Евгения Любко: Обучение искусственного интеллекта осуществляется исключительно в процессе практической деятельности.

      Обучение нейросетям становится бесполезным без практического применения — финансирование можно сразу считать потерянным. Как разделить сотрудников на группы, учитывать экономию по ФОТ и оценивать возврат инвестиций на протяжении года — об этом рассказывает управляющий партнер HRM-платформы «Пряники» Евгения Любко в специальном материале для «Бизнес новостей». Это продолжение нашего цикла экспертных интервью о внедрении ИИ.

      — С чего начинать, чтобы обучение нейросетям приносило реальные результаты, а не оставалось лишь «полезным семинаром»?

      — В первую очередь, нужно проанализировать текущий уровень знаний сотрудников о нейросетях — провести опрос о том, какие нейросети они используют, для каких задач и чему бы хотели научиться. Во-вторых, важно разбить участников на группы по уровню знаний — от новичков до профессионалов — и для каждой категории подобрать практические примеры из реальной работы, на которых будет проходить обучение. Без практики бюджет можно сразу считать выброшенным, поскольку обучение нейросетям требует практического применения, предпочтительно на задачах, с которыми сотрудники сталкиваются ежедневно.

      — Как узнать, оправдались ли вложенные в обучение средства, и какие показатели важно измерить до и после?

      — Измерять нужно скорость решения конкретных задач. Например, анализ контрагента в отделе закупок занимал 2 часа — теперь это 5 минут, что дает 95% экономии времени. Или исследование рынка конкурентов: раньше на это уходил месяц, теперь можно мониторить конкурентные цены и акции в реальном времени. В денежном эквиваленте можно рассчитать эффективность через ФОТ: раньше специалист тратил 10 человеко-часов в месяц по 1000 рублей за час, теперь — 1 час, что экономит 9000 рублей в месяц на одного специалиста за конкретную задачу.

      — С какими типичными проблемами сталкиваются компании при расчете окупаемости, и как их избежать?

      — В первую очередь, это нехватка входных данных. Никто не фиксировал, сколько времени уходит вручную на ту или иную операцию, и невозможно провести сравнение точки А с точкой Б, так как о стоимости точки А никто не задумывался. Во-вторых, измерения оказываются условными. Мы не можем следить за каждым сотрудником и контролировать, перешел ли он на эффективный инструмент с ИИ, или продолжает выполнять работу традиционным образом, что создает значительные погрешности в измерениях. В-третьих, речь идет о стоимости токенов, если используются внешние нейросети, а также о стоимости оборудования и энергозатрат, если решение разворачивается на локальном сервере (что предоставляет больше возможностей для сценариев и работу с конфиденциальными данными). В итоге, такие измерения лучше проводить на протяжении хотя бы года, поскольку единовременные вложения в инфраструктуру, если нейросети разворачиваются в контуре компании, могут значительно превышать потенциальный полезный эффект за месяц, но приносить выгоду в долгосрочной перспективе.