Оксана Глушко

Оксана Глушко, Product Manager у robota.ua

Я починала працювати зі штучним інтелектом у 2018 році – тоді все, повʼязане з цією технологією, було заведено називати Data science. Сьогодні AI є окремою галуззю та наукою, важливість, перспективність і актуальність якої вже ні в кого не викликають жодних сумнівів.

Штучний інтелект: від витоків до сучасних можливостей Generative AI

Штучний інтелект – надзвичайно обʼємна галузь, на яку ми можемо та повинні дивитися широко та з абсолютно різних сторін. І хоча графіки Google Trends можуть спонукати думати, що AI виник з появою ChatGPT, насправді історія розвитку починається ще з 1956 року. З того часу галузь штучного інтелекту прогресувала, розчаровувала, зазнавала спадів і знову зʼявлялася. І важливим є розуміння того, що відродження ШІ та розвиток машинного і глибокого навчання були б неможливими, якби з 2000 року не відбулося значне покращення обчислювальних  технологій та стрімке зростання обсягів даних (Big Data). Саме це створило нові можливості для інженерів і зумовило початок нової ери глибокого навчання, яке лягло в основу сучасних AI-технологій.

Те, що ми бачимо сьогодні на прикладі ChatGPT, Siri, генераторів картинок або відео – це все належить до нової підгалузі – Generative AI. На відміну від попередніх підгалузей, ця не тільки розуміє зв’язок між даними, а й може генерувати щось нове, базуючись на своїх знаннях і контексті.

Отже, AI – це далеко не тільки про генерацію тексту чи картинок. І це не магія. Це просто велика кількість математики та ще більша кількість даних. Якщо розглядати приклад ChatGPT, то тут в ролі математики виступають трансформери, які можуть обробляти великі обсяги інформації та розуміти звʼязки між словами. А також ця мовна модель навчена на величезному обсязі текстів з різних джерел, книг, вебсторінок, статей, що допомагає їй володіти настільки широкими темами та стилями написання текстів. Зазвичай саме робота з даними для побудови моделі є найбільш ресурсозатратним процесом – збір, обробка та чистка даних займають в інженерів приблизно 60% часу. Але чим більшими та чим якіснішими будуть ці дані, тим успішнішим буде проєкт.

Часто на наших проєктах ми збираємо та чистимо дані, розробляємо та вчимо модель, проходимо довгий процес реалізації, а під час тестування розуміємо, що результат взагалі не вражає. Зазвичай якість моделі страждає в тих випадках, коли у нас або замало варіацій даних, або дані не дуже якісні чи застарілі. І тут все починається спочатку. Це норма для AI-проєктів.

Дані як основа AI-продуктів

Тож, дані – це те, без чого неможливий жоден такий проєкт. І Product Manager, який хоче працювати з AI-продуктом, повинен усвідомлювати це, а також розуміти, як працювати з даними, та вміти якісно постачати їх інженерам. Є кілька найпопулярніших типів даних – машинне навчання навчилось працювати уже з кожним з них. А залежно від типу даних говорять про різні напрямки машинного навчання – найпопулярнішими з них є Computer Vision (CV) та Natural Language Processing (NLP).

Computer Vision (CV) – напрямок машинного навчання, що працює з картинками та відео. Серед прикладів практичного застосування моделей є функція Face ID в Apple та можливості для управління автомобілем у Tesla, а також технології Customer Tracking, генерації картинок, pose detection тощо.

Computer Vision

Одними з ключових задач CV є виявлення, класифікація та сегментація зображень. І, зазвичай, ці три задачі йдуть у тандемі, а використовують їх в абсолютно різних галузях. Наприклад, у моєму щоденному користуванні є додаток, який дозволяє по фото класифікувати, що це за рослина, діагностувати, наскільки рослина здорова, та рекомендувати догляд за нею залежно від зони проживання. Також можливості CV використовуються медиками для підвищення точності діагностики та нашими військовими – AI за допомогою дронів допомагає знаходити, класифікувати та знищувати ворожу техніку. І це далеко не всі сфери застосування Computer Vision.

Natural Language Processing (NLP) – напрямок машинного навчання, що працює з текстом. Тут найяскравішими представниками є Google, який використовує моделі для кращого розуміння пошукових запитів, а також Grammarly, який залучає технології для аналізу тексту та виправлення граматичних помилок. 

Natural Language Processing

NLP сьогодні часто використовується для автоматизації підтримки клієнтів через чат-боти та за допомогою віртуальних асистентів. Прикладом такого віртуального асистента в HR Tech є Olivia Paradox.аі, яка допомагає компаніям полегшити рекрутингові процеси. А саме – автоматизувати відповіді на запити щодо вакансій, організовувати та нагадувати про співбесіди, а також автоматично надсилати пропозиції та проводити первинні інтервʼю. Мовні моделі використовують для перетворення звуку в текст, а також для самаризації інформації.

Використання NLP у HR-процесах: від інтервʼю до AI-скринінгу

Якщо говорити про HR Tech, то тут використовують ці можливості для проведення інтервʼю у відео чи аудіоформатах, де після співбесіди модель підсумовує розмову та надає рекомендації щодо кандидата. В NLP є задача Named-Entity Recognition (NER) або розпізнавання іменованих сутностей. Це застосовується там, де є необхідність швидко обробляти великі обсяги тексту та витягувати з нього структуровані дані. В HR Tech використовують цю задачу ATS-системи для реалізації так званого «AI-скринінгу» резюме кандидатів і витягнення з полотна тексту тільки потрібної інформації про пошукача.

Найсучаснішим інструментом NLP є LLM (великі мовні моделі). Це потужні алгоритми, які використовують глибоке навчання для розуміння, генерації та обробки природної мови. Для нас це СhatGPT, а для AI-розробників це LLM-ки.

Штучний інтелект у robota.ua: технології для категоризації вакансій, генерації контенту, взаємодії з кандидатами та автоматизації HR-процесів

В robota.ua сьогодні є понад 20 фіч або проєктів, де ми використовуємо AI. Переважно це задачі NLP, оскільки в нас багато тексту у вакансіях і резюме.

 Одним із перших наших творінь у цьому напрямку стала «Єва» – модель, яка займається категоризацією вакансії, відносить її до певної професії, витягає з неї всі важливі ключові слова. Я називаю цю модель основою основ, адже результат її роботи ми потім використовуємо майже скрізь – від моменту знаходження вакансії на сайті до рекомендацій.

Завдяки впровадженню цієї моделі ми скоротили час обробки вакансії з 2 годин до 2 секунд, а також суттєво скоротили «людиногодини», адже до цього цей процес був повністю ручний. Зараз «Єва» обробляє до 90% щоденних вакансій. При створенні вакансії роботодавцем ми даємо можливість згенерувати текст оголошення за нього на основі назви вакансії та компанії. Сьогодні вже приблизно 16% щоденних вакансій згенеровані за допомогою цієї фічі.

У кабінеті роботодавця є можливість згенерувати питання до вакансії на основі її тексту. За допомогою цих питань ми даємо можливість швидше відсіяти нерелевантних кандидатів – щомісяця цю фічу використовують понад 1 500 опублікованих вакансій.

Єва

Мій улюблений інструмент взаємодії з пошукачем і роботодавцем – рекомендації контентуПонад 27% відгуків на вакансії пошукачі подають саме з блоків рекомендацій. І цей відсоток постійно зростає.



Рекомендації контенту

Також у розробці зараз перебуває генератор тексту резюме від robota.ua. Наш AI проаналізував мільйони вакансій та резюме та на їхній основі навчився генерувати підказки для заповнення блоків з обов’язками та ключовими навичками. Вже понад 17% резюме використовують цю фічу.

Генератор тексту резюме

Ключова роль команди для успішної реалізації AI-проєктів

За великими досягненнями завжди стоять люди – це одна з найглибших істин. Команда AI не є винятком. За статистикою, приблизно 85% AI-проєктів не досягають фази продакшн або не приносять бажаних результатів саме через недостатню інтеграцію між командами.

Моя команда складається з ML-розробників, Data Engineer, QA, мене як PM, а також з нами на зв’язку перебуває команда анотаторів даних. Наша команда не була такою від самого початку. І я думаю, що з розвитком AI-технологій наша команда буде тільки розширюватися та масштабуватися.

Якщо ви запитаєте, чим для мене є AI Product Manager – професією чи скілом, я відповім однозначно. Це професія. Вона потребує від мене не тільки вміння управляти проєктом і командою, а також знань про штучний інтелект і вміння працювати з даними. Ми не використовуємо готових рішень – ми їх створюємо та щоразу проходимо AI Lifecycle.

Зміни на горизонті: тренд на AI, безпека даних, регулювання галузі та адаптація до нового світу

Тренд на пошук інформації та згадок про AI Product та AI Product Manager тільки росте. І тепер варто згадати про безпеку даних і про те, що найближчим часом на нас чекає закон про регулювання використання штучного інтелекту.



Я розумію, що AI починає входити в моє життя дуже ненавʼязливо та непомітно. І якщо вміти ним правильно користуватися та розуміти його можливості, він може допомогти автоматизувати чи оптимізувати багато щоденних задач незалежно від професії.



Ми часто чуємо думки, що штучний інтелект може забрати робочі місця або замінити людину. Я б дивилася на це з іншого боку: AI – це інструмент, який допомагає нам стати продуктивнішими та креативнішими. Потрібно навчитись використовувати його на свою користь. Нам потрібно зрозуміти, що AI з нами точно надовго. Нам залишається це тільки прийняти. І памʼятаємо, що «успіх приходить до тих, хто не боїться змін, а використовує їх як можливість для росту».

Читайте ще: Як залишатися конкурентоспроможними фахівцями в епоху штучного інтелекту? 6 критично важливих навичок на сьогодні