Мене звати Олексій Ковальчук, зараз обіймаю позицію Head of Data & AI у Favbet Tech. Я старіший за Google: мій шлях в ІТ почався ще тоді, коли про штучний інтелект ніхто й не чув. А першим справжнім викликом для мене стала задача від мами. Вона працювала бухгалтером і сказала, що їй потрібна програма для обліку накладних та ордерів. У мене на столі були книжки з Delphi і С++, куплені на базарі, і бажання щось зробити. Так я написав свою першу датасистему й відкрив для себе світ даних. Це було 25 років тому, відтоді все моє життя і кар’єра були пов’язані саме з даними.
Я не можу сказати, що свідомо вибрав AI – це було природним розвитком датааналітики й інженерії. У певний момент просто стало очевидно: якщо ти двадцять років працюєш з даними, то рано чи пізно почнеш використовувати машинне навчання, прогнози й алгоритми. Можна сказати, що не я вибрав AI, а він вибрав мене. У партнерському тексті я розкажу, навіщо tech-компанії власна стратегія зі штучного інтелекту.
Зміст
Як у Favbet Tech з’явилася позиція Head of Data & AI
Коли я прийшов у Favbet Tech, компанія вже накопичила критичну масу даних і запитів на аналітику, але компетенцій не вистачало. Відділи робили щось кожен у своїй системі, датасайентисти займалися своїми дослідженнями, і практично не було обміну знаннями. Якщо хтось йшов з компанії, знання йшли разом з ними. Для бізнесу, який швидко масштабувався, це було дуже боляче.
Моє завдання полягало в тому, щоб зібрати всі ці шматки разом. Я перебудував відділ Data Unit, створив Data Integration Team, яка взяла на себе взаємодію із джерелами даних і користувачами. Ми зробили так, щоб кожен відділ займався саме своїми завданнями, але при цьому залишав по собі «зліпок» у вигляді скриптів, метаданих і документації. Тепер знання не зникають разом з людьми, а залишаються в компанії.
Як ми формували AI-стратегію
Яким чином ми прийшли до ідеї розвитку AI-інфраструктури? Ми не прокинулися одного ранку з думкою «А нумо впровадимо штучний інтелект». Усе відбувалося еволюційно. Спочатку ми працювали з доволі класичними BI-інструментами й ETL-процесами, які швидко показали свої обмеження (а точніше, ми переросли їхні можливості). Потім перейшли до експериментів з Python-бібліотеками для машинного навчання, тестували моделі у хмарі на AWS SageMaker. Зараз у нас основний стек – це Python-based-моделі, інфраструктура в AWS і низка self-hosted-сервісів, включно з датакаталогами, які зберігають метадані для контексту. Ми пройшли довгий шлях проб і помилок, але результатом стала гнучка архітектура, яка дозволяє швидко підіймати й масштабувати AI-рішення під потреби бізнесу. Та я впевнений, що це не кінець шляху, а тільки початок.
Для мене стратегія дуже проста: якщо процес можна автоматизувати, він має бути автоматизованим. Але тут важливо не перегинати палицю. Я бачив це на прикладі клієнтської підтримки. На перший погляд здається, що чат-боти можуть замінити живих операторів. Але на практиці люди завжди намагаються обійти ботів і вийти на людину. Тому ми автоматизуємо лише ті речі, де впевнені, що якість сервісу й безпека не постраждають.
Автоматизація працює лише тоді, коли ви здатні пояснити процес так, щоб його зрозуміла навіть п’ятирічна дитина.
Ефективність: що змінилось
Ми не складаємо довгих звітів про ефективність AI. Усе дуже просто: якщо після оптимізації витрати знизилися або процес став швидшим, значить, ми рухаємося у правильному напрямку. Інакше ми б цього не впроваджували.
Чесно кажучи, я вже не можу уявити Favbet Tech без AI-рішень. Якби ми сьогодні відмовилися від них, то втратили б ринок. У нашій сфері занадто багато даних і занадто висока швидкість. В Excel і блокнотиках таке вже не працює. Це добре допомагало в нульових, але не зараз.
У найближчі два-три роки ми хочемо ще більше автоматизувати бізнес-процеси і зробити їх прозорішими. Зокрема, це стосується доступу до аналітики та роботи із CRM. Ми вже експериментуємо із внутрішніми чат-ботами, які дозволяють швидко отримати відповіді на запитання без BI-систем, і плануємо далі розвивати цей напрям. Такі речі ще не до кінця автоматизовані, але потенціал величезний.
Я вважаю, що завжди можна зробити краще. Ми постійно слухаємо досвід інших на конференціях, тестуємо нові підходи. І навіть якщо вони не «злетять», це все одно досвід. Я завжди кажу: краще спробувати й пошкодувати, ніж не спробувати взагалі.
Чого нас навчив досвід і що я можу порадити іншим
Перший урок – ніколи не викидати дані. Ви не знаєте, які саме стануть потрібними завтра для нової моделі чи аналітики.
Другий урок – стандартизація. Коли ви працюєте з AI, треба стандартизувати процеси, метрики, підходи. Без цього неможливо побудувати стабільну екосистему.
І ще одне: не купуйте AI як маркетинговий тренд. Якщо ви не можете пояснити принцип його роботи на двох пальцях, значить, ця штука вам не допоможе.
Мій головний досвід такий: штучний інтелект повинен працювати на бізнес. Якщо ви не знаєте, які процеси хочете автоматизувати, він нічим не допоможе. Спершу треба розібратися зі своїми процесами й описати їх максимально докладно.
Дуже важлива й комунікація. Технічні команди не можуть працювати у вакуумі. Якщо клієнти не розуміють, що ми робимо, усе це перетворюється на «ельфійську мову», якою ніхто не говорить. Тому постійно пояснюйте, що ви робите і навіщо.
І найголовніше – дані. Я завжди кажу, що це друга нафта. Вони самі по собі мають цінність. Їх купують, продають, захищають і навіть крадуть. Якщо бізнес цього не розуміє, значить, треба шукати інший бізнес. Бо без даних немає ні аналітики, ні AI.
Для мене поява позиції Head of Data & AI у Favbet Tech стала закономірним кроком у розвитку компанії. Штучний інтелект у нашій роботі – це не магія й не модне слово, а інструмент, який реально впливає на бізнес і допомагає нам зростати. А для мене особисто AI – це логічне продовження багаторічної роботи з даними і ще один доказ того, що дані керують світом.
Повідомити про помилку
Текст, який буде надіслано нашим редакторам: