Базовые ИИ-технологии — машинное обучение, обработку и генерацию естественного языка, компьютерное зрение — можно адаптировать под разные задачи бизнеса.
Айканыш Орозбаева, директор по развитию бизнеса в Embedika, рассказала, как провести такую кастомизацию и на что обратить внимание.
Ниже приводим текст оригинальной публикации.
Кастомизация ИИ-продуктов нужна, когда стандартные решения не учитывают особенности компании. Причины бывают разными: от требований безопасности до специфики бизнес-процессов. Чем больше внутренних регламентов и отраслевых стандартов, тем сложнее внедрить универсальный продукт. В страховании, например, важно прогнозировать риски с нестандартными параметрами, а в логистике — учитывать нестабильность цепочек поставок и локальные условия. Банки должны соблюдать требования регуляторов при анализе данных клиентов, фармкомпании — ориентироваться на международные нормы, а промышленным предприятиям важно учитывать специфику технологических процессов.
Еще один фактор, который будет побуждать компании переходить на кастомизированные решения — точность работы ИИ. Когда цена ошибки высока, точность работы алгоритмов выходит на первый план. В медицине неверно поставленный диагноз влияет на выбор лечения, в финансах — на оценку кредитных рисков.
Кастомизация особенно полезна компаниям с большими и специфичными массивами данных. В e-commerce это история покупок и поведение пользователей, в производстве — телеметрия оборудования, в службе поддержки — переписка с клиентами. Без дообучения эти данные либо не используются, либо не приносят результата.
Иногда сложность не в технологии, а в ее освоении. Если сотрудники не готовы работать с новым инструментом, важно адаптировать интерфейс, упростить управление и провести обучение. Это особенно актуально для крупных компаний, где цифровые решения внедряют массово.
Как все происходит
Первый шаг в кастомизации ИИ-решения — инициация проекта: определение задач, которые не решаются стандартными инструментами, а также оценка потенциальных бизнес-эффектов и рисков.
Анализ перед кастомизацией ИИ включает:
● стратегическое планирование;
● детальное изучение текущих процессов и данных;
● выделение конкретных задач для автоматизации.
Затем составляют список требований к целевому решению:
● какие данные нужно учитывать;
● какие процессы автоматизировать;
● с какими системами интегрировать,
● а также учесть корпоративные, технические, организационные и иные ограничения, которые есть в компании.
Далее анализируют доступные данные и формулируют ML-задачу, после чего оценивают масштаб разработки: необходимый бюджет, команду и сроки для вывода решения в продакшен. На этом этапе формируется список потенциальных сценариев использования: компания выделяет конкретные задачи, которые можно автоматизировать или улучшить с помощью ИИ. Их делят на две категории: задачи повышения эффективности текущих операций и трансформационные задачи, создающие новые продукты или бизнес-модели.
Затем следует этап аналитики: компания составляет техническое задание, включающее архитектуру решения, требования к данным, критерии успеха и метрики оценки эффективности.
После этого начинается разработка: очистка и подготовка данных, создание ML-модели, а параллельно — работа бэкенд- и фронтенд-разработчиков, которые обеспечивают инфраструктуру, API и интерфейсы для интеграции ИИ-решения в бизнес-процессы.
Потом идет внедрение и тестирование: пилотная эксплуатация, валидация модели на реальных данных, устранение ошибок и настройка под нужды пользователей.
На финальном этапе оценивают бизнес-эффекты: сравнивают показатели до и после внедрения, измеряют ROI и корректируют решение, если требуется дальнейшая оптимизация.
Важно выбрать сценарий
После этапа, когда оцениваются ресурсы и требования, необходимо выбрать оптимальный путь для реализации проекта.
Существуют два сценария:
● пойти по пути собственной разработки на основе open-source-решений;
● выбрать одно из существующих ИИ-решений, предлагаемых вендорами, для дальнейшей кастомизации.
Первый сценарий
Если есть собственные R&D-специалисты и ML-инженеры, проект можно вести внутри компании. Это дает полный контроль над процессом и позволяет быстрее вносить изменения.
Под конкретную задачу организуют прикладные исследования, подбираются подходящие модели, проводят тестирования и замеры. Далее выбирается модель, которая дает наилучшие результаты. Ее дорабатывают и тестируют: проверяют точность работы и сравнивают результаты с ожиданиями бизнеса. Если требуется дополнительная доработка, вносят изменения и повторно тестируют. Когда алгоритм работает корректно, его интегрируют в корпоративные системы, что тоже является нетривиальной задачей.
Второй сценарий
Если выбирается второй сценарий, чаще кастомизацию работы моделей ИИ осуществляют поставщики ИИ-решений. Разработчики лучше знают архитектуру модели и могут быстрее ее адаптировать. Но вендор не всегда доступен, а доработка под конкретную отрасль может не входить в его планы.
ü Альтернативный вариант — привлечь внешних разработчиков с опытом работы и знанием специфики. При этом специалисты компании-заказчика должны ставить задачи, оказывать методологическую поддержку, проводить верификацию и валидацию результатов.
ü Компромиссный вариант — гибридный подход. Базовую кастомизацию выполняет подрядчик, а дальнейшую доработку, в том числе бизнес-логики под процессы компании, и поддержку берет на себя внутренняя команда. Подрядчик адаптирует ИИ-модель под целевые функции: выполняет дообучение на специализированных данных заказчика, настраивает гиперпараметры, проводит промпт-инжиниринг или применяет методы адаптивного обучения.
Полученный прототип проходит этап внутреннего тестирования и валидации с участием конечных пользователей. Оцениваются функциональность, точность, устойчивость модели и соответствие бизнес-требованиям. По итогам тестирования вносятся необходимые улучшения: устраняются выявленные ошибки, оптимизируются архитектурные и интерфейсные компоненты, повышается производительность и стабильность решения.
После финальной доработки решение внедряется в бизнес-процессы, проводится интеграция с существующей IТ-инфраструктурой (включая корпоративные системы и базы данных), а также организуется техническое сопровождение и поддержка.
Большинство компаний, работающих с ИИ, пока используют готовые решения. Например, ChatGPT помогает и маркетологам, и аналитикам, и страховым агентам. Но максимальную ценность технологии дают, когда адаптируются под конкретный бизнес. Такой подход делает ИИ-инструменты более эффективными.
