AIaaS или ИИ-проект: факторы выбора, возможности и вызовы на примере документооборота
Изображение: shutterstockAI
Искусственный интеллект как услуга – направление не новое. С того момента, как пошла активная популяризация ИИ, которую подхватили все крупные игроки рынка (в первую очередь западные), у основных облачных провайдеров появился набор ИИ-сервисов, доступных для использования. Для их применения не нужно было что-то разрабатывать или серьезно чему-то обучаться. Такой базовый конструктор включал в себя такие инструменты, как компьютерное зрение, переводчики и NLP (распознавание естественного языка) и многие другие. Ничего серьезного на таких сервисах не делали, но для демонстрационных целей и для проверки концепции (PoC) эти движки можно было использовать.
Сейчас наряду с такими универсальными конструкторами, которые стали доступны не только у зарубежных грандов индустрии, но и у грандов отечественного ИТ-рынка, есть специализированные решения, которые решают более специфические задачи, но поставляются они «из коробки». В этом материале старший руководитель группы аналитики данных и ML ICL Services Сергей Щербаков рассказывает, почему такие решения появились, в чем их преимущества и недостатки и для каких бизнес-задач стоит применять.
ИИ как услуга или кастомный продукт?
Очевидно, что подобные решения появляются там, где есть много однотипной работы. Это определение подходит для любого ИИ-решения. Что же делает востребованным именно сервис, а не кастомное решение, пусть даже размещенное в облаке? Ответ тоже прост – масштаб. Сервис должен работать с однотипными операциями, которые одинаковые не в рамках одного предприятия, а в рамках отрасли, сектора экономики или даже всей страны. Ведь если подумать – мало ли таких задач? Ответ – однозначно не мало. Стандартизация процессов, регламентов и документов – тому в подтверждение.
Самые очевидные примеры из разных отраслей - распознавание документов, удостоверяющих личность, это обязательная процедура не только в банках. Автоматизация работы с бумажными документами – очень важная и типовая задача, ведь весь документооборот строится на стандартных формах, стандартных процессах, которые в большинстве своем единые для всех. И таких примеров можно придумать еще не один. Чем дальше, тем более узкий и специфичный будет сегмент для решения и тем больше вопросов будет – имеет ли смысл делать ИИ-как услугу или проще/правильнее/выгоднее, сделать кастомный продукт под заказчика?
Разберем на примере
Если сделать сервис на базе ИИ, который классно распознает стандартные счета фактуры (или любую другую стандартную печатную форму), то от этого почти всем будет хорошо:
- Клиенты получают возможность автоматизировать свои процессы работы с бумажными документами. Причем сделать это здесь и сейчас, не дожидаясь пока кто-то чему-то обучится, протестирует, снова обучится, а потом еще и встроит в рабочий процесс.
- Клиент платит за результат и только по мере использования, что дает возможность посчитать заранее получаемую выгоду от автоматизации.
- Никаких серьезных капитальных затрат на ИИ при внедрении и минимальные затраты на инфраструктуру, исключительно операционные затраты, прямо пропорциональные интенсивности использования сервиса.
- Никаких затрат на поддержку - не надо поддерживать ни платформу, ни сам сервис.
- Разработчик благодаря фокусировке может обеспечить максимальное качество в решении выбранной задачи. После внедрения разработчик будет иметь постоянный поток денег с минимальными вложениями сил и может двигаться в сторону смежных типов документов или процессов.
В общем все преимущества XaaS-решений со спецификой ИИ доступны всем в полном объеме.
Вызовы и ограничения
Единственное подразделение, которое не будет радоваться таким инструментам, это служба информационной безопасности. Для них как страшный сон - когда сканы документов, удостоверяющих личность, улетают на внешний сервис для распознавания. Безусловно, есть способы правильно оформить все бумаги и такой процесс будет вполне легитимен. Но повышенное внимание проверяющих органов в любом случае будет обеспечено.
Так что основным минусом данных решений, как собственно и всех ХaaS-решений является безопасность. И зачастую не сама безопасность, сколько тот набор внутренних барьеров и процедур, которые клиенту надо пройти внутри своей компании, чтобы получить «добро» на пересылку каких-либо данных во внешний сервис. Пусть даже это будут не документы, удостоверяющие личность, а относительно безобидные счета-фактуры, но в них тоже могут быть и персональные данные и коммерческая тайна и многое другое.
Какие еще ограничения можно выделить:
- Самое очевидное ограничение – решение заточено делать только то, на что заточено и только так, как заточено. Это не минус, это то самое ограничение по условиям задачи. Иначе массового сервиса не получается.
- Второе ограничение, вытекающее из первого – ограниченные возможности по дообучению системы. С моей точки зрения, это скорее особенности работы и специфика используемых на подобных сервисах моделей ИИ. И то, что отдельные сервисы все-таки содержат в себе еще и конструктор, который позволяет дообучать сервис и кастомизировать его самостоятельно – это уже отличный прогресс. Ну а для большей донастройки решения под требования конкретного заказчик и нужна поддержка решения, которая будет решать все вопросы, но за отдельные деньги.
Как оценить готовность ИТ-инфраструктуры к интеграции с ИИ-решениями?
Какой бы путь вы не выбрали – облачного решения или разработки локального решения под вас, конечно же, использование ИИ предъявляет ряд требований к ИТ-инфраструктуре. И если сама интеграция с ИИ-сервисом идет по стандартным протоколам и особых вопросов не вызывает, то вот инфраструктура сбора, хранения и обработки данных может потребовать доработки, расширения или изменения архитектуры систем хранения. Кроме этого, для некоторых типов задач могут потребоваться данные для обучения ИИ, без чего он не сможет давать адекватные прогнозы или корректно распознавать специфичные для вашей компании документы. Хотя для сервиса, распознающего стандартные документы, пример которого мы разбирали выше, требования по данным минимальны – в большинстве случаев он будет работать из коробки и не требовать дополнительного обучения.
Но хочется отметить, что оценка готовности ИТ-инфраструктуры – это важно, но это взгляд на вещи только с одной стороны. Рекомендуется всегда оценивать в первую очередь полезность ИИ-сервисов для бизнеса, а только потом думать, какие изменения в ИТ-инфраструктуре необходимо сделать. Потому что если подходить формально, то для работы с ИИ инфраструктура должна обеспечивать:
- Хранение исходных данных для работы ИИ-сервиса, часто с историей за Х-лет с достаточно большой детализацией (мало ли что понадобится).
- Хранение результатов работы ИИ-сервиса.
- Скорость обработки, соответствующую требованиям автоматизируемого процесса.
- Отчетность по работе ИИ-сервиса и показатели качества, которые он обеспечивает
- и многое другое.
Но для оценки полезного эффекта и просто для того чтобы начать использовать ИИ, часто можно найти внутренние процессы, для автоматизации которых надо ответить только на 2 вопроса:
- Есть ли ИТ-команда (внутренняя или внешняя), способная подключиться к внешним сервисам?
- Есть ли у нас процессы, которые стоит автоматизировать с помощью ИИ?
- Есть ли у нас данные для того, чтобы начать и получить первые результаты?
И на самом деле двух положительных ответов на последние вопросы будет достаточно, чтобы быстро оценить эффект от использования ИИ, а дальше оценивать готовность ИТ-инфраструктуры и необходимые ресурсы для повышения уровня ее готовности к текущей и перспективным задачам.
***
Подводя итог, стоит отметить, что самый выигрышный сценарий использования AIaaS – это автоматизация какого-либо массового и стандартного в индустрии процесса, который содержит минимум работы с данными, которые составляют коммерческую тайну или персональные данные. В этом случае вы соберете все плюсы решения, с минимумом сложностей.
Опубликовано 07.06.2024
