Sostav представляет серию авторских статей Николая Архипова, директора по разработке Annalect (входит в состав 
OMD OM Group ). Эксперт делится знаковыми и интересными фактами из жизни создателя маркетинговых технологий. Когда искусственный интеллект уместен и эффективен, а когда — нет? Как собрать слаженную и профессиональную команду разработчиков и создать для нее микроклимат? Как спроектировать понятный интерфейс? С какими сложностями можно столкнуться в процессе обработки данных, и как их преодолеть? Об этом и многом другом можно узнать, заглянув в «Зеркало технологий».
В последние годы мир вокруг нас говорит об искусственном интеллекте, машинном обучении, предсказательной аналитике. Названий много, спектр решаемых задач еще больше. Но суть одна — создать умную машину с одной большой зеленой кнопкой, которая сможет рассказать про будущее, сделает всю работу за нас, причем лучше любого органического сотрудника.
Тема, безусловно, на хайпе. Публикуется огромное количество статей, проводятся конференции с участниками различного уровня, царит несмолкаемый шум, где все в один голос вторят — будущее уже здесь, и оно за ИИ.
Пройти стороной не смогли и мы — сотрудники подразделения Annalect, технологического юнита OMD OM Group. Причин тому много, основная, пожалуй, связана с особенностями рекламного бизнеса. Креативные и энергичные люди генерируют непрерывные потоки идей, многие из которых становятся рабочими решениями. Реклама, в отличие, скажем, от финансовой сферы, привлекательна тем, что стабильность здесь скорее минус. Как только мы делаем что-то однообразное, это перестает будоражить воображение и, как следствие, перестает работать. Мы самым острым образом ощущаем это постоянное движение вперед.
И вот год назад, зная уже достаточно много (как нам тогда казалось) о создании систем предиктивной аналитики, мы объединились и рванули в бой.
На протяжении полного цикла разработки мы сталкивались с различными трудностями. Признаться честно, о ряде будущих проблем мы знали и были к ним готовы, но в пути повстречались и с абсолютно новыми вызовами. В этом материале по большей части мы концентрируемся на сложностях социального и организационного характеров, поскольку они, на наш взгляд, наименее очевидны и заслуживают особого внимания при реализации проектов тематики ИИ.
ПРОБЛЕМА I: КТО?
С первого взгляда всегда кажется, что дело за малым. Собрали данные из разных источников, совместили, получили прогноз/рекомендации, разработали SPA (Single Page Application) для пользователя, вот и всё — PROFIT.
На деле всё немного сложнее. Вам потребуется сильная и сплоченная команда, состоящая из весьма разных специалистов. Состав команды, безусловно, будет зависеть от проекта. Ниже мы привели основные позиции/направления, которые потребуются для правильной реализации серьезного enterprise-решения:
- Data Engineer — чаще небольшая команда, которая обеспечивает сбор, обработку и хранение данных. Эти ребята занимаются тем, что строят коннекторы к существующим хранилищам данных для сбора на постоянной основе, разрабатывают хранение полученных данных внутри системы, разрабатывают механизмы совмещения данных, настраивают логирование, мониторинг, датачеки (контроль корректности принимаемых и выходных данных). Интегрируют готовую предиктивную модель в production-решение;
- Data Scientist — разработчик предиктивных, оптимизационных и др. моделей. Работает с уже собранным и чистым датасетом, подготовленным инженерами данных. Часто хорошо владеет математическим аппаратом, алгоритмами машинного обучения;
- R&D Analyst. Основная задача сотрудника — изучение и понимание данных, с которыми идет работа на проекте. Также этот человек выявляет и уточняет требования заказчика, проверяет их выполнимость;
- Frontend Developer — разработчик интерфейса системы;
- Project Manager — менеджер проекта, осуществляет планирование, контроль выполнения задач на всех стадиях;
- Product Manager — человек, определяющий назначение, предпосылки к созданию и развитие продукта. Проводит исследование рынка на предмет существования похожих систем, готовит описание, презентацию системы для ключевых пользователей, составляет Roadmap.
- Руководитель группы. Его основные задачи на проекте — проработка архитектуры системы, менеджмент команды, определение ключевых этапов проекта, планирование и контроль;
- Заказчик системы — эксперт, который сформулирует требования и будет осуществлять обратную связь на протяжении всего проекта, в верном ли направлении идет работа.
И в чем же здесь проблема? В том, что такую команду собрать действительно непросто. Хороших специалистов в области подобных проектов на рынке очень немного, и каждый из них — на вес золота. Российские и международные технологические гиганты развернули настоящую охоту за талантами, конкурировать с ними непросто, хотя у тружеников рекламной индустрии есть ряд весомых преимуществ перед крупными IT компаниями.
Не стоит забывать и о том, что технари — довольно специфичное сообщество. Внутри они общаются на «птичьем» языке, смеются над непонятными строчками в командной строке своих компьютеров, отправляют друг другу мемы в мессенджерах, сидят на работе допоздна, утром приходят сонными и с красными глазами. Человеку далёкому от сферы IT порой вовсе непонятно, чем занимается разработчик, и за что ему платят. А ведь к такой команде и подход нужен особый. Важно понимать, что это люди с тонкой душевной организацией, очень умные, трудолюбивые и доброжелательные. Работая над сложным проектом, они практически всё свободное ото сна время думают над ним.
Как собрать, удержать и найти подход к управлению командой разработчиков — отдельная тема, о которой мы также с удовольствием расскажем позже.
ПРОБЛЕМА II: КОМУ?
Итак, вы собрали команду, создали систему и запустили ее. У вас широкая улыбка на лице, вы счастливы — ведь несколько месяцев собственной жизни трудились на тем, чем в мире занимаются единицы, и смогли. Но вот вы узнаете, что люди, для которых создавалась система, ею не пользуются. У этого явления есть несколько причин, две из которых мы разберем ниже.
1. Непринятие ошибки. Найдя в рекомендации машины ошибку, человек попросту ей этого не прощает, перестает доверять и, как следствие, использовать.
С появлением систем ИИ в нашей жизни люди начинают искаженно их воспринимать. «В отличие от человека, которому свойственно ошибаться, машина должна быть идеальна», — думает пользователь. Но давайте разбираться.
Кто придумал и создал алгоритмы машинного обучения? Люди. Кто выбрал и настроил конкретную прогнозную модель? Люди. Кто подготавливал данные, собирал и чистил их? Кто закладывал факторы, говоря, какие из них значимые, а какие нет? Уверен, вы поняли, к чему мы ведем. Но и это еще не всё.
Человеку свойственны когнитивные искажения, он часто руководствуется ощущениями, эмоциями, строит эвристики. При этом опытный сотрудник использует либо сложно оцифровываемые факторы, либо слушает шестое чувство, которое подсказывает ему верное решение в силу большого опыта. Естественно, шанс, что машина узнает о неучтенном факторе и самостоятельно предложит нестандартное решение, стремится к нулю. Вот поэтому и машина может ошибиться, и это нормальный процесс.
Что делать? Спрашивать опытных сотрудников о скрытых факторах, которыми они руководствуются при прогнозе или схожих задачах. Оцифровывать эти факторы, собирать и закладывать в алгоритм прогнозирования, стандартизируя ранее бывшее нестандартным. И продолжать улучшать систему. Объяснять, что она не идеальна, и благодаря совместной работе людей — пользователей и разработчиков — будет обучаться, становиться умнее и надежнее с каждой итерацией.
2. Страх перемен. Если вы дали сотрудникам систему, которая выполняет большую часть их работы, необходимо быть готовым к сопротивлению. Мы все — люди, и в той или иной степени боимся перемен. Естественно, человеку не понравится машина, которая посягает на его работу.
Здесь недостаточно просто объяснить, что машина заменит лишь вашу операционную деятельность, и у вас будет больше времени на аналитику и решение сложных задач. Значительно раньше, еще до внедрения системы, вам необходимо проработать изменения в бизнес-процессе всей компании или отдельного департамента, согласовать их с руководством и быть готовым к действиям. Если своей системой вы высвободили, например, 80% времени сотрудников, вам необходимо дать им новые функции, организовать новые процессы, тем самым оптимизировать и развить текущие полномочия. В этом случае вы успешно внедрите систему, минимизируете отток сотрудников, действительно оптимизируете и улучшите текущий бизнес-процесс.
ПРОБЛЕМА III: ЗАЧЕМ?
Очень важный вопрос, который должен быть задан еще до старта любого проекта, в том числе ИИ.
Вы собрали команду, разработали и успешно внедрили новую систему. Но через некоторое время вы начинаете понимать, что она себя не оправдывает. Может случиться, что систему слишком дорого содержать, или цена ее ошибки непреодолимо высока.
Сегодня некоторые команды, разработав и внедрив системы машинного обучения, открыто говорят о неэффективности применения этих систем в повседневной работе. И дело не в том, что у них не получилось. Получилось, но целесообразность и риски на старте не были досконально исследованы. Вокруг ИИ много шума, и как только команды получают опыт разработки таких систем, их начинают использовать везде. Технология — ради технологии. И вот тут стоит понимать, что машинное обучение, это:
- дорого создать;
- дорого поддерживать;
- зачастую «blackbox» — неинтерпретируемый алгоритм, решения которого не поддаются человеческому описанию.
Еще на старте проекта очень важно понять, каковы KPI? Как определить финансовую выгоду для компании от создания системы предиктивной аналитики, заложив возможные риски? Словами аналитика — необходимо определить бизнес-метрику, по которой вы сможете рассчитать выгоду для бизнеса от использования системы.
Вооружившись бизнес-метрикой, вы сможете перевести разговор о технологиях на язык финансовых показателей, который более понятен ТОП-менеджменту, и это приблизит компанию к принятию правильного решения о начале разработки и внедрения ИИ в повседневную работу.
Смотря на эту же метрику, вы сможете правильно определить границы проекта. Определить этапы, четко объяснив коллегам, что и когда они смогут получить от системы. Ведь не секрет, что предела совершенству нет. То же касается и прогнозирования — всегда есть, куда улучшаться. Правильный подход здесь — определить точку, при которой каждое следующее улучшение уже будет дороже финансовой прибыли, которую это улучшение принесет.
От себя еще хотелось бы добавить, что, когда осваиваешь новую сферу, делаешь что-то по-другому, доводишь это новое до логического завершения и наконец можешь увидеть всю картинку целиком, на ум приходят аналогии. Использование ИИ и систем машинного обучения можно сравнить с автомобильным дрифтом. И то, и другое:
- Эффективно только при уместном применении. К примеру, если ряд поворотов пройти боком, скорость на выходе будет выше;
- Нужно использовать только в тех случаях, где необходимо. Если каждый поворот проходить боком, это будет дорого (изнашиваются шины и устают основные агрегаты). Увеличивается риск поломки и даже аварии;
- Меняет восприятие и развивает, делает вас профессионалом.
В СУХОМ ОСТАТКЕ:
Мы ни в коем случае не сгущаем краски и никого не отговариваем от использования этих технологий. Совсем наоборот, мы смотрим в будущее и видим там системы, во многом думающие и принимающие решения за нас. Основная мысль, которую хочется донести — будьте готовы к тому, что своё будущее нужно создавать своими руками. Эффективно использовать созданное кем-то под другие, чужие, пусть даже и в чем-то схожие задачи — не получится, потребуется как минимум адаптация. Изменяясь, вы скорее всего столкнетесь с похожими проблемами как технического, так и социального характеров, с непониманием и сопротивлением. Но если будете готовы заранее — точно сможете их преодолеть.
Автор материала — Николай Архипов, директор по разработке Annalect.
Художник-иллюстратор — Александр Куканов.