Дата Саммит 2024. Прыжок в эру ИИ

Дата Саммит «Прыжок в эру ИИ» был посвящен вопросам подготовки данных для эффективной работы с искусственным интеллектом и практикам цифровой трансформации компаний. В деловой программе приняли участие директор по информационно-аналитическим технологиям АО «Российские космические системы» Дмитрий Лепешкин, CDO Сбербанка Борис Рабинович, руководитель Службы управления данными «Уралсиб» Игорь Гончаров, руководитель НСИ «СИБУР Диджитал» Татьяна Картушева, директор по цифровым инновациям и IT «Лента» Сергей Сергеев, генеральный директор DIS Group Павел Лихницкий, генеральный директор «Юниверс Дата» Владислав Каменский и многие другие. Эксперты обсудили, какие возможности ИИ предоставляет бизнесу и как подготовить данные для его эффективной работы. Также в ходе Дата Саммита спикеры поделились лучшими практиками в области управления и обеспечения качества данных, рассказали об успешном внедрении отечественных решений. Эксперты сошлись во мнении, что успешное применение ИИ во многом зависит от актуальности и надежности используемых данных, поэтому компаниям важно обеспечить их качественную обработку.

Получите доступ к полной записи

Получить запись

Рекомендуем также

    Достигните совершенства ваших данных перед вступлением в эру ИИ

    В последнее время все больше компаний-лидеров индустрий практикуют дата-driven подход и делают ставку на искусственный интеллект. Это логично, ведь ИИ открывает возможности, помогающие опережать конкурентов. Реализуя стратегии по работе с данными и ИИ, директора по данным должны учитывать потребности основных заинтересованных лиц, в том числе директоров по финансам, маркетингу, устойчивому развитию и т. д., которые ожидают, что предиктивный и генеративный ИИ поможет им ответить на следующие вопросы:
    • Как приспосабливаться к постоянно меняющимся требованиям регуляторов?
    • Как придерживаться этичного и ответственного подхода к ИИ?
    • Как поддерживать демократизацию и доступность данных для использования ИИ?
    • Как обеспечить прозрачность и эффективность конвейеров данных, чтобы расширять бизнес в цифровой среде?
    В этой электронной книге мы рассмотрим, как находить ответы на эти вопросы с помощью продуманного и современного подхода к Data Governance и ИИ, а также как добиваться желаемых результатов для бизнеса с помощью систем ИИ.

    Заполните форму ниже, чтобы получить этот файл по электронной почте

    Получить книгу

    Рекомендуем также

      Упрощенная работа с аналитикой на основе ИИ

      19 мая 2021
      Искусственный интеллект и машинное обучение — это будущее каждой отрасли, особенно в сфере данных и аналитики. Проект Growing Up with AI («Растите вместе с ИИ») поможет быть в курсе всех инноваций, которыми эта технология меняет мир. Большинство организаций отдают себе отчёт, что данные имеют решающее значение для получения конкурентных преимуществ, при этом недавнее исследование компании NewVantage Partners показало, что лишь 27% компаний успешно сформировали культуру данных или широко внедрили технологии Big Data или ИИ. В своем отчёте за 2020 год “10 наиболее заметных тенденций в данных и аналитике” (Top 10 Trends in Data and Analytics) компания Gartner прогнозирует, что только 10% компаний будут использовать дополненную аналитику в полной мере. Очевидно, что данные и искусственный интеллект обладают огромным потенциалом для революционных изменений в бизнесе, так откуда же берется внушительный разрыв при успешном внедрении подобных инициатив? Он вытекает из преодоления трёх основных препятствий на пути успешного внедрения аналитики:
      1. Объемы и разнообразие данных растут в геометрической прогрессии. Человеку невозможно разобраться в огромных массивах данных, которые создаются ежедневно. Вместо электронных таблиц и ручного анализа, необходим высокотехнологичный анализ данных на основе кода. Тогда станет возможным выявить инсайты, скрытые в этих огромных массивах информации.
      2. Растет разрыв в профессиональных навыках. По мере роста объема данных всё сложнее найти специалистов по организации, сбору, представлению, интерпретации данных и извлечению инсайтов из них. Фактически, LinkedIn сообщает, что три из 10 лучших передовых рабочих мест 2020 года были связаны с данными: специалист по искусственному интеллекту (#1), специалист по теории данных (#3) и специалист по инженерии данных (#8). Таких востребованных профессионалов сложно найти, а нанимать дорого; как следствие, во многих организациях не хватает специалистов по данным.
      3. Сложно отделить сигнал от шума. Иногда данные содержат много шума, непостоянные и сложные для понимания. Пользователям крайне сложно их интерпретировать, что приводит к низкому уровню внедрения аналитики в бизнес-среде.

      ИИ упрощает анализ данных

      При всех сложностях анализа данных, искусственный интеллект именно то, что помогает организациям извлечь из них пользу. Дополненная аналитика на основе ИИ помогает пользователям быстрее получить ответы и практические инсайты, вытекающие из бизнес-показателей. Большое преимущество в том, что не требуется быть специалистом по теории или аналитике данных. Одним из примеров того, как ИИ может сократить разрыв в профессиональных навыках и ускорить получение ответов пользователями, является обработка естественного языка (NLP). Она дает возможность каждому пользователю запрашивать данные, используя повседневную речь. Простые вопросы, «Какая социальная сеть дала нам наибольшие продажи во 2-м квартале?», дают мгновенные результаты, в отличие от копания в электронных таблицах или использования SQL (как бы весело это ни было). Таким образом, сложные данные становятся доступными каждому, от самых опытных бизнес-аналитиков до руководителей. Согласно прогнозам компании Gartner, речевая аналитика и NLP ускорят повсеместное внедрение аналитической платформы с 32% до 50%, предоставляя постоянным пользователям доступ к ответам, необходимым для принятия решений. Более того, согласно тем же прогнозам, 50% аналитических запросов будут генерироваться через поиск, NLP или голосовую связь.

      Выявление скрытых инсайтов с помощью ИИ

      Для современных BI-компаний стало в порядке вещей внедрять ИИ в свои аналитические платформы, таким образом помогая пользователям выявлять тренды, предоставлять аналитику и прогнозировать данные, которые могут быть недоступны невооружённому глазу. Точный прогноз — это ключ для принятия решений в бизнесе. Такие платформы, как Sisense, могут предоставлять прогнозы на основе исторических данных. Пользователи, не являющиеся техническими специалистами, получают возможность прогнозировать бизнес-результаты и изменения критических показателей, а также принимать решения, исходя из полученных инсайтов. К примеру, театр может использовать данные за прошлые периоды для прогнозирования доходов и посещаемости для каждого шоу и, таким образом, принимать решение о запуске новой постановке. Сервис прогнозирования Sisense Forecast также помогает бизнес-пользователям анализировать, влияет ли определенная переменная на результат прогноза и если влияет, то каким образом. Например, вы предполагаете, что объём ваших электронных продаж зависит от типа цифровых устройств ваших пользователей (ПК, планшет или смартфон). Эту гипотезу можно проверить, если выбрать device type («тип устройства») в качестве explaining variable («объясняющей переменной») и посмотреть, как это повлияет на прогнозируемое значение объёма продаж. Такой анализ называется «многомерным прогнозом» и является очень мощным инструментом. Он создаёт картину ключевых факторов, влияющих на искомый показатель, тем самым давая возможность разумно его оптимизировать. Как же быть в случаях, когда поведение показателя отличается от нормы? Сюда могут относиться необычно низкие продажи, например, по причине отпусков или COVID-19. Настройки сервиса Forecast от Sisense позволяют исключить исторические периоды из расчёта, чтобы они не влияли на прогноз. Модуль для анализа трендов Trends — еще один эффективный способ помочь бизнес-пользователям выделить главное. В случае шумных или изменчивых данных даёт наглядное представление динамики выделенного показателя. Линии тренда в Sisense могут быть нескольких типов и можно выбрать наиболее подходящий для сферы деятельности компании. Тренды можно применять как к историческим, так и к прогнозным данным, чтобы лучше понимать не только прошлые результаты, но и возможные будущие. Предположим, наконец, что вы заметили что-то интересное в данных — какой-то всплеск, или необычное поведение — что дальше? Следующим шагом будет анализ случившегося. К счастью, нет необходимости срочно вызывать ближайшего специалиста по анализу данных, чтобы он произвел подсчёты. Модуль Sisense Explanations поможет выявить возможные причины. Буквально по щелчку мышки можно проанализировать десятки факторов и их комбинаций, чтобы определить наиболее вероятную причину изменений.

      Больше инсайтов для всех

      Аналитические платформы на основе AI — это будущее, в котором анализ данных доступен любым сотрудникам в каждой организации. В своем исследовании рынка Wisdom of the Crowds («Коллективная мудрость»), проведенном в 2020 году, компания Dresner назвала Sisense общепризнанным лидером в области платформ для аналитики.

      Рекомендуем также

      Как подготовить данные для self-service аналитики и data science с помощью корпоративных инструментов на базе ИИ

      22 марта 2021
      Современные организации возлагают большие надежды на использование данных для принятия взвешенных решений, которые помогут получить конкурентное преимущество. При этом все сложнее становится извлекать ценность из данных, многообразие и сложность которых постоянно растут. Кроме того, все чаще достоверные данные нужны каждому пользователю в компании, чтобы принимать стратегические решения, повышать операционную эффективность, разрабатывать модели машинного обучения и сотрудничать с коллегами в рамках бизнес-процессов. Для достижения этих целей компании обычно вкладывают много времени и денег в объединение всех данных в облачном хранилище или озере данных, считая, что это самое подходящее решение. Вскоре они понимают, что, несмотря на все усилия, данные в облаке хранятся хаотично, и очень сложно находить, извлекать и использовать их для современного анализа. Учитывая эти тренды, очень важно организовать правильную подготовку данных для self-service аналитики и data science.

      Что такое подготовка данных и какие сложности она вызывает?

      Для подготовки данных к анализу и машинному обучению нужно выполнить несколько трудоемких задач, включая извлечение, очистку, нормализацию и загрузку данных, а также оркестрацию рабочих процессов ETL в большом масштабе. После надежного перемещения данных в облачное хранилище или озеро, аналитики и data scientist должны еще очистить и нормализовать их, чтобы понять контекст. Сейчас они работают с небольшими пакетами данных в Excel или Jupyter Notebooks, которые не могут оперировать большими наборами данных, применяться в практических целях или предоставлять достоверные метаданные для корпоративных процессов. Подготовка наборов данных занимает от нескольких недель до нескольких месяцев. В результате заказчики 80% времени тратят на подготовку данных вместо того, чтобы анализировать их и извлекать из них пользу.

      Как обратить правило 80/20 в свою пользу?

      Многие компании по-прежнему неэффективно подходят к обработке данных. 80% времени и сил аналитиков данных и data scientist уходит на поиск и подготовку данных, и только 20% — на их анализ. Более того, из-за быстрого роста объемов неструктурированных данных специалисты DataOps тратят больше времени на удаление, очистку и упорядочивание данных, чтобы выявить в них ошибки, нарушения согласованности и аномалии. При этом компании все чаще стараются принимать решения на основе данных. Данные должны быть качественными и достоверными, а значит процесс их подготовки необходимо стандартизировать и оптимизировать. Бизнес-пользователям некогда ждать данных от ИТ-отдела — им нужны функции self-service для подготовки данных, чтобы быстрее принимать решения. Подготовку можно ускорить с помощью гибкого итеративного и коллективного подхода по принципу self-service. Современный подход self-service при подготовке данных поможет компаниям обратить правило 80/20 в свою пользу. ИТ-отделы могут предлагать возможности self-service для работы с данными, при этом помогая аналитикам находить нужные данных, подготавливать их, применять правила контроля качества и сотрудничать с коллегами, чтобы в итоге предоставить ценность для бизнеса за гораздо более короткий срок.

      Варианты применения подготовки данных в современной организации

      Существует два основных варианта применения корпоративной подготовки данных:
      • Подготовка данных для повышения эффективности аналитики и data science. Корпоративное решение для подготовки данных на базе ИИ, интегрированное с корпоративным каталогом данных, позволяет повысить продуктивность и эффективность работы data scientist, которые пытаются найти и подготовить данные вручную с помощью инструментов с открытым кодом. Большую часть времени data scientist ищут и готовят данные вместо того, чтобы выполнять собственно задачи data science. Благодаря интегрированной подготовке и каталогизации данных специалисты могут работать с большим наборами структурированных и неструктурированных данных, хранящихся в облачном озере. Это позволяет ускорить разработку моделей и обнаружить скрытые поначалу полезные фрагменты данных для прогнозной и прескриптивной аналитики.
      • Подготовка данных для self-service аналитики в облачных озерах данных. Облачные озера данных фактически стали основной платформой предоставления данных для расширенных аналитических рабочих нагрузок. При этом озеро очень быстро превращается в болото, если организация не использует подходящие технологии для обработки данных и извлечения из них ценности. Корпоративная подготовка данных позволяет повысить качество содержимого облачного озера после приема данных, а также курировать данные, чтобы у пользователей был достоверный источник информации для self-service аналитики.

      Как помогут решения от Informatica?

      Informatica Enterprise Data Preparation позволяет data scientist, аналитикам данных и опытным пользователям подготавливать данные в облачном озере без написания кода для поддержки self-service аналитики, искусственного интеллекта и машинного обучения. Восемь преимуществ Informatica Enterprise Data Prep для эффективного использования данных:
      • Больше достоверности благодаря повышению качества данных. Informatica Enterprise Data Preparation применяет интеллектуальные функции и автоматизацию, чтобы повысить качество данных и сократить объем работы, выполняемой вручную. Это решение позволяет стандартизировать контроль качества данных в организации, а также проверять и обогащать данные заказчиков, например адреса электронной почты, почтовые адреса и номера телефонов.
      • Создание корпоративного каталога данных. Informatica Enterprise Data Catalog помогает аналитикам и data scientist понять, какие данные у них есть, как они определены, где находятся, откуда поступили (линедж), как используются и как связаны с другими данными. С помощью ИИ, машинного обучения и автоматизации в движке ИИ CLAIRE, Informatica Enterprise Data Catalog помогает организациям курировать данные для конвейеров, показывая, какие наборы данных доступны в том или ином контексте. Это позволяет пользователям быстрее находить и понимать достоверные, актуальные и доступные данные.
      • Повышение гибкости и эффективности работы пользователей. С решением Informatica Enterprise Data Preparation ИТ-отдел может предложить функции self-service для работы с данными и помочь аналитикам находить подходящие данные, подготавливать их, применять правила контроля качества, сотрудничать друг с другом и предоставлять ценность для бизнеса в гораздо более короткие сроки.
      • Улучшение аналитики и data science. Informatica Enterprise Data Preparation обеспечивает интеллектуальную и автоматизированную подготовку данных. Это помогает data scientist и аналитикам работать продуктивнее и сосредоточиться на задачах, связанных с анализом, ИИ и машинным обучением, чтобы достичь желаемых бизнес-результатов. Благодаря этому решению data scientist могут не обладать обширными навыками программирования, поэтому организациям будет проще нанимать специалистов.
      • Повышение ценности облачных озер данных. Informatica Enterprise Data Preparation позволяет быстрее и эффективнее извлекать практическую ценность из данных в облачных озерах. Решение помогает преобразовывать, очищать, подготавливать и обогащать необработанные данные при поступлении в озеро данных, чтобы эти данные можно было использовать для расширенной аналитики, ИИ и машинного обучения. Informatica Enterprise Data Catalog помечает тегами информацию, описывающую линедж данных. Каталогизация больших объемов данных повышает их согласованность — этого невозможно добиться с помощью разрозненных инструментов self-service.
      • Расширение практического применения данных в DataOps. Масштабируемые решения для подготовки данных на базе ИИ от Informatica помогают достичь следующих целей при использовании подхода DataOps: — Непрерывная интеграция и совместная работа для быстрого поиска нужных данных. — Непрерывная доставка и простое сопоставление управляемых и достоверных наборов данных для определения бизнес-терминов, чтобы повысить скорость и качество конвейеров данных. — Непрерывная доставка наборов данных для конвейеров.
      • Целостное представление для оптимизации подготовки данных. Informatica Enterprise Data Preparation позволяет организациям получить комплексное и целостное представление о рабочих нагрузках, чтобы выявить распространенные проблемы и использовать инструменты ИИ и автоматизации для замены лишних операций, выполняемых вручную.
      • Улучшение процессов управления качеством данных. С помощью решений Informatica Enterprise Data Preparation, Data Catalog, Data Quality и Axon Data Governance заказчики могут наладить процессы управления качеством при поступлении данных в облачное озеро данных. Интеграция каталога данных с CLAIRE, первым в отрасли движком ИИ на основе метаданных, позволяет повысить масштабируемость и точность для управления данными в облачных озерах и хранилищах данных.
      Решение Informatica Enterprise Data Preparation второй раз попадает в Constellation ShortList в категории Self-Service Data Prep. В последнем отчете Constellation ShortList решение Informatica Enterprise Data Preparation названо одним из лучших продуктов в категории Self-Service Data Preparation (self-service подготовка данных). Отчет Constellation ShortList составляется на основе опросов пользователей, обсуждений с партнерами, отзывов заказчиков, проектов по выбору вендоров, доли на рынке и внутренних исследований. Загрузите аналитический отчет, чтобы узнать больше.

      Рекомендуем также

      5 причин того, почему в клиентской поддержке не обойтись без искусственного интеллекта

      Эксперты KMS Lighthouse рассуждают о том, зачем нужен искусственный интеллект (ИИ) в клиентской поддержке.

      26 февраля 2021

      Искусственный интеллект для качественного клиентского сервиса

      Искусственный интеллект способен улучшить любой аспект работы вашей организации: и внести положительный вклад в репутацию вашего бренда, и сократить издержки, даже увеличить прибыль. Кроме того, ИИ прекрасно справляется с задачами персонализации клиентского опыта, к чему сейчас стремятся многие компании. В клиентском сервисе искусственный интеллект способен творить настоящие чудеса. Эксперты прогнозируют, что к 2025 году до 95% всех взаимодействий компаний с клиентами будет проходить с использованием технологий на основе ИИ. Давайте рассмотрим, чем же искусственный интеллект может быть полезен компаниям уже сегодня.

      ИИ помогает обрабатывать очень большие объёмы данных

      Компании сейчас собирают очень много данных о своих клиентах: это и персональные данные, и предпочтения потребителей, и история их взаимодействия с тем или иным брендом. Но обработать вручную все эти данные практически невозможно. Алгоритмы ИИ помогают не только такие данные обработать, но и проанализировать, построить на их основе прогнозы. Это могут быть и прогнозы покупательского поведения, и прогнозы того, какой товар окажется востребованным в будущем, и многое другое. Обработка и анализ данных с помощью ИИ будут полезны и для более точного таргетирования маркетинговых кампаний, и для решения сложных клиентских проблем, и для эффективного управления корпоративными знаниями.

      ИИ помогает выстроить самообслуживание клиентов

      Искусственный интеллект может помочь организовать сервисы самообслуживания для клиентов (например, можно использовать чат-ботов). Такая автоматизация общения с клиентом позволит поддерживать коммуникацию 24/7 и легко масштабировать её при необходимости. Кроме чат-ботов полезными будут и различные интерактивные инструкции и размещение самых популярных вопросов с ответами на них.

      ИИ обеспечивает омниканальность коммуникации

      Коммуникация с клиентами сейчас обычно происходит сразу в нескольких каналах. Обо всех взаимодействиях с клиентом важно централизованно собирать данные. Не менее важно эти данные анализировать и использовать для дальнейшего общения с клиентом. Также примером решения на основе ИИ, которое помогает поддерживать омниканальность коммуникации, может служить система управления знаниями KMS Lighthouse. Алгоритмы ИИ KMS Lighthouse позволяют эффективнее управлять корпоративными знаниями, поддерживать непротиворечивость информации на сайтах, в кол-центрах, в чат-ботах и при личной консультации сотрудником.

      ИИ позволяет оптимизировать ресурсы

      Во-первых, оптимизация ресурсов станет закономерными последствием первых трёх аспектов работы искусственного интеллекта. Например, наличие чат-ботов значительно снизит нагрузку на операторов контакт-центра. Это позволит им внимательнее решать проблемы клиентов и отвечать на их вопросы. Во-вторых, как указано выше, решения на основе искусственного интеллекта позволяют прекрасно прогнозировать. Это может быть полезным для анализа ассортимента товаров и услуг. Также технологии с использованием ИИ могут помочь автоматизировать многие задачи, которые сейчас сотрудники выполняют вручную. И автоматизация, и прогнозирование внесут значительный вклад в оптимизацию многие процессов, освободит время сотрудников на выполнение творческих задач.

      ИИ повышает уровень клиентского опыта

      Внедрение решений с ИИ значительно улучшают впечатления клиента от каждого взаимодействия с компанией. Ваши клиенты по достоинству оценят персонализированные рассылки и рекомендательные системы, помощь искусственного интеллекта при заказе товара и при отслеживании заказа. Amazon сравнительно давно применяет большинство этих инструментов, и успех этой площадки наглядно показывает эффективность такого подхода.

      Будущее за искусственным интеллектом

      Линн Хансейкер, директор по работе с клиентами в ClearAction Continuum, считает, что текущие изменения в клиентских привычках – прекрасная возможность для организаций начать лучше соответствовать ожиданиям потребителей и улучшить свой клиентский сервис. При этом персонализировать клиентский сервис и сделать его удобнее может помочь искусственный интеллект.

      Рекомендуем также

      Корпоративный чат-бот или виртуальный помощник. Что выбрать?

      Эксперты KMS Lighthouse рассуждают о том, чем отличаются друг от друга чат-бот и виртуальный помощник, а также дают рекомендации по использованию этих технологий.

      22 января 2021

      В погоне за лучшим клиентским обслуживанием

      Многие компании стремятся максимально поднять уровень своей клиентоориентированности, как можно лучше обсуживать своих клиентов. Для этого в контакт-центры нанимают операторов с хорошей квалификацией и дополнительно тренируют их с помощью обратной связи от клиентов. Также компании стремятся создать оптимальные условия труда для операторов: например, внедряются системы управления знаниями, которые позволяют быстро находить нужную информацию во время звонка. Кроме того, для улучшения клиентского опыта сейчас активно используются новые технологии – чат-боты и виртуальные помощники. Современные чат-боты и помощники прекрасно справляются с обработкой очень больших объёмов информации и эффективно предоставляют клиентам те сведения, которые им нужны. Многие клиенты положительно оценивают такое взаимодействие с компанией. Несмотря на то, что между чат-ботом и виртуальным помощником много общего, различия между ними также есть. Давайте детальнее рассмотрим их.

      Кто умнее, чат-бот или виртуальный помощник?

      Между чат-ботом и виртуальным помощником есть три основных различия: механизмы понимания речи, контекст использования, способность к продолжительному взаимодействию с пользователем. Очевидно, что чат-боты создаются для взаимодействия с человеком в чатах. И это накладывает на эту технологию определённые ограничения. В частности, чат-боты могут испытывать затруднения при понимании сложных вопросов и при ответе на них. Чат-бот выстраивает с пользователем диалог по заранее структурированному шаблону, при этом не всегда понимая цели коммуникации. Это может привести к недопониманию межу человеком и технологией. Виртуальные помощники реже испытывают такие затруднения. В основе помощников – продвинутые технологии обработки естественного языка. Благодаря этому они могут вести более динамичный диалог с пользователем. У чат-ботов есть ещё одна слабая сторона. Им не всегда удаётся поддерживать непротиворечивость коммуникации с клиентом в разных каналах. Виртуальные помощники поддерживают омниканальность коммуникации. Нельзя сказать, что та или иная технология лучше или хуже. В какой-то ситуации подойдёт виртуальный помощник, в какой-то – будет достаточно чат-бота.

      Есть ли особенности у виртуального помощника в контакт-центре?

      Голосовые помощники, такие как Сири и Алекса, давно приучили клиентов, что с виртуальным ассистентом можно не только переписываться, но и разговаривать устно. В большинстве своём люди чувствуют комфортно, общаясь с искусственным интеллектом и обращаясь к нему за решением различных проблем. Но это не значит, что внедрение виртуального голосового ассистента обязательно окажется успешной инициативой в вашем кол-центре. Для того, чтобы виртуальный помощник мог полноценно консультировать клиентов, в контакт-центре должен быть внедрён целый ряд поддерживающих его решений. Также, перед тем как вы приступите к внедрению виртуального помощника, тщательно соберите данные для него. Внедрите и правильно настройте маршрутизацию звонков и их оптимальное распределение между операторами и голосовыми ассистентами. Кроме того, важно заранее настроить для виртуального ассистента быстрый доступ к ответам на самые частые вопросы клиентов (вопросы по статусам заказов, платежам, возврату, резервированию товаров и прочее). Также нужно внимательно отнестись к выбору самого виртуального ассистента. На рынке сейчас есть несколько вариантов, которые значительно отличаются друг от друга. Для одной компании может оказаться оптимальным один, для другой – другой. Самое важное при выборе – оценить интеграционные возможности виртуального помощника, точность его реплик и надёжность его работы.

      Рекомендуем также

      Зачем чат-боту база знаний, как ее выбрать и внедрить

      Эксперты KMS Lighthouse объясняют, почему виртуальным помощникам не добиться успеха без качественной базы знаний, а также дают ценные рекомендации по выбору и наполнению этой базы.

      15 декабря 2020

      Зачем чат-боту база знаний

      Обычно чат-бот разработан так, чтобы как можно точнее понять, чего хочет пользователь, которые вступает с ним во взаимодействие. Но как чат-бот может предоставить информацию, которую ждёт от него собеседник? Для того, чтобы с этой задачей справиться, виртуальному помощнику необходимо сделать запрос в базу знаний – корпоративное хранилище бизнес-информации (например, информации о товарах, услугах, тарифах, маркетинговых акциях компании). Думаю, и так понятно, что чат-бот не может сам придумать ответ на вопрос. Он может только доставить её из базы знаний. Если интегрировать чат-бот с правильной базой знаний, он сможет извлекать из неё нужные сведения легко и быстро. А общение с виртуальным помощником для пользователя будет не хуже, чем общение с реальным человеком. При этом новую информацию в базу знаний для чат-бота будет легко добавить, редактировать или удалить.

      Как создать базу знаний для чат-бота

      Пользователи ждут, что опыт взаимодействия с чат-ботом будет максимально приближен к общению с живым человеком. Безусловно, чат-боты сейчас уже неплохо научились симулировать стиль общения людей. Но работать самостоятельно они пока что могут не всегда. Нужен целый штат сотрудников, которые будут помогать чат-боту учиться. Если пока что он научился распознавать в речи только «здравствуйте», он может не понять слово «приветствую» и не сможет на него ответить. Чтоб чат-бот смог качественно консультировать ваших клиентов, важно обучать его на правильных данных. У виртуального помощника должна быть возможность постоянно анализировать базу знаний и искать там верные ответы на вопросы, которые ему поступают. Такую базу может быть непросто создать: наполнить её хорошо проработанной и точной информацией. Безусловно, на это потребуется много времени и усилий. Но, будьте уверены, база знаний окупится: повысит эффективность работы чат-бота и значительно расширит возможности его масштабирования. При создании базы знаний не забудьте о следующих этапах:
      • Определите, какая именно информация будет нужна;
      • Постарайтесь выстроить систему по сбору нужной информации;
      • Соберите, обработайте и организуйте хранение нужной информации;
      • Настройте процессы получения информации из базы знаний и обмена этой информацией.
      Аннет Франц, основательница и генеральный директор компании CX Journey Inc. отмечает: «чтобы клиентам было приятно общаться с вашим чат-ботом, нужна будет база знаний, которая поможет его обучить и, в результате этого, позволит повысить уровень клиентского опыта».

      С чего начать внедрение чат-бота

      • Определите задачи, которые должен будет выполнять чат-бот (отвечать на вопросы клиентов, назначать встречи и прочее).
      • Выберете несколько узких сценариев использования для тестирования.
      • Определите конечных пользователей своего чат-бота. Это могут быть клиенты, сотрудники, партнёры и прочее. Проанализируйте этих пользователей (их возраст, привычки, должности и прочее), чтобы сделать чат-бота релевантным для них.
      • Подумайте, насколько пользователям подойдёт классический чат-бот, не стоит ли его заменить или дополнить голосовым помощником.
      • Решите для себя, будете ли вы внедрять чат-бота в существующий ИТ-ландшафт, будете ли использовать корпоративную платформу или отдадите предпочтение отдельному приложению?
      • Определитесь, будете ли вы сами внедрять чат-бота и базу знаний для него или привлечёте подрядчиков.
      • Не забудьте о требованиях регулятора, которые действуют для вашей индустрии, и тщательно продумайте аспекты информационной безопасности.

      Чат-боты не смогут принести пользы без правильного управления знаниями

      Аналитическое агентство Gartner предсказывает, что 99% инициатив по внедрению искусственного интеллекта потерпят неудачу именно из-за некачественного управления знаниями. Виртуальные помощники просто не могут быть эффективными без доступа к актуальным и точным корпоративным знаниям. Помните, в вашей компании могут храниться огромные объёмы превосходных данных, но без надлежащего управления знаниями чат-бот никогда не сможет их обнаружить и воспользоваться ими для выполнения своих функций.

      Рекомендуем также

      Озеро данных: как с помощью искусственного интеллекта извлекать максимальную пользу?

      Озеро данных – инновационная технология, которая может принести значительную пользу любому бизнесу. О том, что этому может помешать и как эти трудности преодолеть, рассказывает Инна Токарева-Села, руководитель направления искусственного интеллекта в Sisense.

      11 июня 2020
      Также вам может быть интересна статья Почему озеро данных не приносит пользы и что с этим делать?

      Обрабатываем большие объёмы информации в озере данных и в хранилищах

      Искусственный интеллект (ИИ) и машинное обучение (ML)кардинально меняют будущее, особенно в том, что касается обработки данных и их аналитики. Скажите честно, действительно ли в вашей компании есть эффективные инструменты и процессы для использования ИИ и ML? Во многих компаниях сейчас принято говорить о том, что искусственный интеллект станет конкурентным преимуществом следующего поколения технологий. При этом может быть и так, что в самих этих компаниях ИИ и ML никак не применяются. Есть и те, кто просто добавляет к своим ИТ-решениям приписку: «с использованием искусственного интеллекта», чтобы привлечь внимание клиентов. К сожалению, становится всё больше ИТ-компаний, которые используют подобные приписки, никак не меняя само решение. Однако, когда речь идёт об обработке огромного количества данных, очень хорошо видно, что искусственный интеллект и машинное обучение позволяют добиться впечатляющих результатов. Все мы знаем, что объёмы данных растут с феноменальной скоростью. Есть целый ряд компаний, которые уже собрали так много данных, что их невозможно обработать вручную. Только с помощью ML и ИИ можно извлечь пользу из огромного озера данных или масштабных хранилищ. Это и открывает новые возможности, и создаёт дополнительные проблемы. Но факт остаётся фактом, ML и ИИ могут взять на себя 80% задач по подготовке данных (обычно скучные и монотонные задачи). А люди при этом могут сконцентрироваться на анализе, моделировании и оптимизации. Подробнее об алгоритмах ИИ платформы Informatica, которые позволяют эффективно обрабатывать сырую информацию в озере данных, читайте в другой статье блога.

      Трудности при извлечении пользы из озера данных с помощью ИИ

      Но искусственный интеллект и машинное обучение полезны не только при подготовке информации к анализу в озере данных или в хранилище, но и для самого анализа. Есть мнение, что основа успеха любой стратегии по использованию данных в компании – в умении превращать любой бизнес-вопрос (стратегический, тактический или операционный) в задачи для ИИ и ИТ-систем, связанных с ним. Считается, что искусственный интеллект сам может найти ответ на любой бизнес-вопрос в данных компании. При этом этот ответ будет понятным любому сотруднику компании. Ожидается, что возможность задавать бизнес-вопросы искусственному интеллекту должна значительно изменить мир бизнеса: любой не-ИТ специалист сможет легко извлекать ценные инсайты из данных компании. На самом деле, такая схема потребовала бы привлечения бесконечного числа экспертов в области искусственного интеллекта. А таких специалистов на рынке сейчас недостаточно. При этом недавний отчёт исследовательской компании Gartner показывает, что «к 2020 году для достижения бизнес-целей 50% компаниям будет не хватать сотрудников с хорошими навыками работы с данными и ИИ». Давайте представим такую ситуацию с любыми другими специалистами в компании. Что было бы, если бы в компании не хватало бы разработчиков или торговых представителей? Это стало бы кризисом, компания постаралась бы как можно быстрее решить эту проблему. А именно такой кризис сейчас и наблюдается в мире. И это при том, что в США, где так же, как и везде, не хватает специалистов по ИИ, число внедрений этой технологии в ближайшем будущем должно утроится. Кроме того, в краткосрочной перспективе развитию искусственного интеллекта может помешать ещё один фактор. Бизнес-команды ищут в данных очень специфичные тактические инсайты (как повысить прибыль, привлечь клиентов, продвинуть бренд). Команды data science больше интересуются более стратегическими задачами, стремятся применять инновации (компьютерное зрение, распознавание знаков, нейронный сети и прочее). ИТ-специалисты, разработчики фокусируются на масштабируемости решений, их надёжности, продуктивности и безопасности. Затруднения в коммуникации между этими разрозненными командами может привести к провалу инновационных внедрении ИИ и ML. Разные вовлечённые в тот или иной проект сотрудники могут просто не понимать той пользы, которую можно из него извлечь.

      Озеро данных: как выловить из него прибыль

      Большинство бизнес-моделей сейчас столкнулись со снижением возврата на инвестиции. Другими словами, компаниям приходится всё больше инвестировать в то, чтобы поддержать прибыль на том же уровне и не допустить её снижения. Целый ряд организаций инвестирует во внедрение инноваций и исследования, но не получают никакой практической пользы от этого. Касается это и озера данных. Извлечь из озера данных те результаты, которые нужны вашему бизнесу может быть непросто. Сделать эту цель более достижимой может помочь эффективная промышленная платформа. Важно, чтобы такая платформа могла легко охватить большое число наборов данных (естественно, не только из озера данных, о и из хранилища). Также необходимо, чтобы эта платформа могла в реальном времени обрабатывать потоковую информацию и сопоставлять ей с уже сохранёнными данными. Такая платформа станет мощным инструментом в руках инженера по данным, он поможет ему проводить более сложный анализ данных и извлекать инсайты из большего объёма информации. Такой подход будет эффективным для различных методик монетизации корпоративной информации в озере данных и в краткосрочной, и в долгосрочной перспективе, и при миграции в облако и при масштабной цифровой трансформации. За этим подходом – будущее. О российском опыте использования озера данных читайте в статье «Газпром нефть» первой в России запустила «умное озеро данных» на базе решений Informatica. Остались вопросы об озере данных? Присылайте их на почту info@dis-group.ru

      Рекомендуем также

      Кто нужен вашей компании: инженер данных или data scientist? Часть 2

      О том, кто такой инженер данных, чем он отличается от data scientist, и о том, кто из них нужен вашей компании рассказывает Адам Мюррей, менеджер по контентному маркетингу компании Sisense.

      10 января 2020
      Также читайте статью Что нужно, чтобы стать data scientist?

      Какие инструменты нужны инженеру данных

      Если просмотреть сайты по поиску работы, можно увидеть, что инженеры данных используют множество инструментов для поиска структуры в больших данных, управления ими, их хранения, перемещения. Среди этих инструментов – Hadoop, Spark, Kafka, MySQL, Redis, Riak, PostgreSQL, MongoDB, neo4j, Hive, and Sqoop. Кроме того, для инженеров данных будут полезны инструменты для управления конвейерами данных и потоками задач по обработке данных. Среди этих инструментов – Azkaban, Luigi, и Airflow и другие. При этом большинство хранилищ сейчас активно движется в облака. Поэтому инженеры данных всё больше работают с облачными сервисами AWS, EC2, EMR, RDS и Redshift, облачными хранилищами, например, Snowflake и Google BiqQuery, вычислительными облачными сервисами, например, Microsoft Azure, решениями для оркестрирования систем, например, Kubernetes. Более того, все большее значение приобретает машинное обучение и искусственный интеллект, нейронные сети. А подготовить конвейеры данных для нейронных сетей – также задача инженера данных. Что касается языков программирования, то инженеры по данным используют Python, R, Java, C++, и Scala.

      Какие инструменты нужны data scientist

      Data scientist тоже должен владеть Python, R, Scala, Java, and C++. Однако Scala всё-таки более популярна среди инженеров данных. Им она особенно нужна, так как со Spark сложно создавать крупные ETL-потоки. Bнженеры данных чаще используют и Java, хотя для data scientist этот язык в последнее время также приобретает всё большее значение. Кроме того, для data scientist могут быть нужны SPSS, SAS, Stata, и Julia для построения моделей, а также Matlab и F#. Когда data scientist использует Python, полезными будут библиотеки машинного обучения Scikit-learn, библиотеки NumPy, SciPy, Matplotlib, пакет для изучения статистических данных Statsmodels и другие. Безусловно, data scientist, как и инженеру данных не обойтись без хорошего знания решений для распределённого хранения и обработки больших данных Hadoop, Hive, Storm, Gurobi, MySQL, Spark, а также облачных сервисов AWS. Также data scientist должен прекрасно владеть широким перечнем инструментов для анализа данных, их визуализации, BI-инструментами. Так, для визуализации данных важно досконально изучить D3 (библиотека JavaScript). При работе с R для визуализации данных можно использовать ggplot2, с Python – библиотеку Pandas.

      Не только знания, но и опыт у data scientist и инженера данных

      Знание инструментов, которые я перечисляю выше – необходимое условие для успешной работы data scientist и инженера данных. Кроме того, если вы нанимаете того или другого специалиста, важно обратить внимание на практический опыт кандидатов. Очевидно, что и data scientist, и инженер данных должны разбираться в области ИТ, но на разном уровне. Обычно технические компетенции инженера данных более глубокие, он лучше знаком в различными ИТ-системами. Безусловно, определяющим тут является опыт работы с большими данными, различными базами данных, облачными решениями, опыт обработки больших объёмов разрозненных наборов данных и поиск в них полезной информации. Инженер данных должен понимать код и скрипты, иметь опыт мониторинга работы систем, создания дашбордов, настройки оповещений. Мы уже отмечали, что data scientist больше ориентирован на бизнес. Поэтому у него может быть экономическое, математическое образование и прочее. Также data scientist может прийти в профессию из вэб-разработки, администрирования баз данных и из других смежных специальностей. У data scientists обычно более богатый опыт в использовании прикладных математических моделей, статистики, разработки моделей данных и машинного обучения. Кроме того, как мы ранее отмечали, у него должен быть опыт визуализации данных и презентации инсайтов для бизнеса на основе данных. Другими словами, они должны хорошо уметь рассказать технических вещах людям из бизнеса.

      Оптимальный тандем – data scientist и инженер данных

      Выбирать межу data scientist и инженером данных нужно после того, как вы проанализировали те задачи, которые есть в вашей компании. Было бы оптимально нанять обоих. Такой тандем позволит вам извлекать максимальную пользу из данных, получать инсайты, которые будут двигать ваш бизнес вперед.

      Рекомендуем также

      Кто нужен вашей компании: инженер данных или data scientist?

      О том, кто такой инженер данных, чем он отличается от data scientist, рассказывает Адам Мюррей, менеджер по контентному маркетингу компании Sisense. Также Адам объясняет, кто из этих специалистов нужен вашей компании.

      9 января 2020
      Также читайте статью Что нужно, чтобы стать data scientist?

      Кто заставит данные приносить пользу: инженер данных или data scientist

      Рассмотрим такую ситуацию. В вашей компании всё идёт отлично. У вас большая база клиентов. У вас много посетителей на сайте, большинство из них сами запрашивают у вас коммерческое предложение, сами хотят протестировать ваш продукт или услугу. Вы постоянно находите перспективные лиды и хорошие идеи для лидогенерации. Вы постоянно развиваете отношения с партнёрами, потенциальными партнёрами, поставщиками, развиваете различные каналы сбыта. К чему приводит такая активная работа? К тому, что в вашей организации возникает большой поток данных. Важно эти данные собрать, аккуратно проанализировать, правильно интерпретировать, тогда развивать бизнес можно будет на их основе. Но, чтобы это всё осуществить, нужен квалифицированный специалист. Какой именно? Инженер по данным или data scientist? Может быть непросто сделать этот выбор, потому что между обязанностями этих двух специалистов – очень тонкая грань. Ниже вы найдёте рекомендации, которые помогут вам определиться.

      Инженер данных будет искать бриллианты в ваших данных

      Данные – это бриллианты. Однако для того, чтобы бриллиант получить, нужно найти алмаз, его извлечь из земли, очистить, обработать. Только тогда ценность бриллианта будет максимальной. Извлечением данных занимается инженер данных. Он одновременно и геолог, и горняк-добытчик. Он ищет, где могли бы быть полезные данные, потом разрабатывает, создаёт, тестирует и поддерживает инструменты для их извлечения, создания их моделей и генерации сырых данных. Другими словами, инженер данных работает с ИТ-архитектурой, базами данных, системами по масштабной обработке данных. Инженеры данных пытаются выкопать информацию из всех источников, которые доступны в организации, интегрировать данные, управлять ими и оптимизировать их. Зачастую данные оказываются неотформатированными, неподтверждёнными и могут содержать ошибки и специфичные детали. Решить эти проблемы также придётся инженеру по данным. Иногда инженеры могут рекомендовать и внедрять различные способы обработки и улучшения надёжности данных, их качества и прочее. Инженеру данных нужно стремиться создавать конвейеры данных. Необходимо выстраивать такие конвейеры и обеспечивать их эффективность, создавать постоянный свободный поток данных для data scientist и бизнес-пользователей. Когда данные выкопаны и проведена их первичная обработка, в игру входит data scientist. Благодаря работе инженера данных data scientist получает большие объёмы сырых данных из широчайшего набора источников. С помощью этих данных data scientist старается удовлетворить потребности бизнеса.

      Data scientist занимается переработкой сырья в ценные инсайты

      Если инженер данных занимается добычей алмазов, то data scientist – их огранкой, созданием бриллиантов. Data scientist шлифует данные для получения ценных инсайтов, которые будут соответствовать задачам бизнеса. Такие специалисты в основном сфокусированы на выявлении отношений между данными внутри организации. Они сравнивают данные, ищут в них закономерности и проводят их статистический анализ. Чаще всего у data scientist хорошие знания высшей математики и/или статистики. Благодаря этому они могут эффективно исследовать рынок и бизнес, чтобы находить в данных тренды и возможности. Эти драгоценные камни – инсайты – помогут лучше понять компании свой бизнес и клиентов, а значит повысить свою эффективность.

      Data scientist VS бизнес-аналитик

      Обычно data scientist передаёт результаты своей работы бизнес-аналитику. Тут может возникнуть путаница с обязанностями data scientist и бизнес-аналитика. Важно понимать, что первый анализирует данные, ищет полезные для бизнеса закономерности в них. Второй – отвечает за то, чтобы эти тренды подтвердить с точки зрения бизнеса и представить их представителям бизнеса в правильном бизнес-контексте. Если продолжить нашу метафору с алмазами и бриллиантами, то бизнес-аналитик будет ювелиром. Именно ювелир создаёт что-то ценное для широкой аудитории. Бизнес-аналитики помогают представителям бизнеса понять закономерности, тренды и инсайты, найденные в данных. В этой цепочке data scientist находится между инженером данных и бизнес-аналитиком, поэтому он должен сочетать в себе техническую экспертизу и понимание бизнеса. Подробнее о том, какие навыки инструменты нужны data scientist и инженеру по данным, читайте во второй части статьи.

      Рекомендуем также