Новости

Публикации в СМИ

17.01.2023

На связи команда DataLab (ГК «Автомакон») — разрабатываем рекомендательные движки, антифрод-решения, хранилища данных и другие интеллектуальные системы. Мы знакомы с искусственным интеллектом задолго до его повального хайпа — и сегодня хотим поговорить о том, почему ИИ по-прежнему не стал обыденным инструментом в бизнес-среде.

Разбираем тему по полочкам: от технических нюансов до организационных и этических барьеров.

Хотя современные технологии, такие как LLM-модели (в том числе ChatGPT), продемонстрировали впечатляющие возможности, внедрение ИИ по-прежнему остается головной болью для многих компаний. В теории — всё красиво: можно автоматизировать отчеты, строить дашборды, прогнозировать поведение клиентов, выявлять мошенников и оценивать кредитные риски. Chat-боты легко берут на себя рутину, помогая клиентам и сотрудникам.

Большинство проблем связано вовсе не с алгоритмами, а с тем, как подать данные на вход интеллектуальным системам. Речь идёт об интеграции — процессе передачи, очистки, обновления и обработки данных, без которых ИИ не может эффективно работать.

На практике же всё не так радужно.

Рекомендательные технологии сегодня применяются во множестве бизнес-сфер: от поиска недвижимости до подбора гаджетов, фильмов и вкладов. На крупных маркетплейсах, таких как Amazon и Ozon, разделы рекомендаций приносят огромную долю прибыли. Например, Amazon фиксирует до 30% покупок через рекомендованные предложения.

Согласно Barilliance, около 12% всех заказов приходится на товары, предложенные системой. Причём коэффициент конверсии таких предложений выше в 5,5 раза, чем у обычных карточек товара. Salesforce тоже подтверждает: персональные рекомендации генерируют до четверти общего объема заказов и дохода, хотя доля таких сессий — менее 10%. А Accenture сообщает, что персонализация может повысить вероятность покупки на 75%.

Чтобы прогнозная система корректно рассчитала продажи, она должна «питаться» историческими данными, причём желательно детальными: сезонность, акции, внешние факторы (погода, праздники, поведение конкурентов). Кредитный скоринг невозможен без истории платёжной дисциплины. А LLM-агенту для правдивых ответов нужно знать регламенты компании — например, как оформляется возврат товара.

Маркетинговые презентации часто упускают эти тонкости. На демо всё работает волшебно. Но в реальности за каждой «умной» функцией стоит огромная работа по сбору, чистке и обновлению данных.

Интеграционные задачи — это не просто «подключить базу». Вот основные сложности, с которыми сталкиваются команды на практике:

Понять, какие данные нужны ИИ и где они хранятся, — уже челлендж. В компаниях данные часто рассредоточены по разным отделам и системам, сохранены в разных форматах (от Excel до закрытых API), и далеко не всегда в пригодном виде.

Как извлечь данные? Из БД, с файлового хранилища, из рекламной платформы? Необходимо разработать механизмы безопасного и регулярного доступа, особенно если данные обновляются часто.

Однократная выгрузка — не решение. Системы должны получать актуальные данные ежедневно, а иногда и в режиме реального времени. Это требует настроенных пайплайнов и защиты от перегрузки внутренних сервисов.

Таким образом, интеграция — это не только IT, но и организация процессов, работа с командами, понимание логики бизнес-данных. Без системного подхода ИИ либо «не заведётся», либо даст искажённую картину.

Проблемы внедрения не ограничиваются только техническими аспектами. Вот ещё несколько причин, почему бизнес не всегда доходит до полноценной реализации AI-проектов:

Автоматический подбор похожих товаров
Без чёткой цели и понимания, зачем нужен ИИ, проект рискует скатиться в эксперимент ради эксперимента. Бизнесу нужно заранее определить KPI, области применения и ожидаемые эффекты.

5.

Этические вопросы
ИИ может ошибаться, «галлюцинировать» или делать предвзятые выводы. Важно иметь механизмы проверки, модерации и корректного использования.

Риски утечек и безопасность
Работа с большими массивами данных подразумевает ответственность. Ошибки в защите персональных данных могут стоить доверия клиентов и привести к юридическим проблемам.

4.

3.

Недостаток компетенций
Найти опытных специалистов — не всегда просто. Особенно если речь идёт не только о ML-инженерах, но и о тех, кто умеет «переводить» бизнес-задачи на язык данных.

Организационные страхи
Внедрение ИИ нередко воспринимается как угроза рабочим местам. Люди сопротивляются переменам, особенно если не понимают, как технологии повлияют на их роль. Понадобятся обучение, внутренняя коммуникация, поддержка трансформаций.

2.

1.

Да. Несмотря на все вызовы, внедрение искусственного интеллекта может дать бизнесу ощутимое преимущество. Компании, которые проходят путь от сбора данных до корректной настройки моделей и адаптации под задачи, получают:

Более точные прогнозы и решения

Уменьшение ручного труда

Рост операционной эффективности

Но чтобы достичь этих результатов, важно смотреть правде в глаза и начинать не с модели, а с данных и стратегии. Именно от этого зависит, станет ли ИИ в вашей компании реальным помощником или очередным нереализованным экспериментом.

Повышение лояльности клиентов

Устойчивость к рыночным колебаниям

Студенты МИФИ, МИСИС и ЮФУ изучают PostgreSQL с помощью СУБД Pangolin

В 2024 году команда СУБД Pangolin организовала доступ к продукту для студентов

Публикации в СМИ

В 2024 году команда СУБД Pangolin организовала доступ к продукту для студентов

Студенты МИФИ, МИСИС и ЮФУ изучают PostgreSQL с помощью СУБД Pangolin

Новости

Как low-code ускоряет разработку и вывод продуктов на рынок

Как low-code ускоряет разработку и вывод продуктов на рынок Как low-code ускоряет разработку и вывод продуктов на рынок

Новости

Блог