Сегодня инновационные подходы сильно меняют базовые бизнес-модели. Главным драйвером перемен, конечно, является искусственный интеллект во всех его проявлениях. Это не просто сокращение расходов, повышение эффективности работы персонала или каких-то участков — это смена парадигмы в целом, создание ее ценности, транспортировка до клиентов сущности того, какую услугу оказывает компания и т. д.
Необходимость внедрения инноваций
Сейчас многие компании меняют процессы и подходы к реализации своих услуг и созданию товаров. Те компании, что держатся в стороне, рискуют остаться на обочине рынка, за исключением разве что компаний, которые обладают монопольным положением в силу регуляторики или каких-то доступов к уникальным природным или административным ресурсам.
Но предприятия, действующие в рыночной экономике, не просто вынуждены, но и обязаны активно внедрять такие решения. Здесь на помощь приходит целый ряд стартапов, что позволяет компаниям двигаться в направлении инноваций. В том числе мы в TalkBank реализуем финтех-трансформацию бизнесов для того, чтобы крупные корпорации и быстрорастущие компании успевали в ногу со временем и внедряли в свои продукты актуальные решения в области финансов, искусственного интеллекта и работы в мессенджерах. Здесь очень важна уже имеющаяся экспертиза, и создавать ее с нуля достаточно дорого, особенно если мы говорим о каких-то внутренних помощниках, поскольку это, конечно, затратно. Проще двигаться в партнерстве с уже существующими игроками, которые сами фокусируются на развитии экспертизы и технологии их применения в разных сферах. Компаниям проще использовать уже готовые решения для своей отрасли либо адаптировать такие решения для отрасли и собственного бизнеса с помощью технологичных партнеров.
Поэтому в современном мире на передний план выходят компетенции в области понимания, какие есть технологии и какие у них имеются возможности, а также способности регистрирования данных сервисов и технологий в рамках бизнес-процессов компании. Вот почему сейчас важна насмотренность в технологиях — ведь они очень быстро появляются и драматически меняют эффективность решений. Если посмотреть на те же картинки Midjourney сейчас и год назад, то это как день и ночь. И так можно говорить о любом из технологичных проектов, выстроенных в последнее время. Технологические решения стремительно развиваются, качество растет, и очень сложно уследить за всеми происходящими изменениями. Но еще сложнее пытаться создать их самостоятельно или начать с нуля обучать какие-то opensource-нейронки собственными силами. А значит, следует развивать компетенцию и насмотренность в отношении таких решений и понимать, как они между собой взаимодействуют.
Отдельным направлением становится промт-инжиниринг, то есть способность формировать запросы к нейронным сетям и сервисам. И это уже не классическое программирование на языке машинных кодов, а использование естественного языка, но с пониманием тех фреймворков, в которых работают нейронные сети. Это и способность комбинировать технологии и решения, которые осуществляют непосредственно сами сотрудники, менеджеры. Зачастую результаты сервисов нейронных сетей не идеальны, требуется какая-то модерация, редактирование или обработка другими сервисами. И именно понимание последовательности, плюсов и минусов подобных решений сейчас является решающим фактором успеха комбинации.
Разработка собственных решений
С одной стороны, многие сервисы, особенно сами фреймворки и нейронные сети, доступны даже в бесплатном варианте, а с другой — действительно крутые решения стоят дорого. И еще больше капиталов требуется для того, чтобы построить сравнимое решение. Глядя на те инвестиции, которые сейчас происходят в области искусственного интеллекта, можно понять, что в России такие капиталы способны позволить себе не больше десятка компаний. Все остальные, идя по пути создания собственной генеративной нейронной сети, будут значительно уступать уже существующим аналогам, доступным всем. Поэтому здесь будут выигрывать те, кто оперативно интегрирует такие решения, кто умеет быстро их оценивать с точки зрения эффективности, подстраивать под свои нужды, адаптировать, дообучать, а не обучать с нуля.
Привычный подход дата-сайентистов, когда они учат нейронку с нуля, загружая массивы данных, становится уже неэффективным. Нужно использовать гибридный подход, который почему-то до сих пор не очень развит в компаниях. Многие только дозрели до классической модели, когда...