IBM потратила миллиарды на Watson Health. Идея выглядела сильно – нейросеть, которая помогает онкологам подбирать лечение. Технология была, данные были, бренд был. Результат оказался гораздо слабее ожиданий. В 2022 году подразделение продали.

Проблема была не только в модели. Watson пытался решить задачу, которую никто точно не сформулировал. Какие решения он должен выдавать? На основании каких данных? Как это ложится в реальный рабочий процесс врача? Вопросы задали слишком поздно.

Теперь другой пример. Каждый день ваша почта отсеивает спам. Вы даже не задумываетесь, как это работает. Но за этим стоит нейросеть, которая обрабатывает миллиарды писем и учится на ваших действиях. Вы не видите AI. Вы видите чистый inbox.

Между этими двумя историями разница не в мощности технологии. Она в том, насколько точно была определена задача до начала разработки.

Где нейросеть себя оправдывает

Первая ситуация – когда человек неизбежно начинает ошибаться из-за объёма или монотонности. Контроль качества на конвейере, модерация контента, проверка документов. Везде, где специалист обрабатывает сотни единиц за смену и к концу дня теряет концентрацию. Не потому что он плохой специалист, а потому что у внимания есть физический предел. Нейросеть этого предела не имеет.

Вторая – когда задача нерешаема вручную. Обнаружение мошенничества в потоке банковских транзакций, персонализация для миллионов пользователей, поиск аномалий в больших массивах данных. Ни один аналитик не переберёт миллион записей и не найдёт в них паттерн за разумное время. Нейросеть найдёт.

Если задача не попадает ни в одну из этих категорий, внедрение с большой вероятностью не даст результата. Можно потратить месяцы разработки и получить «умную» функцию, которая работает хуже простой. Как тот же Watson – технология была, а пользы не было.

Наш подход

В Elpixel перед каждым внедрением мы задаём один вопрос – можно ли решить эту задачу без нейросети?

Если можно – решаем проще и быстрее. Если нельзя – строим так, чтобы эффект был в продукте, а не на слайде. Меньше ошибок, быстрее обработка, точнее решения, меньше ручной работы.

Спам-фильтр в почте никто не называет “AI-продуктом”. Но именно так выглядит хорошее внедрение – технология на своём месте, решает конкретную задачу, и пользователь получает результат, даже не зная, что за ним стоит нейросеть.