Шест месеци AI стратегија, нула линии код
- AI во продукција за 4 недели
- Заостанатите исклучоци исчистени
- Демо во живо пред одборот наместо презентација
- 4 недели Од почетокот на соработката до AI во продукција
- 78% Точност на насочувањето на исклучоците при лансирање
- 260 на 80 Работни часови неделно (пред/потоа)
Што се промени
- Од почетокот на соработката до AI во продукција
- 4 недели
- Точност на насочувањето на исклучоците при лансирање
- 78%
- Работни часови неделно (пред/потоа)
- 260 на 80
- Просечно време за обработка на исклучок
- 8 мин на 2 мин
- Потребни дополнителни вработувања
- 0 долари
- Демо во живо што ја замени презентацијата од 40 страници
- 1
Ситуацијата
Логистичка компанија од Велика Британија со 400 вработени и AI буџет од 500 илјади долари одобрен од одборот потроши шест месеци обидувајќи се да воведе AI. Ангажираа консултант за AI стратегија, проценија 12 добавувачи, избраа 3 во потесен круг, почнаа две доказни изработки, ги напуштија двете и произведоа презентација за стратегија од 40 страници. Ништо не работеше во продукција. Ова е правило, а не исклучок: анкета на S&P Global од 2025 врз повеќе од 1.000 компании покажа дека 42% ги напуштиле повеќето свои AI иницијативи, наспроти 17% година порано, а просечната организација отфрлила 46% од доказните изработки пред да стигнат до продукција. Одборот губеше трпение. Оперативниот тим, кој требаше да има корист од инвестицијата во AI, престана да доаѓа на состаноците за AI, бидејќи не веруваше дека нешто некогаш ќе биде испорачано.
Што всушност беше скршено
Основниот проблем беше обемот. Презентацијата за AI стратегијата опфаќаше седум примени во четири оддели. Секоја примена имаше деловна пресметка, препорачан добавувач и рок. Но никој не го постави најважното прашање: која ја градиме прва и како изгледа „готово“ за таа една работа? Стратегијата ги третираше сите седум примени како портфолио што се испорачува паралелно. Во пракса, тоа значеше дека секој состанок стануваше расправа за приоритети, избор на добавувачи и распределба на ресурси меѓу седум иницијативи. Ниту една иницијатива немаше доволно фокус или ресурси за да стигне до продукција. Анкетата на McKinsey за AI од 2025 покажа дека организациите што пријавуваат значителен финансиски поврат имаат двапати поголема веројатност да редизајнирале цел процес од почеток до крај пред да изберат техника на моделирање. Оваа презентација го преврте тој редослед: избра добавувачи и архитектури за седум процеси што никогаш не биле редизајнирани.
Двете напуштени доказни изработки јасно го покажуваа проблемот. Првата беше модел за предвидување на побарувачката што бараше 18 месеци историски податоци да се исчистат и нормализираат пред да почне учењето. Тимот за податоци процени три месеци само за подготовка на податоците. Проектот беше ставен на чекање во вториот месец, кога чистењето се покажа посложено од очекуваното. Втората беше разговорен бот за услуги на клиентите што бараше интеграција со седум внатрешни системи. Интеграцијата беше проценета на четири месеци. Проектот беше ставен на чекање во првиот месец, кога првата интеграција траеше три недели наместо проценетите три дена. Двете го следеа образецот на неуспех од учебник: демо изградено на чисти примерни податоци што пука во моментот кога ќе се сретне со системи во живо и неуредни записи од продукција. Истражувањата во индустријата се директни за оваа празнина. Од AI доказните изработки што стигнуваат до продукција, просечниот пат од прототип до систем во живо трае околу осум месеци, а повеќето никогаш не го поминуваат.
Оперативниот тим имаше најостра болка. Секоја недела обработуваа околу 2.000 исклучоци во испораката: пратки што доцнат, погрешно насочени или оштетени. Секој исклучок бараше оператор да ги прегледа деталите, да го одреди соодветниот процес за решавање и рачно да го насочи до вистинскиот тим. Процесот траеше просечно 8 минути по исклучок и трошеше околу 260 работни часа неделно. Оперативниот директор две години бараше автоматизација. Работата беше токму онаа структурирана, повторлива класификација што машинското учење добро ја прави: читање неколку атрибути на исклучокот и нивно поврзување со точниот процес за решавање, истата тријажа што логистичките платформи во 2026 ја автоматизираат за да преминат од гаснење пожари кон проактивно насочување. Презентацијата за AI стратегијата ја наведуваше како примена број пет од седум, закажана за четвртиот квартал. Оперативниот тим престана да чека.
Чекор по чекор
Сесија за една примена
Одржавме сесија од два часа со оперативниот директор, водачот на тимот за податоци и техничкиот директор. Целта беше да се најде една примена што исполнува три критериуми: големо деловно влијание, достапни податоци за учење и изводливост за четири недели. Насочувањето на исклучоците во испораката имаше најдобар резултат на сите три. Податоците веќе беа структурирани во оперативната база, деловното влијание можеше да се измери (260 работни часа неделно), а логиката на поврзување се засноваше на обрасци, а не беше генеративна, што значеше дека поедноставна архитектура на модел ќе работи. Ограничувањето од четири недели беше намерно. Примена што не може да се испорача за еден месец обично е примена што не е доволно стесната, а заглавен пилот-проект ја учи организацијата само на тоа дека AI тука не работи.
Проверка на податоците и архитектура на моделот
Три дена ги проверувавме податоците за исклучоците: 18 месеци решени исклучоци со белешки од операторите, кодови на решение и одлуки за насочување. Податоците беа доволно чисти за учење без обемна претходна обработка. Избравме модел за класификација што ги поврзува атрибутите на исклучокот (тип, превозник, потекло, одредиште, вредност) со процесите за решавање. Без LLM, без пишување инструкции, без трошоци по токен што растат со обемот. Ова е образец што индустријата постојано повторно го учи: најсилните резултати во логистиката доаѓаат од спојување на класични оперативни методи со историски податоци и фокусиран модел, а не од посегнување по најголемиот достапен систем. Моделот требаше да биде точен, а не креативен.
Изработка на интеграцијата
Интеграцијата беше изградена да работи покрај постоечкиот рачен процес, а не да го замени. Кога ќе стигнеше нов исклучок, моделот го предвидуваше процесот за решавање и однапред ги пополнуваше полињата за насочување. Операторот можеше да го прифати предлогот со еден клик или да го промени. Ова е дизајнот со човек во јамката што тимовите за AI во продукција сега го сметаат за стандард: моделот предлага, човекот одлучува, а секоја промена се зачувува како означен сигнал за учење, наместо да се изгуби во процесот. Тоа значеше дека моделот може да се воведе без никаков ризик за постоечкото работење. Погрешните предвидувања едноставно ќе се поправеа, а поправките со текот на времето директно ќе се враќаа во моделот.
Објава во продукција и мерење
Интеграцијата беше објавена во продукција во третата недела. До четвртата недела, моделот точно насочуваше 78% од исклучоците без интервенција од оператор. Преостанатите 22% бараа рачен преглед, но однапред пополнетите полиња сепак штедеа време дури и кога операторот го менуваше насочувањето. Оперативниот тим помина од 8 минути по исклучок на просечно под 2 минути. Неделните работни часови паднаа од 260 на околу 80, со што се ослободија околу 180 часа неделно за исклучоците на кои навистина им требаше човечка проценка. Оперативниот директор пред одборот покажа демо во живо, наместо вообичаената презентација.
Со нивни зборови
Осум месеци зборувавме за AI. Вие испорачавте нешто за три недели. Оперативниот тим стана и аплаудираше кога ги виде предвидувањата за насочување како работат. Тоа никогаш не сум го видел на состанок на управен одбор.
Сѐ што би прашале на првиот состанок
Дали секогаш препорачувате да се почне со една примена?
Да. Секоја AI иницијатива што сме ја виделе да успее почнала со една, добро дефинирана примена што брзо стигнала до продукција. Широките стратегии што се обидуваат да опфатат повеќе примени истовремено постојано заглавуваат, што е една од причините зошто објавените стапки на неуспех кај компаниите се толку високи. Испорачајте едно нешто, докажете вредност во вистинското работење, а потоа ширете од основа што работи, наместо од слајд.
Дали точноста се подобри со текот на времето?
Да. Точноста на моделот порасна од 78% при лансирањето на 89% по 8 недели, бидејќи поправките од операторите дадоа дополнителни податоци за учење. Јамката на повратни информации беше вградена во процесот од првиот ден, па секое прифаќање и секоја промена го подобруваа следното предвидување. Моделите без таа јамка обично се лизгаат во спротивна насока кога вистинските податоци се менуваат; овој се подобри токму затоа што поправките имаа пат назад кон учењето.
Што ако немаме чисти историски податоци?
Квалитетот на податоците е најчестата пречка за AI проектите. Ако податоците не се чисти, прво дефинираме спринт за подготовка на податоците. Искрени сме за роковите: ако подготовката трае 8 недели, кажуваме 8 недели, а не 2. Лошата подготвеност на податоците е најчесто наведуваната причина за напуштање AI иницијативи, па повеќе сакаме точно да ја процениме отколку да ја откриеме во третата недела. Логистичката компанија имаше 18 месеци чисти, структурирани податоци за исклучоците, и тоа го направи можен рокот од 4 недели.
Дали градите модели по мерка или користите готов AI?
Зависи од примената. За овој проект, модел за класификација по мерка беше вистинскиот избор, бидејќи проблемот беше добро дефиниран, а податоците структурирани. За други проекти користиме OpenAI, Anthropic или модели со отворен код кога подобро одговараат. Генеративен модел ќе беше побавен, поскап и помалку точен за задача на насочување во фиксни категории како оваа. Изборот на технологија го следи дефинирањето на проблемот, а не обратно.
4 недели Од почетокот на соработката до AI во продукција
Контактирајте нѐ
Кажете ни што сакате да изградиме. Ви кажуваме од каде да почнеме и што е потребно.
АвторKostadin StambolievОсновач и имагинатор
Објавено