Литмир - Электронная Библиотека
A
A

Напрашивается предположение, что RPA лишит людей работы. Но в рамках 71 RPA-проекта, которые мы рассмотрели (47 % от общего их числа), замена роботами сотрудников не ставилась как цель и не стала результатом. Лишь несколько проектов привели к сокращениям, да и то в основном из-за привлечения внешних трудовых ресурсов. В будущем по мере совершенствования технологий проекты роботизированной автоматизации могут привести к некоторому сокращению рабочих мест, особенно в индустрии офшорного аутсорсинга. Если вы можете передать задачу на аутсорсинг, с большой вероятностью вы можете и автоматизировать ее.

Проблемы ИИ

Руководители в нашем исследовании отметили несколько факторов (начиная от интеграции до нехватки квалификации), которые могут приостановить или свести на нет ИИ-инициативы.

Искусственный интеллект, аналитика и новые технологии - i_003.jpg
Когнитивное прогнозирование

Второй наиболее распространенный тип проектов в нашем исследовании (38 % от общего числа) основан на алгоритмах обнаружения закономерностей в огромных массивах данных и интерпретации их значений – что-то вроде аналитического реслинга. Такие самообучаемые приложения используются для следующих задач:

● прогнозирование покупательских предпочтений;

● выявление мошенничества с кредитами и страховыми выплатами в режиме реального времени;

● анализ гарантийных данных для выявления проблем с безопасностью или качеством автомобилей и другой производимой продукции;

● автоматизация таргетинга интернет-рекламы;

● более точное актуарное моделирование страховых случаев.

Когнитивное прогнозирование, основанное на машинном обучении, имеет три отличия от традиционной аналитики: более высокую емкость данных и детализацию, обучение модели на фрагменте массива данных и улучшение со временем ее способности к классификации и прогнозированию.

Благодаря машинному обучению (в частности, глубокому машинному обучению, которое имитирует работу человеческого мозга для выявления закономерностей) ИИ может выполнять такие действия, как распознавание речи и образов. Машинное обучение также помогает очищать данные для более точной аналитики. Деятельность по обработке данных всегда была довольно трудоемкой, но теперь машинное обучение позволяет выявлять совпадения в базах данных – информацию, с высокой вероятностью связанную с одним и тем же человеком или компанией, но продублированную в разных форматах.

General Electric использовала эту технологию для интеграции данных о поставщиках и сэкономила $80 млн в первый же год, ликвидировав излишки и перезаключив контракты, управляемые ранее подразделениями. Крупный банк использовал эту технологию для извлечения данных о сроках из договоров с поставщиками и сопоставления их с данными счетов-фактур, выявив десятки миллионов долларов, потраченных на недопоставленные товары и услуги. Аудиторская сеть Deloitte использовала когнитивное прогнозирование для извлечения условий из контрактов, что позволило в ходе аудита охватывать больше документов, иногда все 100 %, без необходимости их тщательного прочтения аудиторами.

Программы когнитивного прогнозирования обычно используются для повышения производительности в тех процессах, которые могут выполняться только машинами, – например, в покупке интернет-рекламы, требующей такого высокоскоростного анализа данных и автоматизации, что они уже давно превзошли человеческие возможности, – поэтому, как правило, не представляют угрозы рабочим местам.

Когнитивное взаимодействие

Проекты, которые вовлекают сотрудников и клиентов в общение и способны обрабатывать естественный язык с помощью чат-ботов, интеллектуальных программ и машинного обучения, были наименее распространенным типом проектов в нашем исследовании (16 % от общего числа). Эта категория включает в себя:

● интеллектуальные программы, которые предлагают круглосуточное обслуживание клиентов, решая широкий и постоянно растущий круг вопросов – от восстановления пароля до оказания технической поддержки, – и все на естественном языке клиента;

● внутрикорпоративные сайты для ответов на вопросы сотрудников по таким темам, как техподдержка, льготы для персонала и кадровая политика;

● системы рекомендаций по продуктам и услугам для розничных продавцов, повышающие персонализацию, вовлеченность и продажи, – обычно они включают в себя богатый язык и изображения;

● системы рекомендаций по медицинскому обслуживанию, которые помогают создавать индивидуальные планы, учитывающие состояние здоровья отдельных пациентов и пройденные ими курсы лечения.

Компании в нашем исследовании чаще использовали технологии когнитивного взаимодействия с сотрудниками, чем с клиентами. Эта ситуация может поменяться, когда фирмам станет проще переключать общение с клиентами на машины. Например, Vanguard внедрил интеллектуальную программу, которая помогает персоналу службы поддержки клиентов отвечать на часто задаваемые вопросы. Идея состоит в том, чтобы позволить клиентам взаимодействовать с когнитивным агентом напрямую, без участия специалистов. SEBank в Швеции и медицинский технологический гигант Becton Dickinson в США используют Amelia – интеллектуальную программу-аватар, которая оказывает сотрудникам этих компаний техподдержку. Недавно SEBank сделал Amelia доступной и для клиентов, пока в тестовом формате, чтобы оценить ее производительность и реакцию клиентов.

Можно утверждать, что компании консервативно настроены к освоению технологий когнитивного взаимодействия по большей части в силу их несовершенства. Facebook, например, обнаружил, что чат-боты его мессенджера не способны ответить на 70 % запросов пользователей без вмешательства человека. В результате Facebook и ряд других компаний ограничили использование ботов – теперь они применяются только при разговорах определенного типа и на определенные темы.

Наше исследование показывает, что программы когнитивного взаимодействия в настоящее время не представляют угрозы для службы поддержки или отдела продаж. В большинстве изученных проектов цель состояла не в том, чтобы уменьшить количество сотрудников, а в том, чтобы справиться с растущим числом взаимодействий между ними и клиентами без найма дополнительного персонала. Некоторые организации планировали передать машинам управление рутинными коммуникациями, высвобождая персонал службы поддержки для более сложных задач, таких как решение сложных вопросов клиентов, ведение неструктурированных диалогов или выход на связь с клиентами еще до того, как они обратятся за решением проблемы.

Чем больше компании знакомятся с когнитивными инструментами, тем чаще они пытаются экспериментировать, запуская проекты, которые объединяют все три типа ИИ для большей эффективности. Например, один итальянский страховщик разработал «службу когнитивной поддержки» для своего ИТ-отдела. Система взаимодействует с сотрудниками, используя технологию глубокого обучения (из категории когнитивного прогнозирования) для поиска ответов на часто задаваемые вопросы, прецедентов решения проблем и документации. Она использует возможности интеллектуальной маршрутизации в автоматизированных бизнес-процессах для передачи наиболее сложных проблем специалистам, а также умеет обрабатывать пользовательские запросы на естественном, в данном случае итальянском, языке.

Однако, несмотря на быстро растущий опыт работы с когнитивными инструментами, компании сталкиваются со значительными препятствиями на этапах их разработки и внедрения. Опираясь на наше исследование, мы разработали четырехступенчатую структуру для интеграции технологий искусственного интеллекта, которые могут помочь компаниям в достижении их целей, будь то прорывные проекты или оптимизация бизнес-процессов.

1. Понимание технологий

Прежде чем запустить инициативу в области ИИ, компании должны разобраться в том, какие технологии решают какие типы задач, а также понять сильные и слабые стороны каждой из них. Например, основанные на четких правилах экспертные системы и RPA просты и понятны, но не способны к самообучению и улучшению. Глубокое обучение, с другой стороны, отлично подойдет для исследования больших массивов данных, но принципы, по которым оно строит свои модели, почти недоступны человеческому пониманию. Применение таких «черных ящиков» очень проблематично в отраслях с высоким уровнем государственного регулирования, таких как финансовый сектор, в которых регулирующие органы требуют доступа к механизмам принятия решений.

2
{"b":"740079","o":1}