Статьи

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.

«Суперприложение» для сотрудников организации — это мобильное приложение, в котором доступны все инструменты и ресурсы, необходимые работнику на ежедневной основе. Суперприложения можно сравнить с традиционными корпоративными приложениями наподобие CRM- и ERP-систем, в которых со временем появляется все больше функций, однако в них сложно ориентироваться и они могут иметь проблемы с производительностью. В отличие от последних, суперприложение может быть более удобным. Его компоненты — миниприложения — отвечают определенным стандартам и имеют похожий пользовательский интерфейс, что облегчает их освоение. Ненужные миниприложения пользователь может отключить.

Концепция суперприложений зародилась в начале 2010-х годов в Китае — они, как правило, объединяют функции платежной системы, интернет-магазина, мессенджера, социальной сети и иногда государственных услуг. Характерные примеры — WeChat и Alipay. Первыми суперприложения создали местные гиганты электронной коммерции. Со временем специалисты Baidu, Alibaba и Huawei даже составили спецификацию пакета миниприложений, которую консорциум W3C опубликовал в качестве рабочего черновика будущего стандарта. Она определяет требования к суперприложениям и формат, в котором предоставляются его компоненты и вспомогательные ресурсы. Потребительские суперприложения распространились в основном в странах Азии, Южной Америки и Африки.

На предприятиях суперприложения могли бы объединять бизнес-процессы и внутренние сервисы, которыми пользуются сотрудники и клиенты. При этом в каждом отделе можно было бы выбирать свой набор нужных компонентов. В числе преимуществ — единый пользовательский интерфейс, предотвращение разрастания парка корпоративных приложений, укрепление безопасности за счет единой модели защиты.

По сведениям Gartner, интерес к концепции суперприложений проявляют операторы гипермаркетов и других рознично-торговых организаций с большим количеством сотрудников, которые выполняют свои обязанности с помощью мобильных устройств.

Суперприложение для сотрудников внедрили в одной из крупных компаний, предоставляющей медицинские услуги по схеме подряда. Мобильное приложение, созданное сторонним разработчиком, объединяет все инструменты и ресурсы, которыми на повседневной основе пользуются медики, работающие по вызову в партнерских организациях, — ленты сообщений, чаты, средства доступа к файлам, внутренние приложения. Благодаря этому удалось избежать необходимости установки множества изолированных приложений, безопасность каждого из которых пришлось бы контролировать отдельно. Система передает напоминания о вызовах и сроках исполнения, а пользователи могут одним касанием отвечать на них, задавать вопросы, просматривать рабочие графики, зарплатные ведомости и др.

Создание суперприложений сопряжено с определенными сложностями, поскольку все участники экосистемы разработки должны придерживаться строгих стандартов и одних и тех же фреймворков. Самостоятельная разработка может обходиться недешево, особенно учитывая, что суперприложение требует непрерывного развития и сопровождения. А поскольку подобная платформа, когда ей пользуется большинство сотрудников, становится единой точкой отказа, с самого начала ее создания необходимо уделять повышенное внимание обеспечению устойчивости и механизмам восстановления работоспособности. Разработка силами внешнего поставщика, в свою очередь, опасна привязкой к нему.

Таким образом, у корпоративных суперприложений есть свои достоинства и недостатки. Они вряд ли вытеснят традиционные, особенно учитывая, что некоторые приложения специального назначения не удастся перевести на общую платформу. Если на предприятии пользуются множеством приложений, разработчики могут с помощью общих библиотек снабдить их единообразным интерфейсом вместо того, чтобы превращать в миниприложения. Можно создать традиционный внутренний веб-портал с доступом к необходимым приложениям — это будет более привычным, чем суперприложение.

В Х5 Tech разработали и интегрировали систему по модельному риску, позволяющую эффективно отслеживать и управлять многочисленными ML-моделями, детектировать и реагировать на возможные риски, связанные с моделями. Это позволяет минимизировать потенциальные убытки и улучшать качество принимаемых на основе моделей решений. Модельный риск был встроен в процессы компании, и уже предотвращены реальные случаи, когда модель приносила значительные финансовые убытки. О реализации этого проекта рассказывает Святослав Орешин, руководитель команды модельного риска Х5 Tech и номинант на премию Data Award 2024.

- В чем суть проблемы? Почему управление рисками моделей машинного обучения стало важным для X5?

Чтобы лучше понять проблему, давайте начнем с аналогии. Допустим, вы запускаете стартап и работаете в небольшой компании друзей-коллег. Вы общаетесь каждый день и в курсе всех событий, которые у вас происходят в команде. Но с ростом команды вы нанимаете больше персонала, делаете больше проектов, и у вас возникает естественная потребность в HR-специалистах, менеджерах и системе управления персонала в целом.

Отсюда и возникает проблематика модельного риска – если у вас не так много моделей машинного обучения и на них не завязаны критичные для бизнеса решения, то за модельным риском можно следить и вручную. Однако в случае больших компаний обрабатываются терабайты данных ежедневно, а количество ML-моделей может исчисляться сотнями, и они участвуют практически во всех процессах. Если не поддерживать актуальность моделей и качество входных данных, не следить за динамикой их работы, то вы столкнетесь с финансовыми убытками и нецелевым расходованием бюджета. Контроль за модельным риском направлен на минимизацию возможных убытков и предотвращение нецелевого расходования бюджета.

- Каковы типичные риски, связанные с ML-моделями?

Основной риск – это то, что модель может работать неточно или непредсказуемо. Это может быть следствием некорректности входных данных, необходимости переобучить модель, изменением бизнес-логики или просто влиянием внешних факторов. Далее каждая из «крупных» категорий рисков раскладываются на более частные, которые отражают специфику той или иной модели. Есть ML-модели, которые делают предсказания каждую минуту, а есть те, которые делают предсказания раз в месяц. Соответственно, для каждой из них свойственны разные риски с разной критичностью, исходя из специфики данных, архитектуры и других вводных.

- Приведите примеры случаев, когда «отбившиеся от рук» модели приносили реальные убытки. О каких масштабах потерь идет речь?

Конкретные случаи я привести не могу из-за NDA, однако можем провести теоретическую оценку. Представим, что у нас есть модель Х, стоимость разработки и поддержки которой составляет примерно 10 млн руб. в год. Для простоты расчетов предположим, что все модели приносят компании одинаковое количество выручки и риски распределены нормально. Применим правило «одной сигмы» для распределения рисков и получим, что при оптимистичном сценарии мы несем в среднем около 20% убытков, а при пессимистичном – более 50% убытков. Получается, что если в компании есть 50 моделей со средней стоимостью 10 млн руб. в год на каждую, то компания терпит от 100 до 250 млн руб. убытков каждый год из-за реализации модельных рисков.

Мы рассматривали сценарий, при котором модельные риски приводят только к нецелевому расходованию бюджета, но в реальности компания терпит дополнительные убытки, так как часто предсказания моделей переиспользуются в разных процессах, и убытки могут суммироваться и приводить к дополнительной нагрузке на персонал.

- Что включает управление моделями и их рисками?

Если максимально упростить решение, то в модельном риске мы решаем три основные задачи. Во-первых, это централизация – появляется централизованный верхнеуровневый мониторинг над моделями: все модели регистрируются в единой системе. Во-вторых, актуализация – информирование продуктовых и проектных менеджеров, дата-сайентистов и ML-разработчиков, а также прочих заинтересованных лиц о состоянии и изменениях в работе моделей. Наконец, мониторинг – единое место, где все участники процессов, связанных с моделью, смогут отслеживать все доступные модели и их метрики.

- Что представляет собой созданное в X5 решение?

Решение состоит из разных компонент. Во-первых, это веб-сервис и интерфейс, в котором владельцы модели могут ее зарегистрировать и внести основную информацию о ней. Во-вторых, это ядро системы – ключевая логика для сбора и анализа различных данных, связанных с работой модели, оценкой входных данных, по итогу работы которой рассчитываются и оцениваются риски. И, наконец, это система мониторинга и уведомлений, которая позволяет получать актуальную информацию о работе и состоянии каждой модели и своевременно оповещать всех, кого следует, о возникающих рисках и предлагать возможные действия для их ликвидации.

- Как, по каким признакам, определяется, что модель работает не так, как должна?

Для начала надо четко понимать, на каких данных работает модель, какую задачу решает, как проводится ее валидация, какие у нее целевые значения прокси-метрик и на какие бизнес-метрики влияет работа модели. Далее, совместно с владельцем модели под нее настраиваются риски и оценивается их критичность. Например, для одной модели критично, если она не производила предсказания в течении одного часа, а для другой – в течении одной недели. Наш сервис получает логи работы моделей и протоколирует их, оценивает входные данные и рассчитывает релевантные для модели риски. Затем по совокупности всех выявленных рисков модели присваивается статус. Все это происходит в реальном времени с минимальными задержками.

- Как решение встроено в процессы, кто и на какой основе занимается управлением ML-рисками?

При интеграции подобной системы крайне важно не нагружать команды дата-сайентистов дополнительной работой. Поэтому в ходе разработки мы активно общались с владельцами и разработчиками моделей, а также бизнес-стейкхолдерами, и таким образом приоритезировали функционал, который действительно нужен командам. Оптимизируя нагрузку на команды, мы добились того, что процесс регистрации и подключения модели занимает в среднем не более, чем 15 минут.

Таким образом, мы не просто встраиваемся в процессы, но и решаем задачи команд, снимая с них дополнительную нагрузку, связанную с мониторингом моделей. Помимо этого, мы интегрировались в процесс передачи моделей на поддержку, и все ML-модели, которые передаются и находятся на поддержке подключены к нашему сервису.

Продуктом пользуются как разработчики и владельцы моделей, так и руководители подразделений, заказчики со стороны бизнеса, финансовый отдел и другие команды.

- Как измеряются результаты в случае управления модельными рисками?

Оценить вклад модельного риска в финансовые показатели – достаточно сложная задача. Модельный риск – это превентивное решение, поэтому основные показатели на текущий момент заключаются в уровне покрытия системой мониторинга всех моделей компании, а также количество срабатываний на одну модель. Очень важно оценивать и качественные показатели – получать обратную связь от пользователей системы, а также проводить «работу над ошибками» – анализировать случаи, когда модель работала неточно, и понимать, как сервис может предотвращать такие случаи в будущем.

- Что удалось лучше всего, чем больше всего довольны?

Основной наш результат – это то, что нам удалось найти соответствие созданного решения потребностям внутри компании. Продукт достаточно молодой, мы начали им заниматься только в мае 2023 года, и тогда переживали, что наше решение может стать еще одним «регулятором», создать дополнительную нагрузку на команды ML-разработчиков. Однако за этот год мы смогли найти путь, в котором мы не только разработали и внедрили систему мониторинга рисков, но и решили множество смежных задач.

- Что с финансовыми эффектами?

Модельный риск направлен на предотвращение убытков для уже имеющихся моделей, поэтому даже спустя какое-то время работы системы будет крайне сложно оценить финансовый вклад именно модельного риска.

Мы сейчас развиваем большое инфраструктурное направление по MLOps, и модельный риск – часть этого направления. Ведь модельный риск не только предотвращает убытки от работы самих моделей, но также оптимизирует работу ML-команд за счет предотвращения дублирования работы при решении схожих задач, выполняет задачи мониторинга и интегрируется с внутренней инфраструктурой. Поэтому более корректно будет оценивать общий эффект от совокупности всех решений MLOps.

- В каком направлении будет развиваться проект, на какие результаты рассчитываете?

Проект будет развиваться как «вширь» – будем расширять список возможных рисков и подключать новые модели, так и «вглубь» – сможем учитывать более специфичные риски и предлагать «точечное» реагирование на них. Кроме того, планируем подключать не только отдельные модели, но и полноценные процессы разработки, состоящие из разных шагов по обработке данных и работы разных моделей.

Также мы решаем задачу составления единого реестра всех моделей компании. Таким образом, разработчики смогут делиться опытом не только внутри своей команды, но и с другими командами.

Оператор сотовой связи в Казахстане Tele2/Altel запустил проект оптимизации размещения базовых станций 5G с помощью машинного обучения и многокритериального анализа принятия решений (MCDA). Это должно позволить компании снизить капитальные затраты, повысить энергоэффективность, улучшить качество услуг и в целом усилить устойчивость сетей связи. Проект направлен на обеспечение баланса между потребностями текущих абонентов 4G и ожиданиями новых пользователей 5G, а также на поддержку устойчивого развития в соответствии с Целями устойчивого развития ООН. О его реализации рассказывает Станислав Стрельцов, CDO Tele2/Altel и номинант на премию Data Award 2024.

- В чем заключалась бизнес-проблема, которую решали?

Наша основная задача заключалась в оптимизации размещения базовых станций 5G, учитывая потребности текущих абонентов 4G и ожидания новых пользователей 5G. Баланс между потребностями существующих абонентов и развитием сети 5G критически важен: мы работаем в условиях ограниченного CAPEX/OPEX. Компании необходимо эффективно управлять ресурсами и размещением базовых станций для обеспечения плавного перехода от 4G к 5G и обеспечения высокого качества обслуживания для всех пользователей.

- Какие требования предъявлялись к создаваемому решению?

Решение должно было снизить капитальные затраты, повысить энергоэффективность, улучшить качество услуг и обеспечить устойчивость сетей связи.

- Какие данные и платформы используются?

Для анализа и принятия решений мы собираем статистику трафика 4G станций, данные о подключениях абонентов, метрики подключений устройств 5G, время активности пользователей, а также трафик, генерируемый устройствами 5G. Эти данные собраны с использованием существующих телекоммуникационных инфраструктур и инструментов мониторинга сети. Кроме того, обращаемся к внешним источникам, таким как карты и информация о застройке.

Используемые платформы для работы с данными включают реляционные и не реляционные СУБД (Oracle, ClickHouse, PostgreSQL), а также специализированные системы анализа данных и машинного обучения собственной внутренней разработки, использующие решения open source. Для визуализации результатов и поддержки бизнеса используется платформа Tableau.

- Что представляет собой созданное решение, какие технологии использованы?

Решение представляет собой систему оптимизации размещения базовых станций 5G с использованием машинного обучения, инструментов Big Data и многокритериального анализа.

- Какими силами реализовывалась система?

Над проектом работала команда аналитиков данных, дата-сайентистов и инженеров данных, ее размер составлял примерно 14 человек. На реализацию потребовалось 12 месяцев.

- Что в ходе проекта было самым сложным?

Сложность заключалась в балансировке требований текущих абонентов – было важно держать качество связи на определенном уровне, – и ожиданий новых пользователей. Кроме того, речь шла обработке и анализе больших объемов данных: прогнозы на уровне базовой станции охватывают данные более 20 тыс. временных рядов.

- Каких результатов уже достигли, а какие ожидаются в будущем?

На несколько процентов увеличился ROI. По мере продвижения проекта ожидается, что данные результаты будут пересматриваться и адаптироваться в соответствии с динамикой рынка и потребностями пользователей.

Кроме того, ожидаемые результаты включают снижение на 20% капитальных затрат (CAPEX) за счет оптимизированного размещения и снижение жалоб клиентов относительно проблем с сетью на 25%. Снижение потребляемой энергии должно дать рост энергоэффективности на 15%.

Эти показатели будут служить критическими факторами успеха и повлияют не только на экономическую выгоду для компании, но и на общую устойчивость, способствуя достижению Целей устойчивого развития ООН (Sustainable Development Goals, SDG).

- Какой результат стал главным, что именно дало наибольшую отдачу?

На данный момент оптимальное распределение CAPEX оказалось ключевым результатом, обеспечивающим наилучшую отдачу.

- Цели устойчивого развития – насколько это важно, и в чем их влияние?

Оптимизация потребления энергии и уменьшение воздействия на окружающую среду играет для нас важную роль. В частности, речь идет про SDG 7 (Доступная и чистая энергия), SDG 11 (Устойчивые города и общины) и SDG 13 (Действия по изменению климата). Мы уделяем особое внимание энергопотреблению, необходимому для питания базовых станций, минимизируя количество строек.

- Каков экономический эффект?

Даже находясь в пилотной версии, реализация проекта снизила капитальные затраты и повысила нашу эффективность, что привело к увеличению ROI.

- Каковы планы развития проекта?

Мы планируем дальнейшее совершенствование системы, учет изменений в технологическом пространстве и потребностей пользователей. Планируем добавить функционал на базе геопространственной аналитики, а также реализовать инструмент в виде продукта для монетизации его вовне.

Генеративный ИИ привлекает внимание компаний всего мира своей скоростью и мощью, оказывая существенное влияние на бизнес-операции, модели, продукты и сервисы. Недавний опрос Accenture показал, что почти все руководители (99%) планируют увеличивать инвестиции в эту технологию. В такой ситуации ИТ-директора с учетом их видения бизнес-процессов и глубокого понимания потенциала технологий имеют все необходимое для того, чтобы помочь своим организациям подготовиться к внедрению генеративного ИИ. Главным препятствием 67% представителей высшего технического руководства считают недостаточное знание технологий своими коллегами. Определяющая роль для эффективного решения этой задачи отводится увязке генеративного ИИ с успехом предприятия.

Эффективная интеграция искусственного интеллекта в бизнес начинается с постановки четких целей и приведения стратегии ИИ в соответствие с этими бизнес-целями. Сегодня 98% руководителей уже согласны с тем, что в ближайшие три-пять лет базовые модели ИИ будут играть важную роль в реализации стратегии их организации. Чтобы проверить, готово ли предприятие к внедрению генеративного ИИ, ИТ-директор должен задать себе следующие восемь вопросов:

1. Какую базовую модель следует выбрать? Другими словами, какая архитектура наилучшим образом обеспечивает релевантность, надежность и удобство использования выходных данных модели? Количество поставщиков и моделей генеративного ИИ непрерывно растет. При выборе конкретного варианта необходимо убедиться в его соответствии потребностям и запросам организации.

2. Как сделать эти модели доступными? Существует два основных подхода, которые бизнес может использовать для внедрения моделей. Все зависит от того, нужен ли вам полный контроль в собственном облаке, или же доступ к генеративному ИИ будет осуществляться через внешнего поставщика, обеспечивающего требуемую скорость и простоту.

3. Как модели будут адаптироваться к вашим собственным данным? Для получения от генеративного ИИ максимальной отдачи предприятие должно использовать свои собственные данные. Следует рассмотреть различные способы адаптации предварительно подготовленных моделей к собственным данным предприятия и попытаться создать готовые инструменты, подходящие для организации и ее сотрудников.

4. Какова общая готовность предприятия? Прежде всего оцените свои платформы, обеспечивающие интеграцию и интероперабельность, а также уровень безопасности базовых моделей и потенциальные риски. Обязательным условием для создания надежной системы ИИ является соблюдение законов, нормативных требований и этических стандартов. Все это необходимо продумать еще на стадии проектирования.

5. Как обстоят дела с углеродным следом? Несмотря на прохождение предварительной подготовки, базовые модели в процессе адаптации и тонкой настройки все еще могут потреблять значительное количество энергии. Последствия будут зависеть от подхода, применяемого при покупке, сборке и расширении базовых моделей.

6. Как перевести разработку приложений генеративного ИИ на промышленную основу? Следующим шагом после выбора и развертывания базовой модели является поиск новых фреймворков, которые могут потребоваться для ускорения разработки приложений. Оптимизируя процесс, вы адаптируете его к конкретным бизнес-функциям и предметным областям.

7. Что нужно для масштабного использования генеративного ИИ? Поиск способов масштабной монетизации ценностей, создаваемых искусственным интеллектом, должен волновать каждого ИТ-директора. Искусственный интеллект создает благоприятную почву для стимулирования инноваций. А ИТ-директора в соответствии со своей ролью обладают хорошими связями в рамках всей структуры предприятия. Поиск новых возможностей и свежих взглядов способствует внедрению инноваций как внутри организации, так и в масштабах всей отрасли и появлению новых возможностей для роста.

8. С чего начать и как действовать дальше? ИТ-директор способен внести важный вклад в разработку программного обеспечения. Погрузитесь в процесс и постарайтесь продемонстрировать ощутимые результаты пилотных проектов. В компании Accenture, к примеру, генеративный ИИ помогает команде разработчиков быстрее запускать продукты. Благодаря использованию инструмента Amazon CodeWhisperer удалось добиться значительного увеличения производительности труда разработчиков и качества кода, что помогло внедрить новую платформу AWS Velocity в рекордно короткие сроки. Обобщая собственный опыт, становится ясно, как продвигаться вперед и расширять сферу применения продуктов.

Исследования показывают, что с помощью генеративного ИИ в сфере ИТ можно оптимизировать до 73% общего рабочего времени. Это подчеркивает важность закладывания основ для безопасного, ответственного и экономичного масштабирования генеративного ИИ, обеспечивающего бизнесу получение реальных ценностей.

Современные инструменты Business Intelligence способны как анализировать структурированные данные, так и решать более сложные задачи, связанные со слабоструктурированными источниками и комплексной визуализацией данных. И если несколько лет назад программные инструменты данного класса применялись только для моделирования данных, то сегодня практически все BI-платформы имеют встроенные средства очистки, консолидации и нормализации структурированных данных. Причем они способны работать с очень большими объемами записей.

Одна из ключевых целей BI – поддержка принятия решений при реализации тех или иных бизнес-процессов. Более десяти лет назад для этого применялись модульные программные приложения, решающие частные задачи. Дефицит консолидированных данных затруднял получение объективной оценки необходимых для анализа факторов. Однако эволюция технологий управления большими данными и возросшая производительность ИТ-инфраструктуры компаний позволили им использовать более прозрачный и универсальный подход к BI, перейти от пакетной обработки данных к потоковой. Это, в свою очередь, определило потребность в инструментах многомерной визуализации данных. При этом прогрессивные статистические методы для корреляционного анализа, прогнозирования, нелинейного анализа – приобретают всё большую значимость. Специалист, принимающий решения с помощью BI, опирается на динамические показатели фактических данных и расчетных показателей в агрегированном виде.

Сценарии применения BI

BI-системы сегодня имеют обширное распространение как в виде полноценных независимых программных решений, так и в виде аналитических модулей различных приложений. По сути, анализировать данные можно везде, где они есть. При этом чем больше компания собирает потоковой информации, тем выше потребность в ее качественном анализе. И, поскольку современные корпоративные системы способны обеспечить упорядоченное хранение информации, обработка агрегированных данных доступна организациям самых разных сфер деятельности.

Так, промышленное оборудование оснащено датчиками, позволяющими получать данные о работе линии, каждого производственного элемента. Как правило, такая информация хранится локально или во внешних базах данных. Благодаря ее анализу руководители могут выстраивать более эффективные процессы: например, оптимизировать расход сырья или предупреждать поломки. В сфере услуг оцифровываются взаимоотношения компаний с потребителем. Кассы, CRM, логистические системы – благодаря всему этому появляются большие группы данных, которые можно рассматривать в различных разрезах.

Современный уровень развития ПО и производительности ИТ-систем позволяет визуализировать данные не только в виде классических диаграмм, но и в виде геокарт, тепловых карт и в других разновидностях. А применение нейронных алгоритмов дает возможность прогнозирования на основе анализа массивов информации. Например, в медицине, анализируя диагностические данные, можно выявлять в них некие закономерности или аномалии – и на этой основе корректировать методики лечения пациентов. Для сельскохозяйственных предприятий можно выстроить систему оперативного мониторинга, управляя разными локациями, учитывая погодные изменения и т. д.

Имея возможность оперативно менять срезы данных, можно максимально быстро принимать решения. Поэтому BI-системы активно применяются в ситуационных центрах. Качество таких решений напрямую зависит от качества созданной для них модели данных.

Развитие BI в России

История BI-систем в России тесно связана с развитием ИТ-рынка в целом. До ухода иностранных компаний местным разработчикам было довольно сложно конкурировать с хорошо зарекомендовавшими себя программными решениями мирового уровня. В случае BI это, прежде всего, Tableau, Power BI и Qlik. Российские вендоры находили точки роста в более узких нишах, в разработке и внедрении специализированных BI-систем. Те из них, кто выдержал конкуренцию, сегодня могут предоставить заказчикам решения с востребованными функциями.

ИТ-командам нужны инвестиции в технологическое развитие и кадровый потенциал. Сейчас ситуация на локальном рынке резко изменилась, для отечественных разработчиков конкурентное поле со стороны зарубежных вендоров опустело. Но никуда не ушли законы рынка: усилилась борьба теперь уже между российскими компаниями. Появились лидеры в отраслевых сегментах, часть игроков сошла с дистанции. Направление BI не стало исключением. Здесь на настоящий момент уже сформировался пул надежных разработчиков с хорошим потенциалом развития программных продуктов. Независимые аналитические агентства, а также некоторые интеграторы публикуют рейтинги и дают развернутые характеристики наиболее зарекомендовавших себя систем.

Критерии выбора BI-платформы

Современные BI-системы различаются по функциональности, масштабируемости, возможности применения no-code/low-code и другим более специфическим критериям. В то же время они могут быть применены во многих отраслях для решения конкретных задач.

Например, если в компании внедрены такие системы, как CRM, ERP, MRP, и не хватает встроенных отчетов, – можно использовать BI для раздельного или консолидированного анализа, создания единой модели данных. Если в компании много лет используется Excel в качестве универсального инструмента для создания и хранения данных, а базы становятся все больше – однозначно следует рассмотреть внедрение BI. При этом сначала можно заняться построением моделей данных из слабоструктурированных источников, а затем уже непосредственно проектированием аналитических отчетов с наглядными графиками и таблицами агрегируемых данных.

Для выбора BI-системы можно рекомендовать оценить следующие функции и критерии продукта:

• импорт данных с сервера БД (SQL и др.),
• импорт данных из файлов (csv, txt, xls),
• объединение источников данных,
• создание модели данных,
• фильтрация данных,
• наличие стандартных визуализаций,
• внедрение дополнительных визуализаций (JavaScript, Python),
• создание интерактивных отчетов,
• создание вычисляемых полей,
• функции агрегации,
• различный экспорт данных,
• управление правами доступа,
• адаптация под другие технические устройства,
• автоматическое обновление отчетов по расписанию,
• обучающая документация и наличие сообществ,
• публикация отчетов в веб-представлении,
• стоимость решения.

По нашей практике, заказчики чаще отдают предпочтение проверенным и известным продуктам. Однако именно в направлении BI процесс внедрения продукта всегда носит проектный характер и нередко требуется кастомизация. С этой точки зрения малоизвестные решения могут оказаться гораздо гибче в кастомизации, что может положительно сказываться на сроках реализации проекта. В то же время у «коробочных» решений есть свои неоспоримые преимущества: возможность удобного обновления по мере выхода новых релизов, наличие всей необходимой документации и более широкое экспертное сообщество.

Внедрение BI: на что обратить внимание

Алгоритм внедрения BI-систем верхнеуровнево не отличается от внедрения других ИТ-платформ. Как правило, проект разбивается на этапы:

• аудит и анализ требований на стороне заказчика,
• составление плана миграции (если у заказчика уже есть другая BI-система),
• разработка моделей данных,
• добавление средств визуализации (дашбордов, таблиц),
• тестирование и обучение,
• запуск в эксплуатацию,
• контроль и расширение аналитических срезов.

Специфика BI-систем подразумевает участие в проекте вендора и системного интегратора. Вендор занимается поддержкой и доработкой платформы. Интегратор обладает многогранными экспертными знаниями, которые необходимы для реализации проекта – ведь заказчику часто приходится решать задачи не только установки BI-платформы, но и ее интеграции с ИТ-окружением.

Самыми затратными по ресурсам и времени (до 80% затрат, по нашим подсчетам) являются этапы аудита и разработки модели данных. Они требуют тщательного изучения исходных источников данных компании и возможностей разработки средств визуализации. Именно поэтому длительность реализации проекта BI иногда бывает сложно определить: указанные этапы могут растянуться во времени из-за обеспечения доступности, бесструктурного хранения, множества видов источников информации, отсутствия формализованного описания имеющихся данных и т.д.

Проектный подход подразумевает создание совместной группы, состоящей из представителей заказчика и исполнителя. Крайне важно, чтобы на стороне заказчика хотя бы один сотрудник был привлечен к поддержке системы: знал корректные источники для модели и регламенты сбора исходных данных, мог управлять политиками доступа.

Автор – Николай Рыков, продукт-менеджер по программным решениям компании Konica Minolta