоизвестные и малопонятные вещи. Вторая проблема — выбор коробочных решений ML-as-a-Service. Они быстрые и простые в установке, но для компании-пользователя такое решение похоже на черный ящик, поскольку никто не знает, что внутри. В-третьих, данные. Этот риск связан с предыдущим: при использовании коробочных решений компания не будет владеть данными своих же пользователей. Четвертая проблема — неготовность инфраструктуры (тут все очевидно). Проблемой номер пять Андрей Филипьев назвал поиск команды. С одной стороны, можно собрать свою команду, но это либо дорого, либо придется потратить время на ее обучение. С другой стороны, всегда можно нанять команду на аутсорс, но в таком случае «необходимо следить, чтобы они развивали ваш продукт, а не свой собственный».

Используя подход, ориентированный на данные, ритейлеры могут опираться не на экспертные оценки, а на информацию. Это позволяет изучить поведение потребителей, понять их нужды и предпочтения максимально точно. Но чтобы бизнес согласился на внедрение решений машинного обучения, необходимы два элемента: профессиональная команда и успешный пилот (максимум пользы в короткие сроки). И если масштабирование будет слишком дорогим, от проекта откажутся, даже несмотря на успех в пилотной стадии.

«Мы прилетели на космическом корабле в средневековую Европу»


Алексей Добрусин
, директор стартап-центра Института инновационного развития Самарского государственного медицинского университета


У нас есть четыре проекта искусственного интеллекта, которые мы сейчас предлагаем на рынке России и СНГ. И в процессе вывода продукта мы столкнулись со следующей проблемой: когда говоришь о внедрении ИИ в госорганах, рассказываешь о том, как это вписывается в развитие национальных проектов, то в ответ встречаешь понимание. Но если спускаешься на уровень ниже — не в федеральные больницы, а в областные, — интерес к внедрению новых технологий затухает. Там говорят: «У нас нет шприцов, нет компьютеров. Какой искусственный интеллект?» Главврачи не хотят обсуждать бюджетирование этих проектов, а в некоторых больницах отказались устанавливать наши ИИ-решения даже бесплатно. Никто не понимает, зачем им это нужно. Честно говоря, у нас возникло ощущение, что мы на космическом корабле прилетели в средневековую Европу.

ИИ в ритейле: опыт SAP

На конференции активно обсуждалась еще одна отрасль, в которой можно применять ИИ, — ритейл. Директор сектора розничной и оптовой торговли компании «SAP СНГ» Андрей Жуков выступил с докладом «Увеличение среднего чека покупателя розничных сетей». По его данным, сейчас средний чек российских розничных сетей откровенно невысок: 300 рублей для «Пятерочки», 500 рублей для «Перекрестка» и 700 рублей для «Карусели». Для сравнения, средний чек в европейской сети супермаркетов Lidl составляет 1500 рублей, а в Walmart — 3600 рублей.

«К сожалению, покупательная способность населения в нашей стране именно такая, — заметил Андрей Жуков. — И всегда стоит помнить об этом, когда планируешь оптимизировать процессы и рассчитываешь на бизнес-эффект. Но некоторые процессы можно оптимизировать и в России, тем самым увеличив средний чек».

По мнению представителя SAP, с помощью инструментов ИИ можно усовершенствовать шесть процессов розницы:

• управление ассортиментом;

• ценообразование и промоакции;

• сегментация и подготовка персональных предложений;

• прогнозирование и пополнение ассортимента;

• мотивация персонала;

• сервисные процессы.

В частности, он привел кейс компании Walmart, в которой использовали решение Predictive Analysis Library, чтобы иметь возможность регулировать промоакции на территории США в течение часа. Этот инструмент помог сети в «черную пятницу». Выяснив, какие промоакции на восточном побережье имеют успех, а какие провалились, в Walmart скорректировали акции и увеличили выручку.

Другой пример — группа компаний «Виктория», где сформировали персональные предложения для покупателей, преобразовав накопленные данные, выполнив их анализ и предиктивную аналитику. В итоге средний чек вырос на 10%, вовлеченность клиентов в программу лояльности увеличилась на 30%, а количество откликов на разные акции — на 40%.

Опытом работы с отечественным ритейлом поделился руководитель проекта GANDIVA Антон Малов. GANDIVA — это система управления бизнесом, которая в своей работе, помимо прочего, использует ИИ-решения. Ее использовали в автохолдинге «Агат», чтобы сократить расходы на лишних сотрудников бэк-офиса без потери результативности. В 2010–2013 гг. холдинг активно развивался и открывал новые дилерские центры в российских регионах. В итоге за три года количество офисного персонала выросло с 536 до 701 человека, а продуктивного персонала — с 1476 до 2459 человек. Имеющаяся модель управления не соответствовала реалиям бизнеса, поэтому запустили процесс перемен.

С помощью системы посчитали нагрузку на каждого сотрудника, оценили результативность и окупаемость его работы, после чего начали оптимизировать деятельность каждого из отделов. Как результат, к 2018 г. количество работников бэк-офиса осталось практически неизменным, несмотря на рост штата продуктивного персонала: первых было 614 человек, а вторых уже 3115. Таким образом, доля офисного персонала в общей численности сотрудников компании снизилась с 36% в 2010 г. до 20% в 2018 г. По подсчетам автохолдинга, средняя экономия на ФОТ в год составила 288 млн рублей.

Вернуться к архиву
О журнале

Журнал Jet Info регулярно издается с 1995 года.

Узнать больше »
Подписаться на Jet Info

Хотите узнавать о новых номерах.

Заполните форму »
Контакты

Тел: +7 (495) 411-76-01
Email: journal@jet.su