Искусственный интеллект на линии поддержки

Бизнес оптимистично смотрит на возможности так называемого искусственного интеллекта. Правильнее было бы называть его иначе, например «машинный интеллект», — когда я изучал нейронные сети, этот термин был мне ближе. Однако в обиход вошел именно «искусственный интеллект».

В России многие компании из разных отраслей экспериментируют с нейросетями. Некоторые с их помощью уже повышают свою производительность.

Игроки рынка обслуживания ИТ-оборудования работают в условиях жесткой конкуренции, и в открытом доступе информации немного — не все хотят раскрывать свое ноу-хау. Тем не менее и на примере нашей компании, и на основании общих отраслевых трендов можно назвать процессы и задачи, где ИИ сегодня помогает справляться эффективнее и быстрее. 

Во-первых, у нас хорошие результаты показывает система автоматизации анализа сервисных контрактов — сервисные менеджеры экономят время, получая от системы необходимые вводные. Планируется в ближайшее время добавить систему анализа договорных рисков. 

Во-вторых, искусственный интеллект позволяет повысить продуктивность за счет применения системы помощи при внесении оборудования в базу. Сведение различных способов наименования к единому стандартизованному виду требует большого объема ручной работы, и помощь ИИ тут очень кстати.

Уместны в компаниях и внутренние чат-боты, которые помогают сотрудникам быстрее получать необходимую рабочую информацию. В нашей компании давно используется бот «Валентин». Он способен ответить на большинство типовых вопросов менеджеров по продажам, и мы постоянно наращиваем его возможности. Востребованность этого бота еще больше повысится после внедрения блока для анализа тендерной документации. 

У «Валентина» есть «коллега» «Валера»: он считывает данные, обрабатывает их с учетом самых важных критериев и форматирует по заданному шаблону. После этого остается в один клик перенести их в базу. При этом полностью исключены ошибки в цифрах, которые раньше могли возникать под влиянием человеческого фактора. Стоит отметить, что «Валера» — скорее, робот автоматизации с искусственным интеллектом, а вот «Валентин» — уже агент. В ближайшее время все больше агентов будут преобразовываться в мультиагентные системы, чтобы отвечать на более сложные вопросы, тем самым ускоряя получение нужных ответов одними сотрудниками и уменьшая рутинную нагрузку на других.

Сегодня хорошо автоматизируются задачи, не связанные непосредственно с внешними коммуникациями с заказчиками услуг технической поддержки. Повторяющиеся, рутинные и затратные по времени операции при качественной автоматизации могут ощутимо повысить эффективность бизнеса. Обязательное условие успешной автоматизации —наличие в компании хорошо выстроенных процессов. Наилучший результат получается, когда сотрудники сами хотят автоматизировать свою рутину: тогда в связке с ИИ-разработчиком они могут быстро создать хорошо работающее решение, которое позволит не тратить энергию на простые операции, а повысить качество или производительность своей работы, высвободить время для профессионального развития. Компании от такой синергии выигрывают вдвойне — и у персонала больше сил и времени на решение действительно сложных задач, и расширение бизнеса не ведет к пропорциональному росту количества сотрудников.

Отдельно стоит отметить так называемый вайб-кодинг — программирование с помощью нейросетей: многие люди, не являющиеся программистами, с помощью этого инструмента получают возможность сделать то, что раньше требовало серьезных навыков, причем результат они получают в феноменально короткие сроки. Формирование отчетов, мини-порталы, анализаторы конфигураций и диагностической информации, другие локальные задачи многие сотрудники могут решить буквально за считанные часы, просто поговорив с ИИ. Конечно, слово «просто» уместно лишь для сравнения со старыми подходами, — вайб-кодинг требует системного мышления, профессионализма в своей области и четкого представления, что должно получиться на выходе.

При внедрении искусственного интеллекта важно помнить, что многие задачи все еще полезнее и надежнее решать традиционными вычислительными инструментами. Приведу пример из опыта: мы решили не использовать нейросети в системе подбора запчастей, которые необходимо положить на склад для того или иного контракта. И дело вовсе не в окупаемости разработки и эксплуатации. Дело в том, что ошибки в этой области дорого обходятся для репутации, а искусственному интеллекту в ряде сфер применения все еще свойственно ошибаться. В этом виде автоматизации отлично работают классические алгоритмы, и пока нет поводов для их замены. 

Вторая область, которую доверять ИИ слишком рано, — это общение с клиентами. Да, инструмент сносно справляется с коммуникацией при решении внутренних задач, но выводить его на заказчика — значит, идти на серьезный риск вызвать раздражение клиента. Клиенты, обращаясь в техподдержку, предпочитают общаться с опытным сотрудником, который быстро понимает, что нужно сделать в той или иной ситуации, не задает лишних вопросов и в критических ситуациях действует оптимально. В области технической поддержки ИТ-оборудования важно быстро и безупречно правильно обработать заявку на всех уровнях, особенно в случаях, когда контрактные требования к уровню сервиса высоки и речь идет об обслуживании критической инфраструктуры. 

В целом, если говорить об обслуживании критических элементов крупных бизнесов, то сейчас искусственному интеллекту, на мой взгляд, не стоит доверять ни коммуникацию, ни принятие решений, ни проведение каких-либо инцидентных работ. Люди, их опыт, умение выходить из нестандартных ситуаций и нацеленность на результат — вот фундамент компании, которая отвечает за работоспособность критической инфраструктуры ИТ.

Внедрение искусственного интеллекта — интересный, но довольно сложный проект. Занимаясь этим направлением как для внутренних потребностей, так и для заказчиков, мы сталкивались с разными ситуациями. На мой взгляд, перед запуском внутреннего проекта важно ответить на целый ряд вопросов.

Мы не раз видели, что там, где владельцу процесса хочется что-то улучшить, нейросети зачастую не нужны — классические инструменты автоматизации решат задачу дешевле и лучше.

Пример: один из заказчиков попросил оценить перспективы внедрения ИИ приблизительно в 30 элементах внутренних процессов. После обсуждения мы сошлись во мнении, что нейросети нужны лишь в пяти случаях. Остальные элементы можно автоматизировать классическими алгоритмами.

Ответ на этот вопрос необходимо получить в самом начале, и чем больше управленческих инструментов у внутреннего куратора инициативы, тем больше шансов завершить проект успешно.

Очевидно, что все сложные проекты нуждаются в таком кураторе. Может показаться, что рыночный хайп вокруг нейросетей делает любого руководителя заинтересованным в реализации ИИ-проекта. Однако на практике это далеко не так.

Если до сотрудников, которые будут пользоваться результатами проекта, не донести, что будет сделано и зачем, как ИИ повлияет на процесс и его участников, то внедрение существенно осложнится. Этот тезис касается любого проекта, но в случае с искусственным интеллектом сопротивление изменениям со стороны сотрудников бывает довольно активным.

Пример: мы решили внутри нашей компании протестировать готовый внешний продукт, который решает задачи одного из наших бэкофисных департаментов. Каково же было наше удивление, когда мы встретили стойкое пассивное сопротивление — несмотря на то, что мы не были фокусным заказчиком для этого продукта, а хотели лишь провести «боевое» тестирование. Только после обстоятельных бесед с сотрудниками мы смогли запустить тесты. Мы смогли донести до них, что нейросетевой продукт — это помощник и партнер, который облегчает работу.

Нередко бывает, что компания хочет сделать своими силами проект, для которого у ее ИИ-специалистов не хватает опыта. В этом случае должного результата можно не достичь, и тогда нужно быть готовым обратиться к опытным профессионалам извне, иначе проект может стать долгостроем или попросту будет признан неуспешным.

Пример: один из наших партнеров работал над проектом чат-бота, отвечающего на вопросы из базы знаний. Позже заказчик признался, что, найдя множество open source-решений и инструкций в интернете, его команда самостоятельно приступила к решению задачи, но была удивлена крайне низким качеством ответов бота. Профессионалы смогли решить задачу при тех же входных данных. 

Ответом на все эти вопросы должно быть «да». В противном случае движение вслепую может привести к негативным последствиям внедрения и пустой трате ресурсов. Хорошим примером является повсеместное внедрение чат-ботов в B2C-сегменте для общения с клиентами, что привело к падению удовлетворенности из-за низкого качества диалоговых способностей чат-ботов.

Пример из нашей практики: при разработке системы анализа тендерной документации мы достаточно быстро вышли на уровень анализа, близкий к среднему человеческому, однако все равно сталкивались с ошибочными решениями, поэтому добавили в систему возможность для пользователя «пожаловаться», что сохраняет контроль над качеством работы.

Часть информации должна оставаться строго внутри компании, и собственные GPU-серверы, конечно, упрощают решение этой задачи. Но бывает, что в архитектуру достаточно добавить шаг маскирования чувствительной информации. Тем не менее зачастую без собственных GPU-серверов все же не обойтись.

Пример: при внедрении у себя системы анализа сервисных контрактов мы ввели обязательную двухэтапную предобработку данных, которая включает маскирование всех чувствительных данных, а также контроль успешности маскирования. На данный момент система не использует собственные GPU-мощности.

Важно уже на старте проекта оптимизировать расходы на управление ресурсами для всех ИИ-проектов компании, обратить внимание на централизованное администрирование, внедрение интеграционной шины между ключевыми приложениями. Продуманные решения в этой области помогут тратить меньше ресурсов при запуске в промышленную эксплуатацию.

Пример: прорабатывая внутреннюю автоматизацию, мы первым делом внедрили интеграционную шину, которая существенно сэкономила нам ресурсы и увеличила стабильность функционирования и скорость внедрения автоматизации. Вместо соединений «система – система» мы получили меньшее количество надежных соединений «система – шина». Мы также стараемся унифицировать и разносить во времени взаимодействие с GPU-ресурсами для каждой системы, которая их использует, — это позволяет экономить на объеме оборудования.

Кажется, что вопросы достаточно очевидные. Тем не менее на них важно ответить, так как проекты с искусственным интеллектом требуют к себе пристального внимания — в них более вероятны провалы (отсутствие целесообразности ввиду низкой эффективности решения или неудовлетворительное качество результата), что подтверждается мировой статистикой.

Кстати, интересный факт: мы обслуживаем инфраструктуры искусственного интеллекта наших заказчиков, при этом сами используем искусственный интеллект. Невольно задумываешься, придет ли время, когда ИИ будет обслуживать ИИ. Думаю, что полностью без людей мы еще долго не обойдемся. Но правила игры поменяются, когда производители в свои продукты будут изначально закладывать возможность (или необходимость) технической поддержки силами ИИ. И если сейчас искусственный интеллект — это лишь помощник, то потом он будет основным игроком. Или не будет. Мы же помним, что «будущее не предопределено».

Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!