Статьи

Искусственный интеллект сегодня повсюду – по крайней мере создается впечатление, что это именно так. Интеллектуальные технологии выглядят весьма многообещающими и позволяют на самом разном уровне осуществлять автоматизацию бизнес-процессов, которые по-прежнему во многом выполняются вручную. Исследователи данных получают в свое распоряжение мощные инструменты.

Одно из направлений, на которое искусственный интеллект влияет уже сейчас, а со временем будет воздействовать еще больше – DevOps. Специалисты утверждают, что искусственный интеллект и машинное обучение обладают необходимым потенциалом для расширения возможностей DevOps в условиях, когда многие организации начинают внедрять этот подход, рассчитывая повысить эффективность разработки, развертывания и эксплуатации приложений и оптимизировать бизнес-процессы в других областях.

«Искусственный интеллект и машинное обучение охватывают DevOps в полной мере, – подчеркнул Спандан Махапатра, возглавляющий в компании Tata Consultancy Services направление бизнес-решений. – Многие компании так или иначе уже опираются в своих проектах цифровой трансформации на DevOps и добиваются благодаря этому более высоких результатов. Искусственный интеллект и машинное обучение открывают путь к оптимизации процессов DevOps».

«Большинству команд DevOps делать ставку на искусственный интеллект еще рановато, но мы видим, что все больше клиентов намерены использовать искусственный интеллекта и связанный с ним анализ данных, – добавил Стивен Эллиот, вице-президент International Data Corp. по вопросам DevOps, управления облачными конфигурациями, ITSM и программно-конфигурируемых архитектур. – Наиболее заметные области применения искусственного интеллекта в DevOps связаны с непрерывной интеграцией (continuous integration, CI) и непрерывной разработкой (continuous development, CD), выявлением и разрешением возникающих проблем, а также с углублением обработки и понимания собранных клиентских данных. Мы отмечаем, что инфраструктурные и операционные команды испытывают тягу к аналитике. Многие уже внедряют сервисы управления производительностью приложений и анализа данных в реальном времени, дающие возможность оперативно выявлять и решать возникающие проблемы. Командам DevOps следует подумать об использовании аналитики, которая помогает диагностировать и устранять неисправности, способствует повышению эффективности процессов и улучшению клиентского восприятия, а также достижению более высоких бизнес-результатов в целом».

В русле тенденций

Компания Power Home Remodeling использует искусственный интеллект в сочетании с DevOps при создании решений, предназначенных для перестройки внешних элементов зданий. Она разработала собственную технологическую платформу NITRO, выполняющую самые разные задачи, начиная от управления отношениями с клиентами (customer relationship management, CRM) и заканчивая функциями внутренней социальной сети.

«Мы являемся центром разработки и у нас сформирована полноценная команда DevOps», – сообщил директор Power Home Remodeling по инновациям Тим Уэнхолд. С помощью NITRO компания выстраивает всеобъемлющую инфраструктуру искусственного интеллекта, используя накопленное богатство данных для машинного обучения, что способствует улучшению обслуживания клиентов, более высокой эффективности и расширению возможностей персонала.

«Команда DevOps выясняет, как лучше использовать инфраструктуру искусственного интеллекта на практике, – отметил Уэнхолд. – Искусственный интеллект и машинное обучение призваны повысить эффективность труда разработчиков, осваивающих новые инструменты. Искусственный интеллект помогает прогнозировать развитие процессов DevOps. Анализируя, например, процессы непрерывной интеграции, средства искусственного интеллекта подсказывают, какие моменты следует скорректировать, чтобы улучшить конвейер CI».

В сфере безопасности обнаружить тревожные симптомы бывает довольно сложно. «Сегодня на просмотр журналов и отчетов, связанных с мониторингом безопасности, уходит очень много времени, – пояснил Уэнхолд. – Применяя при идентификации угроз средства машинного обучения, мы выявляем аномалии в тысячу раз быстрее, чем при традиционном подходе. Теперь команды DevOps могут работать на упреждение, а не реагировать по факту. Точно так же, как большие данные выводят аналитику на более высокий уровень по сравнению с простыми отчетами и инструментальными панелями, искусственный интеллект помогает командам DevOps использовать мощь прогнозного моделирования».

По мере того как искусственный интеллект становится все более мощным, его влияние на DevOps растет. «В перспективе искусственный интеллект и машинное обучение помогут нам не только быстро выявлять аномалии, но и решать проблемы, о которых мы еще даже не подозреваем, – подчеркнул Уэнхолд. – У компании имеются журналы с миллионами записей. Сегодня мы действуем, как детективы: просматриваем журналы, ищем аномалии и принимаем меры. Искусственный интеллект самостоятельно будет выявлять аномалии. Затем он проинформирует о том, что может произойти, и предложит варианты устранения угрозы. Более того, искусственный интеллект известит нас о предпринятых для ликвидации аномалии мерах. Всё это весьма впечатляет».

Медицинская компания Molina Healthcare также возлагает на связку искусственного интеллекта и DevOps большие надежды. «Уже сейчас мы видим, какие преимущества перед нами открываются, – сообщил ИТ-директор Molina Healthcare Рик Хопфер, занимающийся применением средств искусственного интеллекта в DevOps с 2016 года. – Перед нами стоит проблема, как совладать с имеющимися в наших журналах транзакций горами данных, которые наши системы генерируют ежедневно. Одного лишь наличия системы, предназначенной для сбора данных, недостаточно. Необходимо еще и уметь отделять реальные проблемы от прочего белого шума».

Чтобы это стало возможным, компании, во-первых, нужно оптимизировать имеющиеся у нее инструменты для мониторинга приложений и инфраструктуры. Во-вторых, необходимо обобщить данные – перенести телеметрию из разрозненных инструментов на централизованную платформу, установить взаимосвязи между данными и задействовать средства машинного обучения для выявления реальных проблем. И, наконец, в-третьих – следить за тенденциями и использовать прогнозную аналитику.

«Нам требовалось сформировать правильные представления для визуализации данных, повышения эффективности и упреждающего управления технологиями, – подчеркнул Хопфер. – Для этого мы воспользовались набором готовых решений. Результаты оказались впечатляющими. Получив возможность решать возникающие вопросы фактически в реальном времени, мы значительно ускорили устранение проблем».

Будущее уже сейчас

«Будущее видится нам в том, чтобы, исходя из своих аналитических возможностей, принимать необходимые меры с определенным прицелом: с точки зрения CI/CD, клиентского восприятия, управления проблемами и т.д., – указал Эллиот. – Автоматизация и анализ – это как джем и масло: гораздо лучше, когда они вместе. Дело будет сводиться к повышению производительности технологических и бизнес-процессов, к выполнению определенных действий в специфичных деловых и технологических ситуациях».

Искусственный интеллект и машинное обучение уже сегодня могут оказывать влияние на DevOps, поэтому ни в коем случае не следует рассматривать их как технологии отдаленного будущего.

«DevOps может повысить скорость новых приложений, но в мире постцифровой трансформации DevOps нужно объединять c требованиями, предъявляемыми искусственным интеллектом, – указал Энди Граймс, главный технолог компании NetApp, специализирующейся на решениях для хранения данных и управления инфраструктурой. – Сочетание методов DevOps и современных требований к данным порождает новую парадигму — DataOps. Поскольку новые приложения искусственного интеллекта требуют агрегирования, а также значительно более высоких скоростей и масштабов подготовки данных, разработчики, использующие парадигму DataOps, должны взаимодействовать с ИТ-службой более тесно и понимать место приложений искусственного интеллекта в гибридной среде. Современная концепция DataOps объединяет периферийные наборы данных с агрегированными основными данными, размещаемыми локально, дополняет их облачными хранилищами и предлагает архитектуру, поддерживающую частое внесение изменений, подстегиваемое необходимостью внедрять инновационные инструменты и отвечать требованиям непрерывной эволюции бизнеса».

В рамках DataOps приложения и инфраструктура для работы с данными развиваются непрерывно и итерационно, гарантируя увеличение производительности по мере роста объемов данных.

«Искусственному интеллекту присущи три свойства – самообучение, прогнозирование и автоматизация, – отметил Сумендра Моханти, руководитель направления анализа данных компании Larsen & Tourbo Infotech, являющейся глобальным поставщиком ИТ-решений и поддерживающей цифровую трансформацию своих корпоративных клиентов путем внедрения средств искусственного интеллекта. – Они позволяют улучшить такие практики DevOps, как CI и CD».

Несмотря на то что концепция DevOps обеспечивает необходимую гибкость и ускоряет вывод новых программных систем в продуктивный режим, процессу их поставки не хватает некоторых критически важных компонентов, например непрерывных инноваций и непрерывного цикла обратной связи.

«Искусственный интеллект придает данным свойство самообучения. Вот почему искусственный интеллект и машинное обучение приносятьно весьма ощутимую пользу при их интеграции в процессы и задачи DevOps. Так, при разработке программного кода средства искусственного интеллекта, моделируя различные сценарии, могут отслеживать, в какой степени удовлетворяются потребности пользователей, – пояснил Моханти.– Конечному пользователю не отводится роль пассивного игрока. Искусственный интеллект и машинное обучение позволяют оторваться от разработки программного обеспечения исключительно на основе заранее установленных правил и во многом обеспечить дополнительную гибкость за счет изучения данных».

Искусственный интеллект и машинное обучение помогают отслеживать производственные показатели, устанавливать связь с прошлыми проблемами, изучать предложенные решения и оценивать, насколько эффективными они были. Некоторые негативные моменты можно прогнозировать заранее и устранять автоматически. «Соединение искусственного интеллекта и машинного обучения с DevOps не только сделает процедуры проектирования программного кода, его развертывания и выпуска готовой продукции более предсказуемыми, но и обеспечит непрерывность процесса инноваций», – добавил Моханти.

Команды DevOps сосредоточены на жизненном цикле проектирования, учитывая при этом меняющиеся требования. «Однако есть важные аспекты предсказуемости качества кода и управления данными, связанные с тем, на чем команды не акцентируют свое внимание, – указал Моханти. – Интегрируя искусственный интеллект и машинное обучение в свои процессы, команды DevOps могут проанализировать выполнение кода, понять, все ли пользовательские сценарии учтены, изучить возникавшие ранее проблемы и способы их решения».

Управление данными

Искусственный интеллект помогает организовать управление растущими объемами данных в средах DevOps.

«Средства искусственного интеллекта и машинного обучения призваны выявлять тенденции и закономерности в растущих объемах данных, – отметил Элиэзер Канал, технический менеджер по кибербезопасности группы быстрого реагирования Института программной инженерии при университете Карнеги-Меллона. – Успех в этой области по большей части связан с наличием достаточного количества слабых индикаторов. Например, для того чтобы узнать температуру на улице, лучше всего взглянуть на термометр. К сожалению, зачастую у нас в распоряжении нет датчиков, которые точно измеряли бы то, что мы хотим знать. Поэтому приходится полагаться на множество слабых индикаторов. Люди считают задачи такого рода очень сложными, но для современных машин они, в сущности, тривиальны».

«Сфера DevOps переполнена огромными объемами данных, – добавил Канал. – Эти данные часто используются непосредственно для тех целей, для которых они предназначены. Например, отчеты помогают понять, в чем заключается ошибка. Но средства машинного обучения и искусственного интеллекта позволяют почерпнуть из всего этого гораздо больше. Так, изучая типы ошибок, присутствующие в отчете, аналитики могут обнаружить много чего интересного: какие модули используются наиболее интенсивно, в каких чаще встречаются ошибки, какие ошибки обнаружить труднее всего, и прочие полезные факты. Используя систему отчетов об ошибках в качестве источника данных о среде разработки, можно почерпнуть массу дополнительных сведений о процессе разработки и повысить общую эффективность».

Другой пример касается управления производственными системами. «Современные системы генерируют огромное количество журналов, большая часть которых используется уже после отказа системы или возникновения ошибки, – указал Канал. – Загрузив эти журналы в систему искусственного интеллекта, мы сможем не только понять, почему возникают те или иные ошибки, но и найти закономерности, которые очень трудно обнаружить другими способами. Процедуры встраивания средств искусственного интеллекта и машинного обучения в существующие продукты упрощаются. Многие поставщики предлагают API и наборы инструментов, помогающие предприятиям интегрировать соответствующие функции в свои продукты. В связи с этим командам DevOps нужно изучать не только открывающиеся перед ними возможности, но и порядок интеграции соответствующего функционала в программное обеспечение. Тем самым можно будет значительно улучшить качество программных продуктов, предлагаемых конечным пользователям. Широкое распространение средств искусственного интеллекта и машинного обучения наряду с переподготовкой персонала, очевидно, приведут к дальнейшему их совершенствованию и проникновению в процесс DevOps на протяжении еще многих лет».

- Bob Violino. How AI will revolutionize DevOps. CIO. July 18, 2018

Компания IDG Communications оценила затраты клиентов на облачные технологии, изучив мнение читателей CIO, Computerworld, CSO, InfoWorld, ITworld и Network World.

В рамках исследования 2018 Cloud Computing было опрошено 550 представителей корпоративного сектора, принимающих ключевые для своих организаций решения в области ИТ и безопасности в самых разных отраслях. Как показало исследование, организации наращивают инвестиции в облачные решения в стремлении стимулировать рост бизнеса.

Поскольку у 73% клиентов в облаке уже имеется по крайней мере одно приложение или какая-то вычислительная инфраструктура, речь идет уже не о том, будут ли организации переходить в облако в принципе, а о том, каким образом это будет происходить.

Сложности для клиентов = возможности для партнеров

Общее настроение исследователей сводится к тому, что темпы перехода в облако растут, но одновременно с этим нарастают и сопутствующие этому процессу сложности.

Рост трудностей у клиентов открывает дополнительные возможности перед партнерами, которые предлагают консультационные услуги, создают новые приложения и внедряют адаптированные решения.

В настоящее время 43% используют только гибридное облако, 12% – мультиоблачную среду и 30% – и то, и другое вместе.

К преимуществам мультиоблачной среды относятся: расширение облачных возможностей (59%), упрощение и ускорение восстановления после сбоев (40%), повышение гибкости за счет распределения рабочей нагрузки между множеством облаков (38%).

Несмотря на то, что заинтересованные лица предприятий осознают преимущества и результаты внедрения облачных технологий, более трети ИТ-служб (38%) испытывают давление, обусловленное требованием полного перехода в облако.

На крупных предприятиях (где работает более 1 тыс. сотрудников) давление ощущается сильнее, чем на предприятиях среднего звена (численностью менее 1 тыс. человек).

Если приводить точные цифры, то давление со стороны высшего руководства или отдельных направлений бизнеса испытывают 44% ИТ-служб крупных организаций и 31% ИТ-служб предприятий среднего звена.

Эволюция более сложных сред вызвала необходимость включения предприятиями в свой портфель активов поставщиков облачных сервисов. Об этом упомянул 51% опрошенных клиентов.

Погружаясь глубже, организации в технологически-зависимых отраслях склонны рассматривать поставщиков облачных сервисов в рамках портфельной стратегии. Наиболее отчетливо этот процесс протекает в сфере финансовых услуг (63%) и высоких технологий (63%). Зато в производственной сфере (43%) и образовании (41%) поставщиков облачных сервисов не так активно включают в портфельную стратегию.

«От ИТ-служб ждут ускорения доставки ИТ-сервисов и более быстрой реакции на изменение рыночных условий, – заметила старший вице-президент IDG Communications Джулия Экстром. – Облачные решения предоставляют необходимую для этого гибкость. Для удовлетворения своих потребностей организации используют разные облачные модели, но при этом им приходится управлять множеством поставщиков. Изучая новые области облачных инвестиций, они просматривают портфель поставщиков облачных сервисов и пытаются оценить, какие решения будут способствовать росту, и какие новые поставщики во взаимодействии с уже существующими помогут упростить внедрение облачных технологий».

Затраты как сервис

Следует отметить, что доля ИТ-бюджетов, выделяемая на облачные вычисления, остается относительно неизменной и составляет 30% против 28% в 2016 году.

С учетом того, что на облако приходится значительная часть затрат на технологии, не удивительно, что именно ИТ-директору отводится главная роль в процессе закупок облачных ресурсвов.

О значительном влиянии ИТ-директора упомянул 71% опрошенных, тогда как за следующего в этом списке технического директора свои голоса отдали 54% респондентов.

На предприятиях среднего звена не менее влиятельным оказывается генеральный директор (72%), на крупных же второе место занимают директор по безопасности и архитектор ИТ (у них обоих 87%).

Углубляясь в технические аспекты исследования, стоит отметить, что структура вычислительной среды организации – доля необлачных активов, SaaS, PaaS и IaaS – примерно поровну распределена между облачными и необлачными ресурсами, но ожидается, что ситуация здесь будет меняться.

В настоящее время у среднего предприятия 53% приходится на необлачные ресурсы, 23% на SaaS, 16% на IaaS и 9% на PaaS.

Ожидается, что через полтора года доля необлачных ресурсов составит 31%, SaaS – 33%, IaaS – 22% и PaaS – 14%.

Два главных преимущества SaaS для сотрудников ИТ-службы заключаются в сокращении числа операций технической поддержки и обновления, выполняемых вручную (62%), и повышении производительности труда / уменьшении затрачиваемого рабочего времени (55%).

Следующие два фактора – доступ и надежность, а также расширение возможностей для клиентов (по 55%) – самым непосредственным образом отражаются на конечных пользователях.

Главными преимуществами PaaS являются сокращение накладных расходов на серверы и системы хранения (56%), а также отсутствие необходимости управлять обновлениями и осуществлять техническую поддержку (51%). Преимущества IaaS связаны с масштабируемостью (68%) и гибкостью (53%).

Основными приложениями, которые организации используют в облаке (или перемещают туда) являются веб-сайты и веб-приложения (49%), а также решения для связи и взаимодействия (45%).

К приложениям, перенос которых находится на этапе планирования – и должен состояться в ближайшие 12 месяцев или в течение 1-3 лет – относятся средства восстановления после сбоев и обеспечения высокого уровня готовности (49%), а также системы бизнес-анализа и хранилища данных (45%).

Далее следуют средства хранения, резервного копирования, архивирования и файл-серверы (44%), а также средства управления системами и DevOps (42%).

Вызовы остаются

Главными вызовами и препятствиями на пути реализации стратегии облачных вычислений в течение года остаются опасения клиентов относительно привязки к конкретному поставщику (47%), места хранения данных (34%) и безопасности облачных решений (34%).

Вместе с тем результаты отражают устойчивое снижение опасений в области безопасности – с 67% в 2015 году до 34% сейчас.

Две другие проблемы, связанные с безопасностью и управлением, с течением времени также становятся менее острыми в связи с ростом зрелости облачных технологий, подкрепляемой ужесточением нормативных требований и обеспечением соответствия облачных решений корпоративным требованиям и отраслевым стандартам (если в 2015 году об этом упоминали 35%, то в 2018-м – уже 26%).

Обеспокоенность вопросами управления информацией (eDiscovery и другие требования к информационному управлению) находилась на наивысшем уровне в 2014 году (35%), а затем начала снижаться и сейчас уменьшилась до 23%.

«В условиях дальнейшего роста безопасности облачных решений не удивительно, что организации ищут дополнительные способы интеграции этих моделей в свой технологический стек, – добавила Экстром. – Роль стратегического руководства и управления поставщиками должна оставаться за ИТ-службой, в то время как внедрением облачных приложений могут заниматься и их коллеги по организации».

В мире стартовала очередная технологическая гонка: США, Евросоюз и Китай приняли стратегии развития искусственного интеллекта и больших данных, признав важность технологий машинного обучения для цифровой экономики. Общий объем государственных инвестиций в исследования и разработки по этому направлению исчисляется десятками миллиардов долларов.

Избежать участия в этом соревновании России не удастся: надо успеть занять свое место в новой экономике, где искусственный интеллект будет играть ключевую роль в повышении производительности труда. В настоящее время разрабатывается отечественная концепция соответствующей стратегии, которую предполагается реализовывать в составе национального проекта «Цифровая экономика». Проектом предусматривается развитие целого перечня «сквозных технологий», включая нейротехнологии и искусственный интеллект. Общий объем финансирования проекта «Цифровая экономика» на шесть лет оценивается в 2,79 трлн руб., в том числе 282 млрд руб. планируется выделить из бюджета на реализацию федерального проекта «Цифровые технологии».

«Цифровая трансформация — это не процесс, не путь из точки А в точку Б, а культура изменений», Дмитрий Шушкин, вице-президент Abbyy

Уже в 2019–2021 годах на осуществление проектов по «сквозным технологиям» на базе лидирующих исследовательских центров и стартапов направят свыше 20 млрд руб, субсидии на масштабирование технологических решений высокой степени готовности составят еще 20 млрд руб. Компании-лидеры в разработке продуктов, сервисов и платформенных решений на базе сквозных технологий получат из бюджета более 10 млрд руб. Претендентов на государственное финансирование будут отбирать в соответствии с дорожными картами, которые еще предстоит разработать.

Ожидается, что дорожная карта по развитию искусственного интеллекта появится к июню 2019 года. В группу, занимающуюся разработкой концепции этого документа, входят представители Института системного программирования РАН, ИТМО, МФТИ, МТС, РВК, «Росатома», Фонда перспективных исследований, Центра речевых технологий и других организаций. Участникам группы необходимо выявить барьеры, препятствующие развитию сквозных технологий, и выработать меры по устранению этих барьеров, оценить потенциальный спрос на ИИ-решения в конкретных секторах экономики, составить «атлас» имеющихся центров разработки и открытый список проектов, а также определить критерии отбора проектов для господдержки и сформулировать требования к программам исследований. Дорожная карта призвана синхронизировать деятельность институтов развития, научных учреждений, исследовательских и корпоративных программ вузов и центров разработки.

Как не проиграть?

Как рассказал на форуме «Открытые инновации — 2018» Сергей Наквасин, директор направления «Формирование исследовательских компетенций и технологических заделов» АНО «Цифровая экономика», с учетом стартапов в России насчитывается около двух сотен проектов в области искусственного интеллекта, и нацеленность у них такая же, как у зарубежных. При этом у США специалистов в данной сфере больше в 25 раз, а разница в бюджетах еще значительнее. Если делать то же самое, что и все, не обладая сопоставимыми ресурсами, цифрового прорыва не выйдет, полагает Наквасин. «Ситуация, когда мы идем пешком, а нас обгоняют на скоростном болиде, заведомо проигрышная, — говорит он. — Надо искать асимметричные ответы».

Одним из многообещающих направлений, развивая которое можно обогнать весь мир, Наквасин считает когнитивные архитектуры. Что касается катастрофической нехватки кадров, то, помимо увеличения объемов подготовки специалистов, есть и другие варианты нивелирования дефицита. Один из них — это создание платформ, которые позволят решать интеллектуально емкие задачи в области ИИ-решений силами низкоквалифицированных специалистов. «Нам нужны сильные неожиданные решения!» — заявил Наквасин.

Впрочем, самый простой ответ на вопрос, как победить с кратно меньшими ресурсами, дал еще Александр Суворов: не числом, а умением.

Наиболее сложное, что требуется сегодня, — перевести людей в состояние постоянных изменений, считает Дмитрий Шушкин, вице-президент Abbyy. «Цифровая трансформация — это не процесс, не путь из точки А в точку Б, а культура изменений», — убежден он. Если компания хочет быть успешнее других, она должна меняться быстрее других, и искусственный интеллект, наравне с прочими технологиями, служит инструментом ускорения изменений. А повестка применения таких инструментов формируется исходя из задач, которые бизнес намерен решать быстрее других.

По мнению Шушкина, в госпрограмме должна присутствовать культура инновационного предпринимательства. Источниками ИИ станут команды, нацеленные на предложение решений, наиболее востребованных на мировом ранке. «Передовые технологии должны быть мирового уровня, и замахиваться надо сразу на этот уровень», — считает Шушкин.

«Все бегут, летят и скачут…»

«Разработку стратегии нужно начинать с ответа на вопрос, зачем России технологии искусственного интеллекта», Борис Глазков, вице-президент «Ростелекома»

Ажиотаж вокруг технологий машинного обучения не должен помешать взвешенному подходу к выработке стратегического курса на уровне страны. Разработку стратегии нужно начинать с ответа на вопрос, зачем России технологии искусственного интеллекта, подчеркнул Борис Глазков, вице-президент «Ростелекома». К примеру, США развивают ИИ для обеспечения обороноспособности и безопасности, в Китае на первом месте применение ИИ в экономике, а в Индии — в здравоохранении. Россия пока не ответила себе на этот вопрос.

Кроме того, следует разобраться с ресурсным потенциалом как с точки зрения числа имеющихся разработчиков, так и с точки зрения конкретных технологий, которыми они занимаются. «Искусственный интеллект» — это целая «корзина» с технологиями, включая машинный перевод, обработку естественного языка, распознавание образов, мультиагентные системы и пр. В какой области российские разработчики сильнее, на какую именно технологию можно опираться?

Выбирая стратегию, нужно также учесть отличительные особенности страны — громадную территорию, инфраструктуру огромной протяженности. Возможно, ИИ поможет компенсировать минусы, связанные с этим, и даже превратить их в плюсы?

Предыдущую технологическую гонку Россия проиграла, но на новом этапе построения «программируемого мира» решения для него вполне могут быть созданы на ее территории.

«Большинство технологий открыты, нейросеть способен сделать любой студент, вопрос только в данных, в кейсах и в уме, решающем, как ее применить, — отметил Сергей Дощенко, исполнительный партнер Gartner. — Используя новый виток развития цифровых технологий, мы можем создать привлекательные условия для жизни, сделать страну конкурентоспособной, чтобы сюда тянулись люди».

Не дожидаясь милости от нацпроектов

«Каждый энергоблок генерирует около 10 тыс. показателей в секунду, из них в реальной деятельности используется лишь 5–7%», Евгений Осоченко, руководитель проектного офиса «Цифровая трансформация отрасли» госкорпорации «Росатом»

Коммерческие компании уже сейчас успешно решают задачи цифровой трансформации, в том числе с помощью технологий машинного обучения. Так, в «Ростелекоме» уже несколько лет занимаются внедрением решений на базе технологий машинного обучения для подбора персонала, управления оттоком клиентов и даже стратегического планирования. По словам Глазкова, для крупной корпорации это не так уж дорого. В будущем ИИ понадобится телекоммуникационным компаниям для управления все более ветвящимися конвергентными сетями, для мониторинга и анализа трафика с целью получения конкурентных преимуществ. «Здесь нам потребуются российские разработки», — указал Глазков.

В «Росатоме» намерены с помощью ИИ снизить временные и стоимостные транзакционные издержки при принятии решений на среднем уровне менеджмента и развивают системы для анализа и правильного использования данных об эксплуатации объектов атомной энергетики. Каждый энергоблок генерирует около 10 тыс. показателей в секунду, из которых реально используется лишь 5–7%, сообщил Евгений Осоченко, руководитель проектного офиса «Цифровая трансформация отрасли» госкорпорации «Росатом».

По его мнению, при разработке ИИ-систем следует обратить внимание на следующие аспекты: достоверность данных, почему эти данные должны учитываться при принятии решений, каким образом они вписываются в операционную и бизнес-модель, а также безопасность чувствительных данных, касающихся неотчуждаемых конкурентных преимуществ компании. «Если мы взялись за гуж под названием «цифровая трансформация», то должны решить три части задачи: перестройка всех звеньев бизнеса адаптивно к спросу внешнего рынка, гибкая перестройка операционной модели и наложенная на все это система управления данными», — считает Осоченко.

Выбирая курс на ИИ

Компания «Цифра», специализирующаяся на создании «цифровых советчиков» для производственных предприятий на основе искусственного интеллекта, поделилась собственным опытом при выборе стратегических направлений для работы.

Павел Растопшин, управляющий директор компании «Цифра»

Чтобы понять, на чем следует сфокусировать усилия, в «Цифре» провели анализ публикационной активности по теме ИИ-решений для промышленности и сделали несколько выводов. Во-первых, разработчику данных технологий не обойтись без платформы, собирающей данные. Во-вторых, чем более вариативен производственный процесс, тем больше смысла им заниматься. К примеру, если при сходных условиях одни сталевары варят металл за час, а другие за 45 минут, то оптимизация вполне реальна — разница в электропотреблении и в деньгах для предприятия огромна. Еще один аспект, который следует учесть при выборе объекта моделирования, — достаточное количество установок или устройств (доменная печь, погружной насос для нефтепродуктов или ректификационная колонна), где математическая модель может быть применена. И наконец, перспективны для ИИ те области, где учить людей очень дорого и сложно либо цена ошибки очень высока, — например, пилотирование самолетов.

Чем государство могло бы помочь развитию технологий машинного обучения? Павел Растопшин, управляющий директор компании «Цифра», отмечает, что ученые по данным, как правило, плохо разбираются в технологических процессах, поэтому технологи-производственники с ними разговаривать не хотят. Государство могло бы организовать подготовку кадров не только со стороны математики, но и со стороны производства. Например, на каждой кафедре, выпускающей специалистов в области металловедения, учить также своих специалистов по данным и искусственному интеллекту. «Это реально могло бы дать нашей стране качественный скачок в накоплении экспертизы», — уверен Растопшин.

Для многих остается открытым вопрос, могут ли agile-методики и производство существовать вместе. Виталий Сухарев, лидер agile-трансформации функции маркетинга «Северстали», работает в компании уже 10 лет. Он начинал слесарем парогазотурбинного оборудования и прошел длинный путь, став лидером трансформации целой функции. Его первое погружение в тему Agile произошло несколько лет назад на одной из профильных конференций и принесло огромное количество энергии и позитива.

Сейчас «Северсталь» выпускает 11 млн тонн стали в год, работу этой огромной махины поддерживают 50 тыс. человек. Герман Греф как-то сказал, что изменить крупную компанию не менее сложно, чем заставить слона танцевать. Однако времена теперь таковы, что меняться приходится всем: нынешние условия требуют другой скорости, новых подходов к ведению бизнеса.

«В 2016 году явственно возникла проблема с разработкой новых видов продукции. Посмотрев вокруг, мы увидели, что были очень медленными — не только по сравнению с зарубежными компаниями, но даже с российскими конкурентами», — говорит Сухарев. Наиболее проблемным был показатель time to market — новые продукты выводились на рынок очень долго, в среднем 2–2,5 года, и иногда к моменту своего появления часть из них оказывались ненужными. Видя все это, люди сильно разочаровывались в своей работе, теряли веру в себя. С этим надо было что-то делать. Еще один нюанс — это критичность ошибок: в металлургии они обходятся очень дорого, так как минимальная партия нового товара составляет 350 тонн.

В попытках ускорить процессы разработки менеджмент компании стал присматриваться к альтернативным подходам, и один из них — Scrum — привлек наибольшее внимание. Однако требовалось его серьезно адаптировать к производственным реалиям.

Период адаптации

«Что такое инкрементально-итеративный подход и что он может дать разработке новых видов продуктов? Ведь понятно, что за две недели не удастся вывести на рынок частично готовое новое изделие и затем достраивать его, — говорит Сухарев. — А вот существенно сократить путь, ведущий к появлению нового продукта, совершенно точно можно. И каждые две недели корректировать направление своего движения тоже можно».

«В основе методик Agile лежит самоорганизация. Она сродни капризному цветку, которому для жизни требуются определенные условия и уход», Виталий Сухарев, лидер agile-трансформации функции маркетинга «Северстали»

В 2016 году в «Северстали» было запущено два пилотных проекта по разработке продукта в новом формате. Взяв за основу методику Scrum, собрали две небольшие кросс-функциональные команды по четыре-пять человек в каждой, в их работе использовались все типичные атрибуты: спринты, стендапы, обзоры, скрам-мастера. Сразу стало заметно, что работа пошла лучше, хотя люди были задействованы в проектах всего на 20–30%. Но даже эти первые эксперименты дали заметный эффект, и разработка ускорилась в 2–3 раза. Немаловажно, что новые методы взаимодействия оценили и сами участники команд. Как следствие, 2017 год ознаменовался резким ростом таких проектов: появилось около 25 команд.

«На проблемы, существовавшие на первых этапах, не обращали внимания из-за эйфории. Тем не менее впоследствии они сильно проявились, и основная из них — снижение управляемости», — отмечает Сухарев. Когда команд стало много, началась путаница, исчезла прозрачность, стало непонятно, в каких направлениях идет «движуха». Второй блок проблем — дискомфорт, обусловленный участием сотрудников в нескольких командах. Люди были вынуждены по несколько раз посещать стендапы, планирования, обзоры. В 2018 году было решено переконфигурировать работу команд, организовав их в виде потоков создания ценности (value stream). Запустить работу первой такой команды очень помогли эксперты ScrumTrek.

Командная игра

В результате реорганизации получилось продуктовое подразделение, включающее пять продуктовых направлений. Каждое из них объединилось вокруг определенной технологической цепочки и поддерживается кросс-функциональными командами. Каждая команда состоит из различных специалистов: разработчика технологий, маркетолога, продавца, специалиста технической поддержки и т. п. По мере необходимости в команды добавляются и другие специалисты. Причем люди в команды выделены на полное время.

«Мы поняли, что базовых элементов, существующих в Scrum, явно недостаточно, чтобы подразделение функционировало успешно. Были необходимы структурные изменения», — подчеркивает Сухарев. Первым таким изменением стала замена индивидуальных целей на цели командные. Тем самым был устранен ряд внутренних противоречий между участниками команд. Кроме того, все команды теперь размещены в одном помещении — офисе открытого типа (open space). У них появилась возможность удобно общаться, быстро договариваться, обмениваться практиками и решениями проблем. Изменился формат отчетности: были определены общие демодни, когда все команды представляют результаты своей работы коллегам, руководителям и прочим заинтересованным лицам. По-другому стали проходить и сами встречи: если раньше люди сидели за столами с компьютерами, то теперь все участники стоят и в ходе презентаций различных команд перемещаются по комнате.

Следующий блок, подвергшийся изменениям, — система оценок. Участники команд стали сами оценивать друг друга, а прежде этим занимались руководители подразделений. Очевидно, что после перехода сотрудника из подразделения в скрам-команду его линейный руководитель вряд ли сможет адекватно оценить его. «Также стало понятно, что Agile набирает обороты, и надо готовить собственные программы обучения. Недавно мы открыли свою школу скрам-мастеров», — говорит Сухарев.

Спринты для топ-менеджмента

Помимо разработчиков новой продукции, в компании появились две дополнительные команды поддержки — команда метаскрам и команда общей трансформации. Дело в том, что если команды будут сами заниматься еще и изменениями, то на работу по продуктам у них не останется времени. Команда из топ-руководителей, названная метаскрам, — важный с точки зрения скорости работы инструмент. Ее задача — решать проблемы, требующие вмешательства на более высоком уровне. Она также работает с элементами Scrum и личным примером мотивирует подчиненных на новые свершения.

Не менее важно, что команды разработчиков входят в состав одного подразделения, у которого единая цель, и каждая группа работает на «общий котел». Да, команды относительно автономны, но они действуют согласованно, как единый организм. Но стоит отметить, что появление новых ролей, изменение взаимоотношений и работы в команде были болезненными — сотрудникам во время перемен точно пришлось непросто.

Наконец, при создании любых инноваций требуется вписаться в регламенты, которые никто не собирается отменять. ««Северсталь» — огромный и довольно опасный производственный объект, во главу угла здесь поставлена безопасность: нормативы, правила и жесткий контроль. А мы выступаем проводниками новых идей, ратуем за креатив и свободу. Очевидно, что контроль и свобода находятся на разных чашах весов», — признает Сухарев. Кроме того, люди, которые проработали на предприятии 10–15 лет, не могут измениться в одночасье. На первых порах встречи команд иногда превращались в нечто «более привычное»: скрам-отчеты, нарезание задач, спрос за результат и корректирующую обратную связь.

Взращивая самоорганизацию

«Некоторое время назад, когда я был скрам-мастером в одной из команд, мне пришлось уехать в командировку. Я попросил коллегу провести планирование спринта и был очень удивлен, когда узнал, что одна из участниц команд сама вызвалась провести планирование», — вспоминает Сухарев. Мы часто считаем самоорганизацию чем-то неосязаемым и недостижимым. А она иногда проявляется самым неожиданным образом.

«Часть вопросов свелась к попытке понять, что же такое на самом деле Agile. Для себя мы уяснили, что в основе этих методик лежит самоорганизация. Она сродни капризному цветку, которому для жизни требуются определенные условия и уход», — продолжает Сухарев.

Чтобы «взрастить» самоорганизацию, можно порекомендовать следующее. Во-первых, командам нужна единая, объединяющая и вдохновляющая цель. Эта цель должна быть актуальной для каждого участника. Да, иногда непросто найти то, что «драйвит» всех, но без этого обойтись не удастся.

Второй фактор — самостоятельность: надо дать командам возможность самостоятельно достигать поставленных целей. И если команды готовы брать на себя ответственность, то не менее важна готовность начальства ее делегировать. На этом этапе формируется культура доверия. Да, отдавать бразды правления страшно, потому что ответственность за окончательный результат все-таки остается на руководстве. Чтобы минимизировать страх, нужна максимальная прозрачность работы. Именно непрозрачность всегда порождает недоверие.

Еще один важный шаг — определение границ самостоятельности, понятных и для команд, и для управленцев. Команде, как и ребенку, надо научиться ходить, говорить, читать и писать, и уже потом может идти речь о более сложных действиях. Поэтому надо договариваться о границах и постепенно их расширять. С ростом успехов команды растет и доверие, а с ним — расширяются границы.

Эти пять шагов ведут к появлению в команде ростков самоорганизации. За ними в дальнейшем придется так же бережно ухаживать.

«Несмотря на все наши ошибки и проблемы, мы видим, что место для Agile в производстве есть», — резюмирует Сухарев. Сейчас показатель времени создания новых продуктов сократился вдвое — до 1–1,5 года, а их число достигло 70. Но самое главное — стало понятно, что есть огромные возможности для дальнейших улучшений.

Ведущие компании внедряют средства искусственного интеллекта и машинного обучения, стремясь изменить принципы взаимодействия с клиентами, укрепить отношения с ними, обрести конкурентоспособность и повысить выручку.

Стержнем преобразований стали новые технологии — чат-боты, системы выдачи рекомендаций, механизмы составления персонализированных сообщений, инструменты интеллектуального таргетинга рекламы и средства распознавания образов. По прогнозу Gartner, доход предприятий, полученный благодаря средствам ИИ, вырастет к 2022 году по сравнению с нынешним втрое и достигнет 3,9 трлн долл., причем главным источником роста станет улучшение клиентского обслуживания.

ИИ привлекает внимание как бизнеса, так и ИТ-руководителей, поскольку сулит перспективы увеличить приток клиентов и способствовать их удержанию. Как показал опрос, проведенный Salesforce Research среди 3500 руководителей по маркетингу, в 51% компаний уже используют ИИ и более чем в четверти собираются провести внедрения в ближайшие два года.

Опишем, как в компаниях используют ИИ для улучшения взаимоотношений с клиентами и увеличения их численности.

Чат-боты

Автоматизированный агент, виртуальный помощник или чат-бот — самое типичное применение ИИ для взаимодействия с клиентом. Соответствующие технологии еще только-только начали развиваться, но на первой линии клиентской поддержки в компаниях ими успешно пользуются.

На сайты издательства Pearson Education, выпускающего учебные пособия, ежедневно заходит более 2 млн пользователей, и в среднем по 15 тыс. из них каждый день обращаются в службу поддержки, а в канун начала учебного года число обратившихся существенно возрастает.

В апреле прошлого года в Pearson решено было внедрить чат-ботов, которые бы помогали пользователям, столкнувшимся со сложностями при доступе к материалам и проблемами с системами просмотра, восстановлением паролей и т. п.

Чтобы справиться с сезонным увеличением числа обращений в службу поддержки, издательство расширило сотрудничество с компанией Salesforce и стало пользоваться ее чат-платформой Einstein. Как сообщают в Pearson, пилотное внедрение удалось провести всего за шесть недель.

Результат превзошел ожидания. Более 60% из 63 тыс. запросов о помощи в связи с проблемами доступа, просмотра и сброса паролей были отработаны чат-ботами. Остальные 40% были переадресованы людям, причем эти переадресованные проблемы удалось решить на 20% быстрее, поскольку чат-бот уже собрал значительную часть необходимых сведений. Накопленные данные по обращениям в Pearson планируют использовать для улучшения результативности работы чат-ботов.

Благодаря внедрению, и пользователям, и отделу ИТ удалось сэкономить очень много времени; в канун начала учебного года компании пришлось оплачивать труд меньшего, чем прежде, количества сотрудников службы поддержки.

Сейчас, в ходе подготовки к следующему всплеску обращений, ожидаемому в январе, идет работа по увеличению количества вопросов, на которые способны отвечать боты. Есть планы использовать чат-ботов в процессах продаж — например, для проверки лицензий преподавателей и предоставления сведений о статусе заказа.

Издательство рекомендует другим участникам отрасли заняться исследованием вариантов применения чат-ботов. Для этого потребуется анализ обращений, успешно отработанных людьми, — нужно выбрать самых результативных агентов и поручить им обучение чат-ботов.

Как свидетельствуют данные опроса, проведенного Constellation Research, сегодня уже в 50% компаний используют ИИ для клиентского обслуживания — в пилотных проектах или в рабочем режиме. Однако некоторые организации решили подождать, пока технологии чат-ботов станут более совершенными. Такие «ожидающие» верят, что у чат-ботов есть будущее, однако не удовлетворены эффективностью их работы или придерживаются мнения, что клиентам больше нравится общаться с живыми людьми.

Когда-нибудь чат-боты станут настолько развитыми, что отличить их от реальных людей будет невозможно, но пока не стоит рассчитывать на то, что автоматизированная система сможет заменить целый отдел. В Constellation Research отмечают, что польза от возможности переложить на чат-ботов нагрузку несомненна: люди получат больше времени на решение более сложных клиентских проблем.

Системы выдачи рекомендаций

В компании Bluestem Brands, владеющей несколькими онлайн-магазинами, пока воздерживаются от внедрения чат-ботов, но с успехом применяют ИИ для выдачи рекомендаций по покупкам.

Чтобы понять, что конкретно покупатель ищет в рамках очередного сеанса посещения онлайн-магазина, нужно учитывать не только историю прошлых заходов, но и контекст, в том числе раздел, где находится пользователь. Для лучшего анализа контекста можно использовать историю поиска, выполнявшегося другими пользователями.

В Bluestem экспериментируют с системой рекомендаций уже пять лет, и вот уже три года она применяется в рабочем режиме. В компании отмечают, что в связи с постоянными изменениями на рынке конкретные показатели улучшений назвать трудно, но эффективность каждой модификации системы ИИ можно оценить путем тестов.

В Bluestem проводят тесты на 10% аудитории сайта: половина покупателей взаимодействует с текущей версией системы, выполняя роль контрольной группы, а половина — с новой. Испытания заканчиваются, когда конверсия в контрольной группе достигает того же уровня, что и у 90% не участвующих в тестировании, после чего ИТ-руководитель оценивает эффективность нововведения. Обычно прибавка небольшая: уровень конверсии увеличивается примерно на четверть процента, — но такие улучшения вносятся постоянно, и обычно одновременно проводится по два-три тестирования.

По мере развития системы в компании изучают и другие факторы, способные повлиять на поведение покупателя. Например, те, кто проводят выходные не в родном штате, ведут себя при совершении онлайн-покупок иначе, чем дома, отмечают в Bluestem.

ИИ также планируется использовать для персонализации онлайн-витрин, чтобы сведения о товарах отображались для каждого покупателя в той форме, которую он предпочитает. Например, определенные характеристики товара могут быть для кого-то более важными, и их надо отображать на странице более заметно.

Персонализация сообщений

Компания Adorama, продающая электронику, использует ИИ для выдачи рекомендаций уже два года, но с наибольшим эффектом персонализация проявилась в маркетинговых сообщениях электронной почты, которые составляются при участии системы машинного обучения. По словам представителей компании, система помогает экономить.

Раньше заголовок письма в Adorama составлял копирайтер, а сейчас этим занимается компьютер. Рассылку персонализированных сообщений для Adorama организует сторонний поставщик услуг — такой договор был заключен, чтобы избежать найма собственных аналитиков и разработчиков на Python.

Компания размещает на своих сайтах счетчики посещений, передающие статистику поставщику услуг, предоставляет ему доступ к каталогу товаров Adorama и тестирует нововведения — обычно весь процесс занимает 40–50 часов.

Однако в Adorama предостерегают от поспешных внедрений ИИ, рекомендуя подходить к освоению новшества разумно и осмотрительно. Следует определиться, какую конкретно задачу требуется решить, выяснить, подходит ли для этого ИИ и будет ли такая система самой действенной и экономически эффективной.

Например, в случае персонализированных сообщений технология ИИ компании Persado помогла Adorama увеличить число переходов по ссылкам, что привело к увеличению оборота на 50–70%. В Persado обучают систему, используя предыдущие сообщения компании-клиента. При подготовке новой маркетинговой кампании сообщения составляются по аналогии с самыми успешными из прошлых рассылок. По прошествии некоторого времени оценивается, насколько кампании, проведенные с помощью ИИ, повлияли на уровень заинтересованности и число отписавшихся.

Но, как подчеркивают в Persado, люди по-прежнему участвуют в процессе. Во-первых, именно они составляют первоначальный текст нового сообщения, которое затем персонализируется с помощью ИИ для каждого конкретного покупателя. Во-вторых, люди проверяют составленное компьютером сообщение и выполняют окончательное редактирование.

Таргетинг рекламы

Использование ИИ в рекламном деле — еще одно важное направление усилий в компаниях, стремящихся изменить принципы взаимодействия с клиентами.

В Procter & Gamble, например, целый отдел специалистов data scientist экспериментирует с применениями ИИ, одной из главных областей стала реклама. В компании применяется программируемая платформа, распознающая покупателя, оценивающая его пожелания, выбирающая бренд для рекламного объявления и рассчитывающая затраты на размещение, и всё это — меньше чем за секунду. Как поясняют специалисты Procter & Gamble, речь идет о крупномасштабной модели высокой точности, работающей в режиме реального времени.

По сравнению с предыдущей «широковещательной» моделью новая гораздо экономичнее. Как признаются в компании, интеллектуальный таргетинг позволяет расходовать рекламный бюджет гораздо разумнее, а сами рекламные объявления стали гораздо более релевантными в глазах пользователей.

В P&G самостоятельно разрабатывают системы ИИ, используя инструменты с открытым кодом и коммерческие продукты. За последние три года стратегия компании в области освоения ИИ расширилась, появились новые группы разработчиков в США, Европе, Китае и Сингапуре. При этом в компании не рекомендуют бездумно внедрять новшества, в частности чат-ботов. Как полагают в P&G, боты способны помочь улучшить обслуживание покупателей, однако несовершенный бот, допускающий ошибки, может ухудшить впечатления клиентов.

Распознавание образов и видео

Обработка изображений — еще одна область, в которой ИИ помогает менять обслуживание клиентов. Один из примеров — онлайн-магазин мебели Wayfair.

В компании начали внедрять ИИ еще несколько лет тому назад, чтобы с большей эффективностью покупать рекламные пространства на сайтах социальных сетей, в поисковых системах и на телевидении. А вскоре в компании заинтересовались возможностями применения технологий компьютерного зрения с учетом специфики бизнеса по продаже мебели и бытовых принадлежностей.

Товары такого рода трудно отыскивать по ключевым словам, отмечают в компании. Если вам нужен коврик или диван, сложно подобрать точные слова, которые бы описывали именно то, что вам требуется. На сайте Wayfair покупателям не нужно перебирать весь колоссальный каталог товаров, предлагаемых магазином, — система персонализации демонстрирует каждому пользователю наиболее подходящие для него продукты.

ИИ используется в Wayfair, чтобы рекомендовать внешне похожие друг на друга товары. Кроме того, покупатель может загрузить сделанный им снимок какого-либо предмета, например кофейного столика, и получить рекомендации подобных товаров из каталога компании. Система может предложить товары, отвечающие определенному стилю, например «модерн», «современный» или «индустриальный», а также «догадаться», как лучше всего представить товар покупателю — скажем, отобразить предмет на белом фоне или в домашней обстановке, снятым сбоку или спереди.

В дальнейшем ИИ планируется использовать, чтобы помогать покупателям менять домашний интерьер. Например, клиент может продемонстрировать системе комнату, указав, что хочет сделать ее более современной. Над такой возможностью работа пока только идет, объясняют в Wayfair. В компании надеются стать пионером в этой области — пока что ни у кого нет системы, способной оценить процентное соотношение стилей в домашней обстановке.

Механизмы обработки изображения являются основой технологий виртуальной, дополненной и смешанной реальности, с которыми тоже экспериментируют в компании. В Wayfair полагают, что инвестировать в них определенно стоит. В августе в партнерстве с разработчиками шлема дополненной реальности Magic Leap компания запустила систему шопинга для его пользователей, а в октябре — приложение для дизайна интерьеров и планирования обстановки помещений.

В P&G тоже используют ИИ в системах распознавания образов и видео. В компании создан автоматизированный консультант по товарам для ухода за кожей бренда Olay, система анализирует снимок лица, присланный покупателем через приложение или сайт, и рекомендует подходящие продукты. По словам представителей P&G, для анализа изображений применяется система глубинного обучения, которая обеспечивает предельную точность персонализации взаимодействия, упрощает его и способствует повторным покупкам благодаря повышению лояльности к бренду.

Кроме того, в P&G применяют систему распознавания образов, чтобы оптимальнее размещать товары на полках в обычных магазинах. Изучаются возможности использования ИИ для анализа видео. Как подчеркивают в компании, очень важно знать, как именно используются товары. В рамках проекта с разрешения покупателей ведется съемка их действий — например, того, как они пользуются швабрами, моющими средствами и т. п. Ручная обработка больших объемов подобных видеозаписей затруднительна, а компьютер справится гораздо эффективнее, интерпретируя происходящее в кадре даже точнее, чем люди.

«Матрица» искусственного интеллекта

Как отмечают в Wayfair, хотя сейчас ИИ в основном применяется точечно для решения определенных задач по улучшению обслуживания, все они взаимосвязаны. Например, система назначения расценок влияет на маркетинг, а маркетинговые системы оказывают влияние на прогнозирование спроса. Такие прогнозы, в свою очередь, могут влиять на промоакции и наоборот. По оценке специалистов, системы можно будет комбинировать и оптимизировать их взаимодействие.

С учетом того, что data science и алгоритмические методы сегодня нередко применяются по всей организации, а не только в отдельных ключевых функциональных областях, инженерия ПО фактически становится стержнем предприятия, а наука о данных — его жизненной силой.

— Maria Korolov. 5 ways AI is transforming customer experience. CIO. October 23, 2018

Что делает лидера выдающимся? Единого набора личностных качеств, базовой подготовки и талантов, отталкиваясь от которых, можно было бы спрогнозировать эффективность руководства, наверное, не существует, но определенные лидерские компетенции, необходимые хорошему руководителю, все же сформулировать можно.

Фундаментальное значение имеет понимание продуктов вашей организации, ее позиции на рынке и технологического стека. Конечно, необходимо ориентироваться на результат, но есть и другие, менее очевидные качества, которые важны для успешного лидера в приобретающем все более цифровой вид мире.

«Сегодня успех в профессии обусловлен не столько опытом работы с конкретными технологиями или знанием определенного языка, сколько наличием инструментария для понимания технологий и умением адаптироваться к их изменениям, — указал генеральный директор платформы для электронного обучения и учебных приложений Quizlet Мэтт Глотцбах. — Умение анализировать данные, критически мыслить, обустраивать мир, наполненный данными, — все эти навыки не только очень важны, но и совершенно обязательны».

Исследование, проведенное американским подразделением консалтинговой компании по кадрам Randstad, показало: 95% из 5 тыс. руководителей, принимавших участие в опросе, убеждены, что для эффективного управления изменениями организационной структуры и операционных моделей, обусловленными цифровизацией, необходимы новые и разные виды руководства.

Перечислим, какими ключевыми компетенциями руководители завтрашнего дня должны обладать уже сегодня.

Умение вдохновлять других

«Поддержание связи и взаимодействия сотрудников друг с другом, а также с другими подразделениями при решении задач, стоящих перед командой, — ключевое требование, предъявляемое к руководителям высшего звена, — указал директор Randstand US по персоналу Джим Линк. — Чтобы по-настоящему вдохновлять сотрудников, цифровые лидеры должны понимать их сильные стороны, находить пространство для улучшений и знать, как трансформировать все это в успех своей команды или группы. Индивидуальное восприятие того, что делает специалиста в сфере ИТ выдающимся, варьируется значительно шире, чем в других отраслях. Так что умение понять мотивацию и личностные качества людей, оценить их возможности и навыки и придумать, как можно распространить все это на команды, подразделения и всю организацию, действительно имеет очень важное значение».

Кроме того, руководители должны обеспечить сбалансированную программу профессионального развития, которая побудила бы сотрудников демонстрировать все лучшее, на что они способны.

«Сюда относится и понимание того, когда и как следует проявлять свои менторские качества, когда и как использовать обратное менторство, спонсорство, — отметил Линк. — Тогда вы сможете направить силы каждого отдельно взятого индивидуума на достижение общекомандного успеха».

Понимание, как использовать технологии

«Успешные ИТ-лидеры используют любые цифровые инструменты и инновации, имеющиеся в их распоряжении, охотно изучают и внедряют новые технологии, — подчеркнул Линк. — Опытные лидеры делают это не только для повышения конкурентоспособности своей организации, но и для лучшей оценки и выявления внутренних резервов и пространства для улучшений. Способность руководителя извлекать из технологии максимум открывает самые широкие возможности — от привлечения лучших кадров до активного вовлечения сотрудников в рабочий процесс, и не только. Люди принимают решение о том, где работать, исходя из положения компании, из того, какое место она занимает в отрасли и на рынке. Специалисты увольняются или не принимают предложения о работе, если организация не проявляет технологической смекалки, а отстающие компании испытывают явный дефицит талантов».

«То, насколько программное обеспечение удобно в работе, самым непосредственным образом сказывается на качестве работы, выполняемой сотрудниками, — добавил технический директор IFS Рик Виг. — А это, в свою очередь, отражает степень эффективности руководства. Если возможности работников ограничены, они начинают искать для себя более зеленые пастбища. Удобство использования имеет важнейшее значение для удовлетворенности сотрудников, их вовлечения в общий процесс и в конечном итоге для их удержания. Особенно важно это для старой гвардии — представителей эпохи бэби-бума и поколения X, поскольку они не только обладают техническими навыками, но и занимают руководящие должности, а уходя, забирают с собой свои знания и опыт».

«Успешные руководители ИТ-служб используют технологические инструменты для определения уровня квалификации лидеров во всех слоях организации, — указала президент компании XBInsight Кэти Грейм-Левисс. — Эти данные могут помочь планировать преемственность и заполнять пробелы. Многие организации стремятся развивать лидерские качества в верхних эшелонах и на управленческом уровне, упуская при этом потенциальные возможности улучшений в нижних сегментах — а здесь открывается широкое поле для улучшений».

Поощрение взаимодействия

«За последние пять лет характер взаимодействия претерпел значительные изменения, — отметил Линк. — И произошло это не только благодаря использованию на рабочих местах новых инструментов. Наиболее радикальные перемены связаны с командным лидерством, сотрудничеством и моделью поведения — с так называемой работой в команде. Это имеет особенно важное значение для миллениалов, представителей поколения Z и будущих поколений, которые придут на рабочие места завтра. Для большинства молодых специалистов работа в команде подразумевает некое племенное единство — наличие сообщества людей, идущих к общей цели в одном и том же месте в одно и то же время. Взаимодействие же означает движение к цели, пребывание в общем пространстве при этом необязательно. Можно находиться в разных часовых поясах, местах, штатах, странах. Вот отличие от командной работы, и наличие лидера, понимающего это, приобретает ключевое значение».

Руководители, облегчающие взаимодействие и понимающие необходимость гибкости, сбалансированности работы и личной жизни, а также удаленной работы, могут воспользоваться этими преимуществами, чтобы вдохновить свою команду и вовлечь ее в общее дело.

«Лучшим ИТ-лидерам известно, что, несмотря на желание людей поддерживать живое общение с членами своей команды, между присутствием и эффективностью нет прямой связи, — подчеркнул Линк. — Особенно это касается молодого поколения. Оно ищет в руководителе соответствующие качества, понимание им сути взаимодействия и всего того, что нужно для достижения цели».

Стимулирование инноваций

«Как правило, инновации являются неписаной частью должностных обязанностей руководителя ИТ-службы, — указывает Грейм-Левисс. — Вместе с тем очень важное место отводится формированию культуры инноваций, обучению и постоянному совершенствованию, умению определять и оценивать инновации. Компании не могут позволить себе создавать отдельное подразделение, которое занималось бы инновациями. Для этого у них нет ни времени, ни ресурсов, и им приходится генерировать инновации изнутри. Хорошие ИТ-лидеры понимают, что в этот процесс каждый день должны быть вовлечены все сотрудники организации».

Способно ли руководство поощрять отдельных людей и команды подходить к бизнес-проблемам с любопытством и беспристрастностью, помогающими находить правильные решения? Может ли стимулировать в других творческие идеи и стремление экспериментировать? Принимает ли изменения и готово ли поддерживать следующие шаги к инновациям? Все эти качества присущи выдающимся, инновационным лидерам.

Принятие рисков

«Оборотной стороной инноваций является управление рисками, понимание того, как совладать с боязнью неудачи и научиться брать на себя оправданные риски, — поясняет Линк. — Руководители понимают, что обучение, вовлеченность и инновации возникают тогда, когда людей поощряют пробовать новые решения и не опасаться наказания за то, что эти решения будут работать не так, как ожидалось».

Управление «декомпрессией»

Наконец, в сегодняшней, наводненной данными и информацией среде, где ИТ-команды поощряют брать на себя риски, а давление очень велико, умение выбрать время для снятия напряжения приобретает очень важное значение.

«Увязнув в данных, мы видим, что успешными лидерами становятся те, кто умеет сделать шаг назад и разглядеть общую картину (увидеть, так сказать, лес за деревьями) и найти удачное время, для того чтобы выпустить пар», — указал Линк.

Подобно тому, как глубоководные ныряльщики знают, что всплывать надо медленно, чтобы избежать кессонной болезни, успешные лидеры понимают, что подчиненных нужно нацелить на решение стратегических задач, оставив им время для отдыха и восполнения сил.

«Мы полагаем, что эта компетенция развивается, и продолжаем ее изучать, — заметил Линк. — Является ли такое качество врожденным? Или ему можно научиться? Мы полагаем, что руководителям нужно уметь распознавать сигналы и выявлять признаки перегрузки и чрезмерного давления, понимая, когда необходимо сделать перерыв».

— Sharon Florentine. 6 essential competencies for digital executives. OCT 17, 2018

Аналитики сходятся во мнении, что рынок вступил в стадию формирования экосистем, в рамках которых все действующие лица будут получать удобные и взаимовыгодные сервисы. Финтех эту стадию уже практически прошел, а остальным направлениям предстоит преодолеть этот путь. Логичным продолжателем пути пионеров становится HR-сфера, включая поиск и подбор сотрудников.

В «Севергрупп» сформирована концепция развития человека, объединяющая технологии в области поиска работы и сотрудников и управления персоналом (HR Tech), образования и повышения квалификации (Ed-Tech) и самозанятости. Речь идет о компании TalentTech: в рамках ее экосистемы будет работать «единое окно» как для компаний, так и для кандидатов. С ее помощью бизнес сможет находить подходящих специалистов, а люди получат понимание, в каком направлении имеет смысл развиваться, какие навыки необходимы, где учиться, куда устраиваться. Sever.AI — один из продуктов этой будущей экосистемы, который отвечает за область рекрутмента на базе искусственного интеллекта и машинного обучения. Над этим проектом сейчас работают чуть больше 20 человек. Рассказывает о проекте Азат Шамсутдинов, директор по цифровым технологиям Sever.AI, — номинант на премию CDO Award, учрежденную проектом CIO.ru и издательством «Открытые системы».

— Что в самых общих чертах представляет собой проект Sever.AI?

Sever.AI состоит из трех основных блоков: поиск и оценка резюме кандидатов; коммуникация (звонок, SMS, электронная почта или чат), чтобы узнать об интересе к вакансии; проведение и оценка видеоинтервью. Прежде всего мы хотим помочь компаниям и HR-специалистам: автоматизировать рутинные, механические процессы в области рекрутмента и организовать быстрый поиск качественных кандидатов. Наша платформа позволяет одновременно и получить доступ ко всем релевантным кандидатам на рынке, и возможность сосредоточиться только на самых подходящих из них — благодаря оценке «подходимости» для конкретной вакансии в конкретную компанию.

Как это работает. Специалист по найму заходит в систему, дает описание вакансии как на сайте для поиска работы (требования, обязанности, местоположение и т. п.), а дальше начинает свою работу платформа Sever.AI. Сначала она находит резюме подходящих под вакансию кандидатов. Каждое резюме получает балл, определяющий его соответствие вакансии. Система интеллектуальна: скажем, если в описании вакансии указано требование «знание Excel», а человек пишет о «знании MS Office», робот поймет, что кандидат подходит по параметру «знание Excel». Наши эксперименты показали, что робот оценивает резюме объективнее, чем человек. Робот, в отличие от человека, не устает, у него не бывает плохого самочувствия или скверного настроения, поэтому он сильно выигрывает, к тому же его работу без проблем можно масштабировать, добавив мощности аппаратного обеспечения.

Результат первого этапа работы — выборка релевантных кандидатов. После робот взаимодействует с выбранными кандидатами — узнает, насколько интересна им вакансия. Общение происходит по телефону, по электронной почте, посредством SMS и мессенджеров. В ходе разговора кандидат может задавать уточняющие вопросы, используя в том числе сленг. Например, вопрос в чате «з/п скок?» робот поймет вполне правильно. Если кандидат подтверждает интерес к вакансии, его приглашают на видеоинтервью — вопросы выводятся на экран, время на подготовку и ответ ограничено.

Затем Sever.AI просматривает видео с ответами, анализируя те же три основных источника информации, что и человек: изображение (внешнее поведение кандидата), звук (его речь, тембр) и текст (содержание ответов). Например, по видеоряду система анализирует изменение микровыражений лица в зависимости от вопросов, считывает реакцию человека. По звуку можно отследить изменение тембра голоса, темп речи и множество других параметров. Смысл сказанного анализируется после перевода речи в текст. В зависимости от вакансии система взвешивает все перечисленные параметры, агрегирует их и выставляет еще одну оценку кандидату. И здесь важно, что по видеоинтервью уже можно определить, насколько человек соответствует не только вакансии, но и профилю компании.

Как Sever.AI видит кандидата

В итоге получается три оценки: по резюме, по коммуникации и по видеоинтервью. Лишь после этого к процесcу подключается живой человек, уже на этапе, когда имеется релевантная выборка кандидатов, заинтересованных в вакансии и подходящих по профилю. Он проводит традиционные очные интервью и принимает окончательное решение. Конечно, человек всегда может вмешаться на любом этапе. Например, просмотреть найденных кандидатов и пригласить на видеоинтервью или даже на очную встречу, если соискатель очень понравится.

— Подобные проекты в первую очередь фокусируются на рутинных задачах HR. Их проще реализовать или они действительно важнее для компаний?

В первую очередь это потребности клиентов. На рутинные задачи крупные компании тратят очень большие ресурсы, особенно это касается массовых позиций с высокой текучестью. Рекрутерам вполне можно облегчить жизнь, сделать так, чтобы они занимались более полезными для компании делами, а не рутиной, просматривая однотипные резюме, задавая одинаковые вопросы и получая схожие ответы. Эту работу вполне можно переложить на роботов.

— Какое влияние окажут подобные сервисы на развитие HR-служб?

Сейчас от HR-специалистов требуется достаточно быстро находить кандидатов, и время закрытия позиции (time to hire) имеет в их работе все большее значение. У многих компаний есть вакансии, не закрываемые годами, недоукомплектованные подразделения. Кроме того, текучесть персонала в последние годы возросла: люди все активнее переходят из одной компании в другую. В России добавляется еще один фактор: демографическая яма 90-х годов. Поэтому повышается потребность в решениях, которые позволяют как можно быстрее находить нужных специалистов.

Как показывает практика, в среднем HR-специалисты приблизительно половину своего рабочего времени тратят именно на поиск кандидатов. Отдав рутину машине, они смогут сконцентрироваться на гораздо более важной задаче — удержании сотрудников. Наконец, появится возможность для более интеллектуального подхода к HR: имея больше исходных данных, можно проанализировать, какие из принятых кандидатов дольше и лучше работали. Удастся вывести всю работу кадровых отделов на качественно иной уровень.

— Sever.AI изначально задумывался как внутренний проект «Северстали», призванный обслуживать внутренние кадровые потребности этой гигантской структуры?

Sever.AI звонит кандидату

Это совсем не так, проект изначально был независимым стартапом. Название не имело никакого отношения к «Северстали», его придумали под впечатлением от сериала «Игра престолов». Именно оттуда рабочее название, связанное с «Севером»: Sever.AI — для российского рынка и North.AI — для зарубежного. Лишь некоторое время спустя произошла сделка с «Севергрупп», ставшей стратегическим инвестором компании.

— Почему робот при просмотре и анализе анкет эффективнее лишь в несколько раз, а не в десятки и сотни раз? Очевидно же, что в такой работе компьютер имеет огромное преимущество перед человеком — «аналоговым» существом.

Действительно, компьютер несопоставимо быстрее человека. Отчасти наше преуменьшение обусловлено тем, что неподготовленный клиент может посчитать неправдоподобным слишком пугающий разрыв в эффективности между человеком и роботом. Кроме того, у некоторых HR может возникнуть страх того, что компьютер способен полностью исключить человека из этого процесса. На самом деле это вовсе не так.

Наши пилотные проекты показывают, что кадровая проблема связана не только с дефицитом кадров, но и со сложностями в поиске именно релевантных для компании кандидатов. Дело в том, что один и тот же кандидат на одну и ту же должность может одной компании подойти, а другой — нет, причем по каким-то внутренним установкам: корпоративной культуре или другим факторам. В результате компании тратят на поиск неоправданно много времени. Чтобы поправить положение, можно нанять больше специалистов по подбору персонала или пытаться использовать новые технологии. Второй вариант перспективнее, так как для бизнеса в ближайшие 10 лет демографическая ситуация не улучшится.

— Уйти от человеческого фактора — это здорово. Но как же опыт и интуиция? Не окажется, что бездушный компьютер пропустит то, что заметил бы опытный кадровик?

На первых этапах работы с кандидатом робот видит ровно то же, что и рекрутер. Именно поэтому люди подключаются лишь на последнем этапе взаимодействия, когда уже имеет смысл применять опыт и интуицию. И, как бы нам ни хотелось верить в обратное, наш опыт показывает, что на первых этапах — при оценке текста резюме и ответов на вопросы видеоинтервью — робот объективнее человека, на него не влияют внешние факторы.

— Почему речь идет именно про массовые позиции? Ведь нанять «правильного» топ-менеджера экономически гораздо выгоднее, чем тысячи кассиров.

Тут все просто. Топ-менеджер оценивается на совсем другом уровне, такая оценка требует более глубокого анализа его опыта, а этот опыт выявляется при личном общении. К тому же роботов надо на чем-то обучать, а данных о топ-менеджерах на рынке явно недостаточно. А значит, ошибка робота-рекрутера в оценках кандидатов топ-уровня будет очень велика.

Однако наше решение вполне можно использовать не только при подборе массового персонала, но и в поиске более квалифицированных специалистов — например, программистов или менеджеров среднего звена. На таких вакансиях роботы будут отрабатывать довольно хорошо. Кстати, совсем недавно мы, отчасти в качестве эксперимента, нашли себе разработчика с помощью Sever.AI.

— Каковы основные проблемы, возникающие в ходе работы над проектом?

Учитывая масштабы «Севергрупп», с данными больших проблем нет — в одной «Северстали» работает более 50 тыс. человек, можно и обучаться на этих данных, и использовать их для оценки качества модели.

В первую очередь проблемой становится соответствие ожиданиям клиентов. Часто они хотят получить готовое работающее решение и не желают включаться в работу по его созданию. А ведь робота нужно сперва обучить, настроить, и все эти процедуры должны проходить с участием заказчиков, требуется понять их внутреннюю кухню. Поэтому приходится объяснять клиентам, что их участие в проекте все-таки необходимо.

Есть две модели подготовки роботов к оценке резюме. Выбранная модель влияет, с одной стороны, на время старта и степень вовлеченности клиента, а с другой — на точность и качество результата. По первой («обучение с учителем») мы отправляем определенное число анкет рекрутерам заказчиков и просим оценить их, обучая робота на их разметке. По второй модели роботу не нужно обучаться на разметке, он анализирует внешние факторы — например, пытается понять, что написано в вакансии, сканирует сторонние сайты, изучает похожие вакансии, усваивает терминологию. Он понимает рынок — видит, какие вакансии появляются, какие уходят, как изменяется портрет того или иного специалиста. Кстати, машина обучается быстрее живого рекрутера. Для обучения с учителем требуются сотни анкет, во втором случае речь идет о десятках тысяч.

Для оценки коммуникации с кандидатами робот учится на различных текстах, книгах и фильмах. Для работы с видеоинтервью система обучается на сотрудниках клиента: они записывают интервью, и робот отсматривает записи. На этом этапе появляется «портрет сотрудника компании», и робот пытается найти людей, соответствующих такому портрету, — тем самым удается добиться не только соответствия требованиям интервью, но и культуре компании.

— О каких объемах данных идет речь?

Сейчас это терабайты. Для работы с социальными сетями понадобятся совершенно другие ресурсы и подходы.

— На каких решениях построена инфраструктура для работы с данными?

Для хранения больших данных у нас используется Hadoop, для обработки данных — Spark, для обработки потоковых данных — Spark Streaming. При дальнейшей обработке применяем разные инструменты, в том числе проприетарные — Tableau, Power BI. Можем использовать внешние базы SQL для тех проектов, где нет больших данных и нужны быстрые доступность и обработка.

Все зависит от потребности и оптимальности. Если за счет коммерческого продукта мы добьемся большей эффективности, то использовать будем его. Если же без особых потерь можно использовать продукты open source, то ориентируемся на них.

— В чем основные проблемы управления данными?

У нас главная проблема — тоже кадровая: трудно найти подходящего человека, который будет отвечать за определенную область, например за хранение или обработку данных. Рынок специалистов крайне узок, их очень мало.

Вторая проблема — динамика рынка. Создавая модели, мы сначала хотели пойти путем обучения на исторических данных — например, имеющихся у клиентов данных о кандидатах. Однако вакансии очень быстро устаревают, требования к сотрудникам постоянно меняются, поэтому модели очень плохо обучались.

Кроме того, данные у всех HR-департаментов разные и их качество далеко от идеала. Люди редко задумываются, что их данные когда-либо могут понадобиться для анализа, и хранят их в виде картинок, текста, почтовых сообщений — в абсолютно разрозненном виде. Далеко не в каждой компании можно сформировать цельную картину для обучения модели.

— В итоге исторические данные стали абсолютно ненужными?

От обучения на исторических данных пришлось полностью отказаться. Но я все-таки верю, что из них тоже можно извлечь ценность, когда поставлены другие цели. Если компания захочет увидеть эволюцию какой-либо позиции — изменение рынка, чтобы спрогнозировать будущее, то без исторических данных не обойтись.

— Какие методы машинного обучения используются в рамках проекта?

Применяются практически все, ведь приходится использовать все виды данных: текст, аудио, видео, картинки. В первую очередь всё, связанное с нейросетями, а также последние наработки по тематическому моделированию, которое неплохо развито в России. Ну и стандартные алгоритмы, которые всеми используются.

— Сейчас решение охватывает всю подготовительную часть работы при рекрутинге. А каковы планы его дальнейшего развития?

Со временем станет все сложнее найти хороших кандидатов на работных сайтах. Важно будет отлавливать соискателей не в момент создания и публикации резюме, а гораздо раньше — когда они только задумались о возможной смене работы и подали соответствующие сигналы. Поэтому в перспективе мы начнем плотнее работать с соцсетями и поисковиками, возможно, с банками и онлайн-ретейлерами — теми, у кого будут такие данные.

Кроме того, планируется доработка той части, которая связана с набором кандидатов: где их взять, откуда пригнать трафик, чем заинтересовать. Потом будем добавлять тесты на профессиональные навыки, возможно в игровой форме. Это позволит минимизировать ошибки. Ведь резюме можно написать очень привлекательное, и даже есть профессиональные услуги в этой области. Из-за этого существует поток нерелевантных кандидатов. Чтобы снизить долю людей, которые ошибочно попадают на стадию видеоинтервью, их когнитивные навыки можно проверить путем тестов.

Далее пойдем в сторону онбординга — адаптации сотрудников, их подбора под определенную команду, а также оценки их лояльности, вероятности увольнения и способов удержания.

— Каких результатов позволяет добиться решение и каким образом?

Робот не субъективен. Кроме того, в поиске подходящих кандидатов по резюме в среднем он эффективнее рекрутера на 20%. Сейчас 9 из 10 найденных роботом кандидатов являются подходящими. Рекрутер же предлагает 6–7 подходящих человек из 10.

Пилоты показали ускорение времени закрытия позиций почти вдвое. Если говорить о бюджетах, то многое зависит от массовости вакансий. В крупных компаниях и при работе с позициями высокой текучести экономия на процессах рекрутмента может составлять до 90%.

Например, в пилотном проекте с розничным банком при показателе текучести 128% экономия за год использования сервиса составила 50%. При больших масштабах и больших показателях текучки персонала эффект будет еще заметнее.

— Каковы сейчас результаты у компаний, которые уже являются вашими клиентами?

В одну из крупнейших российских нефтехимических компаний мы полностью внедрили все разработанные блоки, решение было запущено летом. В этом проекте любопытнее всего показатель конверсии. Как выяснилось, кандидаты охотно разговаривают с роботом — конверсия из найденных кандидатов в отклик составляет около 60%. Более того, с роботом многие общаются охотнее, чем с человеком, потому что могут задать ему вопросы, которые стесняются озвучивать рекрутеру. В результате до этапа видеоинтервью доходит около 20% кандидатов. И это очень хороший показатель — нормой считается 5%. Добиться такого результата получается в том числе благодаря непрерывному взаимодействию с кандидатом, общению с ним. Например, живой рекрутер может забыть напомнить о запланированном собеседовании, а вот автоматизированная система не забудет. Как это ни печально, зачастую робот может обеспечить более «человеческое» отношение к кандидату.

— Способны ли технологии искусственного интеллекта полностью автоматизировать функцию HR и в какой последовательности это будет происходить?

В целом развитие технологий HR накладывается на одну важную вещь — положение самого HR внутри компании. Еще 20 лет назад вышла первая статья про то, что HR, как и ИТ, должен перерасти обслуживающую функцию и превратиться в бизнес-партнера. Ведь, несмотря на огромную важность для бизнеса, HR-директора часто занимают в корпоративной иерархии не самую сильную позицию. И вопрос не только в высоте положения, но и в том, насколько реально они вовлекаются в процессы формирования стратегии компании.

Поэтому развитие HR-технологий будет зависеть от того, насколько компании будут следовать тренду роста значимости HR и насколько сам HR будет готов брать на себя ответственность за управление такими проектами. В сфере HR сейчас вообще довольно низкий уровень проникновения технологий по сравнению с другими бизнес-функциями. Во многом по причине того, что бизнес изначально недостаточно серьезно воспринимал эту сферу и лишь сейчас здесь начинается волна внедрения современных систем. Насколько мы сможем продвинуть технологии и где будет пролегать граница между человеком и роботом, зависит от готовности самих HR уйти от аналогового мира к более эффективным решениям.

— Искусственный интеллект начинает захватывать мир с тех направлений, в которых сотрудники полноценно используют в работе лишь одну свою когнитивную функцию — например, с контакт-центров. Насколько перспективен с этой точки зрения HR?

Разумеется, для нас голос, в отличие от контакт-центра, — не единственный и не главный источник информации. Однако именно тот факт, что робот может оценить кандидата объективно с самых различных точек зрения, делает его в данном процессе более эффективным по сравнению с человеком. Но важно отметить, что, во-первых, рекрутмент — лишь отдельная и весьма обособленная часть HR-процесса. Она исторически более проработана — известна, понятна и хорошо описана. Во-вторых, мы решаем лишь часть задач процесса рекрутмента.

— Не может ли оказаться, что в остальном работа HR слишком «человеческая» и не очень поддается передаче ИИ?

Мы не являемся оголтелыми энтузиастами и прекрасно понимаем, что есть определенные границы. Полностью убрать из процессов человека пока невозможно и неэффективно. Однако применение простейших CRM-подходов к работе с кандидатами и минимальная аналитика показывают, что «человечность» этой сферы преувеличена. Мы видим на своих продуктах, что тандем человека и технологий оказывается в разы эффективнее.

— А клиенты сами готовы к таким переменам?

По большей части готовы. Действительно, часто компании, создавшие инновационное решение, сталкиваются с тем, что рынок не готов воспринять новые идеи. Лет пять назад нас бы не поняли.

HR-департамент одной из телекоммуникационных компаний на встречу с нами неожиданно пригласил своих инженеров по данным — видимо, чтобы «вывести шарлатанов на чистую воду». Нам удалось найти общий язык, эти специалисты оценили правдоподобность наших обещаний. Такое бывает. Однако чаще всего технологический уровень компаний, составляющих нашу целевую аудиторию, вполне адекватен. До середины прошлого года многими нашими коллегами была проделана большая работа по обучению рынка. И конечно, наличие реальной бизнес-боли значительно повышает скорость «созревания» заказчиков.

Если вы работаете ИТ-директором или вы руководитель бизнеса и испытываете трудности с реализацией цифрового бизнес-проекта, то для успешного продвижения вперед вам нужно взломать свою ИТ-культуру.

«Цифровой бизнес, ускоряясь, разрушает основы привычного ведения дел, — рассказывает исполнительный вице-президент Gartner  и руководитель исследовательского направления Майк Харрис. — Эти новые модели переопределяют способы создания организациями новых ценностей. Они бросают вызов традиционному менталитету, заставляя ИТ-директоров думать и действовать по-новому».

Смена менталитета — основная движущая сила новых технологий и один из способов, которого в Gartner рекомендуют придерживаться при изменении культуры компаний.

«Взломайте культуру, чтобы ее изменить, — советует вице-президент Gartner по исследованиям и аналитике Кристин Мойер. — Под взломом культуры мы понимаем не поиск уязвимых мест для вторжения в систему, а выявление уязвимых точек в культуре и внесение реальных изменений, устраняющих эти уязвимости».

Взлом подразумевает выполнение ряда мелких операций, которые обычно упускают из виду. «Правильный» взлом порождает эмоциональную реакцию, приводит к немедленным результатам и сразу виден множеству людей.

По оценкам Gartner, 46% ИТ-директоров считают культуру главным барьером на пути к извлечению выгод из цифрового бизнеса.

Культурные перемены тесно связаны с переводом постоянно меняющихся и совершенствующихся технологий в новое состояние, которое в Gartner называют «динамизмом». К такому динамизму организациям следует стремиться

По словам Харриса, неважно, является модель управления бизнесом свободной или контролируемой. Главный фактор успеха — это динамизм, но более чем трем четвертям организаций его не хватает. А между тем способ внедрения организациями технологий и динамизм — критически важные факторы.

Четыре стратегии, гарантирующие цифровой успех

Аналитики Gartner указали, на какие еще важные тенденции следует обратить внимание руководителям ИТ-служб, если они хотят, чтобы их организации в ближайшем будущем добились успеха.

Конфиденциальность. Если ИТ-директора не в состоянии успешно управлять конфиденциальностью, весь процесс цифровой трансформации подвергается риску. «Все чаще обеспечение конфиденциальности ведет к повышению уровня доверия, а доверие — сила, — указал Харрис. — У вас, как у ИТ-директора, имеется мандат на защиту конфиденциальных данных потребителей, граждан и сотрудников. Обычно назначается ответственный за программу управления конфиденциальностью, своевременное обнаружение и устранение брешей, а также предоставление пользователям возможности управлять своими данными. Вопрос этот должен решаться на уровне совета директоров, но едва ли хотя бы половина организаций может похвастаться наличием адекватного управления».

Дополненный интеллект. Идея заключается в том, чтобы использовать искусственный интеллект для расширения возможностей людей. Когда сотрудников поддерживают передовые системы искусственного интеллекта, процессы и роботы, их рабочий функционал становится гораздо шире. В Gartner ожидают, что к 2021 году экспертные системы будут отвечать на вопросы лучше человека. Но при этом искусственный интеллект не заменит людей, а будет дополнять их.

Управление цифровыми продуктами. Переходя к менталитету цифровых продуктов, организации ставят в центр разработки клиента. Вице-президент и известный аналитик Gartner Марк Раскино перечислил несколько компаний, которые уже идут этим путем: в Chase Bank имеется менеджер по цифровым продуктам, курирующий платежное приложение банка; в McDonald's есть менеджеры по цифровым продуктам, занимающиеся ресторанными киосками и мобильными приложениями; в компании Transport for London появились менеджеры по цифровым продуктам, которые управляют транспортными приложениями, ботами и API, используемыми как персоналом, так и клиентами.

Цифровой двойник. Цифровые двойники — это виртуальные реплики физических устройств, применяемые исследователями данных и ИТ-специалистами для моделирования их работы до момента установки реальных устройств и систем. Можно создать цифрового двойника организации (digital twin of organization, DTO). «С помощью DTO ИТ-директор получает виртуальное представление о работе людей, систем и связанных с ними процессов, а также о взаимодействии различных подразделений внутри организации», — пояснила вице-президент Gartner по исследованиям Хелен Хантли.

— Michael Cooney. Gartner: Digital business projects in a quagmire? Hack your culture! Network World. October 16, 2018

Выполнение требований бизнеса — приоритет для многих ИТ-руководителей. А как остальные топ-менеджеры воспринимают отдел ИТ? В худшем случае считают центром издержек, задача которого — обеспечивать работоспособность систем. В лучшем к ИТ-отделу относятся как к двигателю, помогающему компании развивать бизнес.

Именно поэтому успешная реализация проектов, повышающих доходы, например внедрение систем управления взаимоотношениями с клиентами, имеет особую важность. Их смысл — использование технологий в целях роста числа новых сделок и улучшения отношений с уже имеющимися клиентами.

За последний десяток лет индустрия CRM-систем претерпела большие изменения. Стандартом стали облачные сервисы, но проблемы приватности и безопасности сохраняют первостепенную важность. Крупнейшие поставщики CRM-систем, такие как Microsoft и Salesforce.com, активно инвестируют в искусственный интеллект. И повсеместно появляются инструменты и сервисы, направленные на автоматизацию процессов маркетинга и сбыта.

Перечислим последние тенденции в области технологий и использования CRM-систем, а также расскажем о том, как они влияют на ИТ и бизнес в целом.

1. Машинное обучение — неотъемлемая часть CRM

У многих компаний применение машинного обучения к данным CRM-систем вызывает сложности. Традиционно для этого в штате нужны были специалисты со знаниями в соответствующей области, в том числе разработчики. Как вариант, можно было реализовать и обслуживать механизмы интеграции между корпоративной CRM-системой и внешним сервисом машинного обучения. Сегодня ситуация начинает меняться.

«Сейчас механизмы машинного обучения встраивают непосредственно в CRM-системы, — отмечает Джулиан Поултер, директор Gartner по исследованиям в области CRM и клиентского обслуживания. — Освоение новшества в отрасли пока идет неторопливо, тем не менее на сегодня известны порядка 30 вариантов использования машинного обучения применительно к CRM. Один из таких вариантов — предложение альтернативных товаров, оценка вероятности продажи потенциальному клиенту и выдача рекомендаций по онлайн-покупкам».

Сегодня механизмы предоставления рекомендаций, применяемые в Amazon и других интернет-магазинах, доступны самому широкому кругу компаний. Например, система Veeva CRM, популярная в фармацевтической отрасли, предлагает функцию на основе искусственного интеллекта, которая рекомендует оптимальные действия, для того чтобы выйти на контакт с покупателем (например, обращение по электронной почте, личная встреча, онлайн-конференция).

Крупнейшие поставщики CRM-систем — Salesforce.com, Microsoft и Oracle — выделяют значительные ресурсы на реализацию возможностей машинного обучения в своих решениях. По данным на середину 2018 года, платформа искусственного интеллекта Salesforce Einstein ежедневно выдавала по 3 млрд прогнозов. Какова точность этих прогнозов, в компании не сообщают, но, учитывая объем, можно предположить, что польза от них достаточная.

2. Всесторонний обзор клиентуры с помощью данных

Накал борьбы за клиентов сегодня все выше. Чтобы в ней победить, компания должна получить возможности всестороннего обзора клиентов. Но текучесть персонала в отделах продаж и плохо налаженные процессы сбора информации о клиентах приводят к потерям данных и, как следствие, покупателей. Чтобы исправить положение, необходимо изменить принципы работы с данными по клиентам.

«Компаниям нужен культурный сдвиг для переориентации на принципы «гигиены данных» и избавления от архаичных несогласованных процессов сбора и сохранения данных по клиентам, — уверена Рене Маккаскл, ИТ-директор компании Hitachi Vantara, поставляющей аналитические решения для целого ряда отраслей. — Больше не должно быть данных без возможности оперативного доступа. Кроме того, необходимо обеспечить скоординированный сбор данных участниками процессов маркетинга, сбыта, обслуживания и цепочки поставок. Меняться всегда сложно, но именно так мы обеспечили всесторонний обзор клиентов и освоили новые бизнес-возможности, которые открылись благодаря тому, что сотрудники отделов продаж теперь могут выявлять и анализировать тенденции».

Проблема данных без возможности доступа сохраняет актуальность. Использование в работе таких средств, как бумажные ежедневники и блокноты, а также заметок, локально сохраняемых в различных приложениях на смартфоне, ведет к тому, что важные сведения не попадают в CRM-систему.

Сложности также обусловлены ростом числа каналов продаж, маркетинга и клиентской поддержки. Всесторонний обзор сведений о покупателях с помощью CRM-решения затруднен из-за необходимости анализировать сообщения в чатах, активность в социальных сетях и еще множество источников информации.

3. Интеграция CRM с системами операционных отделов

В некоторых организациях начали применять CRM-системы не только в отделах продаж, но также для маркетинга и различных узкоспециальных задач — например, для подготовки ценовых предложений при продаже сложных конфигурируемых продуктов в рамках B2B-сделок (Configure, Price, Quote). Зарождается новая тенденция — интеграция CRM с системами операционных отделов и решениями для клиентского обслуживания.

В авиакомпании Southwest Airlines сообщают, что такая интеграция, осуществленная в рамках пилотного проекта, помогает находить новые способы улучшить обслуживание клиентов. Инициатором перемен стал сотрудник службы клиентской поддержки в одном из аэропортов, который выполнял такую интеграцию вручную, чтобы использовать в работе сведения из многих источников.

Взяв на вооружение новый подход, в компании теперь анализируют традиционные данные по клиентам совместно с операционными сведениями — информацией о задержках вылетов, сроке участия в программе лояльности и недавней активности. Благодаря этим сведениям сотрудник авиакомпании, например, сможет узнать о возникших у клиента сложностях с вылетом и принять решение о том, когда ему стоит сделать утешительное предложение.

Пилотный проект потребовал значительного объема работы, в частности, связанной с интеграцией систем, раньше не взаимодействовавших друг с другом. К тому же очень большим оказалось общее количество связей между различными системами и версиями данных.

Описываемая тенденция набирает обороты еще и потому, что расширяется использование датчиков Интернета вещей. Например, CRM-система могла бы передавать отделу продаж уведомления о проблемах, связанных с техническим обслуживанием, — в этом случае компания получила бы возможность предупреждать клиентов заранее, чтобы уменьшить от них количество жалоб. Исследование, проведенное в 2017 году компанией McKinsey Research, показало, что оптимизация процедур технического обслуживания и повышение уровня информированности о работе операционных отделов являются приоритетами для руководителей, заинтересованных во внедрении систем Интернета вещей.

4. Локальные CRM-системы — пора отказываться

Когда-то продать предприятию облачную CRM-систему было непросто, но сегодня ситуация изменилась.

По информации Gartner, около 80% покупок новых CRM-систем приходится на облачные решения. Локальные системы стали исключением. Они могут использоваться, например, компаниями, относящимися к сфере финансовых услуг и обязанными выполнять требования регуляторов, а также опасающимися за конфиденциальность данных.

ИТ-руководителям, которым до сих пор приходится пользоваться устаревшими локальными CRM-системами, пришло время задуматься о переменах. Со временем поставщики перестанут оказывать услуги поддержки и будет все сложнее находить специалистов по устаревшим системам. Если раньше вы были против облачных решений по соображениям, связанным с конфиденциальностью данных, то сегодня пора оценить рынок доступных систем еще раз.

5. Впечатления клиента — превыше всего

Если поинтересоваться у бизнес-руководителей, для чего в их компании используется CRM-система, можно услышать разные ответы. Кто-то откровенно сообщит, что назначение CRM — контролировать работу отдела продаж, а кто-то — что автоматизация и систематизация помогают заключать больше сделок. Но в обоих случаях упускается из виду буква «R» в аббревиатуре CRM, то есть «взаимоотношения», поддержание долгосрочной связи с клиентом.

Многие ИТ-руководители сегодня во главу угла ставят заботу о благоприятных впечатлениях клиента от взаимодействия с компанией. Соответствующий принцип так и называют: CX (Customer eXperience) — «впечатления клиента». Казалось бы, это имеет мало отношения к традиционной работе отдела ИТ, но, согласно отчету Gartner, проекты в области CX примерно на 50% технологические, а остальное касается анализа эмоций клиента, его субъективных оценок и связанных качественных показателей.

Чтобы добиться успеха в сфере CX, ИТ-руководителю нужно наладить взаимодействие со всеми, кто пользуется услугами его отдела. Контакт нужен не только с отделами сбыта и маркетинга, но и с отделом клиентского обслуживания. В компаниях ИТ-отрасли, особенно в тех, что поставляют SaaS-решения, появляются отделы «клиентского успеха» (Customer Success, CS): идея в том, что, заботясь об успехе клиента, вы закладываете фундамент долгосрочного сотрудничества. Возможно, вам предстоит взаимодействовать с новым коллегой — директором по клиентам (Chief Customer Officer, CCO). Это будет отличаться от традиционных внедрений CRM, которые обычно осуществляются на проектной основе.

Так или иначе, сопровождение приложений и сервисов CRM сегодня стало стандартной обязанностью ИТ-руководителя, а чтобы обеспечить себе дальнейший профессиональный рост, стоит начать с поиска возможностей улучшить обслуживание клиентов с помощью проектов в сфере CX.

— Bruce Harpham. 5 CRM trends for 2018. CIO. OCT 12, 2018

Потребности покупателей, приходящих в магазины, вполне естественны: их интересуют качественные продукты, их наличие на полках, честные цены, отсутствие очередей. Торговая сеть — это огромная инфраструктура, и ошибки здесь недопустимы. Однако как сочетать жесткие правила работы с инновационной деятельностью?

В нынешнем мире цифровой трансформации главная цель любой компании, претендующей на лидерство, — скорость: лидеры должны двигаться быстрее рынка. Запущенная лаборатория как раз и представляет собой пространство, где можно быстро воплощать в жизнь революционные подходы и тестировать решения стартапов, помогая бизнесу двигаться вперед.

Фабрисио Гранжа: «Здесь возможно протестировать в боевой обстановке много различных решений и увидеть, как они влияют на покупателей»

«В этой лаборатории я вижу шанс сочетать одновременно и эволюционные, и революционные подходы. Здесь возможно протестировать в боевой обстановке много различных решений и увидеть, как они влияют на покупателей», — подчеркивает Фабрисио Гранжа, директор по ИТ X5 Retail Group. Это не место, где эмулируется работа систем, тут приходится иметь дело с реальными покупателями, которые приходят в магазин.

По словам Гранжи, самое тяжелое — не создать новое решение, а масштабировать его. Для этого надо не просто протестировать систему и быть уверенным в ее эффективности, но и оценить, подходит ли технология нынешней архитектуре, возможно ли ее масштабировать на 13 тыс. магазинов, наконец — жизнеспособна ли она в обозримом будущем.

Один процент успеха

«Очень часто нас спрашивают, а зачем мы вообще занимаемся инновациями, — говорит Вадим Капустин, директор по стратегическому развитию и инновациям X5 Retail Group. — Мы начали активно работать в этом направлении примерно полтора года назад. Если посмотреть на развитие российского ретейла в последние несколько лет, то очевидно, что конкуренция на рынке заметно выросла». За 10 лет торговые площади на душу населения увеличились вдвое, и ожидается, что в течение 10–15 лет они еще раз удвоятся или даже утроятся. Это означает, что в магазины будет все сложнее привлечь покупателя. Борьба идет уже сейчас, и она будет усиливаться.

«Для того, чтобы дать покупателю то, что ему нужно: удобство, невысокую цену, приятный процесс покупки, — мы запустили инновационный процесс», — рассказывает Капустин. Некоторые тестируемые в лаборатории технологии — например, электронные ценники — помогают покупателю определять цену на товар, минимизируют ошибки, вызванные человеческим фактором. Кассы самообслуживания, в том числе работающие через мобильные телефоны, позволяют сократить очереди. RFID-технологии дают возможность мгновенно считывать содержимое корзины и выдавать чек.

С другой стороны, чтобы снизить цены или хотя бы удержать их на нынешнем уровне, необходимо следить за издержками. Например, с помощью специальной информационной панели магазин в реальном времени отслеживает расходы на электричество. Если удастся получать своевременную информацию о перерасходе электроэнергии и не допустить такого перерасхода, это в конечном счете позитивно отразится на ценах.

Вадим Капустин: «На входе нашей технологической воронки за полтора года побывало более 500 решений. В стадию промышленного внедрения перешло лишь шесть из них»

Помимо технологий, которые уже известны и используются, в лаборатории тестируются и такие, которые пока еще в новинку. Так, одно из решений — «умная полка». Суть его в том, что с помощью встроенных светодиодов в реальном времени определяется наличие товара на полке. Сейчас контроль наличия товаров тестируется двумя способами: с помощью видеоаналитики и «умных полок». «Какая из этих технологий себя оправдает — большой вопрос, потому-то мы и занимаемся их тестированием. Но надеюсь, что в следующем году одну из них мы будем развертывать», — поясняет Капустин.

Процесс оценки инноваций представляет собой классическую воронку, известную в маркетинге. На ее вход поступают технологии, они «просеиваются», затем тестируются и пилотируются и в случае успеха могут быть использованы в масштабах всей сети. По словам Капустина, на входе этой воронки за полтора года побывали более 500 решений, в том числе от различных стартапов. Детально были изучены 160 решений, более 60 либо уже миновали стадию пилотирования, либо находятся в ней сейчас. В стадию промышленного внедрения перешло лишь шесть решений — примерно 1%.

В следующем году, благодаря появившейся лаборатории, в X5 планируют выйти на более широкие масштабы инновационной работы и довести число решений, прошедших в жизнь, до 20–30. Тогда можно будет говорить об успехе модели «конвейера инноваций».

Направления инноваций

«Весь процесс внедрения инноваций — от идеи до реализации — мы разделяем на три этапа», — делится Виталий Порубов, руководитель направления «Стратегия и инновации» дирекции по ИТ X5 Retail Group. Первый — этап прототипирования. Когда неочевидно, как решение должно работать, или для проверки нужны сложные интеграции и доработки, с ним приходят в магазин-лабораторию. Здесь невозможно проверить экономику решения — его влияние на прибыль и затраты, но его можно проверить технически, а заодно посмотреть, как на него реагирует покупатель.

Следующий этап — пилотирование. Он реализуется в нескольких магазинах (от пяти до сотни), чтобы проверить влияние на экономические показатели: продажи, трафик, затраты. До сих пор большинство внедряемых технологий сразу поступало на стадию пилота, однако уже в процессе проекта почти всегда возникали неожиданные сложности. Чтобы ускорить пилоты, и была создана площадка, где можно протестировать технологию в лабораторных условиях.

Третий этап, ожидающий проект в случае успешной проверки бизнес-гипотезы и экономической составляющей, — тиражирование на всю сеть. «Разумеется, мы не можем моментально переделать 13 тыс. магазинов. Приходится их постепенно улучшать», — констатирует Порубов.

В X5 выделяют шесть основных направлений инновационных проектов, их в компании называют стримами. Первый стрим — все, что касается покупательского опыта: сокращение очередей, различные сценарии самообслуживания, омниканальность.

Второй стрим — технологии персонализации, дающие возможность узнать покупателя. У X5 одна из самых больших программ лояльности, в ней участвует почти 60 млн клиентов. Однако на данный момент с ними возможно взаимодействие лишь по различным офлайн-механикам. Например, после предъявления на кассе карты лояльности можно вместе с чеком распечатать покупателю персональное предложение или прислать SMS.

Виталий Порубов: «Если мы научимся узнавать покупателя на входе в магазин, а еще лучше — на подходе к магазину, то сможем взаимодействовать с ним в реальном времени в процессе шопинга»

«Наши нынешние акции дают эффект, но если мы научимся узнавать покупателя на входе в магазин, а еще лучше — на подходе к магазину, то сможем взаимодействовать с ним в реальном времени в процессе шопинга, делать ему персональные предложения. Это даст гораздо больший эффект с точки зрения бизнеса», — говорит Порубов. Для реализации такого сценария требуется не только внедрение систем видеоаналитики, но и развитие точек внутри магазина, чтобы донести до покупателя предложения — возможно, через цифровые вывески или на мобильный телефон с помощью push-уведомлений.

Третий стрим инноваций касается товаров на полке: зонирования полочного пространства, проверки корректности планограммы, доступности товара на полке. Сюда же относятся прослеживаемость товара и контроль его срока годности. Это может стать актуальной проблемой с учетом того, что сейчас обсуждается законопроект об отмене возвратов и обратной реализации. Хорошо бы, например посредством маркировки или RFID, научиться понимать, когда близится к истечению срок годности товара и, возможно, применять динамическое ценообразование, чтобы снизить его стоимость.

Четвертый стрим ориентирован на повышение эффективности операций внутри магазина, в том числе на мобильность сотрудников. Например, рассматривается проект, предполагающий замену компьютера у директоров магазинов на универсальное мобильное устройство, с помощью которого они смогут выполнять все необходимые операции. Пятый стрим — решения Интернета вещей, все, что касается концепции «умного магазина». У ретейлера сотни тысяч единиц различного оборудования; его мониторинг, контроль эффективности работы и предсказание отказов — очень важная задача.

Наконец, шестой стрим нацелен на оптимизацию существующей ИТ-инфраструктуры. Многие современные технологии — видеоаналитика, управление медиаконтентом — сильно влияют на инфраструктуру магазинов и каналы связи. Как построить решение, чтобы оно было одновременно недорогим и не обрушило существующую архитектуру? Над этим тоже необходимо думать.

***

Возможно, через построенную технологическую воронку удастся продвинуть не только бизнес X5 Retail Group, но и весь российский рынок. Очевидно, что многие из тестируемых технологий вполне применимы не только в других компаниях, но и в других отраслях.