От автоматизации рутины – к принятию бизнес-решений

Развитие бизнеса невозможно без хорошо подготовленных данных – именно они лежат в основе автоматизации, анализа и оптимизации корпоративных процессов. Поэтому на протяжении последних сорока лет корпоративные программы, приложения и системы так или иначе решали задачу обработки информации. Например, с помощью технологий оптического распознавания символов (Optical Character Recognition, OCR) компании обрабатывали данные из бумажных документов, а технологии компьютерного зрения позволяли определить тип обращения и отправить его ответственному сотруднику: юристу, бухгалтеру, менеджеру по закупкам. Такие решения помогли освободить офисных сотрудников от рутинных задач по перепечатке, вводу и поиску информации. Но теперь технологии выходят на новый уровень – их используют для поддержки принятия решений. Это приводит к тому, что люди и машины все чаще работают вместе: на основе извлеченных данных выявляют закономерности, анализируют тренды и принимают решения.

Впрочем, бизнес все еще не решил проблему предвзятого восприятия данных. Руководители, отвечающие за цифровую трансформацию, понимают, что необъективная оценка информации, неверные выводы, сделанные на основе полученных данных, мешают им эффективно использовать искусственный интеллект (ИИ), чтобы улучшать обслуживание, повышать доходность, предотвращать риски и угрозы для компании.

Предвзятость в корпоративных источниках данных

В чем проявляется предвзятость при работе с данными? Она связана с тем, что люди ищут, интерпретируют и выбирают только ту информацию, которая подтверждает или поддерживает уже сложившееся у них мнение, убеждение или гипотезу. Именно такие данные они будут использовать и извлекать для принятия решений из любых корпоративных систем, будь то ERP, CRM, SCM, RPA или BI. Каждая из этих систем позволяет посмотреть на информацию лишь под одном углом. Но для понимания полной и объективной картины бизнеса нужно не только изучать данные, но и понимать контекст.

Алан Тьюринг, один из первых создателей компьютерных программ, с самого начала увидел противоречие: машины могут думать и производить вычисления быстрее, чем люди, но могут ли машины думать, как люди? Ученый считал, что люди обладают уникальными формами мышления и интеллекта, которые недоступны машинам. Тем не менее, ИТ-специалисты продолжают действовать так, как будто более совершенные архитектуры данных могут каким-то образом заменить человеческий интеллект.

Для того, чтобы понять ограниченность подходов, основанных только на использовании данных, достаточно взглянуть на процессы, в которых используются документы с большим количеством изменяющихся параметров и в которых участвует много людей. К примеру, рассмотрим обработку счетов-фактур. Большую часть этих данных можно оцифровать, однако по данным Levvel Research, 65% счетов-фактур по-прежнему обрабатываются вручную — поступают в бумажном виде или по электронной почте и перепечатываются. Счета-фактуры разных компаний различаются как по внешнему виду, так и по содержанию. Это означает, что их обработку непросто автоматизировать. Как правило, сотрудники бухгалтерии, даже если они используют OCR и RPA, тратят много времени на ввод данных в корпоративные системы. Из-за большого количества исключений полностью автоматизировать процесс от закупки до оплаты пока невозможно для большинства крупных организаций.

Автоматизация без интеллекта

Достижения в области ИИ и машинного обучения (Machine Learning, ML) позволили расширить сферу применения корпоративных решений. В то время как цифровая трансформация позволила добиться значительных успехов в создании новых клиентских сервисов, процессы, в которых используется большое количество документов и данных, редко выходят за рамки простой автоматизации рутинных задач. Так, ИИ и ML можно доверить даже такие сложные процессы, как открытие счета для юридических лиц и оформление кредита. Но такой подход требует существенного пересмотра стратегии работы с данными.

ИИ и ML могут «видеть» то, чего не замечает сотрудник. Именно поэтому все разработчики, от поставщиков RPA и OCR-решений до признанных ИТ-гигантов, стали создавать и развивать технологии на основе ИИ. Но большинство из них использует такие технологии, чтобы просто извлекать данные, а не анализировать их.

Данные vs содержание

Существует четкое различие между данными и содержанием. Данные используются для различных вычислений; содержание — это результат мышления и форма коммуникации. Чтобы люди и машины могли понимать друг друга с помощью решений на базе OCR-технологий.

Сегодня компании работают с огромным объемом структурированных и неструктурированных данных. Однако их объем практически незначителен по сравнению с количеством хранящегося содержания, которое играет ключевую роль в большинстве бизнес-процессов.

По оценке Gartner, до 80% документооборота компаний не структурировано. Поэтому, к примеру, в рамках клиентского обслуживания решения об открытии счета, выдаче кредита, урегулировании страхового случая или закупке принимают квалифицированные специалисты на основе своего опыта и компетенций, а не утвержденного алгоритма.

ИИ для поддержки принятия решений

Технологии обработки естественного языка (Natural Language Processing, NLP) и ML позволяют не просто извлекать текст, а понимать содержание документа. Это существенно расширяет возможности извлечения информации, автоматизации ответов на вопросы, машинного перевода и других интеллектуальных задач в различных отраслях, включая автомобилестроение, ИТ, ритейл, FMCG и т. д. ИИ обладает такими навыками благодаря тому, что человек обучает машину читать большие объемы сложной информации так, как это делают сотрудники с соответствующими компетенциями.

С помощью NLP из документов можно извлекать именованные сущности (Named Entity Recognition, NER), такие как персоны, локации, организации и другие факты из документа, взаимосвязанные друг с другом. Именно эту информацию используют для принятия бизнес-решений компании из разных отраслей.

Но чтобы по-настоящему эффективно обрабатывать содержание документа, необходимо выйти за рамки NER и научить технологию работать с отдельными блоками информации и лучше выявлять причинно-следственные связи.

Следующим этапом цифровой революции станет переход от процессов, строго управляемых данными, к процессам с поддержкой ИИ. Вычисления с использованием ИИ одновременно решают проблемы работы со сложными документами и помогают восполнить недостаток квалифицированных специалистов. Использование NLP помогает обрабатывать неструктурированную информацию и взаимодействовать с ней более эффективно, чем просто с оцифрованными данными.

К примеру, с помощью интеллектуальных NLP-технологий ABBYY Сбербанк автоматизировал оформление кредитов для представителей среднего и крупного бизнеса. Для этого технология обработки естественного языка с точностью до 95% анализирует данные клиента из уже хранящихся в банке документов, извлекает необходимые атрибуты и определяет по ним правоспособность компании и ее финансовое состояние. Решение помогает банку выдавать кредиты на суммы до 2 млрд рублей.

ИИ может радикально изменить корпоративные вычисления, но только в том случае, если бизнес избавится от предубеждения, что ИИ нужен только для обработки и ввода данных.

Полный текст статьи можно посмотреть на сайте KMWorld.

Компания ABBYY активно разрабатывает решения для интеллектуальной обработки информации. Наши технологии помогают компаниям более эффективно использовать данные, чтобы повышать доходность и оптимизировать бизнес-процессы. Для этого NLP-решения ABYYY извлекают ключевые данные, факты, события и преобразуют их для анализа.
Artificial Intelligence (AI)

Подписка на обновления в блоге

Вы будете получать статьи на почту первыми

Ваша подписка прошла успешно!

Я проинформирован о том, что я имею право в любое время полностью или частично отозвать вышеуказанное согласие. Данное согласие на обработку персональных данных может быть отозвано в любой момент. Для этого нажмите на ссылку «Отписаться» внутри любого письма, полученного от ABBYY, или заполнив форму Права доступа ABBYY к персональным данным.

Я даю согласие на использование моих персональных данных для целей, описанных в правовой политике.

Ваша подписка прошла успешно!

Читайте нас