Как бизнес использует ML в 2024 году

В 2024 году бизнес вступил в новую эру, где искусственный интеллект стал неотъемлемой частью стратегий компаний всех масштабов. Машинное обучение перестало быть просто технологическим трендом и превратилось в способ достигать реальных результатов. О том, как применять Machine Learning эффективно, рассказывает Михаил Серёгин, сооснователь и операционный директор karpov.courses.

Что такое машинное обучение (ML) и почему им заинтересовался бизнес

Машинное обучение (Machine Learning, ML) — класс методов искусственного интеллекта, которые обучают компьютерные системы самостоятельно улучшать свою производительность. Причём на основе опыта, а не явных инструкций.

Успейте купить корпоративный пакет COSSA-2025 со скидкой!

Cossa анонсирует главный рекламный формат на весь 2025 год: сразу 8 различных опций.

Пакет идеально подходит для онлайн-сервисов, стартапов, интернет-компаний и digital-агентств.

Успейте приобрести пакет до повышения цены!

Вместо того, чтобы программировать компьютер напрямую для выполнения конкретной задачи, в машинном обучении применяют особые алгоритмы. Они позволяют системе извлекать закономерности из данных и делать прогнозы или принимать решения на основе этих закономерностей.

Основная идея машинного обучения в том, что система способна обучаться на основе опыта и постепенно улучшать свою производительность без явного программирования.

И такие алгоритмы действительно развиваются с большой скоростью. На рынке постоянно появляются новые технологии — от расшифровки аудио до подбора рекомендаций на основе покупок пользователей.

Большинство компаний в РФ уже используют искусственный интеллект для решения различных задач. 84% международных компаний считают, что ИИ способен дать им конкурентное преимущество.

ML достаточно востребовано в бизнесе. Дело в том, что применение алгоритмов машинного обучения даёт возможность одинаково эффективно решать одну и ту же задачу вне зависимости от объёмов. То есть одинаково хорошо сортировать выдачу поиска для одного пользователя и для десятков миллионов.

Это означает, что расходы, которые раньше росли пропорционально числу клиентов или выручке, теперь с ними не связаны: например, если раньше для распределения заказов по машинам службы такси нужно было число операторов, пропорциональное числу клиентов, то с появлением алгоритмов маршрутизации операторы в старом смысле этого слова ушли в прошлое.

Если эти расходы достаточно велики, то рост выручки начинает приводить ещё и к росту маржинальности. Такой бизнес становится эффективнее по мере своего роста. Это означает, что вливание инвесторских денег в привлечение даёт очень высокую возвратность инвестиций, потенциальную монополию на рынке и много чего ещё.

Но есть и неоднозначная сторона этой популярности: за буквы ML охотнее дают инвестиции. Дело в том, что одно удачное применение ML-алгоритмов способно сильно изменить рынок (вспомним динамическое ценообразование в такси, сортировка в дейтинговых приложениях, предложение покупок в e-commerce) и дать компании так называемое «нечестное преимущество» — монополию или околомонополию, а инвесторам — десятикратную или даже тысячекратную возвратность инвестиций (ROI).

В какие бизнес-процессы чаще всего внедряют ML

Список процессов, в которые можно успешно внедрить машинное обучение, достаточно обширен. Так, ML часто применяется для обнаружения признаков мошенничества и автоматизации повседневных задач (например, в банковской сфере), оптимизации производственных процессов, повышения эффективности перформанс-маркетинга.

Если внедрить технологию хочется не для галочки — нужно понимать, что машинное обучение наиболее эффективно для решения задач определённого типа. Вот минимальные требования к ним:

Оцифрованность. ML настолько хорош, насколько хороши данные, на которых мы обучаем модель. Данные никогда не идеальны, но если их нет вообще, сначала надо решить задачу сбора. Это сложно, но возможно: например, можно при помощи ML сделать раскладку товаров в офлайн-магазинах, но сначала придётся потратить много усилий на сбор данных о перемещениях по залу и последующих покупках людей.

Масштабируемость. ML очень дёшево использовать для решения больших задач и очень дорого — маленьких. Если у вас не сильно масштабируемый бизнес (например, вы продаёте частные джеты), Machine Learning имеет смысл применять только для престижа. При малых размерах выборки вы особого обучения не получится.

Наличие исчислимой цели. Если ваш финансовый результат зависит от очень туманных факторов (например, вы продаёте люксовые товары, основа популярности которых — элитарный бренд, который тяжело описать в цифрах), применить ML вряд ли получится. Опросы и другие методы субъективной оценки применять не рекомендую.

Пример удачного внедрения — Duolingo. В компании активно работают над ростом вовлечённости, в том числе при помощи ML. Например, перед запуском новых фич они всегда проводят A/B-тестирования, чтобы быстро принимать решения, основанные на данных.

Чтобы определить, нужно ли прибегать к внедрению ML, стоит обратить внимание на следующие критерии:

1. актуальность ML для решения задач компании;

2. доступные ресурсы команды для внедрения и использования ML в работе.

Как российский бизнес использует ML?

Сегодня без технологий, построенных на машинном обучении, сложно представить любой популярный сервис. Компании из разных сфер — от здравоохранения до ритейла — внедряют искусственный интеллект в свои продукты, чтобы улучшить клиентский опыт и повысить собственную конкурентоспособность.

В электронной коммерции активно используются рекомендательные системы: алгоритмы, которые на основе предыдущих покупок и оценок предлагают пользователям товары. Например, в Яндекс Маркете есть рекомендательная технология Диско, с помощью которой сервис даёт советы по покупкам.

При составлении рекомендаций используются три подхода: в первом анализируется информация об объектах и их связях, например, предлагаются товары производителя, с которым клиент уже знаком. Во втором оцениваются связи между людьми по полу, возрасту и роду занятий — новым пользователям рекомендуются объекты, популярные среди людей с похожими характеристиками. Третий подход использует данные о взаимодействиях пользователей с объектами, например, просмотрах товаров и их оценки, позволяя предсказать реакцию на новый продукт.

В финансовой сфере также внедряют ML, к примеру, для улучшения кредитных оценок, повышения безопасности клиентов и выявления мошенничества. Для последнего в частности задействуют NLP-алгоритмы (Natural Language Processing — Обработка естественного языка), которые помогают распознавать речь и тексты. Так, в «Т-Мобайле» от Т-Банка такие алгоритмы анализируют разговоры в режиме реального времени и могут предупредить деятельность телефонных мошенников.

Ещё одним примером может послужить Яндекс Еда, которая с помощью ML смогла оптимизировать работу курьеров, рассчитав идеальное время для того, чтобы избежать простоев и освободить слоты доставщикам.

Три главные рекомендации для руководителей

Вовлекайте ML-специалистов в бизнес-смысл вашей задачи, а не пытайтесь за них придумать, как и что им делать с данными. Для многих задач есть больше одного способа решения, и по трудозатратам они могут различаться кратно — или в вашем конкретном случае, или вообще. Поэтому не пытайтесь заменить собой экспертизу вашего коллеги.

Старайтесь развивать эмпирический подход к принятию решений. Экспертиза и интуиция и правда часто помогают, но специально развивать их не получится, а вот умение выдвигать и тестировать гипотезы так, чтобы не приходилось делать это по несколько раз — вполне развиваемая способность.

Следите за качеством ваших данных. Работа с «грязными» данными — самая предотвращаемая трата времени из всех, с которыми сталкивается команда из Data Scientist-ов.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.