Сейчас “копаю” в сторону автоматизаций для бэкофисных функций с помощью ИИ (ML, LLM). Например, HR отдел (ассистент по регламентам и типовым вопросам сотрудников), Юристы (анализ договоров на соответствие шаблонам и внутренним политикам), ДИТ (автоматическая регистрация и классификация заявок в Service Desk, первичная диагностика типовых проблем), Бухгалтерия (обработка счетов, закрывающих документов) и тп.

Для корпораций, где ИБ важный момент (чувствительные, конфиденциальные данные), для решения таких задач может быть достаточно и “слабенькой” модели, но развернутой локально.

Вопрос только, как избежать провала ИИ-проекта, чтобы не решать все задачи отдела сразу, чтобы проект не стал слишком широким и плохо управляемым: с чего начать, как измерить результат и где именно возникает ценность.

Предлагаю результат моего исследования. Если кратко, алгоритм такой: Идея - PoC - MVP/Пилот - промышленная эксплуатация - масштабирование.

1. PoC. Проверяем техническую возможность. Небольшой датасет, базовый прототип и первые метрики качества. 70–80% хорошо, 30% меняем подход. Никаких интерфейсов и пользователей. Ответ: работает или нет. Срок 2-4 недели. 2. Пилот. Технология работает. Теперь проверяем, приносит ли она реальную пользу. Делаем минимальный интерфейс, подключаем пару систем, даём сотрудникам. Наблюдаем: возвращаются сами или забывают? Если возвращаются, то ценность есть. Сбои на этом этапе допустимы. Срок 2-3 месяца. 3. Продуктив. И технология работает, и люди принимают. Теперь делаем систему надёжной: интеграции, мониторинг, поддержка, SLA. Без ежедневного ручного вмешательства.

Переход между этапами - это фильтр. Останавливаемся, если не подтвердились логика и ценность. Успех первых двух формирует решение, имеет ли смысл вкладываться в промышленную систему. Ну и если после масштабирования каждую неделю тушим пожары и чиним интеграции - это уже не продуктив, а затянувшийся пилот.

#ИИ #ВнедрениеИИ #PoC #MVP #ITстратегия #ЦифроваяТрансформация