Искусственный интеллект в бизнес-процессах

Размещено на http://www.allbest.ru/

Содержание

Введение

1. Теоретическая часть

1.1 Определение искусственного интеллекта

1.2 Классификация искусственного интеллекта

1.3 Исследование ограничений и социальных проблем, связанных с применением искусственного интеллекта

1.4 Искусственный интеллект в окружении бизнес-процесса: механизм осуществления или управляющее воздействие

1.5 Влияние искусственного интеллекта на реинжиниринг бизнес-процессов

1.6 Риски внедрения искусственного интеллекта

1.7 Исследование и анализ российского и мирового рынка искусственного интеллекта

1.8 Учет экономических факторов при оценке экономической целесообразности применения ИИ в бизнес-процессах

2. Практическая часть

2.1 Разработка информационной базы для разрабатываемой методики

2.2 Методика анализа и оценки возможности применения искусственного интеллекта при автоматизации бизнес-процессов организации

2.3 Пример анализа бизнес-процесса на возможность применения искусственного интеллекта

2.4 Попытка реализации алгоритма программного обеспечения на основании разработанной методики

Заключение

Список использованных источников



Введение

искусственный интеллект бизнес процесс

Одним из ключевых факторов развития мировой экономики в 21-ом веке является переход от традиционной вертикальной формы управления организациями к концепции процессного управления BPM (англ. Business Process Management, управление бизнес-процессами), рассматривающая бизнес-процессы, как основные ресурсы предприятия, грамотное использование которых приводит к повышению производительности труда.

Сегодня помимо устоявшихся факторов успешного управления бизнес-процессами, таких как, выстраивание процессной архитектуры, определение ключевых бизнес-процессов и KPI (англ. Key Performance Indicator, ключевой показатель эффективности), назначение владельцев процессов и распределение зон ответственности, одним из ключевых факторов становится степень автоматизации процессов. Вместе со стремительным развитием информационных технологий, в частности искусственного интеллекта (в дальнейшем - ИИ), у владельцев процессов всё чаще возникают желания:

· Минимизировать вовлеченность человеческих ресурсов в функционирование бизнес-процесса;

· Автоматизировать определение сценариев бизнес-процесса, которые должны запускаться после наступления определенных событий, при этом учитывая состояние внутренней и внешних систем, людей, ограничений различного типа;

· Осуществить реинжиниринг бизнес-процессов с помощью применения передовых технологий;

Массовое применение технологий ИИ в деятельности организаций может вызвать ряд серьезных последствий в мире: резкий рост производительности труда, повышение эффективности функционирования экономики, изменение структуры рынка труда, радикальное переосмысление общественных норм и устоев и др.

Появляющиеся потребности организаций и стремительное развитие информационных технологий, в частности ИИ, последствия применения которого способны изменить основные подсистемы мировой экономики и вызвать переосмысление устоявшихся социальных норм, является причиной выбора данной темы в рамках написания магистерской диссертации.

Степень научной проработанности темы исследования мала: учебная литература описывает только определенные технологии ИИ; немногочисленные научные статьи доступны в большинстве своем на зарубежных источниках; описание практического опыта применения ИИ в бизнес-процессы различных компаний приведено частично.

В процессе написания работы были изучены труды отечественных и зарубежных авторов касательно реинжиниринга и автоматизации бизнес-процессов с помощью применения технологий ИИ. Идей по разработке и применению определенной методики, которая позволила бы оценить возможность и целесообразность использования ИИ в бизнес-процессах не обнаружено. Среди множества трудов отечественных авторов превалируют вопросы, связанные с прикладным применением ИИ, а также с описанием процессов, которые могут быть автоматизированы различными решения информационных технологий (среди которых доля ИИ минимальна). Тем не менее, необходимо выделить автора статьи “Время машин: как бизнесу сделать шаг навстречу искусственному интеллекту” Владимира Макеева, опубликованной в журнале Forbes, в которой он делится опытом по внедрению ИИ в деятельность организаций. Среди зарубежных возможно выделить исследования Э. Бринолфссона, Т. Митчела и Д. Сильвера, которые в основном касались экономического влияния информационных технологий на производительность на всех уровнях микро- и макроэкономики. Кроме того, указанные авторы занимались исследования в области машинного обучения, что является одной из технологий нашего объекта исследования, - в статье, опубликованной на одном из научных журналов [24], они привели список критериев, позволяющих определить пригодность задач для внедрения данной технологий, что послужило основой для разработки определенных этапов методики в данной работе. Кроме того, были рассмотрены вопросы про нематериальные активы, роль ИТ-сотрудников, значимость повышения производительности труда, переход на цифровые товары через реинжиниринг бизнес-процессов. Таким образом, по итогам изучения литературы можно сделать вывод о том, что подобная методика будет разрабатываться впервые.

Цель работы - разработать методику, которая позволила бы оценить возможность совершенствования некоторого бизнес-процесса путем применения технологий искусственного интеллекта (ИИ).

Гипотеза исследования: предполагается существование методов, позволяющих оценить возможность и целесообразность применения искусственного интеллекта в исследуемом бизнес-процессе.

Задачи исследования:

· Проанализировать понятие ИИ, способы классификации и применения ИИ в бизнес-процессах;

· Рассмотреть возможные подходы к реинжинирингу бизнес-процессов (BPR англ. Business Process Reengineering) c учетом применения ИИ;

· Определить социальные проблемы, ограничения и риски, связанные с внедрением ИИ;

· На основе изученных теоретических аспектов определить возможность достижения цели работы: разработать методику или доказать отсутствие возможности её разработки.

Объектом исследования работы является искусственный интеллект.

Предметом исследования работы является применение искусственного интеллекта в бизнес-процессах.

При написании ВКР были применены такие методы научного исследования, как системный анализ, обобщение, индукция, формализация и сравнение.

Структура работы состоит из содержания, введения, основной части, состоящей из двух разделов и включающей 12 глав, заключения, списка используемых источников.

Соответственно структура работы определена так, чтобы последовательно решать указанные выше задачи.

Научная новизна исследования заключается в разработке методики, позволяющей оценить возможность и целесообразность применения искусственного интеллекта в некотором бизнес-процессе: определены основные этапы, с рекомендациями по использованию определенных алгоритмов, способов и средств, последовательное выполнение которых способствует достижению поставленной цели.

Практическая значимость исследования заключается в том, что разработанная методика может использоваться бизнес-организациями различных организационно-правовых форм, где выдвигаются задачи внедрения искусственного интеллекта в бизнес-процессы.



1. Теоретическая часть

1.1 Определение искусственного интеллекта

Интеллект - качество психики, которое характеризуется способностями приспосабливаться к различным ситуациям, способностью к обучению, запоминанию информации и данных на основе опыта, а также пониманию и применению абстрактных концепций. Это обусловлено тем, что в дальнейшем полученные и усвоенные знания используются в целях управления окружающей средой. Также интеллект рассматривается в качестве способности к познаванию и решению трудностей, объединяющая все познавательные способности человека.

В 80-е гг. ХХ века ученые Барр и Файгенбаум предложили определение для искусственный интеллекта. Искусственный интеллект - область информатики, разрабатывающая интеллектуальные компьютерные систем. Данные системы выделены в отдельную категорию в связи с тем, что они могут обладать возможностями, которые относятся к способностям человеческого разума, - распознавание речи и иностранного языка, обучение и рассуждения и т. д. [12]

В настоящее время к ИИ относят определенные программные системы и алгоритмы, которые обладают наличием возможности решения каких-либо задач, на подобие человека.

В связи с постоянно продолжающейся эволюцией термина и определения ИИ необходимо упомянуть о эффекте ИИ. Под эффектом ИИ понимают такое состояние, при котором эксперты и специалисты девальвируют значимость навыков ИИ каждый раз в тот момент, когда достигается новый уровень результата, который в рамках предыдущей парадигмы был не доступен.

Рассмотрим области применения ИИ. Системы ИИ - такие устройства и/или программы, имеющие такие характеристики и параметры, которые в обычной жизни свойственны человеческому интеллектуальному поведению.

Программные системы, созданные для работы в соответствии с алгоритмами, для которых в настоящий момент не существует или не определена формальная модель решения, понимают в качестве эвристических, и также относят к ИИ. Задачи ИИ - перечень задач, в которых формализуется процесс поиска решения. Наиболее широко такие системы применяются для решения следующих проблем:

- распознавание образов;

- моделирование рассуждений;

- создание и работа в системах символьных вычислений;

- создание и работа в системах с нечеткой логикой;

- когнитивная психология;

- понимание естественного языка;

- создание экспертных систем;

- компьютерная лингвистика;

- автоматизация процессов ведения различных словарных и лексических карточек;

- планирование поведения (поиск и предложение наиболее оптимального пути для достижения поставленной цели, исходя из данной ситуации);

- машинный перевод;

- создание и управление интеллектуальными роботами и группами мобильных роботов [29].

Решение задач посредством ИИ - постановка, анализ и представление конкретных ситуаций, при разработке и реализации решения которых необходимы изобретательность, способность познавать, обобщать, делать выводы. Компьютерные технологии обычно используют для реализации сверхсложных интеллектуальных процессов поиска решения, в таких случаях, когда итоговый результат является непредсказуемым или окончанием ряда логических заключений и выводов.

Для всех указанных целей используется машинный интеллект и машинное обучение.

Машинный интеллект - совокупность аппаратных и программных средств ЭВМ, с помощью которого обеспечивается такое общение человека с машиной (интерфейс), которое по своему уровню приближается к общению между собой специалистов, решающих совместную задачу.

Машинное обучение - совокупность таких методов и технологий ИИ, для которых характерны не решение задачи, а обучение применению решений для определенных схожих задач.

1.2 Классификация искусственного интеллекта

Классификация систем ИИ является достаточно давним вопросом в изучении технологи ИИ. Рассмотрим классическую классификацию. Первая классификация систем ИИ по:

· структурированности решаемых вопросов/задач/проблем;

· автоматизируемым функциям;

· автоматизации выполняемых функций;

· сфере использования;

· характеру использования информации по уровням направления.

Также принята иная классификация, которая среди систем ИИ выделяет:

· обладающие интеллектуальными интерфейсами и обратной связью;

· автоматизированные в целях распознавания объектов;

· нейронные сети;

· экспертные системы;

· автоматизированные системы управления (АСУ) поддержки принятия решений;

· когнитивное моделирование;

· установление эмпирических данных и их интеллектуальный анализ.

Существует классификация по приобретению способности мыслить и осознавать себя: сильный и слабый ИИ.

Стоит отметить, что каждый исследующий ИИ автор исходит из прикладного характера ИИ в какой-либо науке. Рассмотрим используемые подходы.

Символьный подход (позволяет оперировать слабоформализованными представлениями и их смыслами). Ключевая особенность символьных вычислений - создание новых правил в процессе выполнения программы [18].

Логический подход (основывается на моделировании рассуждений и логике). Логический подход может быть проиллюстрирован применением для этих целей языка и системы логического программирования [18].

Агентно-ориентированный подход (основан на применении интеллектуальных агентов. Интеллект рассматривается в качестве вычислительной части машины и способности выполнять поставленные перед ней цели. Такая машина - это интеллектуальный агент, который измеряет и анализирует окружающую среду посредством датчиков. Кроме того, она имеет возможность оказывать воздействие на объекты посредством исполнительных механизмов [18].

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задач. В таких подходах гораздо тщательнее изучаются алгоритмы поиска пути и принятия решений [18].

Гибридный подход (предполагает синергетическую комбинацию нейронных и символьных моделей).

Интеллектуальная информационная система (ИИС, основана на концепции применения баз данных и накопленных знаний в целях генерации алгоритмов решения различных прикладных задач в зависимости от определенных потребностей [18]. Для ИИС характерны:

· коммуникативные способности;

· способность находить решения плохо формализуемых задач, а также к самообучению по итогам выдачи решения;

· адаптивность.

Методы построения систем искусственного интеллекта

Для понимания процесс построения системы ИИ, отметим, что в ходе развития естественного интеллекта проходят похожие стадии.

Создание функций естественного интеллекта в контексте его взаимодействия с аналогичными системами и окружающей средой, вследствие чего происходит преобразование системы потенциального естественного интеллекта в реальный.

Учитывая изложенное, разработка системы ИИ осуществляется в три этапа:

1. создание системы ИИ на базе ПК;

2. разработка ПО и программной оболочки;

3. процесс обучения системы потенциального ИИ и перевод ее в систему реального ИИ.

1.3 Исследование ограничений и социальных проблем, связанных с применением искусственного интеллекта

Одним из основных ограничений ИИ является стоимость. Создание интеллектуальных технологий может быть дорогостоящим из-за их сложного характера и необходимости ремонта и текущего обслуживания.

Программные программы нуждаются в регулярной модернизации, чтобы адаптироваться к изменяющейся бизнес-среде, а в случае сбоя - риск потери кода или важных данных. Восстановление этого часто требует больших затрат времени и затрат.

Обозначим возможные ограничения внедрения ИИ в бизнес-процессы:

1. Этические стороны предметной области. Множестве сфер бизнеса занимается разработкой уникального продукта, для разработки которого привлекаются высокоспециализированные сотрудники. Например, задача приготовления заказа в кафе быстрого питания может быть передана машине. А приготовлением изысканных блюд в ресторане должен заниматься исключительно персонал. Это не означает, что машина сделает продукт менее качественным. Проблема глубже - повышаются риски потери лояльности клиентов;

2. Правовая документация, регулирующая деятельность предприятий в рамках её предметной области. В процессе оценки возможности применения ИИ в БП необходимо собрать всю документацию, регламентирующую деятельность предприятия в конкретной предметной области. Например, если взять мед. учреждения, то различные медицинские стандарты могут запретить автоматизацию заполнения медицинских протоколов пациентов. Или, нельзя отдать машине задачу формирования лекарственного рецепта пациенту несмотря на то, что все необходимые для этого данные могут быть в системе, так как существуют правовые ограничения;

3. Масштаб последствий ошибок, допущенных ИИ. При огромных масштабах деятельности как правило назначается ответственное лицо. Если ошибка ИИ приведёт к гибели людей, кого сделать виновным? Как вариант - обслуживающий персонал, но вопрос корректности такого утверждения вызывает множество сомнений. В общем случае всегда необходимо производить оценку рисков ошибки в выходных данных процесса;

4. Время реализации, которые часто является длительным;

5. Проблема интеграции и непонимание современных систем;

6. Удобство использования и совместимость с другими системами и платформами.

При принятии решения о внедрении ИИ необходимо также учитывать:

· конфиденциальность клиентов;

· потенциальное отсутствие прозрачности;

· технологическую сложность;

· потерю контроля над вашими бизнес-решениями и стратегией;

· ИИ и этические проблемы.

Рассмотрим также потенциальные социальные проблемы, которые вероятно могут возникнуть при внедрении ИИ. Следует отметить, что в настоящей ВКР приведен лишь частичный перечень основных проблем:

· Этическая проблема нейросети. Незаполненная компьютерная познавательная нейросеть может использоваться как полигон для экспериментов с ИИ. Нагружая одну и ту же сеть разными знаниями, можно изучить законы познавательной деятельности человека, точнее, обнаружить связь между обучением, творчеством и структурой нейронной сети. При этом без экспериментов над ИИ, нет никакой возможности раскрыть его потолок возможностей и потенциал [24].

· Проблема безопасности. Айзек Азимов имеет наиболее проработанное освещение данного вопроса и решение проблемы безопасности - трех законах роботехники. Законы, при их полном соблюдении, должны обеспечить безопасность человечества [33].

· Проблема сверхинтеллекта и взаимоотношений человечества - может ли человечество использовать познавательные модели сверхинтеллекта ИИ для расширения своего сознания. Машинный ИИ, основой которого является выстроенная система наполняемых знаний ограничена и не станет сверхинтеллектом, а также маловероятно, что сможет обладать творческим потенциалом [33].

· Глобальная информатизация, всемирная сеть интернет и ИИ. Появление и начало развития поисковых информационных систем, создающих знания, программ-агентов - начало моделирования способности обучения в информационных системах. Если несколько лет назад можно было предположить появление единичного, экспериментального компьютерного интеллекта в научной лаборатории, то сейчас, с развитием Интернета, появилась возможность его появления в этой сети [33]:

o Интернет уже сам по себе является интеллектуальной, биотехнической системой высокого порядка, автономный интеллект уровня человека по отношению к нему является системой иерархически низшего уровня [33].

o Интернет -- материальная база такого объёма, который недоступен ни одной отдельно взятой, изолированной, пусть даже самой обеспеченной лаборатории мира.

o Компьютерные гены могут появиться в Интернете несанкционированно так же, как и компьютерные вирусы.

Отдельно стоит рассмотреть этнические проблемы. К ним относятся:

· потенциал технологий автоматизации может привести к потере рабочих мест;

· необходимость перераспределять или переучивать сотрудников, чтобы сохранить их на рабочих местах;

· справедливое распределение богатства, создаваемого машинами;

· влияние взаимодействия машины на поведение и внимание человека;

· необходимость устранения предвзятости в ИИ, созданной людьми

· безопасность систем ИИ (например, автономное оружие), которые могут потенциально нанести ущерб;

· необходимость смягчения непреднамеренных последствий, поскольку умные машины, как полагают, учатся и развиваются независимо;

Указанные выше этические проблемы также можно назвать рисками. Подробнее про риски описано в пункте 1.6. настоящей работы.

Рассмотренные в первом разделе технические аспекты и приведенные успехи современной практики использования интеллектуальных систем показывают, что, хотя создание ИИ в настоящее время технически не осуществимо, но проработаны отдельные его части, осуществляется интеграция сложных рецепторных систем и систем принятия решений, а кибернетика приближает функционирование таких сложных систем к работе человеческого мозга. «Органы чувств» современных ИИ намного более точны и разнообразны, нежели человеческие, для него мир имеет больше красок [8].

Все обозначенные проблемы нельзя игнорировать, стоит иметь в виду, что достижения в области ИИ могут - по большей части - создавать лучший бизнес и улучшать жизнь для всех. Если он будет реализован ответственно, ИИ обладает огромным и полезным потенциалом

1.4 Искусственный интеллект в окружении бизнес-процесса: механизм осуществления или управляющее воздействие

Бизнес-процесс может быть представлен в виде совокупности функций (f1-fn). Каждая функция получает определенные данные на входе, которые она преобразует под управляющим воздействием, с помощью определенного механизма осуществления. Преобразованные данные являются исходными данными для входов других функций в рамках бизнес-процесса.

Важным представляется определить ответ на следующий вопрос: ИИ при моделировании и реинжиниринге бизнес-процессов выступает в качестве механизма осуществления или управляющего воздействия?

Рассмотрим с точки зрения нотации IDEF0 ИИ в качестве управляющего воздействия на процесс.

Предписывающая (управляющая) информация - сведения о том, как и при каких условиях и по каким правилам следует преобразовать объект (поток) на входе в объект (поток) на выходе блока. Содержится в технологических (в широком смысле) инструкциях, руководствах, документах, определяющих «настройки» и характеристики блока [11].

Управление - особый вид процесса, операции, действия. Один из общих принципов методологии IDEF0 требует, чтобы к каждому блоку на диаграмме должна быть присоединена хотя бы одна управляющая стрелка, отображающая условия правильного функционирования блока. Это требование есть следствие положения системотехники, согласно которому управление есть такое воздействие (преимущественно информационное) на систему, которое стимулирует ее функционирование в направлении достижения некоторой цели. В связи с этим можно сформулировать ряд определений и методических положений, которыми следует руководствоваться при отражении управлений на функциональных моделях [11].

Управление деятельностью - процесс, состоящий, из операций:

- формулирование целей;

- оценивание необходимых ресурсов и сопоставление с имеющимися;

- сбор информации об условиях протекания и фактическом состоянии деятельности;

- выработка и принятие решений, в том числе решений о распределении ресурсов по процессам;

- оформление решений в виде директив;

- реализация решений и оценка их результатов;

- корректировка ранее сформулированных целей (в случае выявленной потребности) [11].

Именно решения и их реализация - основная часть мотивирующего воздействия на систему. В свою очередь управление процессом - операция, состоящая из следующих [11]:

- анализ директивы на управление процессом, ее декомпозиция на директивы управления операциями;

- сбор информации о ходе выполнения операций, ее обобщение и формирование сведений о состоянии процесса;

- передача данных в подсистему управления деятельностью;

- сопоставление информации о ходе операций с данными директив и выработка локальных решений, направленных на устранение отклонений;

- корректировка директив на выполнение операций [11].

Таким образом, ИИ и технологии на его основании не могут быть рассмотрены в разрезе IDEF0 в качестве управляющего воздействия. При этом вполне возможен вариант использования в качестве механизма осуществления.

В соответствии с методологией IDEF0 каждая функция выполняется посредством механизма. В большинстве систем, анализируемых при помощи функциональных моделей такими механизмами, служат организационно-технические структуры. Вместе с тем анализ показывает, что между иерархией функций и иерархией механизмов существует соответствие, иллюстрируемое рисунке 1 ниже [11].

Рисунок 1 Соответствие иерархия функций и механизмов

Используя приведенные выше понятия системного анализа, определим элементы иерархии механизмов следующим образом. Организационно-техническая система - организационная структура, персонал и комплекс технических средств, необходимые для осуществления деятельности. Организационно-техническая подсистема - часть организационно-технической системы, обеспечивающая протекание процесса. Организационно-технический модуль - часть организационно-технической подсистемы, предназначенная для выполнения операции. Организационно-технический блок - часть организационно-технического комплекса, обеспечивающая выполнение действия [10].

Таким образом, при корректном построении модели появляется возможность связать ее блоки на разных уровнях декомпозиции с объектами организационно-технической структуры, выступающими в качестве механизмов. В этом случае, и это методически крайне важно, организационно-техническая структура становится результатом функционального моделирования.

Во многих моделях находит или должно находить отражение явление, состоящее в формировании или специфической настройке механизмов в ходе деятельности. Это явление часто именуется реинжинирингом производства и/или бизнес-процессов в компании. Каким образом для него возможно использование ИИ будет рассмотрено в разрабатываемой методике.

1.5 Влияние искусственного интеллекта на реинжиниринг бизнес-процессов

Внедрение ИИ может требовать существенного изменения бизнес-процессов, а появляющиеся решения на ИИ могут инициировать создание новых бизнес-процессов, открывающих новые возможности бизнесу: приток клиентов, повышение прибыли, усиление лояльности и др. Главный секрет успеха - изменение роли сотрудников в организациях. Нельзя просто внедрить технологию, не поменяв ничего в бизнес-процессе, и ожидать значительных результатов. Подробнее про то, как ИИ может инициировать новые процессы, описано в п. 2.3. настоящей работы.

Основное преимущество ИИ - не в способности сокращать расходы, хотя это тоже важно. ИИ обладает возможностью предотвращать катастрофические события. Если на сборочной линии выйдет из строя какая-то деталь, встанет вся фабрика. Если сломается что-то в автомобиле, может произойти авария. Если скакнет давление, может случиться сердечный приступ. Представители ИТ-индустрии считают, что практически не существует проблем, в решении которых не мог бы помочь ИИ и машинное обучение:

1. ИИ изменит ландшафт рабочей индустрии. Один из верных путей ИИ - трансформация бизнеса через автоматизацию. Производственные крупномасштабные предприятия будут использовать ИИ для замены человеческого труда, поскольку он дешевле, точен, производительнее и менее подвержен ошибкам. Другие сектора бизнеса, которые сильно модифицируются в связи с внедрением ИИ, -- это административные функции, такие как администраторы и помощники, а также обслуживание клиентов. Отвечая на призывы к повседневному учету, платформы ИИ будут обрабатывать то же самое гораздо лучше, экономя много денег для компаний и повышая эффективность.

2. Рост мобильности предприятий. Мобильность предприятий -- это будущее бизнеса с ИИ, поскольку рабочая модель центрального офиса постепенно переходит модель работы из дома или других удалённых мест. С развитием ИИ решений, работодатели смогут предоставить сотрудникам возможность работать в любом месте. Превосходная мобильность предприятий позволит сотрудникам контролировать свои графики и среду окружения, прокладывая путь для повышения эффективности и производительности. ИИ также позволит таким сотрудникам приобретать новые навыки и улучшать их портфолио, чтобы стать более компетентными в гораздо более легкой форме, поскольку им не нужно физически присутствовать на программах повышения квалификации и другого обучения.

3. Повышенная эффективность и более высокая точность при более низких затратах. С появлением превосходного ИИ, минимальная погрешность и ошибки, которые вызывают дополнительные издержки предприятиям, а также потеря производительности, будут сведены к минимуму. Предприятия смогут пользоваться большей эффективностью и точностью, поскольку ИИ устраняет человеческие ошибки и создает меньше рисков для бизнеса. В дополнении к этому, машины работают быстрее, чем люди, и им не нужно платить, следовательно, это также приведет к экономичности и значительной экономии средств для бизнеса. Более того, благодаря более сильным и быстрым вычислительным возможностям программы ИИ могли бы обрабатывать большие массивы данных намного быстрее, помогая бизнесу достигать больших уровней в разработке стратегии, прогнозировании и планировании роста бизнеса.

4. ИИ поможет интегрировать и консолидировать бизнес-операции. Согласно новым тенденциям развития бизнеса для бизнеса в 2017 году, ИИ также поможет бизнесу консолидировать и интегрировать свои бизнес-процессы. Одной из основных проблем, стоящих перед крупными предприятиями, является фрагментация различных бизнес-процессов и создание плохой синергии. Технология ИИ, интегрированная в решения для планирования ресурсов предприятия (ERP), сможет использовать фрагментированные рабочие части и объединить их в полноценное целое, тестируя и анализируя каждую информацию. Это приведет к консолидации сотрудников, операций и систем и, следовательно, повышению эффективности, производительности и доходов.

5. ИИ проложит путь для более сильной защиты от кибербезопасности. С развитием более сильного ИИ программы кибербезопасности будут лучше оснащены для тестирования и прогнозирования сценариев кибератак и поиска лазеек в безопасности. ИИ имеет большие перспективы с его способностью изучать модели сетей, устройств и систем, а также декодировать отклонения, которые могут выявлять атаки в процессе. Фактически, ряд стартапов в 2017 году посвящены разработке такого программного обеспечения AI, которое обеспечит беспрецедентный уровень кибербезопасности, обеспечивающий лучшую целостность данных и безопасность информации для бизнеса во всем мире.

1.6 Риски внедрения искусственного интеллекта

Большинство организаций объединяет автоматизированную компьютерную работу с человеческим вкладом. Несмотря на то, что алгоритмы используются для анализа данных или автоматических функций, таких как массовые электронные письма, человеку по-прежнему необходимо инициировать эту автоматизацию. Через 5 лет компьютеры будут нуждаться в людях, чтобы инициировать свои действия или у них будет интеллект, чтобы точно знать, когда и как выполнять задачу?

Организации должны сосредоточиться на двух ключевых аспектах, чтобы защитить себя.

Во-первых, потребность в “soft skills”. Soft skills -- это черты личности, которые компьютеры не могут воспроизвести. Насколько клиенты организации ценят общение с человеком? Доверяют ли они услугам больше, если они знают, что человек защищает их данные или проверяет информацию?

Во-вторых, любое действие, выполняемое роботом или компьютером, уязвимо для кибер-атаки или нарушения данных, и требуемые защитные меры могут быть разработаны недостаточно быстро, чтобы защитить действия. Что происходит с репутацией организации и цепочкой поставок, если робот потерпел неудачу, и человеку не удастся решить проблему?

Технологии ИИ могут нести неявные опасные риски. Термин ИИ скрывает реальный механизм функционирования, но он также часто скрывает неаккуратные и ненадежные методы, например, он может скрывать звуковой механизм - ИИ может использовать звуковую логику с точной информацией или использовать статистический вывод с использованием данных сомнительного происхождения. Это может быть хорошо структурированный алгоритм, который может быть показан для корректной работы, или это может быть набор эвристик с неизвестными ограничениями. Мы не можем доверять устройству, если не знаем, как это работает.

Методы ИИ являются наименее рискованными, когда приемлемо получить неверный результат или вообще не иметь результата. Если вы готовы принять «я не понимаю» или нерелевантный ответ от «личного помощника», то ИИ безвреден. Если ответ важен, то необходимо быть осторожным в использовании ИИ

Некоторые программы ИИ, работающие 24 часа в сутки опасны, потому что пользователи склонны зависеть от них. Сбой может не отображаться; даже если выявлены сбои, то пользователи не оказываются не в состоянии к продолжению работы в рамках бизнес-процесса без ИИ.

Не стоит впадать в заблуждение демонстрациями работы ИИ: они часто вводят в заблуждение, потому что демонстрация избегает ситуаций, когда «ИИ» терпит неудачу. Компьютеры могут делать много вещей лучше, чем люди.

Люди эволюционировали через последовательность небольших улучшений - «Естественные» методы развивались для использования наших ограниченных датчиков и приводов. Современные компьютерные системы используют мощные датчики и удаленные приводы и могут применять математические методы, которые не являются практичными для людей. Маловероятно, что человеческие методы являются лучшими методами для компьютеров.

ИИ не должен выступать в качестве имитатора людей. ИИ должен быть помощником, в первую очередь: он должен делать то, что люди не могут делать, не будут делать или не преуспевают. Устройства, которые используют эвристику для создания иллюзии интеллекта, представляют собой риск, который должен быть дополнительно изучен и минимизирован.



1.7 Исследование и анализ российского и мирового рынка искусственного интеллекта

Рынок и инвестиции в проекты ИИ. В течение 2017 компании, оперировавшие ИИ, благодаря использованию технологий заработали порядка 700 млрд USD.

Была проведена оценка коммерческую ценность ИИ-систем в компаниях, представляющих различные отрасли. Полученная сумма состоит из дополнительной выручки, объема сокращенных расходов, а также доходов, полученных в результате повышения качества обслуживания клиентов благодаря внедрению таких технологий.

В 2017 году компании по всему миру получили 692 млрд USD только потому, что использовали ИИ. В 2018-м ожидается рост дохода до отметки в 1,2 трлн USD, а в 2022 году сумма будет достигать около 4 трлн USD. Касательно отечественного рынка: объем рынка ИИ и машинного обучения в России составит в 2018 г. около 700 млн руб. В свою очередь рост рынка ожидается до отметки 28 млрд руб. к 2020 году. Драйверами этого рынка будут финансовый сектор, ритейл и промышленность [27].

ИИ должен стать одной из прорывных технологий в течение ближайшего десятилетия в связи с прогрессом в сфере вычислительной мощности, объемов, скорости увеличения данных и развития глубоких нейронных сетей. Одним из основных источников для продуктов и услуг, использующих ИИ, для компаний в период 2018-2022 гг. предполагаются «нишевые решения», позволяющие выдать решение определенной задачи.

В начале данного пятилетнего периода основной доход бизнеса от использования ИИ будет поступать за счет улучшения обслуживания клиентов. В дальнейшем за счет повышения эффективности бизнес-процессов, чтобы улучшить принятие решений и автоматизировать как можно большее количество задач [28].

В мире количество проектов в области ИИ и машинного обучения за 2015-2017 гг. возросло в несколько раз. В 2015 г. анонсировались только 17 проектов, выполненных крупными компаниями, то в первой половину 2017 года - 74 проекта. Всего за три года в 28 странах и 20 отраслях зафиксировано 162 таких проекта. В 85% случаев это реализованные проекты, в 15% - это планы или тестовые внедрения по всем отраслям за исключением госструктур. Основная доля заказчиков таких инициатив - крупный бизнес (85%).

Лидер по количеству таких проектов - США. Вторая Великобритания, Индия, использующие эти решения в крупных инвестиционных банках.

Отечественный сегмент ИИ и машинного обучения в настоящее время находится на начальной стадии формирования и потому существенно уступает западным рынкам в объемах. Прикладное применение технологий тормозит необходимость крупных инвестиций в проекты при имеющихся сомнениях бизнеса по отношению к целесообразности вложений.

Кроме того, отечественный бизнес на сегодняшнем уровне автоматизации в основном не готов к использованию таких инструментов. Существенный барьер - вычислительные мощности. Для активизации проектов первоначально следует обеспечить соответствующее развитие высокопроизводительной инфраструктуры.

Большинство организаций и компаний, применяющих технологии машинное обучение, реализуют проекты с целью сокращения издержек (72%), и повышения качества своих продуктов/услуг (68%). Около половины организаций считают, что ИИ может обеспечить бизнесу новые экономические выгоды.

Fujitsu совместно с компанией Pierre Audoin Consultants (PAC) подготовили аналитический доклад с целью выяснить стратегию организации эффективных рабочих сред в 2025 году при помощи ИИ.

Основное предположение аналитического доклада Fujitsu заключается в том, что ИИ получит быстрые темпы развития. Ожидается, что скорость появления все новых и новых изменений будет увеличиваться с настоящего момента и вплоть до 2025 года, и эти изменения затронут все аспекты рабочих сред будущего [29]. Технологии на основе ИИ уже используются для решения большого количества задач, и постепенно начинают оказывать стратегическое воздействие практически на все аспекты рабочих сред и на то, как живут и работают обычные люди.

В документе также указывается, что компании должны уже сегодня внедрять культуру инноваций и совместной работы, как внутри, так и за пределами своих организаций. Кроме того, там говорится, что использование устаревших технологий и рабочих процессов может снизить продуктивность и демотивировать сотрудников.

Согласно результатам исследования Teradata, опубликованным в начале октября 2017 года, подавляющее большинство предприятий (80%) инвестируют в технологии ИИ, однако каждый третий руководитель считает, что для поддержания конкурентоспособности его компании придется увеличить объем таких инвестиций в течение последующих трех лет. При этом, по ожиданиям предприятий, на пути внедрения технологий ИИ могут возникнуть серьезные препятствия, преодолеть которые может помочь введение руководящей должности Главного специалиста по технологиям ИИ, ответственного за оптимизацию и координацию деятельности по внедрению технологий ИИ [28].

К отраслям, представители которых прогнозируют максимальный эффект от инвестиций в технологии ИИ, относятся отрасль ИТ, технологий и телекоммуникаций (59%), коммерческие и профессиональные услуги (43%), а также поделившие третье место сфера обслуживания потребителей и сектор финансовых услуг (32%).

В тройку лидеров среди видов деятельности, в которых прогнозируется рост выручки в результате инвестиций в технологии ИИ, входят: разработка новых продуктов/НИОКР (50%), обслуживание потребителей (46%), а также снабжение и производственная деятельность (42%). Полученные результаты согласуются с данными об основных направлениях инвестиций в технологии ИИ, среди которых качество обслуживания клиентов (62%), разработка новых продуктов (59%) и оптимизация производства (55%) [31].

Несмотря на высокие показатели использования технологий ИИ и ожидаемый эффект от их применения, отмечается большой потенциал для их дальнейшего внедрения:

· 80% респондентов отмечают, что технологии ИИ уже используются в их организации в той или иной форме, однако 42% указывают на наличие больших возможностей для их дальнейшего внедрения по всем направлениям деятельности.

· 30% уверены, что их организация все еще недостаточно инвестирует в технологии ИИ, и для поддержания конкурентоспособности в своей отрасли ей потребуется увеличить объем таких инвестиций в течение последующих трех лет.

По данным на октябрь 2017 года, опрошенные компании инвестируют в технологии ИИ в среднем 6,47 млн USD США по сравнению с 8,25 млн USD инвестиций в Азиатско-Тихоокеанском регионе.

1.8 Учет экономических факторов при оценке экономической целесообразности применения ИИ в бизнес-процессах

Существует много нетехнологических факторов, которые повлияют на формирование рабочей силы. В частности, общий эффект ИИ на спрос на рабочую силу и заработную плату будет зависеть от следующих факторов:

1. Замещение. Компьютерные системы, созданные на базе ИИ, будут напрямую заменять некоторые задачи, заменяя долю человеческого фактора и уменьшая спрос на рабочую силу для любого заданного уровня

2. Ценовая эластичность Автоматизация посредством ИИ может снизить стоимость выполнения задач. Это может привести к снижению или увеличению общих расходов в зависимости от эластичности спроса. Например, если эластичность меньше - 1, то снижение цены приводит к более чем пропорциональному увеличению количества купленных товаров, а общие расходы будут увеличиваться. Например, различные технологии снизили стоимость авиаперевозок, но общие расходы на этот вид поездок увеличились, как и занятость в этой отрасли.

3. Комплементарность. Задача B может быть важным или даже незаменимым дополнением другой задачи A, которая автоматизирована. По мере снижения цены на A спрос на B будет увеличиваться. Навыки также могут дополнять другие навыки. Например, навыки межличностного общения все чаще дополняют аналитические навыки.

4. Эластичность доходов. Автоматизация может изменить общий доход для отдельных лиц или более широкого населения. Если эластичность дохода для товара отлична от нуля, это, в свою очередь, изменяет спрос на некоторые виды товаров и производный спрос на задачи, необходимые для производства этих товаров. По аналогии, поскольку общий доход увеличился, американцы потратили больше своих доходов на блюда из ресторана.

5. Редизайн бизнес-процесса. Производственная функция, которая связывает любой заданный набор разных типов и объемов труда, капитала и других входных данных для вывода, не является фиксированной. Предприниматели, менеджеры и работники постоянно работают над тем, чтобы изобретать соответствующие процессы. Когда они сталкиваются с новыми технологиями, они изменят производственный процесс, и найдут более эффективные способы производства продукции. Эти изменения могут занять некоторое время и часто экономят на самых дорогих затратах, увеличивая эластичность спроса.



2. Практическая часть

2.1 Разработка информационной базы для разрабатываемой методики

Описанные теоретические аспекты применения ИИ для реинжиниринга бизнес-процессов крайне важны в целях написания методики, которая бы позволила принять решение о возможности применения ИИ при автоматизации бизнес-процессов организации. Каждая методика подразумевает наличие определенных шагов, выполняемых в целях достижения описываемого результата. Методика подразумевается наличие алгоритма, т.е. структурированная последовательность действий в процессе анализа поставленной проблемы, где каждый этап может содержать различные методы его реализации, с приведением различных рекомендаций по каждому. На основе совокупной оценки выявленных свойств в процессе прохождения всех этапов должно формироваться решение по проблеме, в нашем случае - решение о возможности применения ИИ для автоматизации бизнес-процессов.

За основу разработки информационной базы были приняты критерии, предложенные Э. Бринолфссоном, Т. Митчелом, которые являются свойствами задач, на основании которых можно определить пригодность задачи на предмет внедрения ИИ.

На основе анализа практических кейсов успешного применения ИИ в бизнес-процессах, список критериев, предложенный авторами, был уточнен и скорректирован. Перечень критериев может расширяться на предполагаемом основании появления нового, передового опыта внедрения технологий ИИ в деятельность организаций. Для повышения качества предложенных критериев рекомендуется привлекать экспертов из различных, которые могут выявить новые критерии и/или детализировать уже разработанные критерии, на основании которых может исследоваться бизнес-процесс. Ниже приведен практический поход, использование которого предполагает выявление наиболее качественной информационной базы, повышающей ценность разработанной методики:

1. Необходимо изучить деятельность крупнейших компаний, относящихся к разным предметным областям;

2. Осуществить группировку бизнес-процессов организаций, далее методом обобщения привести схожие процессы к одному процессу общего вида;

3. Определить наличие успешного опыта внедрения ИИ в данных процессах. Далее, необходимо определить основные свойства/характеристики примененных решений ИИ в выявленные процессы;

4. Различными методами (сравнительный анализ, мозговой штурм и т. п.) составить список критериев;

5. Осуществить очистку критериев в целях удаления дублирования и максимизации полноты всех критериев на предмет решения поставленной проблемы

6. разработать варианты оценок каждого критерия, далее методом опроса экспертов и/или участников бизнес-процессов определить конечный перечнь критериев и варианты их оценки.

В результате, работа совместно с группой экспертов позволит сформировать определенную информационную базу, позволяющую определять возможность применения ИИ в бизнес-процессах.

Ниже приведен перечень критериев и варианты их оценки (1;3;5), выступающих в качестве информационной базы разработанной методики:

1. Информация, необходимая для выполнения задачи (входов) и выходов, может быть явно указана в машиночитаемом формате:

· очень сложно или невозможно определить конкретные входы и выходы (например, эмоции, идеи, впечатления);

· можно создать ранжирование или частичное представление входов и выходов;

· легко квантифицировать результаты на машине / компьютере (например, вычисления, конкретные входы и выходы).

2. Информация о задаче записывается компьютером:

· входные и выходные данные обучения в отдельных, несовместимых базах данных или не в сети вообще (например, никакой набор данных не существует вообще);

· Некоторые входы и учебные выходы онлайн / могут быть обнаружены компьютером (например, датчики могут быть установлены с низкой стоимостью для создания необходимых данных), включая места, где могут записываться изображения, видео или звуковые данные, но могут еще не отображаться);

· Входы и результаты обучения уже подключены в согласованном формате (например, запросы могут быть получены в базе данных для получения необходимой информации).

3. Задача не требует широкого спектра сложных выходов (умственных и/или физических):

· Задача требует целого ряда различных умственных или физических способностей (например, выполнение сложной операции, завершение курса препятствий, действие в фильме, создание плана, ведение переговоров);

· Задача требует умеренного разнообразия в ответах и ??действиях (например, прогулка по собаке, наблюдение за строительной площадкой, осмотр здания);

· Задача требует очень мало разнообразия в мышлении или действии / движении (например, сортировка почты, налоги, маркировка изображения).

4. Обратная связь с задачей (об успехе результатов) является непосредственной или доступной благодаря многочисленным историческим данным:

· Обратная связь никогда не принимается или занимает очень много времени (например, прогнозы могут занять месяцы или годы, пока точность не будет доказана, для определения успеха написания бизнес-плана требуется много лет);

· получена обратная связь, но время ответа является непоследовательным / неясным и / или неясным, если это выгодно для прогресса (например, качество обучения может быть измерено с помощью стандартизированных тестов и наблюдений, которые не являются ни срочными, ни долгосрочными);

· мгновенные результаты / обратная связь при выполнении действия (например, вычисления могут быть немедленно классифицированы как правильные или неправильные).

5. Вывод задачи является устойчивым к ошибкам:

· ошибка может привести к серьезному вреду, травме или смерти для тех, кто участвует, или может привести к длительным негативным последствиям (например, ошибка во время операции, ошибка на ядерном объекте);

· ошибка будет иметь негативные последствия, но может быть исправлена ?? (например, определенные ошибки будут замечены, но не приведут к прекращению работы или травме);

· ошибка может быть легко исправлена ??и содержит мало негативных последствий (например, ошибки сортировки почты могут быть потенциально незаметными).

6. Задача не требует сложных абстрактных рассуждений:

· Задача требует интуиции или очень связанных рассуждений (например, написания плана, администрирование терапии, подготовка исследовательского предложения / плана, обучения);

· Задача требует некоторых рассуждений, но может быть в основном разбита на четко определенные правила (например, играть в шахматы, сортировать почту);

· Задача не требует сложных умственных способностей (то есть может быть сделано менее чем за 1 секунду).

7. Задача в основном касается сопоставления информации с концепциями, ярлыками, прогнозами или действиями:

· Задача не содержит четких, согласованных входов или выходов;

· Задача потенциально имеет четко определенные входы и выходы, но не требует сопоставления двух;

· Задача имеет четкие входы и выходы. Цель задачи - определить, как входы влияют на выходы (например, перевод одного языка на другой, сопоставление изображения со словами, описывающими изображение).

...