Первый ИИ-проект должен решать понятную рабочую задачу. Идея «внедрить помощника для всех сотрудников» слишком широка: у подразделений разные данные, правила доступа и ожидания. Лучше выбрать отдельную операцию, которую можно описать, наблюдать и сравнить с текущим способом работы.

Чтобы понять, как выбрать процесс для внедрения ИИ, нужны ответы на три вопроса: где возникает заметная потеря времени, есть ли подходящие данные и можно ли контролировать последствия ошибки. Уже после этого определяют архитектуру решения и требования к серверам.

Начните с конкретной операции

Соберите примеры повторяющейся работы у сотрудников, которые выполняют её каждый день. Формулировка «автоматизировать закупки» не показывает границ проекта. Формулировка «извлекать позиции и сроки поставки из входящих коммерческих предложений» позволяет определить входные документы, результат и человека, который его проверит.

Для каждого кандидата зафиксируйте:

  • исполнителя и владельца процесса, который отвечает за результат;
  • событие, запускающее операцию, и ожидаемый результат;
  • частоту повторения, затраты времени и типичные задержки;
  • используемые документы, приложения и правила согласования.

Не ограничивайтесь самым длительным действием. Иногда сотрудник тратит мало времени на одну заявку, но обрабатывает их весь день. В другом случае большую часть задержки создаёт ожидание согласования: ускорение подготовки текста почти не изменит общий срок.

Проверьте, нужен ли здесь ИИ

Оценка применимости ИИ начинается с характера задачи. Если результат однозначно определяется набором правил, сначала стоит рассмотреть обычную автоматизацию. Например, перенос известного поля между двумя системами не обязательно требует языковой модели.

ИИ имеет смысл проверять там, где нужно работать с вариативными формулировками, извлекать сведения из разных документов или готовить черновики. При этом следует заранее определить, какие действия останутся у человека. Подготовить проект письма и самостоятельно отправить клиенту обещание о сроках — разные по последствиям сценарии.

В рекомендациях Google Cloud выбор технологии также начинается с измеримой бизнес-цели и проверки, требуется ли для её достижения ИИ. Такой порядок помогает отделить задачу компании от желания использовать конкретную модель.

Оцените доступность данных и интеграций

Для первичного отбора не нужен подробный аудит всех корпоративных данных. Достаточно выяснить, доступны ли материалы для выбранной операции и кто может разрешить их использование. Папка с тысячами файлов мало помогает, если в ней смешаны устаревшие и действующие документы без понятного владельца.

Попросите сотрудников показать обычные входные данные, сложные случаи и примеры корректного результата. Проверьте, можно ли получить эти материалы из рабочей системы и вернуть результат в привычный интерфейс. Если сотруднику придётся вручную переносить сведения между окнами, часть ожидаемого выигрыша исчезнет.

Готовность бизнес-процесса к автоматизации зависит и от организационных условий. Нужны ответственный эксперт, доступ к тестовым материалам и согласованная граница полномочий приложения. Отсутствие одного из этих условий лучше увидеть до выбора оборудования.

Составьте матрицу приоритетов

Матрица приоритизации ИИ-проектов нужна для сравнения кандидатов по одинаковым вопросам. Ниже — рабочий шаблон обсуждения, а не универсальная шкала: значимость критериев зависит от целей компании.

КритерийЧто выяснитьПризнак готовности
ЦенностьКакой результат важенПонятна рабочая проблема
ПовторяемостьКак часто возникает задачаЕсть регулярный поток
ДанныеЧто доступно для проверкиЕсть актуальные примеры
Цена ошибкиК чему ведёт неточностьПредусмотрена проверка
ИнтеграцииЧто придётся менятьИзвестны системы и доступы
ОтветственностьКто примет результатНазначен владелец процесса

Не сводите все ответы к одной сумме баллов без пояснений. Сценарий с хорошей оценкой по трудозатратам может оказаться непригодным из-за отсутствия разрешённого доступа к данным. Сначала выделите обязательные условия, без которых проект не начнётся, и только затем сравнивайте оставшихся кандидатов по ожидаемой пользе.

Начните с сценариев, где заметный эффект сочетается с доступными данными и ограниченным объёмом изменений. Идеи с большим потенциалом, но неясными исходными условиями оставьте на следующий этап подготовки.

В подходе AWS к приоритизации учитываются бизнес-ценность, доступность данных, вычислительных ресурсов и компетенций, а также сложность внедрения. Для внутреннего выбора полезно обсуждать эти ограничения вместе с владельцем процесса и ИТ-командой.

Сузьте выбранный сценарий до рабочего участка

Допустим, отдел закупок хочет ускорить обработку предложений поставщиков. Полная автоматизация включает чтение документов, сравнение условий, переговоры и согласование заказа. Для первого проекта можно оставить извлечение позиций в черновую сравнительную таблицу, которую проверяет специалист.

Такой выбор задач для автоматизации ИИ сохраняет понятную границу ответственности. Приложение готовит данные, сотрудник исправляет неточности и принимает решение. До начала разработки стоит выполнить четыре действия:

  • Зафиксировать исходное время обработки с учётом проверки и исправлений.
  • Выбрать типы документов и случаи, которые войдут в первый запуск.
  • Определить, какие результаты требуют обязательной проверки специалиста.
  • Назначить владельца процесса, который подтвердит полезность выбранной операции.

Здесь важно учитывать всю работу сотрудника. Если подготовка таблицы ускорилась, но проверка стала занимать больше времени, заявлять об улучшении рано. Смысл первого этапа — уточнить ценность сценария и его границы, прежде чем расширять автоматизацию на весь отдел.

Заранее договоритесь, что произойдёт с пограничными случаями: незнакомым форматом документа, отсутствующими сведениями или противоречивыми условиями. Для первого проекта часто достаточно передавать такие материалы специалисту. Это позволяет сохранить узкую задачу и не включать в разработку все исключения сразу.

Переведите задачу в требования к инфраструктуре

Выбор первого ИИ-проекта даёт исходные данные для подбора оборудования. ИТ-команде нужны формат и объём входящих материалов, число пользователей, одновременных обращений и допустимое время ожидания. Отдельно определяют, можно ли передавать документы внешнему сервису или обработка должна оставаться внутри инфраструктуры компании.

Для локального запуска серверы с GPU подбирают после проверки подходящей модели на материалах процесса. В спецификации учитывают видеопамять, оперативную память, накопители и сеть. Возможности установки сверяют с питанием, охлаждением и местом в стойке. Один удачный запрос на тестовом компьютере ещё не определяет конфигурацию для рабочего отдела.

Miridium предлагает проектирование инфраструктуры для машинного обучения и ИИ, подбор и поставку серверного оборудования. Для предметного обсуждения подготовьте описание выбранной операции, ограничения по данным и ожидаемую нагрузку. На этой основе можно переходить к сайзингу и спецификации, сохраняя связь между закупкой оборудования и задачей бизнеса.