Многие компании сегодня говорят о внедрении искусственного интеллекта в бизнес-процессы. На практике поставить модель недостаточно: чтобы получить эффект, приходится трансформировать сам процесс, а иногда и логику взаимодействия человека и машины. Почему ИИ не всегда помогает автоматизации процессов и когда лучше обойтись без него?

Анализ процесса

Внедрение искусственного интеллекта в бизнес-процессы зачастую выглядит просто с точки зрения постановки задачи. Например, нужно автоматически распознавать документы. На первый взгляд кажется, что решение очевидно: достаточно выбрать подходящую модель, обучить ее и встроить в существующий процесс.

На практике такой подход редко дает максимальный эффект. Модель является лишь одним из элементов процесса. Если просто поставить ее на место человека, который раньше выполнял ту же работу, бизнес не получит полноценной трансформации, поскольку теряются значительные элементы процесса, которые неочевидны. Более того, новый процесс может оказаться дороже и сложнее прежнего, если его просто повторить.

Поэтому внедрение ИИ означает прежде всего трансформацию бизнес-процессов. Это требует совместной работы бизнеса, разработчиков, аналитиков и специалистов по данным. Помимо внедрения новой технологии необходимо проанализировать сам процесс и понять, что именно делает сотрудник, какие данные ему нужны и какие действия действительно можно передать машине, а главное, что ИИ получает на входе и на выходе.

Распознать документ еще не значит решить задачу

Распознавание документов существует давно. Но для бизнеса недостаточно получить текст с фотографии или скана. Нужно извлечь из него конкретные данные, проверить их, сопоставить с информацией в корпоративных системах и на основании результата принять решение.

Более того, распознавание даже простого документа вроде паспорта представляет собой каскад моделей, которые должны определить границы документа, классифицировать его, при необходимости повернуть изображение, найти нужные поля и распознать содержащуюся в них информацию.

Дальше задача усложняется. Документы могут быть нетиповыми, многостраничными и неструктурированными. В них могут встречаться таблицы, печати, подписи, рукописный текст. Одни и те же данные могут быть представлены в разных форматах или вообще отсутствовать.

Например, за последние десятилетия менялись формы свидетельства о регистрации транспортного средства. Менялась и структура содержащихся в нем данных. Для человека, который работает с такими документами каждый день, подобные изменения очевидны или незаметны. Для автоматизированной системы каждое изменение шаблона означает необходимость адаптации моделей, а иногда и процесса в целом.

Есть и менее очевидные проблемы. Марка одного и того же автомобиля может быть указана в документах разными способами, а написание в документе может не совпадать с тем, как эта информация хранится в корпоративном справочнике. Где-то поле может отсутствовать, где-то быть заполнено некорректно, а часть информации может оказаться закрыта или плохо читаема, и все эти задачи решаются как моделями, так и изменением процесса.

В итоге бизнесу нужена не просто технология оптического распознавания символов (OCR), а система, которая умеет работать с полученной информацией, включая не самые очевидные этапы. Именно поэтому внутренний сервис «Ингосстраха» IngoRead постепенно превратился из инструмента распознавания документов в более комплексное решение класса «Интеллектуальная обработка документов» (Intelligent Document Processing). Оно может не только извлекать информацию, но и выполнять дополнительные проверки.

Сегодня IngoRead распознает типовые документы и таблицы, извлекает сущности и структурирует данные, проверяет наличие подписей и печатей, распознает чек-боксы и почтовые идентификаторы, маскирует персональные данные, выявляет признаки подделки и сверяет информацию.

ИИ нужен не везде

При этом есть важный принцип, который легко потерять в стремлении внедрять искусственный интеллект: не всякую задачу нужно решать с помощью ИИ, а иногда и не самыми сложными моделями.

Если перед нами текстовый PDF-файл со строго структурированной информацией, в котором банковские реквизиты, ФИО или номера счетов всегда находятся в определенных местах, нет смысла использовать сложную модель. Достаточно алгоритма, который извлечет данные из заранее известных областей. Это будет дешевле, быстрее и в некоторых случаях даже надежнее.

ИИ имеет смысл там, где классические алгоритмы уже не справляются с вариативностью данных. Например, когда необходимо понять содержание неструктурированного документа, извлечь сущности из свободного текста или обработать информацию, представленную в нестандартном виде. Поэтому бизнесу важно грамотно сформулировать бизнес-требование и пересмотреть процесс: где-то в сторону упрощения, а где-то наоборот.

Хорошим примером такой трансформации служит автоматизация расторжения договора ОСАГО при продаже автомобиля. Первоначально схема выглядела достаточно прямолинейно: клиент передавал документ купли-продажи, IngoRead распознавал его, извлекал необходимые данные, после чего система сравнивала их с информацией в базе. Однако при более внимательном анализе выяснилось, что человек работает с таким документом иначе.

Сотрудник полностью не читает двухстраничный договор, не запоминает его содержание, а затем не вспоминает его несколько раз в поисках нужных данных. Он заранее знает, какую информацию ему необходимо проверить: например, ФИО продавца, дату рождения, марку и модель автомобиля. После этого сотрудник просто ищет нужные значения в документе.

Мы перестроили процесс по похожему принципу. Вместо того чтобы просить систему полностью «прочитать» документ, мы передаем ей изображение и перечень конкретных атрибутов, которые необходимо найти. Система извлекает именно их, а затем передает на сверку.

На первый взгляд изменение кажется небольшим, но оно существенно влияет на экономику процесса: сокращается объем вычислений и время обработки. Одновременно повышается точность: если отдельная буква распознана неидеально, поиск и сопоставление всего слова позволяют нивелировать часть подобных ошибок, как и если есть какие-то изменения в написании.

Это хороший пример того, почему внедрение ИИ нельзя сводить к разработке модели. Иногда лучший результат дает не более сложная модель, а правильно спроектированный процесс вокруг уже существующих технологий.

Где нужна большая языковая модель

Отдельного внимания заслуживает использование больших языковых моделей. Сегодня они нередко воспринимаются как универсальный инструмент, который можно встроить практически в любой процесс. Но и здесь принцип остается прежним: сложные модели должны применяться там, где они добавляют ценность.

В IngoRead большая языковая модель используется не во всех сценариях и не самых сложных. Одним из примеров служит обработка штампов в паспортах, из которых необходимо извлечь информацию о регионе и городе. При этом для нового образца штампа, где информация представлена в структурированном и печатном виде, использование большой языковой модели не требуется.

Это позволяет не использовать дорогостоящую технологию там, где с задачей не хуже справляется более простой алгоритм.

ИИ не самоцель

Наш опыт работы с распознаванием документов показывает, что основной вызов при внедрении ИИ находится не только в разработке моделей, но и в перестройке процессов.

Бизнесу важно ответить на несколько вопросов: что именно сейчас делает человек? Какие данные ему нужны для принятия решения, и все ли из этих данных действительно нужны? Где требуется машинное обучение? А где имеет смысл использовать большую языковую модель? Ответы на эти вопросы зачастую важнее выбора конкретной технологии.

Искусственный интеллект не является универсальной заменой всего. В некоторых задачах он действительно способен существенно изменить процесс, например, когда приходится работать с неструктурированной информацией, делать прогнозы или извлекать смысл из текста. Но там, где достаточно простого и надежного алгоритма, использование ИИ может оказаться неоправданным.

Успешное внедрение искусственного интеллекта определяется не количеством моделей, а тем, насколько эффективно они работают в бизнес-процессах. Модель является лишь одним из элементов системы, а не «серебряной пулей». Настоящая ценность появляется тогда, когда меняется сам процесс в симбиозе бизнеса и Data Science (науки о данных).