Практики ИИ слишком хорошо знакомы со статистикой, что более 80% проектов ИИ терпят неудачу. Много было сказано о том, что могут сделать организации и команды по науке о данных, чтобы увеличить этот низкий показатель успеха. Тем не менее, даже организации с устоявшейся практикой машинного обучения (ML) и высококлассными командами искусственного интеллекта испытывают трудности. Некоторые инициативы в области искусственного интеллекта трансформируют бизнес, в то время как другие демонстрируют небольшую отдачу от инвестиций или даже никогда не приносят результатов.

Конечно, это не уникально для проектов ИИ, но поскольку наука о данных — достаточно новая дисциплина, есть еще один фактор, препятствующий успеху: не все можно решить с помощью ИИ. В этом посте я рассмотрю проблемы, которые мы можем ожидать от ИИ, опираясь на свой личный опыт в качестве менеджера группы обработки данных для Intuit QuickBooks.

Первое, что нужно учитывать, — это результат, которого мы пытаемся достичь с помощью системы машинного обучения. Каковы ожидаемые преимущества модели для конечного пользователя? Какие показатели мы используем для измерения успеха?

Например, можно ожидать, что вся система будет влиять на бизнес-метрику, например, на время, необходимое пользователю для выполнения задачи. Но, как специалисты по данным, мы обычно смотрим на статистическую меру, когда оцениваем саму модель. Например, AUC (площадь под кривой рабочей характеристики приемника) или точность. Нижняя граница? Вся система должна быть спроектирована таким образом, чтобы улучшение метрики модели приводило к улучшению бизнес-метрики.

Исходя из личного опыта, большинство моделей обычно в конечном итоге служат небольшому списку целей, и для каждой цели есть определенные соображения, которые необходимо учитывать, чтобы подготовить проект к успеху. Итак, давайте углубимся в наиболее распространенные из них, имея в виду, что это снимок для практиков ИИ и не предназначен для представления всех возможных вариантов использования.

Повышение производительности за счет автоматизации и дополнений

Повышение производительности, как правило, лучше всего подходит для ИИ. Сюда входят все сценарии, в которых существующий процесс выполняется вручную, и цель системы — сделать его более эффективным. Выгода здесь очень очевидна и может быть легко измерена путем отслеживания количества человеко-часов, сэкономленных системой. Классическими примерами являются автоматические предложения или поисковые системы, но даже интеллектуальный алгоритм, который направляет звонки клиентов агентам службы поддержки, может повысить производительность в контексте всей системы.

Конечно, нам нужно убедиться, что процесс стоит автоматизировать. Чтобы ответить на этот вопрос, нам необходимо рассмотреть следующее:

  • Сколько пользователей выполняют задачи в рамках процесса?
  • Сколько времени эти пользователи тратят на процесс?
  • Сколько из этого времени может сэкономить система ИИ?

Если масштаб процесса велик, и ИИ может уменьшить его большую часть, то, вероятно, стоит построить такую ​​модель. Тем не менее, при разработке системы ИИ для повышения производительности необходимо учитывать два дополнительных фактора:

  • Во-первых, полностью ли автоматизирует процесс компонент ИИ или он увеличивает пропускную способность людей, вовлеченных в процесс, сохраняя за ними ответственность?
  • Во-вторых, это внутренний, бэк-офисный процесс или взаимодействие с клиентами?

Поскольку машинное обучение по своей природе является статистическим методом, который неизбежно приводит к ошибкам, система должна быть спроектирована с использованием отказоустойчивых механизмов. Гораздо проще разработать такие механизмы для пользователей бэк-офиса, поскольку вы можете рассказать им о модели, чтобы они поняли общие преимущества производительности. С другой стороны, когда система ИИ автоматизирует задачи, чтобы сделать конечных пользователей более продуктивными, мы должны спроектировать ее таким образом, чтобы конечный пользователь был уверен в результатах ИИ.

Чтобы проиллюстрировать это, давайте рассмотрим два примера моделей искусственного интеллекта, повышающих производительность, которые мы создали в Intuit.

  • Когда пользователь импортирует транзакции со своего банковского счета в QuickBooks, ему необходимо отнести эти транзакции к правильной учетной записи в своих книгах. Чтобы избавить пользователя от ручной категоризации, мы создали модель ИИ, которая предлагает правильную учетную запись для каждой транзакции. Поскольку это процесс, ориентированный на клиента, и мы хотим, чтобы клиент чувствовал себя полностью уверенным в ИИ, система разработана таким образом, что пользователь должен одобрять предложения, тем самым сохраняя контроль на протяжении всего процесса.
  • Что касается бэк-офиса, мы создали модель обработки естественного языка, которая может обобщать звонки для нашего центра поддержки клиентов. Эта модель снижает потребность агентов по работе с клиентами делать заметки во время разговора и позволяет им полностью сосредоточиться на клиенте. ИИ полностью автоматизирован, а сводка создается без участия пользователя, что повышает производительность процесса. Это возможно, поскольку запись звонка служит встроенным отказоустойчивым механизмом, и агенты по работе с клиентами обучены использовать его в случае, если результат ИИ окажется недостаточным (например, недостаточно четким, недостаточно подробным или неправильный).

Повышение качества обслуживания клиентов с помощью персонализированных рекомендаций и статистики

Этот набор вариантов использования включает в себя модели, которые проактивно предоставляют пользователю релевантную информацию, чтобы открыть совершенно новый (и улучшенный!) опыт работы с клиентами.

Механизмы рекомендаций — это наиболее известная технология этого типа, предлагающая ваш следующий достойный просмотра сериал Netflix или любимый новый продукт на Amazon на основе вашей истории просмотров и покупок. Эти системы предоставляют нам полезную информацию, которая делает наше знакомство с продуктом более приятным. Однако выводы могут быть и более общими. Например, информация может подсказать, как определить цену товара, который вы хотите продать на сайте электронной коммерции, или порекомендовать лучшее время для выхода на работу.

В Intuit мы предоставляем малым предприятиям идеи и рекомендации для различных решений в нашем продукте QuickBooks. Например, мы можем подсказать, какие условия лучше всего подходят для конкретного счета или сколько наличных должен сэкономить владелец бизнеса, чтобы не столкнуться с проблемами ликвидности.

В каждом из этих примеров базовая модель машинного обучения и связанная с ней метрика могут различаться для каждого продукта, но на самом деле нас интересует вовлеченность пользователей и уровень принятия рекомендаций. В большинстве случаев лучшая модель приводит к более релевантной рекомендации, что, в свою очередь, увеличивает шансы на принятие.

В системах такого типа интеллектуальные функции в первую очередь связаны с данными. Речь идет о предоставлении нужной информации в нужное время, и именно персонализация делает ИИ правильным решением проблемы. Таким образом, для любого специалиста по искусственному интеллекту важно на раннем этапе разработки новой функции продукта определить, будет ли сложная модель создавать реальную ценность.

3. Повышение качества и точности клиентского опыта.

Целью здесь является повышение точности или качества конкретного процесса принятия решений или выполнения задач. Если мы подумаем о программе проверки орфографии, то ценность, которую она дает, заключается не в том, что мы пишем документы быстрее, а в том, что мы пишем их лучше. Точно так же, если мы используем модель машинного обучения для прогнозирования пожизненной ценности клиента, мы не гонимся за скоростью. Скорее, мы стремимся к тому, чтобы модель обнаруживала сложные закономерности в данных и делала вычисления более точными, тем самым повышая общее качество обслуживания клиентов.

Организации постоянно делают прогнозы для поддержки различных функций. Например, компании прогнозируют цену, которую придется заплатить за рекламу, уйдут ли клиенты или будут ли определенные действия мошенническими. Во многих случаях в этих оценках используется множество различных переменных и требуются обширные знания предметной области для проектирования и достижения высокой точности. Это те случаи, когда решение ИИ, использующее существующие данные, может быть более точным, чем человек.

Например, продукты для обнаружения ошибок невероятно успешны в повышении точности. К ним относятся модели ИИ, которые отслеживают результаты процесса и генерируют предупреждения, чтобы отметить потенциальные неточности. Например, Intuit TurboTax использует модель глубокого обучения для проверки номеров счетов ACH (автоматизированной клиринговой палаты для электронных платежей и денежных переводов в США), которые пользователи вводят для своей налоговой декларации. Изучая прошлые данные, алгоритм может определить, когда номер учетной записи ACH выглядит недействительным, и предупредить пользователя о том, что он мог ввести его неправильно.

В некоторых случаях модель ИИ может не только предупредить клиента о неточности, но и предложить исправления. Исправления вносятся путем прогнозирования ожидаемого поведения, и если наш предиктор очень точен, мы можем рассмотреть возможность простого вывода ввода для пользователя. На этом этапе команда разработчиков продукта должна тщательно взвесить компромиссы между использованием модели для повышения производительности или качества, поскольку это решение будет иметь большое влияние на дизайн всей системы.

Применение ИИ для решения правильных проблем правильными способами

ИИ — это очень мощный инструмент, который меняет отрасли и создает непревзойденный пользовательский опыт. Однако искусственный интеллект — это не волшебная палочка для решения всех проблем бизнеса и клиентов.

Руководители и специалисты по ИИ должны убедиться, что ИИ применяется к правильным вариантам использования, чтобы получить правильные результаты. Это так же важно, как выбор правильных моделей и использование лучших функций.

В случае с Intuit искусственный интеллект и связанные с ним технологии лежат в основе нашей миссии по обеспечению процветания во всем мире для потребителей, малого бизнеса и самозанятых клиентов. Мы выявляем закономерности в данных наших клиентов, чтобы помочь им найти новые идеи, которые помогут им сэкономить больше денег или больше времени в течение дня. И мы применяем автоматизацию на основе данных, чтобы избавиться от рутинной работы в обычных финансовых задачах. Внедряя искусственный интеллект в наше портфолио продуктов для решения правильных проблем правильными способами, мы помогаем нашим клиентам принимать взвешенные решения, улучшающие их финансовую жизнь. И это то, чем мы невероятно гордимся как команда Intuit AI + Data.