Статьи

Согласно опросу представителей 500 американских компаний, проведенному Gartner, три четверти организаций, внедряющих Интернет вещей, уже используют технологии блокчейна или планируют начать делать это к концу 2020 года. Полученные данные свидетельствуют о растущей связи между двумя технологиями.

Ожидается, что их интеграция будет играть очень важную роль в процессе цифровой трансформации. При этом стремление к синергии оказалось гораздо больше, чем предполагалось.

«Среди приверженцев блокчейна 86% используют в различных проектах обе технологии», – отметила в своем блоге вице-президент Gartner и автор отчета Авива Литан. Интеграцию с Интернетом вещей она назвала «наилучшим катализатором» для широко разрекламированной технологии распределенного реестра (distributed ledger technology, DLT). Уровень внедрения блокчейна наиболее высок в фармацевтической, медицинской, энергетической и транспортной отраслях.

Среди участников опроса 63% указали, что главным преимуществом объединенных проектов блокчейна и Интернета вещей является повышение уровня безопасности и доверия к совместным многосторонним транзакциям и данным. 56% основным преимуществом считают повышение эффективности бизнеса и снижение затрат. Увеличения объема продаж и расширения возможностей бизнеса ожидают 43%, а о приобретении участниками нового опыта упомянули 37%. (В опросе Gartner принимали участие директора, топ-менеджеры и руководители высшего звена. 92% респондентов представляли ИТ-подразделения; 62% — технические и ИТ-директора.)

Блокчейн выступает в качестве автоматизированного связующего слоя между датчиками Интернета вещей, являясь одновременно хранилищем генерируемых и загружаемых данных. Устройства Интернета вещей в транспортных контейнерах, к примеру, могут отслеживать не только их местоположение, но и температуру, уровень вибрации и нарушения упаковки.

В начале текущего года компания FedEx с помпой представила концепцию «сенсорной логистики» с использованием двух типов датчиков Интернета вещей размером с жевательную резинку. Один из них выступает в роли датчика географического положения, а другой автоматически передает данные в реестр блокчейна.

Gartner – не единственная аналитическая компания, сообщающая о росте активности в сфере Интернета вещей и блокчейна. Так, аналитики Juniper Research выпустили отчет, в котором утверждается, что применение технологий слежения блокчейна и Интернета вещей «совершит революцию» в пищевой отрасли и приведет к сокращению в течение пяти лет объема мошеннических операций на 131 млрд долл.

В настоящее время системы отслеживания продуктов полагаются на бумажные транзакции. Соответствующие операции в цепочках поставок осуществляются вручную. Система работает неэффективно. По словам аналитика Juniper Морган Киммих, она допускает потерю и рассогласование данных. Участники цепочек поставок не могут одновременно обращаться к записям на бумаге, что затрудняет видимость в цепочках поставок.

По иронии судьбы, интеграция датчиков и блокчейна происходит как раз в тот момент, когда технология распределенного реестра в рамках цикла хайпа Gartner выходит на этап «избавления от иллюзий». Интерес к ней ослабевает, поскольку первые проекты не дают желаемых результатов. Поставщики технологий должны либо устранить имеющиеся недостатки и улучшить технологию, либо она тихо отомрет сама собой.

Перспективные проекты с Интернетом вещей, однако, начнут подталкивать блокчейн вверх, дорогой «преодоления недостатков». Примеры того, какую выгоду технология способна принести предприятию, начнут приобретать более четкие очертания и становиться понятнее.

«Сети блокчейна сулят многообещающие инновации благодаря своей способности обеспечивать целостность данных в процессе многостороннего взаимодействия, – указала Литан. – Интернет вещей уменьшает разрыв между ресурсами (или 'вещами') и связанными с ними бизнес-процессами. Интеграция Интернета вещей и блокчейна поддерживает доверительные многосторонние процессы, объединяющие вещи физического мира с цифровыми средами бизнес-процессов».

Сочетание Интернета вещей и корпоративных технологий блокчейна является относительно новым и сталкивается со множеством технических и бизнес-проблем. Относительная нестабильность реализаций блокчейна, в том числе и продолжающиеся изменения в протоколах, могут вызвать дополнительные сложности для устройств Интернета вещей с длительным сроком эксплуатации.

Некоторым реализациям блокчейна недостает масштабируемости, чтобы справляться с транзакциями, генерируемыми большим количеством подключенных вещей.

«В долгосрочной перспективе мы ожидаем, что сочетание Интернета вещей и блокчейна позволит создавать инновационные устройства и бизнес-модели, но процесс эволюции как блокчейна, так и Интернета вещей и вывода их на зрелый уровень займет от пяти до десяти лет», — заявила Литан.

До 2024 года более 80% компаний, внедряющих у себя новые системы, должны будут по крайней мере один-два раза обновить интегрированные решения Интернета вещей и блокчейна, с тем чтобы решить технические вопросы с пропускной способностью, масштабируемостью, безопасностью и устойчивостью.

Одним из важных факторов является стандартизация, позволяющая обмениваться данными между реестрами независимо от их версии. FedEx, например, объединила свои усилия с конкурирующими компаниями DHL Express и UPS для разработки стандартов блокчейна, которые могут быть развернуты по всей отрасли. Все три гиганта индустрии экспресс-доставки входят в Blockchain in Transport Alliance, отраслевую ассоциацию, в которой насчитывается более 500 членов.

ИТ-директор FedEx Роб Картер считает, что для широкого распространения в корпоративной среде то же самое должно произойти и с блокчейном. Когда это случится, блокчейн станет основополагающей технологий в отраслях, переходящих на новые модели ведения бизнеса.

Власти должны оказывать содействие в продвижении платформы блокчейна на основе программного обеспечения с открытым кодом и отраслевых стандартов, которые гарантируют прозрачность процедур и отсутствие технологических преимуществ у одних организаций перед другими.

«Думаю, мы находимся на этапе, когда нужно прежде всего думать о доминирующих технологиях, – заявил Картер в ходе своего выступления на конференции Blockchain Global Revolution Conference. – Мы не настаиваем на усилении регулирования, но бывают периоды, когда принятие определенных норм и правил может оказаться невероятно полезным».

Создание сети Мастерчейн и разработка на ее основе первых продуктов стали заметным событием на российском финансовом рынке. Мы поговорили с Анатолием Конкиным, руководителем направления «Развитие технологии распределенного реестра» Ассоциации ФинТех и номинантом на премию CDO Award, об истории и перспективах этого проекта, а также о его значении для рынка.

— С чего начиналось формирование вашей блокчейн-платформы?

К моменту начала работы над Мастерчейном некоторые банки уже провели исследования технологии блокчейн и проанализировали способы ее применения. Возникла идея объединить имеющиеся наработки, в том числе в депозитарном учете и в банковских гарантиях, в целях создания единой платформы для финансового рынка. Участники сформулировали основные требования к платформе и кейсы для блокчейна, и в 2017 году в Ассоциации ФинТех стартовала разработка Мастерчейна и прикладных приложений. В 2018 году сеть была запущена.

— Какие требования и задачи ставились перед разработчиками платформы?

Участники определяли требования к платформе исходя из задач практического применения в финансовых сервисах. Главные — это поддержка исполнения смарт-контрактов, конфиденциальность данных, масштабируемость по количеству участников и операций.

Для промышленного использования в России блокчейн-платформа должна соответствовать требованиям информационной безопасности и стандартам отечественной криптографии. Мастерчейн удовлетворяет всем условиям: в 2019 году он стал первой сертифицированной в ФСБ блокчейн-платформой. В нем используется ГОСТ-криптография и обеспечен защищенный обмен финансовыми сообщениями.

— Почему выбрали архитектуру именно на основе блокчейна?

Участники Ассоциации ФинТех определяли прикладные задачи, в которых именно блокчейн был наиболее эффективен для сокращения издержек за счет устранения посредников и применения смарт-контрактов. В прошлом году была запущена децентрализованная депозитарная система (ДДС) на платформе Мастерчейн. Использование смарт-контрактов в депозитарной системе позволяет полностью автоматизировать регистрацию и учет ценных бумаг в депозитарии. Сейчас ДДС применяется для учета электронных закладных, что позволяет уменьшить издержки депозитариев более чем на 30%, а время регистрации закладной — с 9 дней до 1 дня. В настоящее время идет разработка системы цифровых банковских гарантий на Мастерчейне.

Стоит отметить, что сами принципы блокчейна: децентрализованность, прозрачность взаимодействия участников и фактическая неизменяемость данных — представляют высокую бизнес-ценность. Использование этой технологии позволяет не только повысить эффективность бизнес-процессов и оптимизировать издержки, но и снизить риски для участников, обеспечить более высокий уровень доверия между ними.

— На каких принципах строится работа с данными в вашей блокчейн-системе?

Можно выделить три ключевых принципа работы с данными: идентификация участников и контроль доступа в сеть; конфиденциальность данных; использование российских стандартов криптографии. Доступ к системе выполняется с применением сертификатов, выданных удостоверяющим центром. Электронные документы подписываются с использованием электронной цифровой подписи, при этом Мастерчейн обеспечивает их сохранность и неизменность. Таким образом, система позволяет снизить риски мошеннических операций благодаря отсутствию одностороннего изменения данных.

Бесперебойность работы с данными обеспечивают узлы участников сети Мастерчейн — даже в случае выхода из строя отдельных узлов сети система продолжит работу без каких-либо ограничений.

— Как распределены роли и ответственность сторон, участвующих в работе с платформой?

Участники системы самостоятельно управляют своей инфраструктурой и доступностью бизнес-систем. Кроме того, они управляют внутренней ролевой моделью, то есть определяют права доступа к совершению операций в сети. АФТ выполняет функции оператора сети, проводит процедуры идентификации и подключения участников, сертификации узлов, подготовки и распространения обновлений прикладных приложений. В роли оператора АФТ поддерживает работоспособность сети, при этом конфиденциальная информация для нее недоступна.

— Как шло формирование экосистемы вокруг вашей платформы? Как удалось обеспечить доверие к ней со стороны партнеров?

Участники АФТ совместно с Банком России сами определяли требования к платформе. Она прошла сертификацию ФСБ, что подтверждает ее надежность и безопасность. Высокое доверие к Мастерчейну обеспечивают также и принципы его работы: децентрализованность, прозрачность всех операций и невозможность в одностороннем порядке менять данные. Сейчас на этой платформе разрабатываются прикладные приложения как внутри Ассоциации, так и за ее пределами — участники создают собственные решения.

— В чем видите свою роль и роль своего подразделения в создании и дальнейшем развитии платформы и ее экосистемы?

В настоящее время продолжается развитие платформы и ее функциональности, создаются новые бизнес-приложения. Требования к приложениям опять же определяют сами участники — это позволяет создавать такие решения, которые будут востребованы игроками финансового рынка.

Также мы активно ведем исследовательскую работу в рамках R&D-подразделения АФТ. В настоящее время планируем провести исследования технологии распределенных реестров по трем ключевым направлениям: интероперабельность (взаимодействие блокчейн-платформ), масштабирование и обеспечение безопасности данных. Важно отметить, что при этом будут определены в том числе и подходы к стандартизации смарт-контрактов.

«Мы стремимся создавать тренды в цифровой повестке», — утверждает Виктория Эркенова, руководитель Центра цифровой трансформации Главгосэкспертизы России. Как началась цифровая трансформация экспертизы в строительной сфере, какие плоды уже принесла и как будет идти дальше? Подробнее об этом можно будет услышать 25 марта на форуме BIG DATA 2020, организованном издательством «Открытые системы».

- Для чего и когда был создан Центр цифровой трансформации, который вы возглавляете?

Центр создали в сентябре 2019 года на базе Управления информационных технологий Главгосэкспертизы России. Но еще задолго до его появления в Главгосэкспертизе уже активно внедряли цифровые решения, направленные на преобразование модели организации и проведения государственной экспертизы. Результатом этих усилий стал переход к оказанию услуг в электронной форме и к созданию решений, базирующихся на data-ориентированном подходе как неотъемлемом элементе цифровой трансформации строительной экспертизы.

Наша сегодняшняя главная цель — на основе передовых технологий создать цифровые решения для всего института экспертизы. Мы ожидаем, что это поможет интегрировать его в единое цифровое пространство строительной отрасли. «Цифровая экономика» вошла в перечень основных направлений стратегического развития России до 2025 года. Строительная отрасль — немаловажная часть экономики страны, и мы должны стать своего рода драйвером для всего института государственной экспертизы. Одним из шагов на этом пути станет создание Единой цифровой платформы экспертизы.

- Какие цели и задачи ставит перед собой Единая цифровая платформа экспертизы? Какие этапы и сроки обозначены в ее развитии?

Единая цифровая платформа экспертизы — продукт, разработанный на базе нашего центра. Он представляет собой открытую совокупность информационных систем экспертных организаций и предназначен для обеспечения бесшовного информационного взаимодействия участников процесса строительной экспертизы. Для автоматизации своей работы участники процесса могут использовать как единую платформу, так и собственные информационные системы, интегрируя их в общее информационное пространство. Первые участники уже определены, и сейчас ведутся работы по запуску ЕЦПЭ. Ранее министр строительства и жилищно-коммунального хозяйства РФ определил сроки внедрения платформы — первый квартал 2020 года. И сейчас мы можем сказать, что единое цифровое пространство строительной экспертизы фактически сформировано.

- Как именно можно использовать большие данные в проектировании и в работе с документацией? Например, для облачной платформы для экспертных организаций, формирования базы знаний по основным ошибкам проектирования?

Я считаю, что управление данными, включающее в себя анализ больших данных, — это неотъемлемый элемент цифровой трансформации. И как вы правильно отметили, для нас, по сути, это один из источников информации по типовым ошибкам, на основании анализа которых мы формируем базу знаний.

В единой цифровой платформе заложены подходы к оценке представляемой на экспертизу документации, они расширяют наши возможности по анализу данных и вытекающих из этого трансформационных последствий. Но формирование базы знаний — не единственный результат анализа больших данных. Его применение также дает возможность использовать и развивать прогнозную аналитику, основанную на алгоритмах искусственного интеллекта, в процессе проведения государственной экспертизы проектной документации.

- Есть ли у больших данных теневая сторона? Может ли их применение повлечь погрешности или ошибки?

Появление погрешностей или ошибок напрямую связано с подходами к обработке данных и используемыми методами их анализа. В зависимости от целей анализа, необходимо применять соответствующие дополнительные правила его проведения. В нашем случае на уровне хранилища мы используем разметку данных, включая присвоение данным и массивам данных идентификаторов, которые отражают тип (классификация данных) или интерпретацию данных для решения конкретной задачи. Так, для каждого пакета документов, который поступает на экспертизу, формируется машиночитаемое описание и производится тематическое структурирование документации — создается единый идентификатор для набора файлов, подготовленных по одному из разделов. В итоге из всего массива данных можно выделить документацию, описывающую определенные решения, из этих решений — набор данных, относящихся к определенной категории объектов капитального строительства, например к объектам разведки и разработки месторождений твердых полезных ископаемых. Это повышает результативность обработки таких данных.

И раз уж мы с вами заговорили о больших данных, не могу не заметить, что объем документации, хранящейся сейчас в наших системах, превышает 150 Тбайт и составляет более 30 млн электронных документов.

- На конференции «Развитие института государственной экспертизы» вы говорили о дата-центричном подходе, который реализуется в Главгосэкспертизе. Расскажите, в чем он заключается и какова его ценность.

Беседуя со специалистами в сфере строительной экспертизы, я часто сталкиваюсь с неверным, на мой взгляд, убеждением. Многие считают, что если в организации для принятия какого-либо решения используются отчеты или статистика, то такая организация — дата-ориентированная. Увы, это заблуждение. Подготовленный отчет может всего лишь сообщить о том, что в проектной документации было, например, десять ошибок. Но он не ответит на самый главный вопрос: почему это произошло и что надо сделать, чтобы исключить повторение подобных ошибок?

В Главгосэкспертизе подход к решению проблемы и к пониманию ее сути иной: обработка данных используется для получения ответов на вопросы «Почему?», «Кто?» и «Какие действия предпринять?». В этом и заключается специфика наших методов работы.

Говоря о тактических мерах и технических решениях, используемых для реализации этого подхода, я бы выделила перевод в машиночитаемый формат сведений из документов, на основании которых принимаются решения. То есть вся юридически значимая информация из электронного документа переводится в размеченные данные для построения аналитики и принятия решения, что и обеспечивает реализацию дата-ориентированного подхода.

- Легко ли экспертам Главгосэкпертизы переходить на цифровые технологии? Какие затруднения они испытывают? Как им помогают их преодолеть?

Я пришла в Главгосэкспертизу как раз в период активного перехода к оказанию услуг в электронном виде. Это был один из первых этапов нашей трансформации. Вместе с тем я стала свидетелем и действовавшего на тот момент порядка работы, который предусматривал представление документации на бумажных носителях. Так что я представляла себе трудности, с которыми придется столкнуться.

Безусловно, любые нововведения встречают на своем пути преграды. Соответственно, и процесс перевода услуг в цифровую форму усложняется рядом факторов. Исходя из своего опыта, я бы выделила два типа сложностей, которые могут возникнуть при переводе государственных и муниципальных услуг в цифровой формат: методические и организационные. К методическим относятся проблемы, возникающие в ходе управленческой деятельности по созданию и использованию определенного набора принципов, правил и методов, способов перевода услуг в электронный вид. Отсутствие единых стандартов влекло применение нетиповых решений и, как следствие, разобщенность в подходах.

Прежде чем говорить об организационных проблемах, хочу сказать, что в моем представлении «организовать» — это подготовить, наладить, объединить для выполнения конкретной цели. Соответственно, под организационными проблемами я подразумеваю сложности, возникающие в управленческой деятельности по подготовке, наладке и объединению технических и других средств, необходимых для перевода услуг в электронный вид.

Несмотря на то что в Главгосэкспертизе в целом процесс упрощался, снижались временные и финансовые затраты, большинство участников в первое время относились к новому формату достаточно настороженно, считая, что его внедрение потребует организационных и финансовых затрат, в том числе на обучение. Честно признаться, первые изменения, связанные с переходом на электронную форму взаимодействия с заявителем, действительно давались нелегко. Здесь ключевую роль играл человеческий фактор: для многих экспертов поначалу этот процесс был сложным и непонятным. С другой стороны, совместно с нами переживали преобразования и наши заявители. На начальном этапе стало очевидно, что первым шагом должны стать просвещение и обучение.

Наши специалисты провели около сорока семинаров и разработали обучающие материалы в различных форматах — от электронных документов до видеороликов с субтитрами. Кроме того, было создано подразделение для консультирования пользователей новых сервисов. В этом направлении была проделана огромная работа.

Но ключевым аспектом, благоприятно повлиявшим на внедрение всех этих изменений, по моему мнению, стало то, что мы смогли донести до каждого участника процесса информацию о преимуществах, которые можно получить от внедрения цифровых технологий в процесс наших рабочих коммуникаций. И как результат, сейчас мы получаем от экспертов уже не вопросы о порядке работы с новыми сервисами, а многочисленные предложения по их развитию.

- Чего уже удалось достичь в результате цифровой трансформации? И чего вы ожидаете в будущем?

Изменения от внедрения передовых технологий в нашу работу носят глобальный характер. Помимо смены парадигмы всей работы, изменения мышления как наших экспертов, так и заявителей, полный переход на электронный документооборот принес многочисленные преимущества прикладного характера.

Во-первых, сократилось время, затрачиваемое экспертами на оценку поступившей на рассмотрение проектно-сметной документации. Это, в свою очередь, позволило заявителям использовать образовавшееся дополнительное время на качественное устранение замечаний.

Во-вторых, существенно сократились издержки на разработку и предоставление документации, ее транспортировку и т. д. Переход на «цифру» позволяет заявителям экономить деньги и время. Это весомые аргументы для любого бизнеса, и строительная отрасль здесь не исключение.

Если говорить о будущем цифровой трансформации в Главгосэкспертизе, то сейчас главная задача — создать такие технологии, которые бы полностью исключили ошибки при проектировании. К сожалению, качество проектирования в нашей стране, хотя и улучшается в последние годы (причем не в последнюю очередь благодаря усилиям нашего учебного центра), но пока оставляет желать лучшего. Поэтому мы стремимся исправить данную ситуацию всеми доступными путями, в том числе используя новейшие технологические возможности прогнозной аналитики.

- О чем вы планируете рассказать на форуме и что хотели бы услышать?

Я благодарна за приглашение принять участие в таком знаковом мероприятии, как форум BIG DATA 2020, и планирую рассказать его участникам о больших данных Главгосэкспертизы, о том, как мы их обрабатываем, о новых технологиях и решениях, которые мы используем, и о возможностях развития, которые они нам дают.

Считаю, что дискуссии на таких площадках всегда полезны и несут положительный синергетический заряд для дальнейшего развития дата-ориентированных подходов в наших организациях.

«Билайн» по праву считается одним из лидеров российского рынка больших данных. Число проектов компании, реализованных на основе технологий big data и направленных на повышение эффективности телеком-бизнеса, исчисляется десятками, а суммарная выгода от них составляет миллиарды рублей в год. Помимо этого, в компании созданы принципиально новые цифровые бизнесы на базе больших данных, которые также вносят серьезный вклад в выручку оператора.

Константин Романов, директор по продуктам и технологиям больших данных ПАО «ВымпелКом» и соискатель премии CDO Award 2020, рассказывает о построении подразделения с нуля, вызовах, стоящих перед ним, и попытках создать бизнес, сравнимый по масштабам с телекомом.

- Какова ваша история в big data?

С телеком-бизнесом и тем, что сейчас называется большими данными, я познакомился в 2006 году, когда пришел в МТС — там я работал на различных руководящих позициях по управлению клиентской базой. Я стал одним из первых среди тех, кто строил модели оттока в телекоме, да и скоринговые модели в целом. Тогда подходы data science были чем-то экзотическим, а повсеместно применять технологии big data начали лишь спустя время.

Затем, в 2012 году, меня пригласили в Сбербанк, где мы с коллегами заложили основу той работы с big data, что существует там сейчас. Однако банковская сфера с точки зрения реализации новых идей гораздо инертнее, поэтому для самореализации мне был ближе именно телеком.

- Так вы попали в «Билайн»?

Меня пригласили в «Билайн» в конце 2014 года создать с нуля подразделение big data. В то время в компании проходили эксперименты технологического характера — оценивали Hadoop и его возможности. Однако хотелось уже не просто «поиграть» с технологиями, а начать извлекать пользу. Требовалось перестроить подход к организации работы с данными. Надо сказать, что инновационные направления уже тогда начали поддерживаться руководством компании, что позволило двигаться достаточно быстро. Понятно, что на первых этапах возникает очень много барьеров — как организационных, так и культурных. Многие привыкли принимать решения экспертным путем, и менять этот менталитет, вероятно, самая сложная задача.

Уже через пару лет нам удалось не только повысить эффективность многих внутренних процессов, но и запустить первые продукты, нацеленные на внешний рынок. Запуск продукта от идеи до реализации занимал около полугода — неплохая для тех времен скорость. Так мы показали всему рынку, что у нас есть большие данные и мы умеем с ними работать. После этого меня пригласили в штаб-квартиру группы VEON, чтобы подтянуть функцию big data в других 10 странах присутствия. На это ушло полтора года — за это время во всех странах группы была создана с нуля инфраструктура для работы с большими данными.

Однако позже потребовалось выходить на новый уровень в России, и в 2018 году мне предложили максимально сфокусироваться на российском рынке. Тогда большие данные в «Билайне» уже превратились из гаражной digital-инициативы в индустриальный бизнес-процесс. Сейчас в России существует Центр технологической экспертизы группы VEON, который сфокусирован, в том числе на работе с большими данными. В рамках этого центра происходит не только обмен технологическими ноу-хау между бизнес-единицами группы, но и разработка продуктов big data для ряда стран ее присутствия.

- Какие подходы были использованы для построения нового, инновационного подразделения?

Цифровой бизнес подразумевает новые подходы и заставляет компании меняться. Для этого пришлось полностью поменять организационную модель. Такое изменение было сделано исключительно для подразделения big data — дирекции по продуктам и технологиям больших данных. Мы создали полностью свою систему принятия решений и управления. У нас, единственной из всех функций в компании, свой комитет с генеральным директором и всеми вице-президентами, в рамках которого мы ежемесячно показываем свои достижения — делимся, обсуждаем, принимаем решения. Этот формат работает на постоянной основе.

На этом бюрократические вопросы заканчиваются, все внутренние проблемы решаются очень быстро. Выяснилось, что выпустить MVP (minimum viable product, «минимально жизнеспособный продукт». — прим. ред.) нового продукта за два месяца — не так уж и сложно, и я считаю, что это неплохой результат.

Все подразделение поделено на скрам-команды, занимающиеся своими продуктовыми направлениями. Но, естественно, за платформу и интеграцию данных отвечает единая команда.

- Каковы ключевые вехи в развитии подразделения?

Знаковым событием стал вывод первых data-продуктов на рынок. Это очень важный этап: когда организация перестает быть обычным телекомом, она становится цифровой компанией, создающей принципиально иные сервисы. Это был 2016 год. И пусть те продукты не дали заметного результата в плане коммерческих результатов, но по значению для нас они были сравнимы с первыми шагами человека на Луне.

Важным организационным моментом стало принятие решения отказаться от использования внешних ресурсов и всю экспертизу развивать внутри. Компания не просто поверила в увиденный результат, она сделала на это большую ставку в плане дальнейшего развития. У нас собственные разработчики, своя команда data science, открыты региональные центры разработки — в столице найти нужных специалистов стало очень тяжело: из-за растущих потребностей гиганты «пылесосят» рынок. Мы сделали действительно успешный распределенный центр разработки, где сотрудники работают дистанционно, и эта практика себя хорошо показывает. Независимо от того, где находится человек: в Воронеже, Питере, Новосибирске или Москве, — использование цифровых инструментов позволяет работать с большой скоростью. Показатель time to market — определяющий в этом направлении.

- Перед вашим подразделением ставятся финансовые цели? Или главное, чтобы хорошо шла исследовательская работа?

В самом начале была главной исследовательская работа. Первые финансовые цели появились через год после запуска подразделения. Надо сказать, что мы сами предложили ориентировать нашу работу на финансовый результат, достижение коммерческого успеха. Именно это позволило дотянуться до тех цифр, которые имеем сейчас.

- Какие проблемы стояли, когда вы организовывали деятельность подразделения с нуля? С чем приходилось бороться?

В большинстве случаев сложности заключались в образе мышления сотрудников компании, причем всех — начиная с рядовых специалистов и заканчивая топ-менеджментом. Поскольку первой целью было повышение эффективности основного бизнеса, мы не могли действовать в отрыве от процессов своих внутренних клиентов. Приходилось «играть на чужом поле». Было непросто убедить заинтересованных лиц в необходимости изменений.

Пришлось выявлять открытых для взаимодействия людей, выполнять с ними первые проекты, демонстрировать окружающим истории успеха. А сейчас у нас очередь из заказчиков, рассчитывающих на нашу помощь. Компания дошла до такого уровня, что каждая вертикаль понимает: для того чтобы сделать шаг вперед, необходимо сделать свою функцию data-driven.

- Как изложить стратегию данных в максимально доступных словах?

Наша стратегия — кардинальное изменение стратегии всей организации на основе достигнутых нами результатов. Наша стратегия затрагивает не только данные. Она охватывает несколько элементов: организацию нашей работы (кем мы хотим быть; какие экспертизы, люди и навыки нам нужны; в каких направлениях мы хотим развиваться), источники данных, которые мы должны интегрировать для выполнения своих целей, и, разумеется, развитие технологической платформы.

Также у нас есть и лобальная цель: на базе big data мы хотим создать бизнес, сопоставимый по масштабам с телеком-бизнесом. И все предпосылки для этого есть.

- Какие данные вы собираете?

С согласия абонентов мы собираем сведения об оказанных услугах связи и об используемых ими устройствах. В этой области мы сотрудничаем с множеством компаний. Мы ценим партнеров, имеющих значительный объем информации, в том числе и таких, как операторы фискальных данных.

Мы знаем многое обо всех инфраструктурных объектах (домах, мостах и т. п.) и активно используем эти сведения не только в планировании развития фиксированной и мобильной сети, но и в совместных проектах с ДИТ Москвы и других регионов для развития инфраструктуры. И такие всесторонние знания становятся основой для создания собственных продуктов — например, геоаналитических сервисов. Понимая «точки притяжения» и зная объекты, расположенные возле них, мы можем выдавать рекомендации ретейлерам об открытии торговых точек и даже прогнозировать их аудиторию.

- Что сейчас представляет собой инфраструктура для работы с большими данными?

Конечно, на первых этапах не обошлось без серьезных инвестиций в инфраструктуру. Наше «сердце» — огромный ЦОД в Ярославле. У нас один из крупнейших в Европе кластер big data — почти тысяча серверов, на которых «крутится» 30 Пбайт данных.

Использование открытых платформ — принципиальная позиция. Построенная нами инфраструктура основана на технологиях OpenStack. В них есть все возможности, покрывающие наши бизнес-потребности. Там, где это необходимо, все работает в режиме реального времени. Если нужно — с огромными массивами данных. Работа с нейросетями, видео- и аудиоаналитика — все это требует разнообразных элементов и их конфигураций, и все они у нас есть.

Сейчас мы изучаем возможность работы с разными облачными решениями, чтобы перенести туда часть инфраструктуры для простоты управления. У нас есть облачные сервисы, часть из них мы уже предоставляем клиентам, но для задач big data тема облаков еще не до конца апробирована.

- Вы упомянули про изменение мировоззрения. Можете дать несколько практических рекомендаций?

Невозможно изменить всех и сразу. Излишне говорить, что нужна поддержка первого лица. Другая известная рекомендация — реализовать цепочку из нескольких быстрых и успешных проектов с теми, кто открыт для взаимодействия. Такие люди есть всегда. После этого остальные подтянутся сами и административные меры не понадобятся. Разумеется, можно пойти по силовому сценарию, но практика показывает, что это менее эффективно.

Еще одна важная составляющая — коммуникации. Важно сообщать и внутри компании, и внешней аудитории о проводимых работах, ярких проектах и результатах применения новых разработок. У нас есть проект «Билайн.Аналитика», исследующий самую разнообразную информацию, и мы делимся с широкой аудиторией забавными и любопытными фактами, обнаруженными в данных. Это отличная возможность показать, что данные могут давать бизнесу.

Мы первыми на рынке открыли доступ к сервисам big data через стандартизованную API-платформу (разумеется, в полном соответствии с законом), чтобы другие организации могли сами разрабатывать свои продукты. Так мы вносим свой вклад в работу с данными и в создание аналитических сервисов.

- Сейчас фокус вашей работы все больше смещается с «внутренних» проектов на «внешние» — создание data-сервисов для продажи вовне. Можно ли сказать, что внешние проекты важнее?

Нет, мы все еще инвестируем в наш телеком-бизнес много ресурсов, потому что отдача исчисляется десятками миллиардов. И кроме того, среди подразделений компании сейчас огромный спрос на наши услуги. Но фокус внимания переносится на внешние проекты. На них уже тратится больше 50% ресурсов, и этот показатель растет. Вероятно, в будущем наше подразделение будет расширяться именно за счет команд, работающих с новыми бизнесами.

- Не возникает ли ощущение, что возможности по оптимизации основного бизнеса не безграничны?

Конечно, когда начинаешь оптимизацию с нуля, есть гораздо больший простор для творчества. Но у этого процесса нет конечной остановки. Каждый следующий процент улучшений дается все дороже и сложнее, но эти усилия все равно нужны.

- Расскажите о самых интересных из последних проектов.

Для нашего нового телевизионного продукта «Билайн ТВ» мы создаем одну из самых эффективных рекомендательных систем. Проблема современных людей известна: времени мало, а контента очень много. Практика показывает, что на выбор «чего-то стоящего» порой тратится больше времени, чем на сам просмотр. Мы пошли дальше, чем онлайн-кинотеатры, потому что у нас больше возможностей. Мы запустили в «Билайн ТВ» рекомендации на основании big data и данных по просмотрам в сервисе. Это позволило увеличить среднее время пользования сервисом, количество покупок контента, а также просматриваемого контента на одного пользователя.

Еще один проект связан с геоаналитикой в конвергентном бизнесе (объединяет в себе услуги мобильной и фиксированной связи), он позволяет добиться феноменальных результатов в плане коммерческой отдачи. Большая часть продаж конвергентных продуктов сделана именно на основе наших рекомендаций. Для «попадания в цель» важно учитывать очень много нюансов: «наш» ли это абонент, является ли он лицом, принимающим решение о выборе телеком-провайдера, подключен ли его дом к нашей сети.

Отдельная история — рекомендации нашим службам по подключению домов. Подключение каждого дома к фиксированным линиям — очень недешевое удовольствие. Даже у государства нет четкого понимания того, какой объект находится по каждому адресу, и для того чтобы понять это, приходится использовать много источников данных. Проект сложный, но он дает отличные результаты и позволяет занимать лидирующие позиции на рынке в части предоставления конвергентных продуктов.

Что касается «внешних» проектов, то хороший пример — проект, запущенный в области телевизионной рекламы. Совместно с агентством Havas Media и рекламной группой «АДВ» мы анализировали рекламные кампании на телевидении. Ключевая проблема в том, что эффективность телерекламы практически невозможно измерить, а ведь на нее тратятся сотни миллионов. С помощью технологий big data удалось провести достаточно точную оценку эффективности рекламной кампании. Сейчас это уже готовый сервис, который мы предоставляем брендам.

Наконец, мы делаем ставку на аудио- и видеоаналитику. Ее можно использовать для реализации проектов госзаказчиков. Вкупе с нашими данными по геоаналитике это дает существенные преимущества госзаказчикам для понимания планов развития городской инфраструктуры. Видеоаналитика может применяться для оценки и повышения качества обслуживания, а также для оценки спроса на товары заданной категории.

- Что показало наибольший эффект?

Самый большой эффект всегда связан с продажами и дополнительными продажами, предложением новых тарифов и пакетов. Конвергентное направление показало исключительные результаты и с точки зрения приобретения новых клиентов, и по доходам. Еще одно важное направление — планирование сети. Не секрет, что самые большие инвестиции мобильные операторы делают в построение сети. Каждый оператор ежегодно вынужден в нее вкладывать миллиарды долларов. Оптимизация этого процесса хотя бы на считанные проценты дает очень ощутимый результат.

- Как вы оцениваете свою роль в компании?

Если я смогу мотивировать каждого сотрудника использовать в своей работе подход data-driven, организация будет на пике эффективности с точки зрения скорости и качества принятия решений. И второе — амбициозная задача по диверсификации бизнеса компании. Суметь сделать из big data направление, которое будет вносить существенный вклад в выручку. Нынешние миллиарды экономического эффекта от big data — это несколько процентов от почти 300 млрд руб. российского бизнеса «Билайна». Ежегодно наблюдается кратный рост, и темпы его увеличиваются.

- Что вы считаете своими главными достижениями?

Достигнутые нашей командой big data результаты позволяют мне считать ее одной из сильнейших в телекоме. Результата добиваются люди, а мне удалось обеспечить условия для максимально эффективного создания новых продуктов.

Отдельно можно сказать о тиражировании нашего опыта на всю группу компаний. Мы помогаем запускать data-продукты другим странам — это дорогого стоит.

- Куда движется big data в «Билайне»?

Сейчас мы обновляем платформу — переводим ее на новые версии продуктов. Это важный шаг с точки зрения технологического развития, он даст нам новые возможности.

Второе направление — совместные проекты, которые мы запускаем в рамках партнерства с компаниями из других отраслей. Надо довести их до уровня, когда мы кросс-индустриально используем большие данные в рамках разных бизнесов и совместно с партнерами создаем новые продукты и полезные сервисы для пользователей.

Наконец, у нас появляются совершенно новые разработки в области искусственного интеллекта, которые можно использовать для сервисов голосовых ассистентов и видеоаналитики. Мы делаем на них большую ставку и видим огромное количество способов их применения.

Заметную роль в повышении эффективности промышленных предприятий должна сыграть демократизация инструментов машинного обучения. То, что сейчас доступно лишь лидерам из-за сложности и дороговизны, скоро станет общепринятой практикой. Одним из вариантов развития этого направления является создание тиражируемых решений.

Иван Исаев, руководитель направления промышленного анализа данных МТС и соискатель премии CDO Award, рассказывает о накопившемся опыте решения задач промышленных предприятий и о развитии своих наработок на базе ресурсов крупнейшего мобильного оператора.

— Каков ваш путь в data science?

Моя история началась в Самаре. В этом регионе большинство ИТ-компаний имеют только по одному крупному заказчику и мечтают о развитии бизнеса. У компании Astera, в которой я был соучредителем, таким заказчиком являлся крупный американский телеком-провайдер, для которого мы проводили анализ данных (выявление вторжений, идентификация вирусов, анализ DNS-трафика и др.). В 2015 году, когда машинное обучение на широком рынке делало лишь первые шаги, нам удалось попасть в акселерационную программу МТС — мы занимались предсказанием необходимости ремонтов для базовых станций. В результате удалось решить задачу оптимизации выездов ремонтных бригад, но еще несколько кейсов в промышленную эксплуатацию так и не вышли.

Стало понятно, что в телекоме денег не так уж и много и что с наработанной экспертизой нужно идти в промышленность, поскольку у нас уже был опыт по прогнозированию поломок, идентификации аномалий и т. п. С учеными, знакомыми мне по Сколтеху, мы приступили к задачам с понятным экономическим эффектом. Работать в промышленности в этом плане гораздо проще (в телекоме зачастую оценить эффект весьма сложно), и главное — там нет огромного штата своих айтишников и остается непаханое поле для оптимизации.

— Какими были первые шаги?

Первым заказчиком в промышленности стало предприятие, занимающееся газотурбинными электростанциями. Изначально мы пытались прогнозировать поломки оборудования, однако там оказалось слишком мало событий для построения моделей. Зато нам удалось увидеть другую перспективную задачу — оптимизацию процесса промывок турбин, что ведет к их более экономичной работе и сокращению потребления топлива. Это стало нашим первым серьезным опытом на производстве.

Далее было партнерство с SAP, в рамках которого мы реализовали около 10 пилотных проектов. В то время за пилоты практически никто не платил: все боялись рисковать. Компании хотели сделать свой первый проект по анализу данных, но в партнерстве с большим игроком, готовым инвестировать в него свои средства. Так работали около двух лет: вместе с SAP решали задачи в непрерывном производстве, и нам платили за пилотные проекты. Помимо прогнозирования ремонтов, нам удалось освоить прогнозирование качества продукции.

— Когда началась «серьезная» работа?

Через два года работы с SAP у нас появился первый полноценный контракт с компанией «Уралхим». Мы приехали на большой завод в Кирово-Чепецке, занимающийся производством удобрений. Было ясно, что производство надо цифровизировать и что там «закопано» много денег, но никто не понимал, за что именно нужно браться. После ознакомления с производством мы разработали «дорожную карту» — описали слабые места в цехах, где можно применить машинное обучение. В числе прочих идентифицировали задачу с барабанным гранулятором — можно было существенно повысить его производительность. Этот агрегат нестабилен, в нем происходят волнообразные колебания, и это не позволяет загружать его на полную мощность. Объем подававшегося сырья составлял максимум 60% от проектной мощности, а требовалось достичь показателя хотя бы 80%. Мы долго общались с технологом, пытаясь выяснить, что не устраивает в работе агрегата; разговаривали с операторами, уточняя детали того, как они управляют барабаном (разумеется, «на глазок»). Стало понятно, что нужно создать рекомендательную систему, которая будет давать точные подсказки по управлению. После этого создание модели было делом техники.

Имея за плечами позитивный опыт на производстве, мы смогли попасть в «Газпром нефть», где решали задачу прогнозирования инцидентов при бурении. Среда под землей неоднородна: существуют зоны повышенного и пониженного давления. А любой инцидент обходится крайне дорого: день простоя буровой вышки означает потерю около 10 млн руб. Мы построили модель, позволяющую оптимизировать свойства бурового раствора для предотвращения инцидентов, и попутно обеспечили нефтяников интерактивной картиной происходящего под землей. В этом случае эффекты были не только и не столько экономическими — они касались промышленной безопасности: люди не должны гибнуть из-за газонефтеводопроявления.

Третий проект был реализован в крупной металлургической компании, где удалось оптимизировать потребление дорогостоящих фторсолей в процессе производства алюминия. Была достигнута экономия в 3 млн долл., сейчас идет опытная эксплуатация системы.

Сейчас я перешел в МТС, где рассчитываю вывести свои наработки на новый уровень. Здесь есть экспертиза в big data, свои облачные сервисы, центр кибербезопасности, даже свой акселератор стартапов — с его помощью можно находить новые интересные решения.

— Что может сделать команда «варягов» на предприятии, которое иногда вообще не готово к преобразованиям?

Бывают предприятия с низкой и высокой зрелостью, и в этих случаях все очевидно: первые только формируют стратегию цифровизации, а вторые уже достигли заметных результатов. Но есть и третья, промежуточная категория предприятий, которые и являются нашей целевой нишей. Как правило, у них есть управляющая компания, менеджеры которой ездят по производственным площадкам и оценивают возможности цифровизации. С полученными знаниями они ищут внешние команды, имеющие опыт реализованных проектов.

Кроме того, некоторые компании не нанимают собственных дата-сайентистов в силу своей стратегии. Например, у НЛМК нет задачи наращивать свою экспертизу в области data science. Они реализуют процесс подготовки данных и отдают задачу вовне — большинство проектов реализуется силами подрядчиков.

Сегодня отдать на аутсорс цифровизацию — проще, чем разрабатывать решения самостоятельно. Это экономит ресурсы, гарантирует безопасность, помогает избежать трат на дополнительное «железо».

— С какими проблемами приходится сталкиваться?

Данных теперь больше, но они стали хуже. Если год назад их раздобыть было невозможно, то сейчас это вполне реально, но они недостоверные. Приходится чистить, обогащать, запрашивать дополнительно, иногда — моделировать самостоятельно.

Кроме того, приходится глубоко погружаться в предметную область. Машинное обучение — это 20–30% проекта. Остальное время уходит на изучение регламентов. Но чем лучше ты разберешься в производственных процессах, тем эффективнее будет построенная модель.

Наконец, необходимо добиться того, чтобы специалисты предприятия тебя воспринимали как союзника, который поможет сделать работу легче и результативнее.

— Какие решения используются для создания моделей, на чем они основаны?

Мы, как и множество других команд, использовали Python. В большинстве проектов данные не так уж и велики, для работы платформы вполне хватает возможностей Microsoft SQL Server. С инфраструктурной точки зрения достаточно виртуальной машины, предоставленной местными айтишниками.

Наша задача — развернуть модель на том, что дадут. В большинстве компаний приходится иметь дело примерно с одним и тем же ландшафтом: они ориентируются на open source.

Что касается используемых методов, то у нас все достаточно просто: XGBoost, случайный лес (random forest), ансамбль моделей, иногда ансамбль регрессий и кусочно-линейные регрессии. Из-за того что данных относительно немного, нейронные сети не слишком применимы.

— Как искали заказчиков?

Ездил по конференциям, общался в Сколково. С самого начала было очевидно, что data science нельзя продать, — надо сделать так, чтобы его захотели купить.

Мы и сейчас готовы активно продвигать это направление на отраслевых мероприятиях.

— Во что инициативы небольшой команды превращаются в телеком-гиганте?

В маленькой компании все решается быстро, но постоянно страдаешь от недостатка ресурсов. В МТС принципиально другие возможности и ресурсы: здесь есть центр big data и искусственного интеллекта, собственные облачные сервисы, центр кибербезопасности, собственная инфраструктура. В то же время это требует более стратегического мышления: нужно понимать, куда движется компания, как твои идеи вписываются в общую концепцию, уметь обосновать свои решения.

Компания уже давно перестала быть просто телеком-оператором, теперь МТС играет на облачном рынке, разрабатывает решения для разных отраслей экономики, для умного города. Недавно из департамента интернета вещей выделился центр промышленной автоматизации — так что мы всерьез беремся за эту сферу.

Несмотря на то что МТС — одна из крупнейших компаний в России, наш блок живет по своим законам: к нам приходит много молодых специалистов из стартап-тусовки, мы остаемся гибкими и имеем возможность экспериментировать, предлагать новые продукты. Мне нравится такая рабочая атмосфера.

— В чем именно заключается ваша работа в МТС?

Еще несколько лет назад, когда я со своей командой выполнил множество пилотных проектов, у меня начала созревать идея. Я тогда почувствовал, что результаты работы фактически умирают, и решил, что было бы неплохо сделать «витрину», на которой достигнутые результаты можно продемонстрировать и — при наличии интереса у потенциальных заказчиков — повторно использовать.

Речь идет о том, что вполне реально строить тиражируемые модели. Вертикальные решения, созданные для конкретного предприятия, могут подойти и для других представителей этой отрасли. Например, модель прогнозирования расхода фторсолей для электролиза можно предложить всем производителям алюминия. Если удалось оптимизировать процессы барабанного гранулятора, то этот опыт можно предложить и другим предприятиям: такие установки есть на многих производствах — не только в химии, но и в золотодобыче и металлургии. Надо предлагать — и зарубежные телеком-операторы активно занимаются этим направлением бизнеса.

Кроме того, можно автоматизировать построение модели — написать решение для автоматического машинного обучения (AutoML), которое позволит быстрее строить модели, чистить данные и т. п. В МТС мы пытаемся развивать оба этих направления: и создаем вертикальные тиражируемые решения, и разрабатываем систему с тиражируемой платформенной частью, позволяющую ускорить и упростить создание моделей.

— То есть руководитель предприятия может зайти на сайт, увидеть интересующее его решение и нажать кнопку «Купить»?

Например, у финского оператора Elisa это выглядит как описание решения с указанной ценой. Его можно приобрести по подписке, в него не требуется инвестировать крупные суммы.

— Подписка? А как же доработка решения, которая всегда требуется?

В ряде случаев требуется лишь перестройка ETL, потому что структура баз данных у всех различна. Конечно, двух абсолютно одинаковых процессов не бывает, но здесь играет свою роль составляющая AutoML, позволяющая быстро переобучать и перенастраивать модель.

Скачать приложение, как из AppStore, и сразу начать работать — такого в ближайшее время точно не будет. А вот приобрести по подписке модель, созданную для одного из похожих предприятий, — вполне возможно. Выгодно всем: поставщик повторно использует результаты своего труда, а заказчик меньше платит.

— В чем вы видите свою роль в развитии этого направления?

Это роль идеолога проекта, который, с одной стороны, понимает потребности рынка, а с другой — глубоко погружен в предметную область. Сейчас стоит задача адаптировать свои подходы к большой компании.

Экспертиза по машинному обучению очень высоко ценится. В ходе проектов возникают весьма плотные связи, и поэтому зачастую заказчики «путешествуют» за специалистами. Если хороший специалист сменил компанию, то весьма вероятно, что с ним уйдет и значительная часть заказчиков.

— Как вы видите развитие проекта?

Сейчас у нас есть пара дюжин моделей, созданных в ходе предыдущих проектов. И их мы будем пытаться тиражировать по широким каналам МТС и через внутреннего интегратора. Возможности для продвижения решений на рынок здесь действительно велики. То, что недоступно горстке умельцев, не проблема для огромной корпорации с отлаженным механизмом.

В более отдаленной перспективе это может привести к созданию нишевого Kaggle — мы будем допускать сторонних разработчиков к построению моделей на основе своих данных и предоставлять им ресурсы.

Алгоритмы машинного обучения вполне способны работать на данных, содержащих выбросы, пропуски и ошибки. Но все же есть предел качества данных, после достижения которого даже самый высококвалифицированный специалист не сможет построить адекватную модель.

Выступая на конференции «Качество данных 2020», которую провело издательство «Открытые системы», генеральный директор компании Mechanica AI Александр Хайтин мастерски добавил «Ложку дегтя в озеро данных». Так он назвал свой доклад, в котором поделился опытом выполнения проекта для предприятия черной металлургии — весьма полезным для тех, кто работает с машиногенерируемыми данными.

Озеро или отстойник?

Прямой связи между ростом объемов данных и принятием лучших управленческих решений нет. Сами по себе данные — это источник затрат на их сбор, хранение, обработку. И очистку! «В реальной жизни data lake больше похоже не на альпийское озеро меж сосен, а на отстойник жидких отходов: подойти страшно, но теоретически полезная вещь», — пошутил Хайтин.

Чтобы превратить данные в бизнес-актив, к ним применяют технологии искусственного интеллекта и другие методы. По сути в Mechanica AI занимаются переработкой вторсырья, превращая его в три полезные вещи: в виртуальные сенсоры, применяемые там, где слишком долго или дорого измерять что-либо физическими сенсорами; в предсказания, позволяющие улучшить управление объектами за счет предотвращения проблем, и, наконец, в прямую оптимизацию и экономию.

Но чтобы получить результат, приходится отделять ценное вторичное сырье, которое можно переработать, от токсичных отходов.

Кунсткамера проблем

Подготовка данных занимает до 80% времени работы с ними, при этом накоплению исторических данных, необходимых для построения модели, часто не уделяется должного внимания.

«Мы по определению с самого начала работаем с мусором и собрали целую коллекцию проблем с данными», — сообщил Хайтин. Пропуски, в том числе из-за поломок сенсоров и сбоев архивирования, а также явные ошибки — самые дешевые из них, так как их легко обнаружить и от них легко избавиться. Главное условие для этого — большой объем данных и не очень большая доля пропусков и ошибок, чтобы не уничтожить весь датасет.

К категории дорогих и очень дорогих проблем он отнес так называемую эзотерическую схему данных — несколько тысяч полей с именами в виде сокращений, аббревиатур и индексов. Также дорого обходится бизнесу неаккуратное агрегирование с усредненными по времени показателями, сделанное в расчете на то, что эта информация уже никому не понадобится. «Данные за много лет, превращенные в бесполезные агрегаты, — это необратимые потери: фарш обратно в мясо уже не превратишь», — отметил Хайтин.

Между тем исторические данные — самые дорогие. Их нельзя купить, можно только накопить. При этом нестыковки исходных данных с результатами, а также нецелостность информации значительно обесценивают накопленный массив. Например, отсутствие сведений о нештатных ситуациях порождает артефакты в данных, приводя впоследствии к попыткам обучить алгоритмы на негодных датасетах.

Если при накоплении данных были допущены критические ошибки, оптимизация производства с помощью обработки больших массивов накопленных данных может оказаться недостижимой. Всего одна ошибка в информационном потоке, поступающем с производственной линии, способна привести к задержке проекта на годы и обесценить все усилия по сбору данных.

Традиционно накопление данных ведется в компаниях по функциональным подразделениям, и в результате «озера данных» на практике часто оказываются фрагментированными. «В этой ситуации достаточно того, чтобы одно подразделение не передало свои данные в озеро, — и тогда ценность всех накопленных в нем данных резко упадет. Не на полпроцента, соответственно объему непоступивших данных, а на все 90%», — подчеркнул Хайтин.

Но проблема-рекордсмен в практике Mechanica AI — сбитые отметки времени в разных информационных системах внутри организации. Причем в некоторых случаях — с плавающей разницей между часами. Для оператора, управляющего физическим процессом в реальном времени, эта разница не имеет значения, так как он собственными глазами одновременно видит показания приборов. А вот сопоставить исторические данные разных систем и использовать их — в этом случае уже нельзя. Чтобы спасти ситуацию, приходится строить интеллектуальные программные решения, что обходится гораздо дороже, чем время системного администратора на настройку часов.

Для предотвращения подобных проблем рекомендуется крайне аккуратно относиться к процессу накопления исторических данных. «Не надо выкидывать сырье, хуже всего бороться потом с алгоритмами агрегации и очистки», — предостерег Хайтин. Он также советует протестировать собранные данные на целостность, построив учебную модель. А также не забывать притчу: «Если лошадь сдохла, слезь с нее, а не пытайся ее оживить». Иногда не стоит «городить огород» интеллектуальных решений, а надо просто смириться с потерей данных.

Высококонкурентная среда вынуждает торговлю становиться цифровой, и ключевые конкуренты X5 Retail сегодня — тоже цифровые гиганты наподобие Mail.ru и «Яндекса». Отвечая на вопросы участников конференции «Качество данных 2020», проведенной издательством «Открытые системы», директор по работе с данными X5 Retail Group Тигран Саркисов констатировал сложившееся положение: «Для нас это вопрос существования: либо мы будем развиваться как технологическая компания, либо не выживем».

Количество данных не переходит в качество само по себе, для этого приходится прикладывать усилия, подчеркнул он. При этом наличие «скрытых ИТ» и «подпольных» баз данных служит одним из признаков проблем с качеством данных и сигналом низкой эффективности процессов организации работы с ними.

Низкое качество данных несет множество рисков для ретейлера — начиная от штрафных санкций из-за ошибок в отчетности и заканчивая прямыми потерями. Наиболее дорогостоящие из них связаны с ошибками в прогнозировании спроса и в выборе места размещения складов. Кроме того, в последнее время в фокусе специалистов X5 — риск упущенной выгоды.

Даже обладая неплохим арсеналом средств управления качеством данных, нужно помнить, что инструменты управления качеством не работают без четких бизнес-процессов и соответствующей корпоративной культуры.

Не стоит приступать к нормализации данных, пока не будет построен бизнес-процесс или хотя бы не станут ясны его основные контуры, полагает Саркисов. Сначала следует наладить конкретные процессы и исправить в них ошибки, и лишь потом можно будет очищать данные и приступать к внедрению Data Governance, назначениям на роли и к «обвязке» их KPI по всей компании. Это практично и дает хорошие, а главное устойчивые результаты, которые не пропадут через месяц-другой.

Самое тяжкое и при этом бесполезное занятие, по мнению Саркисова, — это очистка неиспользуемых данных. И поскольку качество данных пропорционально частоте их использования, для повышения качества он рекомендовал увеличивать количество потребителей данных.

Специфика работы в X5 заключается в том, что большая часть информации формируется силами множества небольших партнеров, поставляющих не только товары, но и данные. При этом далеко не все они обладают достаточной квалификацией в ИТ. Чтобы повысить качество данных, необходимо внедрять культуру работы с ними. И в этот процесс обязательно нужно вовлекать партнеров. Мотивировать их очень важно. Если партнеры станут своевременно актуализировать, например, описания товара, то это существенно упростит работу по очистке данных, сэкономит колоссальное количество энергии, затрачиваемое на коммуникацию, расследование инцидентов и пр.

Обязательный компонент обеспечения качества — дисциплина. За качество данных отвечает каждый сотрудник компании, и крайне важно работать с лидерами «антирейтинга», подчеркнул Саркисов. Чек-лист для контроля процесса работы с данными включает проверку наличия полномочий, распределения ролей и ответственности. «Убедитесь в том, что вас не воспринимают как уборщицу», — посоветовал он коллегам и призвал их пропагандировать важность правильной работы с информацией и воспитывать в сотрудниках культуру предоставления обратной связи. «Культурный ингредиент» в вопросах качества тяжело измерить, но без него далеко не уедешь.

И конечно, необходимо обучение персонала, особенно нового. Очень важны специальные тренинги. «Встраивание в 'курс молодого бойца' блоков про важность качества данных и его влияние на бизнес нам крайне помогло, — отметил Саркисов. — Обучить проще, чем исправлять последствия».

Данные, оставляемые нами в Сети, становятся «пищей» для самых различных сервисов, и в первую очередь для решений цифрового маркетинга. Именно они позволяют бизнесу узнать о желаниях потребителя раньше его самого и приносят интернет-магазинам дополнительные продажи. Ярким представителем таких систем является сервис персонализации электронной коммерции, разработанный компанией Retail Rocket. Эту систему мультиканальной персонализации используют более тысячи интернет-магазинов от Европы до Южной Америки.

Retail Rocket выявляет потребности посетителя магазина с помощью анализа его поведения и товарной матрицы ретейлера. Для формирования персональных рекомендаций используются контентная и коллаборативная фильтрация, предсказательные модели на основе машинного обучения и цепей Маркова, байесовская статистика, а также алгоритмы гибридной персонализации в реальном времени. Как развивается эта рекомендательная система и с какими трудностями сталкивается бизнес, основанный на больших данных, рассказал Роман Зыков, Chief Data Scientist компании Retail Rocket и претендент на премию CDO Award 2020.

— С чего началось создание рекомендательной системы?

Мне просто было интересно. Я занимался ее разработкой в порядке хобби еще c 2004 года, работая в Ozon.ru и Wikimart.ru. Важную роль сыграли личные встречи с Андреасом Вейгендом, одним из создателей рекомендательной системы Amazon, ДиДжей Патилом, Chief Data Scientist Белого дома при Бараке Обаме, а также с Эриком Колсоном, в ту пору директором по алгоритмам Netflix. Общение с ними произвело на меня сильное впечатление, стало понятно, как развиваться, чтобы получить не собранное «на коленке» решение, а технологию «как в лучших домах» Калифорнии. Потом я присоединился к Николаю Хлебинскому и Андрею Чижу, которые пытались построить аналогичный сервис, и хобби превратилось в бизнес.

— Какова ваша роль в компании сегодня?

Акционер, директор по аналитике. Также по-прежнему занимаюсь разработкой в качестве руководителя небольшого научно-инженерного подразделения из трех человек. Мы соединяем науку с инженерией и бизнесом. Поскольку понятие data scientist несколько размытое, я бы назвал себя директором по алгоритмам, но и данными я тоже занимаюсь — администрирую огромный пласт информации, который у нас есть.

— Что представляет собой ваш продукт и для чего он предназначен?

У интернет-магазина, как правило, очень большой ассортимент — иногда сотни тысяч наименований товаров, которые надо как-то продвигать. В свою очередь, интернет-пользователь что-то ищет. Надо эти интересы сложить и быстро вытащить из каталога то, что нужно потребителю.

Система мультиканальной персонализации — комплекс алгоритмов больших данных, результат работы которых выдается пользователям в любых каналах коммуникации с клиентом. Информация о поведении пользователей собирается в нашем облаке и из него же отправляется клиенту в форме товарных рекомендаций или в виде других продуктов, чтобы показывать их на сайте или доставлять покупателям по каналам коммуникации: сайт, электронная почта, SMS, push-уведомления и т. д.

— Какие данные используете и какие ресурсы задействуете для их обработки?

Мы собираем и обрабатываем данные о поведении пользователей на сайтах (логи), а также каталоги интернет-магазинов, которые мы обслуживаем. Это настоящие большие данные — петабайты информации. За сутки системой «переваривается» больше ста миллионов приходящих извне событий. Для этого мы построили аналитический вычислительный кластер из 140 серверов. Стараемся минимизировать затраты на техническое обслуживание, оптимизируя вычислительные задачи.

Программы пишем на функциональном языке Scala, который, в отличие от широко распространенного Python, мало кто использует. Из-за этого, с одной стороны, возникают очень высокие требования к профессионализму программистов, но с другой — система получается инженерно продуманной и устойчивой.

— Специалистов по Scala ищете на рынке?

Нет. Пробовали, но это нереально сложно. Я освоил Scala сам, и сотрудники тоже учатся самостоятельно, для этого разработана внутренняя программа обучения. Программисту на это требуется около полугода.

— Значит, приходится работать над их удержанием?

У нас довольно интересная работа. Мы очень сильно отличаемся от других компаний в плане инженерной составляющей алгоритмов, их тестирования и доставки клиенту. К примеру, когда пишется код на Scala, компилятор сообщает, где примерно совершена ошибка. Плюс лаконичность языка и инженерные практики, которым нас научила инженерная команда. Например, мы очень сильно дробим задачи, а чтобы уточнить их трудоемкость, беремся за карты Planning Poker. Для исследователя данных это следующий уровень — работа инженера по машинному обучению.

Кроме того, Retail Rocket — это площадка для развития, где каждый сотрудник может взяться за стратегические задачи и претендовать на позицию управленца через прозрачно выстроенную систему планов развития и конкурсов. В прошлом году у нас кардинально изменилась оргструктура: появился своего рода корпоративный университет, кующий управленцев. Через него прошло немало сотрудников, которые стали менеджерами.

— Используете ли методы глубинного обучения?

В некоторых задачах анализа текстов (описаний товаров, каталога, характеристик) используем. Глубокая нейронная сеть помогает сделать рекомендации лучше. Но обычно сложные методы стараемся не применять. Потому что, запуская в продуктивную эксплуатацию систему для тысяч клиентов, приходится помнить о стоимости вычислений. Сложные алгоритмы увеличивают время вычислений и нагрузку на сервер, не давая соответствующего эффекта.

Мы постоянно анализируем научные статьи по рекомендательным системам, пишем по ним алгоритмы и тестируем на небольшой выборке магазинов. Для этого выстроен специальный процесс. Но крайне редко видим, чтобы суперсложные методы давали прибыль при A/B-тестах на реальных продажах.

— Как функционирует система? Из каких технологических компонентов она построена?

Все технологические решения обработки больших данных — Open Source. Мы за этот софт не платим.

У нас есть скрипт, работающий в браузерах на стороне заказчиков, которые передают нам данные о поведении своих покупателей. Мы их собираем, и через систему Apache Kafka, которая используется как транспорт, эти данные поступают на серверы Hadoop в аналитическую среду Apache Spark, где их обрабатывают алгоритмы, написанные на Scala. После этого переработанная информация заливается в базы данных Redis и MongoDB. Далее с ней работают системы, задача которых — выдать статичные рекомендации или персонализировать выдачу.

Для технической поддержки, исследований и быстрой аналитики используем также ClickHouse от «Яндекса», так как Spark и Hadoop довольно медленные для такого рода задач.

— То есть какие-то задачи решаются в реальном времени?

Да, персональные рекомендации, которые команда, обслуживающая фронтэнд, реализует на платформе .NET и распределенных базах данных. Здесь основные алгоритмы (товарной сегментации аудитории и др.) склеиваем с персонализацией и получаем алгоритмы персональных рекомендаций, работающие онлайн.

— С какими трудностями пришлось столкнуться при создании технологии?

Могу назвать трудности с масштабированием и с тем, что клиенты часто недооценивают сложность этой сферы, всех ее нюансов. Кроме того, прямой эффект от товарных рекомендаций очень сложно подсчитать.

Еще одна проблема — несоответствие научных статей об эффективности рекомендательных алгоритмов реальной жизни. У глубинного обучения, нейронных сетей есть удачные сферы применения — звук, изображение, текст. В таких областях, как рекомендательные системы, их эффективность хромает. Мы создавали такие поведенческие рекомендательные системы, но не увидели прибыли на реальных A/B-тестах.

— Но если опыт невоспроизводим, наука ли это?

Это бич для науки о рекомендательных системах.

— Каких результатов позволяет добиться ваше решение?

Retail Rocket помогает интернет-магазинам вывести маркетинг на новый уровень, повысив их продажи через внедрение технологии персонализации. Подстройка сайта и email-рассылок под интересы пользователя осуществляется в реальном времени. Таким образом, это поднимает уровень конверсии и показатель удержания пользователей, а также увеличивает размер среднего чека и количество товаров в заказе.

Степень увеличения конверсии зависит от специфики магазина, от того, как настроены и размещены блоки рекомендаций на сайте. Специальная команда следит за тем, чтобы наши клиенты всегда были в плюсе — получали больше, чем они вложили в систему.

Но для меня более важна другая метрика: сколько человек воспользовались нашими рекомендациями, насколько они были интересны, когда пользователь кликнул на наш виджет и приобрел этот товар. Таких продаж в прошлом году только в России было совершено на сумму более 21 млрд руб. Если взять оценку российского рынка интернет-торговли от Data Insight, это 1,1% его объема. Но такой подход — косвенный показатель нужности рекомендаций, более правильной метрикой считается все-таки A/B-тест. Так как с позиции научного скептицизма никто точно не знает, насколько изменились бы продажи в отсутствие рекомендательной системы.

— Как обстоят дела с конкуренцией в области создания рекомендательных сервисов?

За рубежом конкурентов много, магазины часто покупают западные решения, ориентируясь на известность брендов. Но мы способны конкурировать и конкурируем. Например, в числе наших клиентов Decathlon в Голландии, Mothercare в Ирландии. В России мы лидируем с большим отрывом от остальных компаний, наш главный конкурент — собственная разработка магазинов.

Пройти обучение на курсах по машинному обучению, на первый взгляд, совсем не сложно, поэтому возникает большой соблазн написать алгоритмы самостоятельно. Но проблема в том, что написание алгоритма, которому учат на курсах, — это лишь 10% работы, а его «обвязка», склейки, корректировки, правила использования дополнительной информации сильно увеличивают трудоемкость. Затем созданное ядро нужно протестировать и поддерживать его устойчивость — для этого у нас есть специальные тесты, и мы каждый день проверяем, все ли в порядке.

Кроме того, продукт, который не развивается, — мертвый продукт. Меняется персонал заказчика, меняются требования. Любой алгоритм всегда нужно улучшать.

— То есть персонализация производится не только под нужды покупателей, но и под запросы бизнес-пользователей?

Да, и это играет большую роль. Специалисты, долго работающие в своей области, убеждены в том, что знают «лучше, чем машина». Однако на практике неожиданные и даже странные рекомендации программы в параллельных A/B-тестах оказываются более эффективными, чем предложенные экспертами. «Машина» и big data часто выигрывают. При этом некоторые рекомендации выглядят абсурдно: например, показывают вместе с туалетной бумагой наждачную бумагу. Это не шутка, такие случаи на самом деле были. А машина не обладает разумом, поэтому алгоритмы дополнительно приходится «обвешивать» правилами, чтобы таких ситуаций было меньше.

— Какова рыночная потребность в подобных решениях?

Система, повышающая конверсию, — это обязательный компонент в каждом онлайн-магазине. Если бы я был владельцем магазина, то предпочел бы готовое решение, потому что им проще управлять, видеть затраты и оценивать эффективность. Затраты на внутреннюю разработку чрезвычайно сложно подсчитать.

— Чем ваша система отличается от других?

У нас огромная экспертиза. Мы сделали тысячи тестов разных вариаций алгоритмов, что эквивалентно примерно 50 человеко-годам. Специальное подразделение из пяти человек занимается исключительно тестированием рекомендаций, пробуя различные комбинации алгоритмов и идеи, которые мы почерпнули на конференциях, у клиентов или придумали сами. Интересные гипотезы кодируем и прогоняем на старых логах, проверяя, что меняется в итоге. Сомневаюсь, что у каждого интернет-магазина хватит на это времени, ресурсов и знаний.

— Человека, купившего диван, всю следующую неделю, по милости рекомендательных сервисов, «бомбят» рекламой диванов. В вашей системе эта проблема решена?

Есть рекомендательные системы статические и персонализированные. В персонализированных мы эту проблему решили: мы знаем, по каким категориям определять повторные покупки. Типичный пример — кошачий корм. Для таких категорий есть специальные рекуррентные алгоритмы. Если человек купил дрель, мы знаем, когда ему понадобятся сверла.

Но есть загвоздка. Мы проводим эксперименты офлайн: если бы показали другие товары, получили бы больше продаж или нет? Такой анализ используется в большинстве научных статей, и это — большая ошибка, потому что алгоритм реально меняет поведение людей! В научных статьях по обучению рекомендательных систем описывается получаемый эффект, а в действительности его не видно, потому что авторы пренебрегли влиянием алгоритма на поведение пользователей. И это поведение отличается от исторических данных. Но как сделать по-другому, никто не знает.

Два года назад мы даже выложили специально сделанный дата-сет в библиотеку на Kaggle, решив, что это будет полезно для научного сообщества. Там полный набор, содержащий данные о поведении пользователей, каталог магазина и описание товаров. По нему уже книги написаны, но его до сих пор скачивают по несколько десятков раз в день, так как хорошие источники данных найти трудно. У меня в свое время такого дата-сета не было.

— Сейчас люди стремятся закрыть свое информационное пространство, спасаясь от напора рекламы: игнорируют звонки с незнакомых номеров, устанавливают программные блокировки и т. д. Эта тенденция не станет препятствием для развития рекомендательных сервисов?

Существует «черная» зона, когда собранные данные продаются непонятно кому и человека начинают спамить. В «серой» области балансируют между интересами пользователя и интернет-магазина, которому все-таки нужно продавать. Рассылки, например, иногда раздражают пользователя, но от них можно отписаться.

Мы находимся в «белой» зоне: данные никуда от нас не уходят, пользователь ищет товар, и рекомендация ему помогает. С точки зрения этики не подкопаешься. Я и сам пользуюсь рекомендациями собственных алгоритмов для выбора товара.

— Как планируете развивать вашу технологию?

В прошлом году архитектура платформы была модифицирована, благодаря этому в 2020 году мы предложим рынку инструменты для автоматизации маркетинга нового уровня. Будем наращивать количество и качество средств персонализации, пополним стек новых алгоритмов и их комбинаций. Еще раз попробуем использовать глубинное обучение в обработке текстов на естественном языке исходя из здравого смысла и накопленного опыта. Возможно, усложним систему фильтрации и правил.

Компания «Атомстройэкспорт» (АСЭ), инжиниринговый дивизион госкорпорации «Росатом», проектирует и строит атомные станции по всему миру и является одним из лидеров этого бизнеса в международном масштабе. Компании принадлежит более 30% глобального рынка сооружения АЭС, зарубежные заказы составляют 80% всего портфеля АСЭ.

В отечественной атомной энергетике «Росатом» является монополистом, но на глобальном рынке работает в условиях жесткой конкуренции и должен быть на гребне современных тенденций развития отрасли. В АСЭ подчеркивают, что цифровизация для «Росатома» и для его инжинирингового дивизиона — не модное веяние, а жизненная необходимость, реальное оружие конкурентной борьбы.

Ольга Толстунова, вице-президент АСЭ по цифровизации и номинант премии CDO Award, рассказывает об одной из ключевых инициатив в рамках стратегии цифровизации компании — системе управления информацией Multi-D IMS и первых результатах ее применения на проекте строительства АЭС «Пакш-2» в Венгрии.

— Расскажите о предпосылках появления системы Multi-D IMS.

После относительного спада в 90-е годы в новом тысячелетии произошел резкий рост портфеля заказов «Росатома». Сейчас одновременно сооружаются 34 энергоблока, и каждый такой объект включает в себя более 10 млн элементов.

При этом заказчиков АЭС как на внутреннем, так и в особенности на внешнем рынке перестало удовлетворять выполнение проектов с заранее оговоренными условиями. От нас стали требовать комплексного, динамичного подхода, подразумевающего цифровизацию работ на всех стадиях жизненного цикла. Вместе с физическим объектом теперь необходимо передавать заказчику информационную модель станции для использования на этапах эксплуатации и модернизации.

В этих условиях стала очевидна необходимость кардинальных изменений в организации проектов сооружения АЭС с применением передовых технологий. В компании разработана и постоянно развивается собственная методология управления проектами Multi-D, а на ее основе реализована цифровая платформа, обеспечивающая тотальную информационную поддержку проекта. Платформа позволяет не только создать 3D-модель, но и связать все этапы от проектирования до эксплуатации в одну информационную базу, которая активно влияет на весь проект.

Ядром цифровой платформы Multi-D является система управления информацией на проекте сооружения АЭС — IMS, которая относится к классу систем управления жизненным циклом объекта (PLM). В ее реализации мы переходим от документоцентричного подхода к управлению данными об объекте. Система IMS вовлекает всех участников проекта — заказчика, подрядчиков и поставщиков — в единое информационное поле, аккумулирует всю информацию об объекте и управляет ею, обеспечивает создание оптимальной конфигурации объекта, реализует процессы управления изменениями и требованиями, предоставляет единое пространство хранения и обмена данными, а также технической документацией на их основе.

В конце 2014 года было заключено соглашение между Россией и Венгрией о строительстве двух новых энергоблоков на АЭС «Пакш». Требовалось адаптировать проект «Пакш-2» с учетом норм безопасности Евросоюза, а также обеспечить его полную прозрачность с точки зрения соответствия требованиям заказчика и регулятивным нормам страны и ЕС. Для решения этих задач и была создана инновационная система управления информацией.

— Какие задачи решает IMS на проекте «Пакш-2»?

На венгерском проекте, как и на большинстве наших проектов, АСЭ выступает в качестве ЕРС-подрядчика, то есть берет на себя полную ответственность за процесс сооружения атомной станции, а по окончании проекта как минимум пару лет эту станцию сопровождает и только потом передает ее заказчику. Вся информация о проекте за эти годы собирается в нашей системе.

Основные этапы сооружения АЭС — это проектирование, закупка и поставка оборудования, строительство, пусконаладочные работы и сдача энергоблока. Проект «Пакш-2» находится на стадии проектирования: «зеленый свет» возведению этой атомной станции ЕС дал в марте 2019 года. Поэтому сейчас основные задачи, которые решает IMS на проекте, — это обеспечение прозрачности процессов проектирования и взаимодействие с заказчиком по сдаче ему проектной документации. Заказчик имеет веб-доступ к системе и постоянно с ней работает. Например, может проверить, в какой части проекта реализовано то или иное требование к станции.

На стадии закупок в IMS будут накапливаться все данные и сохраняться история изменений по закупкам для всех элементов станции, на стадии строительно-монтажных работ — собираться информация о выполненных физических объемах. Таким образом, в системе накапливаются полные данные о каждом элементе на всех этапах жизненного цикла, так что заказчик потом сможет проследить всю историю ее создания.

— С какими данными работает система?

С двумя основными классами данных. Первый — это параметрическая информация об оборудовании, элементах, материалах. Второй класс — объекты, которые рождаются из модели: чертежи, исполнительная документация и т. д.

Система идентифицирует каждый элемент данных, его атрибуты, управляет взаимоотношениями с другими элементами и отслеживает изменения каждого из них. Для контроля жизненного цикла каждого элемента формируется индивидуальная политика, и все изменения проходят ревизию и контроль. Причем система моделирует не только станцию и оборудование, но и людей, группы, роли в бизнесе, а также способ их организации.

— Почему платформа называется Multi-D?

Информационная модель станции не ограничивается трехмерной моделью. Помимо нее, заказчик может получить информацию об объекте по множеству других разрезов, таких как ресурсы (объемы работ), деньги (стоимость материалов) и пр. На проекте «Пакш-2» заказчик может просматривать модель в разрезе работ, в разрезе материалов, а также по каждой из дисциплин в отдельности (например, по вентиляции, по трубопроводам) и на их пересечении. Одно из преимуществ системы в том, что информация по всем аспектам объединяется. Проектировщики разработали разные системы: электротехническую, вентиляционную, трубопроводную, — а IMS сводит их вместе, позволяя увидеть коллизии. Например, труба проходит там, где должна находиться вентиляция, или дверной проем запланирован в месте, где идет важнейший трубопровод. Причем выявляются не только геометрические, но и параметрические коллизии — например, если соединяются трубопроводы в три и в шесть атмосфер.

Ключевая особенность системы IMS — это возможность увязывать требования заказчика и их исполнение с информационной и документационной моделями. Например, задано требование: выполнить перегородку толщиной не менее 10 м. В параметрической трехмерной модели перегородки указывается, что данное требование выполнено, и эта информация затем увязывается с документом, который формируется из модели и отправляется в закупку. На его основе создаются лоты, и на протяжении всего этапа закупочной процедуры отслеживается, выполнены ли требования, содержащиеся в информационной модели. Работая с такой моделью, мы всегда можем получить полную бумажную версию проектной документации, просто нажав на кнопку.

— Такой подход близок к созданию цифрового двойника атомной станции?

Нам часто говорят, что мы делаем цифрового двойника, но это не совсем корректно. Цифровой двойник — это модель работающей станции, позволяющая в реальном времени собирать данные с датчиков на оборудовании и имеющая инструменты моделирования критических ситуаций. Наша информационная модель может служить фундаментом цифрового двойника, но его создание — уже задача заказчика.

— На каких технологиях реализована IMS?

Есть два варианта: в первом в качестве ядра используется PLM-система Enovia от компании Dassault Systemes, а во втором — импортонезависимая платформа. В обоих случаях ядро дополняется огромным пластом собственной разработки.

На проекте «Пакш-2» реализуется первый вариант. Система включает несколько модулей, в том числе подсистемы электронного документооборота, календарно-сетевого планирования, управления требованиями, управления проектом, управления конфигурацией проекта, работы с 3D-моделью, а также базу данных и веб-портал.

— Можно ли сказать, что IMS работает с большими данными?

АЭС — это 10 млн элементов, и у каждого из них несколько тысяч параметров. Однако когда говорят о больших данных, подразумевают использование таких технологий, как автоматическая кластеризация, предиктивная аналитика, нейросети. В этом смысле наши данные нельзя отнести к большим, но такие технологии могут применяться уже на этапе эксплуатации. Нашим заказчиком в России является концерн «Росэнергоатом», электроэнергетический дивизион «Росатома». С ним сейчас налаживаются интеграционные потоки, которые позволят заказчику накапливать данные уже во время сооружения АЭС и применять их в своей работе.

— Какие возможности IMS важны для повышения эффективности сооружения АЭС?

Основная особенность IMS состоит в том, что система дает возможность вовлекать заказчика в процессы проектирования станции: он может выполнять согласование всех параметров и моделей непосредственно в системе. Изменения отражаются в виде ремарок, и мы видим, на основании чего они произведены. Автоматическое накопление изменений — одна из важных инноваций системы, которая помогает оптимизировать процессы сооружения станции.

Доступ к системе получают все участники проекта — не только мы и заказчик, но также субподрядчики и поставщики, как российские, так и зарубежные. Например, один из субподрядчиков проекта «Пакш-2», который занимается строительно-монтажными работами, предложил использовать технологию рефабов в металлических конструкциях, благодаря чему их можно будет привозить с завода в готовом виде, а не сваривать на месте, как предполагалось. Такая новация позволит сократить сроки строительства на 30%.

— Какие преимущества уже дало использование системы IMS на проекте «Пакш-2» и какие ожидаются?

Благодаря системе, мы передали техпроект заказчику точно в срок, для «Росатома» это важно. При таком огромном портфеле проектов проблемы со сроками неизбежны, но на внешнем рынке каждый день просрочки — это наши финансовые потери и репутационные издержки. В конкурсе на реализацию проекта «Пакш-2» сроки сооружения были нашим конкурентным преимуществом, и мы их выполняем. А если бы пришлось возить документацию традиционно («камазами»), то только передача проекта могла бы занять несколько месяцев.

В конце строительства мы, благодаря использованию системы, передаем заказчику цифровую станцию, и он сможет по ее любому элементу проследить всю историю. Это дорогостоящий нематериальный актив, наличие которого в разы повышает эффективность работы заказчика.

Система IMS обеспечивает накопление знаний по сооружению станции, и их наличие позволяет в следующий раз не проектировать все заново, а применить типовые решения. Это огромная экономия на ресурсах. С другой стороны, атомная отрасль очень консервативная, и заказчик не хочет никаких инноваций в атомной станции — ему нужны проверенные решения. В этих обстоятельствах система IMS, которая накапливает историю по проектам, становится гарантом того, что предложенные решения обеспечат заказчику необходимые безопасность и надежность объекта.

Резюмируя, могу сказать, что без информационной модели, создание которой обеспечивает IMS, мы были бы просто неконкурентоспособны на мировом рынке. Этот рынок очень жесткий и к тому же сильно политизированный, и репутационные издержки могут быть очень велики.

— Какая роль отводится IMS в стратегии цифровизации вашей компании?

Стратегия цифровизации АСЭ включает в себя несколько направлений. Это реализация классических ИТ-сервисов и обеспечение непрерывности бизнеса для критичных бизнес-процессов, управление данными как цифровым активом предприятия, цифровизация внутренних процессов управления проектами сооружения, архитектура предприятия, накопление знаний по проекту и внешняя цифровизация — формирование и передача информационной модели заказчику. Ключевая роль IMS — именно на этом последнем направлении. Система отвечает за консолидацию данных по проекту из всех источников (внутри дивизиона, из других дивизионов «Росатома», от заказчика, подрядчиков и поставщиков) и за формирование модели.

Подчеркну, что IMS является частью общей архитектуры управления данными предприятия, но охватывает только информацию, предназначенную для передачи заказчику. С помощью системы мы передаем заказчику информационную модель станции, но не завода по изготовлению станции. Наши ноу-хау по процессам сооружения АЭС являются достоянием Российской Федерации и не могут быть открыты вовне.

Технологии «умного города» становятся все актуальнее с учетом продолжающейся цифровизации всех аспектов нашей жизни. В GS Group задумались о выводе на рынок таких систем и создали решение на базе собственного инновационного кластера «Технополис GS», расположенного в городе Гусеве Калининградской области. По внутренним оценкам, совокупная экономия средств от внедрения решения составит не менее 40% на горизонте пяти лет. Развертывание решения в «Технополисе GS» в качестве пилотного проекта позволит компании отработать его функциональность и подготовить для вывода на внешний рынок. Об особенностях проекта рассказывает Олег Алешкин, директор по информационным технологиям холдинга GS Group и номинант на премию CDO Award .

— Какова история работы компании с технологиями «умного города»?

GS Group развивает направление «умного города» с 2011 года. Тогда мы выбрали несколько ключевых элементов: ЖКХ, транспорт и безопасность. Акцент решили сделать на ЖКХ: с одной стороны, это наиболее востребованная конечными пользователями сфера, с другой — это инструмент, c которым эксплуатирующие организации работают каждый день.

Когда мы решили строить жилой квартал в «Технополисе GS», то понимали, что нам потребуется большое количество периферийного оборудования — датчиков и приборов учета. А значит, придется работать с большими массивами данных. Поэтому мы задумались о создании собственного ЦОДа. Также было необходимо определиться с мощностями серверного оборудования, на базе которого планировалось развертывание узла «умного города» — Интернета вещей, в том числе промышленного.

Еще одной важной задачей стало создание полноценной транспортной среды передачи данных по территории кластера. Новые линии связи помогли бы нам успешно развивать любые сервисы.

Первые два этапа позволили в полной мере реализовать два из трех уровней инфраструктурной иерархии — ядро и сеть доступа. И мы подошли вплотную к вопросам периферии и информационной безопасности: конфиденциальности, целостности и доступности собираемых данных. На этом этапе мы оценили все возможные риски и пути их минимизации.

— С какого момента «все стало серьезно»?

Наверно, когда мы начали проектировать и строить транспортную сеть и сеть доступа на территории «Технополиса GS». Сложность была связана в первую очередь с историческими особенностями Калининградской области: под землей мы обнаружили разветвленную сеть старинных прусских инженерных систем. Необдуманное разрушение этой сети могло иметь катастрофические последствия. В итоге мы были вынуждены модернизировать старые сети. Как следствие, проект стал существенно дороже, и нам пришлось пересмотреть маркетингово-финансовую модель в части конечных сервисов и перспектив тиражирования. Демонстрация работы технологических решений не в идеальных лабораторных условиях, а в реальной среде является важной частью проекта нашего кластера. Ведь «Технополис GS» — это не только производство и жилая зона, это еще и своего рода полигон, на котором апробируются инновации и где с ними могут познакомиться потенциальные заказчики, инвесторы и представители власти.

К тому же мы коммерческая структура, и на первом месте для нас стоят положительные финансовые результаты. В ходе долгой работы над проектом мы смогли разработать не только инженерное решение, но и выверенную модель, которую можно предлагать заказчикам.

— С какими еще проблемами пришлось столкнуться?

Во-первых, было трудно определиться с выбором необходимых периферийных устройств — из-за их большого многообразия. Но мы выработали критерии совместимости и постепенно отсекали неподходящие варианты. В итоге пришли к единственно верному решению. Во-вторых, мы столкнулись с высокой степенью проприетарности, поэтому пришлось провести большую работу, чтобы повысить степень универсальности нашего ядра по отношению к периферии. И нам это удалось: теперь ядро может принимать данные с любой периферии при условии поддержки промышленных протоколов и наличия драйверов.

— Что было первичным в вашем проекте: потребность компании в технологиях smart city (использование для собственных нужд) или планы по выводу таких решений на рынок ?

Сейчас нас больше интересует вывод «умных технологий» на рынок. Но при этом мы не забываем и о собственных проектах. Поэтому распределение приоритетов идет в примерной пропорции 60 на 40 в пользу коммерциализации решений.

— Что представляет собой созданная платформа?

Платформа, апробированная в «Технополисе GS», автоматизирует процессы мониторинга, диспетчеризации, управления конечными устройствами, а также телеметрического сбора данных с приборов учета. Решение позволяет свести к минимуму ручной труд, тем самым повышая эффективность работы и устраняя проблему человеческого фактора. Также оно дает возможность соответствующим службам более оперативно реагировать при возникновении аварийных ситуаций.

Наша платформа — интеграционная шина, позволяющая объединять в себе решения от различных вендоров. Она может собирать воедино информацию с различных устройств по множеству протоколов, использует различные среды передачи данных, а также способна хранить и обрабатывать полученную информацию.

— Какие решения используются для работы с данными?

Система диспетчеризации ЖКХ — это программно-аппаратный комплекс с трехуровневой иерархической структурой. На первом уровне находятся оконечные устройства. Здесь информация собирается, проходит первичную обработку и передается на верхний уровень. Второй уровень — это каналы связи: локальная сеть GPON, сетевое оборудование, PLC-концентраторы и GSM-модемы. И третий уровень — ядро системы. К нему относятся сервер системы диспетчеризации, сервер сбора и хранения данных, сервер автоматизированной системы учета энергоресурсов и автоматизированные рабочие места.

Мы используем операционные системы на ядре Linux. В сочетании с проектными решениями на базе открытых SCADA-систем это обеспечивает гибкость и универсальность решения.

— Какие источники данных вы используете?

Данные собираются с конечного оборудования системы ЖКХ: датчиков, управляющих устройств, приборов учета энергоресурсов. Далее информация отправляется через контроллеры по различным каналам связи — как проводным, так и беспроводным. Затем она передается в ядро системы, где хранится, обрабатывается и анализируется.

— Есть ли в компании стратегия работы с данными?

В условиях глобальной цифровизации очень остро стоит вопрос сохранности данных. И мы делаем все, для того чтобы собранная нами информации была защищена от утечек или подмены. При необходимости мы готовы предоставлять должным образом защищенные данные партнерам или интегрировать их в корпоративные экосистемы.

— Какие функции реализуются для нужд инновационного кластера? Почему именно они?

Приоритет отдается функционалу диспетчеризации и учета услуг ЖКХ. Он позволяет более эффективно решать вопросы обслуживания клиентов, минимизировать время реакции при аварийных ситуациях, использовать по максимуму возможности энергосбережения и повысить общую энергоэффективность системы.

— Какой эффект ожидается от использования созданной платформы?

После внедрения платформы мы надеемся получить два основных результата: повысить качество жизни в инновационном кластере «Технополис GS» и развернуть современную демонстрационную площадку для будущих партнеров и заказчиков. Максимальный экономический эффект ожидается от вывода на рынок сервисной модели «решение как сервис». Мы готовы предложить понятный функционал, облачные технологии, юридическую чистоту решения и его техническую поддержку.

— Насколько востребованы, по вашим оценкам, подобные решения на рынке? Где именно они могут найти применение?

Направление «умного города» сейчас активно развивается, и соответствующие технологические решения становятся все более востребованными. Поэтому мы считаем эту область перспективной. К нашей платформе могут проявить интерес в первую очередь девелоперы, управляющие компании, а также администрации малых и моногородов.

— В каком направлении будет развиваться платформа?

Нам удалось разработать многофункциональную, гибкую и масштабируемую платформу для развертывания решений «умного города». К ней можно подключить неограниченное количество оконечного оборудования. Так что в перспективе на базе платформы можно реализовывать различные решения: от компактных («умные» дома, жилые зоны, кампусы) до более масштабных («умные» города и регионы). С технологической точки зрения возможна доработка платформы до интеллектуального облачного решения. И сейчас мы обдумываем такую возможность. В дополнение к ЖКХ в первую очередь будем развивать такие модули, как «умный транспорт» (в том числе «умные остановки») и «умное освещение». Большой потенциал мы также видим в развитии на базе нашей платформы разнообразных туристических и информационных сервисов.