Поиск по сайту

bit.samag.ru

Web

Рассылка Subscribe.ru

подписаться письмом

Вход в систему


Запомнить меня
Регистрация Забыли пароль?

О журнале

Ваше мнение

Статьи

Общие тенденции и тренды

Архив

Мероприятия

Календарь мероприятий

ноябрь

2024

показать все

Новости партнеров

14.11.2024

Обновление BI.ZONE Secure DNS: гибкая настройка фильтрации и максимальная скорость

14.11.2024

RED Security: в октябре количество DDoS-атак на ТЭК выросло в 3 раза

14.11.2024

Falcongaze представила новую версию DLP-системы — SecureTower 7 Helium

14.11.2024

ИСП РАН покажет результаты 30-ти лет работы на Открытой конференции в Москве

08.11.2024

Юбилейная конференция ЭОС: ЭОС: 30 лет лидерства на рынке автоматизации документооборота и обсуждение актуальных трендов

показать все

Статьи

21.11.2024

ИИ: маршрут не построен, но уже проектируется

18.11.2024

Глеб Шкрябин: «Надежные и масштабируемые системы — основа стабильной работы бизнеса в условиях больших нагрузок»

14.10.2024

Елена Ситдикова: «На разработчиках программного обеспечения для транспорта лежит большая ответственность перед пассажирами»

28.09.2024

Чем страшен ИИ, и с чем его едят

13.06.2024

Взгляд в перспективу: что будет двигать отрасль информационной безопасности

18.04.2024

5 способов повысить безопасность электронной подписи

18.04.2024

Как искусственный интеллект изменит экономику

18.04.2024

Неочевидный САПР: выход ПО за рамки конструкторской деятельности

18.04.2024

Скоро некому будет делать сайты и заниматься версткой

показать все

Торговля – двигатель ИИ

Главная / Архив номеров / 2024 / Выпуск №05 (138) / Торговля – двигатель ИИ

Рубрика: Прошу слова!

Алексей Егоров, сооснователь и главный методолог сервиса комплексной внутренней аналитики маркетплейсов JVO

Торговля –
двигатель ИИ

Широкое внедрение искусственного интеллекта в экономику пока тормозят его дороговизна и риски ошибок. Электронная коммерция и ритейл, как отрасли с высокими оборотами и доходностью, могут стать, и уже становятся, той безопасной «песочницей», где технологии ИИ успешно тестируются и трансформируются, постепенно меняя нашу цивилизацию изнутри через ее важнейшую составляющую – розничную торговлю.

До сих пор в использовании ИИ в России лидировал финансовый сектор и банки. С одной стороны, там всегда есть необходимые ресурсы, с другой – банковские системы на основе ML не слишком сложны. Но торговля за последние пару лет показала самые впечатляющие результаты роста применения искусственного интеллекта – с 19,2% компаний, использовавших ИИ в 2021 г. до 35,1% в 2023 г.

То, что розничная торговля стала широким полем для экспериментов с машинным интеллектом – логично. Цена ошибки здесь не так высока, как, например, в здравоохранении и промышленности, расходы равномерно ложатся на всех участников торговой цепочки, а наглядный эффект от внедрения виден сразу, благодаря высокой оборачиваемости. Не меньшую роль сыграл и беспрецедентный рост маркетплейсов, а также экспансия многих ритейлеров в онлайн-сегмент.

Важно, что применение искусственного интеллекта растет не только в B2C-сервисах в виде всевозможных чат-ботов, голосовых помощников и рекомендательных систем. Активно развивается и B2B-направление, причем за счет российского софта. В 2023 г. 49% российских организаций использовали исключительно отечественные ИИ-решения, еще 44% – в равной степени российские и иностранные разработки.

При этом модельный спектр чисто российских ИИ-систем уже весьма широк. Это, например, предиктивная аналитическая система JVO, которая обучается на временных и числовых рядах и позволяет прогнозировать спрос в e-commerce (маркетплейсы) для всех категорий товаров во всех регионах России и странах СНГ, определяет точное количество товаров к отгрузке на каждый регион. Заодно она прогнозирует и формирует ценообразование на маркетплейсах, исходя из общих затрат на логистику и хранение.

К отечественным генеративным B2B-моделям можно отнести сервис TTL24. Инструмент 24AI создает качественные картинки для карточек товаров на маркетплейсах без привлечения дизайнеров. Аналогичный сервис от Megagroup генерирует инфографику и изображения для селлеров маркетплейсов с учетом реакции аудитории на аналогичные товары, то есть создает только те картинки, которые пользуются спросом.

В ближайшей перспективе такие сервисы будут усложняться и трансформироваться сразу в нескольких направлениях, затрагивая все больше участников рынка, включая малый бизнес.

Сочетание разных моделей ИИ

До недавнего времени понятие искусственный интеллект структурировалось по подходам и видам. Существовал моделецентричный и датацентричный подход к машинному обучению. Традиционный моделецентричный подход – это улучшение самой модели ИИ для любого набора данных. Основные затраты идут на тонкую настройку алгоритмов и правил, а также слоев для глубокого обучения модели. Пример – ChatGPT и другие нейросети. Качество самого набора данных там изначально вторично. Поэтому нейросети часто генерируют откровенный бред.

Датацентричный подход предполагает постоянное улучшение качества данных, на которых обучается модель. Как следствие – повышается качество выводов и ответов. Сама модель приспосабливается к данным, а не наоборот. Соответственно, моделецентричный подход лучше развивался на общедоступных нейросетях. А датацентричный – внутри компаний, которые копят и структурируют собственные BigData по своей тематике.

В этих подходах заключена и разница между генеративным и предиктивным ИИ. Первый создает оригинальный контент на основе обучения по самому широкому спектру информации. Второй учится на определенных исторических, числовых и словарных данных, строит закономерности и дает прогнозы по конкретным бизнес-задачам. Они работают на разных наборах алгоритмов. Но если объединить эти наборы, то результат будет на порядок лучше, чем при использовании генеративной или предиктивной модели по отдельности. Это сегодня – один из главных мировых трендов ИИ.

Пока экспериментировать с объединением разных моделей в России может только крупный бизнес, например, «Ростелеком». Но по мере снижения стоимости разработки, внедрения low-code и no-code-решений в ИИ-системы и удешевления вычислительных мощностей (серийный китайский квантовый ПК Gemini Mini уже стоит чуть более полумиллиона рублей) синергия разных моделей искусственного интеллекта станет доступнее. Это открывает почти безграничные перспективы во всех сферах торговли. Например, в продуктовом маркетинге для создания персонализированного клиентского опыта, когда реклама точно соответствует потребностям конкретного человека. А производители высокоспецифичной продукции с ограниченным спросом всегда могут найти своего покупателя.

ИИ в офлайн-ритейле

Несмотря на кратный рост интернет-торговли во время и после эпидемии Ковид, офлайн-сети продолжают занимать 80% рынка товаров массового спроса (FMCG). Растет консолидация и конкуренция производителей за полочное пространство, снижается маржинальность – это заставляет ритейлеров оптимизировать операционные и складские затраты, внедряя ИИ-решения.

Как показывает практика, не все передовые идеи «взлетают». Amazon в США отказался от идеи магазинов Just Walk Out без касс и продавцов. Идея заключалась в следующем: покупатели сканировали для авторизации QR-код на входе, набирали товары, а софт сам отслеживал покупки и списывал нужную сумму со счета. В российском ритейле магазины без продавцов тоже не зашли, хотя в 2021 году эту новацию анонсировали «Азбука вкуса» и X5. В 2022 первый магазин без касс открыл «Вкусвилл». Но точка быстро закрылась из-за низкой рентабельности.

Эксперименты в оффлайн магазинах без сотрудников что в США, что в России, провалились по следующим причинам: дорогостоящие системы распознавания и датчики не всегда понимали, что именно взял покупатель с полки. Проблему воровства ИИ тоже не смог решить.

Расходы на линейный персонал российские торговые точки теперь снижают иначе – сокращая простои и снижая количество сотрудников. Для определения узких мест в их работе теперь предлагают выдавать «умные» часы с пульсометром, гироскопом, барометром, акселерометром и другими датчиками. С помощью ИИ общая система различает простейшие действия каждого человека и распознает его рабочую активность на протяжении всей смены, различая выкладку товара, смену ценников или другую полезную работу. В результате тотального мониторинга физической активности производительность труда растет на 20-25%, а руководство может привязывать мотивацию к эффективности и устанавливать объективное нормирование. Такие решения в России уже делает, например, Softline.

Еще одна перспективная, и не такая дорогая как полная роботизация складских работ сфера в ритейле – автоматическая инвентаризация запасов на складах с помощью компьютерного зрения. Система считывает штрих-коды на паллетах и коробках, а само считывающее оборудование устанавливается на погрузчик, который просто ездит по складу и работает вдвое выгодней, чем бригада инвентаризаторов. Подобные системы есть уже на складах многих офлайн-ритейлеров и в распределительных центрах маркетплейсов.

Одно из самых интересных решений на базе ИИ для магазинов – умные полки. Здесь предиктивная аналитика работает вместе с живыми сотрудниками. Данные о каждом товаре вместе с информацией с касс, ценами, ассортиментом, отгрузками и внешними факторами (например, погодой) заносятся в машину, после чего для каждой торговой точки формируется прогноз покупок на каждый товар. Если продажи вдруг падают, это означает, что товар недоступен на конкретной полке, на него нет ценника, он заставлен другими продуктами, и т.д. Сигнал об этом поступает в приложение ответственного сотрудника, который исправляет ситуацию.

Кстати, примерно также работают и системы предиктивной аналитики для маркетплейсов. Только они информируют селлеров о негативных отзывах, непорядке с описанием товара, уменьшении запасов на складах (out-of-stock) и других факторах, из-за которых карточка товара пессимизируется в поиске торговой платформы.

Синтез ИИ с блокчейном

Кажется, что блокчейн и ИИ несовместимы. ИИ работает по принципу «черного ящика», в который на входе загружают данные, а на выходе получают готовые решения. В свою очередь, блокчейн абсолютно прозрачен. Скорость вычислений ИИ во много раз превосходит скорость в распределенном реестре. Обе технологии до сих пор развивались параллельно, иногда пересекаясь в специальном софте для трейдеров криптобирж.

Но точки соприкосновения всё же нашлись. Несколько лет назад американская сеть Walmart и IBM создали совместный проект в сфере доставки скоропортящихся продуктов на базе блокчейна. В результате продуктовая сеть может отслеживать каждый плод манго в своих магазинах за 2,2 секунды.

Системы отслеживания товаров при использовании блокчейна в сочетании с ИИ работают настолько безотказно, что теперь применяются во многих сферах – от транспортировки алмазов до управления контейнерными грузами и поставок рыбы – когда покупатели по кодам могут отследить происхождение улова от конкретного траулера до магазина.

Сочетание блокчейна и нейросетей решает и проблему прозрачности ИИ – когда данные и история обучения модели токенизируются и становятся доступными для аудита алгоритмов всеми заинтересованными сторонами.

С другой стороны, блокчейн повышает безопасность использования ИИ в системах биометрической аутентификации, при заключении контрактов, и вообще способен обеспечить любой структуре машинного интеллекта криптографическую защиту.

А объединив прогнозную аналитику ИИ с блокчейном, компании могут лучше понять структуру спроса, оптимизировать управление запасами и принимать решения на основе данных для минимизации затрат.

Впрочем, пока в российских реалиях, при отсутствии четкого законодательного регулирования и в условиях международных торговых санкций, синтез ИИ и блокчейна – вопрос на долгую перспективу.

Эволюция рынка труда

ИИ меняет не только торговлю, но и сферу занятости в ней. Только за 2023 год число продавцов на маркетплейсах увеличилось на 30%, а покупателей по всей России – на 70%. Еще четыре года назад в торговых компаниях имелся всего один менеджер по работе с маркетплейсами, то теперь целые отделы с десятком специалистов – дизайнеров, трейд-маркетологов, логистов, менеджеров по управлению репутацией, SEO-редакторов. Все они работают с ИИ самих маркетплейсов и сервисов аналитики. Причем машинный интеллект не заменяет собой сотрудников, а делает их работу удобней, повышает скорость выполнения задач и быстро окупается: проекты e-commerce, использующие ИИ, получают до 20% дополнительного дохода и сокращают расходы на 8%.

ИИ делает то, на что в большой компании ушли бы колоссальные ресурсы – генерирует сотни товарных карточек и изображений к ним, вежливо отвечает на тысячи отзывов, анализирует динамику продаж и строит логистические цепочки. Всем этим нужно грамотно управлять. Сегодня хороший менеджер маркетплейсов – это, прежде всего, дата-аналитик, а каждый его сотрудник должен владеть навыками промпт-инжиниринга. Но ни один серьезный ВУЗ пока таких специалистов для торговли не готовит.

В новой редакции Национальной стратегии развития ИИ до 2030 года планируется увеличить количество выпускников ВУЗов по специальностям, связанным с искусственным интеллектом, с 3 тыс. до 15,5 тыс. человек ежегодно, а применение ИИ в экономике – до 80%. Но уже сейчас уровень проникновения искусственного интеллекта в сфере электронной коммерции составляет 90%, поэтому кадровый голод в индустрии в ближайшие годы сохранится.

К 2028 г. экономический потенциал ИИ в России составит 22–36 трлн руб, а к 2030 г. его внедрение должно обеспечить совокупный прирост ВВП более 11 трлн руб. С развитием новых моделей и технологий машинного обучения можно смело предположить, что и кадровый потенциал, и возможности по профессиональной подготовке специалистов, в том числе и самими компаниями, использующими ИИ, будет расти.

Ключевые слова: искусственный интеллект, маркетплейсы, блокчейн, нейросети, ритейл.

Подпишитесь на журнал

В начало⇑

Комментарии отсутствуют

Комментарии могут отставлять только зарегистрированные пользователи