«ИИ для диагностики болезней: врачи не доверяют»
Кейс:
Купили систему компьютерного зрения для анализа снимков МРТ (точность 94%). Врачи её игнорируют, предпочитая свой опыт. Ошибки диагностики остаются высокими.
Ответ:
✔ Запустить параллельный режим: ИИ выдаёт заключение, врач его подтверждает или опровергает, система учится на расхождениях.
✔ Ввести KPI главврача по доле снимков, прошедших двойной контроль (человек + ИИ).
✔ Провести «слепое тестирование» : врачам дают 20 снимков, половину с пометкой «ИИ ошибся» — когда выяснится, что ИИ прав в 90% спорных случаев, доверие вырастет.
✔ Выплачивать премию 500 руб. за каждый случай, когда врач признал правоту ИИ и изменил диагноз.

«Чат-бот для госуслуг отвечает грубо и невпопад»
Кейс:
На портале госуслуг региона запустили чат-бота. 40% обращений заканчиваются переходом на оператора, в соцсетях мемы про «тупого робота».
Ответ:
✔ Переобучить модель на датасете реальных диалогов (10 800 корректных ответов операторов).
✔ Внедрить эскалацию по ключевым словам («жалоба», «начальник», «прокуратура») сразу на живого оператора.
✔ Добавить механизм обратной связи после каждого ответа («помогло / не помогло») для дообучения.
✔ Сделать кнопку «Говорить с человеком» всегда доступной, но с таймером 15 секунд ожидания — чтобы не злоупотребляли.

«ИИ в подборе персонала: дискриминация по косвенным признакам»
Кейс:
HR-платформа на ИИ отсеивает резюме женщин и людей старше 45 лет, потому что исторически их нанимали реже. Компанию обвиняют в дискриминации.
Ответ:
✔ Обучить модель без демографических признаков (пол, возраст, национальность — удалить из данных).
✔ Ввести аудит алгоритма каждые 3 месяца независимой этической комиссией.
✔ Добавить «слепой найм» : на первом этапе видны только навыки и опыт.
✔ Установить целевой KPI: доля принятых женщин и кандидатов 45+ — не ниже доли в откликах.

«ИИ предсказывает поломки станков, но завод не внедряет»
Кейс:
Решение по предиктивной аналитике (датчики + ML) обещает снизить простои на 30%. Стоимость внедрения — 20 млн. Директор завода говорит: «У нас и так работает».
Ответ:
✔ Запустить пилот на 5 критически важных станках за 2 млн руб. (окупаемость 6 месяцев).
✔ Зафиксировать в договоре оплату от эффекта (% от экономии простоев за первый год).
✔ Увязать KPI главного инженера с MTBF (средней наработкой на отказ).
✔ Показать кейс конкурента: после внедрения сократили ремонтный персонал на 20%.

«ИИ для проверки школьных сочинений: родители против»
Кейс:
В регионе внедрили ИИ-проверку ЕГЭ по русскому. Родители требуют отменить: «Робот не понимает творчества». Технически точность 96%.
Ответ:
✔ Использовать гибридную схему: ИИ проверяет грамотность и фактические ошибки, эксперт-человек — содержание и творчество.
✔ Сделать апелляцию 2.0: ученик подаёт заявление, и два эксперта перепроверяют работу вслепую.
✔ Опубликовать детальную аналитику типичных ошибок, распознаваемых ИИ (чтобы снизить тревожность).
✔ Запустить демо-тренажёр для школьников: они могут проверить своё сочинение ботом и доработать.

«Предсказание оттока студентов вуза — данные разрознены»
Кейс:
Университет теряет 15% первокурсников после первой сессии. Данные о посещаемости, оценках, соцсетях, обращении в психологическую службу лежат в 5 разных системах.
Ответ:
✔ Построить единое хранилище данных (Data Lake) на базе открытого PostgreSQL с ETL-процессами раз в сутки.
✔ Обучить модель бинарной классификации (уйдёт / останется) на данных прошлых лет.
✔ Внедрить «светофор студента» : зелёный — всё хорошо, жёлтый — требует внимания куратора, красный — срочное вмешательство.
✔ Отправить персональную поддержку (подтянуть оценки, консультация) всем «жёлтым» до сессии.

«Оптимизация маршрутов мусоровозов — жители жалуются»
Кейс:
Город закупил систему Big Data для маршрутов мусоровозов. Обещали экономию топлива 15%, но баки переполняются, а некоторые проезжают пустыми. Данные о заполнении — ручные.
Ответ:
✔ Установить ультразвуковые датчики уровня заполнения на 50% контейнеров (самые проблемные точки).
✔ Интегрировать данные с погодой, праздниками и ДТП (API Яндекса) для динамической маршрутизации.
✔ Внедрить приложение для водителей с перестроением маршрута в реальном времени.
✔ Критерий успеха: снижение пробега холостых рейсов на 20% за квартал.

«Анализ преступности: полиция не умеет работать с прогнозами»
Кейс:
Построили модель прогноза карманных краж в метро с точностью 80%. Но патрули всё равно стоят на старых точках — не доверяют.
Ответ:
✔ Провести A/B-тест 6 месяцев: 10 станций живут по ИИ-прогнозу, 10 — по старому плану.
✔ Сделать дашборд для начальника УВД с понятными тепло-картами опасных зон.
✔ Ввести премии нарядам за раскрытие преступлений в предсказанных точках (идеальный показатель для отчёта).
✔ Пригласить полицейских-ветеранов на «пивной мозговой штурм», чтобы собрать экспертные признаки, которые не учла модель.