Искусственный интеллект в бизнесе — опыт российских брендов

Рекомендации услуг в зависимости от потребностей отдельного клиента

C помощью технологий машинного обучения мы прогнозируем желание абонента воспользоваться тем или иным сервисом. И делаем предложение ещё до того, как абонент сам обратится к нам за подключением услуги. Так мы экономим время клиента и одновременно повышаем уровень продаж.

Простой пример: система видит, что клиент вынужден часто удалять файлы и приложения, чтобы освободить память смартфона. При этом абоненты с подобным профилем потребления (со схожими среднемесячными затратами, той же возрастной группы, с подобным поведением в интернете) успешно используют облачный сервис «Вторая память».

Поэтому в момент, когда пользователь сталкивается с недостатком оперативной памяти, МТС предлагает ему установить приложение, позволяющее хранить данные в облаке. Такой подход повышает эффективность кампаний в среднем на 20% по сравнению с традиционным таргетингом.

Планирование развития розничных магазинов

Кроме того, технологии искусственного интеллекта позволяют МТС строить «умные», самонастраивающиеся в зависимости от нагрузки сети; планировать развитие сети, исходя не только из количества жителей района, но и из профилей проживающих в нём людей; а также использовать аналитику данных для эффективного управления персоналом — настраивать гибкий график сотрудников, работающих в салонах МТС.

Прогнозирование посещаемости розничных точек с применением технологий машинного обучения позволило МТС на 15% сократить фонд рабочего времени и при этом повысить качество обслуживания за счет перераспределения ресурсов.

Управление работой салонов

? Мы уже несколько лет работаем преимущественно с Big Data для увеличения эффективности собственного ритейла. Анализ данных позволяет нам открывать салоны там, где находится больше абонентов, корректировать их расположение под максимальный трафик, а также управлять ассортиментом каждого салона с учетом потребностей жителей района. Всё это позволяет значительно увеличить эффективность работы каждой торговой точки.

Разработка новых предложений

Этим летом, используя аналитику больших данных, мы создали линейку тарифных планов «Включайся!» для нового поколения пользователей мобильной связи. Линейка построена на реальных интересах цифровых пользователей.

Виртуальный помощник

С 2014 года для жителей Москвы и Подмосковья работает виртуальный помощник Елена. Это робот, который может выслушать и ответить на вопрос, дать справку или выполнить несложную операцию, а также соединить с оператором для обработки сложного запроса или по требованию звонящего. Распознавая речь клиента, робот способен поддерживать диалог на 60 разных тем.

Aviasales тестирует алгоритм, который работает с большим массивом данных и отвечает на вопрос, когда выгоднее покупать билет. Мы можем с погрешностью в 5% сказать, сколько стоит билет в Таиланд, который вы купите в ноябре на новогодние каникулы. Этот алгоритм учитывает тарифы, время покупки, даты перелёта, позволяет улучшить систему рекомендаций и помочь пользователям с выбором.

С ростом торговой сети мы поняли, что количество однотипных, но важных операций неуклонно растет. Это сказывалось на загруженности горячей линии, увеличении времени обслуживания на кассе, постоянной потребности в новых сотрудниках. Компьютер выполняет рутинные операции быстро и без ошибок, снижая нагрузку на людей и уменьшая потребность в дополнительных сотрудниках.

Поэтому мы запустили собственного бота в Telegram. Бот Vkusvill позволяет искать ближайшие магазины, видеть остатки нужного продукта в конкретном магазине, узнавать о скидках и акциях, не носить с собой бонусную карту, проверять информацию об особенностях каждого продукта, видеть электронные чеки, информацию о производителях, менять «Любимый продукт» (ежедневный персональный абонемент со скидкой на один любой товар).

Разработка бота в Telegram в разы дешевле и быстрее, чем разработка мобильного приложения. В процессе от идеи до запуска нам понадобилось 190 тысяч рублей. На доработки спустя пару месяцев потратили примерно столько же.

Через бот покупатели могут связаться с сотрудниками «ВкусВилл». В месяц мы получаем около четырех тысяч обращений. Этот канал для сбора обратной связи за пару месяцев вышел на второе место по популярности и на первое — по качеству и полезности отзывов.

Мы постоянно совершенствуем бота. Возьмём, например, распознавание сообщений. Покупатель пишет команду, скажем, изменить любимый продукт — поставить скидку на молоко. Мы научили бота минимальным реакциям на сообщения покупателей, а далее каждую неделю получаем отчет по нераспознанным сообщениям и учим бота на основании этих сообщений распознавать более сложные команды.

Автоматизация рутинных процессов позволяет нам расти в два раза в год, не увеличивая при этом штат офисных сотрудников, что сказывается на эффективности компании. Параллельно работаем над рядом проектов, которые облегчат жизнь продавцов-консультантов в магазине, избавив их от физической работы.

Автоматизация работы колл-центра

« Сбербанк» совместно с МФТИ разрабатывает проект по использованию технологии искусственного интеллекта в колл-центре. Задача этого проекта, который называется «Нейроинтеллект iPavlov», — разработка алгоритмов глубинного машинного обучения для создания разговорного искусственного интеллекта с учётом архитектурных принципов работы мозга.

Как это должно работать: голос позвонившего клиента оцифровывается в текст в режиме реального времени, глубокие нейронные сети получают на вход вопрос и выдают автоматический ответ. Для этого надо обучить технологию ИИ на базе всей истории обращений клиентов в банк.

Многие автоматизаторы колл-центров и чат-боты — это фактически «умные» поисковики по базе, действующие по написанному дереву сценариев. Настоящий искусственный интеллект должен уметь понимать контекст общения, делать логические рассуждения и выводы, выдавать корректные, содержательные, правдивые и актуальные ответы на существенную часть обращений.

Если же вопрос слишком нетипичный, то он будет переадресован оператору. Эта технология снизит нагрузку на сотрудников и повысит качество работы с клиентами.

Борьба с мошенничеством

Внезапная резкая смена поведения клиента может быть признаком мошеннической операции. Факт такой смены определяется с помощью методов машинного обучения и технологий искусственного интеллекта. Но подозрительная транзакция может и не иметь отношения к мошенничеству. Поэтому требуются дополнительные проверки.

Более совершенный метод использования технологии искусственного интеллекта позволяет сузить область проверки, в том числе при помощи объединения разных источников данных.

Разработка персональных предложений

Также банк развивает проект по персонификации предложений клиентам. Технология даёт рекомендации по финансовым решениям на базе алгоритмов прогнозирования поведения, использующих данные о прошлых тратах и другие источники.

Система прогнозирует паттерны поведения клиентов, предугадывает те или иные их действия и может сгенерировать совет, который, например, поможет сэкономить деньги.

Минимизация рутинных процессов

Ещё одно важное направление в ИИ-технологиях — обучение с подкреплением (Reinforcement Learning). У электронных агентов нет предварительных знаний об окружающем мире, соответственно после обучения они вырабатывают оптимальные стратегии поведения исходя исключительно из получаемого опыта. Обучение с подкреплением может быть внедрено во все приложения, где есть обратная связь от клиента.

« Сбербанк» применяет машинное обучение и технологии искусственного интеллекта для того, чтобы дать возможность сотрудникам работать более эффективно. Система берёт на себя всю рутинную работу и тем самым предоставляет возможность сотрудникам сосредоточиться на решении более сложных, интеллектуальных задач, а также снизить человеческий фактор при принятии решений. ?

? Практически все сервисы «Яндекса», решающие задачи пользователей, используют технологии искусственного интеллекта. Это и нейронные сети, и градиентный бустинг. Мировой уровень качества этих технологий обеспечивается за счёт основной экспертизы, которая есть у «Яндекса», — создание поиска.

Именно для ранжирования результатов поиска ещё в прошлом десятилетии была разработана библиотека машинного обучения «Матрикснет». В июле 2017 года мы представили её новую версию под названием CatBoost.

CatBoost — это наследник метода машинного обучения «Матрикcнет», который применяется почти во всех сервисах «Яндекса». Как и его предшественник, CatBoost задействует механизм градиентного бустинга: он хорошо подходит для работы с разнородными данными.

Но если «Матрикснет» обучает модели на числовых данных, то CatBoost учитывает и нечисловые. Например, виды облаков или типы зданий. Раньше такие данные приходилось переводить на язык цифр, что могло изменить их суть и повлиять на точность работы модели.

Теперь их можно использовать в первоначальном виде. Благодаря этому CatBoost демонстрирует более высокое качество обучения, чем аналогичные методы для работы с разнородными данными. Его можно применять в самых разных областях — от банковской сферы до промышленности.

Yandex Data Factory планирует использовать CatBoost в своих коммерческих проектах. По результатам тестов новый алгоритм показывает повышение точности на реальных задачах.

Прогнозирование качества деталей

Один из таких примеров — прогнозирование качества стальных слябов при производстве. Задача заключается в том, чтобы по доступным измерениям предсказать вероятность того, что сляб содержит в себе дефекты. Точность решения этой задачи позволяет оптимизировать процесс производства: например, отправить дефектные слабы на производство более дешевой марки стали, сэкономив на дорогостоящей обработке, или вовремя провести дополнительную обработку для тех слябов, дефекты которых можно скорректировать.

Для управления этим процессом компании часто используют набор правил, но с помощью машинного обучения результат будет гораздо точнее. На данных одного из клиентов с помощью CatBoost мы получили прирост в точности выявления слябов с высокой дефектной массой на 9% по сравнению с «Матрикснетом».

Оптимизация настроек оборудования

Это задача для компании-производителя потребительских товаров. Для попадания в стандарты качества компании необходимо обеспечивать ряд характеристик готовой продукции, включая уровень влажности. С помощью машинного обучения мы выдаем рекомендации по оптимальным настройкам оборудования, чтобы попасть в необходимые лимиты.

Среди других проектов YDF: оптимизация расхода сырья в процессе плавки стали, оптимизация процессов бурения скважин при нефтедобыче, оптимизация работы газофракционирующей установки, оптимизация производства пищевой продукции.

В начале 2017 года специалисты «Фабрики данных» сосредоточились на проектах, связанных исключительно с промышленностью. Решение уже себя оправдывает — спрос на этом рынке очень большой. Yandex Data Factory выстраивает отношения с различными отраслями — от добычи полезных ископаемых до пищепрома — и адаптирует для них свои технологии.

Решение переключиться на индустрию промышленности в первую очередь связано с взрывным ростом спроса и. К примеру, по итогам 2016 года сумма подписанных Yandex Data Factory контрактов оказалась почти в три раза выше, чем в 2015 году.

? ABBYY Compreno понимает смысл и извлекает полезные данные из любого документа, даже написанного в свободной форме. Это могут быть договоры, уставы компаний, комментарии в соцсетях, новости, сообщения в электронной почте. Наша технология отсекает всё лишнее, находит в тексте важные факты и устанавливает связи между ними.

Поиск информации о юридических лицах

Один крупный банк использует ABBYY Compreno, чтобы быстро открывать счета юридическим лицам. Сегодня большинство банков России тратит на это восемь дней. Всё это время сотрудники вручную ищут, проверяют и вводят данные из пакета документов — устава, свидетельства о регистрации, договоров и лицензий.

ABBYY Compreno определяет типы всех документов, извлекает данные, сравнивает их и вносит в информационные системы, проверяет клиента по черным спискам. И делает это в десять раз быстрее.

Анализ обращений клиентов

Также Compreno помогает специалистам техподдержки быстро найти ответ на обращения клиентов. Технология анализирует смысл текста, а не отдельные слова. Поэтому она понимает вопросы об одном и том же, сформулированные по-разному. Например, о том, что интернет «не работает», «не ловит», «всё сломалось».

Кроме того, мы используем технологии искусственного интеллекта в решении ABBYY FlexiCapture. Это универсальная платформа для интеллектуальной обработки информации. Она определяет тип документа по внешнему виду и по смыслу текста, извлекает данные и отправляет их в информационные системы: договоры и — в CRM, счета-фактуры — в учетные системы, сметы — в управление закупками.

Данные сразу можно использовать в работе — это помогает компаниям мгновенно реагировать на рыночные изменения.

Онтологическое моделирование — один из подходов к созданию интеллектуальных систем. Онтологии знаний, или knowledge graphs — это схемы, описывающие совокупность данных о той или иной области и логические взаимосвязи между ними. С помощью таких схем система искусственного интеллекта изучает ту область, с которой ей предстоит работать. ?

Одна из предметных областей, для которой создаются онтологии, — моделирование данных компаний и построение на основе этих данных различных информационных систем.

Разработки ИТМО в области онтологического моделирования уже применяются в коммерческих организациях. Например, по заказу ИТ-компании DataFabric мы создали онтологию знаний, которая стала частью интеллектуальной системы компании и используется как платформа для создания конечных продуктов — онлайн-сервисов для предпринимателей.

Автоматизация контроля перевозок

Нашим первым коммерческим клиентом была логистическая компания, по заказу которой Akil.io использовался для решения задач интеграции различных потоков динамических данных в единую систему и автоматизации контроля передвижений грузов клиентов компании. После внедрения продукта компания сократила штат диспетчеров на 40%. ?

Оптимизация обработки информации

Также мы реализовали совместный проект с промышленным предприятием, которое перерабатывает природные ресурсы, — децентрализованную систему сбора и обработки данных, построенную с использованием микросервисной архитектуры без центрального хранилища.

Главный принцип работы системы заключается в прохождении данных по сети через серию динамических программно-управляемых обработчиков, что позволяет «на лету» менять конфигурацию сети, добавлять и изменять типы датчиков, с которых производится сбор данных, и изменять правила их передачи, обработки и хранения.

При увеличении нагрузки сеть можно расширить динамически в любой момент. Отказоустойчивость и надежность передачи данных может быть обеспечена введением некоторой избыточности инфраструктуры.

Закупка рекламы

С рекламным агентством мы запустили централизованную платформу закупки рекламы по различным рекламным моделям, которая, помимо основной функциональности (закупка рекламы в едином окне), обеспечивает анализ Party-Data и построение programmatic-матриц на их основе. ИИ-технологии здесь используются для анализа параметров и принятия решения о рекламе.

Анализ конкурентов

Для аналитической компании мы создали SaaS-сервис бизнес-разведки компаний-конкурентов, включающий в себя Big Data, Data Mining, Data Driven и Business Intelligence. Сервис производит сбор, очистку и обогащение данных, предоставляя клиенту комплексную информацию о компании-конкуренте.

Снижение погрешности датчиков

Компания-производитель инвентаря для фитнеса и здравоохранения заказала программное обеспечение для анализа данных с контрольно-измерительных приборов. Программа автоматически анализирует тренировку или реабилитационные мероприятия, выявляя ключевые события для последующего анализа.

Поступающие с датчиков сигналы очищаются, комбинируются, разбиваются на сегменты и далее сравниваются с эталонами по методу среднеквадратичного отклонения. Изначально алгоритм был исключительно математическим. В нынешней версии мы перешли на использование методов машинного обучения, чтобы быстрее добавлять новые эталоны в систему и повышать точность при последующем сравнении. В результате мы снизили погрешности позиционирования датчиков на 20%.

Мониторинг покупательской активности

Один из самых необычных кейсов в области применения нашего продукта — это система геолокации и позиционирования внутри помещений. Предназначена для внедрения в ритейл с целью мониторинга и прогнозирования покупательской активности.

Собранные данные можно просмотреть в веб-интерфейсе в одном из четырех представлений — все маршруты, распределение по времени, тепловая карта, отдельный маршрут. К полученным данным можно применять различные методы анализа, строить произвольные отчеты и графики, а также использовать предиктивные алгоритмы, например, для моделирования плана помещения с учетом движущихся потоков людей.

Мы оптимизируем операционную деятельность на производстве и в управлении качеством. На производстве мы переносим всевозможные инструкции в электронный вид. Экономия при переходе на нашу систему odgAssist зависит от отрасли. Например, в инженерной службе завода — одного из лидеров российского фармацевтического рынка — нам удалось повысить общую эффективность на 42%.

Контроль за качеством продукции внутри компании

В odgAssist сотрудники фиксируют исполнение операций, отклонения в процессах, коррекции, определяют критичность, проводят расследования, вносят корректирующие и предупреждающие действия. При этом все собранные данные анализируются автоматически.

Отслеживание качества от подрядчика до заказчика

Например, есть два подрядчика одной монополии: один производит оборудование, другой использует его в своих комплексах, устанавливает и обслуживает. odgAsisst помогает всем участникам процесса. Конечный заказчик получает объективное подтверждение того, что всё под контролем и исправно работает.

При этом система с помощью машинного зрения анализирует психо-эмоциональное состояние работника, производящего контроль. За счёт этого подрядчик, который устанавливает и обслуживает, более эффективно управляет персоналом, к тому же система помогает ему распределить работы между сотрудниками. Также технология собирает данные, которые затем может использовать третий подрядчик для улучшения своей продукции.

Контроль операций сотрудников

Проект использует обучаемый классификатор паттернов движения человека в пространстве на основе машины опорных векторов, что позволяет выявлять некорректное исполнение операций работником. Система автоматически сопоставляет результаты классификации с другими параметрами операции и выявляет причины несоответствий.