Lumea roboților: 3 exemple de AI-uri enterprise implementate de români

Cred că prea mult din discuția uzuală despre AI-uri se concentrează pe scenarii de utilizare creative. Generat de imagini, creat o scrisoare de felicitare, eliminat fundalul unei fotografii, generat muzică sau text după un text.

Exemplele sunt astfel alese pentru că sunt spectaculoase și activități ușor de înțeles de oricine. Cu toate acestea, de câte ori ați avut nevoie să eliminați fundalul unei fotografii? De două ori pe an? Niciodată? Dacă nu lucrați într-un domeniu creativ, probabil toate exemplele uzuale de AI-uri de la OpenAI sau Google vă lasă reci.

Am avut ocazia recent să văd și trei exemple de AI-uri din zona enterprise, unele create de Genpact (cu echipe din România) special pentru a asista oamenii din corporații de dimensiuni foarte mari să rezolve mult mai repede probleme uzuale ale unor astfel de companii. Mi s-a părut partea cea mai interesantă a prezentării.

1

Un exemplu era legat de Invoice Resolution, care este un termen legat de facturile disputate. Închipuiți-vă o companie mare, genul care emite zeci de mii de facturi în fiecare zi. Poate fi un operator telecom, un magazin online mare, un distribuitor de marfă etc.

O partea dintre aceste facturi sunt disputate de cei care le primesc. De câte ori n-ați auzit oameni spunând “mi-a facturat operatorul telecom ceva greșit, eu nu plătesc factura aia”? Asta este o factură disputată.

Închipuiți-vă situația când este vorba despre distribuție de mărfuri sau altceva de acest gen. Vor fi mereu cazuri de “ar fi trebuit să avem discount de vechime” sau “sistemul spunea că prețul este X când am comandat, dar mi s-a livrat marfa cu prețul Y trecut în acte” sau “era ofertă” șamd. Per total, înseamnă o mulțime de facturi care nu sunt plătite la timp pentru că clientul final face o sesizare și ea trebuie investigată de un om.

În exemplul dat la conferință, Genpact a făcut un AI pentru un client care avea în acel moment 60.000 de facturi disputate, cu un total de 240 de milioane de dolari blocate în ele. 110 zile era timpul mediu de rezolvare pentru o dispută deoarece un om trebuie să înțeleagă care este plângerea clientului și să verifice totul din urmă.

AI-ul implementat analizează singur toate datele disponibile, istoricul, actele, tot ce are la dispoziție. Se pare că din start o mulțime de dispute puteau fi refuzate pentru că eroarea era la client. Pentru altele, AI-ul găsea un posibil motiv al problemei sau o posibilă explicație.

AI-ul respectiv era unul de tip generativ, iar acestea pot “halucina”, cum se spune, adică pot da răspunsuri greșite. Pentru a combate această problemă, decizia finală era mereu a unui om, iar AI-ul avea doar rolul de a căuta practic instantaneu în date și de a alcătui un raport cu o recomandare re decizie.

AI-ul putea spune, de exemplu, chestiuni de genul “factura este de fapt corectă, uite contractul cu prețul agreat cu clientul”, iar personalul uman îl putea consulta imediat pentru a se convinge că așa este.

În alte cazuri, AI-ul ar putea spune “factura chiar este greșită, clientul a comandat un volum mai mare de X lunar și deci cantitatea ce depășește X ar fi trebuit facturată la o valoare mai mică”. Sau “voucherul de discount nu a fost aplicat” sau altceva.

Oamenii care foloseau sistemul primeau deci o recomandare și o puteau aproba sau respinge. Bănuiesc că, dacă o aprobau, sistemul făcea automat corecturile necesare și probabil un alt AI îl suna pe client ca să-și ceară scuze.

Ce m-a uimit a fost ordinul de mărime prin care se accelera rezolvarea problemei. De la o medie de 110 zile la câteva secunde pentru analiza datelor. Și poate că apoi omul de la butoane stătea cât voia el la fiecare caz în parte pentru a fi sigur de decizia finală, dar timpul oricum s-a redus substanțial.

Din ce am văzut eu prin interfață, sistemul verifica însă și câte alte dispute sunt legate de același produs sau același tip de serviciu. Dacă devine clar că a fost o greșeală la furnizor, atunci se puteau probabil rezolva dintr-un click toate problemele similare sau probabil se puteau identifica buguri în ce software o fi făcut automat facturarea inițială.

2

Un alt exemplu a fost legat de supply chain management pentru un client din industria de manufacturing. Poate Volkswagen. Nu s-au dat nume, dar s-ar putea să fie ei.

Sistemul folosea machine learning pentru a estima mult mai bine timpii de producție. De exemplu, clientului i se spunea că timpul de livrare a mașinii comandate va fi de 9 săptămâni. De ce? Probabil pentru că atât era durata medie pe ultimele 30 de zile sau acesta era termenul țintit de fabrică dacă totul merge bine.

Problema este că de multe ori nu mergea totul ca uns. AI-ul era capabil să se ducă mult mai în adâncime cu analiza de stocuri și componente pentru o estimare mult mai realistă. Poate că lua în considerare mai bine istoricul existent, cum face Waze când estimează traficul pe baza datelor din alte zile, de exemplu. Poate că pur și simplu putea analiza mai bine timpii de livrare și stocurile existente pentru fiecare piesă în parte, având o viziune mai bună asupra unor bottlneck-uri și întârzieri viitoare.

Economia cică ar fi fost de vreo 9 milioane de dolari sau euro. Într-un business B2C, poate că întârzierile sunt doar deranjante pentru clientul final, care nu are decât să accepte situația. În B2B, însă, se pot lăsa cu penalizări foarte mari și de asta supply chain management este de obicei foarte important.

3

Acesta este exemplul care mi-a plăcut cel mai mult. O altă companie avea foarte multe contracte sau comenzi în derulare. O parte dintre ele, deși vechi, nu erau facturate pentru că nu erau finalizate. Milioane de dolari erau deci blocate în comenzi a căror finalizare întârzia din diverse motive.

Este ușor ca o persoană umană să știe de ce întârzie o comandă sau alta, dar aproape imposibil să ai viziunea de ansamblu. Pur și simplu un om nu poate reține informații despre fiecare contract în parte și părțile sale realizate și nerealizate, astfel încât să poată jongla cumva cu ele pentru a le eficientiza. Nu când vorbim de sute de comenzi.

Un AI, însă, poate analiza rapid astfel de date și apoi le poate interconecta. În acest caz, AI-ul venea cu recomandări pentru a grăbi finalizarea unor comenzi, de exemplu: “dacă mai livrezi 5 produse X la comanda Y, este finalizată și se poate factura”, “dacă poți grăbi producția produselor N la comanda M, poți factura 3,3 milioane.”

De foarte multe ori, cash flow-ul este foarte important. Facturile încasate îți aduc banii pentru salarii și pentru a produce pentru alte contracte deja semnate. Exemplele 1 și 3 pe această direcție se concentrează și de asta mi-au plăcut.

Mă gândeam însă că sunt implementări pentru companii foarte mari. Genpact are printre clienți și 40% dintre companiile din Fortune 500 și deci vorbim de corporații gigantice. În România, poate că operatorii telecom și doar câteva alte companii mari de retail și distribuție să aibă astfel de nevoi.

Bănuiala mea este că asta se va schimba însă în anii următori. Acum un supercip NVIDIA se vinde cu vreo 70.000 de dolari, zic estimările. Prețul va scădea în timp sau generațiile mai vechi ale tehnologiei vor fi ieftine. Va fi un trickle-down către companii medii și mici, dacă acestea vor vedea nevoia.

Nevoia probabil că există, în special dacă ai competitori care pot beneficia de noile tehnologii. Același lucru s-a întâmplat la apariția computerelor și mie mi se pare că AI-ul este un disruptor la fel de mare precum acele computere de acum câteva decenii. Întâi și le-au permis doar marile corporații și au beneficiat de avantajele lor. În timp, însă, computerele au devenit mai mici și mai accesibile și au putut fi achiziționate de orice companie.

Exemplele de AI-uri de mai sus s-au dat la deschiderea oficială a Genpact AI Innovation Center din București. Este al treilea deschis în ultimele 7 luni (după Marea Britanie și India) și arată orientarea companiei spre astfel de servicii. S-a zis acolo că deja 44% din venitul Genpact vine din servicii de date, AI și tehnologie. Puteți vedea mai multe informații pe site-ul oficial și mai sunt pe acolo diverse alte studii de caz și rapoarte despre domeniu.

Am întrebat dacă centrul din București abia acum pornește sau este deja operațional de ceva vreme. Este deja operațional, există multe echipe care lucrează pentru diverși clienți în colaborare cu celelalte centre. Genpact a făcut peste 100 de implementări pentru clienți diferiți, iar la lansare au vorbit și oameni de la NTT Data și de la Allianz despre acest domeniu.

Săptămâna trecută, centrul din București doar a primit oficial acest nume pentru a arăta și orientarea clară a companiei spre astfel de domenii.

Cu această ocazie, am aflat și că Genpact a ajuns la 4.000 de angajați în România, dintre care 3.000 în București și restul în Iași și Cluj-Napoca. 1.500 dintre ei au accesat deja cursuri interne despre inteligența artificială pe care compania le pune la dispoziție. Chiar dacă se bazează pe promovări și mutări interne, Genpact caută în continuare și în afara ei specialiști în acest domeniu al prelucrărilor de date (“un AI este bun doar în măsura în care și calitatea datelor pe care le are la dispoziție este mare”, mi-am notat dintr-una din prezentări), deci dacă vă interesează astfel de joburi, găsiți și pe la ei.