«Майбутнє вже тут: у наших проєктах одна модель ШІ аналізує відгуки, які надає інша», – розповідає Віталій Сілаєв, Head of Delivery у Favbet Tech. Компанія розробляє бетингову платформу, де користувачі можуть робити ставки на спорт і інші події, а також грати в ігри. Зараз Favbet Tech використовує ШІ в багатьох проєктах, зокрема в тих, що роблять для допомоги ЗСУ.
Про це розповідає ProIT
У партнерському матеріалі з Favbet Tech Віталій розповів MC.today, як трансформувалась команда, котра займається ШІ-проєктами в компанії, та над чим працюють зараз.
Від перших проєктів з машинним навчанням до постійної команди, що займається ШІ
Перші проєкти з машинним навчанням у компанії почали впроваджувати, коли ця сфера ще була не дуже розвинута – у 2012 році. Тоді для клієнта побудували бетингову платформу та заклали в неї систему математичного аналізу, яка є однією з основ ШІ. Технологію використовували, щоб автоматизувати операційні завдання, наприклад розраховувати коефіцієнти ставок.
З того часу багато чого змінилось. Раніше ШІ використовували для певних продуктів чи проєктів, вирішуючи з його допомогою точкові запити, а від минулого літа в компанії почали формувати продуктовий підхід до впровадження ШІ.
«Клієнти не завжди розуміють, що може дати ШІ: ми дивимось на метрики та можемо пропонувати якісь нові фічі, можливості, – каже Віталій. – Так само і всередині компанії: ті, хто оперує продуктом, робить кожен день одне й те саме, не завжди можуть поглянути на всі процеси “зверху”, щоб зрозуміти, що можна пришвидшити». Тому у Favbet Tech відокремили команду, яка формує продуктовий підхід і для клієнтів, і для людей, що працюють із продуктом. «Ми вже бачимо, що це є набагато ефективнішим», – підкреслює Віталій.
Як працює команда, що займається ШІ
Спочатку це була робоча група з різних відділів: влаштовували брейнстормінги, де всі розповідали свої ідеї. Зараз це більш-менш стала команда з 10 людей, що постійно займається R&DResearch and Development. «Ми даємо ідеї та отримуємо фідбек від розробників та продукт-оунерів, чи можливо щось зробити, чи корисно це буде», – розповідає Віталій.
Він каже, що у Favbet Tech опрацьовують ідеї для багатьох сфер – наприклад, як уникати шахрайства. Раніше деякі гравці могли об’єднатися і грати в одні й ті самі ігри: таким чином вони спеціально програвали одне одному, а потім розподіляли загальну суму виграшів між собою, здобували додаткові бонуси. Зараз ШІ досить швидко визначає такі змови.
А до того все це вираховували вручну, за допомогою Excel-табличок і вже фактично після того, як все сталось. Компанія зазнавала збитків.
Нині робоча група із ШІ формує гіпотези, оцінює їх, потім робить початкові моделі. Аналізує, яку частину платформи можна змінити, хто з відділів із цим може працювати. Після цього напрацювання передають у команди розробки. Інколи співробітники з команди, що займається ШІ, спостерігають за тим, як працюють інші, щоб зрозуміти, які процеси можна скоротити чи звідки можна взяти дані для моделі ШІ.
У команді з ШІ періодично з’являються нові ролі: зараз, наприклад, набирають анотаторів – людей, що розмічають дані та допомагають швидше навчати моделі. Від них залежить, чи буде результат якісним. Але тут також можна поєднувати роботу людей і ШІ. Наприклад, у Favbet Tech був проєкт для військових, де треба було відмічати певні об’єкти в певних ситуаціях, погодних умовах. «Масив даних був дуже великий і неоднорідний, у ньому було все перемішано: дощ, туман, ніч тощо. Ми зрозуміли, що навіть та команда, яка зараз працює, буде рухатись дуже повільно, – розповідає Віталій. – Тоді ми зробили модель, що самостійно сортувала погодні умови. І люди вже працювали з розсортованими даними».
Проєкти вже не починають з нуля: є заготовки, що дають можливість у момент підіймати інфраструктуру під новий проєкт, швидкий доступ до даних, набір стандартних інструментів, який допомагає працювати із цими даними. Віталій підкреслює, що для ШІ створили окрему інфраструктуру, окремі технічні рішення, data lakeпідхід, за якого зберігаються неструктуровані дані, тобто великий масив інформації в різних форматах. Ці рішення можуть працювати найефективніше. Не варто забувати, що оброблення запитів з боку ШІ – це також недешевий процес. Той же ChatGPT від OpenAI, ймовірно, витрачає понад півмільйона кіловат-годин електроенергії, щоб відповісти на близько 200 млн запитів на день.
Також у Favbet Tech багато уваги приділяють навчанню команди: наприклад, залучають досвідчених партнерів, таких як Amazon.
Які проєкти із ШІ зараз розвивають у компанії
«Більшість людей думає, що ШІ – це умовно “я роблю це в Excel за три години, а ШІ буде робити за кілька секунд”, – каже Віталій. – Це не зовсім так. У ШІ більші можливості». Зараз у компанії розробляють близько 20 проєктів, де застосовують ШІ. Усі вони мають різний рівень складності.
Сегментація аудиторії
Відділ маркетингу працює з величезним потоком користувачів платформи. Favbet Tech намагається максимально автоматизувати процес взаємодії із клієнтами. Проста сегментація за бізнес-правилами виявилася недостатньою. Кількість користувачів у різних бізнес-сегментах не дозволяла зробити аналіз і зрозуміти їхні потреби.
Раніше в компанії оперували базовим набором із 20–30 сегментів, а з допомогою ШІ цей поділ можна значно розширити. «Наприклад, є сегмент клієнтів, яким все одно, виграли вони чи програли, – розповідає Віталій. – Їм подобається сам процес гри». І таким потрібні не бонуси, а покращений сервіс та увага, рекомендації того, що їм може сподобатись.
Проєкти для ЗСУ
Для проєктів, які допомагають ЗСУ, також використовують ШІ: це не лише технології для дронів, але й робота з великими масивами даних. «Не певен, що варто розголошувати деталі, але відгуки від хлопців, які працюють із продуктами, хороші», – каже Віталій.
Робота із зацікавленістю клієнтів
Допомагає ШІ і в напрямі, що займається підрахунком lifetime valueдовічна цінність – це передбачення чистого доходу, пов’язаного з усіма майбутніми відносинами із клієнтом клієнта: у певний момент гравець може знудитись або розчаруватись і закрити акаунт. «Ми працюємо над тим, щоб передбачити, коли людина почне втрачати інтерес, і заздалегідь запропонувати щось цікаве саме для неї», – каже Віталій. Зараз завдяки моделям ШІ можна спрогнозувати щось із точністю до кількох днів. Наприклад, якщо клієнт не отримує бонус на ті спортивні події чи ігри, що йому подобаються, то за три дні йому стане нецікаво на платформі. ШІ дозволяє працювати з вузькими сегментами: хтось любить, щоб йому надіслали повідомлення, комусь краще телефонний дзвінок.
Також ШІ використовують у маркетингу, наприклад під час роботи із трафіком. Компанії потрібно знати, що трафік ефективний. Умовно кажучи, що на сайт заходять не боти. Раніше йшли тижні на те, щоб зрозуміти, чи є потенційні клієнти в певному сегменті, на який запускали рекламу. Зараз за допомогою ШІ це можна визначити за дні або навіть лічені години.
Оцінювання результату: як зрозуміти, що ШІ працює
Враховуючи, що в компанії використовують продуктовий підхід, на початку завжди є базові метрики, які потрібно покращити. Відповідно, команда має зрозуміти, що саме має змінитись. При цьому важливо розуміти, що не всі результати роботи з ШІ можна оцінити у грошах. «У нас теж була така помилка: ми намагались дивитись, як моделі впливають на прибуток», – ділиться Віталій. Також у компанії зрозуміли, що підхід до A/B-тестування змінюється й там також можна залучити ШІ.
А ще ми виявили дуже цікавий нюанс. Коли оцінюємо роботу із трафіком, який залучаємо, то виявляється, що ШІ оцінює ШІ. ШІ розуміє наш сегмент, продукт, хто повинен приходити на сайт. І від нас він отримує фідбек – прийшли потрібні нам клієнти чи ні. По суті, дві різні моделі ШІ спілкуються між собою та розуміють, що їм потрібно змінити.
Віталій підкреслює, що коригування моделі – це постійний процес. Іноді буває, що її вже змінювали безліч разів і вона не дає бажаний результат, а зі 160-ї спроби вийде те, що треба. А інколи можна отримати результати з першої чи другої моделі: це сильно залежить від чистоти даних, які отримує певна модель.
Чи всі ідеї йдуть у роботу
Не завжди ідея відсікається на початку. Інколи команда бачить, що рішення подобається клієнтам, але воно може не пройти наступний етап. «У нас було “пропонування суми”, – розповідає Віталій. – ШІ може спрогнозувати, яку суму зазвичай клієнт витрачає в певних ситуаціях чи іграх, і пропонувати поповнити баланс саме на неї, щоб не доводилось витрачати час на кілька поповнень». Тестування показало, що клієнти хочуть використовувати цю функцію. Але юристи поки що розглядають, чи не буде це вважатися прийняттям фінансового рішення за клієнта. Тому проєкт поки на паузі.
А ще є людський фактор. Наприклад, можна розробити ідеальну модель ШІ, але працівники не будуть розуміти, навіщо їм її використовувати. Були випадки, коли давали відгуки, що все працює ідеально, а потім виявилося, що працівники не використовували модель, яку замовив менеджмент.
«Саме тому ми почали формувати ком’юніті для впровадження ідей», – каже Віталій. За його словами, частина людей усе ще сприймає ШІ як загрозу, що може забрати роботу, тому із цим стереотипом треба працювати.
Водночас штучний інтелект економить час: наприклад, якщо раніше працівники вручну шукали потенційних шахраїв, зараз за команду з чотирьох людей практично все робить ШІ. «Вони вже виконують інші завдання, – каже Віталій. – Ми не прагнемо скорочувати людей, завдань у компанії вистачає. А ШІ дає можливість займатись креативнішою роботою, а не ставити галочки в табличках».
Плани на майбутнє
«Ми були нещодавно на міжнародній виставці, де бачили багато рішень з ШІ в гемблінгу. Найбільше уваги звертають на розважальні моменти, – ділиться спостереженнями Віталій. – А от рішення для захисту гравців від ігрової залежності та фінансових втрат не такі популярні». У компанії планують працювати в обох цих напрямах: другий хоча й не приносить багато прибутку, але допомагає уникнути проблем як для гравців, так і для компанії.
Також у Favbet Tech планують продовжувати розвивати продуктовий підхід і покращувати платформу. «Можливо, будемо робити ще й окремий продукт, – каже Віталій, – рішення не тільки для нашої платформи, а й для інших бізнесів».
Візуальне оформлення статті здійснено командою ITC.UA