«Эффективное
внедрение ИИ»

ИИ — искусственный интеллект; AI — Artificial Intelligence.

Область технологий, в которой создают системы, способные делать выводы на основе входных данных и формировать прогнозы, содержание, рекомендации или решения для заданных целей. Их результаты могут влиять на физическую или виртуальную среду.

Учебный примерСистема оценивает вероятность просрочки по данным о заёмщике.

Определение опирается на трактовку ИИ-системы OECD. Системы различаются степенью автономности и способностью изменяться после внедрения.

ML — Machine Learning.

Область ИИ, в которой модели обучаются на данных, выявляя закономерности для получения результатов на новых входных данных.

Учебный примерМодель учится на истории погашения кредитов оценивать риск просрочки.

Neural Network — нейронная сеть.

Модель машинного обучения из связанных вычислительных узлов — искусственных нейронов. При обучении настраиваются параметры связей и узлов, преобразующих входные данные в результат.

Учебный примерНейросеть распознаёт символы в скане документа.

Термин описывает математическую модель; аналогия с нейронами не означает человеческого понимания.

DL — Deep Learning.

Область машинного обучения, использующая нейронные сети с несколькими скрытыми слоями для освоения многоуровневых представлений данных.

Учебный примерНейросеть извлекает признаки речи на нескольких уровнях обработки.

GenAI — Generative Artificial Intelligence.

Класс моделей ИИ, которые воспроизводят структуру и статистические свойства обучающих данных для создания нового содержания: текста, изображений, аудио, видео или кода.

Учебный примерМодель составляет черновик ответа клиенту.

Новое содержание не обязательно является достоверным или оригинальным.

LLM — Large Language Model.

Языковая модель с большим числом параметров, обученная на обширных данных. Она оценивает вероятности последовательностей токенов — единиц представления текста — и используется для обработки и генерации языка.

Учебный примерМодель извлекает условия договора или формулирует их краткое изложение.

Единого числового порога «большой» модели нет. Языковая модель — компонент решения, а не готовый бизнес-процесс.

AI model — модель ИИ; AI system — система искусственного интеллекта.

Модель — компонент, который преобразует входные данные в прогнозы, содержание, рекомендации или решения. ИИ-система использует модель и другие компоненты для выполнения задачи в определённой среде.

Учебный примерПомимо модели, помощнику банка нужны интерфейс, доступ к документам и проверки полномочий.

Classification — классификация.

Задача определения принадлежности объекта к заранее заданным категориям по его признакам. Модель может возвращать класс или вероятности классов.

Учебный примерОтнести обращение к категории «карта», «вклад» или «кредит».

Regression — регрессия.

В машинном обучении — задача прогнозирования числовой величины по входным признакам.

Учебный примерОценить ожидаемую сумму поступлений на счёт.

Здесь термин используется как тип задачи машинного обучения; прогноз не обязательно относится к будущему.

Clustering — кластеризация.

Группировка объектов по сходству их признаков без заранее присвоенных меток классов.

Учебный примерВыделить группы клиентов с похожей структурой расходов.

Полученные группы требуют интерпретации: алгоритм не задаёт бизнес-смысл сегментов.

Anomaly Detection — обнаружение аномалий.

Выявление наблюдений, которые существенно отличаются от ожидаемых закономерностей или принятого представления о нормальном поведении данных.

Учебный примерНетипичная последовательность операций выделяется для проверки.

Аномалия сама по себе не доказывает мошенничество.

Big Data — большие данные.

Наборы данных, объём, скорость поступления, разнообразие или изменчивость которых требуют масштабируемой архитектуры хранения, обработки и анализа.

Учебный примерАнализ непрерывного потока транзакций и событий мобильного приложения.

Большой объём не гарантирует качество данных.

Time Series — временные ряды.

Последовательности наблюдений показателя, упорядоченных по времени. Часто значения фиксируются через равные интервалы.

Учебный примерЧисло обращений в контакт-центр за каждый час.

При анализе учитывают зависимость наблюдений во времени, тренды и сезонность, если они присутствуют.

Data Quality — качество данных.

Степень пригодности данных для предполагаемого использования. Основные измерения: точность, полнота, уникальность, согласованность, своевременность и соответствие допустимым форматам и значениям.

Учебный примерСтатус договора актуален, одинаков в системах и связан с единственной записью клиента.

Приоритет измерений определяется задачей; полнота не равнозначна точности.

ИИ — искусственный интеллект; AI Assistant — ИИ-ассистент.

Приложение на основе ИИ, которое взаимодействует с пользователем на естественном языке и помогает получать сведения или выполнять задачи по его запросам.

Учебный примерСотрудник просит помощника подготовить черновик ответа.

Ассистент описывает роль приложения для пользователя; внутри оно может использовать агентные механизмы.

ИИ — искусственный интеллект; AI Agent — ИИ-агент.

В контексте генеративного ИИ — система, в которой модель динамически определяет следующие шаги и использование инструментов для выполнения задачи, опираясь на промежуточные результаты.

Учебный примерАгент запрашивает статус обращения, выбирает дальнейший шаг и готовит заявку на согласование.

Здесь используется архитектурное различие Anthropic между агентом и заранее заданным процессом. Полномочия и степень автономности задаются отдельно.

Workflow — рабочий процесс.

В контексте решений с генеративным ИИ — процесс, в котором вызовы моделей и инструментов организованы по заранее определённым правилам и маршрутам.

Учебный примерИзвлечь поля документа → проверить заполнение → направить сотруднику.

Маршрут может содержать условия и ветвления; фиксированная последовательность без вариантов не обязательна.

RAG — Retrieval-Augmented Generation; генерация с использованием найденной информации.

Подход, объединяющий поиск релевантных сведений во внешнем источнике и генерацию: найденные материалы передаются языковой модели и используются при формировании ответа.

Учебный примерПомощник находит положения в тарифном справочнике и использует их в ответе.

Документы могут быть устаревшими, а поиск — ошибочным. Само применение RAG не гарантирует достоверность.

Prompt — входной запрос к модели; Context — контекст.

Промпт — входные данные, направляющие ответ модели: инструкции, вопросы, примеры или материалы. Контекст — совокупность информации, доступной модели при текущем формировании ответа, включая сообщения, документы и результаты инструментов.

Учебный примерВ контекст входят вопрос клиента, история диалога и найденный фрагмент правил.

Промпт не ограничивается командой. Контекст не равен всем знаниям модели и ограничен её контекстным окном.

Fine-tuning — дополнительная настройка обученной модели.

Дополнительное обучение предварительно обученной модели на подобранных данных для её адаптации к задаче или предметной области. Изменяются все или часть обучаемых параметров.

Учебный примерАдаптировать модель к принятой классификации обращений.

Передача документов в контекст сама по себе не является дообучением.

Training — обучение; Inference — применение обученной модели, или инференс.

Обучение — подбор параметров модели по данным. Инференс — получение результата для конкретного входа с помощью обученной модели.

Учебный примерБанк использует готовую модель для обработки договора, не обучая её с нуля.

Обычный запрос к модели сам по себе не означает обновление её параметров.

API — Application Programming Interface; программный интерфейс приложения.

API — набор правил и возможностей для взаимодействия программ. Инструмент модели — доступная ей функция, например поиск или вычисление; она может обращаться к другим системам через API.

Учебный примерИнструмент получает статус заявки через программный интерфейс банковской системы.

API и инструмент — связанные, но разные понятия. Право получать сведения и право изменять их задаются отдельно.

NLP — Natural Language Processing.

Область вычислительных методов для анализа, интерпретации и генерации человеческого языка в текстовой или речевой форме.

Учебный примерОпределение темы жалобы и извлечение названий продуктов.

Включает методы, основанные на правилах, статистике и машинном обучении.

CV — Computer Vision.

Область методов, позволяющих компьютерам извлекать и интерпретировать информацию из изображений и видео.

Учебный примерОпределение повреждённых деталей автомобиля по фотографиям.

ASR — Automatic Speech Recognition, автоматическое распознавание речи; TTS — Text-to-Speech, синтез речи по тексту.

Распознавание речи преобразует речевой сигнал в текст. Синтез речи по тексту создаёт звучащую речь из письменного содержания.

Учебный примерРасшифровка звонка и озвучивание ответа голосовым помощником.

Speech Analytics — речевая аналитика.

Автоматизированное извлечение сведений из разговоров: анализ содержания и характеристик речи для выявления тем, закономерностей и показателей взаимодействия.

Учебный примерПоиск частых причин повторных звонков и длительных пауз.

Расшифровка — один из этапов; аналитика также может классифицировать и обобщать разговоры.

Recommender Systems — рекомендательные системы.

Системы, которые отбирают и ранжируют объекты для пользователя по предполагаемой релевантности, учитывая доступные данные и заданные ограничения.

Учебный примерПодбор подходящих продуктов из разрешённого для клиента набора.

Кластеризация может быть компонентом, но не исчерпывает рекомендательную систему.

Geospatial Analytics — геопространственная аналитика.

Анализ местоположений, свойств, пространственных закономерностей и связей объектов в данных с географической привязкой.

Учебный примерОценка доступности отделений с учётом расположения клиентов и маршрутов.

Robotics — робототехника.

Область науки и практики, связанная с проектированием, изготовлением и применением роботов.

Учебный примерФизический робот перемещает документы в архиве.

Программная автоматизация интерфейсов не является физической робототехникой.

RPA — Robotic Process Automation.

Технология автоматизации повторяющихся операций в цифровых системах программными роботами, которые выполняют заданные правила, в том числе имитируя действия человека в интерфейсе.

Учебный примерПеренос реквизитов из одной системы в другую.

Применение RPA само по себе не означает наличие ИИ.

Hallucination; в NIST также Confabulation.

Ошибочное или ложное содержание, которое генеративная система выдаёт в уверенной, правдоподобной форме.

Учебный примерПомощник ссылается на несуществующий пункт тарифа.

Отсутствие ссылки само по себе не доказывает ошибку; проверяют содержание ответа и его основания.

HITL — Human-in-the-Loop; человек в контуре работы системы.

Подход, при котором человек непосредственно участвует в работе, контроле или принятии решений автоматизированной системы, предоставляя проверку, обратную связь или корректировку.

Учебный примерСотрудник проверяет и согласует подготовленное изменение условий договора.

Участие возможно на разных этапах, включая обучение и применение. Номинального присутствия человека недостаточно для действенного контроля.

FP — False Positive, ложноположительный результат; FN — False Negative, ложноотрицательный результат.

Ложное срабатывание: система относит объект к целевому классу, хотя он к нему не относится. Пропуск: объект принадлежит целевому классу, но система его не выявляет.

Учебный примерОбычная операция ошибочно отмечена как мошенническая; мошенническая операция пропущена.

Целевой класс и эталонная разметка должны быть определены до оценки.

Evals — сокращение от Evaluations; проверки качества системы.

Испытания, в которых системе задают входные данные или задачи, а её ответы, действия и итоговое состояние оценивают по установленным критериям.

Учебный примерПроверить, верен ли ответ по тарифу и не было ли недопустимого действия.

Для агентных систем оценивают не только финальный текст, но и выполнение задачи.

Pilot — пилотное внедрение; Scaling — масштабирование.

Пилот — ограниченное внедрение с реальными пользователями для проверки работы решения и сбора обратной связи. Масштабирование — расширение охвата и нагрузки с обеспечением качества, инфраструктуры и сопровождения.

Учебный примерПосле проверки на небольшой группе операторов помощника поэтапно подключают к другим подразделениям.

Успешный пилот ещё не подтверждает результат при другом объёме или условиях работы.

TCO — Total Cost of Ownership.

Оценка прямых и косвенных затрат на решение за его жизненный цикл: приобретение или создание, внедрение, использование, сопровождение и вывод из эксплуатации.

Учебный примерУчитываются не только расходы на модель, но и интеграция, подготовка данных, обучение сотрудников и поддержка.

Для сравнения решений фиксируют одинаковый горизонт и состав учитываемых затрат.

AML — Anti-Money Laundering.

Меры по предупреждению и выявлению легализации преступных доходов и противодействию ей.

Учебный примерМониторинг операций выделяет признаки, требующие дальнейшей проверки.

Термин не обозначает одну конкретную модель ИИ.

TP — True Positives; истинноположительные результаты.

Объекты целевого класса, которые система правильно отнесла к этому классу. В расчётах TP обычно означает их количество.

Учебный примерЕсли целевой класс — мошенничество, это мошеннические операции, правильно выявленные системой.

Число событий и доля выявления — разные показатели.

CSI — Customer Satisfaction Index.

Сводный показатель удовлетворённости клиентов продуктом, услугой или компанией, рассчитанный по ответам на вопросы опроса.

Учебный примерИндекс может объединять оценки нескольких сторон обслуживания.

Состав вопросов, веса и шкалу уточняют в методике конкретного исследования. Источник описывает ACSI — American Customer Satisfaction Index, один из вариантов такого индекса.

CSAT — Customer Satisfaction Score.

Показатель удовлетворённости продуктом, услугой или взаимодействием. Частый расчёт: число довольных респондентов / число ответивших × 100%.

Учебный примерНа шкале от 1 до 5 к довольным часто относят выбравших 4 или 5.

Шкалу, порог удовлетворённости и способ расчёта указывают отдельно; возможны и другие методики.

FCR — First Contact Resolution.

Доля обращений, вопрос по которым решён при первом контакте без необходимости повторного обращения по той же проблеме.

Учебный примерКлиент получает решение вопроса в первом звонке.

Для измерения задают период наблюдения за повторными обращениями и правила учёта переводов между сотрудниками.

AHT — Average Handle Time; также Average Handling Time.

Среднее время, затраченное сотрудником на обработку взаимодействия. Для звонков обычно включает разговор, удержание на линии и работу после звонка.

Учебный примерПосле разговора оператор оформляет результат; это время также входит в обработку.

Состав времени зависит от канала и системы учёта. AHT не равен одному только времени разговора.

CTR — Click-Through Rate.

Отношение числа кликов к числу показов. В процентах: клики / показы × 100%.

Учебный пример12 кликов при 400 показах дают CTR 3%.

Клики не равны покупкам или росту выручки.

tNPS — Transactional Net Promoter Score.

Индекс готовности рекомендовать, измеренный после конкретного взаимодействия. Из процента респондентов с оценками 9–10 вычитают процент респондентов с оценками 0–6 на шкале от 0 до 10.

Учебный примерОпрос после обращения в поддержку.

Оценки 7–8 учитываются в общем числе ответов. Диапазон индекса — от −100 до 100; это не процент довольных клиентов.

ROI — Return on Investment.

Отношение чистого результата инвестиции к затратам на неё. Простая форма в процентах: (денежные выгоды − затраты) / затраты × 100%.

Учебный примерВыгоды 12 млн рублей при затратах 10 млн дают ROI 20%.

Для сравнения нужны одинаковые период и состав затрат. Простая формула не учитывает распределение денежных потоков во времени.

MAE — Mean Absolute Error.

Среднее арифметическое абсолютных разностей между прогнозными и фактическими значениями. Измеряется в единицах прогнозируемой величины; меньше — лучше, ноль означает отсутствие ошибок на проверяемых данных.

Учебный примерЕсли ошибки прогноза числа обращений равны −2 и +4, MAE составляет 3 обращения.

Здесь приведён невзвешенный вариант для одного показателя.

ИТ — информационные технологии; IT — Information Technology.

Средства и методы автоматизированного получения, хранения, обработки, передачи и представления данных, включая оборудование, программное обеспечение и связанные услуги.

Учебный примерБанковские приложения, базы данных и инфраструктура связи.

ФОТ — фонд оплаты труда.

Совокупность начисленных выплат работникам за определённый период: оплата труда, премии, доплаты и другие включённые в расчёт выплаты.

Учебный примерОклады и премии команды за год.

Состав ФОТ фиксируют в методике. В статистике Росстата используется термин «фонд начисленной заработной платы»; он не равен всем расходам работодателя на персонал.

KPI — Key Performance Indicator.

Количественный показатель, выбранный для оценки достижения значимой цели организации, процесса или деятельности.

Учебный примерДоля обращений, решённых при первом контакте, при установленной цели качества сервиса.

Не любая доступная метрика является ключевым показателем.

CRM — Customer Relationship Management.

Подход к управлению взаимодействиями с действующими и потенциальными клиентами. CRM-система — программное средство для хранения сведений и поддержки этих взаимодействий.

Учебный примерВ CRM-системе сотрудник видит историю обращений и договорённостей.

Подход к управлению и программная система — связанные, но не тождественные понятия.

HR — Human Resources; буквально «человеческие ресурсы».

В организационном контексте — функция и практики работы с людьми на протяжении их взаимодействия с работодателем: подбор, развитие, вознаграждение и трудовые отношения.

Учебный примерКоманда подбора организует найм, а команда развития — обучение сотрудников.

PR — Public Relations.

Стратегический коммуникационный процесс, направленный на построение взаимовыгодных отношений организации с её аудиториями.

Учебный примерКоммуникация банка с клиентами, профессиональным сообществом и средствами массовой информации.

AVE — Advertising Value Equivalent.

Условная оценка стоимости редакционного освещения через цену сопоставимого рекламного размещения.

Учебный примерПубликации приписывают сумму, которую стоила бы реклама такого объёма.

AMEC считает AVE дискредитированным показателем: он не измеряет ценность коммуникаций, реальную выручку или отдачу на инвестиции.

PoC — Proof of Concept.

Ограниченный эксперимент или прототип, проверяющий техническую осуществимость ключевой идеи до полноценного внедрения.

Учебный примерПроверка, может ли модель извлекать нужные поля из образцов договоров.

PoC не подтверждает готовность к эксплуатации или экономический эффект в масштабе.

FP — False Positives; ложноположительные результаты.

Объекты, не принадлежащие целевому классу, которые система ошибочно отнесла к нему. В расчётах FP обычно означает их количество.

Учебный примерОбычная операция ошибочно классифицирована как мошенническая.

FP — число ложных срабатываний, а не их доля; для доли нужен определённый знаменатель.