Искусственный интеллект пришел в бизнес
Искусственный интеллект пришел в бизнес

Доклады, посвященные практическому применению новых технологий всегда вызывают повышенный интерес


14:22 12.10.2018  (обновлено: 10:54 14.10.2018)   |  Дмитрий Гапотченко |  Computerworld Россия

Рубрика Предприятие |   939 прочтений



На конференции «Технологии машинного обучения 2018» было представлено около двух десятков отечественных проектов с применением искусственного интеллекта в самых разных областях.

 

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.


Теги: Яндекс Искусственный интеллект Машинное обучение AI2018
На ту же тему: