Американская компания Strivr запускает интеллектуальную платформу для фронтальных операций, обеспечивающую коррекцию ошибок в реальном времени

Репортаж от Wedoany，Strivr считает, что обучение перед работой имеет свои пределы, а интеллектуальная поддержка в процессе работы представляет собой более ценный продукт. Эта компания, специализирующаяся на корпоративных обучающих платформах, недавно представила интеллектуальную платформу для фронтальных операций, что знаменует её переход от VR-обучения к ассистированию в реальном времени. Платформа основана на кастомизированной модели визуального языка (VLM) и доставляется через умные очки. Система в реальном времени обнаруживает ошибки при выполнении задач сотрудниками и предоставляет голосовые инструкции по их исправлению, в отличие от прежнего подхода, когда обучение проводилось только до начала работы.

Strivr была основана на базе Стэнфордского университета. Её генеральный директор Дерек Белч (Derek Belch) написал диссертацию о влиянии VR на спортивные результаты, протестировал эту концепцию на футболистах, а затем внедрил её в корпоративную среду. Бизнес-модель компании всегда была сосредоточена на изменении поведения, а не на доставке контента. С момента основания платформа каждую секунду собирает более 100 точек данных по каждому обучающемуся, отслеживая взгляд, движения, позу, голос и эмоции, а не только статус завершения задачи. Эта база поведенческих данных теперь стала основой для более масштабного видения. Интеллектуальная платформа для фронтальных операций использует умные очки для захвата реальных рабочих процессов — видео, аудио, контекст рабочего процесса и прогресс выполнения задач — и обрабатывает их с помощью модели визуального языка, специально обученной для каждого клиента. Когда оператор склада ошибочно сортирует товары, пропускает сканирование или игнорирует шаги проверки, система в реальном времени отмечает ошибку и предоставляет голосовые инструкции по её исправлению до того, как ошибки накопятся.

Платформа нацелена именно на значительные операционные издержки, вызванные частыми ошибками выполнения. Strivr ссылается на сторонние данные: ошибки при комплектации заказов на складах составляют 23% неэффективности операционного выполнения; человеческие ошибки приводят примерно к 20% незапланированных простоев производства, что ежегодно обходится промышленным производителям в оценочно 50 миллиардов долларов; почти 25% выездов на сервисное обслуживание требуют повторного визита; в ресторанах быстрого обслуживания годовая текучесть кадров достигает 110%; предотвратимые медицинские ошибки ежегодно обходятся системе здравоохранения США в оценочно 20 миллиардов долларов. Особенно показателен показатель текучести кадров в 110% в сфере быстрого питания — при такой высокой текучести обучение становится постоянной статьёй расходов с очень коротким сроком годности. Постоянно активный интеллектуальный слой, способный направлять любого работника при выполнении любой задачи, независимо от его стажа, меняет экономику единицы фронтальных операций.

Техническая архитектура интеллектуальной платформы для фронтальных операций состоит из четырёх этапов. Первый этап — захват фронтального рабочего процесса через умные очки; второй — обучение модели визуального языка для конкретных инструментов, среды и процессов каждого клиента; третий — обнаружение ошибок в реальном времени и предоставление голосовых инструкций по их исправлению; четвёртый этап, как утверждается, обеспечивает непрерывное улучшение по мере накопления данных о выполнении. Этот подход с кастомизированной VLM решает реальные ограничения универсального ИИ в корпоративных операциях: модель, обученная на общих складских данных, не может надёжно идентифицировать специфическую последовательность сборки, фирменное оборудование или планировку объекта конкретного клиента. Однако это также поднимает вопросы о минимальном объёме данных, необходимом для достижения операционной надёжности модели, сроках внедрения и способах проверки точности до начала эксплуатации. На странице платформы результат второго этапа описывается как «модель ИИ, специально обученная тому, как работа выполняется в вашей среде». Покупателям на этапе приобретения следует особо поинтересоваться, сколько времени занимает обучение модели, какой объём захваченных данных рабочего процесса требуется, и какие показатели точности Strivr гарантирует перед развёртыванием в реальной операционной среде.

История VR-обучения Strivr хорошо задокументирована. Время адаптации сотрудников Walmart сократилось с 8 часов до 15 минут; сотрудники Verizon после обучения по сценарию активного стрелка почувствовали себя на 97% более подготовленными. Один сотрудник Walmart публично заявил, что после VR-опыта он почувствовал, будто действительно принимал те решения в магазине, и поэтому чувствовал себя совершенно комфортно, выходя непосредственно в торговый зал. Интеллектуальная платформа для фронтальных операций доставляется через умные очки, и комфорт устройства в течение полной смены, гигиена совместного использования, интеграция с системами управления мобильными устройствами (MDM) и принятие сотрудниками требуют проверки в каждой конкретной среде. Хотя корпоративная инфраструктура Strivr уже включает поддержку MDM, корпоративную интеграцию, а также безопасность и соответствие требованиям, политика в отношении записей, их хранения, местоположения и прав доступа требует от клиента самостоятельной проработки вопросов управления.

Strivr сделала логически последовательную ставку в сфере иммерсивной работы. Переход от обучения перед работой к интеллектуальной поддержке в процессе работы — правильное направление, кастомизированная архитектура VLM — правильный метод, а постановка проблемы в разрезе различных вертикалей основана на реальных данных об операционных затратах. Однако на данный момент не опубликованы данные о результатах работы интеллектуальной платформы для фронтальных операций, сопоставимые по стандартам доказательств эффективности, установленным традицией VR-обучения. Это соответствует статусу платформы, находящейся на стадии раннего доступа. Покупатели с высокообъёмными фронтальными операциями, значительными издержками от ошибок выполнения и готовностью к раннему внедрению являются подходящей целевой аудиторией; те, кому для принятия решения необходима полностью задокументированная история развёртывания, должны внимательно следить за развитием и пересмотреть свою оценку через 12 месяцев.