Чтобы помочь бизнесу внедрить эту технологию в уже работающий корпоративный аппарат и избежать связанных с ней рисков, появилась платформа, которая позволяет сделать ИИ удобным для использования в корпоративных целях, обеспечить конфиденциальность данных, прозрачность биллинга и контроль над текущими процессами.

Сегодня в программе:

Сегодняшнее мероприятие ведет Святослав Багрий, руководитель по развитию партнёрской сети, компания AGORA. Эта встреча посвящена использованию искусственного интеллекта для бизнеса. Мы сегодня рассмотрим то, как компании и современный бизнес могут вести свои бизнес-процессы и эффективно использовать ресурсы искусственного интеллекта для решения своих реальных бизнес-задач.

Давайте немножко об истории. Что же такое GPT? GPT расшифровывается как Generative Pre-trained Transformer. Он был разработан командой исследователей компании OpenAI. Это все началось в 2018 году, когда они представили GPT-1. За ней последовали улучшенные версии модели, такие как GPT-2 и GPT-3. Сам GPT привлек внимание своей способностью генерировать человекоподобный текст с использованием механизмов машинного обучения и нейронных сетей.

LLM – это Large Language Model или «Большая языковая модель». Это модель языка, используемая для оценки вероятности последовательности слов в естественном языке. Она обучается предсказывать следующие слова в тексте на основе предыдущих слов. Обычно LLM используется в различных задачах для обработки естественного языка, в том числе для генерации текста и понимания естественного языка общения. Одним из самых ярких и известных примеров LLM является генеративная модель GPT, более известная как ChatGPT.

Самые известные на сегодняшний день LLM –представлены на выше опубликованном слайде. Тут две группы: с открытым доступом к коду и с закрытым доступом. Как появился ChatGPT, когда GPT был еще не совсем известен? Просто объединили возможности использования самой GPT и запросов, которые можно дать GPT, через чат. То есть объединение двух известных форматов - это генеративная модель и общение через чат, родило ChatGPT. И это дало достаточно быстрый рост популярности для использования искусственного интеллекта.

Что несет для бизнеса использование искусственного интеллекта сегодня. Оценено и замерено, что рост эффективности бизнес-процессов может доходить до 43%. То есть это такой большой и серьезный показатель, над которым стоит задуматься даже тем компаниям, которые пока еще только присматриваются к использованию искусственного интеллекта в своих бизнес-процессах. Самое главное, что дает использование ИИ, это повышение эффективности и продуктивности сотрудников, более качественное использование времени сотрудников, то есть высвобождение того времени, которое ранее использовалось для каких-то рутинных задач. Их можно сейчас отдать искусственному интеллекту, который решит и потратит это время за сотрудника. И причем это будет очень очень дешевый ресурс. И, собственно, само изменение взаимодействия с Интернетом и с IT-решениями, это все привносит искусственный интеллект.

Проблематика, которая сейчас стоит перед бизнесом, перед компаниями в использовании искусственного интеллекта, достаточно широкая. На сегодняшний день мы выделяем 6 пунктов. Неконтролируемый доступ к корпоративным аккаунтам искусственного интеллекта. Значит, кто имеет доступ к этим аккаунтам? Это сами сотрудники или это какие-то сотрудники уполномоченной компании, которые выдают права доступа другим сотрудникам. По какому сценарию используются эти доступы и ресурсы искусственного интеллекта? Что разрешено для корпоративных фрондов? Вот эти вопросы, которые поднимаются, когда мы пытаемся контролировать использование искусственного интеллекта. Также теневое использование. Это риски того, что ими будут пользоваться сотрудниками для своих целей, для задач, которые решаются не для компании, а для, может быть, каких-то сторонних проектов. То есть компания предоставляет ресурс и не может контролировать его эксплуатацию и расходы на нее. Устаревшие неэффективные процессы для работы с искусственным интеллектом. В каждой компании, это 100%, что любой бизнес может тщательно рассмотреть свои бизнес-процессы и увидеть, что с историческим развитием появляются какие-то неэффективные процессы, устаревающие бизнес-процессы. Эти процессы можно оптимизировать, от 10 до 40% эффективности можно привнести, если решать эти задачи с помощью искусственного интеллекта. Расходы. Как контролировать расходы на искусственную интеллект, особенно если у каждого сотрудника, который им пользуется, есть собственный аккаунт. То есть их нужно как-то оплачивать. Это все достаточно непрозрачно.

То есть вот непрозрачный биллинг и достаточно непредсказуемые расходы, это тоже такая серьезная проблема для бизнеса, который смотрит в сторону использования искусственного интеллекта, но не делает туда шаг. Различные API служат разным целям, но, собственно, для того чтобы использовать разные сети, разные искусственные интеллекты, разные LLM, нужно к каждому из них подключаться. Если есть какое-то единое окно входа, единый хаб, то это сделать намного быстрее, проще и не нужно поддерживать каждое подключение отдельно. Отсутствие такого хаба – это тоже такая проблема. Ну и собственно заключение контракта с поставщиками искусственного интеллекта – это сейчас проблема. Если мы говорим именно о тех моделях, которые были перечислены ранее, то есть это не российские провайдеры, которые появляются, но их сейчас не очень много. Основные возможности этих моделей находятся вне возможностей быстрого заключения договора с поставщиком искусственного интеллекта.

Сегодня мы хотели представить вам новую платформу доступа и управления корпоративным искусственным интеллектом Neirohub.

С появлением искусственного интеллекта перед человеком открылись совершенно новые возможности. Уже сейчас многие компании начинают осознавать потенциал искусственного интеллекта и учатся его использовать для оптимизации работы сотрудников в различных сферах. Чтобы помочь бизнесу внедрить эту технологию в уже работающий корпоративный аппарат и избежать связанных с ним рисков, мы разработали платформу Neirohub. которая позволяет сделать искусственный интеллект удобным для использования в корпоративных целях, обеспечит конфиденциальность важных данных, прозрачность биллинга и контроль над текущими процессами. Возьмите искусственный интеллект под контроль. Сегодня мы расскажем, как это устроено и как этим можно пользоваться.

Neirohub это единая онлайн-платформа доступа. Она содержит набор сервисов и удобный интерфейс личных кабинетов с примерами промтов, конструктором форм, отчетами и биллингом в формате одного окна. Компания подключается к платформе как к сервису. Таких компаний может быть много, а в свою очередь платформа, она уже подключена к большинству необходимых языковых моделей. Ключевые возможности платформы, которые предоставляет Neirohub – это гибкость.

Вы можете выбрать искусственный интеллект от разных провайдеров и кастомизировать решения с помощью API. Это контроль. Установить роли и права доступа в соответствии с политиками компании. Это безопасность. Используйте промежуточное программное обеспечение для защиты корпоративных данных.

Биллинг в формате одного окна. Включайте сервисы различных провайдеров и проводите расчеты в единой системе. Многофункцональность позволяет использовать все современные возможности и идти в ногу со временем. Командная работа через платформу дает возможность объединения в команды с ограничениями доступа.

Сейчас перейдем к практическим кейсам. Мы рассмотрим разные примеры для работы различных отделов. Это использование искусственного интеллекта для отдела тестирования. В этом блоке мы рассмотрим основные проблемы, с которыми сталкивается тестирование и варианты их решения с помощью нейросети. Начнем с проблем. На текущий момент у нас есть огромное количество достаточно обширных блоков. Наверное, самый ощутимый из них — это большие временные затраты на рутинные задачи.

Если непосредственно ручное тестирование мы давно смогли ускорить посредством автоматизации, то вот оставшийся блок подготовительных и финализирующих работ, которые существуют и в ручном, и в автоматизированном тестировании, в которое входят в том числе и составление тест-кейсов, и чек-листов, огромное количество диаграмм, схем и прочей документации, подготовка тестовых данных, оформление баг-репортов, остается по большому счету сокращаемым только за счёт искусственного уменьшения времени. То есть такого рода активность либо совсем не проводится, и мы остаемся без документации, либо проводим её частично, и в таком случае лучше бы вообще не писали, либо тратится 50-70% всего объёма времени на тестирование. Да, у нас есть инструменты, возможности подготовить, например, шаблоны, либо делать диаграммы не с нуля с помощью каких-то инструментов построения. Но, тем не менее, они требуют достаточно объемных доработок, переработок и значительных временных затрат. Рядом стоящий неразрывно с ним связанный блок, который также требует большого количества времени, это задача, требующая рассуждения и анализа.

Анализ используемых техник, поиск новых инструментов, анализ итогов тестирования. Все мы прекрасно понимаем, что перед непосредственным анализом к нему нужно подготовиться, затем провести, подготовить финализирующие документы, согласовать, если это необходимо. И этот процесс достаточно ресурсозатратный. Вместе с этим, по итогам анализа, если мы выбрали какой-то инструмент и перед вами встает выбор как его внедрять, есть, конечно, масса решений, но чаще всего это либо наем специалиста, либо обучение текущих сотрудников. При найме отдельного специалиста есть риск, что инструмент нам не подойдет, и в таком случае нужно будет решать уже большее количество проблем.

Если мы принимаем решение обучать текущих сотрудников, то тем самым растягиваем процесс внедрения каких-то новых технологий. Как нейросеть может помочь нам решить перечисленные и многие другие проблемы.

На слайде представлены возможности, но далеко не все, которые способны, если не полностью, то в большей степени покрыть временные затраты ранее перечисленных активностей. Нейросеть способна не только генерировать данные в различных форматах, но и подстраивать информацию под шаблоны, подготавливать тестовые данные, и что очень важно, близкие к реальным. И всем нам, конечно, известны кейсы по подготовке различных скриптов и запросов, которые нам необходимы не только в автоматизации, но будут полезны и специалистам ручного тестирования. Также необходимо упомянуть и о возможности предоставления подробного анализа о причинах багов, предоставления доп. инструкции для диагностики, проведение анализов итогов тестирования, формирование сравнительных таблиц, и многое-многое другое. Причем важно отметить, что все это будет работать не только с, условно, низкоквалифицированными специалистами либо начинающими, но также и с сотрудниками, которые работают достаточно давно.

Я предлагаю рассмотреть несколько кейсов для большего понимания, как чат справляется с теми или иными задачами. И самый первый из них — это кейс со сравнительной таблицей.

Как я уже ранее говорил, при анализе необходимо собрать все данные, на основе которого будет построен непосредственно сам анализ. В данном случае речь шла о самых популярных инструментах для нагрузочного тестирования, которое необходимо было предоставить в табличном виде. То есть вместо того, чтобы пару часов составлять таблицу самостоятельно, либо искать готовые или совмещать каким-то образом, мы фактически за считанные минуты получаем информацию, которую в дальнейшем будем использовать для анализа самостоятельно, либо также с помощью нейросети.

Следующий кейс достаточно близкий, но всё-таки отличающийся, это составление документации. В данном случае это test-case. И в отличие от составления сравнительных таблиц, здесь при формировании сравнительной таблицы был задан только формат нашего отчета, а при составлении уже непосредственно test-case'ов мы работали по упрощенному, но тем не менее шаблону. То есть помимо формата у нас появился теперь и шаблон, и давая минимальные данные у приложения, мы смогли получить объем всех необходимых тестовых кейсов. Возможно, они будут требовать какой-либо доработки, потому что в любом случае специалист более погружен в предметную область, но, тем не менее, на написание большей части тест-кейсов мы фактически время сокращаем.

И анализ итогов тестирования. Так как нейросеть способна обрабатывать данные с изображения в том числе, то в данном случае мы предоставили график с итогами стресс-тестов и запросом на анализ итогов, выдачи рекомендаций об успешной обработке запросов. И соответственно ответом стало описание и возможные причины представленных данных на графике, расчеты по итогам, к которому можно сделать выводы о необходимой нагрузке и рекомендации от дополнительных данных, которые необходимо также учитывать. Когда мы говорим о возможностях, обязательно, конечно, нужно сказать и об эффективности.

На слайдах представлены две большие группы – это качественные и количественные показатели. Если говорить непосредственно о цифрах, то в первую очередь - это существенное сокращение времени.

Самые большие показатели сокращения - 40-50% - наблюдаются в регулярных активностях тестировщика, то есть подготовка тестовых данных и подготовка документации, которая в себя включает также инструкции технические и пользовательские. Меньшие, но тем не менее очень ощутимые показатели, до 15% - работа с багами и внедрение новых решений. Но здесь важно отметить, что при расчете, например, касательно работы с багами, учитывалось общее время по той простой причине, что достаточно сложно отделить, например, анализ бага и непосредственно его правку. Также очень сложно поделить тестирование и разработку, потому что фактически анализ может составляться и специалистам отдела тестирования, и специалистам отдела разработки. И поэтому если бы мы разделили и говорили только о тестировании, мы бы не почувствовали скорее этих изменений, просто потому что сокращение бы перешло уже в отдел разработки, и там могло время сокращаться процентов, наверное, до 50, точно. Следовательно, также с учетом того, что процессы многие могут идти параллельно. Но вследствие того, что многие процессы, в том числе, например, внедрение новых решений, оно может быть обрамлено бизнес-процессами, которые могут усложнять либо упрощать все это внедрение, то мы можем заметить здесь показатели значительно выше. Например, если у нас большая часть внедрения занимает коммуникации с нашими коллегами, либо какие-то формальности, бюрократичная составляющая, то цифры будут до 15%. В случае, если у нас бюрократичная составляющая не настолько строгая, то цифры точно также могут увеличиваться до 30%. Ну и, конечно, качественные показатели, которые очень сложно оценить, но тем не менее они присутствуют. В качественные показатели можно отнести высокий темп роста квалификации тестировщиков, потому что вместо того, чтобы ходить, например, полгода на курсы, они могут это время сократить за счет того, что нейросеть предоставляет им и диагностику, и способна анализировать, и в общем-то выдавать какие-то готовые решения, на которых очень быстро можно учиться и самому специалисту, и точно также повышение качества продукта изготавливаемого, производимого, и возможности внедрения новых видов тестирования без привлечения новых сотрудников и без дополнительных рисков

Теперь перейдем к следующему кейсу. Применимость для отдела системной аналитики. Безусловно начнем мы с подготовки к интервью и сбору требований. Посмотрим, как можно фиксировать требования в формате User Story, проводить валидацию технического задания, строить модель данных, создавать диаграммы последовательности или разрабатывать API-документацию. Предлагаю разобрать каждый пункт подробнее.

Перед началом процесса системного анализа важно правильно подготовиться к интервью с заказчиками или stakeholders. И в данном случае использование нейросети может значительно облегчить этот процесс. Чат может сформулировать вопросы, которые могут стать отправной точкой для сбора требований, либо подготовить агенду, написать письмо для заказчика, помочь в определении каких-то ключевых потребностей либо формирование первоначальных ожиданий пользователей.

После сбора требований необходимо структурировать их таким образом, чтобы они были понятны для всех участников процесса. Одним из таких форматов является User Story.

Используя нейросеть, мы можем описать требования в формате User Story. Как видите на слайде, нейросеть вернет заголовок для User Story и вернет привычный формат. Я как пользователь хочу получить и критерии приемки. User Story это не единственный формат. Можно также с помощью сети описать требования в формате Use Case либо просто в виде списка функциональных или не функциональных требований.

После составления технического задания важно провести его валидацию, чтобы убедиться в полноте и выполнении всех требований. Использование чата также для анализа технического задания может помочь выявить какие-то потенциальные проблемы или противоречия на этапе создания. Задавая определенный контекст, вы можете проводить валидацию как со стороны бизнеса и проверять более бизнесовые какие-то требования, так и со стороны технической, где нейросеть может предложить вам улучшение в рамках модели данных либо API-интеграции, либо каких-то других параметров.

Одним из ключевых этапов системного анализа является построение модели данных. Чат в данном случае может быть использован для анализа требований и построения предварительной модели данных. Помимо того, что можно построить, выделить некие сущности, прописать их атрибуты, также нейросеть вернет ответ в том виде, в котором вам более привычно. например, для реляционных баз данных, очень привычно описывать в табличном виде, как представлено на слайде.

Диаграмма последовательности играет важную роль в визуализации и взаимодействии между различными системами и пользователями. Здесь также нейросеть может помочь автоматически создать различные виды диаграмм. Например, на слайде пример sequence диаграммы.

Очень хорошо нейросеть формирует в формате для plantUML. У него есть собственный синтаксис. После формирования предстоит просто скопировать предоставленный код, вставить его в соответствующее место, и вы получите уже необходимые диаграммы. Ну и последнее, для многих проектов разработка API-документации является неотъемлемой частью процесса.

На слайде представлено, как нейросеть сформировала метод для интеграции 1С с некой платформой по REST API в формате json. Помимо того, что нейросеть может разработать API-документацию, она также может провалидировать уже существующий метод, сформировать сущности для хранения данных из этого метода и прописать маппинги.

Мы рассмотрели ключевые аспекты применения нейросети в системном анализе, которые могут ускорить работу аналитика от 20 до 40%.

Теперь резюмируем. Основные отделы, куда можно применять Neurohub, куда можно применять ИИ, это техническая команда, команда из разработчиков и аналитиков. Если у вас есть такие сотрудники, то эта команда напишет код и тест-кейсы, составит ТЗ и проведет предварительную аналитику быстрее с помощью искусственного интеллекта. Если у вас есть специалисты по маркетингу, а они есть в любой компании, где работают хотя бы 10 сотрудников, то они сгенерируют креативы, сгенерируют рекламные тексты, используют различные виды искусственного интеллекта и получат инсайды. Отдел продаж, если это не компания из одного человека, особенно если это сложные продажи, проектные продажи, возможно это продажа заказной разработки. Собственно, искусственный интеллект поможет провести анализ требований клиента, проконсультировать по имеющимся функционалу или свойствам продукта, поможет с навигацией по существующей документации. Техническая поддержка, которая есть у компании, которая оказывает услуги или какой-то сервис, использует искусственный интеллект для навигации по документации, консультирует по техническим вопросам, юридическим, по продуктовым вопросам. Мы считаем, что использование искусственного интеллекта — это сейчас must-have. Это как когда-то каждая компания должна была иметь сайт, чтобы просто существовать и быть на виду, и просто заявить о себе как о компании. Сейчас мы переходим в эпоху, когда каждая компания использует ресурсы искусственного интеллекта для собственных бизнес-процессов. Если вы готовы к внедрению, перейдите в Telegram, отправьте слово Neirahub. Мы расскажем, проконсультируем подробнее, что мы можем сделать, как Neurohubпоможет в ваших конкретных процессах, проведем аналитику по вашим существующей проблематике. Внедрение занимает от 1 до 3 недель. Мы можем кастомизировать, мы можем внедрять в разных форматах. Это может быть использование доступа к платформе, так и установка в контур вашей компании с какой-то кастомизацией или в коробочном виде