Автоматизация с ИИ: как не попасть в ловушку убыточных инноваций?
Экспертная статья Алексея Акулова в Comnews
Компании «Индастри софт солюшнс» и «Информационные системы и стратегии» (входит в ГК «Инспарк») объявили о стратегическом партнерстве с целью продвижения и продажи комплексных решений на базе платформы промышленного ИИ АтомМайнд.
Бизнес часто рассматривает искусственный интеллект как "волшебную таблетку". Не понимая на старте, какую бизнес-задачу ИИ-инструменты должны решить и на какой эффект можно рассчитывать, компании теряют деньги, ресурсы и время, превращая амбициозные проекты в кладбище пилотов. Как не попасть в эту ловушку и как построить стратегию внедрения, приносящую производственному предприятию реальную пользу? Рассказал в экспертной статье Comnews Алексей Акулов, исполнительный директор платформы промышленного ИИ АтомМайнд.
«По моим наблюдениям, из 100 запущенных пилотов до промышленного внедрения доходит порядка 10-15. Причины здесь системные и повторяющиеся. Первая и главная: начинать надо не с выбора технологий искусственного интеллекта, а с настройки культуры управления данными. В пилоте команда Data Science вручную вычищает выбросы, синхронизирует временные ряды и восстанавливает пропуски, но при масштабировании на парк от 100 станков делать это вручную невозможно, нужен автоматизированный процесс формирования датасетов. Также следует понимать: обучить модель — это примерно 10% работы, остальные 90% — развернуть ее в производственном контуре, обеспечить переобучение при дрейфе данных, мониторить качество и отслеживать деградацию.
К технологическим причинам добавляются и организационные. Первоочередная из них — организационный вакуум: непонятно, кто отвечает за модель и является ее владельцем после внедрения. Это не ИТ-директор и не отдельно взятый инженер. На стороне заказчика должен быть выделенный сотрудник с полномочиями. Еще одна организационная проблема — подвижность контекста: за время пилота меняется организационный ландшафт, уходят руководители, корректируются бюджеты, и изначальная задача перестает быть актуальной. Таким образом, кладбище пилотов возникает не из-за несостоятельности алгоритмов, а из-за сбоев в управлении изменениями.
Обязательное условия успешного проекта по внедрению ИИ — измеримая цель. Пилот не должен формулироваться как "проверим гипотезу". Его результат должен быть конкретным. Например, снизить отклонение параметра на 10% за два месяца или сократить ручную обработку документов с 90 до 10% за три месяца. Если гипотеза не подтвердилась, закрывайте проект без сожаления. Для заказчика это тоже успех, поскольку он сэкономил деньги на масштабировании заведомо неработающего решения», – поделился практическим опытом Алексей Акулов.
Подробнее
«По моим наблюдениям, из 100 запущенных пилотов до промышленного внедрения доходит порядка 10-15. Причины здесь системные и повторяющиеся. Первая и главная: начинать надо не с выбора технологий искусственного интеллекта, а с настройки культуры управления данными. В пилоте команда Data Science вручную вычищает выбросы, синхронизирует временные ряды и восстанавливает пропуски, но при масштабировании на парк от 100 станков делать это вручную невозможно, нужен автоматизированный процесс формирования датасетов. Также следует понимать: обучить модель — это примерно 10% работы, остальные 90% — развернуть ее в производственном контуре, обеспечить переобучение при дрейфе данных, мониторить качество и отслеживать деградацию.
К технологическим причинам добавляются и организационные. Первоочередная из них — организационный вакуум: непонятно, кто отвечает за модель и является ее владельцем после внедрения. Это не ИТ-директор и не отдельно взятый инженер. На стороне заказчика должен быть выделенный сотрудник с полномочиями. Еще одна организационная проблема — подвижность контекста: за время пилота меняется организационный ландшафт, уходят руководители, корректируются бюджеты, и изначальная задача перестает быть актуальной. Таким образом, кладбище пилотов возникает не из-за несостоятельности алгоритмов, а из-за сбоев в управлении изменениями.
Обязательное условия успешного проекта по внедрению ИИ — измеримая цель. Пилот не должен формулироваться как "проверим гипотезу". Его результат должен быть конкретным. Например, снизить отклонение параметра на 10% за два месяца или сократить ручную обработку документов с 90 до 10% за три месяца. Если гипотеза не подтвердилась, закрывайте проект без сожаления. Для заказчика это тоже успех, поскольку он сэкономил деньги на масштабировании заведомо неработающего решения», – поделился практическим опытом Алексей Акулов.
Подробнее