Компания хочет сделать AI-помощника для сотрудников.
Первый вопрос часто звучит так:
«Какую модель использовать?»
Я бы сначала задал другой:
«Если помощник завтра получит реальный вопрос клиента или сотрудника, откуда он должен узнать правильный ответ?»
Цена может находиться в одной системе.
Остаток — в другой.
Характеристики — в каталоге.
Правила совместимости — в документации.
История решений — в старых проектах.
Исключения знает инженер.
В этот момент становится видно, что задача началась намного раньше выбора AI.
Проблема не только в том, насколько хорошо модель умеет читать текст или рассуждать.
Нужно сначала понять:
«Что должна знать система, чтобы правильно выполнить эту работу — и откуда она это узнает?»
Что должна знать система
Представим компанию, которая продаёт сложное оборудование.
Клиент спрашивает:
«Можно ли вместо этой модели поставить другую?»
Опытный инженер способен ответить. Отдельно разбираю, где квалифицированный специалист действительно нужен для решения .
Но сам ответ не возникает из воздуха.
Специалист может использовать:
- технические характеристики;
- ограничения производителя;
- совместимость компонентов;
- историю аналогичных решений;
- требования конкретного клиента;
- внутренние правила компании;
- собственный опыт.
Часть этого уже хранится в системах.
Часть — в документах.
Часть — в переписке.
А часть может существовать только в голове нескольких сотрудников.
Поэтому до обсуждения AI полезно понять:
«Из чего сегодня складывается правильное решение человека?»
Данные и знания — не одно и то же
Для бизнес-процесса я бы разделял эти вещи.
Данные отвечают на вопрос: «Что известно сейчас?»
Например:
- цена;
- остаток;
- срок поставки;
- характеристика;
- статус заказа;
- адрес объекта;
- номер договора;
- дата предыдущего обслуживания.
Это факты, которые часто уже хранятся в информационных системах компании.
Знания отвечают на вопрос: «Как этими фактами правильно пользоваться?»
Например:
- какой аналог допустим;
- какие товары совместимы;
- когда требуется дополнительная проверка;
- какое отклонение допустимо;
- что обязательно входит в комплект;
- когда задачу нужно передать специалисту.
Это уже не просто факты.
Это правила, связи, исключения и накопленный опыт принятия решений.
Для хорошего AI-проекта часто нужны и данные, и знания.
Один простой тест
Есть вопрос, который я бы задавал до выбора технологии:
«Если завтра придёт новый сильный сотрудник, сможет ли он правильно выполнить эту работу только по информации, которая уже доступна внутри компании?»
Если да, фундамент, скорее всего, неплохой.
Если ответ:
«Нет, сначала ему несколько месяцев нужно поработать рядом с опытным специалистом»,
это важный сигнал.
Возможно, значительная часть знаний компании:
- нигде не зафиксирована;
- разбросана по разным источникам;
- плохо структурирована;
- не обновляется системно;
- существует только в памяти отдельных сотрудников.
Это проблема и без AI.
Искусственный интеллект просто делает её заметнее.
Один правильный ответ может требовать нескольких видов контекста
Возьмём технический подбор.
Клиент спрашивает:
«Можно ли предложить вот этот аналог?»
Чтобы ответить правильно, системе могут понадобиться сразу несколько слоёв.
Данные
Характеристики.
Цена.
Наличие.
Срок поставки.
Знания
Совместимость.
Ограничения.
Допустимые аналоги.
Правила выбора.
Контекст задачи
Что именно хочет клиент.
Где будет использоваться оборудование.
Какие ограничения есть в конкретной ситуации.
Актуальность
Каким источникам сегодня можно доверять.
Какая версия правила действует.
Не устарел ли документ.
Только после этого появляется основа для хорошего ответа.
На конференции по электронной коммерции похожую последовательность описывала компания из сегмента товаров для ремонта: для сложных проектных решений сначала нужна база знаний о совместимости и экспертной информации, а уже потом поверх этой основы можно строить помощников.
Вопрос Можно ли предложить клиенту этот аналог?
-
Данные
- Характеристики
- Цена
- Наличие
- Срок
-
Знания
- Совместимость
- Ограничения
- Правила
- Допустимые аналоги
-
Контекст
- Что нужно клиенту
- Условия задачи
- Предыдущие решения
-
Актуальность
- Какому источнику доверяем
- Какая версия действует
- Кто обновляет
- AI
- Правила
- Обычный код
Подготовленный ответ
Проверка / результат процесса
Модель получает ответ не из воздуха. Ей нужен контекст бизнеса.
AI не должен угадывать факты, которые бизнес уже хранит в своих системах
Допустим, менеджер спрашивает:
«Есть ли товар в наличии и когда его можно поставить?»
Если система отвечает на основе старого коммерческого предложения или прошлогоднего документа, хороший язык ответа ничего не исправит.
Актуальную цену лучше получить из места, где компания действительно хранит цену.
Остаток — из системы, где хранится актуальный остаток.
Статус заказа — из рабочего контура заказа.
AI может помочь понять сам вопрос, собрать контекст и подготовить ответ.
Но он не должен угадывать факты, которые бизнес уже знает точнее.
«AI не должен придумывать то, что можно надёжно получить из правильного источника.»
Какой источник считать правильным
Информация внутри компании часто дублируется.
Например:
- в одной таблице цена одна;
- в другой системе — другая;
- на сайте старая характеристика;
- в документации производителя уже новая;
- в старом коммерческом предложении используются предыдущие условия.
Какую версию должна использовать система?
Для важных данных желательно понимать:
- где хранится актуальная цена;
- где хранится наличие;
- откуда брать характеристики;
- какой документ считается действующим;
- кто отвечает за правила;
- кто обновляет информацию.
Это не вопрос AI.
Это вопрос устройства самого процесса. Отдельно разбираю стоимость существующего процесса.
Если компания сама не знает, какому источнику доверять, модель тоже не сможет надёжно решить эту проблему.
Информация должна оставаться актуальной
Можно собрать для системы тысячу документов.
Но если непонятно:
- кто их обновляет;
- какая версия действует;
- когда изменилось правило;
- какой документ отменяет предыдущий,
объём знаний сам по себе мало помогает.
Представим два документа.
В одном указано:
«максимальное значение — 100».
В другом:
«максимальное значение — 120».
Опытный сотрудник знает:
«Первый документ устарел».
Но система узнает это только в том случае, если компания сама умеет обозначать актуальность информации.
Поэтому вопрос не:
«Сколько документов можно загрузить в AI?»
А:
«Как система поймёт, какой информации сегодня можно доверять?»
Даже хорошие данные часто находятся в разных системах
Все нужные сведения могут существовать, но быть распределены.
Например:
- клиент и история общения — в одной системе;
- цены и остатки — в другой;
- характеристики — в каталоге;
- документы — в файловом хранилище;
- история прошлых решений — в других источниках.
Тогда часть AI-проекта оказывается обычной задачей:
«получить нужную информацию из правильного места в нужный момент.»
AI может хорошо работать с человеческим языком и неоднозначностью.
Но он не отменяет необходимость связать решение с реальными системами бизнеса.
Именно поэтому многие технологические проекты состоят не из одной «умной модели», а из нескольких обычных компонентов вокруг неё.
Где AI действительно полезен
После этого роль искусственного интеллекта становится намного понятнее.
Он особенно полезен там, где нужно работать с:
- свободным текстом;
- документами разной структуры;
- разными формулировками;
- неоднозначностью;
- большим объёмом человеческой информации.
Например, AI может:
- понять запрос;
- извлечь данные из документа;
- сопоставить разные формулировки;
- найти подходящую информацию;
- подготовить краткое резюме;
- сформировать черновик ответа.
Но:
- актуальную цену лучше получить из рабочей системы;
- арифметику — посчитать обычным кодом;
- точное правило — задать явно;
- надёжный идентификатор — сопоставить по данным.
«Хорошее решение не заставляет AI делать то, что надёжнее решается более простым способом.»
Иногда хороший результат AI-проекта — понять, что AI не нужен
Компания хочет:
«AI-помощника, который будет показывать менеджерам актуальные цены и остатки».
После разбора выясняется, что проблема в другом:
сотрудникам приходится вручную смотреть две системы.
Тогда нужна интеграция.
Или компания хочет использовать AI для проверки обязательных полей документа.
Но требования полностью формальны.
Достаточно обычных правил.
Это нормальный результат диагностики.
Искусственный интеллект не становится хуже оттого, что его не использовали.
Наоборот.
«Хороший результат AI-диагностики иногда состоит в том, что AI проекту не нужен.»
Как понять, готова ли задача к обсуждению AI
Я бы начал всего с пяти вопросов.
1. Что должно измениться в процессе?
Не:
«Мы хотим использовать AI».
А:
что сегодня происходит и что должно происходить иначе.
2. Что системе нужно знать для этого?
Какие факты, документы, характеристики, правила и контекст.
3. Где находятся эти данные и знания?
И есть ли они вообще в доступном виде.
4. Как понять, чему можно доверять?
Какой источник считается актуальным и кто его обновляет.
5. Как будем проверять результат?
Что должно стать быстрее, точнее, дешевле или удобнее.
И только после этого имеет смысл выбирать техническую реализацию.
Начинать можно с одного небольшого эксперимента
Не обязательно сначала приводить в идеальный порядок всю информационную систему компании.
Можно взять:
- один тип запроса;
- один вид документа;
- одну группу товаров;
- один тип решения.
И на нескольких реальных примерах проверить:
- какие данные использует хороший сотрудник;
- какие знания ему нужны;
- где эта информация находится;
- чего системе не хватает;
- каким источникам можно доверять;
- где AI действительно помогает;
- где проще использовать обычную автоматизацию.
Такой эксперимент даёт гораздо больше информации, чем абстрактное обсуждение:
«Как нам внедрить искусственный интеллект?»
Главный вывод
Проблема AI-проекта часто начинается задолго до выбора модели.
Компания может иметь доступ к очень сильному искусственному интеллекту.
Но если:
- данные противоречат друг другу;
- нужная информация разбросана по системам;
- правила существуют только в головах сотрудников;
- непонятно, какой источник актуален;
- знания никто не обновляет,
AI не устраняет эти проблемы.
Он просто становится ещё одним участником процесса, которому не хватает контекста.
Поэтому вопрос:
«Какой AI нам внедрить?»
я бы заменил на другой:
«Что должна знать система, чтобы правильно выполнить эту работу — и откуда она это узнает?»
Если ответ на этот вопрос уже есть, выбор технологии становится намного проще.
Если ответа нет, возможно, именно с него проект и должен начаться.