Эксперт: «Наши люди не понимают, что цифровизация – не равно ИИ»

Казахстан заявил о своих амбициозных планах по разработке продуктов на базе ИИ. Но чтобы достичь цеди, важно сначала определиться – какие проблемы мы хотим решать с помощью данных продуктов. Так считает Данияр Каженбаев, управляющий директор группы компаний «Сентрас».

- Данияр, в Казахстане правительство утвердило концепцию по развитию искусственного интеллекта, по которой к 2029 году количество продуктов с применением искусственного интеллекта должно вырасти в пять раз. Для этого запланировано размещение суперкомпьютера в стране, строительство центров обработки данных, создание национальной платформы ИИ и целый ряд образовательных и акселерационных программ. Как бизнес смотрит на эту государственную инициативу?

- На любую инициативу, которая связана с технологиями, мы всегда смотрим с оптимизмом, потому что это создает инфраструктуру, к которой можно подключаться. ИИ - уже не просто инструмент или технология, это совокупность процессов, методологий. Это намного более широкое понятие, и для каждой бизнес-задачи оно может быть очень разным, тем более сейчас оно активно развивается.

Такая программа в Казахстане вызывает у нас оптимизм, но суперкомпьютер, национальный центр – это больше про инфраструктуру, которую создает государство. Оно, в первую очередь, должно заниматься коммуникацией между бизнесом, академической средой и самим собой, чтобы появилось понимание, для чего эта инфраструктура создается. Для этого нужны акцелерационно-образовательные вещи. Академическая среда тоже должна быть участником этого процесса. Мы же, как бизнес, должны понимать, как это будет нам помогать, и самое главное — насколько понятны и прозрачны механизмы участия в этом.

Конечная цель этого процесса - экономический рост, доход от использования ИИ, поэтому количество продуктов с его применением должно вырасти в 5 раз. Важна, в первую очередь не технология, а продукт. Сначала нужно разобраться с тем, что мы хотим делать и как ИИ нам в этом поможет. Может быть, он нам и не нужен, чтобы делать какие-то интересные продукты. ИИ дает хороший прорыв, понимание, где можно ускориться, огромную конкурентоспособность, производительность в узких секторах бизнеса. Если мы не очень понимаем, а используем технологию только ради того, чтобы она в будущем в чем-то нам помогла - такой подход нам не близок.

Самое главное — понять, в чем заключается бизнес-идея для всей страны, а потом уже думать, как ее оптимизировать, упаковывать, и где там нужен ИИ. Хотелось бы больше понимания, что подразумевается под этими продуктами. Бизнес ставит цель - зарабатывать деньги. Государство создает инфраструктуру, чтобы эта деятельность появилась. Научная часть же помогает все это реализовать технически.

- По официальным данным, в 17 вузах уже внедрены 15 направлений по ИИ, обучение по ним проходит более 2000 студентов. Но вопрос не только в количестве, но и в качестве молодых специалистов. Как вы его оцениваете, работая с молодыми командами?

- Подготовка специалистов в любом технологическом вопросе — один из самых важных аспектов. В Казахстане год за годом качество выпускающихся студентов становится все лучше, но пока им не хватает глубоких познаний в прикладных аспектах вроде управления данными, разработки продуктов. У них обычно есть хорошая идея, которая очень сложно интегрируется в существующие бизнес-процессы. В казахстанских реалиях они могут быть очень простыми. Технические навыки у студентов хорошие, но понимание, как работает бизнес и как в нем можно применять какие-то инструменты, сильно хромает. Поэтому важно, чтобы ребята работали с реальными кейсами.

Мы поддерживаем развитие образовательной среды и делимся той экспертизой, которая у нас есть. В рамках всего бизнеса Казахстана, да и государства, это очень важно: мы создаем пласт ребят, которые в будущем будут для нас форсить какие-то технологические решения. Из-за этого нужно быстрее показывать привлекательный потенциал Казахстана. Потому что многие наши стартапы ориентируются на Запад, их применение на местном рынке очень сложно, хотя при лучшей инфраструктуре они могут быть вполне успешными. Это практикоцентричное образование, когда уже со второго курса ребята вовлекаются в проекты, связанные с настоящим бизнесом.

- Кроме того, что вы являетесь управляющим директором, у вас еще есть должность Team Lead в подразделении Alpha, где вы занимаетесь разработками стартапов. Или там есть другие приоритеты?

- Мы занимаемся всеми приоритетными перспективными продуктами, которые для нас, как для холдинга, интересны. Мы постоянно осваиваем разные технологии, и ИИ тоже воспринимаем как одну из них, которую нужно интегрировать в существующие процессы. Так как мы финансовый холдинг, у нас больше используется финансово-аналитическая часть ИИ. У нас есть ребята, которые создают свою модель. Но при этом мы активно используем те модели, которые существуют на рынке, и инструменты для их создания. Это могут быть гугловские, амазоновские продукты, которые мы активно осваиваем и смотрим, как они работают.

У нас есть проект, который называется C-Ranking, когда мы делаем рэнкинг брендов на основании тех отзывов, которые потребители оставляют в интернете. Это называется Social Listening Score. Как раз там у нас есть инструменты машинного обучения. Это переводчики, анализаторы. Логика очень простая: один отзыв про компанию надо взять и разложить по разным категориям, чтобы мы понимали, о чем люди говорят больше, о чем меньше. В других проектах используется campaign management, когда мы в коммуникации с клиентом ищем новые уникальные предложения, внедряя элементы машинного обучения. Они помогают очень быстро обрабатывать те лиды, которые у нас есть, и создавать уникальные предложения для новых и текущих клиентов.

Также мы развиваем омниканальные коммуникации с клиентами. У нас очень диверсифицированный бизнес: мы и в медицине, и в ресторанном бизнесе, и в финансовом секторе. Из-за этого мы, объединяя всю эту базу, понимаем, у кого какие продукты и услуги есть, какой канал лучше использовать для их продвижения. Это следующий шаг автоматизации процессов, когда мы встраиваем в них предиктивный инструмент, который предугадывает, что нашему клиенту может быть интересно. И это уже обработка не просто на уровне бизнес-аналитики, а подключение небольших моделей машинного обучения, которые нам помогают быстрее давать инсайты

- Должно ли разработкой продуктов заниматься отдельное подразделение, как у вас в Alpha, или специалисты на каждом участке должны сами осваивать возможности ИИ, и продукт может разрабатываться где-то на стыке?

- Здесь главный вопрос - что мы понимаем под ИИ. Он бывает очень разный. И тот ИИ, который повсеместно доступен — это генеративный ИИ, GPT. Визуально он очень простой, выглядит как мессенджер и все больше проникает в нашу повседневную жизнь. Рано или поздно использование GPT будет повсеместно.

Компании должны вовлекать в эту технологию все больше сотрудников, которые на своем уровне учатся писать правильные запросы для GenAI. Например, финансисту нужна специфичная информация, соответственно, он должен накопить опыт в понимании того, как ему машина отвечает. Маркетологу ИИ помогает в творческой части, избавляя от рутинных процессов. Для каждого направления надо учить сотрудников правильно писать промпты. Подобно тому, как раньше мы учили людей пользоваться Excel, на корпоративном уровне должны вводиться обучающие курсы, чтобы люди привыкали и накапливали опыт общения с такими машинами, и потом выжимали из этого максимум пользы. Другое дело, когда мы разрабатываем продукты под свой узкоспециализированный процесс, подстраиваем какую-то модель машинного обучения и сами ее учим. Там требуется симбиоз программирования, бизнес-аналитики и специализации.

Заказчик – чаще всего не является специалистом в ИИ, но он должен объяснить логику. А дальше программист, понимая техническое задание, разрабатывает модель, которую они совместно потом тренируют. Эти междисциплинарные коммуникации очень важны при создании собственных моделей.

- Как происходит обмен знаниями по вашей части? Какие образовательные программы вы проводите?

- Мы проводим общий курс по промпт-инжинирингу, когда мы людей учим писать простые запросы в GPT, Gemini. Люди сначала видят, как это все делается, что задача очень легкая и доступная для понимания, и потом начинают погружаться в свою специфику и понимать, насколько им может помочь в работе такой инструмент. В некоторых сферах он вообще не помощник, а в некоторых - наоборот, он очень хорошо сокращает время и увеличивает производительность.

Машины сейчас все лучше и лучше понимают человека. Через какое-то время люди обычно сами приходят и говорят: «Я в общении с GPT понял, что вот этот момент можно автоматизировать, а этот дает много инсайтов и его надо интегрировать в текущий процесс». Это очень хорошо работает с продавцами, когда есть какой-то помощник: мы даем досье клиента, и он подсказывает, что можно предложить, что клиент уже покупал, что может его заинтересовать сейчас. Для маркетинга ИИ автоматизирует всю рутинную часть, которая связана с созданием предложений, упаковкой продуктов и так далее. Это не значит, что мы должны взять то, что сделал ИИ и просто использовать. Это дает пищу для размышлений, понимание того, как можно скорректировать повседневную работу.

Большинство тех задач, которые связаны с бизнесом, не нуждаются в привлечении машинного обучения, потому что существуют решения намного проще, связанные с цифровизацией и автоматизацией. Многие путают нейронные сети с простыми алгоритмами. Можно выстроить обычный алгоритм на уровне даже Excel, когда мы строим какой-то процесс, вроде функций «if-then». Если случится вот это событие, что нужно делать дальше? За счет таких алгоритмов огромная часть бизнес-задач и решается, и там вовсе не нужен искусственный интеллект.

- То есть цифровизация — не равно ИИ?

- Нет.

- Какие советы вы бы дали организации, чтобы она могла создавать цифровые продукты с применением ИИ, и вовлекать как можно больше сотрудников в разработку? И обычным людям, которые у себя на рабочем месте могут не просто использовать ИИ для поиска информации, создания текстов, но и пойти дальше и разработать какой-то инновационный продукт.

- Ключевое слово здесь - продукт. Всегда надо начинать с проблемы, а не с технологии. Это самый важный аспект создания такой коммуникации, когда разные сферы — IT, бизнес, аналитика — общаются и понимают, какую проблему решают и как лучше это сделать. Для бизнеса ключевой фактор в использовании инструментов машинного обучения — это, в первую очередь, данные. Если у вас нет качественных структурированных данных, очень сложно с этим что-то сделать. Во-вторых, если у вас процессы на уровне 1С, Excel и бумажек, вряд ли ИИ вам сильно поможет.

Сначала идут структурированные данные, потом - правильно выстроенные процессы, дальше - цифровизация данных, автоматизация процессов, и потом уже можно приступать к вещам, связанным с ML. ИИ как модуль, как платформа должен встать на те данные и процессы, которые уже выстроены. Важно быть продуктоцентричным, когда мы понимаем, какой продукт мы создаем и для чего нам нужен ИИ. Тогда он может быть очень полезным и приносить инновации.

Какие бы амбициозные планы ни строил Казахстан, мы не перепрыгнем базовые вещи, которыми нужно заниматься. Наш вызов — автоматизация процессов и качество данных. А потом уже переход к ИИ. Из-за этого я бы начал с бизнес-аналитики. И необязательно для этого создавать свои модели. Сейчас есть предподготовленные модели, которые существует в общей доступной среде многих компаний: им нужно просто дать свои данные, они дадут какие-то выводы. Есть много речевых решений, которые в повседневной жизни помогают, но их очень сложно автоматизировать. Это больше личный помощник. Их нужно интегрировать на уровне ML, когда модель отдельно существует, и вырвать ее из частной GPT очень сложно. Можно делать свою предподготовленную GPT-модель, но ее тоже сложно интегрировать. Она придумывает что-то от себя, а в процессах, которые требуют цифровой точности, лучше делать модели машинного обучения, подстроенные под узкую спецификацию бизнеса.

Когда у человека есть понимание того, как работает его собственный бизнес-процесс, с легкостью можно понять, какую часть из него можно отдать Machine Learning инструментам, нейронным сетям и так далее. Это на любом уровне должно работать так, а мы сейчас на уровне государства не очень-то понимаем, как вовлечь ИИ. Мы просто говорим, что он нам нужен, но где он нам нужен, какой процесс он должен нам улучшать, в каких моментах подкидывать новые продукты? В эту терминологию в последнее время закладывается слишком много смыслов из-за слова «интеллект». По сути, это технология, которую нужно освоить. Да, она может улучшить твой бизнес и повседневную жизнь, но прежде ты должен осознать, что именно важно изменить, а потом – как применить ту или иную технологию, чтобы она принесла результат. Поэтому очень важна структурированность всего того, что мы делаем.

Фото из открытых источников