Состоялся вебинар «Уроки внедрения ИИ в компаниях в Кремниевой долине и в России — опыт 200 проектов за 10 лет»
14 октября на Факультете социальных наук НИУ ВШЭ прошёл онлайн-вебинар, приуроченный к запуску программы повышения квалификации «Успешные кейсы и ошибки: уроки внедрения ИИ на базе 200 проектов за 10 лет».
Спикером выступил Артемий Малков, основатель Data Monsters, реализовавший более 200 проектов по внедрению ИИ с крупнейшими мировыми компаниями.
Артемий разобрал, почему проекты по внедрению ИИ так часто застревают и что делать, чтобы довести их до результата. Основные тезисы:
● ИИ-проект — это исследование, а не разработка софта. Результат заранее неизвестен, а сроки и бюджет почти всегда превышают план. Первую версию можно сделать быстро: до 50% точности хватает пары дней, до 80% нужны месяцы, до 90% год и больше. Каждый следующий процент стоит всё дороже.
● Семь «драконов» проекта. Типичные причины неудач — решения руководства, работа в реальном времени, доступ к данным, вмешательство в привычные процессы, новизна технологий, качество данных и «длинный хвост» редких событий.
● Главная проблема — редкие события. Типовые ситуации модель осваивает быстро, а проекты ломаются на редких и нестандартных. Поэтому компаниям стоит целенаправленно собирать ошибки, дефекты и аномалии, а не уничтожать их: на них и учатся модели.
● Кейс производства напитков. Система выявляла дефекты банок на конвейере со скоростью 30 банок в секунду. Из-за выбора площадки для пилота, пяти месяцев на получение доступа и редкости самих дефектов проект занял 3,5 года вместо планируемых шести месяцев.
● Кейс банковского чат-бота. Первые четыре месяца бот справлялся хуже обычного сотрудника, и проект обычно закрывают. Вместо этого нагрузку увеличили, и за 2–3 недели качество выросло до уровня среднего сотрудника. Чем больше пользователей, тем больше редких случаев, на которых система дообучается. Поэтому «дешёвые пилоты» на малых объёмах часто неверно показывают потенциал ИИ.
● Нужен «парашют» на случай ошибки ИИ. Систему нужно проектировать с учётом того, что она ошибётся: оговорка о неуверенности, передача сложных случаев человеку, несколько вариантов ответа. Это требует изменения бизнес-процессов, в том числе роли сотрудников, которые проверяют ответы ИИ.
● Уровень «интеллекта» определяется бюджетом. Для пилота реалистична цель на уровне среднего сотрудника, а модели уровня эксперта требуют многолетних инвестиций.
Вебинар показал лишь малую часть того, чем Артемий Малков готов поделиться. На программе «Успешные кейсы и ошибки: уроки внедрения ИИ на базе 200 проектов за 10 лет» вы получите то, чего нет в открытых источниках: рабочую методику запуска ИИ-проектов, разбор реальных кейсов крупнейших компаний и практику, которая поможет не потерять месяцы и бюджет на типичных ошибках. Вы научитесь оценивать, где ИИ даст результат, а где нет, выстраивать работу с данными и спасать проекты, которые «не взлетают». Занятия пройдут онлайн, а у вас будет возможность задать эксперту свои вопросы и разобрать собственные кейсы.
Количество мест ограничено, старт — 3 ноября. Присоединяйтесь, пока есть места!