Статьи

Самообслуживание в работе с данными становится мейнстримом: тему развития сервисов самообслуживания так или иначе затронули практически все представители бизнеса, выступившие на форуме «Управление данными — 2022», организованном издательством «Открытые системы». Даже функции обеспечения информационной безопасности в какой-то части делегируются сотрудникам бизнес-подразделений (см. врезку «Защита данных в документах: cам себе админ»). Представители компаний Tele2, «Уралхим» и «Газпром нефть» в своих выступлениях фокусировались главным образом на самообслуживании в области бизнес-аналитики.

Tele2: девять «пилотов» сразу

После ухода из России западных вендоров, на основе решений которых были построены бизнес-процессы Tele2, компания столкнулась с серьезными проблемами. Особенно болезненной оказалась ситуация с BI-системой Tableau: ее использовали многие разработчики, а кроме того, с ее помощью составлялось множество отчетов, пробуксовка в выдаче которых грозила замедлением процессов и потерей прибыли.

Чтобы спасти положение, команда экспертов провела анализ рынка и, изучив полтора десятка решений, запустила сразу девять пилотных проектов, подключив к корпоративному хранилищу девять BI-систем. Затем вместе с бизнес-пользователями отобрали 30 наиболее важных дашбордов и один из них (конкурсный) реализовали с помощью интегратора на всех девяти платформах. Получив отчеты и заполнив чек-листы, в компании оценили результаты, выбрали победителя и приступили к самостоятельному проведению миграции. Сейчас все критичные дашборды находятся в системе Fine BI, а разработку в бизнес-аналитике и по некоторым другим направлениям полностью ведут пользователи.

«Self-service — не хаос, им можно управлять. Без наших бизнес-разработчиков мы не смогли бы перейти на новую BI-платформу всего лишь за месяц, обеспечив собственными силами все потребности бизнеса в данных», — резюмировал Александр Снытко, руководитель службы поддержки и развития инструментов бизнес-аналитики Tele2. По его словам, активные и заинтересованные в корректном описании всех объектов данных бизнес-разработчики становятся адептами культуры data-driven. И убеждать их пользоваться новым инструментом не приходится, поскольку они сами его протестировали и выбрали.

Ударный год «Уралхима»

В «Уралхиме» и раньше продуктивно работали с данными: тут и искусственный интеллект, сортирующий заявки на первой линии поддержки и даже управляющий производственной установкой, и роботы, формирующие справки 2-НДФЛ. А в начале текущего года в компании запустили платформу, которая дает бизнесу возможность работать с данными самостоятельно. Доставка данных на базе гибридной инфраструктуры происходит для бизнеса бесшовно.

Владимир Вавра: «Замеры наглядно показывают довольно существенную (от 30 до 90%) экономию ресурсов по нескольким направлениям»

«Если мы хотим стать data-driven-компанией, а мы такую технологическую цель перед собой поставили, то дальше надо идти совместно с бизнесом, ведь бесконечно расширять штат айтишников — это безумие, — заявил Дмитрий Шведов, заместитель руководителя департамента цифровизации ОХК «Уралхим». — Мы сразу фокусировались на ключевых селф-сервисах, и BI — одно из ведущих направлений».

В компании запустили школу аналитиков данных с защитой проектов, выполненных на платформе, и бизнес с энтузиазмом воспринял эту инициативу. В школе проходят обучение 1200 сотрудников, и эффект внедрения культуры управления данными уже заметен, сообщил Шведов.

Требования бизнеса к инфраструктуре и сервисам работы с данными постоянно меняются, и подстраиваться под них приходится быстро. В этом году в дата-офисе сосредоточились на качестве данных и реализовали два десятка автоматизированных проверок качества по заданной бизнесом методологии. Сравнение затрат времени и ресурсов на выработку одних и тех же решений подтверждает эффективность оптимизации. «Замеры наглядно показывают довольно существенную (от 30 до 90%) экономию ресурсов по нескольким направлениям», — отметил Владимир Вавра, руководитель отдела инфраструктуры данных ОХК «Уралхим».

«Газпром нефть»: бонусы самостоятельности и мини-CDO

Анализировать результаты проверок качества данных — это то, что может и должен делать бизнес-пользователь, уверен Виталий Когтев, руководитель направления по качеству данных управления по организации работы с данными дирекции экономики и корпоративного планирования «Газпром нефти». В компании уже несколько лет работает школа аналитики, через которую прошли около 200 пользователей. Многие из них являются ответственными за данные и сами настраивают аналитические панели на основе шаблонов для решения своих актуальных задач. А теперь бизнес-пользователи получили инструменты для самостоятельного мониторинга качества данных.

Виталий Когтев: «Анализировать результаты проверок качества данных — это то, что может и должен делать бизнес-пользователь»

Незапланированным бонусом перехода на самообслуживание стала поддержка импортозамещения ПО: поскольку используются несколько инструментов мониторинга качества данных с последующей консолидацией метрик, внедрение нового ПО проходит достаточно плавно, отметил Когтев. Кроме того, самообслуживание в BI стимулировало каталогизацию данных — нудный процесс, которым бизнес обычно не особо хочет заниматься. Но теперь создание наглядных и понятных аналитических панелей стало соревновательным процессом, участники которого стараются максимально качественно описать необходимые элементы данных в каталоге. Не менее ценным стало и развитие новых навыков у сотрудников: аналитики с удовольствием обучились создавать аналитические приложения.

В лаборатории данных блока разведки и добычи «Газпром нефти» тоже совершенствуют self-service BI, улучшают магазин данных и каталог данных, а также укрепляют команду поддержки. Для управления данными в дочерних обществах, в «Газпром нефти» ввели функцию «мини-CDO». А «дочки» в компании немаленькие: например, в Заполярье трудятся около 1800 территориально распределенных сотрудников. «Если компания крупная, обязательно нужны люди на местах, которые выполняют роль CDO: внедряют продукт, общаются с бизнесом на его языке и готовы сразу интерполировать производственные задачи, предлагая подходящие для их решения дата-продукты», — отметил Александр Егоров, руководитель программ по управлению данными компании «Газпромнефть-Заполярье». Чтобы извлекать информацию и передавать ее до дашборда, лаборатория данных использует платформу Qlik Sense. Теперь, согласно дорожной карте импортозамещения, идет переход на Luхms BI. В части self-service BI здесь провели апробацию возможностей нового решения и передали разработчикам список замечаний и предложений для их возможной реализации в следующем году.

Цифровые экосистемы, активно развиваемые в последние годы, лишают традиционные финансовые услуги посредников, предоставляя доступ к разнообразному набору услуг через общую точку доступа, изменяют способы, которыми потребители находят, оценивают и покупают товары и услуги. В то же время технологические и небанковские компании внедряют финансовые услуги и продукты в качестве дополнения к своим основным бизнес-моделям. Они добились существенных рыночных преимуществ: обзавелись крупной и заинтересованной сетью клиентов, собрали массивы данных, позволяющие лучше и точнее понимать отдельных клиентов, наработали инновационных технологий, включая искусственный интеллект (ИИ), имеют доступ к дешевому капиталу.

Банкам необходимо переосмыслить пути участия в цифровых экосистемах, и использовать ИИ, чтобы использовать всю мощь данных, доступных из этих новых источников. Чтобы успешно конкурировать, действующим банкам предстоит стать технологически продвинутыми учреждениями. Они должны достичь той скорости, маневренности и гибкости, которая присуща финтеху, начать управлять масштабом, стандартами безопасности и нормативными требованиями традиционного предприятия финансовых услуг. Многие банки уже пытаются перейти от экспериментов над отдельными вариантами использования ИИ к масштабированию технологий ИИ в масштабах всей организации.

Банк будущего: какой он?

Банк будущего оптимизирован для обеспечения операционной эффективности за счет максимальной автоматизации ручных задач. Процесс принятия решений подкреплен передовыми прогностическими механизмами в различных областях банковских операций, скорость механизмов интеллектуального принятия решения близится к реальному времени.

Новые формы данных и алгоритмы способны дать организациям беспрецедентную скорость. Ведь если команда аналитиков получает рекомендацию через пару месяцев, этого может быть недостаточно в мире с усиливающейся конкуренцией. Одно из самых больших преимуществ автоматизированной системы ИИ, управляемой данными — это способность быстро отвечать на вопросы. В современном мире «быстрый кушает медленного, а не крупный — мелкого».

Технологии искусственного интеллекта могут помочь увеличить доходы за счет повышения персонализации услуг для клиентов, снизить затраты за счет повышения эффективности за счет более высокой автоматизации, снижения количества ошибок и лучшего использования ресурсов. Открываются новые и ранее не реализованные возможности, основанные на улучшенной способности обрабатывать и генерировать идеи на основе огромных массивов данных.

Операционная модель банка будущего

Традиционные операционные модели банков еще больше затрудняют их усилия по удовлетворению потребности в постоянных инновациях. Большинство традиционных банков организованы вокруг отдельных бизнес-направлений: владельцы бизнеса определяют цели в одностороннем порядке, и согласованность с технологической и аналитической стратегией предприятия (там, где она вообще существует) часто бывает слабой или неадекватной; разрозненные рабочие группы и «водопад» процессов внедрения неизменно приводят к задержкам, перерасходу средств и неоптимальной производительности.

Структура тоже имеет значение. При централизации бизнес-подразделения могут почувствовать себя обделенными, а при децентрализации сложно определить приоритеты ресурсов данных и аналитики. Часто успешные организации начинают с Центра компетенций, чтобы сосредоточить усилия, а затем переходят к распределенной структуре, встроенной в бизнес-подразделения. Поэтому «Банку будущего», ориентированному на ИИ, потребуется новая операционная модель. Она предполагает кросс-функциональные бизнес- и технологические группы, организованные в виде сервиса внутри банка. Каждая команда контролирует свои собственные активы (технологические решения, инфраструктуру, данные, методологии), имеет бюджеты, ключевые показатели эффективности, таланты. Кросс-функциональная команда состоит из трех направлений: ИТ консолидирует данные и обеспечивает их качество, математики создают и поддерживают математические рекомендательные системы, бизнес-заказчик погружает математиков в предметную область и совершает управленческое воздействие.

Знание предметной области первично, хоть монетизация данных – командный вид спорта. Команды по анализу данных (математики) могут создавать рекомендательные модели с удивительными возможностями. Но маловероятно, что они смогут решать узкоспециализированные бизнес-задачи самостоятельно, так как, скорее всего, не понимают тонкостей. Эксперты в предметной области, в свою очередь, вряд ли смогут применять математические аналитические методики. Гибридная организационная структура и Центр компетенций позволяет «скрестить» математическую и предметную компетенции.

Кросс-функциональные команды предоставляют сервис подразделениям банка или другим командам банка, сочетают бизнес и технологии, исключают организационную разрозненность, повышают гибкость и скорость, синхронизируют цели и приоритеты в рамках всего предприятия.

Управление данными

Управление данными обеспечивает ликвидность данных, то есть возможность доступа к данным для анализа. Ликвидность данных особенно важна для работы функционально разрозненным структурам, позволяет нескольким подразделениям работать с одними и теми же данными. Цепочка создания ценности данных начинается с беспрепятственного получения данных из всех соответствующих внутренних систем и внешних платформ. Варианты использования данных могут быть различными: нормативная отчетность, бизнес-аналитика, ИИ.

Современные технологии и методики управления данными включают нормы, правила защиты и управления данными, каталоги, глоссарии и словари, траектория преобразования данных, инструменты сбора данных и профилирования. По мере того, как банки проектируют и создают свою централизованную инфраструктуру управления данными, им приходится разрабатывать дополнительные средства контроля и мониторинга для обеспечения безопасности данных, конфиденциальности. Кроме того, они должны соответствовать нормативным требованиям, обеспечивая своевременный и соответствующий ролям доступ в рамках всей организации для различных вариантов использования.

Как использовать данные

Для приоритетных вариантов использования потребуется ограниченное количество наборов данных. Следует оценить состояние этих источников, соответствуют ли они базовому уровню качества и полноты. Далее требуется провести организационные мероприятия и инвестиции с фокусом на данные, имеющие наибольшее влияние на эффективность инструментов ИИ, объединить данные из источников в озере данных или хранилище, доступном для бизнеса, клиентов, аналитиков и подрядчиков. В последнюю очередь создать инфраструктуру управления данными, обеспечивающую безопасность, качество и метаданные.

Цель использования данных очевидна — повышение окупаемости затрат на ИИ. Для этого предстоит расставить приоритеты по вариантам их использования, сосредоточиться на улучшении данных, необходимых для создания инструментов ИИ. Делается упор на экономический эффект, а не на качество данных: фокусировка ресурсов на возможных вариантах использования с максимальной отдачей, а для этого важно сузить количество наборов данных, которые необходимо подготовить для ИИ. Главная цель – быстрая победа, вселяющая энтузиазм.

ИТ-инфраструктура хранения и анализа данных

Методы ИИ базируются на использовании данных. Организациям придется вкладывать время и ресурсы в очистку данных и создание инфраструктуры хранения данных. Не обойдется без рисков. Например, организация может увязнуть, пытаясь собрать и очистить необработанные данные в одном месте (хранилище или озеро данных), прежде чем приступить к выполнению сценариев использования. Без продуманных вариантов использования озеро превращается в болото, а старые технологии могут закрепиться на долгое время.

Инструменты анализа данных включают инструменты self-service для ускорения и упрощения подготовки данных и задач анализа, методы машинное обучение, инструменты BI и мониторинга математических моделей. Без централизованной «магистрали данных» практически невозможно проанализировать соответствующие данные и в нужный момент сформировать интеллектуальную рекомендацию или предложение, поэтому данные должны анализироваться реальном времени.

Для масштабирования различных моделей аналитики, организациям необходим надежный набор инструментов и стандартизированных процессов для создания, тестирования, развертывания и мониторинга моделей повторяемым и «промышленным» способом (MLOps/AIOps/DataOps).

Большинство нетехнологических компаний отстают в части технологий. Адаптация к эпохе принятия решений, основанных на данных, не всегда является простой задачей: у компаний, которые быстро проявили себя, уже есть навыки в области науки о данных. Спектр доступных инструментов и платформ может помочь наверстать упущенное остальным компаниям, а новые платформы и аналитические инструменты выравнивают возможности. Выигрывает тот, у кого есть массив данных.

Аналитическая функция

Успешная трансформация данных, аналитики, ИИ зависит от поддержки высшего руководства. У аналитической функции должны быть достаточные полномочия. Фактически это выражается в том, что ответственное лицо должно занимать значимый пост: это покажет, что проекты данных и аналитики имеют высокий приоритет, тогда бюрократический путь сокращается. Важно наделить ответственное лицо достаточными полномочиями в принятии решений — без этого организационного рычага им будет сложно осуществить быструю и широкомасштабную трансформацию, предоставить финансирование, сократить путь и период бюджетирования.

Предстоит убедить сотрудников отказаться от устаревших методов работы. Это сложно даже при выявленных сценариях использования ИИ, наработанных методах и технологиях. Возможны следующие шаги для внедрения ИИ и аналитики:

выбрать наиболее лояльный блок и тематическую область, где с наибольшей вероятностью внедрения окажется успешным

определить лидеров изменений на всех уровнях организации, которые отстаивают инициативы, оказывают влияние на коллег и подчиненных

обучить тех, кто будет принимать решения на основе аналитики

отслеживать показатели успеха, чтобы организация отвечала за повышение производительности, а не только за расходы на развертывание данных и аналитики. Акцент должен быть на достижении результатов, а не продвижение ИИ.

Трудности и риски

Искусственный интеллект можно охарактеризовать фразой «Висит груша – нельзя скушать». Для успеха проекта предстоит настроить очень много компонентов. Основные трудности могут заключаться в отсутствии стратегии использования данных и использования талантов, фрагментированности данных по нескольким разрозненным бизнес- и технологическим группам (во многих случаях именно это становится слабым звеном управления данными). Кроме того, негибкое технологическое ядро часто нуждается в инвестициях: системам не хватает мощности, необходимой для поддержки переменных вычислительных требований, потребностей обработки данных и анализа в реальном времени, которые требуются приложениям ИИ. Наконец, устаревшие операционные модели, препятствуют сотрудничеству между бизнесом и технологическими группами, а руководители предприятий полагаются на сторонних поставщиков технологий для обеспечения критически важных функций, вместо развития талантов внутри компании.

На выбор варианта использования данных с помощью ИИ влияет множество технологий. Существуют риски направить ограниченные ресурсы на решение низкоприоритетных проектов. Специалисты уходят, появляются новые люди, продвигающие новые решения – так появляется риск разрастания «зоопарка технологий». Финансовые организации могут оказаться в ажиотаже, всегда преследуя что-то новое, но никогда не добиваясь успеха.

Варианты использования ИИ и рекомендации

Варианты использования ИИ должны быть привязаны к стратегическим устремлениям организации, и для этого рекомендуется проделать четыре шага. В первую очередь следует выбрать варианты использования данных и аналитики для решения практических задач, определить процессы, области данных, которые поддерживают процессы. Далее сформулировать сценарии использования как вопросы, на которые нужно ответить. Формулировка на основе вопросов гарантирует, что варианты использования данных двигают организацию к цели. Среди сотен потенциальных вариантов использования данных, которые могут привести к результатам, важно расставить приоритеты. Наконец, понять, какой инструмент и метод позволит содействовать бизнес-целям.

Первым делом рекомендуется оценить, как стратегические цели банка (рост, прибыльность, взаимодействие с клиентами, инновации) могут быть материально обеспечены за счет ряда технологий данных и ИИ. Далее уравновесить краткосрочные проекты, быстро приносящие ценность для бизнеса, с итеративным наращиванием долгосрочных возможностей. Определить области, в которых требуются ключевые сдвиги: инвестиции в технологии и новые таланты, и не забыть про организационные изменения.

Автор — Юрий Сирота, эксперт в области данных и искусственного интеллекта

Согласно опросу Gartner, 80% руководителей финансовых служб согласны с тем, что к 2025 году эффективная поддержка бизнеса будет осуществляться за счет ускорения внедрения цифровых технологий, таких как роботизация бизнес-процессов (robotic process automation, RPA) и искусственный интеллект. И для этого требуется выделение дополнительных финансовых ресурсов. При внедрении RPA инвестиции в процессную аналитику (process mining) становятся ключевым условием извлечения из технологий прибыли.

Опрос 400 руководителей финансовых служб, проведенный в декабре 2021 года, показал, что для повышения эффективности, гибкости и производительности труда необходимо расширять используемый технологический инструментарий. При этом RPA остается технологией, которая чаще всего упоминается респондентами в качестве средства достижения целей гиперавтоматизации), хотя пока и не принесла желаемой отдачи, в том числе, финансовым подразделениям.

«Несмотря на продолжающиеся инвестиции в RPA, предприятия понимают, что для обеспечения полной автоматизации им нужен дополнительный инструментарий, — указала вице-президент направления Gartner Finance Ниша Бхандаре. – Для получения более высокой отдачи от инвестиций в RPA они обращаются к технологиям, которые уже успели доказать свою эффективность и будут оставаться драйвером роста RPA в ближайшие годы, таким как процессная аналитика».

В рамках исследования финансовым директорам задавали вопросы по 16 различным технологиям, относящимся к сфере процессной автоматизации и оптимизации. Ожидается, что в течение ближайших двух лет только в три из них инвестиции увеличатся по сравнению с текущим уровнем. Речь идет об автоматизации построения отчетов, RPA и процессной аналитике. Причем в настоящее время из этих трех технологий только автоматизация построения отчетов приносит финансовым службам «высокую отдачу».

«Финансовые процессы сложны, сопряжены с большим количеством исключений и зависят от экспертных знаний и суждений, – подчеркнула Бхандаре. – Это ограничивает масштабы отдачи от RPA, и финансовым службам необходимо искать дополнительные возможности как в части повышения полезности RPA, так и при выборе технологий, в большей степени отвечающих требованиям к автоматизации».

Процессная аналитика привлекает больше инвестиций

Результаты опроса, проведенного Gartner, указывают на то, что в ближайшие два года у RPA будет три ключевых фактора роста: встроенное машинное обучение, облачная доставка и интеграция с процессной аналитикой. И хотя процессная аналитика по-прежнему является исследовательской технологией, еще не получившей широкого распространения в финансовых подразделениях, потенциал для улучшения текущего внедрения RPA делает ее весьма привлекательной в этой области.

Процессная аналитика предназначена для обнаружения, мониторинга и улучшения реальных процессов за счет анализа журналов событий в информационных системах. После того как журналы событий будут проанализированы алгоритмом процессной аналитики, руководители финансовых служб смогут точно узнать, что происходило во время выполнения того или иного процесса. Процессную аналитику можно использовать тремя разными дополняющими друг друга способами.

— Обнаружение процесса. Построение модели, отображающей выполнение текущего процесса «как есть».

— Соответствие процесса. Сравнение фактического событийного процесса с его идеальной моделью.

— Совершенствование процесса. Улучшение или расширение процессов, в том числе с помощью RPA.

«Процессная аналитика предоставляет инструмент для выявления основополагающих причин неэффективности и исключений в режиме реального времени, – подчеркнула Бхандаре. – Это позволяет оптимизировать и корректировать процессы, которые ранее, возможно, не поддавались автоматизации, открывая дополнительные возможности использования RPA и автоматизации в более широком смысле для повышения эффективности и снижения затрат».

В условиях пандемии COVID-19, роста расходов на здравоохранение и старения населения спрос на технологии искусственного интеллекта, адресованные отрасли здравоохранения, растет. Показательна динамика мирового рынка венчурного капитала: более 40 стартапов привлекли довольно значительное финансирование (20 млн долл. и более) для создания отраслевых решений на базе искусственного интеллекта. Как же на самом деле искусственный интеллект используется в здравоохранении?

Опрос '2022 AI in Healthcare Survey', в котором принимали участие более 300 респондентов со всего мира, был направлен на улучшение понимания проблем, достижений и примеров использования искусственного интеллекта в здравоохранении. Это второй такой отчет; по сравнению с первым результаты существенно не изменились, но указывают на некоторые интересные тенденции, предвещающие, куда качнется маятник в ближайшие годы. И если некоторые аспекты этой эволюции носят позитивный характер (демократизация искусственного интеллекта), то другие не вызывают особого энтузиазма (гораздо более протяженный фронт исследований и рост числа уязвимых мест). Перечислим три тенденции, о которых необходимо знать специалистам.

1. Простота использования и демократизация искусственного интеллекта; инструменты low-code/no-code

По оценкам Gartner, к 2025 году 70% новых приложений, разрабатываемых предприятиями, будут использовать технологии, не требующие написания программного кода или предполагающие минимизацию его объема (в 2020 году их доля не превышала 25%). Разработка в парадигме low-code снижает нагрузку на программистов, но наибольшее влияние окажут решения, не требующие написания кода и освоения науки о данных. Сегодня в среде пользователей систем искусственного интеллекта интересно наблюдать за явным сдвигом от технических специалистов непосредственно к экспертам в предметной области.

Более половины (61%) респондентов своими целевыми пользователями назвали практикующих врачей, далее следуют плательщики медицинских услуг (45%) и ИТ-компании, работающие в сфере здравоохранения (38%). В сочетании со значительными разработками и инвестициями в приложения искусственного интеллекта в сфере здравоохранения, а также с доступностью технологий с открытым кодом все это свидетельствует о расширении внедрения соответствующих технологий в отрасли.

Важный момент: наделение медицинских работников инструментами для разработки программ на базе искусственного интеллекта по образу и подобию обычных офисных инструментов, таких как Excel и Photoshop, уже изменили сферу применения искусственного интеллекта к лучшему. Технология не только стала более доступной, но и обеспечивает более точные и надежные результаты, поскольку управляет ею теперь медицинский работник, а не специалист по программному обеспечению. Изменения эти не происходят в одночасье, но рост числа экспертов в предметной области, выступающих в качестве основных пользователей искусственного интеллекта – уже большой шаг вперед.

2. Совершенствование средств обработки текстов и естественного языка

В ответ на вопрос о технологиях, которые планируется внедрить к концу 2022 года, руководители назвали интеграцию данных (46%), бизнес-анализ (44%), обработку естественного языка (43%) и аннотацию данных (38%). В настоящее время наиболее распространенным типом данных в приложениях искусственного интеллекта является текст с акцентом на обработку естественного языка (Natural Language Processing, NLP) и аннотирование данных.

Эти инструменты позволяют решать такие важные задачи, как поддержка принятия врачебных решений, выбор лекарств и оценка плана лечения. После двух лет пандемии, разработки новых вакцин и поиска способов улучшения поддержки потребностей системы здравоохранения в свете новых массовых тенденций становится ясно, насколько важен прогресс в этих областях. Вместе с тем, использование искусственного интеллекта в здравоохранении сильно отличается от других отраслей и требует другого подхода.

Неудивительно поэтому, что наиболее важным требованием для оценки локально установленных программных библиотек или решений категории SaaS руководители назвали доступность моделей и алгоритмов, специфичных для здравоохранения. Оптимизм венчурного капитала, доступные на рынке решения и спрос со стороны пользователей убеждают, что модели, ориентированные на здравоохранение, в ближайшие годы продолжат активно развиваться.

3. Усиление угроз безопасности

Помимо прогресса в области искусственного интеллекта прошедший год продемонстрировал целый ряд новых векторов атак. На вопрос о том, какие типы программного обеспечения используются для создания приложений искусственного интеллекта, наиболее популярными вариантами ответов были: локально установленное коммерческое ПО (37%) и ПО с открытым кодом (35%). Наиболее заметным оказалось снижение использования облачных сервисов на 12% по сравнению с прошлогодним опросом (о них упомянули 30% опрошенных). Скорее всего, происходит это из-за проблем с конфиденциальностью при обмене данными.

Большинство респондентов (53%) при проверке моделей предпочитают полагаться на свои собственные данные, а не на показатели сторонних поставщиков программного обеспечения. 68% явное предпочтение отдают внутренней оценке и самостоятельной настройке своих моделей. С учетом строгого контроля и процедур, связанных с обработкой медицинских данных, очевидно, что пользователи искусственного интеллекта хотели бы, чтобы соответствующие операции выполнялись внутри компании — конечно, при наличии такой возможности.

Впрочем, независимо от предпочитаемых типов программного обеспечения и способов проверки моделей, рост угроз безопасности в сфере здравоохранения, судя по всему, окажет существенное влияние на происходящее. С определенными трудностями сталкиваются и в других сегментах критически важной инфраструктуры, но нарушения в сфере здравоохранения могут иметь последствия, выходящие за рамки репутационных и финансовых потерь. Потеря данных или вмешательство в работу медицинских устройств становятся в прямом смысле вопросом жизни и смерти.

По мере того, как технологии попадает в руки обычных пользователей, решения на базе искусственного интеллекта демонстрируют стремительный рост. Но по мере повышения уровня их доступности и продолжающегося совершенствования моделей и инструментов особое внимание необходимо уделять безопасности и вопросам этики. Интересно будет наблюдать, какое развитие получат ИИ-решения и какое влияние это окажет на всю отрасль здравоохранения.

Разработанный Open Group еще в 1995 году фреймворк для построения архитектуры предприятия, сегодня TOGAF (The Open Group Architecture Framework) является одной из наиболее популярных корпоративных методологий. Она находит применение в малом, среднем и крупном бизнесе, а также в государственных и военных ведомствах, неправительственных общественных организациях. В начале текущего года Open Group объявила об очередном обновлении фреймворка, представив TOGAF 10 Standard Edition.

Выпуская TOGAF 10, Open Group надеется сделать свою методологию более доступной для компаний, которые хотят внедрить самые передовые на сегодняшний день подходы. Во фреймворк внесены наиболее серьезные изменения с 2011 года, когда была представлена версия TOGAF 9.1. В обновленном варианте больше внимания уделяется гибким средам и цифровой трансформации. Кроме того, TOGAF 10 дополнили документацией, которая должна помочь организациям в процессе внедрения фреймворка и его адаптации к потребностям бизнеса.

TOGAF выдает рекомендации по вопросам внедрения архитектуры, которая наилучшим образом поддерживает организацию и заинтересованные стороны. Согласно заверениям Open Group, цель обновления — реализация «устойчивых, стабильных и универсальных концепций, а также проверенных на практике передовых методов». Версия TOGAF 10 проектировалась с целью максимального упрощения внедрения платформы организациями и эффективного управления архитектурой предприятия.

Проще навигация

Одним из самых существенных изменений в платформе TOGAF является структура, в которой она предоставляется. Open Group переформатировала документацию, сделав ее более упорядоченной за счет удобного модульного формата. Документация разделена на две части: TOGAF Fundamental Content и TOGAF Series Guides.

TOGAF Fundamental Content содержит все основные положения, включая описание порядка внедрения методологии в организации. Она состоит из введения, описания основных концепций, метода разработки архитектуры (architecture development method, ADM), технологий ADM, порядка применения ADM, содержания архитектуры, а также возможностей и способов управления архитектурой предприятия. Все это формирует основу фреймворка и в дальнейшем существенным изменениям подвергаться не будет.

Series Guides включает расширенный контент, охватывающий архитектуру бизнеса, информации, безопасности, гибких корпоративных цифровых технологий, а также архитектуру MSA/SOA и информацию об адаптации ADM. Представлено руководство для построения эталонных структур и методов, где можно познакомиться с примерами различных архитектурных моделей.

Часть Series Guides разработана таким образом, чтобы обеспечить гибкость и адаптируемость изменений, простоту их реализации без каких-либо сдвигов в ядре фреймворка. Open Group планирует продолжать выпуск обновлений и новых руководств, и переход на TOGAF 10 должен облегчить ей создание такого нового контента.

Больше адаптируемости

Архитектура предприятия – не только прерогатива технологических компаний и ИТ-служб, но и главный приоритет для организаций любой отрасли. Выпуская очередную версию TOGAF, Open Group обещает, что обновленный фреймворк упростит процедуры управления и внедрения. Методология проектировалась с учетом адаптируемости к различным типам организаций в различных отраслях, у каждой из которых существуют свои собственные потребности в выстраивании корпоративной архитектуры.

TOGAF – это не универсальная методология для всех, а фреймворк, адаптируемый к уникальным потребностям организации. Хотя TOGAF и предлагает базовую структуру, которой могут придерживаться организации, возможности настройки здесь весьма широки. Новый модульный формат позволяет предприятиям легко определять, как применить Series Guides к их бизнес-потребностям, и какие части фреймворка не соответствуют существующей среде архитектуры предприятия.

В Open Group удалили из фреймворка избыточную и ненужную документацию, максимально упростив ее. Расширены практические руководства и справочные материалы, помогающие организациям в процессе внедрения фреймворка. Каждое руководство Series Guide содержит подробный тематический указатель, благодаря которому компании могут сузить круг важных для себя вопросов. Например, в руководстве Agile Architecture Series Guide есть два раздела: Enabling Enterprise Agility и Applying the TOGAF ADM Using Agile Sprints. А в руководстве Information Architecture Series Guide вы найдете документацию Master Data Management (C-MDM) and Information Architecture применительно к клиентам.

С акцентом на гибкость

С момента дебюта TOGAF в 1990-х годах архитектура предприятий претерпевала ерьезные изменения, и фреймворк периодически обновлялся, чтобы соответствовать происходящей эволюции. Это выражалось в усилении акцента на agile-методиках и цифровой трансформации. Чтобы развиваться в определенных отраслях, современным предприятиям необходимо гибко удовлетворять свои технические потребности, и TOGAF 10 учитывает это, предлагая дополнительную документацию, которая охватывает вопросы построения архитектур для гибких корпоративных сред, способствующих цифровой трансформации.

«Следующее десятилетие технологического давления и давления на бизнес потребует от организаций более высокой, чем когда-либо ранее, гибкости, устойчивости и адаптируемости, что подчеркнет важность четкого подхода к построению архитектуры, – говорится в заявлении Open Group. – Мы гордимся работой, выполненной Open Group Architecture Forum и сделавшей платформу TOGAF значительно более удобной для еще большего числа предприятий, сохранив при этом ее основные ценности – согласованность, открытость и эффективность».

Согласно отчету Uptime Institute, в последние годы перебои в работе цифровой инфраструктуры обходятся все дороже и дороже. При этом общее количество крупных отключений осталось прежним, а следовательно, суммы, затрачиваемые в среднем на восстановление работоспособности после сбоя, растут.

Доля отдельных отключений, приводящих к убыткам на сумму свыше 100 тыс. долл., в 2021 году увеличилась до 47% по сравнению с 40%, о которых шла речь годом ранее. Хотя среднюю стоимость одного отключения в Uptime Institute не рассчитывают, общие тенденции указывают на то, что затраты на преодоление последствий такого отключения продолжают расти.

Каждое пятое предприятие сообщило по крайней мере об одном «серьезном» сбое за последние три года. Речь идет об отключениях, которые привели к существенным финансовым потерям, телесным повреждениям, репутационному ущербу или нарушениям требований законодательства. 80% участников опроса сообщили о возникновении у них сбоев в последние три года (без конкретизации уровня их серьезности), что находится на верхней границе нормы.

В отчете отмечается, что наибольшая доля отключений в целом была вызвана проблемами, которые связаны с сетью и могут быть результатом крупномасштабного перехода на облачные технологии, технологии программно-конфигурируемых сетей (software defined networking, SDN) и другие новые сетевые архитектуры.

Но наиболее ощутимые неприятности, как правило, связаны со сбоями в электроснабжении. На них приходится 43% «серьезных» отключений за последние три года.

Согласно отчету, наибольшее количество перебоев в обслуживании в рассматриваемый период наблюдалось у независимых поставщиков услуг. На долю облачных провайдеров, поставщиков услуг хостинга, связи и телекоммуникационных компаний приходится почти две трети всех отключений общедоступных сервисов, которые Uptime Institute отслеживал на протяжении последних семи лет. К 2021 году эти показатели увеличились на 70%.

Многие сбои, независимо от того, на какую часть инфраструктуры они повлияли, стали результатом человеческой ошибки. В последние три года почти 40% предприятий столкнулись с серьезными перебоями в работе, вызванными человеческим фактором. В большинстве случаев они были связаны с неоптимальностью процессов и процедур или их несоблюдением.

По словам основателя и исполнительного директора Uptime Institute Энди Лоуренса, виновата в высоком уровне сбоев (как прямо, так и косвенно) все более сложная архитектура современных ИТ.

«Отсутствие заметных улучшений в общем уровне сбоев в определенной степени является результатом огромных недавних инвестиций в цифровую инфраструктуру и всех сложностей, с которыми сталкиваются операторы при переходе на гибридные распределенные архитектуры, – подчеркнул Лоуренс. – Со временем как технологии, так и операционные процессы будут улучшаться, но пока перебои в работе остаются главной проблемой для клиентов, инвесторов и регуляторов».

Отчет Uptime Institute опирается на несколько видов источников — от публичных отчетов о крупных сбоях и результатов специальных опросов до баз данных об аномальных инцидентах, которые ведет компания.

Вступив в цифровые 20-е годы XXI века, предприятия все чаще рассматривают возможность внедрения нового поколения совместно используемых и компонуемых облачных технологий ERP (enterprise resource planning). Это подкрепляется нескончаемой пандемией, ненадежными цепочками поставок, кочующей рабочей силой и другими факторами.

Опрос 1675 руководителей ИТ-служб, организованный Boomi, показал, что подавляющее большинство организаций (94%) используют стратегию ERP нового поколения, которая предусматривает преодоление ограничений унаследованных приложений и модернизацию бизнеса за счет перехода на облачные платформы и профессиональную аналитику, включающую элементы искусственного интеллекта.

По прогнозам Gartner, к 2023 году 65% организаций уже внедрят у себя ERP-приложения, имеющие один или несколько из так называемых «отличительных признаков четвертой эры» информационных систем. К ним относятся искусственный интеллект, архитектура, ориентированная на данные, системы, которые можно использовать в готовом виде, функции, дополняющие решения, средства поддержки разработчиков и технологии, ориентированные на клиента.

«Проблемы последних двух лет склоняют чашу весов в сторону более быстрого внедрения ERP-систем следующего поколения, – отмечается в отчете Boston Consulting Group. – Использовать традиционную систему ERP для управления ожидаемым ростом электронной коммерции и удовлетворения потребностей в гибкости и быстроте будет практически невозможно. Наметилась тенденция к поддержке финансовых, снабженческих и кадровых функций передовыми средствами автоматизации, в которых ставка делается на сокращение числа сотрудников с одновременным повышением уровня их квалификации и на использование работников, решающих возложенные на них задачи из дома».

Перечислим три области, в которых традиционные ERP-системы сегодня терпят неудачу, а также потребности, испытываемые современными предприятиями.

Гибридная рабочая сила

Если какие-то сомнения в отношении перехода на облачную ERP-систему ранее и возникали, то с началом кризиса COVID они были отброшены, и корпоративные рабочие места распределились по бесчисленным домашним офисам. Локальная ERP оказалась не такой масштабируемой, как все думали. И сегодня наблюдается переход к облачным системам, с помощью которых сотрудники решают кадровые, финансовые и бухгалтерские задачи в удаленном режиме.

Недавний опрос Pew Research Center показал, что каждые шесть из десяти работников в США, утверждающих, что их задачи в основном можно решать из дома, трудятся на дому постоянно или большую часть своего времени. По сравнению с 23% «удаленщиков», которые мы наблюдали до пандемии, перемены видны невооруженным глазом.

Согласно опросу Upwork, доля тех, кто занимается фрилансом на постоянной основе, находится на рекордно высоком уровне и составляет 36% от общей численности работников. Большинство из них (53%) предоставляют квалифицированные услуги разработки ПО, маркетинга, ИТ- и бизнес-консалтинга. Годом ранее их доля составляла 50%. Кадровый компонент ERP-систем должен учитывать быстроту найма, непредсказуемость рабочего графика и текучесть кадров. Все больше организаций ищут персонал за рубежом, что наряду с другими факторами заставляет гибко реагировать на новые правила обязательной отчетности, налогообложения и льгот.

Аналитика

Недавние события выявили относительно слабые возможности традиционных систем ERP в части составления отчетов. Предприятия хотят постоянно иметь данные под рукой и принимать решения очень быстро; готовые отчеты ERP-систем многим не подходят. И теперь они прорабатывают функции отчетов, информационных панелей и ключевых показателей эффективности (KPI) в самом начале, на этапе проектирования и выстраивания системы, вместо того чтобы наращивать соответствующие возможности с течением времени.

По словам аналитиков Boston Consulting Group, ERP-платформы следующего поколения обеспечивают компаниям прозрачность в реальном времени в части продаж, запасов, производства и финансовых показателей. Мощная аналитика, основанная на данных, позволяет принимать более гибкие решения, корректируя параметры цепочек поставок для повышения устойчивости. Надежные средства электронной коммерции помогают компаниям лучше взаимодействовать с онлайн-клиентами как при подготовке продаж, так и после их совершения. А минималистичное ядро ERP и облачный подход помогают ускорить развертывание.

Цепочки поставок

Беспрецедентные и непрекращающиеся сбои в цепочках поставок создают потребность в усилении наглядности, повышении предсказуемости сроков выполнения заказов, поиске альтернативных источников поставок и ускорении реагирования на сбои.

Опрос, проведенный FiveTran и Dimensional Data, показал, что 86% руководителей хотят обращаться к данным через свои системы ERP в режиме реального времени. Но только 23% респондентов заявили, что их нынешние ERP-системы поддерживают такую возможность, а 99% не могут получить доступ к необходимой им информации.

До пандемии компании были сосредоточены на оптимизации цепочек поставок и извлечении максимума эффективности из современных решений. Такой подход базировался на предположении о том, что поставщики могут придерживаться заранее определенных контрактами графиков, тесно интегрированных с ERP-системами. Однако предположения эти оказались неверны.

Невозможность закупить новые лицензии — меньшая из бед. Отказ от текущих обязательств по сервисным контрактам бьет больнее: по внутренним оценкам КРОК, на продукты таких производителей, как Red Hat, VMware, Oracle приходится до 65% всего инфраструктурного ПО в крупных корпоративных компаниях. Например, по некоторым данным, в банковском сегменте фактически все бизнес-критичные системы работают на базе СУБД Oracle или Microsoft. Отсутствие поддержки в этом случае грозит серьезными сбоями в инфраструктуре и клиентских сервисах.

Как было до 24 февраля 2022 года

При приобретении любых лицензий вендор предоставлял услуги технической поддержки. Это было почти обязательным требованием вендоров при покупке лицензий. Срок действия контракта различался, он зависел от вендора и типа ПО. Чаще всего договоры на поддержку заключались минимум на один год. В течение этого времени производитель информировал клиентов об особенностях работы продуктов, выявлял и устранял возникающие ошибки в софте, предоставлял обновления ПО или переводил пользователей на новые версии системы. Нередко в этих процессах участвовала одна или несколько сертифицированных вендором компаний — они выполняли функции первой и второй линий поддержки, отвечая за 80-90% всех поступающих заявок. Подобная схема была востребована клиентами, так как при высоком качестве услуги стоимость контракта вендоров с привлечением российского поставщика можно было сделать выгодней.

Что происходит с поддержкой инфраструктурного и системного ПО сейчас

Вендорской поддержки в том виде, к которому привыкли клиенты, в России теперь нет. Прекратили или приостановили поддержку почти все компании. Некоторые из них уже объявили об уходе с российского рынка, например, такие гиганты как IBM и не столь громкие имена как SAS. В более сложной ситуации оказались компании, которые ранее заключили прямой контракт на сервисное оборудование с производителем, без привлечения российской компании. В большинстве случаев у таких клиентов нет собственных квалифицированных специалистов, чтобы взвалить задачи поддержки на их плечи. Но и при контракте с российским поставщиком требуется перезаключать договор, так как объем обязательств увеличивается существенно, и это нужно отразить в документе. При этом отечественные игроки, имеющие длительную историю работы на рынке, вполне способны справиться со всеми основными задачами, кроме обновлений ПО.

К чему приводит отсутствие поддержки

Без специализированной помощи компании рискуют остаться один на один с проблемой недоступности ключевых сервисов. Известно минимум про один крупный инцидент, связанный с отсутствием ключей доступа к системе виртуализации VMware. В крупной компании использовались временные лицензии. Когда же пришло время их пролонгации, система неконтролируемо перезагрузилась. Сразу же после этого системные администраторы потеряли доступ к виртуальным машинам, так как не смогли связаться с вендором и получить от него актуальные ключи. Как итог — длительный простой значительной части офисных пользователей.

Не менее сложная ситуация сложилась в компаниях, которым полный сервис (аутсорсинг) оказывали зарубежные компании. С уходом партнера или вендора такие заказчики потеряли доступ к системе из-за отсутствующих паролей. В большинстве случаев им затем пришлось генерировать новые ключи и фактически взламывать свою же инфраструктуру.

План действий при работе с ПО в текущих условиях

Можно рекомендовать несколько ключевых шагов. Во-первых, приостановить обновление всех программных продуктов или как минимум проверять их перед установкой. Во-вторых, провести ревизию в инфраструктуре: найти временные лицензионные ключи и определить критичные точки, из-за которых возможны сбои в работе систем.

Наконец, важно продумать план дальнейшей поддержки функционирования. Заключить договор на поддержку с российским поставщиком, если это не было сделано ранее. Стоит обращать внимание в первую очередь на историю компании на рынке, наличие квалифицированного персонала и сертификатов, выданных вендором до 24 февраля. Кроме того, в долгосрочной перспективе следует определить продукты отечественной разработки, которыми можно заменить иностранные аналоги (Postgres Pro, CommunigatePRO, Р7, zVirt и т.п.). Возможно, многих отпугнут сроки и стоимость проекта миграции, а также сложности интеграции с другими системами. Однако это на данный момент видится самым рабочим и эффективным вариантом.

Автор — Дмитрий Емельянов, руководитель направления «Поддержка системного ПО» компании «Крок»

Несмотря на солидные объемы данных, накапливаемые в течение многих лет в разнообразных информационных системах, одним из главных препятствий для управления на основе данных в здравоохранении специалисты медицинских информационно-аналитических центров (МИАЦ) называют… нехватку данных. Конечно, речь не о данных как таковых, а именно о данных, пригодных для принятия управленческих решений.

Дефицит объясняется тем, что интересы потребителей данных и генераторов данных драматически не совпадают. Врачи обычно воспринимают наполнение данными информационных систем как неизбежное зло — нудную обязанность, навязанную начальством. Особенно если эти данные предназначены для органов управления здравоохранением. Положительной обратной связи между передачей данных в информационные системы более высокого уровня и изменением к лучшему существующей реальности не наблюдается. А значит, нет смысла стараться сделать эти данные качественными — все равно они уходят «наверх» как в «черную дыру», не давая возможности создателю данных понять их роль в процессе оказания медицинской помощи или оценить свой вклад в общий результат. С другой стороны, управленцам затруднительно принимать эффективные решения на основе данных, которые собираются исключительно ради формального выполнения требований руководства.

Пусть такая картина упрощена и утрирована, но счастливые исключения чаще всего подтверждают общее правило. Как посреди океана можно умереть от жажды, не имея пресной воды, так и руководителю зачастую невозможно найти ответы на свои вопросы в многочисленных источниках больших медицинских данных.

Проблема далеко не нова, профессионалы давно пытаются разорвать этот замкнутый круг. Но если в крупных клиниках удается снизить остроту проблемы, то про более высокие уровни управления этого не скажешь. Тем не менее, на региональном уровне здравоохранения делаются первые шаги к управлению на основе первичных данных.

Дата-хакатон

Управление на основе данных стало темой конференции «Практическая польза региональных информационных систем в сфере здравоохранения 2022», которую компания «Нетрика Медицина» и Санкт-Петербургский МИАЦ провели в рамках конгресса «ИТМ Петербург». Главная цель мероприятия – обмен опытом между регионами, поэтому основной акцент в программе был сделан на совместную практическую работу участников, дополненную выступлениями экспертов. В дата-хакатоне приняли участие более ста человек из 40 регионов России и стран СНГ: руководители МИАЦ, ИТ-специалисты в области медицины и другие ответственные за цифровизацию здравоохранения. Под руководством дата-инженеров и аналитиков из «Нетрика Медицина» команды азартно искали аномалии данных в отчетах, осваивали принятие решений в условиях нехватки данных и проектировали идеальный дашборд для руководителя органа управления здравоохранением.

Под руководством дата-инженеров и аналитиков команды азартно искали аномалии данных в отчетах, осваивали принятие решений в условиях нехватки данных и проектировали идеальный дашборд для руководителя.

Конференция проводится уже в пятый раз и отражает существенную трансформацию задач региональных специалистов, которые изначально фокусировались на создании медицинских информационных систем, затем — на автоматизации процессов, а сегодня перешли на совершенно другой уровень — изменения процессов. На этом этапе им особенно нужны качественные данные. «Сегодня подход к управлению на основе данных в практике российского здравоохранения только зарождается, — отметил Денис Чумаков, генеральный директор «Нетрика Медицина». — Однако отдельные кейсы мы как интеграторы видим уже во многих регионах».

Северная столица: на подступах к data-driven здравоохранению

Как сообщил руководитель Центра электронного здравоохранения Санкт-Петербургского МИАЦ Алексей Архипов, в конце 2021 года в северной столице завершился проект по электронному здравоохранению, в рамках которого было создано 40 сервисов для пациентов, врачей и руководителей здравоохранения. Сейчас Центр переходит к стадии активного анализа собираемых данных – сведений из электронных медкарт и обратной связи от пациентов.

Геннадий Орлов, заместитель генерального директора по цифровому развитию Северо-западного окружного научно-клинического центра им. Л. Г. Соколова ФМБА России, привел примеры из практики Координационного центра Минздрава РФ, которые свидетельствуют о переходе от отдельных выводов из полученных данных к системе управления на основе данных. Он также отметил усложнение алгоритмов обработки накопленных данных. В 2021 году на федеральном уровне стали чаще применять алгоритмы машинного анализа текстов на естественном языке, анализа медицинских изображений, а также визуализацию данных. Например, визуализация структурированности записей в электронных медкартах государственных клиник существенно ускоряет принятие решений в ситуационном центре губернатора Ленобласти. Пока не все понимают необходимость применения специальных аналитических инструментов для управления данными, но постепенно это понимание приходит, и руководители вскоре будут оперировать не отчетами, а данными, отметил Орлов. Инициаторами перевода здравоохранения на рельсы управления на основе данных, и соответствующего обучения аналитиков и управленцев, по его мнению, должны стать именно МИАЦ, это их важнейшая задача на ближайшую перспективу.

Момент истины для ВИМИС

Управленцам действительно нужны данные достаточные, чтобы понять эффективность собственных решений, особенно финансовых. Однако в настоящее время управления на основе данных еще не происходит, получается информатизация отдельно, а лечение пациентов — отдельно, считает Евгений Коган, главный специалист Санкт-Петербургского МИАЦ. «Данными никто не пользуется, потому что они низкого качества, и они низкого качества, потому что ими никто не пользуется», — констатировал он.

Будет ли в России управление на основе данных? Само по себе — не будет, если ограничиваться задачей сбора данных и гнаться за их количеством, забывая про практическое использование в интересах пациентов. Поэтому в питерском МИАЦ начали пользоваться данными, несмотря на известную неполноту и неточность, стараясь постепенно выделить и показать городу полезные аспекты уже собираемых данных.

«За последний год, к нашей огромной радости, в Санкт-Петербурге произошел сдвиг — нашлись заинтересованные главные внештатные специалисты, которые начали использовать данные в своей работе, нас это воодушевляет, — сообщил Коган. — Оказывается, есть много тем, где организатору здравоохранения даже по неполным данным ясно, что делать».

Денис Чумаков: «Сегодня подход к управлению на основе данных в практике российского здравоохранения только зарождается»

Например, обнаружилась высокая годичная летальность пациентов, перенесших легкий инсульт, в сравнении с их госпитальной летальностью. Из этого следует, что амбулаторная служба упускает таких пациентов. Еще выяснилось, что продвинутую квадритерапию при хронической сердечной недостаточности назначают только отдельные врачи. Остальные, возможно, о ней не знают. «Получив эти данные, главный внештатный невролог и главный внештатный терапевт пошли заниматься организацией медицинской помощи, и когда они изменят реальную ситуацию, мы с ними увидим это в цифрах», — подчеркнул Коган.

На его взгляд, для профильных вертикально-интегрированных медицинских информационных систем (ВИМИС) настал момент истины. Надо показать их практическое использование: что какому-то пациенту стало лучше, или была выявлена ранее неизвестная проблема организации здравоохранения, и приняты полезные решения. Например, обнаружена повышенная нагрузка на врачей таких-то медицинских организаций, и выделены деньги на новую поликлинику. Или обнаружено, что в таком-то районе при тотальном скрининге на рак молочной железы доля его выявления на ранних стадиях все равно остается низкой, поэтому рентгенологов отправили учиться, и выявляемость повысилась. «ВИМИСы без практического использования  – только головная боль для всей страны», — уверен Коган.

Многострадальная структуризация

За десять с лишним лет Единая государственная информационная система здравоохранения (ЕГИСЗ), а потом и ее новая ипостась — Единый цифровой контур здравоохранения (ЕЦКЗ) — обросли новыми сущностями, которые никому не упрощают жизнь, скорее наоборот. ВИМИС — отдельная сущность, живущая сама по себе, по своим правилам и со своими форматами. Практически одну и ту же первичную информацию региональные МИАЦ передают в федеральную подсистему интегрированных электронных медкарт (ИЭМК) в виде структурированных электронных медицинских документов (СЭМД), в реестр электронных медицинских документов (РЭМД), да еще и в ВИМИСы по трем нозологиям («Сердечно-сосудистые заболевания», «Онкология», «Акушерство и неонатология»), к которым скоро добавится четвертая.

Между тем, проблема структуры информации никуда не делась. В ЕГИСЗ используются одни справочники, а в системах территориальных Фондов обязательного медицинского страхования (ТФОМС) — другие. В результате подсистемы ЕГИСЗ не слишком удачно взаимодействуют друг с другом, в том числе потому, что структура данных, на которых они построены, — разная.

Чтобы данные стали более пригодными для аналитической обработки, необходимо принять общий российский стандарт структуры медицинских данных, базируясь на HL7 FHIR. Тем более, что рабочая группа, «приземляющая» HL7 FHIR на российскую почву, уже создана и функционирует.

Стандарт HL7 FHIR хорош для информатизации процессов, а федеральный уровень задает HL7 CDA — стандарт для документов, уточнил Андрей Дюков, руководитель отдела продаж и развития «Нетрика Медицина». Оба стандарта уже начинают применять в регионах при информатизации процессов. «Чтобы данные в документах были качественные, нужны потребители этих данных — и пациенты, и врачи, — отметил Дюков. — С процессами проще: в них «зашита» обратная связь и непосредственно задействован потребитель данных».

Сбор десятков миллионов медицинских документов в федеральные информационные системы — необходимое, но не достаточное условие для управления на основе данных. Минздраву РФ следует показывать, каким образом полученные данные применяются для совершенствования системы для оказания медицинской помощи. Возможно, тогда у региональных МИАЦ появится мотивация поставлять качественные данные для анализа, а не файлы в формате PDF. Сейчас, по грубой экспертной оценке, в структурированном виде в ЕГИСЗ предоставляется не более 5-10% медицинских документов.

Сухая теория vs вульгарный практицизм 

Возможно, кому-то эта статья покажется чересчур теоретичной. Замечу, что в учебных заведениях сначала изучают теорию, и лишь затем переходят к практике. Теория без практики мертва, а практика без теории глупа. Вспоминается фраза Альберта Эйнштейна: «Нет ничего более практичного, чем хорошая теория». Незнание теории приводит к тому, что каждая решаемая задача оказывается новой, хотя на деле задачи могут быть объединены общей методологией и иметь общие принципы решения.

Понимание важнее знания: можно знать, но не понимать. Тонущая металлическая гайка противоречит тому, что корабль из металла держится на плаву – оба этих факта мы можем знать, но не понимать, почему так, а значит не сможем судить о том, утонет ли металлическое изделие иной формы. Мы можем легко узнать в энциклопедии какой-то факт, но если не понимаем общего, имеем шансы допустить ошибку. Да, возможно заниматься самолечением по энциклопедии, но можно умереть от опечатки.

Что такое Decision Intelligence

Decision Intelligence (DI) — дисциплина, позволяющая превратить информацию в лучшее практическое действие. Эффективное управление организацией особенно важно в условиях агрессивной внешней среды, санкций, когда первоочередная задача – выживание, а вовсе не развитие. Да и развитие в условиях конкуренции проблематично: привычным масштабированием, когда емкость рынка падает, эффекта можно и не достичь. Открытие дополнительных офисов, найм клиентских менеджеров могут оказаться не такой эффективной опцией, как интенсивное развитие. Подходы «катать квадратное, носить круглое», уходят в прошлое – нет излишка, которым можно было бы рисковать. Decision Intelligence – это дисциплина про создание программных систем (помощников), предназначенных достигать взвешенного выбора решения (data science) среди возможных альтернатив (оптимизация); возможно, рекомендовать дальнейшие действия, распространять результаты заинтересованным лицам (BI). Цель Decision Intelligence – помощь человеку в принятии решений. Она достигается посредством осуществления процедур анализа, обработки данных и математического моделирования, а также предоставлением вспомогательной информации, агрегации, отчетов в интерактивном режиме, быстро и наглядно.

Этапы создания систем Decision Intelligence

Можно выделить три основных этапа создания систем DI. Первый этап – формализованное описание алгоритма принятия решений Y = F(X). Второй этап – формирование альтернатив решений Y_i=F(X_i), из которых осуществляется выбор. Третий этап – описание критериев выбора среди альтернатив Y → max/min.

В основе DI лежат математические методы, разрабатываемые в рамках ряда дисциплин: теории оптимизации, data science, статистики, эконометрики, а также управления данными (data governance), баз данных и Business Intelligence. Но и технологий недостаточно! На каждом этапе должна присутствовать человеческая экспертиза.

В качестве примера рассмотрим коллекторский бизнес. Приведем основные этапы.

1. Сбор данных из систем источников, формирование витрины данных – в этом помогает дисциплина Data Governance.
2. Поиск математической зависимости Y = F(X,a), где  Y – объем взыскания, X – характеристики клиента, его активность, история транзакций,  a  – история воздействия на должника (смс, звонок, выезд). В этом помогает машинное обучение, статистика, эконометрика.
3. Решение задачи оптимизации: какое воздействие оказать, чтобы максимизировать выгоду: объем взыскания за вычетом затрат на взыскание. В этом нам помогает математическая оптимизация
4. Постановка модели в продуктивную систему.
5. Доведение рекомендаций до коллекторов с помощью Business Intelligence.

«Ингредиенты» успешного внедрения

Как обычно, ключевых факторов успеха несколько. Во-первых, это данные: методология управления данными и технология их хранения.  Во-вторых, математический аппарат: математическая методология и вычислительные мощности. В-третьих, организационная структура: наличие компетенций и ролей. Наконец, управление изменениями: готовность к сопротивлению инновациям, создание новых регламентов. 

Остановимся подробнее на первых двух факторах. Данные лежат в основе математических моделей. Должны быть технологии сбора и хранения данных, а также методология управления данными: правила наименования, глоссарий, поток данных, нормативно справочная документация. Математический аппарат позволяет найти информацию в данных, этому способствует теория вероятностей, статистика, эконометрика, машинное обучение, оптимизация. Математика помогает решить слишком сложные, многомерные, многокритериальные задачи. 

Человек или технология? 

Decision Intelligence не предназначена заменить человека, но предназначена оказать ему помощь в принятии решения, повысить эффективность. Опыт, интуицию и персональные знания невозможно заменить, хотя вычислительные алгоритмы эффективнее человека в части возможности и скорости обработки многомерных и больших данных. Концепция DI заключается в разумной комбинации технологий, методологий, предметной и математической экспертизы. Далеко не любое явление можно оцифровать, и в данных не всегда присутствуют математические закономерности.

Данные не имеют самостоятельной ценности. Скорее, они являются центром затрат. Организации, стартующие с построения «кладовки данных», имеют риск зафиксировать затраты, не найдя выгоды такого проекта в дальнейшем.  Поэтому организация не может быть data-driven. Ценность данных заключается в информации, скрытой в данных, а также в способности человека эту информацию найти и использовать. Ценность данных заключается в «правильных» данных и «правильных» руках людей, обращающихся с ними. 

Подход model-driven уже ближе к практике. Модель несет знания, так как обнаруживает закономерности. В любых ли данных есть зависимости? Конечно же, нет. Практики приведут массу примеров из своего опыта, когда они не находили зависимостей в данных. Вспомним процессы белого шума или броуновского движения – в них нет зависимостей, а лучший прогноз – среднее арифметическое или последнее значение процесса. 

Все ли данные «правильные»? Не все. Не для каждого набора данных можно построить модель, не каждый дата-сайентист настолько опытен, чтобы найти зависимости, даже если они есть. И не все эксперты «правильные». Легко установить математические пакеты R или Python, скопировать скрипт из справочной документации и применить к своим данным, получив прогноз. «Правильные» эксперты умеют не только скопировать скрипт, но и знают теорию случайных процессов, лежащую в основе, статистику, теорию вероятностей, разделы высшей математики.  

Современные методы поиска закономерностей часто склонны к поиску ложных зависимостей: они механически перебирают параметры (grid search), пытаясь улучшить математическую метрику. Такие модели часто хорошо объясняют, но плохо прогнозируют. Статистическая значимость таких моделей обманчива. Но математика без человека часто не может найти осмысленную зависимость. Коллаборация эксперта и математика необходима. 

Таким образом, мы возвращаемся к подходу human-driven. Хотя математические рекомендации на больших объемах многомерных данных чаще лучше экспертных, задачи все же формулирует человек. Человек собирает данные, строит модели. Не всегда математические модели могут быть найдены, и именно человек выносит самостоятельное суждение. Не все данные содержат нужную и валидную информацию, и человек дополняет своим суждением математическую рекомендацию. 

Монетизация данных – командный вид спорта

Следует разделить предметную и математическую экспертизы.  Эксперт в предметной области чаще не имеет математической компетенции, зато владеет знаниями, не содержащимися и не оцифрованными в данных.  Математик – наоборот, умеет выявлять знания, не очевидные эксперту. Но математический анализ часто ущербен без знаний эксперта, без априорных знаний эксперта он не может распутать «клубок» данных.  

Приведем примеры подобных математических выводов. Количество загорающих людей и количество насекомых на пляже оказываются коррелированными. Видимо, чем больше насекомых на пляже, тем больше людей? Или чем больше людей на пляже, тем больше насекомых?  Осмысленный вывод: у них общая причина – солнце и температура! 

Другой пример: изучив частоту покупок в продуктовом магазине, окажется, что наиболее часто покупаемый товар – полиэтиленовый упаковочный мешок. Да и маржа у пакета хороша! Математическая рекомендация может заключаться в том, что в продуктовом магазине следует продавать только упаковочные полиэтиленовые мешки, а остальные товары не нужны. Вывод: математик без предметной экспертизы может и не отличить ложную закономерность от осмысленной. Но если причинно-следственные связи все же есть, математик покажет их силу. 

Итак, возникают две важные роли: эксперт в предметной области и математик-аналитик. Объединять ли роли?  Это не всегда возможно и не всегда целесообразно. Универсализм выгоден лишь самому универсалу. Ему легче выживать в организации, «перепрыгивая» с роли на роль. Универсал везде поработал, всем занимался, но мало где обрел глубокую экспертизу.  Хотя стоит отметить, что стратегия лучше разрабатывается именно универсалом за счет широты знаний, хоть и поверхностных. 

Специалист – от слова «специализация», и это подразумевает глубину знаний.  Чтобы организация развивалась, ей нужны именно специалисты. Например, западной бизнес-культуре скорее свойственна специализация. И сравнения производительности труда на Западе и России часто публикуются. 

Математика – не волшебная палочка. Осмысленность придать ей может только человек. Свалить цифры на математика и ждать от него чудес – ложная установка. 

Decision Intelligence – это объединение экспертных знаний, математических методологий и компьютерных технологий.  Основная ее цель – принятие решения, а это требует хорошего понимания и лежащей в основе бизнес-проблемы, и данных. Поэтому Data Science и Decision Intelligence идут рука об руку: data scientist извлекает информацию из данных, а decision scientist с его исключительным пониманием бизнес-целей применяет эти наработки для решения бизнес-проблемы.

Data scientist фокусируется на сборе и анализе наборов данных, формирует управляемый данными и формулами мир бизнеса, оказывает машинную помощь лицу, принимающему решения. Это технолог, применяющий математику, статистику, машинное обучение.

Decision scientist занимается интерпретацией данных и формул, зависимостей, дополняет их экспертными суждениями и недостающими знаниями. Он рассматривает анализ данных как средство для принятия лучших бизнес-решений, делает выводы и формулы «прикладными», определяя решение, оптимальное с экономической, смысловой, бизнесовой точки зрения. Он применяет математические модели к бизнес-задачам, ищет идеи, осмысливает математические модели. Он стремится найти понимание на основе доступных данных и результатов анализа, и ставит бизнес-проблему на первое место.

Информация о процессе и сущности кроется не только в данных. Не вся информация может быть оцифрована. Эксперт дополняет своей экспертизой и опытом недостающие знания, не содержащиеся в данных. Поэтому нельзя отдавать на откуп полностью всю задачу построения рекомендательной системы для бизнеса одному лишь математику. 

Автор – Юрий Сирота, эксперт в области данных и искусственного интеллекта