Статьи

ВТБ встраивает в чат-бот банковского приложения генеративный искусственный интеллект, рассчитывая существенно повысить качество клиентского опыта. Как минимум, люди смогут оценить отсутствие необходимости предоставлять информацию, которой уже обладает банк, сохранение контекста разговора и использование понятных терминов. Банк же расширит спектр решаемых вопросов и сократит издержки. О реализации проекта рассказывает Денис Левошко, владелец продукта, управление «Мессенджеры и чат-боты» ПАО ВТБ.

- Какую задачу вы решаете при реализации проекта?

Чат-бот ВТБ обрабатывает более 3 млн обращений в месяц, он охватывает огромную аудиторию. Поэтому наша задача – давать клиентам быстрые и точные ответы на вопросы в автоматическом режиме, не задействуя сотрудников контакт-центра. Для этого мы стремимся максимально использовать потенциал больших данных и элементы искусственного интеллекта. Суть проекта заключается во внедрении алгоритмов ИИ в чат-бот ВТБ, которые будут обрабатывать 1,7 тыс. клиентских сценариев.

Благодаря этому улучшится клиентский опыт, а команда чат-бота внесет большой вклад в повышение эффективности банковского обслуживания.

- Какие принципы выбраны для реализации проекта? Каким правилам стараетесь следовать?

В основе проекта лежит два ключевых принципа. Мы должны сделать ответы бота максимально человечными. Уже сейчас у клиентов пропадает страх и нежелание общаться с ботом в пользу быстрого и качественного решения вопроса. Отсюда рождается второй принцип: качество сервиса в канале должно расти. Мы должны видеть реальное динамичное изменение индекса удовлетворенности в канале – это и будет критерием успеха проекта.

- Какие требования предъявлялись к решению?

Максимальная скорость бота при генерации ответа, которая уже составляет менее секунды. Такую скорость хочется сохранить и в будущем, наращивая и улучшая алгоритмы «под капотом». Еще одно важное требование: поддержание высокого уровня уверенности бота в правильном определении тематики вопроса.

- Какие данные используются?

Данные для обработки включают действия клиентов в банковском приложении, запросы через чат-бот, историю транзакций, диалоги с операторами. Эти данные собираются, хранятся и обрабатываются в соответствии с принципами информационной безопасности.

- Какой математический аппарат применяется?

Под капотом нашей системы лежит внушительный арсенал передовых технологий. Мы пользуемся мощью нейронных сетей, применяя передовую трансформерную архитектуру для векторизации фраз клиента, что позволяет нам точно и эффективно интерпретировать их запросы. Наши ML-классификаторы обеспечивают высокую точность в различении контекстов и ситуаций, а алгоритмы извлечения именованных сущностей, основанные на biLSTM-CRF, гарантируют надежное распознавание ключевых элементов информации. Этот элегантный симбиоз технологий обеспечивает нам уникальную способность предоставлять высококлассный сервис и достигать впечатляющих результатов в нашей работе.

- На какой стадии находится проект?

В настоящее время мы пилотируем генеративный чат-бот на ограниченном объеме сценариев и внимательно следим за качеством консультаций. Наша цель – постепенно расширять количество сценариев, улучшать качество обслуживания клиентов на основе анализа данных и обратной связи от пользователей. Это позволит более эффективно и приятно взаимодействовать с банковским приложением.

- Что самое сложное в ходе этого проекта?

Самое сложное в проекте – это поиск и адаптация данных для их быстрой и качественной обработки. Понимая, что количество источников будет кратно увеличиваться, приходится изначально выбирать правильную архитектуру данных. А еще было сложно проводить эксперименты в рамках разных подходов и оценивать их эффективность, так как вариативная модель запросов клиентов через чат, как правило, бесконечно многообразна, что добавляет сложности задаче.

- Что удалось особенно хорошо?

Не все коллеги охотно соглашаются с пилотными проектами, так как это дополнительные трудозатраты. И вот что нам особенно хорошо получалось делать – это «продавать» решения смежным командам и заказчикам. Все, что связано с высокими и современными технологиями, неизбежно вызывало интерес. Мы однозначно хорошо «продавали» наше решение перед принятием его к внедрению.

- Каковы ожидания относительно этого проекта?

Благодаря переходу на новую технологическую платформу в 2023 году чат-бот смог более качественно и быстро определять тематику вопроса и подбирать сценарий, наилучшим образом отвечающий запросу клиента, без переадресации в другие каналы и без привлечения оператора. Это позитивно отразилось на основных метриках: решение запроса чат-ботом без привлечения оператора достигло 85%, индекс удовлетворенности клиентов – 4,9, а доля удовлетворенных клиентов ко всем оценкам клиента превысила 90%. За 2023 год доля чата среди всех обращений выросла с 36% до 50%, то есть сейчас половина клиентов выбирает чат для решения своих вопросов.

Внедрение в чат-бот алгоритмов машинного обучения позволит существенно повысить эти показатели, а соответственно и удовлетворенность клиентов. Путем анализа данных и применения методов генеративного моделирования мы планируем создать более эффективную систему, способную обрабатывать широкий спектр запросов клиентов.

Мы предполагаем, что возможности ИИ позволят чат-боту не запрашивать у клиентов информацию, которая уже есть у банка, давать ответ за наименьшее количество шагов, использовать понятные клиенту термины, уведомлять его о выполнении запроса. Кроме того, важно сохранять контекст разговора, подсказывать оптимальный путь решения проблемы, разделять длинные ответы на несколько сообщений, и, конечно же, давать понять, что беседа ведется с ботом. В конечном счете это должно повысить качество клиентского опыта.

- Есть ли какие-то плановые показатели, к которым стремитесь?

Есть метрики успеха работы бота. К ним можно отнести долю обращений в чат от общего количества обращений в банк в цифровых каналах, уровень автоматизации обращений клиентов, уровень удовлетворенности сервисом. Мы ориентируемся на все эти показатели. Для себя считаем хорошим результатом, если доля обращений превысит 55%, автоматизация будет не ниже 85%, а доля удовлетворенных клиентов будет более 93%. Также немаловажным для нас является показатель качества определения темы обращения клиента. Сейчас данный показатель варьируется в диапазоне 83-85%. С внедрением генеративного ИИ у нас получится достигнуть более высокого показателя в 90%.

- В чем роль этого проекта для ВТБ?

Роль нашего проекта заключается как в повышении эффективности обслуживания клиентов, так и в оптимизации операционных процессов. Основным экономическим эффектом чат-бота является сокращение расходов на операторов контакт-центра. В 2023 году мы уже сэкономили банку 2,5 млрд руб. за счет снижения затрат на операторов. Кроме того, мы неслучайно большое внимание уделяем пользовательскому опыту: увеличение лояльности и удовлетворенности клиентов приводит к росту выручки компании.

Но, помимо бизнес-эффекта, наш проект имеет еще и социальную значимость. Во-первых, мы повышаем финансовую грамотность пользователей. Чат-бот умеет не только рассказывать о продуктах и услугах банка, но и объяснять, как работают финансовые инструменты и как пользоваться сервисами ВТБ.

Во-вторых, чат-бот облегчает доступ клиентов к информации и банковским услугам. В чате клиенты могут получать оперативные консультации и решать финансовые вопросы в любое удобное время без визита в офис банка и без ожидания ответа оператора. Это особенно важно для людей с ограниченными возможностями. Таким образом, наш продукт способствует повышению доступности банковских услуг для широкого круга пользователей, что является важным аспектом социальной ответственности компании.

- В каких направлениях планируется развивать проект?

Самым главным направлением является увеличение количества источников данных для принятия правильного решения в ответе. В наших планах также расширение проекта как по вертикали, так и по горизонтали. Мы планируем внедрять решение не только в рамках обслуживания розничного клиента, но для внутренних клиентов. На первом этапе данное решение уже встраивается в чат-бот-сервис по обслуживанию и поддержке наших сотрудников в точках продаж.

В сети «Магнит» создана платформа управления ценностью клиентов (Customer Value Management, CVM), ставшая инструментом, позволяющим провести оптимизацию взаимоотношений с клиентами и сфокусироваться на повышении их лояльности, вовлеченности и, как следствия, максимизации эффектов, которые каждый клиент приносит компании. Платформа позволяет провести анализ и персонализацию взаимодействия с клиентами, улучшить каждый этап их жизненного цикла, а также помогает в формировании стратегии удержания и увеличения ценности клиентов. Главная цель платформы CVM — создание долгосрочных и взаимовыгодных отношений, повышения уровня лояльности и удовлетворенности клиента, что в совокупности способствует устойчивому росту и успеху компании. О реализации проекта рассказывает Максим Горынцев, руководитель управления развития ценностью клиентов сети «Магнит» и номинант на премию Data Award.

- Как исторически решалась задача работы с клиентами (повышения их ценности, маркетинговых коммуникаций) до создания платформы CVM?

До появления платформы CVM компания решала задачи работы с клиентами и повышения их ценности с использованием ограниченного набора бизнес-правил. На начальном этапе отсутствовала централизованная система управления клиентами, и взаимодействие с ними осуществлялось простым набором действий. Например, в рамках программы лояльности внедрение правил, таких как начисление баллов новым участникам, основывалось на стимулировании поведения клиентов и создании мотивации для участия в программе. Использовались персонализированные бонусы – эти действия включали начисление баллов на день рождения клиента, что было направлено на улучшение взаимоотношений и создание персонализированного опыта. Наконец, были рекомендации – довольно однобокие бизнес-правила для оценки потребления клиентов в разрезе товарных категорий, а также стимулирование клиентов покупать те или иные товары на основе отклонений в потреблении от среднего диапазона.

- Чем не устраивала ситуация? Какие задачи требовалось решить?

Реализация платформы CVM была введена с целью улучшения и трансформации построенных процессов взаимодействия, создания более гибкой и централизованной системы управления клиентами, а также более сложных стратегий по взаимодействию и удержанию клиентов на основе анализа данных. Важно понимать, что платформа CVM была разработана на основе убеждения команды в уникальности каждого клиента и необходимости ежедневного анализа его поведения.

- В чем суть созданной системы?

Работа с платформой предоставляет команде несколько важных возможностей. Во-первых, это возможность предугадывать вероятность оттока. Путем систематического анализа данных о клиенте платформа старается выявить сигналы, предвещающие его уход. Это позволяет компании предпринимать меры по удержанию, предлагать персонализированные бонусы или предложения для улучшения клиентского опыта.

Вторая важная задача – понимать желания и ожидания. Платформа активно анализирует данные о потребительском поведении, чтобы понимать индивидуальные предпочтения. Это позволяет предоставлять персонализированные предложения, отвечающие уникальным потребностям клиента.

Третья функция – предоставлять возможность для нового опыта. CVM ставит своей задачей предоставление клиентам возможности попробовать что-то новое. Это может включать в себя предложения по новым продуктам, уникальным акциям или индивидуальным бонусам, направленным на стимулирование интереса клиента и повышение его лояльности.

Наконец, непосредственно повышение уровня лояльности. Это подразумевает создание долгосрочных и устойчивых отношений с клиентами, опираясь на постоянный анализ данных, персонализированные стратегии и предложения, направленные на удовлетворение потребностей каждого из них.

Такой подход позволяет нашей команде эффективно и оперативно адаптировать платформу CVM к изменениям в поведении клиентов, формировать индивидуальные стратегии взаимодействия и, таким образом, повышать общую лояльность клиентской базы.

- На каких технологиях построено решение?

Для обеспечения функциональности и удовлетворения текущих потребностей, мы внедрили передовой стек технологий, который включает в себя множество инструментов и фреймворков. Помимо таких распространенных техно-стеков для работы с большими данными, как MPP GreenPlum, Apache Hadoop, Apache Hive, Object Storage (S3) и Apache Airflow, мы используем широкий набор библиотек и фреймворков для разработки и реализации алгоритмов машинного обучения, анализа данных и создания эффективных вычислительных моделей: Python, PySpark, PyTorch, TensorFlow. Кроме того, используется MlFlow – инструмент для управления жизненным циклом машинного обучения, который обеспечивает отслеживание, воспроизводимость и управление моделями. Использование инструментов контейнеризации Docker и оркестрации Kubernetes обеспечивает гибкость и удобство в развертывании, масштабировании и управлении приложениями нашей платформы. Настроенные CI/CD процессы в разработке (GitLab CI/CD), интегрированные со всей платформой (включая Kubernetes и Airflow) позволяют бесшовно и с минимальными задержками развертывать нужные сервисы, модели и приложения в автоматическом режиме.

Этот стек технологий обеспечивает не только высокую производительность и эффективность обработки данных, но также позволяет использовать передовые методы машинного обучения и анализа данных.

- Что «под капотом»? С помощью каких математических методов обрабатываются клиентские данные? Приведите пару примеров.

Нужно отметить, что команде приходится решать как задачи обучения с учителем, так и без учителя. Поэтому у нас имеется широкий набор алгоритмов. Например, для задач классификации и приводимых к ним – от логистической регресссии до градиентных бустингов, а для рекомендательных систем – от ассоциативных правил до продвинутого uplift-моделирования и рекомендательных систем на нейронных сетях.

Платформа с легкостью позволяет проводить тесты новых механик и в случае успеха внедрять их.

- Поделитесь несколькими примерами реализованных на платформе задач.

Недавно мы внедрили новые стратегии взаимодействия с клиентами: «Напоминание» и «Увеличение трат». В рамках первой из них триггерные события напоминают клиентам о том, что тот или иной товар у них скоро закончится. Очевидной целью в этом случае является стимулирование клиентов приобретать товары с выгодой, не дожидаясь того, как их запасы иссякнут и, как дополнение, купить что-то еще. При реализации второй стратегии проводится расчет среднемесячных трат клиента и устанавливается порог, при превышении которого предоставляются экстра-бонусы. Так мы мотивируем клиентов увеличивать свои траты, обеспечивая им дополнительную выгоду.

- Каких результатов удалось достичь? Как это соотносится с ожиданиями?

О востребованности и успешности платформы говорят показатели прошедшего года: более 350 млн направленных предложений клиентам, более 200 млн коммуникаций через различные каналы связи, более 31 млн уникальных участников, получивших предложения платформы. Нашим специалистам доступно более 500 возможных вариантов предложений на участников программы лояльности, было запущено более 300 персонализированных кампаний.

К сожалению, у нас нет возможности предоставить конкретные экономические показатели, однако мы можем констатировать заметные положительные изменения в ключевых метриках. Так, пенетрация карт лояльности у клиентов, с которыми реализуется взаимодействие через платформу CVM, выше более чем на 5% пунктов. Участники коммуникаций платформы CVM демонстрируют более высокий средний чек по сравнению с контрольной группой. Меняется и частота посещения магазинов: клиенты, участвующие в активностях CVM, посещают магазины чаще по сравнению с теми, с кем взаимодействие не осуществляется.

- А есть ли оценки, касающиеся изменения реальной лояльности клиентов?

Положительные изменения в ключевых показателях свидетельствуют о том, что платформа CVM действительно позитивно влияет на поведение клиентов. Реализуемые с ее помощью активности стимулируют вовлеченность клиентов, увеличивая средний чек и частоту посещений магазинов. Также важно заметить, что показатель открываемости (open rate) коммуникаций CVM более чем вдвое превышает показатели любой другой активности в нашем мобильном приложении. В конечном итоге все это приводит к росту финансовых показателей сети и улучшению ключевых показателей программы лояльности.

- Что дальше? В каких направлениях будет развиваться CVM-платформа?

Планы развития платформы CVM включают в себя внедрение новой функциональности и новых стратегий для более эффективного взаимодействия с клиентами. Например, будут реализованы триггерные события на основе поведения клиента и его покупок как в магазине, так и в мобильном приложении. Это обеспечит точное и контекстное взаимодействие с клиентами в режиме реального времени или хотя бы близко к нему.

Кроме того, получит развитие гиперперсонализация: максимальная персонализация рекомендаций для клиента с учетом его предпочтений, канала связи, товарных групп и размера вознаграждения. Это позволит создавать более точные и релевантные предложения, способствующие увеличению удовлетворенности клиентов и их лояльности.

Подобные новые возможности позволят платформе CVM еще более эффективно адаптироваться к уникальным потребностям каждого клиента, обеспечивая более персонализированный и релевантный опыт взаимодействия.

- В чем роль этого проекта для компании?

Платформа CVM играет критическую роль в достижении бизнес-целей компании, предоставляя необходимые средства и стратегии для эффективного управления отношениями с клиентами и оптимизации их стоимости. Важные аспекты этой роли включают в себя настройку взаимодействия с клиентами в соответствии с их индивидуальными потребностями, улучшение каждого этапа жизненного цикла клиента, повышение прибыльности через эффективное взаимодействие и анализ данных для непрерывного улучшения стратегий. Платформа CVM также способствует созданию более удовлетворительного клиентского опыта, что в конечном итоге содействует укреплению лояльности клиентов и достижению успеха в бизнесе.

Эффективная работа с клиентами в крупных компаниях становится невозможной без инструментов машинного обучения. В Дом.ру с этой целью построили собственный инструмент, реализующий концепцию Next Best Action. О реализации этого проекта и достигнутых с его помощью результатах рассказывает Максим Чернышов, технический директор CVM «ЭР-Телеком Холдинг» (бренд Дом.ру) и номинант на премию Data Award.

- В чем заключалась суть решаемой задачи?

Основная цель проекта сводилась к тому, чтобы реализовать систему клиентоцентричных коммуникаций. Мы хотели научиться предлагать только релевантные для клиента и экономически выгодные для компании продукты, используя технологии машинного обучения и больших данных.

- Насколько это важно для бизнеса, какой результат ожидали получить?

Задача является стратегической. Когда список продуктовых предложений включает несколько продуктов, процесс взаимодействия с клиентами можно выстроить, оперируя бизнес-правилами. Но когда количество предложений исчисляется сотнями, и важно максимизировать финансовый эффект на всем сроке жизни клиентов, обеспечив при этом качественный клиентский опыт, – без применения автоматизированных решений уже не обойтись.

- Как до сих пор решались задачи маркетинговых взаимодействий с клиентами, каковы были головные боли?

На старте проекта система коммуникаций с клиентами была похожа на «ковровую рассылку» с максимальным охватом. Такой подход генерировал большие затраты, связанные со стоимостью коммуникаций, большую информационную нагрузку на клиентов и низкую конверсию в покупку. При этом в рамках продуктовых команд возникал ряд вопросов, на которые на тот момент не было ответов: каким клиентам предлагать тот или иной продукт, какой канал и время коммуникации выбрать, чтобы получить максимальный отклик в условиях ограниченной пропускной способности.

Интересовали и более сложные проблемы: возможно ли контролировать ROI, маржинальность и экономику предложений, учитывать эффект на сроке жизни клиента, а не в моменте, выбирать механику удержания от оттока.

- Какой подход был выбран?

Оценив основные потребности и проблемы, мы однозначно решили, что хотим оградить наших клиентов от нерелевантных коммуникаций, сократить затраты и научиться оценивать эффект на длительном горизонте.

Более того, мы понимали, что клиентская сложность на тот момент уже выходила за пределы когнитивных возможностей человека. Представим около 200 продуктовых предложений, семь каналов коммуникации, четыре недели в месяце и несколько миллионов клиентов. Это десятки миллиардов возможных комбинаций продуктовых предложений, каналов и времени. И при всем этом необходимо решить, какую комбинацию выбрать, чтобы получить максимальный эффект от рассылки на всем сроке жизни клиентов. Решать такую задачу эффективно без применения технологий машинного обучения и теории оптимизации крайне сложно. Для этих целей в департаменте управления ценностью клиентов (Customer Value Management, CVM) разработали движок, который позволяет дать ответы на подобные вопросы, и назвали его CVM NBA (Next Best Action).

- Что представляет собой созданное решение?

CVM NBA полностью реализован на базе open source решений и представляет собой модульную структуру. Каждый из модулей обеспечивает определенный функционал.

Так, единый клиентский профиль включает более 6 тыс. показателей на клиента. Мы консолидировали большое количество знаний о клиентах, в обязательном порядке учитывая согласие клиентов на сбор, обработку и использование данных. Используя основные данные, обогатили профиль производными показателями и агрегатами. Основная цель – дать возможность моделям машинного обучения выбирать из как можно большего объема признаков и помочь им с поиском неочевидных зависимостей.

Фабрика моделей машинного обучения – несколько десятков ML-моделей, предсказывающих различные показатели по клиентам. К ним относится вероятность отклика клиента на различные продуктовые предложения в разных каналах, ценовая эластичность, рекомендуемое время коммуникации (час), срок жизни клиента, вероятность оттока и релевантная механика удержания и т.д. Здесь мы используем как алгоритмы машинного обучения, лучше всего подходящие для решения конкретных задач, так и современные открытые AutoML-решения, включающие стекинг базовых алгоритмов.

Финансовый калькулятор позволяет посчитать всю экономику продуктового предложения и канала, оценить все затраты и прибыль на прогнозном сроке жизни клиента и использовать это в оптимизации. Модуль математической оптимизации, получая на вход предсказания моделей машинного обучения и финансовую составляющую, позволяет решать оптимизационную задачу с учетом ограничений на каналы и бюджеты. Это дает возможность выбирать из многомиллиардного набора комбинаций такую, которая принесет максимальный эффект на всей клиентской базе и на всем сроке жизни.

Мониторинг данных – инструмент, который позволяет своевременно обнаружить статистические сдвиги в показателях профиля клиента и обезопасить процесс обучения и скоринга моделей машинного обучения. Подбор персонального посыла коммуникации – этот модуль позволяет определить релевантный контекст и посыл коммуникации для клиента в зависимости от потребности, используя подход обучения без учителя.

Наконец, система отчетности – модуль для анализа сценариев оптимизации и оценки эффективности запущенных кампаний, представлен в формате BI дашбордов с ежедневным обновлением.

- Какие инструменты использовались?

Выделю несколько ключевых используемых технологий. За хранение и обработку данных отвечают Hadoop, ClickHouse, Spark и AirFlow. Машинное обучение и оптимизация построены на Python-пакетах, инструментах AutoML и Luigi. Визуализация и отчетность реализована на Mеtabase.

- Что в построенном инструменте удалось особенно удачно, чем можно гордиться?

На мой взгляд, одним из интересных решений является сам подход к математической оптимизации на базе целочисленного программирования. Во-первых, мы распараллелили оптимизацию на несколько процессов, что позволило значительно ускорить нахождение оптимального сценария. Во-вторых, пришлось поработать и с самими бизнес-ограничениями, которые идут на вход оптимизации. К сожалению, не все ограничения, которые хотят включить менеджеры, можно легко сформулировать в виде математической задачи. Как пример – учет перерывов в контактной политике внутри оптимизации. Но по итогу нам все же удалось учесть все пожелания, никого не оставили без внимания.

- Приведите пару примеров того, как изменилась работа специалистов благодаря новым инструментам.

Процесс работы департамента управления ценностью клиентов сильно изменился. Мы высвободили и перераспределили ресурс аналитиков данных и менеджеров, которые ранее тратили колоссальное количество времени на генерацию бизнес-сегментов. Сейчас эту задачу решает CVM NBA. Также изменился формат работы специалистов по тарифам. Нет необходимости ежемесячно рассчитывать экономику предложения, усредняя по сегментам. Финансовый калькулятор в движке справляется с этим гораздо точнее, причем на уровне каждого клиента.

Поменялся и сам процесс принятия решений по управлению коммуникациями. CVM NBA, получая на вход различные бизнес-ограничения, генерирует несколько вариантов оптимизации с прогнозными финансовыми показателями на разных горизонтах. Это дает возможность владельцам продуктов выбирать подходящий сценарий и принимать решения более взвешенно.

- Какие успехи достигнуты?

У нас получилось разработать единый инструмент для управления коммуникациями с клиентами, используя исключительно открытые технологии, без привлечения коммерческих решений. CVM NBA в полной мере реализовывает концепцию data-driven, автоматизируя процесс принятия решений на основе данных.

Каждая модель машинного обучения в рамках A/B-тестирования проходила сравнение с бизнес-сегментами и случайными рассылками. Доказано, что нам удалось увеличить конверсию в покупку в 2-3 раза, в зависимости от продукта. Кроме того, кратно выросла доля продаж в более дешевых и бесплатных каналах с помощью перераспределения из более дорогих.

- …А если в финансовом выражении?

Экономический эффект CVM NBA в комплексе составил 31% всего дохода от продаж CVM за год. Это чистый инкрементальный эффект в сравнении с работой без движка, используя только бизнес-сегментацию.

- В чем роль проекта для бизнеса компании?

Основная роль, конечно, заключается в повышении лояльности клиентов путем минимизации количества нерелевантных коммуникаций и более точных попаданий в потребность. Кроме того, важно сокращать затраты на коммуникации, а также обеспечить рост финансовых показателей на длительном горизонте.

- В каком направлении будет развиваться решение?

На текущий момент наши усилия направлены на масштабирование CVM NBA на все продукты и каналы компании, а также реализацию инструмента как решения категории Self Service. Наша цель – дать возможность любому менеджеру из продуктовой команды самостоятельно добавлять новые вариации продуктов и каналов, получать прогнозную аналитику и запускать эффективные кампании с клиентами в автоматическом режиме. Дополнительно прорабатываем возможность использования движка в «реверс-режиме» как инструмента для генерации новых модификаций продуктовых предложений для наших клиентов.

Оптимизация работы с клиентскими отзывами крайне важна для современного банка. Но еще важнее превратить информацию, полученную из них, в реальные действия, способные реально повлиять и на лояльность клиентов, и на имидж банка. В Альфа-Банке реализация такого проекта вылилась в создание платформы Alert VOC, автоматизирующей процесс работы с сервисными отклонениями и позволяющей контролировать «работу над ошибками». О ходе проекта и его значении для банка рассказывает Анна Кабанец, директор по CX стратегии Альфа-Банка и номинант на премию Data Award.

— В прошлом году вы участвовали в Data Award, рассказав об оптимизации работы с негативными отзывами и построении полного цикла работ по управлению клиентским опытом.

Да, в Альфа-Банке выстроен автоматизированный процесс сбора обратной связи клиентов в режиме реального времени с помощью собственной ИТ-разработки – платформы Voice of Customer (VOC). Для того, чтобы повышать отклик на опросы и поддерживать лояльность клиентов, нам особенно важно реагировать на кейсы, когда клиенты столкнулись с проблемой и поставили низкую оценку. Для нас каждая низкая оценка важна так же, как претензия или жалоба. Мы берем в проработку все отработанные низкие оценки и на их основе ищем способы улучшить опыт клиентов.

Низкие оценки VOC отрабатывают эксперты Управления по исследованиям и улучшениям клиентского опыта (УИУКО, ранее ОСЛК). Эксперты совершают обратный звонок клиентам, которые поставили низкую оценку и дали согласие на звонок, уточняют причины, фиксируют обратную связь и помогают в решении вопроса, если это актуально.

По итогу звонка эксперты фиксируют результаты интервью на VOC-платформе по специальному шаблону – экспертиза VOC. Именно экспертизы VOC являются объектом работы моделей, о которых мы рассказывали в прошлом году. И это лишь часть процесса, которая позволяет нам понять, где нужны улучшения клиентского опыта. В этом году мы хотим рассказать, как выстроен процесс целиком. И помимо моделей, которые анализируют экспертизы и подсвечивают нам ключевые тематики негатива клиентов, сейчас мы внедряем модели, которые оценивают критичность кейса и необходимость дополнительных мер по нему. Но об этом расскажем позже

— Почему это важно для бизнеса?

В работе с обратной связью мы следуем концепции Total Experience и замеряем обратную связь от клиентов – VOC (Voice Of Customer), сотрудников – VOE (Voice Of Employee), а также об эффективности процессов – VOP (Voice Of Process). При этом выстроен полный цикл работ с обратной связью: онлайн-замеры удовлетворенности, получение обратной связи от клиента и экспертиза по низким оценкам, накопление больших данных по уровню удовлетворенности клиентов, система автоматизированной CX-отчетности. Очевидно, что особенно важен процесс работы с низкими оценками и сервисными отклонениями, когда клиент столкнулся с проблемой или недоволен продуктом, сервисом или обслуживанием.

— В чем была суть решаемой проблемы?

Мы столкнулись с тем, что эксперты по исследованию опыта клиентов, общаясь с клиентом, стали подмечать ошибки в действиях или знаниях сотрудников. Ранее эксперты просто фиксировали эту информацию на платформе. С ней можно было ознакомиться в отчетности. Но в таких случаях необходима незамедлительная реакция и оперативные действия по устранению отклонений. Для этого мы выстроили автоматизированный процесс работы с сервисными отклонениями по всем каналам и продуктам банка – Alert VOC. Это автоматизированное, оперативное оповещение заинтересованных лиц о критичных клиентских кейсах, которые направляются с VOC-платформы по итогу интервью с клиентом в режиме реального времени.

Теперь эксперт по исследованию опыта клиентов уведомляет о сервисных отклонениях руководителя сотрудника, который совершил ошибку, или владельца продукта, у которого наблюдаются сбои в процессах. Это позволяет оперативно устранять сервисные отклонения во всех каналах банка и по всем продуктам, не дожидаясь очередной CX-церемонии или статусной встречи.

— Как была поставлена задача?

Перед нами стояла задача создать сквозной, автоматизированный процесс по работе с сервисными отклонениями, так как при объеме собираемых оценок от клиентов в 80 тыс. в день ручной, точечный процесс не эффективен. Данный процесс разбили на пять блоков: выявление сервисных отклонений, оповещение ответственных лиц, оперативное принятие мер, внедрение системы отчетности, а также инструментов контроля.

— Что представляет собой созданное решение?

Для внедрения реальных улучшений процесс работы с отклонениями должен охватывать все точки контакта клиента с банком. Поэтому мы интегрировали его в процесс замеров VOC, который охватывает все каналы, процессы и продукты. Обратную связь клиентов замеряем по 20 каналам обслуживания физлиц и восьми продуктам для физлиц на четырех этапах их клиентского пути, а также 19 каналам обслуживания юрлиц и 19 продуктам для юрлиц на четырех этапах их клиентского пути.

Для оповещения ответственных лиц выстроена автоматизированная система работы с сервисными отклонениями на базе платформы VOC. Для повышения эффективности работы УИУКО мы внедрили автоматизированное рабочее место эксперта. Оно учитывает специфику работы и включает весь необходимый функционал – от просмотра информации по клиенту до перехода по одной кнопке в нужное ПО для решения вопроса клиента.

Сигнал о возникновении сервисного отклонения эксперт по исследованию опыта клиентов направляет в автоматизированном режиме c платформы в виде Alert VOС, и это не просто письмо с уведомлением или оповещение, а задача к исполнению. Задача имеет свой срок, напоминание о необходимости ее исполнить, и срок, после которого происходит эскалация на руководителя в случае невыполнения. Для оперативного информирования настроены маршруты ответственным лицам по отработке. Например, если ошибка была допущена сотрудником, то уведомление получит его руководитель, а если отклонение касается продукта или процесса – то ответственный сотрудник. Всего за 2023 год в бизнес передали более 50 тыс. сервисных отклонений.

Не менее важна возможность для оперативного принятия мер. Alert VOC направляется в режиме реального времени, сразу после получения обратной связи клиента, а с целью обеспечения оперативного принятия мер предусмотрена система эскалации. Получатель должен в течении 24 часов отработать задачу на платформе, указав, какие меры были приняты, чтобы ситуация не повторилась, иначе оповещение получит функциональный руководитель получателя.

Для отслеживания результатов и динамики внедрили автоматизированный отчет на Power BI. Он позволяет отслеживать распределение Alert VOC в разрезе категорий и получателей, отслеживать динамику количественных показателей и ключевые срезы. Инструмент пользуется спросом: за 2023 год было около 18 тыс. посещений CX-отчетности.

Наконец, инструмент контроля – процесс работы с Alert VOC внедрен в ежеквартальную оценку уровня клиентоцентричности каналов и продуктовых команд, как отдельный параметр оценки клиентоцентричности. В 2023 году зафиксировано максимальное значение параметра по каналам и продуктовым командам.

— Какие технологические подходы были использованы?

Так как мы внедряем наши практики в масштабах всего банка, то всегда думаем, как это сделать эффективно, и стараемся использовать новые технологии. Во-первых, мы автоматизируем все, что можно автоматизировать. Alert VOC – полностью автоматизированный процесс, внедренный во всех бизнес-линиях банка. Все этапы работы с сервисными отклонениями происходят в рамках одной высокотехнологичной платформы.

Во-вторых, внедряем инструменты продвинутой аналитики там, где они могут помочь в поиске инсайтов. Аналитическая модель контролирует процесс отправки Alert VOC. Она проверяет по кейсам, нужно ли было отправлять Alert VOC. Если нужно, то проверяет, был ли он отправлен. Если он не был отправлен, то данные направляются на дополнительный контроль. Так сводится к нулю возможность пропустить важный кейс.

Кроме того, аналитическая модель проверяет качество отработки Alert VOC. На старте проекта сфокусировались на контроле доли уведомлений, отработанных в срок, и к концу 2023 года достигли показателя 93%. Сейчас переходим к контролю качества их отработки – внедрили аналитическую модель, которая вычитывает отчеты ответственных за отработку сотрудников на предмет корректности принятых мер.

Наконец, мы считаем все, что можно посчитать. На опыте мы усвоили правило: «С бизнесом нужно говорить на языке цифр». Как только подсвечиваешь проблему, сразу возникает вопрос про охват и масштаб. Эксперты по исследованию опыта клиентов – сотрудники, которые в живом диалоге на огромном потоке обратной связи чувствуют, когда сервисное отклонение становится масштабным и его необходимо взять на контроль. Для того, чтобы «посчитать» количество кейсов с той или иной тематикой (чаще всего, это новая тематика, которая еще не внесена в классификатор), внедрили функционал «хэштег» на платформе VOC. Эксперт выбирает хэштэг в случае, если встречает негатив по этой тематике в интервью с клиентом.

— О каких объемах данных идет речь?

В 2023 году в рамках VOC-опросов мы направили клиентам более 100 млн запросов оценок. Внедренная технология сбора обратной связи позволяет поддерживать стабильный отклик на опросы на уровне около 11%. В итоге только за 2023 год накопилось более 11 млн оценок VOC.

Это огромный массив данных, который дает практически всю необходимую информацию об опыте клиентов и необходимых улучшениях. Но для того, чтобы улучшения были эффективны, нужно четко понимать, в каких процессах, сервисах, каналах их необходимо внедрять.

— Как решается эта задача по выявлению направлений для улучшений?

За счет исследования тематик Alert VOC мы четко понимаем причины сервисных отклонений. Ежеквартально отправляем в бизнес около 15 тыс. уведомлений по каналам и продуктам физлиц и юрлиц. По части тематик внедряются оперативные улучшения в точке контакта. Например, одна из таких тематик – «Знания сотрудника». Если сотрудник допустил ошибку в процессе обслуживания клиента, уведомление направляется руководителю, который сможет ознакомиться с ситуацией и принять меры – назначить обучающие курсы или подробнее разобрать процесс, по которому была допущена ошибка. Если тематика Alert VOC касается продукта или процесса, где нет возможности внедрить улучшения «здесь и сейчас», то инициатива включается в реестр корневых проблем для дальнейшей проработки владельцем продукта.

Другим важным инструментом является продвинутая аналитика, дающая возможность понять причины всех негативных оценок VOC и их материальность. Специальная аналитическая модель вычитывает весь объем экспертиз УИУКО в рамках конкретного канала обслуживания клиентов, объединяет проблематики по группам. Для трансляции результатов руководителям внедрен автоматизированный дэшборд по основным причинам негативных оценок VOC. Он показывает тематики негативных оценок с указанием веса каждой из них во всем объеме негативных оценок в необходимых разрезах

— Приведите пример, того, как отрабатываются проблемные места.

Рассмотрим канал отделений для физлиц. В первом квартале 2023 года было зафиксировано несколько наиболее распространенных тематик Alert VOC в этом канале: знания сотрудника, комфорт в офисе, некорректное ведение переговоров. На эти тематики на старте квартала приходилось 70% уведомлений. Данные проблематики направлялись бизнесу в целевом процессе отработки Alert VOC.

Однако во втором квартале 2023 года продолжился рост количества Alert VOC с данными тематиками – ситуация не улучшилась. Работы по устранению были взяты на дополнительный контроль, включая обсуждение на CX-церемониях, статусных встречах и демо команд. Кроме того, для снижения количества негативных оценок по данной тематике запустили ряд активностей. Во-первых, это так называемые «CX Планерки» – мероприятия по вовлечению команды отделения в CХ, разбор реальных кейсов и показателей, построение стратегии улучшений. Данные мероприятия проводятся в очном формате с участием всех сотрудников отделения. Такие планерки уже проведены в 20 офисах. Кроме того, сотрудникам с максимальным количеством Alert VOC по тематике «Знания сотрудника» назначается дополнительное обучение, результаты которого контролируются.

В III квартале количество Alert VOC с данными тематиками уже вышло на плато, а в четвертом квартале начало снижение. При этом важно отметить, что общее количество направленных Alert VOC по всем каналам в четвертом квартале увеличилось по сравнению с предыдущим на 22%, то есть снижение по проблемным тематикам достигнуто на фоне общей активизации работы контролеров.

— Как проведенная работа отражается на бизнесе?

Главным итогом является благодарность и лояльность клиентов. Эксперты по исследованию опыта клиентов по итогу проработки кейса с клиентом задают дополнительный вопрос о готовности рекомендовать банк знакомым. Важно отметить, что это те самые клиенты, которые поставили нам негативные оценки. После взаимодействия с экспертами около 60% клиентов готовы рекомендовать наш банк.

— Каковы планы и перспективы развития решения?

Мы следуем концепции Total Experience – голос клиента и голос сотрудника. И если Alert VOC – это «голос клиента» по определенному кейсу, то нам важно услышать и «голос сотрудника» и его мнение по ситуации. Для этого мы внедрили дополнительный функционал на платформе — добавили возможность сотруднику делиться идеей по улучшению процесса или сервиса, по которому была поставлена негативная оценка. Так после ознакомления и проработки кейса сотрудник может поделиться идеей по улучшению процесса, которую мы возьмем в проработку и передадим в ответственное подразделение для внедрения. Мы только внедрили этот функционал и пока еще получили не так много идей. Но так как этот функционал был добавлен именно по запросу сотрудников, мы ожидаем, что они будут активно делиться полезными идеями по улучшениям.

Ассоциация больших данных известна не только стратегией развития российского рынка больших данных и созданием кодекса этики использования больших данных. Одной из важнейших ее инициатив стало создание обучающего и сертификационного центра для специалистов, управляющих данными, – FIT Academy Russia. Запуск этой программы, выпускающей экспертов, подготовленных по международным стандартам, призван помочь в решении проблемы дефицита data-специалистов. О реализации этой программы и ее роли для рынка рассказывает Алексей Нейман, исполнительный директор Ассоциации больших данных и номинант на премию Data Award.

— В какие цифры оценивает Ассоциация дефицит специалистов по управлению данными? Как они будут изменяться в обозримой перспективе?

Согласно Стратегии развития рынка больших данных, разработанной Ассоциацией больших данных, для поддержания темпов роста отрасли к концу 2024 года потребуется 322 тыс. дата-специалистов, включая разработчиков и аналитиков ПО и приложений, специалистов по базам данных и сетям, руководителей служб и подразделений, технических инженеров, дизайнеров и поддержку ИТ.

Россия наравне с другими странами испытывает дефицит в кадрах – 1 млн человек ИТ-специалистов на 2022 год. Стоит отметить, что дефицит ИТ-специалистов – это вообще мировая тенденция, так, например, Microsoft оценивает их нехватку на глобальном рынке до 190 млн специалистов к 2025 году.

— Какие меры вы предпринимаете со своей стороны?

Ассоциация активно занимается просветительской работой – мы сотрудничаем с корпоративными университетами компаний-участниц АБД, наши специалисты проводят семинары и мастер-классы, а также являются менторами для молодых специалистов и стартапов. Мы не только воспитываем профессионалов отрасли, но и создаем благоприятную среду для их деятельности, растим сообщество, которое говорит на одном языке.

— Как родилась идея запуска FIT Academy Russia?

Запуск образовательной программы на русском языке стал для нас логичным шагом в реализации нашей стратегии и вкладом в подготовку высококвалифицированных специалистов, способных применить комплексный подход в управлении данными.

На первоначальном этапе запуска проекта перед Ассоциацией стоял выбор: разрабатывать отечественную сертификацию или же воспользоваться мировой практикой, такой как общепризнанная сертификация DAMA CDMP. Мы выбрали второй вариант, так как Россия достаточно хорошо интегрирована в мировое сообщество по управлению данными.

В 2020 году мы начали переговоры с DAMA EMEA и FIT Group об открытии подразделения, ориентированного на русскоязычных специалистов, и уже в 2021 году открыли FIT Academy Russia; FAR стала единственным официальным провайдером обучения управлению данными от DAMA, предоставляющим подготовку к сертификации CDMP на русском языке. Это очень важный шаг, так как, несмотря на владение data-специалистами английским языком, материал все равно лучше усваивается на родном языке. FAR устранила языковой барьер за счет перевода и локализации курса FIT Academy, а также актуализировала контент, обогатив обучающие материалы кейсами рынка данных РФ и примерами из личного опыта тренеров-практиков рынка.

— Какова цель проекта FIT Academy Russia?

Проект направлен на развитие и повышение уровня культуры управления данными в профессиональном сообществе. Мы стремимся не только определить стандарты, кого можно считать специалистом по управлению данными, но и выявить, что представляет собой его теоретическая подготовка, какими компетенциями он должен обладать, и какие требования HR-менеджеры должны предъявлять к кандидатам на должность в этой области.

FIT Academy Russia ставит перед собой задачу объединить специалистов в единое data-комьюнити для формирования общего понимания ключевых процессов управления данными, а также для выравнивания терминологии и процессов. Этот подход направлен на развитие экономики данных и является важным звеном в создании устойчивой системы обучения и развития профессионалов в области управления данными, способствуя профессиональному их росту и реализации как профессионалов.

— В чем ключевые особенности вашего подхода?

Фишка нашего подхода заключается в том, что FIT Academy Russia полностью соответствует всем мировым стандартам в образовании и одобрена DAMA International – организацией, разработавшей Data Management Body of Knowledge (DMBoK). В то же время локализация курса позволяет изучать материалы и готовиться к сертификации параллельно на русском и на английском языке. Несомненным нашим преимуществом также является тесная связь FIT Academy с DAMA International, что позволяет нам быть в курсе любых планируемых изменениях в DMBoK и в кратчайшие сроки актуализировать программу обучения, поэтому нашим слушателям не приходится ждать выхода обновленного издания DMBoK.

Еще одна важная особенность FIT Academy Russia – это возможность обучения целых корпоративных команд. После обучения такие специалисты способны провести цифровую трансформацию компании в кратчайшие сроки. Отдельно стоит отметить наших преподавателей. Команда тренеров состоит из действующих практиков, обладающих огромной экспертизой, без которых невозможно представить работу рынка данных в России.

— Что представляет собой платформа, какие возможности она предоставляет слушателям?

FIT Academy Russia использует решения FIT Academy. На обучающей платформе размещены материалы курса, видеозаписи лекций, а также блоки тестирования по каждой из пройденных тем, которые позволяют слушателям самостоятельно выработать навык ответа на вопросы сертификационного экзамена в индивидуальном порядке. Информационный портал платформы включает в себя профессиональную литературу по тематике данных и ИТ, подборки статей и нормативных актов из различных источников по таким темам, как этика обращения с данными, монетизация данных, ИИ, руководство данными. На платформе сформирован лист вакансий и резюме – публикация вакансий и размещение резюме доступны всем слушателям и клиентам FIT Group. Это позволяет слушателям при желании планировать международную карьеру.

— Какие результаты достигнуты?

За два года работы клиентами FIT Academy стали крупнейшие игроки рынка телекоммуникаций и банковской сферы в России. Обучение на курсе «Основы управления данными. Базовый курс» прошли команды data-офисов частных компаний и сотрудники государственных структур от Санкт-Петербурга до Сахалина. В 2023 году востребованность международной сертификации позволила FIT Academy Russia выйти на рынок СНГ и провести обучение на русском языке для клиентов из Казахстана и Беларуси, представляющих нефтегазовую отрасль, сферу банковских, ИТ и телеком услуг. С несколькими клиентами России и СНГ уже запланировано целевое обучение команд в I квартале 2024. Подтверждением актуальности курса и качества обучения является стопроцентная статистика прохождения сертификации слушателями на уровни Associate, Practitioner и Master.

В настоящий момент на территории России и СНГ уже работает около сотни сертифицированных специалистов, и мы стремимся кратно увеличить их число. Сейчас FIT Academy Russia ведет переговоры с FIT Group об эксклюзивном ценовом предложении для нашего рынка, которое повысит доступность курса для клиентов.

— Сертификация по международному стандарту – это действительно важно для рынка?

Да, безусловно, сертификация по международному стандарту играет крайне важную роль для рынка. Она обеспечивает студентам доступ к знаниям на самом высоком, мировом уровне, подтверждая их квалификацию и компетентность. Это важно не только для специалистов, но и для развития всего рынка. Наша ориентация на международную сертификацию помогает быть в центре передовых практик, методик и инноваций, что критически важно для развития сферы управления данными.

При принятии решения в пользу международной сертификации мы учитывали сложность создания отечественной сертификации с нуля – процесса разработки самого стандарта, утверждения формата, – а также ее валидации участниками рынка. Тем не менее, мы всерьез рассматриваем и возможность внедрения собственной сертификации, которая будет разработана с нуля и в будущем будет признана рынком как действенный инструмент оценки квалификации специалистов в области управления данными.

— Слушатели приходят только от компаний, или на частных лиц тоже рассчитываете?

Большинство слушателей курса – корпоративные клиенты: компании готовы вкладываться в развитие компетенций собственных специалистов. Но мы обучаем и физических лиц, с каждым индивидуально обговаривая комфортные варианты для сотрудничества, а также предоставляем скидки – как частным лицам, так и клиентам из В2В в зависимости от объема группы заказчика.

— Не провоцирует ли программа FIT Alumni, открывающая доступ к банку вакансий для дата-специалистов региона EMEA, отток специалистов с российского рынка?

В первую очередь программа FIT Alumni задумана как площадка для обмена опытом, сотрудничества и обогащению знаний по управлению данными. Поскольку рынок РФ достаточно конкурентоспособен по условиям работы, существенного оттока специалистов мы не ожидаем.

— Есть ли какие-либо оценки и предположения, как наличие сертификата влияет на должности специалистов и зарплаты?

Для специалистов подтверждение собственной экспертизы международным сертификатом давно является неоспоримым преимуществом на рынке труда, а сертификация в сфере работы с данными сегодня становится таким же минимумом к высокооплачиваемым специалистам, как несколько лет назад было владение навыками пользования ПК.

— Каковы планы по развитию проекта?

В наши планы входит повышение доступности курса для B2C, а также развитие линейки образовательных продуктов – в 2024 году мы планируем релиз специальных курсов «Руководство данными» и «Обеспечение качества данных», которые не только позволят углубить знания в этих областях, но и подготовят к сдаче специальных экзаменов CDMP Data Governance и Data Quality.

Успешное прохождение этих экзаменов после получения базовой сертификации CDMP Data Management Fundamentals позволит специалисту подтвердить свой уровень знаний и навыков управления данными на уровне Associate и Master. Это в свою очередь поможет значительно продвинуться по карьерной лестнице и комплексно улучшить управление данными в компании.

Кроме того, мы планируем продолжить организацию образовательных мероприятий и вебинаров, а также создание курсов «под ключ» для закрытия потребностей корпоративных клиентов.

В дополнение к сертификации CDMP, в январе 2024 года мы представили новый продукт – курс повышения квалификации «Владелец продукта на данных/Big Data Product Owner». Материалы курса охватывают весь спектр необходимых знаний и навыков по управлению данными: от идеи и концепции до финансовых аспектов, построения гипотез, технологий запуска, методологии SCRUM, работы с рисками и поддержки данных как продукта.

В X5 Group запускают AI-RUN Business Platform – платформу, позволяющую внутренним командам быстро внедрять решения на основе искусственного интеллекта. Она предоставляет доступ к широкому спектру ИИ-сервисов, и ее помощью можно создавать, тестировать и масштабировать ИИ-приложения, не тратя время и ресурсы на разработку с нуля. Также пользователи в рамках платформы получают поддержку экспертов в области искусственного интеллекта. О реализации и первых результатах проекта рассказывает Артем Ерохин, ведущий менеджер по работе с большими данными X5 Group и номинант на премию Data Award.

- Как пришла идея создания AI-RUN Business Platform?

Мы давно работаем с продуктами и сервисами, основанными на данных. В X5 Group уже большая экспертиза по различным ML-решениям, создано множество сервисов, построенных на данных. Однако пару лет назад мы стали наблюдать новый взрыв интереса к передовым технологиям, и, в частности, к большим языковым моделям (Large Language Model, LLM).

Сначала мы экспериментировали отдельными командами, но быстро поняли, что для того, чтобы централизованно накапливать экспертизу и помогать компании работать с наиболее современными достижениями в сфере анализа данных, нужна единая точка входа, одно общее решение. Так и родилась идея создания платформы, которая позволила бы работать с самыми актуальными алгоритмами и моделями.

- В чем заключаются основные проблемы, связанные с внедрением ИИ-решений?

Конечно, это зависит от области применения и типов алгоритмов. В компании уже пройден большой путь, и есть экспертиза внедрения решений на основе классического машинного обучения. Но для тех же LLM есть особенности. Например, для самых крупных открытых моделей подойдет не каждая машина. Плюс, есть особенности работы с этими моделями, отдельные «фишки», которые не всегда работают в классическом ML.

Если же брать в целом, то основные проблемы внедрения достаточно типичные. Первое – человека на месте нужно убедить, что ИИ-решение будет лучше, чем «ручной привод». Второе – внедрение новых подходов меняет процессы. Соответственно, появляются новые сущности, новые запросы и новые вызовы, которые нужно решать именно на процессном уровне. И третье – нужна реализация и отслеживание процесса разработки моделей от начала и до конца. В отличие от четко заложенной программистом бизнес-логики, у ИИ-решений все полагается на накопленный опыт и статистику. Оттого возможны предсказания, которые человеку покажутся как минимум необычными. Но модели пока не обладают здравым смыслом в человеческом понимании и не могут сами исправить возможные недочеты.

- Как платформа должна помочь их решать?

Работа ведется по нескольким фронтам. Во-первых, чем проще человеку что-то «пощупать», тем легче для него будет понять, что за инструмент ему предлагают и проще показать преимущества нового подхода. Кроме того, платформенное решение предполагает не только техническую сторону вопроса. Одновременно с разработкой создаются новые и меняются существующие процессы в компании. Люди могут понять, как работают наиболее современные технологии на своем опыте, предложить изменения процессов и подсказать, как именно ИИ будет полезен в их повседневной работе. Наконец, если мы делаем платформенное решение, то сразу охватываем весь процесс разом и, значит, можем его лучше контролировать. Ну, и иметь максимальную скорость реакции и адаптивность, конечно.

- Какой подход был выбран при создании платформы?

Мы решили пойти от частного к общему. Кажется, что именно так мы сможем получить более полную картинку, а не навязывать инструмент сверху. Провели несколько воркшопов, выделили целевые области, в которых можем принести как можно больше пользы компании. Тогда же начали проявляться повторяющиеся запросы. А это как раз одна из целей такого платформенного решения – удовлетворение повторяющихся запросов от совершенно различных бизнес-функций неким автоматизированным решением.

Как только появились первые идеи, мы начали их проработку в техническом плане. При этом, прорабатывали в двух плоскостях: как мы можем сделать это сейчас и как мы видим это в идеальном будущем. Так получилось заниматься и разработкой, и формулировать видение. И даже больше – проложить мостик между тем, что мы делаем сейчас, и куда мы придем в итоге.

- Что представляет собой платформа, в чем ее суть? Какие элементы она включает?

Сейчас это набор сервисов, процессов и экспертизы, которые позволяют создать конкретное решение для заказчика. Пока это только решения, которые требуют LLM, – например, вопрос-ответные системы или системы помощи в создании и редактуре тех или иных документов. Но мы активно работаем над добавлением составляющей, связанной с компьютерным зрением, так как это может дать сильный синергетический эффект.

Ключевыми элементами являются сервис-шина доступа, сервис с моделями, база данных и соединяющие их потоки данных.

- Какие ИТ-инструменты использовались при создании решения?

Сервисы мы реализуем на языке Python, который можно считать своеобразным lingua franca в мире машинного обучения и работы с ИИ. Кроме того, используем достаточно большое множество разнообразных библиотек из области работы с ML. Общаются сервисы между собой с помощью Kafka.

Если рассматривать именно работу с LLM, то для базы данных мы пока выбрали Quadrant, но, возможно, изучим и альтернативы. В качестве моделей используем открытые Llama и Mixtral, а также проприетарные модели от внешних компаний.

- Как фактически изменяются благодаря платформе процессы работы с новыми решениями на базе ИИ?

Если говорить коротко, то сокращается цепочка от автора до итогового решения и упрощается процесс взаимодействия с ИИ-решениями. Например, инициатору уже не нужно пытаться поднимать свою LLM на собственных мощностях, он пользуется готовым решением. Кроме того, единая точка входа позволяет не только создать некое техническое решение, но и получить достаточно редкую и ценную экспертизу специалистов в области ИИ. Ведь не всегда для решения бизнес-задачи требуется самое современное решение, а если и требуется, то вариантов использования такого решения может быть немало. Неспециалисту в этом, конечно, будет сложно разобраться.

- Какие категории сотрудников являются основными пользователями? Это все-таки айтишники или бизнес-заказчики?

Мы стремимся к тому, чтобы пользоваться решением могли не только айтишники, но и люди от бизнеса. Конечно, это скорее целевое состояние, и сейчас некая техническая экспертиза все же требуется. Но мы вкладываем много усилий в обучение бизнес-пользователей, просвещение и упрощение понимания современных инструментов, их особенностей работы и областей применения.

- С охвата каких ИИ-решений решили начать и почему?

LLM в какой-то момент «взорвали» информационное поле, более того, они реально могут быть полезными. При этом решения, которые создаются на базе LLM, для простого пользователя будут восприниматься как магия. Получается, мы решаем сразу несколько целей: не отстаем от рынка (и даже пытаемся идти среди первопроходцев), исследуем новую перспективную технологию и приобщаем пользователей к современным инструментам.

Но работа с данными не ограничивается только LLM. Очевидно, что если привнести и достижения в других доменах (обработка изображений, звука и т.д.), то можно получить синергетический эффект. Например, записанные от руки данные можно будет распознать, обработать и выдать ответ. Или делать гораздо более «живых» виртуальных операторов, которые будут общаться неотличимо от человека. А там, глядишь, и мультимодальные модели еще раз «взорвут» рынок.

- Каких результатов уже достигли? А что ожидается в перспективе?

Думаю, что хорошим результатом можно считать настроенный процесс получения идей от бизнеса и их приоритизации. Если говорить о технических аспектах, то, например, мы весьма неплохо ищем нужную информацию. Например, среди трех верхних найденных документов с вероятностью 95% окажется именно тот, который искал пользователь.

Тем не менее, нам все еще нужно улучшать работу наших моделей. Те же LLM имеют одну неприятную особенность: они очень хорошо пишут абсолютный бред. Соответственно, под это нужно дорабатывать методы детекции некорректных ответов и способы справляться с такими проблемами. Как вариант, запустить так называемый процесс Human-in-the-Loop, где люди участвуют как в обучении, так и в тестировании алгоритма. Его суть заключается в том, что в постоянном циклическом процессе человек корректирует работу моделей, привнося свет человеческого знания в те области, где модель блуждает в потемках.

На данный момент нами обрабатывается 150 входящих идей, из которых 20-30 получили первичную проработку со специалистами. Уже на этапе пилотов находятся 10 идей, которые запускались с конца лета до нынешних времен – то есть находятся в работе около четырех-шести месяцев. Запуск первой версии платформы намечен на конец 2024 года.

- Чем можно гордиться, а над чем еще предстоит поработать?

Думаю, что основные поводы для гордости – это наша команда X5 Tech, а также возникшие новые процессы и, конечно же, скорость получения первых результатов. Идеал недостижим, но, чтобы максимально к нему приблизиться, нам нужно будет улучшить визуальную составляющую платформы. И, конечно же, продолжать доносить до новых пользователей преимущества новейших достижений инженерной мысли.

- Какие первые ИИ-продукты уже родились благодаря новой платформе?

Сейчас мы работаем над вопрос-ответными системами по накопленным в X5 базам знаний, а также сервисами генерации документов и помощи в работе над документами. Мы называем это «умной редактурой».

Но развитие идет динамично. К нам каждый месяц поступает множество идей о применении ИИ в наших процессах. Так что, думаю, продуктов станет кратно больше.

- Каковы перспективы развития AI-RUN Business Platform?

Самые позитивные. Сейчас сфера ИИ развивается очень быстро. Чуть ли не каждую неделю выходят все более «умные» модели, появляются новые подходы, упрощается техническая реализация существующих подходов. И я думаю, что такое платформенное решение позволит как можно быстрее доносить эти достижения до обычных бизнес-пользователей. И, конечно же, чем больше разных доменных областей будет в платформе, тем лучше будет проявляться синергетический эффект от разных источников данных и их объединения для решения единой бизнес-задачи.

Комментируя распоряжение, обязывающее сотрудников работать в офисе, а не дома, один из топ-менеджеров Amazon недавно заявил: «У меня нет подтверждающих данных, но я знаю, что так лучше». Такое заявление свидетельствует о том, что на самом деле за требованиями вернуться в офис скрывается иррациональность – «вера», противоречащая реальным данным.

Мы живем в эпоху, когда люди часто выставляют напоказ данные, совпадающие с их точкой зрения, но предпочитают не делать этого в противоположной ситуации. Что же мы видим, когда факты противоречат тому, во что людям хочется верить?

1. Они говорят: «Это сложно». (Когда данные сходятся – все просто, когда расходятся – сложно.)

2. Придумывают «альтернативные» факты, подтверждающие их позицию. (Мы наблюдаем такое каждый день в самых разных публичных выступлениях.)

3. Отрицают само существование противоположных фактов. (Существуют только факты, подтверждающие их убеждения.)

Недавний опрос tech.co показал, что чуть менее половины (47%) компаний отмечают более высокую производительность труда удаленных сотрудников. Согласно опросу Upwork, треть (32%) менеджеров по найму считают, что в результате перехода на удаленную работу производительность труда выросла и только 22% видят признаки ее снижения. По данным Prodoscore, производительность зависит от конкретного сотрудника и характера управления им, а не от того, работает он дома или в офисе. Если люди продуктивны в офисе, они будут продуктивно работать и дома.

Удаленная и гибридная работа улучшают не только производительность труда. Два исследования Owl Labs показали, что удаленные и гибридные сотрудники чувствуют себя счастливыми на 22% чаще по сравнению с работниками, находящимися в офисе, и уделяют своей работе больше времени. Согласно исследованию Ergotron, удаленный режим улучшает физическое и психическое здоровье сотрудников и повышает их удовлетворенность работой.

В начале пандемии появились данные, свидетельствующие о снижении производительности труда сотрудников, работающих из дома. Недавно причина этого стала ясна. В Стэнфордском университетн пришли к выводу, что гибридная работа обеспечивает небольшое повышение производительности труда, в то время как полностью удаленная работа носит негативный характер при плохом управлении и позитивный при хорошем. Другими словами, гибридные и даже полностью удаленные команды могут получить существенное преимущество в производительности, если их руководители перестанут полагаться на традиционную офисную культуру и методы организации совместной работы.

В дальнейшем люди, желающие работать из дома, станут искать для себя именно такую работу, что приведет к постепенному перетеканию талантов из компаний, обязывающих людей находиться в офисе. Процесс миграции квалифицированных сотрудников из офисов будет продолжаться.

Сегодняшние лидеры поднялись по служебной лестнице благодаря своему успеху в эпоху, предшествовавшую удаленной работе. Они овладели искусством личного управления сотрудниками, и именно поэтому являются сегодня лидерами. От лидеров завтрашнего дня потребуется хорошее знание вопросов управления удаленным персоналом.

Некоторые из сегодняшних бизнес-лидеров, похоже, понятия не имеют, что мы вступили в новую эпоху, которой присущ новый набором критериев успеха. И хотят использовать свой авторитет, чтобы заставить компании жить прошлым. Чтобы соответствовать требованиям сегодняшнего дня, прежде всего нужно отказаться от «личных убеждений», не подкрепленных данными. А что же подтверждается данными?

— Эффективное лидерство обычно не связано с контролем или микроменеджментом.

— Увидеть, продуктивен ли тот или иной сотрудник, с первого взгляда невозможно. Это заблуждение.

— Совместная работа приятна (в силу близости коллег), но концентрация, сосредоточенность и непрерывность работы позволяют добиваться более весомых результатов. Совместная работа лучше подходит для генерации идей, но основное время тратится не на это. Люди лучше выполняют свои задачи не в офисе, а в условиях, когда у них есть возможность работать в любом месте и в любое время.

И если вам кажется, что работа в офисе лучше, подойдите к вопросу с позиции аналитика. Какие реальные, поддающиеся измерению задачи, связанные с вашими бизнес-целями, будут решены при возвращении в офис? Взгляните на данные. И если заметите, что факты расходятся с вашими убеждениями, измените убеждения. Не притворяйтесь, что данных не существует.

Умение слышать своих клиентов и приглядывать за их отношением к конкурентам – очень важный навык для любой компании. И в условиях нынешнего разнообразия и обилия информации из различных источников важно поставить работу с обратной связью «на поток», стандартизовав ее, как операции на заводе Генри Форда. О создании решения «Napoleon IT Отзывы» и его роли в выстраивании процессов работы с отзывами клиентов рассказывает Константин Прайс, коммерческий директор Napoleon IT и номинант на премию Data Award.

- В чем суть решаемой проблемы? Почему это важно?

Работа с обратной связью критически важна на современном рынке. Технология «Napoleon IT Отзывы», основанная на ИИ, помогает понять, какие сильные и слабые стороны есть у продукта, за что его ценят потребители, а что можно исправить или улучшить, чтобы его покупали еще больше. Анализ конкурентов осуществляется таким же путем, как и анализ собственного продукта – можно собрать источники на различных маркетплейсах, картах и т.д. и добавить их в систему. После этого мы начинаем трекинг отзывов и их аналитику, а на выходе компания получает точно такой же дашборд и отчеты.

Также можно провести исследования по конкретному сегменту рынка. Здесь проводится точно такая же работа, как и по отдельному продукту. Но на выходе компания может получить отчеты как по отдельным продуктам, так и срез по всему сегменту.

Для наших клиентов доступно агентское сопровождение. Наша команда аналитики готовит еженедельные резюме об изменениях и рекомендации, а также месячные статусы, в которых делятся анализом ситуации и динамики в области продажи товаров, услуг, работы приложений, магазинов, ресторанов и т.д.

- Какими методами обычно компании решают эту задачу?

Существует три варианта решения проблемы. В первом случае компании вовсе не работают со своими отзывами. Это очень часто встречается в сегментах малого и среднего бизнеса, потому что у таких компаний не хватает времени либо ресурсов. Для них «Napoleon IT Отзывы» – это легкий способ начать анализировать и оценивать обратную связь, обращаясь за рекомендациями и поддержкой к экспертной команде.

Второй вариант применяется в том случае, когда речь идет о больших компаниях и торговых сетях. В основном они работают с отзывами двумя способами. Первый способ – регулярный, и для этого нанимают штат людей напрямую или через агентство. Но наемные сотрудники обрабатывают лишь часть отзывов, так как человек способен качественно изучить не более одного-двух отзывов в минуту, или до 1 тыс. отзывов в день. При этом стоимость разметки одного отзыва для компании обходится в 10-15 руб., и за 2023 год эта сумма увеличилась в результате роста стоимости сотрудников и нехватки персонала. Для таких компаний мы предлагаем возможность мониторить одновременно множество источников и добавлять новые позиции буквально за 30 секунд, а анализ всех отзывов проводится в среднем за 20 минут.

Второй способ «серьезной» работы с отзывами – периодическое проведение количественных и качественных сравнительных исследований своих товаров с товарами конкурентов. В данном случае мы пользуемся аналогичной методикой и позволяем компаниям видеть не только дискретные отрезки, а ежедневные и еженедельные изменения, которые помогают быстрее отловить изменения и нивелировать различные отрицательные моменты: ошибки в логистике и систематические повреждения товаров, брак или нарушения режима доставки, в которых товар теряет основные характеристики, реакцию на рекламу и многое другое.

Третий вариант решения проблемы применим, когда часть компании использует оцифрованную количественную обратную связь для управления контрактами и мотивацией партнеров: дистрибьюторов и сетей, сотрудников и управляющих магазинов или ресторанов и многое другое. Здесь мы выступаем надежным партнером и независимой третьей стороной для предоставления непредвзятой машинной оценки обратной связи с минимальным влиянием субъективного фактора.

- В чем заключается предлагаемый вами подход?

Мы используем, с одной стороны, математический аппарат для количественных исследований и выявления статистически значимых изменений, с другой – нейролингвистический подход анализа данных. Кстати, ИИ в виде лингвистических данных мы начали использовать одними из первых в России. Это позволяет оцифровать и обработать большой объем текстовой информации в числах и предоставить важные данные. На их основе руководитель компании или индивидуальный предприниматель может принимать взвешенные решения и пользоваться всеми преимуществами, которые дает позитивная обратная связь на его товары или услуги и вовремя отслеживать негативную.

- Почему такой подход лучше?

Есть три основных преимущества, которые позволяют нам быть лучше текущей практики. Первая – это стабильность качества интерпретации информации. Здесь можно привести следующий пример. Когда мы делаем разметку обратной связи самостоятельно при помощи асессоров (людей), один и тот же отзыв разные люди могут отнести ко многим факторам, что искажает картину, снижает качество получаемой информации и принимаемых решений. Автоматизация операций и стандартизация, как на заводе Генри Форда, повышает качество и стабильность получаемого результата.

Второе преимущество заключается в том, что автоматизация снижает себестоимость обработки отзывов. Она позволяет небольшим компаниям и предпринимателям использовать все преимущества работы с обратной связью без необходимости больших инвестиций и успешно конкурировать на рынке за внимание клиента и удовлетворение его потребностей.

Третье преимущество состоит в том, чтобы «слышать своего клиента». Оно позволяет большим компаниями единым способом обрабатывать все источники обратной связи и оценивать эффекты из разных каналов: отзывы с карт, отзывы из магазинов мобильных приложений, собственная обратная связь, отзывы с маркетплейсов и других площадок. Автоматизация приводит к снижению временных и операционных затрат, что повышает прибыль компании.

- Что представляет собой созданное решение? Какие технологии применялись?

В «Napoleon IT Отзывы» применяются две технологии. Первая – технология проведения количественных исследований и оценки статистической значимости фактора для анализа. Вторая – прорывная технология, которая вмещает в себя механизмы машинного обучения и лингвистические модели в различной интерпретации для всесторонней обработки отзывов.

- Где именно и с какой целью в решении используется ИИ?

Искусственный интеллект используется для многослойной обработки лингвистической информации и ее классификации – там, где используется до пяти слоев и до трех различных моделей.

- Какие были сложности при создании продукта, и как вы их решали?

Сложностей было несколько. Во-первых, неточность модели. Ее мы решали с помощью ручной кросс-валидации и разметки данных, пользовательского тестирования и дообучения модели.

Вторая сложность была связана со взаимодействием с моделью. Изначально она работала по принципу автогенерации тем, о которых пишут пользователи. Но это во многих случаях не устраивало бизнес, так как компании уже имели внутренние шаблоны тем, по которым привыкли обрабатывать пользовательскую обратную связь в своих BI-системах. В результате было разработано три алгоритма разметки данных: автогенерация без заранее заданных тем, разметка данных по заданным темам и гибридный подход объединяющий первый и второй варианты.

- Что в решении удалось наиболее удачно, чем можно гордиться?

Во-первых, у нас высокое качество разметки данных: 92% точности в определении темы и тональности, 94% покрытия одного отзыва (процент выявления всех упомянутых тем внутри отзыва). Во-вторых, высокая скорость разметки данных. В-третьих, доступная итоговая цена за один обработанный отзыв.

- Каков портрет типичного клиента? Кто может быть заинтересован в решении?

Основное направление для использования «Napoleon IT Отзывы» – это ретейл и FMCG-компании. Также это решение подойдет частным предпринимателям на маркетплейсах и компаниям, проводящим маркетинговые исследования на рынке. Кроме того, продуктом могут пользоваться заведения общественного питания и блоггеры для отслеживания информации о себе и конкурентах, сравнения характеристик своих продуктов и продукции других компаний на основе обратной связи.

- Приведите примеры уже реализованных проектов. Каких результатов удалось достичь, какую пользу бизнесу они принесли?

Мы стараемся сохранять высокий уровень конфиденциальности клиентов, так как чаще всего лучший результат достигается именно в тех случаях, когда подсвечиваем «ошибки» в оказании услуг. Показательный пример – это рост конверсии у одной из компаний в три раза после выявления ключевой ошибки в оказании услуги или выявлении партии брака, где удалось избежать репутационных рисков.

Кроме того, есть публичный кейс с производителем натуральных лимонадов Lapochka. Компания с помощью нашего решения провела конкурентный анализ отзывов за 20 минут и выяснила, что 77% клиентов довольны вкусовым разнообразием и качеством продукции, а 65% положительно оценивают натуральный состав напитков. В то же время основными причинами негативных отзывов являлась упаковка и цена (около 15%), нарушения по срокам доставки (около 26%). Чтобы снизить количество отрицательных отзывов, компания Lapochka взяла в разработку применение более устойчивой к повреждению упаковки товара. Кроме того, на основе анализа отзывов бренд запустил новый вкус лимонада, о котором просили покупатели.

- А каких результатов вообще можно добиться?

С помощью интеллектуального анализа отзывов можно поднять рейтинг товара или услуги, что влияет в свою очередь на конверсию в покупку либо посещение ресторана, центра оказания услуг – салона красоты, парикмахерской и т. д., – и ее выручку. Также наше решение помогает моментально реагировать на качество оказания своих услуг или конкурентов, увеличивает LTV пользователей (lifetime value — «пожизненная ценность клиента»), выручку и прибыль.

- В каком направлении будет развиваться проект?

«Napoleon IT Отзывы» будет улучшать качество анализа отзывов и предоставлять услугу по лучшей цене на рынке. Кроме того, мы планируем сделать наше решение еще более доступным, чтобы даже небольшим предпринимателям в сфере продаж товаров и предоставления услуг можно было эффективно конкурировать на развивающемся рынке.

По данным отчета 451 Research, на большинстве предприятий устойчивое развитие относят к числу важных факторов при выборе поставщика услуг колокации для рабочих нагрузок, которые нежелательно переносить в облако. В этой связи крупные операторы центров обработки данных внедряют технологии, направленные на повышение экологичности. Пятерку таких технологий перечисляют в компании Equinix.

1. Безгенераторные ЦОДы. В качестве потенциальной замены традиционным дизельным генераторам и источникам бесперебойного питания в датацентрах тестируют твердооксидные топливные элементы с керамическим материалом в качестве электролита. Их преимущества — высокая тепловая и энергетическая эффективность, топливная универсальность, экологичность и относительно низкая стоимость, а главный недостаток на сегодня — очень высокая рабочая температура, до 1000 ºC.

По оценкам специалистов Equinix, внедрение таких топливных элементов позволит уменьшить выбросы углерода, снизить капитальные затраты и уменьшить площади ЦОДов, что даст возможность размещать их в густонаселенных территориях. Кроме того, уменьшатся затраты времени и ресурсов на техническое обслуживание.

2. Возобновляемая энергия. В Equinix поставили цель достичь углеродной нейтральности к 2030 году. С этой целью внедряются инициативы по уменьшению углеродных выбросов и повышению доли потребления возобновляемой энергии. Источники выбираются по мере доступности, в частности, в Финляндии оператор заключает договоры о закупках энергии ветрогенераторов с местными поставщиками.

3. Управление воздушными потоками. Современные ЦОДы оснащают физическими барьерами, которые удерживают холодный и горячий воздух соответственно в «холодных» и «горячих» рядах. Первые обеспечивают охлаждение оборудования, вторые — максимально быстрый отвод излишков тепла. Минимизация смешивания горячего и холодного воздуха позволяет уменьшить расход электроэнергии на охлаждение. Наибольшую пользу технологии управления воздушными потоками приносят в датацентрах, находящихся в регионах с теплым климатом.

4. Жидкостное охлаждение. Для систем искусственного интеллекта и других энергоемких технологий традиционного охлаждения воздухом недостаточно. Развиваются системы жидкостного охлаждения, но пока что поставщики оборудования не наладили массовый выпуск серверов, рассчитанных на такое охлаждение, да и операторы ЦОДов только начинают задумываться о том, как совместить их с существующей инфраструктурой.

В Equinix тестируют компактные безводные жидкостные системы охлаждения мощностью 100 кВт на стойку, отмечая, что они способствуют оптимизации расхода воды и энергии, а также уменьшению площади датацентров. Кроме того, компания подключилась к проекту открытого аппаратного обеспечения Open19, в рамках которого разрабатывается универсальный блок сопряжения, обещающий возможность легкого подключения систем жидкостного охлаждения в любых ЦОДах.

5. Интеллектуальное управление питанием. Датчики для выявления непроизводительных потерь энергии, применяемые совместно с программными платформами управления питанием, позволяют расходовать электроэнергию максимально эффективно. Подобная платформа в паре с аккумуляторной системой для хранения энергии обеспечивает автоматизацию управления передаваемой мощностью и позволяет свести почти к нулю избыточное планирование мощности.

Помимо перечисленных технологий операторы внедряют методы ускоренного модульного строительства «зеленых» ЦОДов с поддержкой разных источников электроснабжения и экологичными системами хранения энергии. Существуют также проекты по передаче избыточного тепла центров обработки данных в системы центрального отопления, по монтажу теплиц на крышах зданий ЦОДов и созданию систем рециркуляции, которые улавливают дождевую воду и сводят к минимуму попадание отработанной воды в канализацию.

Дата-центры также присоединяются к различным экологическим партнерствам. В Ирландии, к примеру, действует инициатива DCs for Bees, в рамках которой операторы ЦОДов высаживают фруктовые деревья на пришкольных участках, демонстрируя для учащихся важность защиты насекомых-опылителей и поддержки биологического разнообразия.

Голос человека может рассказать многое о своем владельце. Его изменение может служить симптомом некоторых заболеваний, в том числе связанных с дегенерацией нейронов головного мозга, к которым относится болезнь Паркинсона. Сервис BRAINPHONE призван выявлять людей даже на ранней стадии болезни на основе анализа их голоса, являясь массовым и доступным инструментом диагностики. О создании решения рассказывает Ильдар Хасанов, исполнительный директор BRAINPHONE и номинант на премию Data Award.

- В чем суть решаемой BRAINPHONE проблемы? Почему это важно?

По данным ВОЗ болезнь Паркинсона занимает первое место в мире по темпам инвалидизации среди всех неврологических заболеваний. На сегодняшний день в России и мире лишь треть пациентов с болезнью Паркинсона имеют корректный диагноз. При этом большинству из них он выставляется поздно – на продвинутых стадиях, когда гибнет до двух третей черной субстанции мозга, гибель нейронов которой ассоциирована с развитием болезни. Такая ситуация имеет место в первую очередь за счет отсутствия скрининговых инструментов для выявления признаков болезни Паркинсона.

- Какими методами обычно решается задача выявления болезни Паркинсона?

Сейчас ситуация такова, что диагностика болезни Паркинсона осуществляется только с непосредственным участием врача на основе, в первую очередь, неврологического осмотра пациента. Рутинные методы визуализации (МРТ, КТ и др.) и лабораторные методы используются лишь в качестве вспомогательных – в первую очередь, исключающих – при постановке диагноза. На сегодняшний день и в России, и в мире нет внедренных в рутинную клиническую практику скрининговых инструментов для выявления болезни Паркинсона.

- В чем заключается предлагаемый вами подход? Почему он лучше?

Наш сервис предназначен для скрининговой диагностики людей с факторами риска развития нейродегенераций. Ведущим из них, конечно же, является возраст. Так, люди старше 55 лет даже в отсутствие других факторов риска имеют повышенную вероятность развития болезни Паркинсона. Наш сервис позволяет большому количеству людей быстро, эффективно и недорого пройти скрининговое исследование на наличие признаков заболевания. Это, в свою очередь, позволяет людям раньше попасть к профильному врачу и начать соответствующее лечение.

- Как пришла идея создания решения, выявляющего болезнь Паркинсона по голосу?

Мы давно занимаемся этой проблемой и имеем большой опыт в поиске и изучении биомаркеров заболеваний мозга, в том числе болезни Паркинсона. Наше решение – это веяние нового времени в виде использования инновационных технологий для решения запросов, уже давно выдвигаемых международным медицинским сообществом. И подобные продукты меняют подход системы здравоохранения к диагностике и лечению пациентов. Так, Международным обществом по изучению болезни Паркинсона и других расстройств движений (International Parkinson and Movement Disorders Society) в прошлом году даже была создана отдельная рабочая группа Technology Study Group по изучению инновационных стратегий и способов применения диджитал-продуктов.

- Что «под капотом»? Какие технологии и методы ИИ применялись?

В основе нашей технологии лежит оптимизированная нейронная сеть, обученная на мел-спектрограммах голосов пациентов с болезнью Паркинсона и группы контроля.

- Какие данные использованы?

Для обучения нейросети используется уникальный собственный датасет аудиозаписей голосов пациентов с болезнью Паркинсона и группы контроля. Датасет сформирован из нескольких тысяч аудиозаписей голосов, записанных при выполнении различных заданий (методики заданий разработаны учеными, неврологами и логопедами). Датасет релевантный, размечается при участии опытных врачей-паркинсонологов, постоянно пополняется. Для сбора и хранения датасета разработаны собственный чат-бот и платформа.

- Что собой представляет созданное решение?

Сервис BRAINPHONE призван использоваться в качестве скринингового инструмента, который легко и недорого может охватить большое количество людей с факторами риска. Он реализуется в виде нейросетевой модели, интегрированной в «оболочку» – контакт-центр, чат-бот, приложение и др. – в зависимости от бизнес-потребности. Это массовый, доступный и легко осуществимый, без привязки пациента к местонахождению врача и специализированного оборудования, инструмент для диагностики и мониторинга болезни Паркинсона на любых, в том числе ранних, стадиях.

- Какие были сложности при реализации проекта, как их решали?

Трудной, но в то же время интересной задачей, как и в любом MedTech-проекте, было получение релевантного датасета для обучения искусственного интеллекта. При этом хорошо, когда есть возможность объективизировать диагноз – например, с помощью методов нейровизуализации, как это происходит при диагностике опухолей, инсультов и др. В случае с болезнью Паркинсона, к сожалению, такой возможности нет.

Так, когда дело касается анализа медицинских изображений, это изображение могут посмотреть 2-3 и более врачей для оценки и разметки. Этим можно повысить уверенность в используемой выборке. Когда речь идет о клиническом диагнозе, как при болезни Паркинсона, оценить правильность выставленного диагноза можно только при непосредственном контакте врача с пациентом. Поэтому большим вызовом был изначально правильный, даже академичный, подход к сбору данных, чего мы и смогли добиться благодаря нашим многолетним наработкам.

- Какие результаты достигнуты и ожидаются?

Сервис успешно прошел первый этап клинических испытаний и готовится к регистрации в качестве медицинского изделия. Чувствительность сервиса 80%, а специфичность – 92%. В сравнении с общепризнанными клиническими способами диагностики чувствительность сервиса сопоставима с ними, а специфичность даже превосходит их.

На сегодняшний день готовятся пилоты в нескольких регионах России. Кроме того, по результатам бизнес-миссии под эгидой Агентства стратегических инициатив в королевстве Марокко была достигнута предварительная договоренность с президентом Совета Национального объединения врачей о пилоте в одной из крупнейших клиник Касабланки.

- Речь идет только о работе с пациентами медицинских учреждений, или решение может встраиваться в любые крупные контакт-центры для выявления людей, даже не подозревающих о своей болезни?

Да, все верно. Решение может использоваться как в медицинских учреждениях, так и быть интегрированным в другие сервисы. Например, сейчас обсуждается внедрение продукта в колл-центр, объединяющий все медицинские учреждения региона.

- В чем роль и социальная значимость проекта?

Внедрение в рутинную клиническую практику сервиса BRAINPHONE приведет к нескольким важным эффектам. Первый из них – своевременное выявление болезни Паркинсона у пациентов вне зависимости от места жительства и удаленности от медицинских центров – например, центров экстрапирамидной патологии, или специализированного оборудования. То есть станет доступен массовый скрининг. Второй эффект – массовый мониторинг, то есть возможность осуществления адекватного мониторинга состояния пациентов с болезнью Паркинсона, в том числе оценка эффективности лечения. Своевременная постановка диагноза и качественный мониторинг позволят улучшить качество жизни пациентов и отсрочить их инвалидизацию, сохранить их работоспособность. По экспертным оценкам, ранняя установка диагноза позволит снизить прямые и непрямые расходы на пациентов со стороны семьи и государства более чем в 10 раз при лучшем качестве жизни.

Наконец, повышение выявляемости болезни Паркинсона потенциально увеличит объем рынка противопаркинсонических препаратов до трех раз и сместит фокус фармацевтических компаний в сторону поиска наиболее эффективных решений для ранних стадий.

- В каком направлении будет развиваться проект?

Мы не останавливаемся на достигнутом – работа кипит, проект растет, развивается. Мы нацелены как на повышение точности диагностики, так и на расширение списка диагностируемых заболеваний.