Запуск ChatGPT в 2022 году спровоцировал новую волну интереса к искусственному интеллекту (ИИ). Ажиотаж вокруг генеративных технологий ИИ сбивает с толку и вызывает противоречивые ощущения. Одни считают их революционными для бизнеса, другие – раздутым «мыльным пузырем», рассказывает CGO сервиса неострахования здоровья lilo Василий Задворный. Из опыта имплементации генеративного ИИ в продуктовую среду стартапа lilo он поделился мыслями, как этот бум может повлиять на бизнес и способен ли ИИ уже сейчас заменить человека.
Amazon інвестує мільярди доларів у ШІ, роботів та машинне навчання. Якими принципами й правилами керується компанія?
Дізнайтеся вже 22 листопада на Forbes Tech 2024. Купуйте квиток за посиланням!
Из-за популярности генеративного ИИ вроде ChatGPT складывается ложное впечатление, что вот-вот фантастические фильмы станут реальностью и мир захватят «умные машины». На самом деле большинство сегодняшних решений – это обертки для языковых моделей (LLM), которые используют для создания нового контента. Поэтому самый больший вызов для бизнесов – определить, в каких бизнес-процессах они смогут принести наибольшую ценность для компании и не навредить качеству продукта.
ИИ не эквивалентен большим языковым моделям
ИИ – гораздо более широкая группа алгоритмов и технологий, родившаяся почти 70 лет назад. Его развитие уже пережило несколько периодов взлетов и открытий, среди которых и создание нейросетей или машинного обучения.
Генеративный ИИ, основанный на LLM, является всего лишь одним из направлений развития, новым подвидом ИИ.
Генеративные модели ИИ – это уже готовые алгоритмы, решающие задачи, которые до этого казались слишком сложными или дорогими для их автоматического решения. Например, создание чат-бота для поддержки клиентов, который понимает различные вариации вопросов и может дать быстрый ответ. Теперь можно просто взять существующую модель и настроить ее под конкретные запросы.
Забудьте о тренировке собственной модели, если вы не Илон Маск или Джефф Безос
Большие языковые модели совершили революцию в области применения ИИ, открыв огромные возможности для создания контента и обработки человеческой речи. Но их разработка стоит миллионы и миллиарды долларов, а также требует команды специалистов. Быстрее и дешевле использовать готовую языковую модель, например GPT от Open AI, на которой построен ChatGPT, и адаптировать ее под собственные нужды.
Что автоматизировать прежде всего
Лучше всего генеративные модели ИИ справляются с точечными задачами, помогая оптимизировать работу специалистов: проверка корректности заполнения форм, соблюдение форматов или автоматический анализ документов.
К примеру, ИИ-ассистент может проверять заявки клиентов еще до их подачи на рассмотрение или на этапе рассмотрения. Это уменьшит количество ошибок и отклонений, сэкономит время.
Предоставить информацию о продукте или посоветовать формат подписки на сервис ИИ-ассистент сможет, но давать рекомендации по лечению – пока нет. Генеративный ИИ допускает ошибки, и он не «думает, как человек», а исходит из заданного контекста и ищет ответы среди доступной и предоставленной ему информации. Поэтому давать ИИ задачи лучше такие, где он не будет ошибаться чаще, чем человек. Или использовать ИИ не для полной автоматизации, а в качестве помощника для сотрудника/отдела.
В стартапе lilo мы интегрировали ИИ-чат-бот. Он консультирует клиентов, как пользоваться сервисом. С ним типовые запросы пользователей обрабатываются быстрее и точнее. Это в 15 раз дешевле, чем если бы мы привлекали дополнительных специалистов.
Внедрение ИИ – игра вдолгую
Удачное внедрение ИИ в работу компании имеет три этапа:
- прототип: доказать, что задача автоматизируется;
- минимально жизнеспособный продукт (MVP);
- выход на производительный уровень.
В соотношении это примерно 1:5:15 по времени и усилиям.
Первые результаты будут через несколько недель. На отшлифовку может уйти до четырех месяцев, поскольку она невозможна без практики использования.
Пример – внедрение в бизнес-процесс ИИ-консультанта-помощника. Первые промпты (скрипты) для ИИ могут быть написаны не совсем так, как люди реально взаимодействуют с консультантом. Анализируйте реальные обращения и диалоги и дорабатывайте промпты.
Первый прототип должен показать, способен ли ИИ вообще решить данную ему задачу. Если внедрение успешно, результат может быть длительным и эффективным. За $200 в месяц настроенный чат-бот на базе ChatGPT заменит работающего 24/7 консультанта поддержки клиентов.
На каждый этап выбирать подходящие инструменты
Сильная сторона открытых языковых моделей – в их доступности для прототипирования. Для создания прототипа можно взять стандартные инструменты, такие как Custom GPT или Claude Projects. Тут не нужно программирования высокого уровня, знаний и навыков продуктового бизнес-аналитика будет вполне достаточно.
На этапе MVP понадобятся более сложные средства, как минимум использование интеграций с языковыми моделями через Application Programming Interface (API).
Для тестирования используйте открытые модели: ChatGPT, сервис CustomGPT или Claude с сервисом Projects. Лучше их платные версии, бесплатные ограничены возможностями для очень тривиальных задач. Для продуктивного применения потребуется кастомизация GPT-assistant-like решений или глубокая интеграция.
Для продуктового решения используйте RAG-подход (Retrieval-Augmented Generation). Это комбинация традиционного программирования и использования ИИ, когда система сначала ищет соответствующую информацию (retrieval) средствами стандартного программирования, затем генерирует текст (generation) средствами ИИ, а в конце валидирует результат. Он объединяет стандартное программирование, поиск по базам данных (в том числе специальным, векторным) и генерацию текста с помощью LLM.
К примеру, вам нужно автоматизировать процесс заполнения отчета: система сначала ищет релевантные данные в базе, а затем генерирует текст на основе найденного. Это позволяет модели работать с конкретными данными и снижает риск ошибок.
Улучшать продукты и процессы, а не сокращать команды
В ближайшее время генеративный ИИ не сможет полностью заменить специалиста или отдел. ИИ-модели до сих пор подвержены ошибкам и галлюцинациям, поэтому они работают эффективнее в качестве ассистентов. Критические же процессы лучше оставить людям.
Генеративный ИИ можно сравнить с Google-поисковиком в начале 2000-х – тогда качество результатов поиска не всегда было на высоте и зависело от мастерства сформулированных запросов. Сейчас ИИ примерно на таком же уровне «навыков». В ближайшие три года его потенциал лучше всего реализовать для повышения персональной эффективности, а в бизнесе – только для точечных задач.
ИИ – это инструмент, с которым следует взаимодействовать и не бояться экспериментировать. Как и с любой инновацией в личных и бизнес-процессах, начинайте с малого, вовремя делайте выводы и планируйте следующие шаги, исправляя предыдущие ошибки. И вновь инвестируйте.
Для достижения максимальной эффективности необходимо постоянно экспериментировать и создавать как можно больше прототипов.
Вы нашли ошибку или неточность?
Оставьте отзыв для редакции. Мы учтем ваши замечания как можно скорее.
