Технологии искусственного интеллекта довольно быстро преодолели дистанцию от «про них говорят» до «их используют». На конференции «Технологии машинного обучения», организованной издательством «Открытые системы», было представлено около дюжины работающих проектов в самых разных областях.
«Райффайзенбанк» использует машинное обучение для оптимизации процесса обслуживания сети банкоматов — предсказания спроса на выдачу наличных в банкомате (на основании как исторических даннх за три года, так и текущих), оптимизации процесса инкассации («лишние» деньги будут лежать в банкомате мертвым грузом, а их отсутствие приведет к простою устройства и недовольству клиентов банка). Горизонт ежедневно обновляемого прогноза — 14 дней.
Компания Rubbles представила Customer Insight — инструмент создания персональных предложений для клиентов розничных банков, которые основаны на анализе их трат, как текущих («Вы часто ходите в кино — сэкономьте, купите абонемент»), так и будущих («Вы собираетесь в отпуск в Европу? В прошлый раз расплачиваясь с рублевой карты вы потратили лишних 12 тысяч»). Для этого необходимо правильно определять события в жизни клиента и оптимальную частоту обращения к нему. Но зато правильно обученная система, подсказывающая клиенту, где и на чем он сможет сэкономить, надежно привяжет последнего к банку. Если не напугает излишней осведомленностью о его личной жизни.
Бизнес CarPrice состоит в продаже автомобилей клиентов дилерам на онлайн-аукционах. Дилеров у сервиса около 40 тыс.; для того, чтобы не рассылать всем им предложения обо всех имеющихся автомобилях (в день осматривается около 500 машин, по каждой собирается 500 параметров и делается 150 фотографий повреждений), компания при помощи средств машинного обучения выбирает из общего списка тех дилеров, которые должны заинтересоваться машиной. Критериев много — интересуется ли дилер данной маркой, данной ценовой категорией, комплектацией и т. д. А 15 самым перспективным дилерам рассылается персональное оповещение — push-уведомление или, если оно не прошло, через SMS. Как результат — на аукционах, использующих механизм приглашения, удается продать машины дороже; лишь каждый десятый победитель интернет-аукциона был оповещен о нем в офлайне.
«Яндекс.Такси» использует средства машинного обучения для выдачи прогнозов по многим производственных вопросах. Например, предсказывает вероятность того, что конкретный водитель уйдет из сервиса (среди примет этого — маленький средний чек и большое количество жалоб). И дает рекомендации, кому из постоянных клиентов предложить перейти на машины бизнес-класса. Затраты компании — «один аналитик на полставки и 10% рабочего времени одного менеджера». Прототип был создан за неделю и две недели дорабатывался.
Компания Worki спенциализируется на поиске линейного персонала для различных сфер бизнеса. Первоначально информационная лента с перечислением вакансий была «просто лентой» с простым механизмом рекомендаций, однако в Worki решили, что использование данных о соискателях и работодателях сможет повысить ее эффективность.
Сейчас алгоритм построения ленты на базе средств машинного обучения использует около 140 переменных — данных и о соискателе и работодателе. Количество откликов увеличилось на 17%, появилась возможность выдавать обеим сторона процесса более релевантные рекомендации, и даже предлагать рекрутерам конкретных кандидатов.
Рост количества откликов от кандидатов, помимо прочего, уменьшает отток компаний, размещающих вакансии, а, стало быть, и траты на привлечение новых клиентов из числа работодателей.
Глубинная аналитика может применяться и там, где целевая аудитория для продукта составляет 200-500 человек, такую задачу приходится решать в «индустрии красоты». Покупки в этой сфере часто делаются под насроение, поэтому кроме решения обычной задачи — выбора оптимальных каналов коммуницирования и частоты коммуникаций, необходимо подбирать еще и наилучшее время для отправки сообщений. Как утверждают в CleverData, это возможно, при грамотном подходе к рассылкам количество открывших письмо растет на 70%, конверсия (доля купивших) — на 83%, повторные продажи в целом — в 3,5 раза.
В целом складывается впечатление, что технологии искусственного интеллекта из стадии повышенных ожиданий на кривой Gartner почти сразу перешли на стадию «совершенствования и адаптации» и даже плато продуктивности, быстро миновав впадину разочарования (возможно, зато, крайне глубокую у тех, кто ждал немедленного пришествия «Скайнета»). И дальнейшему продвижению «вглубь и вширь» мешает лишь отсутствие необходимого количества релевантных размеченных данных, пригодных для организации машинного обучения. Ну и, конечно, неизбежный кадровый вопрос.