Чайникам посвящается: VK запускает платформу для работы с ИИ без опыта в IT
Холдинг VK, в частности центр аналитических продуктов VK Predict, запускает на внешнем рынке платформу для автоматической разработки моделей машинного обучения и работы с технологиями ИИ без навыков в IT. Сервис получил название AutoML, пишет Forbes.
Платформа позволит бизнес-аналитикам оценить позиции компании в рынке, выстроить стратегию на основе Data Driven-подхода, а также решать маркетинговые задачи: сегментировать аудиторию, определять наиболее рентабельных клиентов, персонализировать коммуникации.
В AutoML доступны модели для решения нескольких типов задач: прогнозирования показателей, ранжирования объектов и кластеризации — сортировки данных по группам. Как отметили в компании, с их помощью можно, например, прогнозировать выручку новой точки продаж, оценивать вероятность совершения покупки или сегментировать пользователей сервиса по важным для бизнеса метрикам.
«Допустим, отделу продаж необходимо спрогнозировать отток клиентов. Для этого нужно загрузить на платформу набор данных (дата-сет) об обращениях или заявках в клиентский отдел с набором признаков: количество обращений, время и день заявки, предыдущий опыт взаимодействия, ранее использованные услуги или приобретенные товары, CRM-данные об оттоке клиентов и так далее. Платформа проводит очистку данных, аналитик выбирает задачу для решения. Платформа подбирает под неё предобученную ML-модель или их микс (ансамбль). Модели обучаются на загруженных данных и выдают результат по выбранной задаче, которую дальше бизнес может использовать в своей работе», — прокомментировали в VK.
Там же уточнили, что AutoML даёт возможность партнёрам совместно обучать ИИ-модели без обмена данными — платформа поддерживает технологии вертикального федеративного обучения. Компании могут использовать собственные исходники данных для обучения модели.
Например, двум компаниям необходимо спрогнозировать рост продаж в рамках партнёрского ко-маркетинга с общей аудиторией. Чтобы показатели по продажам были наиболее точными, нужно объединить данные по продажам площадки и поставщика, но это коммерческая тайна. Федеративное обучение позволяет сохранять конфиденциальность бизнес-метрик, при этом обучая модель на безопасных признаках и учитывая больше параметров от обоих партнеров, подчеркнули в компании.
«Применение технологий ИИ и моделей машинного обучения растёт во всех отраслях, от IT и медиа до промышленности. Они помогают анализировать массивы данных, определять тренды, строить прогнозы и решать другие задачи. Работать с технологиями вручную становится сложнее. Low-Сode и No-Code платформы позволяют автоматизировать обработку массивов информации и быстрее запускать проекты, снижая нагрузку на аналитиков и специалистов по данным», — пояснил директор VK Predict Роман Стятюгин.
Целевая аудитория AutoML — любые проекты, стартапы и компании, где есть потребность в работе с массивами данных. «Внутри компании работать с платформой могут аналитики без знаний в Data Science. Или Data Science-специалисты — они могут быстро проверять гипотезы, не тратя время на написание и обучение моделей вручную», — сказал Стятюгин.
Он добавил, что платформа позволяет в разы сокращать вывод ML-моделей в продакшен. Монетизировать её будут за счёт двух форматов: Self-Service по модели подписки, а также в качестве ядра для создания кастомных решений для крупного бизнеса сегмента enterprise. Объём инвестиций в создание AutoML в VK не раскрыли.
Что думают эксперты
«В случае с Self-Service инструментами на базе преднастроенных сценариев по модели SaaS (что актуально для среднего бизнеса) стоимость подписки может начинаться от 250 000 рублей в месяц, что в среднем ниже зарплаты Data Science-специалиста, на который у среднего бизнеса не всегда есть ресурсы и постоянный объем задач. Стоимость же кастомизированного решения с адаптацией под задачи крупного бизнеса и интеграцией в IT-контур заказчика по модели Оn-Рremises может начинаться от 10 млн рублей за проект с последующей оплатой за его поддержку и сопровождение», — рассуждает один из собеседников издания.
Директор по продуктам Content AI Иван Волков полагает, что платформа обойдётся компании дорого. Причина кроется в том, что для AutoML-решений нужны, с одной стороны, большие вычислительные мощности, с другой — ценные на рынке специалисты. Если же целевая аудитория продукта — «неспециалисты в ML», то задача ещё усложняется, так как делать из сложных вещей простые решения могут только хорошо знающие свое дело люди.
По мнению лидера команды NLP MTS AI Леонида Саночки, такие продукты, как AutoML, востребованы на рынке, но, чтобы дать полноценную оценку, необходимо посмотреть на бенчмарк и оценить производительность библиотеки.
«На мой взгляд, сомнительно измерять эффективность решения по количеству недель на разработку, так как значительная часть работы ML-инженеров — это анализ данных на адекватность. Если речь идёт о крупной компании, то писать код с нуля необходимо крайне редко, важно грамотно применить уже существующую кодовую базу», — считает он.
Ещё один эксперт считает, что AutoML-решения активно используются внутри больших технологических компаний, в том числе в Росcии, однако они нечасто превращаются во внешние сервисы. Из аналогов на рынке он выделил Yandex DataSphere, которая также является инструментом AutoML, и фреймворк LightAutoML от «Сбера». У Google, Amazon или Microsoft также есть в числе сервисов инструменты, позволяющие тренировать модели машинного обучения без написания кода и пользоваться такой аналитикой.
«Судя по тому, что декларируется, похоже на попытку создать новый сегмент решений. Теоретически может выстрелить. По этой же причине непросто ответить на вопрос, ждут ли этого (платформу VK — прим. ред.) на рынке: скорее, нет, но в том же смысле, в котором рынок не ждал первый iPhone. Здесь предлагается решение, основная инновация которого — позиционирование на не IT-специалистов», — заключил эксперт.