Статьи

В сегодняшних реалиях экономическая и эпидемиологическая ситуация создает риски устойчивого развития ИТ-сектора. Павел Растопшин, управляющий директор компании «Цифра», рассказывает об особенностях работы в новых условиях.

- Про удаленную работу уже давно говорили как о перспективном направлении организации труда. Как выяснилось, для многих это осталось лишь теорией. Когда обстоятельства потребовали этого, многие компании оказались абсолютно не готовыми и испытали шок. Насколько готовой к форс-мажору была ваша компания?

Действительно, вынужденная удаленная работа в таких масштабах является беспрецедентным событием и уже изменила общественное сознание за какие-то недели. Вероятно, в обычных условиях на это ушло бы несколько десятков лет.

В нашем случае почти половина сотрудников (всего у нас сейчас чуть больше 750 человек) по факту и так работала большую часть времени удаленно. У нас не так много клиентов в Москве – промышленные предприятия, с которыми мы работаем, расположены в Кузбассе, на Урале, в Тюменской области и в других неблизких регионах, и это не считая зарубежных проектов. Мы изначально работали в полностью облачной инфраструктуре, которая синхронизирована между устройствами и все функции которой доступны из любой точки мира, включая почту, портал, календари и удаленные конференции, поэтому в данном смысле для нас ничего не поменялось. Но при этом мы столкнулись с нестабильностью работы части сервисов, пока провайдеры не увеличили мощности для того, чтобы поддерживать возросшую нагрузку. И телеком-операторы по всей России и в мире испытывают перегрузку сетей – мы, как и все, страдаем от этого.

Все наши сотрудники – с ноутбуками, в которых есть камеры, и имеют профили, работающие в облачной среде в любой точке мира со всеми приложениями, нужными нам для работы, такими как CRM, учет рабочего времени программистов (Task Tracker) и другие. Другое дело, что не все клиенты смогли как мы работать на удаленке. Некоторым промышленным предприятиям запрещена удаленная работа в силу политик безопасности, и нам пришлось это учитывать.

- Какие фактические изменения произошли у вас в организации процессов?

Мы сейчас ограничены в том, чтобы физически присутствовать на территории заказчика. На некоторых промышленных объекта вообще введен запрет на любые посещения из-за опасности заражения сотрудников. Приходится большинство вопросов решать удаленно, привлекая персонал заказчика, и это тормозит работы. Мы, безусловно, чувствуем влияние на клиентское поведение в текущей ситуации с изоляцией, но нельзя сказать, что есть какие-то полностью заблокированные и изолированные клиенты.

- Что происходит с персоналом, планируете ли вы его сокращать, каким образом собираетесь удерживать людей?

Людей мы не сокращаем и не планируем, и даже приняли в штат 12 новых сотрудников за последнюю неделю. Тех, кто оказался недозагружен в силу объективных обстоятельств перераспределяем на новые задачи и даже позиции.

Как человек, переживший уже несколько кризисов, могу сказать, что именно в таких ситуациях выявляются как новые лидеры, так и слабые звенья. Мы стараемся сейчас максимально быть открытыми, рассказываем о сложностях и победах, которые сейчас особенно ценны. Как один из примеров, когда сообщили о прекращении авиасообщения с Индией, и коллеги не могли даже выйти из отеля, то наш сотрудник, проживший более шести лет в Индии, договорился о том, чтобы им доставляли еду и другие необходимые вещи. Такие истории работают для всей команды лучше любых материальных мотиваторов.

- Успели ли за это время почувствовать изменение потребностей клиентов? Были ли отказы от существующих проектов или запросы на решение новых задач, более актуальных сейчас?

Неожиданно вырос спрос на роботизированные технологии в горной добыче, особенно среди компаний, который нацелены на экспорт. И это понятно, поскольку из-за курсовой разницы их доходы повысились и появились возможности для дополнительных инвестиций и здесь в фокусе технологии безлюдной добычи.

Происходит следующее: после того как ИТ-отделы справились с первичной загрузкой (и даже сверхзагрузкой) из-за обеспечения работы удаленных мест, сейчас все вышло в нормальный режим. Производственные проекты, проекты по автоматизации и цифровизации производства остались в бюджетах: при таких стрессовых факторах, если сокращаются вложения в оборудование, должны сохраняться бюджеты на системы цифровизации, чтобы сохранить надежность этого оборудования и поддержать стабильность процессов за счет мониторинга и предотвращения поломок, а также производственного учета в реальном времени.

Несмотря на позитивные факторы, часть клиентов, где мы были только в начале пути, поставила проекты на паузу до разрешения ситуации. Многие просто не понимают, каков сейчас горизонт планирования. Крупные холдинги и отдельные предприятия пересматривают бюджеты развития и отказываются от проектов по внедрению цифровых технологий, приостанавливают реализуемые проекты. Разработчики решений теряют денежные поступления, что создает реальные риски исполнения обязательств перед своими сотрудниками и тормозит заметно ускорившееся за прошлые несколько лет развитие отечественных технологий и цифровой отрасли в целом.

Такая ситуация требует оперативной реакции со стороны государства, в частности Минкомсвязи. Если мы растеряем наработанный технологический задел, то нам будет сложнее догонять китайцев и американцев. Сейчас самое время бороться за российское ПО.

При упоминании об искусственном интеллекте и машинном обучении себе часто представляют передовые отрасли наподобие изучения космического пространства или биомедицины, которые тесно связаны с научными исследованиями и разработками. На самом же деле к искусственному интеллекту и машинному обучению следует присматриваться буквально каждой отрасли. В конце концов мы живем в эпоху обслуживания клиентов, и даже небольшие отличия в характере этого обслуживания могут очень серьезно отразится на рыночной доле.

Компания Nvidia в марте провела виртуальную версию своей ежегодной конференции GPU Technology Conference, превратившейся в витрину реальных сценариев использования искусственного интеллекта и машинного обучения. В исторической ретроспективе это мероприятие всегда носило глубоко технический характер, но со временем превратилось в демонстрацию компаниями применения своих передовых технологий для трансформации бизнеса.

Инновации Domino’s – это пример использования искусственного интеллекта и машинного обучения в привычном бизнесе, ориентированном на массового потребителя. Компания продемонстрировала успешный рецепт изменения характера своей деятельности. Секретным ингредиентом здесь стала технология Nvidia, которую популярная сеть доставки пиццы использует для совершенствования операций в магазинах и при обработке заказов, улучшения клиентского опыта (Customer Experience) и поиска более эффективных маршрутов развоза.

В результате у Domino’s растет число довольных клиентов, а водители получают больше советов и рекомендаций. Но это лишь малая часть многослойного пирога. Итак, что же нужно сделать, чтобы доставить пиццу Domino’s домой покупателю? Ответ довольно сложен.

Команда исследователей данных в Domino's проверила скорость и эффективность работы компании, используя сервер Nvidia DGX-1 – специализированный интегрированный аппаратно-программный комплекс для исследований в области глубинного обучения. Для тех, кто не знаком с серверным семейством DGX, сообщим: Nvidia создала линейку готовых «к употреблению» программно-аппаратных комплексов. Альтернативой является самостоятельный подбор оборудования, программного обеспечения и платформ искусственного интеллекта с последующей настройкой всей системы. На это могут уйти недели.

Сервер Nvidia DGX-1 – специализированный интегрированный аппаратно-программный комплекс для исследований в области глубинного обучения. Источник: Nvidia

Команда Domino's создала модель прогнозирования доставки, в которой время готовности заказа планируется с учетом его параметров и ситуации в пиццерии Domino’s – числа сотрудников, менеджеров и клиентов, находящихся там в данный момент. Модель построена на основе большого набора данных, составленного на основе пяти миллионов заказов. Этого вполне достаточно для построения точных моделей. Все будущие заказы также обрабатываются системой, что способствует дальнейшему повышению точности модели.

В предыдущих моделях Domino’s использовались ноутбуки и настольные компьютеры с графическими процессорами. На их обучение уходило более 16 часов. Столь длительный интервал делал улучшение модели крайне сложной задачей.

Увеличение вычислительной мощности DGX-1 позволило исследователям данных из Domino’s выстраивать усложненные модели за более короткий промежуток времени. Время обучения сократилось до одного часа, а точность прогнозирования выросла с 75% до 95%. Испытания показали, что производительность труда можно увеличить за счет ускорения работы моделей обучения.

У этого процесса обнаружилось и еще одно преимущество: возможность совместного использования ресурсов. Каждый отдельно взятый графический процессор в DGX-1 обладает очень высокой вычислительной мощностью и большим объемом памяти (32 Гбайт), так что исследователи данных используют лишь часть его ресурсов, благодаря чему множество тестов выполняется одновременно. Имея в своем распоряжении восемь таких графических процессоров, исследователи данных делятся ресурсами и знаниями, организуя взаимодействие нескольких команд.

В прошлом взаимодействие команд – в том числе просмотр программного кода и проверка гарантии качества – вызывало серьезные трудности, поскольку исследователи данных работали в своих собственных локальных средах. Теперь, когда они имеют дело с общим сервером DGX-1, им проще совместно использовать полностью настраиваемые и воспроизводимые контейнеры Docker. Это открывает перед исследователями данных огромный простор для дальнейшей деятельности и доступ к необходимым им ресурсам, так что о простоях речи больше не идет. Решение Docker, интегрированное с DGX-1, упрощает также задачу организации выполнения программного кода в различных средах, поскольку данные содержатся внутри образа Docker.

Недавно Domino’s приобрела второй сервер DGX-1 и приступила к развертыванию системы управления контейнерами Kubernetes. Используя средства оптимизации управления Kubernetes, компания получает возможность динамически выделять ресурсы всем исследователям данных, запуская контейнеры быстрее. Как утверждают в Nvidia, даже исследователи данных, не имеющие опыта работы в среде Linux, могут запускать контейнеры Docker без каких-либо затруднений.

«На стороне развертывания» в Domino’s используют поддерживающую Kubernetes кластеризованную среду, и четыре графических процессора Nvidia. Исследователи данных организуют взаимодействие и выстраивают свои модели, используя ту же самую контейнерную структуру, которую они использовали на DGX-1.

Кроме того, Domino’s приобрела платформу машинного обучения Datatron, которая запускается поверх кластера Kubernetes с графическими процессорами и помогает компании выполнять специфичные функции машинного обучения. Datatron позволяет осуществлять мониторинг функционирования модели в реальном времени, а при необходимости повторного обучения модели исследователи данных получают соответствующее уведомление.

Искусственный интеллект и машинное обучение в зоне ответственности ИТ-служб

Использование собственного стека правил вывода позволяет Domino’s получить все преимущества, которые провайдеры облачных сервисов предлагают при хостинге моделей машинного обучения, сохраняя при этом все данные и ресурсы на своей территории. Изменился способ развертывания моделей исследователями данных. Они получают все более полный контроль над процедурой развертывания.

Другим компаниям, рассматривающим возможность развертывания соответствующих технологий на своей территории, в Nvidia рекомендуют заранее продумать вопросы совместной работы и сотрудничества исследователей данных. В данном случае взаимодействие между DGX-1 и исследователями данных осуществлялось в общем рабочем пространстве. Приобретая продукт, пользователям не пришлось задумываться об этом, что уже само по себе являлось немалой ценностью.

Исторически сложилось так, что исследователи данных работают в компаниях независимо от всех остальных. К ИТ-службам все чаще обращаются с просьбой взять на себя задачу выбора оптимальной технологии для внедрения средств искусственного интеллекта и машинного обучения. Для большинства компаний исследователи данных являются весьма дорогостоящим ресурсом, и их простой в ожидании завершения работы модели сродни выбрасыванию в окно хорошей пиццы. Правильный выбор инфраструктуры, как в случае с сервером DGX, помогает компаниям ускорить обработку, благодаря чему у исследователей данных сокращаются периоды ожидания, и они больше времени уделяют своим прямым обязанностям.

Интернет вещей (IoT) — это больше, чем просто следующая ступень технического развития. Для многих компаний IoT — ценный источник данных, которые можно использовать, чтобы получить информацию о происходящих в бизнесе процессах, операциях и поведении клиентов. У Интернета вещей есть потенциал обнаруживать и устранять неэффективно работающие компоненты, находить новые источники дохода и многое другое — реальный экономический потенциал для тех, кто способен разработать IoT-решение, реализовать его и обеспечить возврат инвестиций.

Однако важнейшим аспектом для реализации этого потенциала является безопасность. По мере того, как растет сеть и увеличивается вариативность и сложность подключенных к ней устройств, организации сталкиваются с необходимостью защитить эту быстро расширяющуюся и подверженную атакам структуру. Если не взять ситуацию под контроль, компаниям будет проблематично использовать преимущества и возможный рост эффективности, которые делают инвестиции в IoT выгодными.

Конечно, ИТ-команды не первый раз встречаются лицом к лицу с проблемой обеспечения безопасности, связанной с использованием мобильных телефонов, ноутбуков, планшетов — рост популярности концепции BYOD и удаленной работы способствуют подключению огромного числа различных мобильных устройств к корпоративной среде. И решение, которое мы уже использовали, чтобы решить проблему, ровно то же самое, что и сейчас — три простых шага к обеспечению безопасности сети.

Шаг 1. Начните с мониторинга

Если говорить кратко – нельзя защитить то, чего не видно. Прежде чем вы перейдете к другим шагам, чрезвычайно важно точно определить, какие устройства подключены к вашей сети, кто ими управляет, как и почему они подключаются к ней. Помимо контроля за «белыми» устройствами стоит обратить внимание на «теневые» IoT-устройства, которые сотрудники подключают к сети без информирования ИТ-команды или принятия необходимых мер предосторожности, — это тот вопрос, над которым тоже надо подумать.

Традиционно процесс идентификации был достаточно простым и понятным: ИТ-службы работали с небольшой группой устройств, используя хорошо отработанные схемы; затем они выполняли профилирование, чтобы указать права каждого пользователя или устройства в сети, что он имеет право делать, а что — нет. Однако сегодня, когда многие современные устройства созданы на базе типового аппаратного оборудования и ПО или разработаны малоизвестными вендорами, которые не придерживаются общепринятых стандартов, обнаружение, профилирование и идентификация таких устройств становится более и более сложным. Как можно создать надежный профиль и обеспечить бесперебойность операций, если не получается определить, что за устройство перед вами и является ли оно источником угроз?

Ответ — направить силы на изучение контекста и машинное обучение. Если вы не уверены в том, что можете точно определить, какое устройство использует сеть, то вместо этого стоит обратить внимание на его «поведение». Часто совокупный анализ того, какие протоколы использует устройство, а также к каким данным, приложениям или URL-адресам оно запрашивает доступ, является единственным способом обрисовать общую картину, что перед вами за устройство и является ли оно вредоносным.

Шаг 2. Внедрите искусственный интеллект, чтобы обеспечить автоматическое применение политик

Искусственный интеллект также важен на следующем этапе защиты IoT — на этапе применения политик. Современным ИТ-службам необходима комплексная система контроля доступа, чтобы наблюдать за устройством с момента его подключения к сети. Однако учитывая огромное число подключенных устройств, ручное вмешательство уже не применяется на практике: устройства IoT часто функционируют круглосуточно, а некоторые приборы могут подключаться к сети в любое время для выполнения какой-либо задачи перед тем, как вернуться в спящий режим. Если кардиомонитор в больничной палате в три часа утра начнет передавать данные по сети через всю страну, то в реальности, при ручном управлении, шансов вовремя обнаружить передачу, поместить прибор на карантин и отправить его на проверку будет очень мало.

Внедрение искусственного интеллекта, с другой стороны, позволяет ИТ-службам разрабатывать политики, анализирующие контекст — роль пользователя, тип и местоположение устройства, статус сертификата, день недели, и каждый раз с их помощью быстро принимать правильные решения. Когда к сети подключается устройство IoT, которое проявляет подозрительную активность, то, благодаря последовательному применению политики в проводных и беспроводных сетях, его можно изолировать автоматически, отделив и обезопасив поток данных.

С помощью средств машинного обучения можно проанализировать журналы событий и данные устройств IoT по всей сети и определить базовые показатели их нормальной активности, такие, как аутентификация, удаленный доступ, внутренний доступ к особо важным ресурсам и пользованию облачными приложениями.

Шаг 3. Контроль подозрительной активности

Завершив предыдущие этапы и позволив устройству подключиться к вашей сети, нельзя просто оставить его без присмотра. Создать и корректно применить соответствующую политику доступа можно, только ведя непрерывный мониторинг сетевой активности. Мониторинг, профилирование и анализ данных — это то, без чего невозможно обеспечить безопасность сети, аутентифицировать данные, а также обнаружить новые поведенческие шаблоны и уязвимости.

Даже если устройство сейчас выглядит безобидно, в будущем ситуация может измениться. Вот почему стоит отслеживать состояние опознанных устройств на предмет нетипичных активностей или попыток получить доступ к различным сетевым компонентам. Ландшафт угроз меняется постоянно, так что, к сожалению, эта работа не завершится никогда.

На страже революции IoT

Наступление эпохи Интернета вещей может в корне изменить критически важные бизнес-приложения. Не стоит отказываться от предлагаемых ими возможностей из-за сопутствующих рисков — вместо этого нужно планировать, адаптироваться, учиться и строить защиту. Выполнение этих условий необходимо, чтобы реализовать огромный потенциал IoT.

Выстраивая комплексную систему мониторинга с привлечением средств машинного обучения и ИИ, ИТ-службы смогут действовать на опережение и уменьшить растущее число рисков, с которыми сталкивается бизнес. Безопасность должна стать не барьером, а фундаментом в применении Интернета вещей.

Автор — Ека­тери­на Крав­ченко, ру­ково­дитель де­пар­та­мен­та се­тевых про­дук­тов Aruba, Hewlett Packard Enterprise в России

«При столь стремительном развитии ситуации, какое мы наблюдаем в случае с COVID-19, она может оказать не менее разрушительное воздействие на непрерывность ведения организациями своего бизнеса, чем кибератаки и природные катастрофы, – указала директор Gartner по исследованиям Сэнди Шен. – Как только вспышка заболевания отразилась на традиционных каналах коммуникаций и операциях, ценность цифровых каналов, продуктов и операций сразу стала очевидной. Это недвусмысленный сигнал организациям, которые решили сосредоточиться на удовлетворении повседневных операционных нужд в ущерб инвестициям в цифровой бизнес и долгосрочное обеспечение жизнестойкости».

Предлагаемые Gartner первоочередные меры таковы.

Инструменты взаимодействия и совместной работы со встроенными элементами безопасности

Карантинные мероприятия и ограничения передвижения, накладываемые руководством организаций и властями городов и целых стран, порождают неопределенность и сбои; деловые операции начинают откладываться или выполняться в ограниченном объеме.

В организациях, где возможность удаленной работы пока отсутствует, ИТ-руководителям необходимо искать компромиссные решения, формулируя в том числе и требования к используемым инструментам: мессенджерам для общего взаимодействия, средствам обмена файлами и организации конференций, доступу к корпоративным системам ERP и CRM. Необходимо пересмотреть все меры безопасности, с тем чтобы они гарантировали защищенный доступ к приложениям и данным.

Предприятия могут испытывать нехватку персонала для новых бизнес-процессов, поэтому ИТ-руководителям совместно с руководителями бизнес-подразделений необходимо заниматься кадровым планированием, оценивая риски и устраняя кадровые пробелы, особенно в критически важных областях.

Для автоматизации подбора кандидатов и обслуживания клиентов можно использовать средства искусственного интеллекта.

Привлечение клиентов и контрагентов через цифровые каналы

Для привлечения клиентов и внедрения различных сценариев взаимодействия с ними можно использовать уже имеющиеся средства связи, видеоконференции и решения для стриминга.

«Ценность цифровых каналов становится очевидной по мере сокращения рыночного спроса и перехода людей на онлайн-платформы при совершении повседневных покупок, – отметила Шен. – Для компенсации падения спроса можно задействовать средства электронной коммерции и платформы социальных сетей. Предприятия могут создавать там свои официальные страницы, расширяя свои коммерческие возможности за счет онлайн-продаж. Продукты следует как можно быстрее адаптировать к особенностям распространения через цифровые каналы».

Формирование единого источника проверенной информации для сотрудников

Поступление данных из непроверенных источников, равно как и их отсутствие приводит к принятию необоснованных решений, росту беспокойства сотрудников и затруднению возвращения организаций к нормальной работе.

В Gartner полагают, что уровень нервозности можно уменьшить, если активнее использовать данные при принятии решений и информировать сотрудников о достигнутом прогрессе.

Для предоставления сотрудникам руководств к действию можно обратиться к инструкциям, почерпнутым как из внутренних, так и из внешних источников. К этим источникам относятся местные власти, представители органов здравоохранения и международные организации, в частности, ВОЗ.

«К проверке контента и разъяснению политики компании целесообразно привлечь руководителей отделов кадров и связей с общественностью, – предложила Шен. – Организациям следует создать сайт, приложение или горячую линию для обмена информацией такого рода на регулярной основе. Сотрудники смогут использовать эти платформы для уведомления компании о состоянии своего здоровья и обращения за экстренной поддержкой и медицинской помощью».

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.