Бизнес-приложения на основе ИИ

Мы рассматриваем ИИ не как отдельный продукт, а как компонент, встраиваемый в уже существующую работу организации. Модель становится по-настоящему полезной, когда она привязана к собственным данным и правилам процессов организации.

Главная
/
Решения
/
Приложения на основе ИИ

Когда речь заходит об ИИ, чаще всего обсуждается выбор модели. Однако на корпоративной стороне результат обычно определяется не выбором модели, а тем, к каким данным имеет доступ система, какими правилами она ограничена и кто проверяет даваемый ею ответ. При переводе задачи на работу с ИИ основная часть усилий уходит именно на ответы на эти три вопроса.

Поэтому мы начинаем разработку с одного конкретного процесса. Например, с разбора входящих счетов, извлечения информации из пакета договоров, классификации полевых записей или возможности задавать вопросы на естественном языке по собственным данным. При узком объёме можно измерить корректность результата и исправить систему до её масштабирования.

Само приложение остаётся привычной для нас корпоративной разработкой: модель данных, авторизация, аудиторский след, интеграция с существующими системами. ИИ встраивается в эту структуру как компонент с чётко определённой зоной ответственности. Пользователь видит не новый экран, а версию уже используемой им системы, требующую меньше ручной работы.

Подходим ли мы для этой задачи?

Для задач с чёткими правилами ИИ — лишний слой. Если правило можно описать, его описание остаётся и дешевле, и легче поддаётся проверке. Эта технология полезна там, где правило описать невозможно, но есть примеры.

Да, давайте обсудим

Есть ручная, повторяющаяся задача, результат которой можно проверить
Решение основывается на документе, свободном тексте или неструктурированных данных
В организации достаточно примеров, показывающих, каким должен быть правильный ответ

Нет, кто-то другой сделает это лучше

Задача уже определена правилами — классическое ПО дешевле и точнее
Речь идёт о решении, где ошибочный результат приводит к необратимым последствиям
Данные организации разрознены; их сведение воедино само по себе является отдельным проектом

Чем мы занимаемся

Оценка процесса — определение того, какая задача подходит для этой технологии
Инфраструктура вопросов и ответов на основе собственных документов и записей организации
Распознавание документов, извлечение полей и классификация
Интерфейсы отчётности и запроса данных на естественном языке
Поддержка принятия решений и формирование рекомендаций, привязанных к рабочему процессу

Интеграция с существующими корпоративными системами и источниками данных
Выбор модели; оценка стоимости, скорости и конфиденциальности данных
Решение и внедрение работы на собственных серверах организации или в облаке
Измерение точности результатов, подтверждение человеком и аудиторский след
Интерфейсы возможностей, доступные для вызова ИИ-клиентами

Как мы работаем

Выбор процесса

Не все задачи организации подходят для этой технологии. Мы выбираем процесс, который выполняется вручную, повторяется и результат которого можно проверить; на его основе мы строим первое приложение.

Извлечение данных и правил

Мы собираем документы, записи и внутренние определения, на которых строится процесс. Там, где данные разрознены или определения нигде не зафиксированы, здесь и начинается настоящая работа.

Критерий точности

Мы определяем правильный ответ на основе собственных примеров организации. Без установленного критерия оценка качества результата остаётся вопросом мнения.

Разработка приложения

Мы встраиваем модель в корпоративное приложение. Авторизацию, ведение журнала и передачу неоднозначных случаев человеку мы настраиваем на этом этапе.

Ввод в эксплуатацию и мониторинг

На начальном этапе все результаты проходят через подтверждение человеком. По мере накопления результатов измерений мы определяем, какие шаги могут выполняться без подтверждения.

Наши технические решения

Компонент ИИ размещается так, чтобы он не мог выйти за рамки правил приложения. Границы полномочий, доступные данные и шаг подтверждения остаются в собственном слое системы; текст, создаваемый моделью, не может изменить эти правила. В противном случае вопрос о том, кто и к чему имеет доступ, становится столь же неопределённым, как и точность результата.
Каждый результат фиксируется в журнале. Сохраняется, на какой вопрос был дан ответ и на основе каких данных, какая версия использовалась и подтвердил ли пользователь результат. Без такой записи, если система выдаёт ошибочный результат, невозможно вернуться назад и установить причину.
Точность измеряется не на глаз, а с помощью набора примеров. Проверочный набор, составленный на основе собственных документов организации, позволяет повторять один и тот же тест при каждом изменении версии. Только так можно увидеть, что именно нарушилось при изменении модели или инструкции.
Место обработки данных — не техническое предпочтение, а решение организации. Для задач с высокими требованиями к конфиденциальности рассматриваются модели, работающие на собственных серверах, в остальных случаях — облачные сервисы. Выбор делается между стоимостью, скоростью и конфиденциальностью и фиксируется вместе с обоснованием.
Система устроена так, чтобы передавать сомнительные случаи человеку. Структура, ставящая спорные записи в очередь, полезнее той, что принимает все решения самостоятельно; так видно, где накапливаются ошибки, и исправление вносится именно туда.

Решения промышленного IoT