Как подготовить данные организации к внедрению ИИ: чек-лист для руководителя

Перед тем как начать внедрять ИИ в свои бизнес-процессы, необходимо провести инвентаризацию всех данных компании, которые будут участвовать в автоматизации.

Зачем?

Для того чтобы понять, реализуема ли вообще задумка по автоматизации. 

Во-первых, планы могут нарушиться из-за того, что какие-то данные невозможно получить в данный момент: из-за технических особенностей системы или политики безопасности компании. 

А во-вторых, сами данные могут быть некачественными: может отсутствовать часть мелкой, но важной информации, или вообще огромные блоки данных могут состоять из мусора — ненужных логов, переписок и так далее.

Поэтому наша команда подготовила простой чек-лист, который поможет провести аудит данных перед внедрением ИИ в компанию.

Чек-лист перед внедрением ИИ в компанию

Всего 7 простых пунктов.

1. Проведите инвентаризацию данных

Определите, где лежат знания и операционные данные: CRM, ERP, документы, почта, базы знаний, файловые хранилища.

Для будущего ИИ-агента желательно иметь единый и понятный «флоу» доступа к информации. Необязательно физически переносить все данные в одну систему — можно оставить CRM, GitLab, Confluence и другие сервисы на своих местах. Главное, чтобы агент понимал, где искать нужную информацию, и мог быстро получить к ней доступ.

Если агенту, чтобы собрать информацию о задаче, надо зайти в CRM и GitLab — это одно дело. Но если ему придётся из CRM идти в GitLab, потом в Confluence, FTP, Яндекс Диск, Яндекс Почту, ещё какое-нибудь API... это капец.

Чем больше систем приходится последовательно обходить, тем сложнее автоматизация: растёт количество запросов к внешним сервисам, увеличивается время выполнения задачи, появляются дополнительные точки отказа и в некоторых случаях растут расходы на токены и API.

Не говоря уже о ситуации, когда агент на середине задачи обнаруживает, что у него нет доступа к нужному файлу на Яндекс Диске или документу в другой системе.

Так вот, чтобы такого не было, основные данные желательно либо собрать в одном-двух источниках, либо организовать единый и понятный алгоритм доступа ко всем системам.

2. Назначьте ответственных за данные

Если данные распределены по десятку мест, назначьте людей, которые будут с этими данными работать: актуализировать, приводить в нужный вид (пункт 4).

Если данные уже структурированы или лежат в одном-двух местах, то всё равно необходимо закрепить ответственных за эти источники. Например, один человек может следить за качеством и актуальностью данных в CRM, а другой — в GitLab.

Здесь важно понимать, что задача ответственного — не просто следить за тем, чтобы сервис работал. Он должен понимать, какие данные там хранятся, насколько они актуальны и кто имеет к ним доступ (пункт 3).

3. Проверить доступы и интеграции

Наличие актуальных данных не решает ещё одну проблему многих крупных компаний — доступность этих данных. Многие помнят ситуацию, когда только устраиваешься в большую компанию и ждёшь нужные доступы месяц, а бывает и больше. Поэтому всё необходимое для будущей интеграции лучше запросить заранее.

Если речь идёт об отдельных интеграциях — например, с банком, VK или государственными сервисами — лучше заранее собрать в одном месте всё, что понадобится разработчикам для подключения: список сервисов, необходимые права, документацию по API, контактных лиц и сами доступы или способ их безопасного получения.

При этом пароли, токены и ключи лучше передавать через защищённое корпоративное хранилище, а не хранить в общем документе.

Плюс необходимо заранее проверить техническую доступность самих данных. Например, как ИИ-агент будет получать информацию о клиенте? Есть ли у CRM или ERP нужный API? Какие данные через него вообще можно получить?

Например, нам в VVERH DIGITAL пришлось разрабатывать отдельный API-модуль для нашей ERP и настраивать права доступа к данным. Только после этого мы смогли начать интеграцию с ИИ-агентом.

4. Проведите чистку

Удалите дубли, устаревшие регламенты, противоречивые версии документов, нераспознанные сканы и хаотично разложенные файлы.

С одной стороны, работать можно и с такими данными. С другой — автоматизацию придётся дольше тестировать и корректировать, потому что агенту будет сложнее находить актуальную и правильную информацию.

Плюс чем больше лишних данных приходится индексировать, искать и обрабатывать, тем выше расходы на инфраструктуру и API нейросетей. Нам кажется прискорбным переплачивать за обработку старых и некачественных сканов.

Особенно если речь идёт о документах, которые сначала необходимо распознать или проанализировать с помощью компьютерного зрения. Такая обработка тоже стоит денег, поэтому лучше заранее убрать всё, что точно не понадобится ИИ-агенту.

5. Разделите данные на безопасные и чувствительные

Что мы имеем в виду.

Есть персональные данные: например, номера телефонов, адреса, даты рождения, а также доступы к внешним сервисам. Такие данные нельзя просто взять и отправить в облачную нейросеть. Сначала надо проверить требования законодательства и политики безопасности компании. Особенно если данные уходят во внешний или зарубежный сервис.

Если Вы работаете с государственной тайной или другой особо чувствительной информацией, внешний ИИ вообще лучше не рассматривать без согласования с безопасниками и юристами.

Остальные данные — например, задачи или кодовую базу — во многих случаях можно передавать в API нейросетей. Но если Вы хотите сохранить приватность кода или внутренних документов, тогда и с ними лучше быть аккуратнее.

Автор статьи считает, что многие компании слишком сильно завышают ценность своего кода. Если нейросеть может без проблем дорабатывать Вашу программу — скорее всего, код там самый обычный.

6. Подготовьте данные для тестирования

Перед запуском соберите небольшой набор реальных примеров, на которых можно проверить работу ИИ. Например, старые задачи, обращения клиентов или документы и заранее известный правильный результат. Так Вы сможете понять, действительно ли агент работает правильно, а не просто «что-то делает».

7. Составьте финальный чек-лист готовности

Соберите все пункты выше в простой таблице, например в Excel, и напротив каждого поставьте статус: «Готово / Частично / Нет». Для проблемных пунктов укажите приоритет исправления и что необходимо сделать до старта проекта. В итоге у Вас получится простая карта готовности данных к внедрению ИИ.

Ну и напоследок. Не нужно сначала идеально приводить в порядок всю компанию, переносить все данные и перестраивать процессы. Для начала достаточно выбрать один понятный и измеримый сценарий тестового ИИ-агента и подготовить данные именно под него. Если тестовый прогон покажет результат — дальше уже можно постепенно масштабировать подход на остальные процессы.