Оригинал: Business process management (BPM) in the age of generative artificial intelligence (AI)
Автор: Доминик Вандерхейген (Dominik Vanderhaeghen)
Если вы можете что-то себе представить, cможет ли генеративный ИИ это изобразить?
Если вы следите за новостями в области технологий или сидите в социальных сетях, то вас, скорее всего, завалило горой постов и статей о генеративном искусственном интеллекте (ИИ) и его потенциальном влиянии на бизнес. Многие считают, что генеративный ИИ станет рычагом для достижения нового уровня производительности, и что он уже совсем скоро ворвется в реальность всех компаний и организаций. Популярные сервисы генеративного ИИ, такие как ChatGPT от OpenAI, Google Bard, Claude 2 от Anthrophic, а также ИИ для генерации изображений, например, Midjourney, уже сейчас позволяют представить множество применений для ИИ в бизнесе. На волне повсеместной популярности ИИ все больше компаний, разрабатывающих бизнес-приложения, встраивают генеративный ИИ в свои продукты — и чтобы удовлетворить потребности пользователей, и чтобы раскрутиться за счет хайпа вокруг этой технологии.
Компании-лидеры со всего мира изучают, как генеративный ИИ поможет им получить конкурентное преимущество. В контексте бизнес-трансформации и BPM ключевыми для максимизации конкурентоспособности станет нахождение возможных точек синергии между BPM — описанием, оптимизацией и исполнением процессов, как внутренних, так и взаимодействующих с внешним миром, — и генеративным ИИ, способным создавать полезный для заинтересованных сторон контент.
Основы генеративного ИИ
Генеративный ИИ является частью широкой области научных исследований в области искусственного интеллекта. В сервисах генеративного ИИ контент формируется благодаря большим языковым моделям (LLM, large language models), использующим большие наборы данных, собранных поисковыми роботами (например, из книг, блогов, веб-страниц, переписок и т. д.), и вероятностей, отражающих связи между ними. В сервисах генеративного ИИ к этому прибавляется огромный объем обучающих данных, которые помогают ИИ понять, какие ответы можно считать хорошими, а какие нет. За последние месяцы некоторые сервисы генеративного ИИ выпустили обновления, в которых наблюдается значительный прогресс, например, версию ChatGPT 3.5 Turbo заменил ChatGPT 4. В новых версиях вероятность хороших ответов повысилась, в частности, благодаря улучшению способности ИИ к логическим рассуждениям.
Взаимодействие с моделью генеративного ИИ основано на запросах, то есть системе дается установка на естественном языке в устной или письменной форме. ИИ предоставляет ответ либо в текстовом формате, письменно или устно (например, с помощью синтезации речи средствами ИИ), либо, в случае с изображениями, в графическом виде. Результаты работы сервисов генеративного ИИ со стандартными LLM можно использовать как есть, однако они предоставляют только контент, который является результатом анализа публично доступных источников и обучающих данных. Поэтому для многих сценариев использования генеративного ИИ важно заставить его работать в более специализированных, конкретных ситуациях, применяя для этого адаптацию, тонкую настройку и параметризацию.
Бизнес-процессы и генеративный ИИ – что может дать их соединение?
Хотя есть соблазн считать, что генеративный ИИ можно и нужно применять практически в любой области, разумнее сосредоточить усилия на тех сценариях использования, которые дадут наибольший эффект для бизнеса.
Поэтому сначала стоит осознать свои потребности. На сегодняшний день генеративный ИИ может только выполнять задачи по генерации контента в рамках бизнес-процессов (например, писать статьи, составлять посты, анализировать информацию, настраивать системы) — задачи, которые до прихода генеративного ИИ выполняли исключительно люди.
Рассматривая потенциальные сферы применения ИИ, задайте себе три главных вопроса:
- На что эта технология способна в целом — сейчас и в обозримом будущем?
- В каких сферах управления бизнес-процессами и/или бизнес-трансформации генеративный ИИ можно применить наиболее эффективно?
- Как генеративный ИИ может принести пользу ПО для управления бизнес-процессами или бизнес-трансформации и наоборот — как добиться синергии?
На что способен генеративный ИИ
Компания McKinsey в своей недавней статье прогнозирует, что ИИ может быть полезным в маркетинге и продажах, производстве, ИТ/проектировании, управлении рисками и правовом обеспечении, управлении персоналом, оптимизации оборудования и рабочей силы. Основное назначение генеративного ИИ — составление, обобщение, дополнение и оптимизация контента (например, статей, кода, документов, изображений), а также способность поддерживать общение в формате чата между людьми (например, сотрудниками или клиентами) и машинами, в которые заложена база знаний. Задачи, связанные с контентом, встречаются повсеместно, и генеративный ИИ может их выполнять, или по крайней мере готовить большую часть необходимого материала. Недавно один наш клиент отметил, что ответы генеративного ИИ соответствует уровню начинающего консультанта: он собирает материал и предоставляет обобщения, презентации, расчеты и т.д.
Перспективы использования ИИ в сфере BPM
Исследуя пути использования генеративного ИИ в программном обеспечении BPM, мы видим, что ИИ помогает пользователям в работе над конкретными задачами в рамках бизнес-процессов.
Задачи генеративного ИИ Функции |
Пользовательский интерфейс с чатом | Подготовка чернового контента | Обобщение контента | Оптимизация контента |
Анализ бизнес-процессов (BPA)
Моделирование процессов Корпоративный репозиторий процессов Совместная работа Публикация … |
Запуск функции / задачи и извлечение контента
Предложение контента из модели генеративного ИИ Рекомендация лучших практик |
Модели
Объекты Документы Отчеты Запросы Графики / информационные панели Соглашения Конфигурации |
Модели
Документы Отчеты Запросы Графики / Информационные панели |
Модели
Объекты Документы Отчеты Запросы Графики / Информационные панели |
Технология автоматического выявления процессов (Process Mining)
Выявление процессов (Process Discovery) Анализ задач (Task Mining) Рекомендации для дальнейших действий … |
Анализ
Конфигурации Рекомендации дальнейших действий |
Анализ | Анализ | |
Управление рисками и комплаенс | Ресурсы управления рисками и комплаенса | Оценка рисков и комплаенса |
Программное обеспечение BPM + генеративный ИИ = любовь с первого взгляда
Внедрение ИИ в ПО для управления процессами — явление не новое. Такие инновации, как машинный перевод описаний процессов с использованием ИИ или инструменты поиска корневых причин для анализа производительности процессов, уже доступны пользователям в некоторых BPM-системах.
Одна из ключевых задач BPM — поиск способа создания адекватной и эффективной черновой схемы процесса.
Это можно сделать с помощью генеративного ИИ, быстро создающего черновой вариант текста, который эксперт затем доработает под требования компании. В этом варианте использования нет ничего сверхъестественного, однако он может быть очень полезен: не каждый эксперт является также прирожденным писателем, способным создавать контент, который потом публикуется для всей компании. Многие просто не заканчивают начатое из-за своего перфекционизма. Иметь возможность оттолкнуться от сгенерированного машиной черновика достаточно высокого качества — долгожданный способ повысить продуктивность каждого.
Однако генеративный ИИ в области BPM способен на большее: что если некто мог бы просто попросить BPM-систему создать черновой вариант процесса на основе минимальных входных данных? Что если можно было бы передать системе с встроенным генеративным ИИ текстовые документы, например, стандартные операционные процедуры, а на выходе получить качественную схему процесса (например, в нотации BPMN или EPC)? Было бы здорово, если бы генеративный ИИ смог создать файл BPMN, который можно импортировать в BPM-систему.
Совместное будущее генеративного ИИ и BPM почти наступило
Генеративный ИИ бурно развивается. В области BPM существует несколько интересных вариантов применения ИИ, особенно там, где не хватает ресурсов или возникают проблемы при внедрении. Благодаря генеративному ИИ контент можно генерировать быстро и без труда, причем это могут делать пользователи без специальных навыков. Использовать естественный язык для выполнения задачи намного легче, чем учиться работать с системой и ориентироваться в ней.
Основной эффект — возможность отделить носителей знаний и опыта от выполнения задач, в которых эти знания необходимо активно применять. Генеративный ИИ собирает воедино большой объем общих и специальных знаний и предоставляет к нему доступ через сервис. Это значительно повышает пользу BPM. В результате экспертом может быть (или стать) любой, по крайней мере на начальных этапах проекта. Разумеется, данный подход не огранивается какой-то одной областью BPM, такой как проектирование процессов. Он применим ко всему жизненному циклу процесса, от разработки идеи и планирования до исполнения и измерения результатов.
Поскольку вокруг этой темы сейчас много шумихи, напоследок я хотел бы дать совет: не доверяйте тем, кто обещает простое решение сложной проблемы. Серьезные успехи всегда требуют серьезной работы. Например, в программном обеспечении BPM надо будет разработать функцию, обращающуюся к генеративному ИИ. Или придется потрудиться, чтобы добиться от ИИ хорошего результата (например, описания процесса), который дал бы существенное улучшение клиентоориентированности, качества, стоимости или скорости.
Это похоже на использование генеративного ИИ в качестве быстрой и дешевой замены стоковым картинкам, которые часто используются в маркетинге и презентациях: для создания черновых вариантов – да, но не рассчитывайте получить идеальный результат. Тем не менее, лучше начинать с чего-то, чем с чистого листа.
Обсудить