Без утечек: как применять искусственный интеллект в бизнесе, не рискуя персональными данными
Большие корпорации и госсектор крайне заинтересованы в ускорении и оптимизации процессов: по статистике, в России не хватает квалифицированных и рабочих кадров. Один из путей решения этой задачи — автоматизация процессов с использованием искусственного интеллекта. Как наиболее эффективно использовать сильные стороны ИИ, не опасаясь утечек чувствительной информации?
Большая часть IT-новостей посвящена сегодня искусственному интеллекту, однако реальных примеров использования его возможностей в бизнесе все еще крайне мало. Генерация текстов и изображений (например, нейросеть «Шедеврум» от «Яндекса») — такова сейчас основная сфера применения возможностей искусственного интеллекта.
Да, плюсы ИИ по сравнению с классической разработкой очевидны: это и скорость внедрения, и обучаемость, и охват решаемых задач. Так, если у компании накоплен багаж данных по какому-либо процессу или документации, гораздо быстрее обучить нейросеть, нежели писать алгоритмы руками. При этом ИИ можно дообучать и совершенствовать — это и определенный вызов, и крайне интересная задача.
Последние 15 лет наша группа компаний Extyl занимается заказной разработкой, в основном порталов и платформ, и тема искусственного интеллекта не обошла нас стороной.
Наиболее хорошо ИИ себя показывает, на наш взгляд, в двух процессах: категоризация и суммаризация. Категоризация — способность определить принадлежность события или процесса к той или иной группе и, как следствие, помочь принять правильное решение. Суммаризация дает возможность проанализировать большой объем информации и получить короткий, емкий и точный ответ. Суммаризация нужна, когда необходимо быстро получить точный и четкий ответ, не роясь в сотнях страниц документации, регламентов и нормативных документах компании.
Поясню на примере. ITSM-системы, то есть любого рода техническая поддержка и консультация, — это и есть пример применения категоризации. ИИ способен работать на две параллельные задачи: задавать наводящие вопросы, используя накопленные знания, причем делать это почти мгновенно, не дожидаясь живого оператора. А также определять тип задачи, мгновенно направляя клиента в нужный отдел или конкретному сотруднику.
Однако при любом подобном применении возникает проблема: можно ли доверять облаку и внешним сервисам личные финансовые данные, секретную информацию компании, персональные данные сотрудников? Ведь именно это по сути и происходит при использовании ChatGPT.
Однако ни одна компания не отдаст свои данные вовне. И юридически, и как угодно — нет. И более того, весь финтех-сектор вообще работает в закрытом контуре, что корректно и правильно с точки зрения информационной безопасности.
Это была первая и наиболее важная проблема, с которой мы столкнулись, когда открывали у себя Лабораторию ИИ. Решение оказалось непростым, но рабочим: мы смогли интегрировать самообучающуюся систему внутрь закрытого контура без связи с интернетом, что позволяет доверять такому ИИ любого рода приватные данные.
Как это стало возможным?
Мы начали с наиболее простой задачи: скоринг данных на примере входящих заявок от клиентов на наши услуги. Разметили «плохие» и «хорошие» заявки, научили нейросеть и в итоге получили порядка 90% точности распознавания целевой заявки.
«Если со стороны техотдела сроки разработки были оценены в 1–1,5 месяца, то нейросеть была установлена за три дня, и еще неделя ушла на разметку и обучение данным»
У нас относительно немного входящих заявок, но для компаний, где подобный трафик большой и исчисляется тысячами обращений, подобное решение ускорит процессы в десятки раз!
Далее мы усложнили задачу: заставили ИИ анализировать качество техзаданий (постановок задач на разработку). И здесь уже были удивлены наши архитекторы: несмотря на качественные постановки, нейросеть смогла найти немало упущенных деталей. По примерной оценке программистов, это помогло сэкономить порядка 5–10% бюджета на доработки и отладку.
Затем мы добрались до нормативно-справочной документации. У нас есть свои регламенты, документы и прочие материалы, и задача ИИ состояла в том, чтобы отвечать на любые поставленные человеком вопросы по этим документам связно и понятно. Опять же, для компаний с огромной документацией подобное решение будет экономить время сотрудников каждый день.
И последняя из наших текущих задач: анализ договоров. Во многих компаниях согласование договора и различных приложений является долгим и трудоемким процессом, нередко интересы юристов отделены от бизнеса. ИИ мгновенно выделяет наиболее критичные для бизнеса пункты, не распыляясь на формальности типа формулировок, синонимов и прочего.
«Самое главное в этих разработках — закрытый контур, то есть хранение всех данных внутри компании, без связи с внешним миром, что позволяет доверять ИИ и персональные данные, и коммерческие тайны, и финансовую информацию»
Таким образом подобная архитектура — в закрытом контуре — позволит любой компании создать и подогнать под себя нейросеть, существенно повысив собственную эффективность. В наше время нехватки кадров это невероятно актуально.
Этот материал опубликован на платформе бизнес-сообщества Forbes Экспертиза
Большая часть IT-новостей посвящена сегодня искусственному интеллекту, однако реальных примеров использования его возможностей в бизнесе все еще крайне мало. Генерация текстов и изображений (например, нейросеть «Шедеврум» от «Яндекса») — такова сейчас основная сфера применения возможностей искусственного интеллекта.
Да, плюсы ИИ по сравнению с классической разработкой очевидны: это и скорость внедрения, и обучаемость, и охват решаемых задач. Так, если у компании накоплен багаж данных по какому-либо процессу или документации, гораздо быстрее обучить нейросеть, нежели писать алгоритмы руками. При этом ИИ можно дообучать и совершенствовать — это и определенный вызов, и крайне интересная задача.
Последние 15 лет наша группа компаний Extyl занимается заказной разработкой, в основном порталов и платформ, и тема искусственного интеллекта не обошла нас стороной.
Наиболее хорошо ИИ себя показывает, на наш взгляд, в двух процессах: категоризация и суммаризация. Категоризация — способность определить принадлежность события или процесса к той или иной группе и, как следствие, помочь принять правильное решение. Суммаризация дает возможность проанализировать большой объем информации и получить короткий, емкий и точный ответ. Суммаризация нужна, когда необходимо быстро получить точный и четкий ответ, не роясь в сотнях страниц документации, регламентов и нормативных документах компании.
Поясню на примере. ITSM-системы, то есть любого рода техническая поддержка и консультация, — это и есть пример применения категоризации. ИИ способен работать на две параллельные задачи: задавать наводящие вопросы, используя накопленные знания, причем делать это почти мгновенно, не дожидаясь живого оператора. А также определять тип задачи, мгновенно направляя клиента в нужный отдел или конкретному сотруднику.
Однако при любом подобном применении возникает проблема: можно ли доверять облаку и внешним сервисам личные финансовые данные, секретную информацию компании, персональные данные сотрудников? Ведь именно это по сути и происходит при использовании ChatGPT.
Однако ни одна компания не отдаст свои данные вовне. И юридически, и как угодно — нет. И более того, весь финтех-сектор вообще работает в закрытом контуре, что корректно и правильно с точки зрения информационной безопасности.
Это была первая и наиболее важная проблема, с которой мы столкнулись, когда открывали у себя Лабораторию ИИ. Решение оказалось непростым, но рабочим: мы смогли интегрировать самообучающуюся систему внутрь закрытого контура без связи с интернетом, что позволяет доверять такому ИИ любого рода приватные данные.
Как это стало возможным?
Безопасность и экономия: как помочь нейросети работать на ваш бизнес
Мы начали с наиболее простой задачи: скоринг данных на примере входящих заявок от клиентов на наши услуги. Разметили «плохие» и «хорошие» заявки, научили нейросеть и в итоге получили порядка 90% точности распознавания целевой заявки.
«Если со стороны техотдела сроки разработки были оценены в 1–1,5 месяца, то нейросеть была установлена за три дня, и еще неделя ушла на разметку и обучение данным»
У нас относительно немного входящих заявок, но для компаний, где подобный трафик большой и исчисляется тысячами обращений, подобное решение ускорит процессы в десятки раз!
Далее мы усложнили задачу: заставили ИИ анализировать качество техзаданий (постановок задач на разработку). И здесь уже были удивлены наши архитекторы: несмотря на качественные постановки, нейросеть смогла найти немало упущенных деталей. По примерной оценке программистов, это помогло сэкономить порядка 5–10% бюджета на доработки и отладку.
Затем мы добрались до нормативно-справочной документации. У нас есть свои регламенты, документы и прочие материалы, и задача ИИ состояла в том, чтобы отвечать на любые поставленные человеком вопросы по этим документам связно и понятно. Опять же, для компаний с огромной документацией подобное решение будет экономить время сотрудников каждый день.
И последняя из наших текущих задач: анализ договоров. Во многих компаниях согласование договора и различных приложений является долгим и трудоемким процессом, нередко интересы юристов отделены от бизнеса. ИИ мгновенно выделяет наиболее критичные для бизнеса пункты, не распыляясь на формальности типа формулировок, синонимов и прочего.
«Самое главное в этих разработках — закрытый контур, то есть хранение всех данных внутри компании, без связи с внешним миром, что позволяет доверять ИИ и персональные данные, и коммерческие тайны, и финансовую информацию»
Таким образом подобная архитектура — в закрытом контуре — позволит любой компании создать и подогнать под себя нейросеть, существенно повысив собственную эффективность. В наше время нехватки кадров это невероятно актуально.
