Максим Иванов, «Сбер Бизнес Софт»: ИИ приносит нашим клиентам десятки, а иногда и сотни миллионов рублей дополнительной выручки

«Сбер Бизнес Софт» разрабатывает решения на основе искусственного интеллекта для крупнейших компаний страны. Какой экономический эффект приносит ИИ, на что обратить внимание на старте проекта, какие могут возникнуть проблемы при внедрении и как их избежать, рассказывает Максим Иванов, директор по искусственному интеллекту «Сбер Бизнес Софт».

Вы занимаетесь разработкой и внедрением ИИ-решений. О каких именно решениях идет речь?

МАКСИМ ИВАНОВ: У нас есть 7 готовых продуктов, в которых ИИ работает быстрее и эффективнее, чем человек, и благодаря этому повышает выручку компании или снижает ее издержки:

Прогнозирование спроса. Это продукт для ритейла и FMCG. Он помогает понять, какое количество продукции компания сможет реализовать. Ценность очевидна: слишком много продукции — деньги заморожены на складе, слишком мало — упущенная прибыль.

Динамическое ценообразование. Это продукт для недвижимости. Позволяет контролировать темпы продаж и управлять ценами на всех этапах строительства. Объекты недвижимости обычно реализуются за 2-3 года. Если продажи идут быстрее, значит цена слишком низкая, если медленнее, значит у застройщика не будет средств на следующий объект. Чтобы продажи всего ассортимента шли равномерно, цены нужно постоянно корректировать с учетом рыночной ситуации, действий конкурентов, появляющихся и исчезающих льготных программ и многих других факторов.

Видеоаналитикa. Продукт для мониторинга процессов и контроля качества на производстве и в сельском хозяйстве с помощью технологий компьютерного зрения. Сейчас мы разрабатываем систему, которая будет вести видеосъемку томатов в теплицах и детектировать повреждения и болезни растений, а также определять размер, степень зрелости и динамику роста плодов, прогнозируя будущий урожай. Вовремя обнаруженная болезнь позволит защитить другие растения, а прогнозирование урожайности — лучше планировать работу сельхозпредприятия.

Речевая аналитика. Продукт для крупных контакт-центров. Он может понимать смысл коммуникации между сотрудниками и клиентами, распознавать отклонения как в хорошую, так и в плохую сторону. Это помогает бороться с негативом, а лучшие практики — распространять на всю компанию. Также важно анализировать запросы клиентов: если одно и то же пожелание повторяется, стоит его учесть. Например, если у застройщика часто спрашивают про колясочную или лапомойку для собак на первом этаже, а их нет, возможно, стоит запланировать их в следующих объектах.

Распознавание документов. Продукт для извлечения данных из сканов и фотографий документов. Это аналог импортозамещаемых сейчас решений ABBYY FineReader и Adobe Capture. Мегаклассический пример — извлечение и распознавание данных из фотографии паспорта. Идея не нова, но это очень важная задача в операционной деятельности практически любой компании.

Оптимизация логистики. Продукт для ИИ-оптимизации маршрутов. В данный момент мы сфокусированы на логистике светлых нефтепродуктов — маршрутах для бензовозов, доставляющих топливо до АЗС. Чтобы выбрать оптимальный маршрут, нужно учитывать десятки факторов, от банального планирования смен и обеденных перерывов до невозможности сливать топливо из отсеков в произвольном порядке, ведь тогда машина разбалансируется и будет небезопасна на дороге. Виртуальные ассистенты. Это готовые чат-боты и конструктор для создания бизнес-ботов на основе GigaChat — GPT-сети от Сбера. Бизнес-боты помогают покупателям выбирать товары и услуги, принимают показания ЖКУ, записывают на прием к врачу.

Помимо этого, мы тестируем несколько десятков различных гипотез, в результате которых могут появиться новые продукты. Новые продукты появятся уже в следующем году.

Список ваших ИИ-сервисов очень разнообразный. Как вы выбираете, какие продукты создавать? Особенно поразили помидоры.

МАКСИМ ИВАНОВ: Мы учитываем стандартные факторы — объем рынка, наличие конкурентов и экономический эффект, который может дать клиенту решение, и, конечно, просчитываем доходную часть.

На примере с теплицами: наш анализ показал, что не только в России, но и во всем мире подобного рода решений нет. А польза от него огромна — и для отдельных сельхозпредприятий, и в целом для страны, ее продовольственной безопасности.

Расскажите подробнее, какие технологии, модели, методы лежат в основе ваших решений.

МАКСИМ ИВАНОВ: Есть стандартные, общедоступные методы и модели машинного обучения: деревья решений, регрессионные модели, нейронные сети разных архитектур, бустинг. Большинство существующих методов и библиотек хорошо известны на рынке, и многие из них открыты для общественности. «Сбер Бизнес Софт» также разрабатывает собственные библиотеки, в том числе доступные в open source.

Сложность и уникальность нашей работы заключается не в моделях, а в умении правильно выбирать и конструировать новые входные переменные для прогнозных моделей.

Приведу простейший пример. Допустим, мы продуктовый магазин, продаем только один товар — сахар, и из статистики у нас только объем продаж по дням. Чтобы спрогнозировать продажи сахара, недостаточно взять данные, скажем, за предыдущий месяц. На продажи влияет день недели, гендерные праздники, сезонные праздники, в том числе, религиозные, не привязанные к конкретной дате. Но кроме этого, есть еще погода, акции конкурентов, мода на определенные рецепты, тренд на ЗОЖ — сотни факторов, которые можно учитывать, а на их основе — конструировать новые, дополнительные факторы.

Именно процесс конструирования очень сложен и требует глубокого понимания предметной области. Пример с продуктами понятен каждому. Но если речь пойдет о датчиках давления на производстве, все становится сложнее. Так что наше конкурентное преимущество заключается в экспертизе в области подготовки и обработки данных, понимании предметной области, отраслевой специфики, других нюансов бизнеса, а не в использовании каких-то уникальных алгоритмов.

Какие люди нужны в команде, чтобы разрабатывать ИИ-продукты? Может быть нужны ученые, исследователи?

МАКСИМ ИВАНОВ: Набор ролей зависит от задачи. Наша команда занимается прикладными коммерческими внедрениями, поэтому набор специальностей стандартный для IT: разработчики back-end, front-end, аналитики, дизайнеры, владелец продукта, тестировщик. Для проектов по искусственному интеллекту к ним добавляются дата-сайентист, разрабатывающий ИИ-модели, и дата-аналитик, работающий с данными. Иногда эти роли объединяются в одну — зависит от специфики проекта и от того, как команде и конкретному человеку комфортнее работать.

Что касается науки, дата-сайентист — это не совсем ученый, но в его работе есть элемент исследования, постановки и изучения гипотез, совершения открытий. У нас есть партнеры, которые занимаются наукой и R&D: это и лаборатории Сбера, и вузы, и различные исследовательские институты. Наш интерес обоюдный: ученым интересно, чтобы их исследования приносили практическую пользу и появлялись в СМИ, нам полезны новые изобретения. Например, новая архитектура нейросети может принести несколько дополнительных процентов точности в конкретные задачи, а при больших масштабах эти несколько процентов превращаются в миллионы дополнительной прибыли.

Каких финансовых результатов добиваются ваши клиенты с помощью ИИ?

МАКСИМ ИВАНОВ: В прогнозировании спроса мы стабильно видим, как продукт снижает в два раза ошибки прогнозирования. Для большинства наших клиентов из ритейла и FMCG это приносит десятки, а в некоторых случаях сотни миллионов рублей. Безусловно, результат зависит от масштаба компании: чем крупнее бизнес, тем ощутимее эффект.

В случае с теплицами, в целом по рынку, потери урожая по различным причинам в ходе роста составляют от 15 до 30%, половина этого — болезни растений и связанные с ними проблемы. Соответственно, наше решение потенциально позволяет получить 7−15% дополнительного урожая.

Решение для логистики строит маршрут на 5% оптимальнее, чем человек. Для измерения используется такой показатель, как «тонны на километры»: произведение тонн, которые едут в бензовозе, на количество километров, которые они проехали. Если бензовоз с 10 тоннами топлива проехал 100 километров, то получится 1000 тонн/км. Вот этот показатель наш ИИ улучшает в среднем на 5%.

Какие из своих кейсов вы считаете наиболее впечатляющим?

МАКСИМ ИВАНОВ: Мой личный фаворит — проект для одного из наших клиентов отрасли АПК. С помощью постоянной видеофиксации ИИ-система будет отслеживать скорость роста и созревания томатов, выявлять отклонения в листьях, плодах и корнях растения. Анализируя эти данные, ансамбль нейросетей может определить более 40 болезней и вредителей, включая химический ожог листьев, переизбыток азота, мучнистую розу, пасленовый трипс и так далее. Это уникальный с технологической точки зрения проект, такого не делал никто в мире.

Также очень яркий кейс получился с Россельхоснадзором. В этом проекте мы реализовывали систему поиска отклонений при производстве продуктов питания. Подсистема ИИ включает модели для идентификации 30 типов нарушений, таких как несоответствие объемов сырья и объемов продукции, отсутствие гашения эВСД в установленный срок, нелогичное перемещение товаров, создание фиктивных цепочек производства для увеличения объемов продукции на каждом из этапов, фантомные площадки и другие.

За период с января по август 2023 года инспекторы Россельхознадзора вручную выявили около 16,2 тыс. нарушений, а после внедрения ИИ следующие семь месяцев — 218 тысяч. Это очень важные цифры, ведь нарушения в пищевой промышленности представляют угрозу здоровью и даже жизни каждого из нас.

Какие трудности возникают в проектах по внедрению ИИ? Как вы помогаете их преодолевать?

МАКСИМ ИВАНОВ: Первая проблема, с которой сталкиваются заказчики, — невозможность гарантировать конкретное повышение эффективности: рост продаж или снижение издержек. Все кейсы очень индивидуальны. Даже если продукт уже внедрялся, нет гарантии, что другая компания на ее данных и с ее спецификой получит такой же результат.

Как с этим можно бороться? Самый хороший способ для клиента — бесплатный пилот. Он позволяет заказчику оценить потенциал ИИ-решения, однако очень рискован для разработчика, так как не гарантирует получения контракта. Второй, довольно экзотический пока способ — контракт, ориентированный на результат. В договоре прописывается, что оплата разработчика напрямую зависит от достижения конкретной метрики, например, от увеличения точности прогноза. Платеж линейно зависит от процента достижения цели. Это снижает риск для заказчика и гарантирует разработчику оплату при достижении цели. Хотя заказчик сохраняет большую часть экономического выигрыша от внедрения ИИ, этот подход является взаимовыгодным. Пугает он только юристов, которые не сталкивались с такими контрактами раньше.

При внедрении ИИ-решений мы часто сталкиваемся с такими проблемами, как неправильная постановка задачи, проблемы с данными, нехватка компетентных специалистов и сопротивление персонала.

При постановке задачи многие делают фокус на минимизацию общего числа ошибок системы вместо минимизации экономического ущерба от этих ошибок. Но одни ошибки обходятся намного дороже других. Например, неправильная классификация исправного изделия как бракованного дает незначительные потери, его всего лишь нужно вытащить из коробки «брак» и вернуть обратно. А вот классификация бракованного изделия как исправного приносит огромные потери, и финансовые, и репутационные.

Недостаток исторических данных или неспособность оперативно их собирать — понятная проблема, делающая невозможным построение эффективных моделей.

Нехватка компетентных специалистов тоже многим знакома. Если на стороне клиента нет человека, способного правильно сформулировать задачу, понимать используемые метрики, оценить результаты, то успех проекта под большим вопросом. Ну и сопротивление персонала — это классика. Сотрудники могут опасаться, что ИИ отнимет их рабочие места. Тут необходим честный разговор, объяснение роли сотрудников в новом бизнес-процессе.

Что бы вы порекомендовали компаниям, которые только планируют внедрение искусственного интеллекта?

МАКСИМ ИВАНОВ: Во-первых, для начала нужно определить бизнес-процесс, который хочется улучшить. Многие компании пытаются сначала выбрать ИИ-решение из уже имеющихся на рынке, а потом придумать, как его применить. Это подход не от бизнес-ценности, а от технологий, доступных инструментов. Иногда он срабатывает, но важно держать в голове, что конечная задача — получить максимальную ценность. В случае с ИИ лучше найти интересную задачу, которую пока никто не решал, и получить огромный эффект, чем пытаться скопировать то, что есть у других.

Начинать поиск рекомендую с ключевых процессов, через которые проходит значительный объем ресурсов — денег, товаров, информации, поскольку потенциальный эффект от внедрения ИИ в таких процессах максимален. Очевидно, что для ритейлера это процессы закупок и продаж, а не, например, чат-бот в технической поддержке.

В выбранном бизнес-процессе нужно найти конкретную функцию, которую ИИ сможет существенно улучшить: ускорить процесс, снизить количество ошибок, упростить масштабирование. И только потом стоит изучить, какие решения могут закрыть подобные задачи.

При этом желательно, чтобы первый проект был не слишком масштабным: лучше начать с небольшого, но эффективного внедрения, которое станет катализатором для дальнейшего применения ИИ.