Часто автоматизация средствами ML ассоциируется с быстрым ростом эффективности бизнеса, но на практике оборачивается молниеносным увеличением затрат. Поэтому подход «Если делаешь что-то больше одного раза, автоматизируй это» выглядит слишком радикальным.

Как понять, действительно ли вам нужны ML-технологии или же ваши задачи можно закрыть простыми скриптами и правилами? Чтобы разобраться в этом вопросе, мы в Selectel исследовали успешные кейсы автоматизации в финансовом секторе, телекоме и IT-инфраструктуре, опираясь на экспертизу специалистов из T-Банк, PIX Robotics и Netcracker.

Роботы превосходят человека по точности и скорости выполнения рутинных операций, таких как маршрутизация заявок, перенос данных между системами или формирование отчетности. Поэтому если бизнес-процесс стабилен, данные поступают в структурированном формате, а сотрудники день за днем выполняют одни и те же действия, оптимальное решение — роботизированная автоматизация (RPA).

Практический пример: одна из банковских групп за счет внедрения RPA высвободила до 1 000 штатных единиц, ранее занятых в рутинной обработке заявок.

Аналогичные результаты демонстрируют компании, внедряющие RPA-решения через платформы вроде Power Automate, где расходы снижаются на 60% за считанные недели, а инвестиции окупаются уже в первый квартал.

Однако у этого подхода есть граница эффективности. Любое изменение в формате данных или бизнес-логике сразу выводят строгие правила из строя. В этот момент наступает пора переходить на следующий уровень автоматизации.

Если стабильные процессы начинают давать сбои, а данные становятся сложнее — PDF-файлы, письма, сканы или фото документов — правила уже не помогут. Тогда появляется необходимость в точечном использовании ML-моделей, которые берут на себя именно те участки процессов, где жесткая логика не справляется.

ML становится не заменой всей системы автоматизации, а ее разумным и эффективным дополнением.
У гибридного подхода есть свои плюсы. Так, внедрение ML-модели для классификации клиентских документов в логистической компании повысило точность до 85%, вдвое сократило время обработки и продолжает улучшать показатели ежеквартально за счет дообучения модели.

Когда речь идет о масштабной инфраструктуре — будь то телекоммуникационные сети или банковский инцидент-менеджмент — без интеллектуальной автоматизации уже не обойтись. В таких системах ежедневно генерируются миллионы сигналов и тысячи оповещений.
Здесь критически важно оперативно определить корневую причину сбоя и минимизировать ущерб от простоев.

Один из примеров — телеком-компания, внедрившая решение AIOps, сократила среднее время восстановления после инцидентов (MTTR) на 40%. Вместе с этим — снизила количество штрафов за нарушение SLA и освободила квалифицированных специалистов от трудоемкого анализа ложных сигналов.

Технологии на уровне AIOps — это не просто программное обеспечение. Это долгосрочная инвестиция, требующая зрелости компании в управлении данными, экспертной команды и готовности перестроить внутренние процессы. Но если издержки простоя велики — такая инвестиция себя полностью оправдывает.

Допустим, вы решили внедрить ML-проекты для автоматизации процессов. Как к этому подготовиться и почему даже идеальная модель бесполезна без грамотно выстроенного управления данными? Обо всем по-порядку.

Даже самый передовой алгоритм не сможет принести пользу, если компания не готова работать с собственными данными.

Внедрение ML-проектов часто заходит в тупик именно из-за слабой инфраструктуры данных, разрозненности источников или недостаточного понимания бизнес-контекста.

Это не всегда вопрос объема. Гораздо важнее доступность, прозрачность и качество информации, с которой работают модели. Поэтому перед внедрением ML нужно задать себе несколько вопросов.

Знаете ли вы, какие именно данные вам необходимы для решения конкретной задачи:
— Есть ли у вас стабильный и оперативный доступ к этим данным?
— Кто в вашей организации отвечает за их качество?
— Готовы ли вы поддерживать и обновлять модели после их запуска?

Ответы помогут определить текущий уровень зрелости вашей организации в работе с данными. Для удобства сформировали три типичных портрета управления данными в компании.

1. Данные есть, но никто ими не управляет.
В организациях на этом уровне данные разбросаны между разными подразделениями, дублируются и считаются по-разному в каждой системе.

Доступ к ним эпизодический и, как правило, только по специальному запросу через IT-отдел. При этом отсутствует четко обозначенная ответственность за качество и поддержку данных, а их структура и формат постоянно меняются.
На таком уровне зрелости любая ML-инициатива становится рискованным экспериментом. Даже простейшая модель здесь будет давать нестабильные, трудно воспроизводимые результаты. Автоматизация в этих условиях превращается в дорогостоящий хаос, а не в инструмент повышения эффективности.

2. Данные собраны, но используются эпизодически и вручную.
Здесь цифровая гигиена уже выше: есть централизованные потоки и платформы, однако сами потоки данных не полностью автоматизированы, а качество проверяется нерегулярно. Команды понимают, откуда брать данные, но не всегда осознают, как именно они формируются и кто за это отвечает.

На этом уровне можно реализовывать ML-проекты, но каждый кейс требует значительных ручных усилий и индивидуального подхода. При этом масштабировать решения становится трудно и дорого, так как каждый новый проект превращается в отдельный «бутиковый» процесс.

3. Данные управляемы и рассматриваются как стратегический актив.
Это эталон работы с информацией — компания строит прозрачную архитектуру данных: от первичного источника до принятия бизнес-решений.

Используются системы контроля качества данных, понятна их логика происхождения, четко разграничены права доступа, а также закреплена ответственность за каждую метрику и процесс. ML становится стабильным инструментом принятия решений и частью повседневной бизнес-практики: организация способна быстро запускать новые ML-инициативы, прогнозируя их эффективность, масштабируемость и отдачу от инвестиций.
Действительно, работа с данными важна для каждого из типов автоматизации, однако при такой высокой стоимости внедрения ML — риски выше.

Вам действительно нужен ML? Если ответ положительный, определитесь с подходом для своей задачи. Ниже — простая таблица, которая поможет это сделать.

1. Начинайте с аудита зрелости работы с данными.

2. Не увлекайтесь ML-решениями, если простые правила дают стабильный результат.

3. Внедряйте ML постепенно — от небольших проектов к полномасштабным решениям.

4. Рассматривайте данные как ключевой актив, от которого зависит успех любой автоматизации.

Отлично. С подготовкой данных к внедрению ML разобрались.
Но как эффективно запускать ML-проекты, избегая распространенных ошибок, из-за которых многие инициативы становятся дорогостоящими экспериментами вместо инструментов для роста бизнеса.

Решение внедрить машинное обучение принято, бизнес-задачи обозначены, данные подготовлены. Казалось бы, можно запускать проект и ожидать скорых результатов.

Или нет?

На практике даже при высокой готовности компании часто сталкиваются с типичными ошибками, которые превращают перспективную инициативу в дорогостоящий эксперимент.

Рассмотрим четыре наиболее распространенные ловушки, в которые попадают компании при запуске ML-проектов, и рекомендации, как их избежать.

Популярная практика — планировать ML-проект на масштаб без предварительного тестирования гипотез и проверки реальной ценности решения. В результате ошибки становятся заметны слишком поздно, когда вложения уже велики, а окупаемость оказывается под вопросом.

Рекомендация
Всегда начинайте с пилотного проекта (Proof of Concept, PoC), чтобы подтвердить гипотезу на малом объеме данных и понять, насколько реальный результат соответствует ожиданиям бизнеса. По итогам PoC вы сможете точнее оценить перспективы полномасштабного внедрения и избежать лишних затрат.

Бывает, что ML-команда увлекается технологической стороной и забывает о конечной бизнес-задаче. Результат — точная, но бесполезная модель, которая не решает реальной проблемы и не интегрируется в процессы компании.

Рекомендация
Вовлекайте бизнес-заказчиков с первых дней проекта. Совместно определите метрики успеха, регулярно обсуждайте промежуточные результаты и убедитесь, что модель действительно приносит ощутимую пользу бизнесу, а не просто хорошо выглядит на презентациях

Многие компании уверены, что затраты на ML заканчиваются на разработке и внедрении модели. В реальности львиная доля расходов может приходиться на последующее сопровождение: дообучение, мониторинг качества данных, обновление алгоритмов при изменении внешних условий.

Рекомендация
Заранее планируйте бюджет на сопровождение ML-решений. Рассматривайте ML не как разовый проект, а как постоянно развивающуюся систему, требующую ресурсов и внимания.

Иногда компании стремятся использовать передовые технологии и выбирают слишком сложные модели, хотя задачу можно решить проще и дешевле. В результате проект усложняется, становится трудным в сопровождении и требует значительных затрат на инфраструктуру и специалистов.

Рекомендация
Всегда руководствуйтесь принципом минимальной достаточности (Minimal Viable Solution). Начинайте с простых моделей и усложняйте их постепенно — лишь тогда, когда реальная потребность станет очевидной.

Мы собрали стратегически верный подход по запуску ML в автоматизации. Если вы будете его придерживаться, перечисленные ошибки можно исключить. А еще он помогает максимально эффективно использовать ресурсы при запуске ML-проекта.

Шаг 1. Определите бизнес-проблему и ее контекст
Четко сформулируйте цель. Например, не «хотим использовать ML», а «хотим на 30% сократить время обработки клиентских обращений». Конкретная задача поможет выбрать оптимальное решение и правильно измерять результат.

Шаг 2. Проведите аудит и подготовьте данные
Убедитесь, что данные доступны, качественны, структурированы и отвечают требованиям задачи. Это критично для успешного запуска любой ML-инициативы.

Шаг 3. Запустите пилотный проект (РоС)
Проверьте идею в небольшом масштабе. Убедитесь в ее ценности, точности и применимости в конкретном бизнес-контексте. Только после подтверждения успеха переходите к масштабированию.

Шаг 4. Оцените затраты и ресурсы на сопровождение
ML-решения требуют регулярной поддержки. Оцените заранее, какие ресурсы: люди, инфраструктура или бюджет — вам понадобятся на постоянной основе для сопровождения модели.

Шаг 5. Масштабируйте постепенно и осознанно
По результатам пилота постепенно увеличивайте охват ML-решения, сохраняя контроль за качеством данных и регулярно отслеживая метрики эффективности. Так вы избежите дорогих ошибок и сможете максимально использовать потенциал модели.

Убедительнее всего о ценности технологий говорят не абстрактные рассуждения, а конкретные результаты. У нас как раз есть интересные примеры российских компаний, которые успешно внедрили ML и получили значительный эффект для бизнеса.

Компания PIX Robotics разрабатывает платформу роботизированной автоматизации PIX RPA, которая позволяет компаниям эффективно избавляться от рутинной работы без сложных ML-решений.

Результаты
— Более 1 000 сотрудников были освобождены от рутинных задач.
— Затраты на обработку операций снижены на 60%.
— Проект окупился в течение первого квартала.

Банковский сектор крайне чувствителен к простоям и инцидентам, поскольку они напрямую влияют на лояльность клиентов и финансовые результаты компании. Чтобы эффективно управлять инцидентами на большой и сложной инфраструктуре, Т-Банк создал единую платформу FineDog, интегрирующую мониторинг, инцидент-менеджмент и ML-технологии.

По словам руководителя продукта Ивана Юрченко, ключевой целью внедрения ML стала оптимизация скорости обнаружения и устранения инцидентов: «FineDog позволяет оперативно выявлять сбои, снижать время жизни инцидентов и предотвращать повторение аналогичных ситуаций».

Платформа FineDog активно использует ML-компоненты.

• Summarizer — ML-модуль, генерирующий краткие и точные описания инцидентов, что позволяет инженерам быстро ориентироваться в ситуации и принимать решения.
• LogAnalyzer — интеллектуальная система, которая автоматически выявляет аномалии в логах и заранее сигнализирует о возможных проблемах.

Результаты
— Среднее время восстановления услуг после инцидентов сократилось вдвое.
— Процент заполнения отчетов по инцидентам (пост-анализов) вырос до 100% благодаря автоматическим сводкам от Summarizer.
— Снижено время реакции на инциденты: от 2 до 10 минут экономии на каждый случай.

Безусловно, ML способен существенно повысить эффективность бизнеса. Но должно быть соблюдено ключевое условие успеха — грамотное, обоснованное и точечное применение технологий.

Важно, чтобы простота была важнее сложности. Лучше начинать с простых решений и только при необходимости обращаться к сложным моделям. Вместе с этим важно создать прозрачную и управляемую систему данных, ведь «данные — ключ к автоматизации».

Не забывайте тестировать гипотезы через небольшие пилотные проекты, даже если на первый взгляд кажется, что ими можно пренебречь. Также не забывайте, что ML — это всегда непрерывный процесс, который кроме тестирования гипотез требует регулярного сопровождения и доработок.