Мэри Бранскомб

Чтобы полнее воспользоваться преимуществами цифровых инноваций, в том числе искусственного интеллекта, прежде всего необходимо отказаться от процессов, выполняемых вручную. Уже только поэтому автоматизация должна стать ближайшим приоритетом для большинства ИТ-директоров.

Автоматизация – не только экономия времени или денег. При правильной реализации средства автоматизации уменьшают число ошибок, повышают степень удовлетворенности сотрудников, освобождают их от необходимости выполнения утомительных операций, улучшают восприятие клиентов (customer experience, CX) и позволяют масштабировать бизнес.

Стремление к автоматизации заставляет задуматься о скрытых проблемах, с которыми в обычных ситуации сталкиваются сотрудники. Именно рутинная обработка исключений значительно снижает производительность труда. Автоматизированные системы позволяют шире внедрять процессы самообслуживания; автоматизировав наиболее частые и общие действия, можно освободить время для творческой деятельности, требующей сложных умозаключений.

Зачастую первые шаги по автоматизации носят тактический характер: отдельные работники или небольшие группы проявляют заинтересованность в автоматизации определенных непосредственно используемых и контролируемых ими сервисов и процедур. Возводя же автоматизацию в ранг стратегического приоритета, вы предоставляете работникам автоматизированные сервисы, находящиеся вне зоны их контроля. В результате выгоды от автоматизации выходят за рамки одного подразделения. Например, для ИТ-службы автоматизированные сервисы самообслуживания, выполняющие рутинные операции наподобие сброса паролей или предоставления данных об утилизации выделенных подразделению ИТ-ресурсов, имеют все шансы получить в компании широкое распространение и принести ей немалую выгоду.

Вице-президент Constellation Research Дион Хинчклифф призывает ИТ-директоров к 2025 году довести уровень автоматизации до 90% там, где это представляется естественным: в службе технической поддержки, при выполнении запросов на обслуживание, поиске кандидатов на замещение вакантных должностей и приеме их на работу, закупках ИТ, в операционной деятельности, обеспечении кибербезопасности, администрировании проектов и формировании отчетности. «Поначалу эти области с трудом поддаются автоматизации, но все равно они должны быть максимально автоматизированы», – говорит Хинчклифф.

Главный аналитик Forrester Дж.П. Гаундер предупреждает об опасности стремления к реализации проектов «космического масштаба», которую часто недооценивают. Вместо этого следует придерживаться поэтапного подхода, который позволяет решать поставленные задачи поочередно, а уже затем связывать их друг с другом. Нужно искать возможности получения быстрого выигрыша в каких-то конкретных направлениях автоматизации специфичных задач и процессов, не пытаясь охватить всю цепочку обслуживания клиентов и используя средства автоматизации в качестве дополнения к деятельности сотрудников, а не замены им.

«Есть немало достаточно простых, но и одновременно общих задач, – поясняет Гаундер. – В совместно используемых сервисах есть масса рутинных, повторяющихся операций, которые можно автоматизировать. Автоматизацию нужно проводить совместными усилиями основных подразделений и ИТ-службы. ИТ-директор по возможности должен заботиться о том, чтобы приучать бизнес-руководителей к встраиванию новых технологий в существующую инфраструктуру, а также стремиться получать от бизнес-подразделений необходимую обратную связь. Важно иметь в своем распоряжении бизнес-аналитиков, которые следили бы за ранними этапами внедрения, проводили обучение и подыскивали новые участки для автоматизации. Все нужно начинать с экспериментальных проектов и сбора данных, после чего выявлять другие схожие функции, подлежащие автоматизации».

А теперь давайте рассмотрим семь областей возможной автоматизации и поговорим о стратегических автоматизируемых процессах в каждой из них.

1. Обслуживание клиентов

Для многих руководителей ИТ-служб улучшение обслуживания клиентов является главным приоритетом. В ходе недавнего опроса Harvey Nash/KPMG CIO Survey, проводившегося в Великобритании, 62% ИТ-директоров назвали это своей первоочередной целью.

Результаты исследования DigitalGenius показывают, что у 80% служб техподдержки (service desk) 20% поступающих заявок повторяются и обслуживаются достаточно легко. Соответствующие задачи хорошо поддаются автоматизации, что повышает степень удовлетворенности клиентов и снижает текучку кадров в службе поддержки клиентов.

Чатботы и виртуальные агенты идеально подходят для простых, повторяющихся запросов и для клиентов, отдающих предпочтение самообслуживанию. Для поддержки корпоративных клиентов Microsoft использует в своих контакт-центрах решение AI Solution for Customer Service. За последние полгода число клиентов, сумевших решить свои проблемы, удвоилось. Сегодня их ежедневно обслуживают более 100 тыс. виртуальных агентов. Использующая аналогичную систему компания HP удовлетворяет с ее помощью 70% всех поступающих заявок на техническое обслуживание.

Если вы не общаетесь с клиентами непосредственно, можно рассмотреть возможность применения подобных технологий в кадровой службе – например, для управления льготами.

Интеграция искусственного интеллекта в диалоги поможет автоматизировать решение более сложных задач, в частности, управление рисками. Микрокредитная организация Grameen Foundation совместно с Accenture Labs работает над созданием приложения анализа эмоций, помогающего ее сотрудникам распознавать ситуации, когда, к примеру, женщина, обращающаяся за займом, испытывает внешнее давление. В этом случае получение кредита станет для нее скорее дополнительным обременением, нежели помощью.

2. Управление персоналом и наем сотрудников

«Еще одна перспективная область — автоматизация административных задач, разгружающая сотрудников кадровых служб, – отмечает Курт Хайккинен, директор компании Montage, разрабатывающей ПО для проведения видеоинтервью. – Следует рассмотреть возможность автоматизации рутинных, административных операций, выполняемых при подборе персонала, в том числе с использованием телефонов и планированием времени интервью. Более половины опрошенных Montage организаций уже используют средства автоматизации для составления расписаний собеседований. Это помогает проводить отсев на ранних этапах при большом количестве кандидатов. Средства автоматизации позволят рекрутерам сосредоточиться на решении стратегических задач, удовлетворении нужд и потребностей кандидатов и выстраивании взаимовыгодных отношений, помогающих им удерживать в своих рядах талантливых специалистов».

Следующим этапом использования искусственного интеллекта становится оценка кандидатов, позволяющая обеспечивать согласованность процесса подбора персонала.

Повторяющиеся рутинные операции кадровой службы – расчет выходных пособий или компенсаций за неиспользованный отпуск при увольнении – также могут быть автоматизированы. Влияние автоматизации оказывается еще более сильным при интеграции различных систем. Например, при проверке используемых карт доступа с учетом сотрудников, находящихся в отпусках. Освободившееся у сотрудников время можно направить на решение вопросов, требующих более пристального внимания, в том числе для расчета отпусков по уходу за ребенком.

3. Платежи

Неэффективные системы учета командировок и прочих затрат отнимают много дополнительного времени. В платформы облачного хранения наподобие Box и OneDrive интегрированы средства распознавания, позволяющие считывать информацию из квитанций. Сервис MileIQ отслеживает заявки на поездки, а его разработчики создали новое приложение Spend, подключаемое к банкам и учетным записям банковских карт для автоматической классификации расходов. Аналогичное приложение SAP Concur собирает информацию о платежах за гостиничные услуги и аренду автомобилей. Оно учитывает даже обменные курсы при совершении зарубежных поездок и автоматически переводит деньги на банковские счета сотрудников и кредитные карты компаний.

Растет интерес к таким областям, как автоматизация оплаты по счетам. По оценкам McKinsey, 27% всей финансовой деятельности можно автоматизировать, а треть этого объема поддается автоматизации с помощью программных роботов (Robotic Process Automation, RPA).

4. ИТ-операции

Чтобы успешно конкурировать с массовыми облачными сервисами и «теневыми» технологиями, реагируя на проявления тенденции консьюмеризации, ИТ-службам необходимо адекватно реагировать на изменение ситуации. И здесь ключевым моментом становится автоматизация.

Недавний опрос Vanson Bourne показал, что более половины своего времени сотрудники европейских ИТ-служб тратят на текущие операции, техническую поддержку и устранение проблем. О высоком уровне автоматизации своей инфраструктуры сообщили только 11% опрошенных, а значит, в большинстве организаций рутинные вопросы поддержки и администрирования отнимают еще больше времени.

«Даже сами ИТ-специалисты говорят о том, что почти пятую часть нынешних повседневных задач можно было бы автоматизировать с помощью средств искусственного интеллекта, – указывает Джеймс Денинг, вице-президент компании Automation Anywhere, предлагающую RPA-платформу. – Сюда относятся установка оборудования и программного обеспечения, управление файлами и папками, мониторинг серверов, управление Active Directory, подключение и отключение пользователей и выполнение пакетных обработок».

В исследовании McKinsey говорится, что с помощью RPA можно автоматизировать выполнение от 40% до 80% заявок на обслуживание, в том числе и операций смены паролей и управления идентификационной информацией, доля которых в запросах в службу поддержки всегда довольно велика.

5. Подготовка устройств

Подключение инфраструктуры, находящейся на территории предприятия, к облачным сервисам с помощью Microsoft System Center и Intune позволяет ИТ-службе автоматизировать процедуры развертывания и настройки конфигурации устройств. С помощью функции Windows 10 Autopilot, например, новый ПК при первом включении подключается к Azure Active Directory.

«Благодаря функции Windows Autopilot можно прямо в облаке автоматически организовать полноценное управление новыми устройствами, – уверен генеральный менеджер группы Microsoft Windows Commercial Бернардо Кальдас. – Сегодня эта процедура по большей части выполняется вручную: нужно сначала создать соответствующие образы, организовать их развертывание и управление ими. С помощью Autopilot все эти операции проделывают облачные сервисы, что существенно упрощает ИТ-службе жизнь».

Новый сервис Desktop Analytics расширяет возможности автоматизации функциями тестирования на совместимость приложений. Сегодня это требует значительных ресурсов и замедляет переход на новые версии Windows. «Мы используем средства машинного обучения и облачную информацию о приложениях, которые уже работают в среде Windows и Office, что позволяет клиентам оценить совместимость с новыми версиями Windows и Office, сэкономив тем самым свое время», – поясняет Кальдас.

6. Автоматизация обеспечения безопасности

Аналогичное сочетание локального управления и управления в облаке способствует повышению безопасности и соблюдению нормативных требований с автоматическим мониторингом подозрительного поведения и политиками условного доступа для устройств. Установка такой системы позволяет заблокировать устройства с необычным поведением на ключевых системах предприятия в сети. Блокировка выполняется на период, который требуется для очистки зараженных машин.

«Автоматизация условного доступа помогает ИТ-директору определить права доступа устройств к ресурсам компании на основе различных критериев, профилей риска устройств, их учетной информации и данных, к которым они пытаются обращаться, – говорит Кальдас. – Автоматизация подключения устройств и управления ими расширяет возможности организации и является признаком стратегической автоматизации. Что же касается вопросов безопасности и соблюдения нормативных требований, зачастую ими ведают совершенно разные подразделения ИТ-службы».

7. Тестирование приложений

«Автоматизация – ключевая составляющая DevOps, особенно при создании сборок для непрерывного развертывания, – полагает вице-президент Sauce Labs Любош Паробек. – Устранение влияния человека помогает ускорить получение результатов, выполнение процедур и разработку приложений. Кроме того, обеспечивается повторяемость: при наличии средств автоматизации вам уже не нужно изобретать велосипед. Устраняется и источник ошибок: людям свойственно ошибаться, а машинам нет».

Автоматизация тестирования начинается с автоматического формирования тестовой среды. Контейнеризация позволяет легко создавать одноразовые изолированные среды, которые способствуют ускорению процесса разработки и тестирования.

Автоматизировать саму процедуру тестирования сложнее, но это имеет очень важное значение для ускорения разработки и повышения надежности. Основные существующие проблемы связаны не с технологией, а с культурными изменениями. Использование средств автоматизации позволяет сократить продолжительность тестирования с недель и месяцев до нескольких минут. Приступать к внедрению имеет смысл на новых проектах, где тестируемое приложение создается с нуля, и мобильных приложениях, потому что они меньше. В уже существующие приложения при создании условий для их тестирования зачастую приходится вносить достаточно серьезные изменения.

В процессе автоматизации тестирования большого существующего приложения следует сосредоточиться на проверке основных недостатков, которые влияют на степень удовлетворенности клиентов и ценность программного обеспечения. «Как правило, наибольшее влияние на доходы предприятий оказывают приложения с внешним интерфейсом», – подчеркивает Паробек.

Машинное обучение демонстрирует столь высокую эффективность, что возникает соблазн уверовать, будто оно способно решать любые проблемы. Как и другие инструменты, машинное обучение полезно для определенных задач, особенно таких, решением которых многим руководителям давно хочется заняться, но останавливает то, что наем нужного персонала обойдется непозволительно дорого, или таких, цель решения которых ясна, а способ – нет.

И все же машинное обучение в той или иной форме будет применяться практически во всех организациях: 42% руководителей, опрошенных компанией Accenture, указали, что к 2021 году искусственный интеллект станет основой всех внедряемых ими новшеств. Но результаты будут более качественными, если не поддаваться шумихе, не впадать в распространенные заблуждения и точно знать, какие возможности машинное обучение может предложить, а какие – нет.

Миф №1. Машинное обучение – это искусственный интеллект

Термины «машинное обучение» и «искусственный интеллект» используют как синонимы, но первое – это один из методов реализации искусственного интеллекта, на сегодня получивший наиболее широкое применение на практике благодаря активным исследованиям, тогда как второе – это понятие, которое обобщает целый ряд областей, в том числе компьютерное зрение, робототехнику, обработку искусственного языка, а также методы, не имеющие отношения к машинному обучению, например применяемые для решения задачи удовлетворения ограничений. По сути искусственный интеллект – это любые методы, благодаря которым машины начинают казаться «умными», но никакой из них в отдельности не является полноценным «искусственным интеллектом», способным соперничать с человечеством или даже обратиться против него.

Суть машинного обучения состоит в запоминании закономерностей, присутствующих в уже доступном наборе данных, и прогнозировании тех же закономерностей для новых аналогичных наборов данных; результат может выглядеть как плод «интеллектуальной» работы, но в целом принцип состоит в применении статистических методов в огромных масштабах и на очень высокой скорости.

Миф №2. Все данные полезны

Данные для машинного обучения необходимы, но не все они полезны. Чтобы обучить систему, требуется репрезентативная выборка с нужными закономерностями, позволяющая получить именно те результаты, на которые рассчитана ваша система машинного обучения. При этом в данных не должно быть закономерностей, не имеющих отношения к решаемой задаче (например, лишними будут серии фотографий, на которых все мужчины стоят, а все женщины сидят, или где все автомобили в гараже, а все велосипеды – на улице), поскольку модель машинного обучения, создаваемая вами, запомнит эти специфичные закономерности и будет искать их в данных, с которыми вы ее используете. Все данные, используемые для моделей обучения, должны быть аккуратно размеченными, причем разметка должна соответствовать «вопросам», которые вы собираетесь задавать системе машинного обучения, и это потребует немалых трудозатрат.

Полагать, что данные, которые у вас уже есть, чисты, точны, репрезентативны и легко поддаются разметке, – заблуждение.

Миф №3. Вам всегда нужны большие объемы данных

Достижения последнего времени в сфере распознавания образов, автоматизированного понимания текстов, машинного перевода и в других областях стали возможными благодаря появлению более совершенных инструментальных средств, графических процессоров, способных обрабатывать много данных в параллельном режиме, и обширных размеченных наборов данных, например ImageNet и Stanford Question Answering Dataset. Но, благодаря методу под названием трансферное обучение (transfer learning), вам не всегда нужно иметь огромный набор данных, чтобы достичь хороших результатов в конкретной области: вы можете «научить обучаться» систему с использованием большого среза данных, после чего применить приобретенную ею способность к вашему гораздо меньшему набору данных. Именно так работают специализированные API распознавания образов Salesforce и Microsoft Azure: для получения хороших результатов достаточно лишь 30-50 изображений объектов, которые требуется классифицировать.

Метод трансферного обучения позволяет адаптировать заранее обученную систему к вашей конкретной задаче с использованием относительно небольшого объема данных.

Миф №4. Систему машинного обучения может построить любой

Существует множество инструментов и фреймворков машинного обучения с открытым кодом, а также многочисленные учебные курсы, демонстрирующие, как ими пользоваться. Однако машинное обучение по-прежнему остается методом для специалистов – вам нужно знать, как готовить и секционировать данные для обучения и тестирования, как выбрать оптимальный алгоритм и эвристические методы, иметь представление о том, как превратить модель в надежную систему для рабочего применения. Требуется также обеспечить мониторинг работоспособности, следить за тем, чтобы результаты оставались релевантными со временем, – необходимо контролировать качество работы модели и соответствие решаемой задаче, особенно, например, после изменения целевого рынка.

Для эффективного применения машинного обучения требуется опыт. Если вы только начинаете, используйте доступные интерфейсы программирования для заранее обученных моделей и наряду с этим приобретайте необходимые знания в области исследования данных и машинного обучения. Либо нанимайте соответствующих специалистов.

Миф №5. Все закономерности, присутствующие в данных, полезны

Страдающие бронхиальной астмой или ишемической болезнью сердца, а также люди в возрасте 100 лет имеют гораздо более высокую выживаемость при пневмонии – такова статистика. И несложная система машинного обучения, призванная автоматизировать прием пациентов в больницу, может отправить таких людей домой – именно так поступила система, обученная на статистических данных. Однако причина выживаемости таких пациентов при воспалении легких именно в том, что их всегда госпитализируют, учитывая, насколько опасно для них заболевание.

Система «видит» реальную закономерность в данных, однако для принятия решения о госпитализации она не годится (хотя и могла бы помочь страховой компании прогнозировать стоимость лечения). Что особенно опасно, вы не будете знать о присутствии таких вредных закономерностей в ваших данных, если вы не в курсе, какие именно закономерности могут быть лишними.

В других случаях модель может запомнить результативную закономерность, однако она не будет полезной как не имеющая четкого и очевидного объяснения. Например, так было со скандально известной системой распознавания лиц, которая точно определяла сексуальную ориентацию по селфи, – компьютер, по всей видимости, реагировал на социальные сигналы наподобие позы, а не на какие-то врожденные признаки.

Модели, действующие по принципу черного ящика, могут быть действенными, однако остается неясным, какую именно закономерность они выучили. Более прозрачные, понятные алгоритмы вроде обобщенных аддитивных моделей позволяют понять, что именно запомнила система, и это дает возможность принять более обоснованное решение о том, стоит ли ее вводить в рабочую эксплуатацию.

Миф №6. Методы автономного обучения готовы к рабочему применению

Наиболее широкое применение сегодня получил метод обучения с учителем – чаще всего системы обучают на наборах данных, уже размеченных и подготовленных людьми. На очистку наборов данных требуются время и трудозатраты, поэтому существует высокий интерес к методам обучения без учителя, особенно с подкреплением, когда система учится методом проб и ошибок, взаимодействуя со средой и получая сигналы подкрепления («награду») за верное поведение. Система DeepMind AlphaGo, задействуя обучение с подкреплением и с учителем, сумела обыграть сильнейших мастеров по игре го, а Libratus, система, созданная в Университете Карнеги – Меллона, применяя обучение с подкреплением и другие методы, победила лучших в мире игроков в техасский холдем – разновидность покера, которая отличается сложной стратегией ставок. В рамках исследовательских проектов сегодня предпринимаются попытки применять обучение с подкреплением в широком круге областей, от робототехники до тестирования ПО безопасности.

Однако вне исследовательского сообщества обучение с подкреплением используется ограниченно. В Google применяют DeepMind для экономии электроэнергии в центрах обработки данных – обучаясь, система помогает повышать эффективность охлаждения; в Microsoft узкоспециализированный вариант обучения с подкреплением помогает персонализировать заголовки новостей для посетителей портала MSN.com. Проблема в том, что в реальном мире далеко не всегда существуют легко обнаруживаемые сигналы подкрепления и мгновенный отклик. Например, сложности возникают при распределении сигналов подкрепления, когда испытуемая система выполняет несколько действий, прежде чем произойдет значимое событие.

Миф №7. Системы машинного обучения непредвзяты

Обучаясь на введенных данных, модель будет воспроизводить все систематические ошибки, встречающиеся в учебной выборке. Например, при поиске снимков генеральных директоров в результатах, скорее всего, будут преобладать изображения белых мужчин, поскольку таковых среди глав компаний больше. Еще, как выяснилось, системы машинного обучения не просто передают предвзятость, но и усиливают ее.

Набор данных COCO, который широко используется для обучения систем распознавания образов, содержит снимки как мужчин, так и женщин, однако первые на фото чаще сидят за компьютером, держат теннисную ракетку или сноуборд, а вторые – чаще находятся в обстановке кухни. Если обучить систему с помощью COCO, у нее возникнет более сильная ассоциация между мужчинами и компьютерной техникой, чем показывает реальная статистика снимков.

Системы машинного обучения также могут «делиться» предвзятостью друг с другом. Если обучить модель с помощью популярных фреймворков, которые представляют понятия в виде векторов, показывающих отношения между словами, то она усвоит стереотипы и будет, к примеру, приравнивать отношения «мужчина-женщина», «программист-домохозяйка», «врач-медсестра» и «начальник-секретарь». Если использовать такую систему совместно с той, которая переводит с языка с гендерно-нейтральными местоимениями, например, финского или турецкого, на язык с местоимениями «он» и «она», например английский, то фраза «это врач» может превратиться после перевода в «он врач», а «это секретарь» – в «она секретарь».

Получение рекомендаций, скажем по покупкам, – это иногда удобно, но когда дело касается личных убеждений и других деликатных тем, могут возникнуть проблемы: если вы присоединитесь в Facebook к группе противников вакцинации, то система может посоветовать вам группы по конспирологическим теориям или сообщество приверженцев убеждения о плоской Земле.

Проблему предвзятости систем машинного обучения важно иметь в виду. Если вы не можете устранить предвзятость обучающего набора данных, то для сглаживания эффекта воспользуйтесь, например, методом нормализации гендерных ассоциаций между парами слов. Можно также добавить к рекомендациям нечто выпадающее из выученных системой закономерностей, чтобы избежать «пузыря фильтров» – когда пользователю постоянно предлагают только то, с чем он уже знаком.

Миф №8. Машинное обучение используется только для благих целей

Пользуясь методами машинного обучения, антивирусы могут обнаруживать совершенно новые вид атак, с которыми они еще не сталкивались. Но и злоумышленники применяют машинное обучение для проверки возможностей антивирусных средств и организации масштабных целенаправленных атак фишинга, анализируя большие объемы общедоступных данных или уровень успеха предыдущих попыток.

Миф №9. Машинное обучение заменит людей

Опасения по поводу того, что искусственный интеллект отберет у людей работу, сегодня стали обычным делом. Искусственный интеллект действительно изменит рынок труда и принципы выполнения многих обязанностей, поскольку системы машинного обучения повышают эффективность, облегчают соблюдение требований и помогают снижать затраты. В долгосрочной перспективе благодаря машинному обучению появятся новые должности, а некоторые из нынешних исчезнут. Многие задачи, выполняемые сегодня с помощью машинного обучения, раньше попросту были нерешаемыми по причине высокого уровня сложности или огромного масштаба; вряд ли, к примеру, можно было нанять достаточно сотрудников, чтобы в поисках изображения вашего товара изучить каждый снимок, размещенный в социальных сетях.

Благодаря машинному обучению уже сегодня появляются новые бизнес-возможности – например, улучшить клиентское обслуживание с помощью прогнозного обслуживания или ускорить принятие обоснованных управленческих решений. Как и предыдущие поколения средств автоматизации, машинное обучение высвободит время сотрудников, и они смогут, не отвлекаясь на рутинную работу, более полно применять свои знания и творческие способности.

– Mary Branscombe. 9 machine learning myths. CIO. MAR 21, 2018