Еще несколько лет назад, чтобы получить техподдержку, нужно было ждать свободного сотрудника. 53% пользователей в мире говорили, что эта часть взаимодействия вызывала у них больше всего досады. Теперь на самые распространенные вопросы отвечают чат-боты на основе ИИ. Среди опрошенных компаний в Америке и Европе больше 60% уже внедрили их в бизнес и почти 20% – планировали. После внедрения чат-ботов у первых их продажи выросли до 70%.
В последние годы свою ИИ-команду активно развивает и Favbet Tech. Эта IT-компания разрабатывает решения для беттинговых платформ, где можно делать ставки и играть в игры.
В партнерском материале с Favbet Tech тимлид команды data science Александр Стратиенко рассказывает, какие задачи компании теперь выполняет искусственный интеллект, почему ИИ – это не только нейросети и может ли всю команду заменить один человек.
Когда и как математика превращается в ИИ
Искусственный интеллект (ИИ, AI) – это создание систем, которые могут учиться на данных и делать на их основе определенные выводы, прогнозировать события и их вероятности. То есть облегчать работу человека.
ИИ часто упоминают наряду с data science и big data. Но одно не заменяет другое. Data science – это совокупность инструментов и подходов для создания искусственного интеллекта, а big data
большие данные – это данные, которые используются для обучения моделей.
Александр Стратиенко, тимлид команды data science в Favbet Tech
Data science – это интердисциплинарное поле. Оно содержит как математику (матанализ, линейную алгебру, теорию вероятностей и тому подобное), так и языки программирования, такие как Python. Data science – это также алгоритмы, с помощью которых мы обучаем модели для решения задач.
В чем же разница между математикой и data science и ИИ? Когда одно переходит в другое?
Простыми словами, когда человек вручную или в коде прописывает все необходимые формулы и подсчитывает вероятность события или какой-либо другой результат – это математика. А когда человек создает алгоритм, по которому машина сама делает эти расчеты, – это искусственный интеллект.
«Математические подходы для задач Favbet Tech мы использовали уже давно, но только в 2021 году начали внедрять именно ИИ», – говорит Александр.
Узнать больше о Favbet Tech.
Как работают ИИ-алгоритмы
Хотя многие базовые алгоритмы реализовываются на разных языках программирования и используются специалистами по всему миру, ИИ-инженер должен понимать, как работают эти алгоритмы и как их использовать для конкретных бизнес-задач. Преимущество ИИ в том, что, в отличие от человека, он сможет обработать гораздо больше данных и определить, какие из них самые важные. Кроме того, ИИ производит расчеты гораздо быстрее.
Вот как это работает на примере нейронных сетей. Предположим, у нас есть алгоритм для определения вероятности того, вернет ли клиент банку кредит. Сначала нейросети нужно научить.
- В нейросеть загружают характеристики имеющихся клиентов, которые уже брали кредит. Среди характеристик могут быть, например, возраст, уровень зарплаты, наличие или отсутствие высшего образования и пол. Это все становится входными данными нейронной сети.
- Из композиции этих данных создаются нейроны сети. Каждый нейрон имеет порядковый номер и вес
важность для подсчета. - Поскольку клиентов банка очень много – это могут быть миллионы людей – нейронная сеть может точно определить, какая характеристика важна и насколько, то есть обновить вес соответствующего нейрона.
Схематическое изображение нейронной сети
В обученную сеть подают характеристики клиентов, по которым нужно произвести расчет. Их веса математически выглядят как матрицы, которые определенным образом умножаются, и результатом этого перемножения является вывод – Х% вероятности, что клиент вернет кредит.
Хотя под ИИ часто понимают нейросети, бывают и другие ИИ-алгоритмы, например основанные на деревьях решений. В этих алгоритмах нет нейронов, но есть ноды (узлы). Схема алгоритмов визуально выглядит как реальное дерево: то есть в каждом конкретном случае есть много вариантов, по какой ветке пойти и какой результат получить.
Деревья решений являются набором правил, в которых разные значения характеристик влияют на финальный результат. В отличие от нейросетей, они явно показывают, какая характеристика так или иначе повлияла на результат.
Кроме задач кредитного скоринга, который мы упоминали выше, деревья решений используют и для более сложных моделей, например, для понимания, как изменится поведение пользователя при определенной коммуникации. А именно когда нужно проанализировать клиента и определить, какое поощрение ему дать.
Кроме нейросетей и деревьев существует множество других алгоритмов. По словам Александра, нет единого правильного решения, для какого задания какой алгоритм использовать. Обычно тестируют несколько подходов, сравнивают скорость и точность работы алгоритма и решают.
Больше о решениях для бетинговых платформ здесь.
Какие бизнес-задачи может решать ИИ: собственный опыт
ИИ решает задачи разного уровня сложности. Например, задача определить, сможет ли потенциальный клиент вернуть кредит, достаточно распространенная и входит в задачи классификации.
Другой задачей может быть создание на основе ИИ рекомендательной системы или системы anti-fraud.
Рекомендательные системы
«Рекомендательные системы, подключенные к разным сайтам, предлагают некий список продуктов, подобранный индивидуально для пользователя, – объясняет Александр. – Например, игры или фильмы, которые вам понравятся».
Удачно подобранные ИИ рекомендации значительно улучшают user experience – опыт пользователей. Они будут тратить меньше времени на поиск интересующего их товара или продукта, вероятно, что останутся на сайте, если предложенный продукт зацепит их с первого взгляда, и, скорее всего, вернутся, если это окажется именно тем, чего они хотели.
Алгоритмы Favbet Tech написаны под каждый конкретный случай: например, «холодный старт» – когда пользователь новый, но ему все равно нужно что-то порекомендовать. Тогда это может быть топ-20 популярных продуктов.
«Мы видим, что клиент меньше времени проводит в поиске необходимого ему продукта, растет количество клиентов и уровень прибыли от продаж, – рассказывает Александр Стратиенко. – Мы тестировали, что в рекомендательном сервисе работает лучше – рандом или алгоритм, и ИИ побеждает».
Системы anti-fraud
Фрод (fraud – мошенничество) распространен в электронной коммерции, в финтех-отрасли, а также в беттинге.
«Категорий фрода в ставках на спорт очень много, но разбираться в них – задача букмекеров, – говорит тимлид команды data science. – Мы занимаемся разработкой алгоритма, который может определить, является ли клиент потенциальным мошенником».
Предотвращение игровой зависимости
Игровая зависимость, или лудомания, – это психологическое расстройство, при котором человек не способен контролировать время и деньги, которые тратит на игру. Беттинговые платформы продвигают ставки как развлечение, а не вид заработка и прилагают все усилия, чтобы помочь людям играть ответственно.
«Ответственная игра – это приоритетный проект для нашей команды: мы вкладываем в него много сил и ресурсов», – говорит Александр.
Основная задача искусственного интеллекта – определить подозрительную активность пользователя, например, аномальные затраты, которые могут свидетельствовать о развитии зависимости. К примеру, если какой-то клиент тратил обычно $200 и внезапно вложил $1 тыс.
«Это гибкая и индивидуализированная система. Потому что для кого-то $200 будет обычной системой, а для кого-то – аномалией, – объясняет Александр. – Поэтому ИИ анализирует подозрительную активность, учитывая разные характеристики клиентов, их обычные затраты и, главное, время, проведенное на платформе, а также другие цифры, которые алгоритм определит как важные».
Информация об аномалиях передается менеджерам, и те уже решают, что с этим делать: блокировать ли пользователя или ограничить его игровую активность.
Посмотреть, какие бизнес-задачи решает Favbet Tech с помощью ИИ, можно здесь.
Внедрение искусственного интеллекта в бизнес: как выглядит на практике
Разработка
Проект с ИИ начинается с задачи, которую можно решить с помощью этого инструмента, отмечает Александр. Под задачу подбирают технологию и команду.
В команду должны входить как те, кто работает с данными (дата-сайнтисты, дата-инженеры и дата-аналитики), так и те, кто будет разворачивать проект (девопсы) и его администрировать, то есть проджект-менеджеры. «На каждом проекте свой стек технологий, – говорит тимлид команды data science в Favbet Tech. – Математическую модель обычно разрабатывают на Python, но затем ее нужно интегрировать в продукт с помощью одного из облачных решений, например AWS».
Большая команда необходима для масштабных задач. Если бизнес хочет испытать этот инструмент на простой задаче, с таким проектом может справиться даже один человек, считает Александр. Но этот специалист должен иметь навыки и в дата-инжиниринге, то есть в процессе сбора, обработки и сохранения данных из разных источников, и в data science – анализе данных и подборе необходимого алгоритма, а также в разработке, чтобы имплементировать алгоритм в конкретный продукт.
Сами ИИ-алгоритмы с нуля дата-сайнтисты обычно не пишут, потому что базовые реализации уже существуют – их создали крупные компании вроде Google или Facebook. Но бывают случаи, когда готовые модели нужно модифицировать.
«Например, я создавал для Favbet Tech новый алгоритм для прогнозирования количества голов в разных видах спорта: футбол, баскетбол и так далее, – рассказывает Александр. – Готовой модели как раз под спорт не было, но я взял за основу идею другого алгоритма машинного обучения».
Сложность внедрения ИИ на проект еще и в скорости. На сложную систему, даже если базовый алгоритм уже есть, может уйти год-полтора. Но в среднем проект занимает от трех месяцев до года вместе с тестированием.
Тестирование
«Мы стараемся избегать ситуаций, когда баги выявляются уже на продакшене, поэтому используем несколько этапов проверки», – рассказывает Александр Стратиенко.
К примеру, для рекомендательной системы нужно проверить релевантность персональных рекомендаций и соблюдение всех бизнес-правил. Также нужно проверить работу сервиса под нагрузкой, чтобы быть уверенным, что он не упадет и время ответа сервиса будет достаточно быстрым.
После этого можно приступать к A/B-тестированию с распределением выборки на пилот/контроль и последующим сравнением соответствующих бизнес-метрик.
«Конечно, даже с таким подходом случаются ошибки, – делится Александр. – Но очень банальные, например, сервер не выдерживает нагрузки. Были у нас ошибки и в рекомендательных системах, когда для клиентов отражались нерелевантные позиции. Тогда нужно как можно быстрее исправлять ошибку и обновлять сервис».
Favbet Tech планирует расширять ИИ-отдел. Среди ближайших задач – автоматизация поддержки, потому что уже есть немало интересных готовых решений для этого, в том числе ChatGPT. Также компания продолжит развитие систем anti-fraud, чтобы охватывать все возможные схемы мошенничества, и рекомендательного сервиса, который делает платформу более удобной для пользователей.
УЧАСТИЕ В АЗАРТНЫХ ИГРАХ МОЖЕТ ВЫЗВАТЬ ИГРОВУЮ ЗАВИСИМОСТЬ. ПРИДЕРЖИВАЙТЕСЬ ПРАВИЛ (ПРИНЦИПОВ) ОТВЕТСТВЕННОЙ ИГРЫ.
Лицензия на осуществление деятельности по организации и проведению азартных игр казино в сети Интернет от 20.04.2021 года, выдана ООО «БК “ФАВБЕТ”» на основании Решения КРАИЛ от 05.04.2021 года за №137 с изменениями и Лицензия на осуществление деятельности по организации и проведению букмекерской деятельности от 28.12.2022 года, выдана ООО «БК “ФАВБЕТ”» на основании Решения КРАИЛ от 13.12.2022 года за №433.
Сообщить об опечатке
Текст, который будет отправлен нашим редакторам: