Искусственный интеллект и большие данные — ниши для стартапов и кейсы применения в России

До 18 октября во ФРИИ открыт прием заявок на отраслевой трек акселерации по направлению Artificial Intelligence & Big Data. Делимся подборкой ниш и клиентских сегментов, в которых мы видим потенциал для AI-стартапов.

Что такое машинное обучение и с чем его едят? На самом деле ничего нового или сверхординарного в этом словосочетании нет. Очередной прекрасный термин, который маркетологи используют для популяризации своих решений. Но это и хорошо. Этот привлекает внимание к тематике и создает предпосылки для появления новых бизнесов в этом направлении.

Машинное обучение — это набор алгоритмов и методик, которые при правильном использовании позволяют получать очень эффективные результаты. Особенную популярность данная тематика приобрела благодаря тому, что за счет снижения стоимости вычислительных ресурсов появилась возможность использовать старые, но очень прожорливые алгоритмы для решения задач различных типов и в разных сегментах. Но давайте по порядку.

Для начала надо определиться, в какую сторону мы пойдем, = понять, кто будет нашим клиентом.

Исторически сложилось, что основными потребителями инноваций от малого и среднего бизнеса являются компании, обслуживающие b2c-сегмент (читай, работающие с клиентами физ.лицами). Например, банки, телеком, страховые, ритейл, ecommerce и т.п. Это обусловлено тем, что данные отрасли меняются с космической скоростью, и компаниям необходимо получать решения для победы в усиливающейся конкурентной борьбе.

Яркий пример конкурентной отрасли в b2c, готовой к внедрению инноваций — банки. Российские банки — одни из самых инновационных банков во всем мире. Например, «Тинькофф Банк» признан самым большим в мире интернет-банком.

Банки давно вышли в интернет и научились там эффективно работать. При этом они собирают данные о всех своих активностях и прилагают серьезные усилия для их монетизации и собственной оптимизации.

У любого бизнеса есть две задачи — вырастить доходы или сократить расходы. Рассмотрим детальнее, где стартапы на технологиях искусственного интеллекта и машинного обучения имеют хорошие перспективы.

Сегмент 1.

Оптимизация бизнес-процессов в операционной деятельности: автоматизация, снижение расходов, увеличение прибыли.

1) Математическое моделирование

Один из простейших методов повышения эффективности — это различные методы моделирования и последующей оптимизации процессов, протекающих внутри компании. Для этого необходимо построить цифровую модель предприятия и «скормить» ее специально настроенной системе, которая построит план оптимизации.

Среди тех предприятий, с которыми мы сотрудничаем, есть несколько компаний — за счет выполнения описанных выше действий они могут повысить эффективность и выработку компании в 5-10 раз! И это без каких-либо капитальных расходов на приобретение дорогостоящего оборудования или сложных ИТ-систем.

2) Автоматизация процессов (привет, чат-боты!)

Оптимизировать бизнес-процессы могут помочь чат-боты, а именно — их способность заменять персонального консультанта или службу клиентской поддержки. Правда большинство решений чат-ботов сложно отнести к искусственному интеллекту по одной простой причине — они пока объективно не очень умные и довольно ограниченные.

Сейчас во всем мире бурлит тема conversational commerce — мир ждет, что вместо менеджеров продажи будут осуществлять именно чат-боты. Да, наверное, однажды мы к этому придем, но пока технологии еще не полностью для этого готовы.

Пока основной бизнес в сфере чат-ботов — это студии по разработке ботов, которые фактически продают человеко-часы, продажа человеко-часов — не самый интересный для венчурных инвестиций бизнес (маржинальность всего около 20-40%, а для роста нужно серьезно раздувать штат).

Венчурным инвесторам интересны вендоры. Компании, которые разрабатывают программное обеспечение для своих клиентов. Таких пока мало, но уже сейчас есть некоторые очень интересные проекты.

Существует несколько проектов по созданию чат-ботов. Один из них — DigitalGenious, создан нашим соотечественником Дмитрием Аксеновым. Он привлек несколько миллионов долларов инвестиций на разработку ботов для автоматизации поддержки. Его решениями уже пользуются крупные международные компании типа KLM и некоторых других. В основе этого проекта — данные о диалогах, накопленных бизнесами. Именно эти данные можно поместить в специальные системы, и они смогут отвечать на вопросы живых людей также, как это делал бы живой человек-оператор. Подобный подход позволит компаниям сэкономить миллиарды долларов.

3) И еще раз про автоматизацию — в системах видеоаналитики.

Другая важная ниша для применений технологий машинного обучения — это автоматизированные системы для видеоаналитики. Ранее для компьютерного анализа видеопоток пропускался через огромное количество различных фильтров и анализаторов. Каждый из этих анализаторов писался вручную огромным количеством программистов и, если не учитывался какой-то параметр, то качество отработки систем было не самого высокого уровня.

Сейчас существуют эффективные методы потокового анализа за счет использования, в частности, технологии машинного обучения. Уже сформированы огромные обучающие выборки по видео, картинкам и тексту. За счет анализа этих картинок, выборок, ключевых слов и описаний можно обучить многоуровневую нейронную сеть.

И эта сеть в обученном состоянии может решать задачу классификации значительно более эффективно, чем даже человек.

Пример: компания VisionLabs, из которой ФРИИ недавно вышел по оценке 1,4 млрд рублей. VisionLabs была одной из первых российских компаний, кто научился эффективно обучать искусственные нейронные сети для решения задач классификации видео и успешно нашла свой бизнес-сегмент (борьба с мошенниками в банках), который позволил это решение продавать клиентам достаточно дорого.

Сегмент 2.

Продажи и персонализированный маркетинг нового поколения: анализ факторов, влияющих на поведение людей, и формирование оптимальных моделей продажи.

1) Выявление и эксплуатация поведенческих паттернов

Анализ больших объемов данных о пользовательской (потребительской) активности позволяет выявлять поведенческие паттерны, на основании которых можно зарабатывать дополнительные деньги.

Пример: у интернет-магазинов есть проблема брошенных корзин. Интернет-магазину сложно понять, почему корзина была брошена. У него есть огромное количество связанных или несвязанных между собой параметров: откуда пришел человек, что делал на сайте и т.д. Эти параметры необходимо проанализировать и понять, что привело к покупке, а что от нее оттолкнуло. Чем больше значений каждого конкретного параметра, тем больше база, в рамках которой можно провести исследование и выявить, каким образом можно повлиять на эти процессы. Человек уже не в состоянии проанализировать это огромное количество данных.

Здесь могут помочь нейронные сети. Проблему брошенных корзин решает, например, наша портфельная компания Convead. Convead анализирует поведение всех пользователей интернет-магазина, группирует их по схожим параметрам и каждой группе делает специальное торговое предложение, тем самым повышая количество покупок в магазине. Convead позволяет как увеличить количество новых покупателей, так и подтолкнуть клиентов магазина совершать повторные покупки. В результате использования Convead выручка интернет магазина растет на 10-30%.

2) Рекомендательные системы

Задачу для рекомендательной системы можно найти везде. Например, вы смотрели в интернет-магазине юбку или кроссовки, и система вам показывает похожие варианты. Чем больше данных о вас система получает, тем больше рекомендаций она может дать, и тем они точнее.

В России и за границей есть несколько компаний-поставщиков рекомендательных систем, средний чек качественной рекомендательной системы для интернет-бизнеса может доходить до нескольких миллионов или даже десятков миллионов рублей в зависимости от того, что они предлагают.

Подобного рода системы значительно повышают уровень конверсии, а значит — доходы компаний. Когда поставщик рекомендательной системы может показать, как она влияет на показатель конверсии и увеличивает продажи на несколько процентов, клиент обычно готов поделиться с поставщиком достаточно большой суммой денег. Это также очень интересная ниша для создателей стартапов.

3) Оптимизация процесса продажи

Каждый человек имеет сферу интересов, которая сохраняется по итогам поисковых запросов или посещенных сайтов. Когда мы заходим постоянно с одного и того же компьютера, у Яндекса, Google, Mail.ru и других интернет-компаний накапливается огромная база данных.

На основе этих данных построены системы таргетированной рекламы. Рекламы, которая «догоняет» нас на всевозможных сайтах. Но это всего лишь первый шаг. Дальше к данным о нашем поведении и интересах будут добавляться данные психологической классификации человека. Психологический профиль строится на основании тех же интересов. Уже существуют рабочие методики построения персональной модели продаж, которая будет эффективна для конкретного человека.

Дальнейшее развитие технологий приведет к созданию персонального интернета для человека, интернета, где каждый сайт или любая реклама будет предоставляться в том виде, что оказать на него максимально персонализированное воздействие.

Применение технологий искусственного интеллекта и машинного обучения в телекоме и кибербезопасности

Разберем на потребностях двух отраслей, приоритетных для ФРИИ как для инвестора.

Телеком может пользоваться системами поддержки и таргетирования как внешних, так и внутренних клиентов, а также различных рекламных объявлений для своих пользователей. Телеком, как и многие банки, имеет огромное количество информации о поведении своих абонентов, а такие партнеры ФРИИ, как «Ростелеком», MTT, «Акадо Телеком», даже выразили готовность делиться обезличенными данными со стартапами. Информация об абонентах может быть использована миллионом методов.

Во-первых, телеком может анализировать поведение абонентов, чтобы выявить причины оттока и предугадать, когда абонент собирается перейти на другого оператора. Он может из своего большого количества данных выявлять факторы, которые приводят к тем или иным проблемам. Во-вторых, телеком может обогащать обезличенными данными рекламные системы, которые формируют профили клиента. В-третьих, телеком может формировать специализированные тарифы на основе фактов: проанализировать поведение людей, построить математическую модель с прогнозом, на базе этого сформировать такие тарифы, которые убедят клиентов остаться с оператором и позволят увеличить доход с клиента.

Машинное обучение может использоваться и в кибербезопасности: существует класс решений, которые анализируют множество параметров в компьютерных системах, серверах и группах серверов. По одному параметру достаточно сложно поймать происходящее нарушение, но существует технология обучения специализированных математических моделей на выборке аномальных аспектов или вирусов. Она позволяет в режиме реального времени анализировать огромное количество информации, которое поступает с различных мониторинговых систем серверов и программных решений на компьютерах реальных пользователей. На основе этих данных и корреляции их изменений система делает выводы, что в конкретном месте происходит атака, злоупотребление. Иными словами, засекает отклонение от стандартного поведения. Без человеческого участия можно засечь атаку еще до того, как она выльется в проблемы.

Все описанные выше проекты уже существуют за границей, в России их очень мало —тематика машинного обучения и компьютерного анализа данных пока достаточно редкая и крайне сложная, так как требует серьезного математического подхода, умения использовать аналитический инструментарий и глубокого понимания технологий. Data scientist — человек, который работает с данными — сейчас одна из самых востребованных профессий, которые есть вообще в мире. Это большой тренд, который только усиливается.

Если ваш стартап из этой сферы — до 23.59 (Мск) 18 октября подавайте заявку в отраслевой трек Акселератора по искусственному интеллекту и большим данным! Мы поможем, поддержим и дадим доступ к уникальному набору данных, на основании которого вы сможете построить свой бизнес.