Кому-то нейросети нужны, чтобы быть в тренде. Кому-то — для оптимизации процессов, повышения эффективности и качества обслуживания клиентов. А кому-то — все и сразу. И пусть тема внедрения ИИ не так нова, как пару лет назад, предлагаю вам свой скромный опыт выбора решения.
Меня зовут Анна Богданова, я руководитель отдела поддержки Kokoc Group. Мы с коллегами из Департамента IT в октябре попробовали внедрить ИИ на внутренней кухне — службе поддержки пользователей (кого мы так нежно любим и кто не поскупится на обратную связь). Как и любую команду, нас ждал нелегкий выбор — взять готовое решение или сделать свое. В этой статье делюсь нашими муками выбора и принятым решением.
Готовый GPT-чат или аналог от «Яндекса»
В случае с готовым решением важно учитывать, что нейросеть следует сначала «обучить», то есть написать для нее промты. Эта работа ляжет на плечи внедряющих. В нашем случае — на команду поддержки.
Плюсы готового решения:
-
Скорость и простота внедрения без затрат времени на реализацию. Бери готовый движок и внедряй.
-
Стоимость. Такое решение дешевле, чем кастомная разработка. Для маленьких проектов этот фактор может быть критичным.
-
Поддержка и отслеживание новых технологий. Те же «Яндекс» и GPT обеспечивают техническую поддержку и регулярные обновления. Пользователи не вкладываются в развитие и всегда остаются в тренде.
-
Надежность. GPT прошел тестирование в различных условиях, в отличие от новых кастомных разработок.
Минусы готового решения:
-
Отсутствие индивидуального подхода. Готовые решения могут не удовлетворять всем специфическим потребностям бизнеса. Чтобы их удовлетворить, придется доучивать системы через написание промтов. Либо берем готовое и не гибкое, либо пишем промты, что затратно. В нашем случае особую осторожность пришлось проявить из-за персональных данных пользователей – не стоит ими делиться с готовыми внешними решениями.
-
Зависимость от поставщика. Так, GPT соблюдает санкции, а «Яндекс» со временем может менять условия.
-
Интеграция с существующими системами. Просто из коробки ИИ использовать не получится. Необходимо допилить свою интеграцию. При этом делать ее с внешней системой может быть затратно.
Кастомная разработка
Тут несколько вариантов:
-
Обратиться в компанию. Такие на рынке есть. Большинство, правда, работает не так давно.
-
Самим написать ML-модель и сделать MVP.
Плюсы кастомной разработки:
-
Индивидуальные решения. Кастомная разработка позволяет создать систему, соответствующую специфическим потребностям бизнеса. Это повышает эффективность и улучшает результаты.
-
Контроль над процессом. И если делаете сами, и в случае найма подрядчика можно вносить изменения по мере необходимости.
-
Интеграция. Кастомные решения могут быть разработаны с учетом существующих процессов и систем, что облегчает интеграцию.
Минусы кастомной разработки:
-
Высокая стоимость. Требует значительных инвестиций в разработку, тестирование и поддержку. Может оказаться непосильным для малых и средних компаний. Так, кастомная разработка внешним подрядчиком под наши запросы внутренней поддержки составила бы несколько миллионов в год. Разработка внутри компании оказалась дешевле. При этом растить экспертизу мы будем у себя в команде, а не у подрядчика.
-
Долгий срок разработки. Внешний подрядчик запросил по срокам от трех месяцев. Внутренняя разработка ML заняла примерно столько же времени.
-
Риски. Возможные ошибки в коде, неудачные архитектурные решения. При внедрении решения подрядчика следует учитывать, что его нужно будет поддерживать и обновлять. А это не бесплатно.
Барабанная дробь… Что же выбрать?
Любое решение должно в первую очередь приносить пользу бизнесу. Поэтому нужно отталкиваться от размеров компании, бюджета, специфических потребностей (или их отсутствия) и сроков внедрения.
-
Для малых и средних компаний, которые хотят быстро начать использовать ИИ без значительных вложений, готовые решения могут быть более подходящими.
-
Для крупных компаний с уникальными потребностями и ресурсами кастомная разработка может быть удобнее из-за гибкости и контроля.
Рекомендую оценить изначальную стоимость проекта и только после этого приступать к любому варианту реализации. Выбор между готовыми решениями и кастомной разработкой ИИ — это вопрос баланса между затратами, временем и потребностями бизнеса. Важно тщательно оценить все аспекты и выбрать тот путь, который наилучшим образом соответствует вашим целям, а главное – ресурсам.
В нашем случае, первоначальная оценка потенциальной выгоды/затрат была выполнена не совсем верно, и поэтому проект внедрения собственной ИИ пришлось немного отложить. Из плюсов ситуации – мы смогли найти точку окупаемости, когда потенциальная выгода станет выше потенциальных затрат на внедрение.
ссылка на оригинал статьи https://habr.com/ru/articles/873760/
Добавить комментарий