По сравнению с традиционной автоматизацией, основанной на системе правил, такие алгоритмы лучше справляются с менее предсказуемыми и более сложными процессами. Благодаря машинному обучению ведущие организации повышают эффективность процессов в среднем на 30% и добиваются роста выручки на 5–10%. Например, одна компания в сфере здравоохранения разработала предиктивную модель, чтобы классифицировать заявки на возмещение расходов по видам рисков. В итоге число автоматически одобряемых выплат выросло на 30%, а ручные операции сократились на четверть.
Но многие компании пока застряли на пилотной фазе внедрения таких алгоритмов. По данным McKinsey Global Survey, всего 15% организаций удалось внедрить машинное обучение по всей организации, и всего 36% смогли преодолеть пилотную фазу. Мы изучили опыт более успешных компаний и выделили несколько важных этапов, помогающих успешно масштабировать такие проекты.
Эффект масштаба. Многие процессы проходят через несколько бизнес-единиц, и часто каждая команда пытается реализовать машинное обучение на своем отрезке. Это ошибка. Правильнее разработать с нуля сквозной процесс, который одинаковым образом решает схожие проблемы в разных подразделениях. Например, когда у нескольких подразделений есть трудности с обработкой документации или поиском несоответствий, можно выработать типологию таких ситуаций и разработать для них единые решения. Это повышает возврат на инвестиции в машинное обучение, и полученные знания можно использовать повторно.
Оценка необходимых навыков. Типология проблемных ситуаций также подсказывает, какие навыки и решения нужно развивать самостоятельно или купить; во втором случае это могут быть готовые платформенные решения или точечные решения для конкретных случаев. Для самостоятельной разработки нужны инженеры и дата-сайентисты, много времени и сил, но зато решение будет полностью индивидуальным. Платформенные решения внедряются быстрее и стоят меньше, но их нельзя полностью подстроить под себя. Точечные решения требуют минимальных навыков и внедряются быстрее всего, но возможности их повторного использования ограничены.
В статье мы также рассказываем о двух других важных этапах — это обучение алгоритмов на реальных данных и стандартизация проектов по внедрению машинного обучения для их последующего масштабирования.
