МТС

В сентябре 2021 года МТС запустила геоаналитическую систему для поддержки принятия управленческих решений «МТС.Регион». Это первое в России коробочное решение, которое работает по модели подписки и дает возможность органам исполнительной власти управлять регионом на основе объективных обезличенных данных о социально-демографическом составе населения, миграциях и туристических потоках, а бизнесу – оценивать эффективность новых локаций для торговых точек и офисов. О предпосылках создания и роли этого проекта для создания комфортной среды в регионах рассказывает Армен Аветисян, вице-президент по Интернету вещей и промышленной автоматизации МТС.

— Как родилась идея создания решения «МТС.Регион»?

Мы в течение нескольких лет наблюдали стабильно растущий спрос на геоаналитические данные. Это неудивительно: растет мобильность населения, меняются паттерны поведения, увеличивается количество самостоятельных путешественников. Региональным властям для эффективного управления развитием территорий остро необходимо обладать точной и актуальной информацией – например, какова реальная численность населения, сколько туристов или мигрантов сейчас в регионе, на какие объекты инфраструктуры приходится самая большая нагрузка.

Мы заметили, что большая часть регионов приходит к нам с похожими запросами, и решили автоматизировать работу над такими кейсами, создав платформу «МТС.Регион» – веб-интерфейс для оперативного доступа к геоаналитическим отчетам. Важно было совместить возможность настраивать автоматическую выгрузку данных с удобным интерфейсом, который будет интуитивно понятным для пользователя без какого-либо опыта работы с большими данными.

— Что собой представляет система?

Это коробочное решение, предоставляющее доступ к обезличенным данным в трех форматах на выбор – веб-интерфейс, API или аналитические отчеты. В веб-интерфейсе доступно два модуля: «Цифровой житель» и «Цифровой туризм».

Модуль «Цифровой житель» позволяет оценить фактическую численность населения, социально-демографический состав, составить портрет жителя разных районов города и региона, проанализировать ежедневную и сезонную миграцию и оценить спрос на городскую инфраструктуру. Возможно заказать исследования по анализу посещаемости конкретных инфраструктурных объектов, общественных пространств и мероприятий. Система оценивает количество посетителей, их социально-демографический состав, сравнивает популярность объектов и событий по заданным параметрам. Наши данные помогают планировать развитие городского пространства, в том числе дорог, развязок, станций метро и остановок общественного транспорта, поликлиник, школ, детских садов, спортивных объектов и парков, корректировать графики и маршруты общественного транспорта, оценивать достаточность инфраструктуры, повышать популярность общественных мероприятий.

Бизнес может воспользоваться системой «МТС.Регион», чтобы сравнить доступные локации при открытии новых торговых точек и офисов на основе больших данных о трафике. Система анализирует информацию о проходимости, социально-демографическом портрете регулярной аудитории, данные об объеме и категориях трат.

Модуль «Цифровой туризм» дает возможность оценить объем и характер туристического потока: откуда приезжают гости региона, какие локации привлекают больше всего туристов, какова средняя продолжительность поездки, с какой целью в основном приезжают в регион. Платформа может составить портрет туриста с учетом пола, возраста, семейного положения, уровня доходов, сферы интересов, а также оценить достаточность инфраструктуры. Эти данные позволяют наладить транспортное сообщение с регионами, из которых прибывает наибольшее число туристов, запланировать строительство инфраструктуры именно там, где это необходимо, подготовить график мероприятий, соответствующих интересам ключевой аудитории, разработать программы привлечения туристов.

Геоаналитическая система работает на основе обезличенных данных Big Data МТС. Модель подписки позволяет получать не единоразовый отчет, а регулярные исследования и видеть динамику процессов. Данные обновляются с регулярностью от одного до пяти дней с момента наступления события.

— За какое время и какими силами реализована система?

Мы начали разработку в 2020 году. За время работы несколько раз меняли подход, корректировали работу с учетом отзывов клиентов. Пандемия также внесла свои правки: спрос на цифровые сервисы со стороны региональных властей в 2020 году вырос в три раза. Мы сразу стали применять гибкий подход к работе с аналитикой: переиспользовали и трансформировали методики, наполняли систему разными источниками данных, чтобы у клиентов была возможность оперативно выгрузить нужную информацию – например, перед совещанием у губернатора. Мы старались максимально применять опыт МТС в других сферах, но многое приходилось реализовать с нуля.

Над продуктом работает кросс-функциональная команда, в которую входят продуктологи, разработчики и специалисты по обработке данных, причем физически наши сотрудники разбросаны буквально по всей стране – от Владивостока до Санкт-Петербурга. Сейчас мы выдаем новые «фичи» практически каждый двухнедельный спринт – я считаю это большим успехом.

— На кого ориентирована платформа? Кто основной клиент?

Сейчас большинство заказчиков «МТС.Регион» — представители государственной власти: администрации городов, профильные ведомства и отраслевые министерства. В первую очередь решение полезно региональным министерствам по туризму и транспорту, а также различным инстанциям, занимающимся благоустройством территорий и развитием городского пространства.

Мы также видим интерес к платформе со стороны бизнеса: продуктового ретейла, торговых сетей, туристических агентств и сегмента HoReCa. Отдельная категория запросов приходит от девелоперов. На основе нашей геоаналитики компании выбирают наиболее удачные локации для открытия бизнеса и изучают свою аудиторию. Здесь возможности «МТС.Регион» дополняет рекламная платформа МТС Маркетолог. Таким образом мы оказываем полный комплекс услуг – от анализа локации до привлечения новых клиентов в нее.

— Хватает ли собственных данных МТС для создания достоверной аналитики?

Для большинства кейсов – да, более чем. МТС – крупнейший российский оператор и ядро целой экосистемы сервисов, среди которых онлайн-кинотеатр KION, МТС Библиотека, МТС Музыка и многие другие. Наша платформа Big Data хранит и обрабатывает более 20 Пбайт обезличенной информации.

Система агрегирует обезличенные данные о пользовательском поведении, нагрузке на базовые станции, модели потребления в экосистемных сервисах, роуминге – внешнем или внутреннем, картографические данные, параметры устройств Интернета вещей. При необходимости можем использовать информацию, которую предоставляет заказчик – например, отраслевые данные.

В результате мы получаем высокую достоверность аналитики при полной анонимности конкретных людей. Как правило, уже этой информации достаточно, чтобы увидеть тренды и паттерны поведения жителей города или туристов. В случае, если нужно оценить численность населения или объем турпотока с учетом абонентов других операторов, мы можем с высокой точностью высчитать эти параметры на основе данных о нашей доле в регионе.

— Что показывает практика — какая аналитика больше всего интересна регионам и бизнесу?

Самые востребованные услуги сейчас – оценка турпотока и событийный анализ. На них приходится 80% проектов. Поддержка внутреннего туризма – одно из ключевых направлений федеральной и региональной политики. Планировалось, что в нацпроект «Туризм и индустрия гостеприимства» в 2022 году вложат больше 52 млрд руб.

Цель нацпроекта – довести количество путешествий по России до 140 млн в год к 2030 году. В 2021 году туристический поток внутри РФ, по данным Ростуризма, достиг 56 млн человек, однако оборот в российской туристической отрасли все еще значительно меньше показателей 2019 года. Так что в этом направлении регионам предстоит большая работа.

— В каких регионах уже внедрено решение, в чем они больше заинтересованы – в «Цифровом жителе» или «Цифровом туризме»?

Не могу сказать однозначно: эти сервисы, как правило, приобретают одновременно. Данные Big Data МТС уже используют 46 регионов, но, к сожалению, не обо всех проектах мы можем рассказывать. Наш первый масштабный проект реализован для министерства туризма Самарской области. На основе данных «МТС.Регион» был сформирован рейтинг домашних регионов, откуда приезжают туристы, проведен анализ сезонности, выявлены объекты притяжения, спрогнозирован объем турпотока и определены приоритетные направления для развития авиасообщения. В результате министерство транспорта и департамент туризма запустили программу субсидирования авиабилетов из Калининградской области.

Интересный способ применения платформы придумали в Приморском крае. Там нашу систему используют для реализации другого нацпроекта – по развитию спорта. Мы на основе обезличенных данных анализируем, насколько регулярно занимаются спортом люди разных возрастов и оцениваем нагрузку на спорткомплексы в зависимости от сезона и времени дня. У правительства края есть данные по посещаемости муниципальных и краевых объектов, но нет информации о том, насколько активно люди пользуются услугами коммерческих компаний и посещают открытые спортивные сооружения. Такую информацию можно получить только из обезличенных больших данных.

— В чем роль и социальная значимость этого решения?

Платформа помогает улучшить качество городской среды благодаря тому, что планирование городской инфраструктуры осуществляется с учетом анализа больших данных. Это позволяет определить локации, где есть наибольшая потребность в строительстве инфраструктурных объектов, перераспределить транспортные потоки, маршруты и графики движения общественного транспорта с учетом миграций населения, разработать стратегию развития города и региона. Министерства по туризму, в свою очередь, получают объективные данные, которые позволяют развивать инфраструктуру, обосновывать бюджетирование проектов, направленных на развитие туризма, запускать программы субсидирования отрасли, налаживать транспортное сообщение.

— Каковы ожидания – насколько значимым бизнесом это может стать в обозримой перспективе?

Мы ожидаем, что рынок геоаналитики к концу 2023 года вырастет более чем втрое. В 2021 году количество заказов от региональных властей увеличилось почти в два раза по сравнению с 2020 годом.

— В каком направлении развивается «МТС.Регион», каковы перспективы и ближайшие планы?

Есть два направления работы. Первое – повышать точность прогнозов, увеличивать скорость обновления информации в системе, добавлять новые источники. Это бесконечный процесс, который требует постоянной работы.

Второе – увеличивать количество «коробочных» решений на базе системы. Например, иногда аналитику для бизнеса мы делаем как кастомизированное решение. То же касается аналитики по пассажиропотоку или оценке достаточности социальной инфраструктуры. Мы хотим создать под эти услуги такие же стандартизированные модули, какие уже есть для работы с турпотоками и анализа населения и трудовых миграций. Это сделает использование платформы еще более удобным и позволит закрыть самые распространенные запросы властей и бизнеса. К концу 2022 года мы намерены запустить еще несколько модулей.

Анализ цифровых следов человека получает все большее распространение и начинает использоваться в самых различных направлениях деятельности — от маркетинга до информационной безопасности. В МТС разработали систему анализа бизнес-процессов на основе цифрового следа (Process Mining), и первым местом ее внедрения стал Единый центр управления сетью. Используя технологии автоматизации, дата-инжиниринга и машинного обучения в комплексе, Process Mining позволяет анализировать цифровой след сотрудников и обеспечивает мониторинг загруженности работников технического блока, решающих задачи управления инфраструктурой, а также прогнозирование нагрузки и выявление функций для роботизации. В дальнейших планах компании — использование системы в других подразделениях, развитие ее аналитических возможностей и ее вывод на внешний рынок. Телекоммуникационные компании являются одними из лидеров по количеству данных и уровню цифровизации, поэтому многие успешно обкатанные внутри МТС подходы и решения в дальнейшем адаптируют и предлагают внешним заказчикам.

Иван Исаев, директор направления анализа данных и искусственного интеллекта для проектов технического блока ПАО «Мобильные ТелеСистемы» и номинант на премию CDO Award , поделился деталями проекта по разработке системы Process Mining, осуществляющей учет и прогнозирование эффективности работы сотрудников на основе анализа цифрового следа, с использованием методов машинного обучения.

— Как у вас возник интерес к Process Mining?

В последнее время анализ «цифрового следа» сотрудников становится все более популярным подходом. Информацию об их действиях при выполнении работы можно изучать с различными целями. С переходом многих на режим удаленной работы оставляемых «следов» стало больше: цифровизировались процессы взаимодействия, которые раньше отследить было невозможно. Появляется возможность проанализировать все, что касается сотрудников компании, включая коммуникации, навыки, эффективность работы. По результатам можно принимать решения, направленные на повышение эффективности процессов, и это в целом повышает возможности цифровой трансформации компаний.

Разумеется, речь идет не только о сокращении кадров или выводе части задач на аутсорсинг с целью снижения издержек. Для любой компании не менее важно бороться с перегрузками сотрудников и предотвращать их выгорание, а также выявлять ценных специалистов, склонных к увольнению.

В Boston Consulting Group даже создали методологию BioTag, рассказывающую о том, как «правильно» внедрять анализ цифрового следа сотрудников внутри компании. Их идея разметки данных с помощью бизнес-тегов мне понравилась, и мы потихоньку к ней идем. Это поможет в оцифровке действий сотрудников, в структурировании и оптимизации их деятельности.

— Что в вашем понимании представляет собой цифровой след сотрудника?

Это информация о том, чем человек занимался в процессе работы, — любые его действия, оставившие цифровой отпечаток, и, что крайне важно, с обязательной привязкой ко времени. Конечно, это не цифровой двойник человека, ведь мы рассматриваем его однобоко — лишь с профессиональной точки зрения, но это отпечаток его присутствия в каждый момент времени. Это могут быть записи звонков диспетчеров по рабочим вопросам, текстовые сообщения, а также сведения о событиях, вносимые в информационные системы. В рамках данного проекта очень важно собрать полноценную картину того, чем человек занимается в течение рабочего времени.

— С чего решили начать?

У МТС есть огромное сетевое хозяйство, в обслуживании которого занято около 10 тыс. человек. Естественно, что периодически приходится заниматься оптимизацией технического блока, такие меры инициирует HR-служба в рамках программ автоматизации. Цель — оптимизация зарплатного фонда.

Вероятно, ситуация знакома многим: у директора в подчинении несколько сотен человек, и к нему приходит требование о сокращении 10% сотрудников. Руководитель в ответ заявляет, что у него и без того дефицит кадров, все сотрудники перегружены и для нормальной работы требуется увеличить штат еще на 20%. В этом случае для прояснения реальной картины требуются весомые аргументы, и предоставить их может лишь комплексный анализ работ, проводимых специалистами. Они заносят в информационные системы данные по инцидентам и работам разного вида по обслуживанию сети; обсуждают проблемы по почте; ведут задачи в Jira. Чтобы получить комплексную картину их труда, эти данные нужно объединить. При этом каждый источник довольно объемный, а его бизнес-логика сложна и специфична для каждого подразделения.

Ранее руководителям приходилось пользоваться электронными таблицами, используя такие термины, как годовой объем работ и среднее время решения инцидента, и вычислять потребность в сотрудниках. Этот подход уходит в прошлое, такие оценки субъективны и для внешних экспертов выглядят неубедительно. На смену ему приходят более серьезные, научные методы.

— Как пришла идея, от кого она исходила?

Моя компетенция заключается в том, что я внедряю машинное обучение в технические процессы, ищу конкретные места, где автоматизация может помочь заработать или сэкономить. Ко мне обратились директора департаментов технического блока, занимающиеся обслуживанием радиосети, транспортной сети, коммутационной сети. Им требовалось получить реальную оценку эффективности труда работников. Разумеется, это важно не только для «защиты от HR», но и для повышения собственной эффективности. У каждого подразделения своя механика работы, и она сильно зависит от предметной области. На первом этапе требовалось обеспечить полную прозрачность действий сотрудников.

Перманентный вопрос о необходимости обоснованной и ясной картины по загруженности персонала и оценке его работы волнует всех. Между тем уже достаточно давно консультанты провели аудит, по результатам которого появились зародыши методик расчета эффективности. Мы эту методику развили в программное решение.

— Что было сделано?

Нам удалось создать систему анализа эффективности работы сотрудников. На основе всех источников создается единая витрина данных, и по данным из нее рассчитываются коэффициенты эффективности. Эти коэффициенты учитывают такие факторы, как утилизация рабочего времени, успешность и своевременность выполнения задач, сложность задач и их критичность для работы сети. Система по прогнозированию и учету эффективности в данный момент находится в опытной эксплуатации.

Далее в процесс вступают механизмы машинного обучения — несколько аналитических модулей. Например, с их помощью мы будем прогнозировать перегрузки и выгорание сотрудников, планировать обучение, создавать кадровый резерв и формировать профиль увольняющихся сотрудников для принятия заблаговременных мер по их удержанию.

На базе этого возможно реализовать вполне конкретные решения. Скажем, в конце года по ряду причин загрузка некоторых сотрудников сильно возрастает по сравнению с началом года. Возможно, в этом случае оправданно привлечение аутсорсинга. Помимо этого, выявляются функции, которые можно автоматизировать. Например, глядя на график использования рабочего времени сотрудников подразделения, можно обратить внимание на то, что существенную долю времени (например, 40%) они тратят на диспетчеризацию поступающих заявок и выявление причин инцидента. С помощью модели машинного обучения и анализа естественного языка из переписок, систем управления задачами и комментариев к инцидентам можно создать ассистента (систему-советчик на основе машинного обучения), способного помогать в определении причин инцидента и даже самостоятельно отправлять сообщения другим специалистам. Так можно сократить число людей, работающих на диспетчерских линиях, и экономить операционные расходы.

Еще один пример возможного развития системы анализа цифрового следа: для ряда инцидентов, связанных с сетью, можно реализовать функционал прогнозирования — система автоматически сможет заводить заявку в системы и инициировать работы по предотвращению инцидента.

— Какие пути решения задачи были выбраны?

Для этих целей сформировано отдельное озеро данных, которое в дальнейшем консолидируется с единым озером данных компании. Оно было реализовано в собственной пилотной зоне. Мы создали прототипы моделей и витрин, после чего это средство будет масштабироваться с использованием промышленных решений.

— Какие данные использовались? Как принималось решение о выборе источников?

Какие данные потребуются, стало понятно далеко не сразу. Более того, до сих пор появляются потребности в новых источниках.

Конечно, основными источниками данных стали информационные системы, в которых работают сотрудники. Наиболее распространенные решения для управления операционными процессами и обработки инцидентов (такие как BMC Remedy Service Desk и Oracle Siebel) — монструозные системы, существующие в телеком-компаниях более 10 лет. Они огромны, в них сделано множество доработок, и довольно сложно оценить, что именно оттуда брать и как это сделать. В зависимости от специфики подразделений, требуется соответствующим образом обогащать собранные данные, ведь перед нами стоит задача восстановить 100% рабочего времени сотрудника — лишь так можно оценить его эффективность. Если это будет 50–60%, то это мало что даст.

В течение нескольких месяцев я проводил аудит работы подразделений и узнавал, как именно работают сотрудники. Благодаря этому сейчас наш мониторинг охватывает около 99% их действий. При дальнейшем масштабировании системы внутри компании и для внешних заказчиков, конечно же, потребуется добавлять новые источники.

Мы специальным образом готовили данные, чтобы вывести коэффициент сложности работы сотрудника — это влияет на его показатель эффективности. Учитывали довольно много параметров, проделали огромную работу по структурированию данных из существующих регламентов — то есть оцифровывали неструктурированные данные. На их базе создавали методики расчета эффективности сотрудника. Мы выводим показатель того, насколько сложными являются те или иные виды работ, выполняемых сотрудником, определяем внутренний грейд сотрудника — насколько он авторитетен в подразделении. Эти подходы, наравне с методикой BCG, позволяют получать больше знаний из имеющихся данных.

— Какие технические решения применяются? И почему именно они?

Изначально прототип делали на решениях open source: СУБД PostgreSQL, скрипты на SQL, модели на Python — я являюсь сторонником открытых платформ. В качестве инструмента визуализации используем Power BI.

Однако по мере подключения к системе различных подразделений рано или поздно встанет вопрос масштабирования. Это предусматривает создание более масштабного озера и инструментов управления, включая глоссарий данных. В качестве системы управления данными планируем использовать Informatica — у нас уже есть опыт применения этого решения. На первом этапе мы опробовали интеграционную платформу, далее потребуются бизнес-глоссарий и каталог метаданных.

Система подразумевает подключение более десятка подразделений, и для этого нужен глоссарий для описания данных, методик расчета показателей, различных сущностей (инцидентов, плановых работ, проектных задач, записей звонков, почтовых сообщений), с которыми работают подразделения. Все это требует оцифровки, а на дальнейших стадиях станет необходимым звеном.

Кроме того, при появлении источников неструктурированных данных понадобится переход на платформу Hadoop — реляционной СУБД обойтись уже не удастся.

— Как решается вопрос качества данных?

Разумеется, качество данных в источниках далеко от 100%. Но даже если данные находятся в местах, которые принято называть «болотом», их качество приходится улучшать постфактум — можно их очищать и обогащать. Часто данных не хватает, и тогда мы создаем в источниках новые поля, позволяющие проследить, например, траекторию изменения инцидента в системе. В работах над серьезными инцидентами принимают участие много исполнителей, и лишь с помощью новых полей в базах данных, в которые выгружается информация с оборудования, удается проследить их цифровой след.

Кроме того, применяя искусственный интеллект, мы боремся с аномалиями в данных и нормализуем их. Переписываем много унаследованных систем, чтобы они выгружали данные в нужном нам виде.

Довольно долго проработав с предприятиями реального сектора, я могу констатировать, что в телекоме ситуация с данными гораздо лучше, чем в других индустриях, за счет хорошей инфраструктуры и возможности сбора практически любых данных. Этому уделяется много внимания. И этот опыт мы также можем транслировать как провайдер цифровых услуг для других отраслей непрерывной промышленности. Например, еще один недавний проект нашей команды — цифровизация цеха производства удобрений в компании «Уралхим».

— В чем заключалась самая большая проблема?

В большой компании процессы достаточно бюрократичны и инертны. Но с этим, вероятно, сталкиваются все.

Серьезным вызовом стали неоднородность данных и необходимость создания глоссария, который позволил бы их упорядочить, обеспечив правильное масштабирование проекта. Подразделения очень разнородные, они работают с разными сущностями: кто-то работает за компьютером, а кто-то ездит по базовым станциям и заводит там дизельные генераторы. Их работу надо привести к общему знаменателю и масштабировать. С одной стороны, для этого необходим высокий уровень абстракции, чтобы подводить под логику работы системы функционирование многих подразделений (может быть, даже нетехнических), а с другой — требуется учесть специфику работы каждого подразделения, которая часто уникальна.

— Какие результаты проекта вы сами считаете ключевыми?

Результаты внедрения новой методологии и реализации модулей машинного обучения, апробированных в ряде подразделений компании, показали прирост эффективности работы сотрудников от 5% до 15%. Обслуживанием сетевой инфраструктуры у крупных операторов занимаются десятки тысяч человек, поэтому эффект от масштабирования подобной практики как у телеком-компаний, так и у других промышленных компаний (например, из отраслей сырьевой промышленности) получается значительный — это сотни миллионов рублей.

Достижение четкого экономического эффекта, выражающегося в конкретных «живых» деньгах, было нашей тактической целью. Повысить качество работы сети — это хорошо, но оно не дает прямой и немедленной финансовой отдачи. А вот автоматизация рутинных функций с помощью математической модели — совсем другое дело: компания перестает нести расходы на их выполнение. Персонал может быть или сокращен, или перенаправлен на решение задач, действительно требующих участия людей.

Со стратегической точки зрения это очень важный инструмент для дальнейшего измерения эффекта от цифровизации и для осознания наиболее перспективных направлений для нее. Понимая, на что тратят время сотрудники и какие действия выполняют, мы совершенно точно можем посчитать эффект от автоматизации любой функции. Это действительно очень важно, потому что до сих пор такой эффект было очень проблематично посчитать, чтобы оценить целесообразность проекта.

— Как именно происходит выявление функций для роботизации?

Мой подход включает несколько составляющих. Во-первых, необходим комплексный аудит того, что происходит. Приходится «идти в поле», тесно общаться с людьми, узнавать, что их волнует. Внутри технического блока у меня есть большие рабочие группы таких «следователей», приносящих пул конкретных инициатив. Другое дело, что результаты этих инициатив сложно рассчитать в деньгах.

Например, сотрудник просит разработать решение, способное оценить реальное время простоя базовой станции, и убеждает, что это «очень нужно для работы». Но где здесь экономический эффект? Да, прислушиваться к пожеланию специалистов необходимо, но еще важнее проследить цепочку изменений, приводящую к измеримому эффекту — сокращению простоя станции, увеличению трафика, повышению производительности сотрудников.

— Какие процессы в первую очередь будут замещаться искусственным интеллектом?

Моя область — машинное обучение, как классическое, так и глубокое (связанное с анализом текстов). В каждом из направлений у меня есть набор областей, где можно найти эффект. В классическом машинном обучении это выявление инсайтов, где можно, прогнозируя события, добиться автоматизации конкретной функции. Сюда относятся, скажем, предиктивные ремонты, направленные на предотвращение инцидентов. В случае с анализом текстов следует найти задачи, где задействована лишь одна когнитивная функция — например, принятие решений на основе текстового сообщения.

— Что дальше? Какими вы видите дальнейшие направления развития проекта?

Важным шагом станет добавление неструктурированных данных и развитие проекта от классического машинного обучения в сторону глубокого обучения. Одна из идей — создать аналог алгоритма обработки естественного языка GPT-3, выпущенного OpenAI, который может, проанализировав произведения, писать стихи, музыку и даже программный код.

В нашем случае цель такой модели может заключаться в анализе экспертной информации диспетчеров. Тогда в нашем распоряжении окажется инструмент, который сможет проанализировать труд диспетчеров и стать единым ассистентом для них. Очевидно, что он будет применим и для других компаний, в том числе для непрерывных производств.

Заметную роль в повышении эффективности промышленных предприятий должна сыграть демократизация инструментов машинного обучения. То, что сейчас доступно лишь лидерам из-за сложности и дороговизны, скоро станет общепринятой практикой. Одним из вариантов развития этого направления является создание тиражируемых решений.

Иван Исаев, руководитель направления промышленного анализа данных МТС и соискатель премии CDO Award, рассказывает о накопившемся опыте решения задач промышленных предприятий и о развитии своих наработок на базе ресурсов крупнейшего мобильного оператора.

— Каков ваш путь в data science?

Моя история началась в Самаре. В этом регионе большинство ИТ-компаний имеют только по одному крупному заказчику и мечтают о развитии бизнеса. У компании Astera, в которой я был соучредителем, таким заказчиком являлся крупный американский телеком-провайдер, для которого мы проводили анализ данных (выявление вторжений, идентификация вирусов, анализ DNS-трафика и др.). В 2015 году, когда машинное обучение на широком рынке делало лишь первые шаги, нам удалось попасть в акселерационную программу МТС — мы занимались предсказанием необходимости ремонтов для базовых станций. В результате удалось решить задачу оптимизации выездов ремонтных бригад, но еще несколько кейсов в промышленную эксплуатацию так и не вышли.

Стало понятно, что в телекоме денег не так уж и много и что с наработанной экспертизой нужно идти в промышленность, поскольку у нас уже был опыт по прогнозированию поломок, идентификации аномалий и т. п. С учеными, знакомыми мне по Сколтеху, мы приступили к задачам с понятным экономическим эффектом. Работать в промышленности в этом плане гораздо проще (в телекоме зачастую оценить эффект весьма сложно), и главное — там нет огромного штата своих айтишников и остается непаханое поле для оптимизации.

— Какими были первые шаги?

Первым заказчиком в промышленности стало предприятие, занимающееся газотурбинными электростанциями. Изначально мы пытались прогнозировать поломки оборудования, однако там оказалось слишком мало событий для построения моделей. Зато нам удалось увидеть другую перспективную задачу — оптимизацию процесса промывок турбин, что ведет к их более экономичной работе и сокращению потребления топлива. Это стало нашим первым серьезным опытом на производстве.

Далее было партнерство с SAP, в рамках которого мы реализовали около 10 пилотных проектов. В то время за пилоты практически никто не платил: все боялись рисковать. Компании хотели сделать свой первый проект по анализу данных, но в партнерстве с большим игроком, готовым инвестировать в него свои средства. Так работали около двух лет: вместе с SAP решали задачи в непрерывном производстве, и нам платили за пилотные проекты. Помимо прогнозирования ремонтов, нам удалось освоить прогнозирование качества продукции.

— Когда началась «серьезная» работа?

Через два года работы с SAP у нас появился первый полноценный контракт с компанией «Уралхим». Мы приехали на большой завод в Кирово-Чепецке, занимающийся производством удобрений. Было ясно, что производство надо цифровизировать и что там «закопано» много денег, но никто не понимал, за что именно нужно браться. После ознакомления с производством мы разработали «дорожную карту» — описали слабые места в цехах, где можно применить машинное обучение. В числе прочих идентифицировали задачу с барабанным гранулятором — можно было существенно повысить его производительность. Этот агрегат нестабилен, в нем происходят волнообразные колебания, и это не позволяет загружать его на полную мощность. Объем подававшегося сырья составлял максимум 60% от проектной мощности, а требовалось достичь показателя хотя бы 80%. Мы долго общались с технологом, пытаясь выяснить, что не устраивает в работе агрегата; разговаривали с операторами, уточняя детали того, как они управляют барабаном (разумеется, «на глазок»). Стало понятно, что нужно создать рекомендательную систему, которая будет давать точные подсказки по управлению. После этого создание модели было делом техники.

Имея за плечами позитивный опыт на производстве, мы смогли попасть в «Газпром нефть», где решали задачу прогнозирования инцидентов при бурении. Среда под землей неоднородна: существуют зоны повышенного и пониженного давления. А любой инцидент обходится крайне дорого: день простоя буровой вышки означает потерю около 10 млн руб. Мы построили модель, позволяющую оптимизировать свойства бурового раствора для предотвращения инцидентов, и попутно обеспечили нефтяников интерактивной картиной происходящего под землей. В этом случае эффекты были не только и не столько экономическими — они касались промышленной безопасности: люди не должны гибнуть из-за газонефтеводопроявления.

Третий проект был реализован в крупной металлургической компании, где удалось оптимизировать потребление дорогостоящих фторсолей в процессе производства алюминия. Была достигнута экономия в 3 млн долл., сейчас идет опытная эксплуатация системы.

Сейчас я перешел в МТС, где рассчитываю вывести свои наработки на новый уровень. Здесь есть экспертиза в big data, свои облачные сервисы, центр кибербезопасности, даже свой акселератор стартапов — с его помощью можно находить новые интересные решения.

— Что может сделать команда «варягов» на предприятии, которое иногда вообще не готово к преобразованиям?

Бывают предприятия с низкой и высокой зрелостью, и в этих случаях все очевидно: первые только формируют стратегию цифровизации, а вторые уже достигли заметных результатов. Но есть и третья, промежуточная категория предприятий, которые и являются нашей целевой нишей. Как правило, у них есть управляющая компания, менеджеры которой ездят по производственным площадкам и оценивают возможности цифровизации. С полученными знаниями они ищут внешние команды, имеющие опыт реализованных проектов.

Кроме того, некоторые компании не нанимают собственных дата-сайентистов в силу своей стратегии. Например, у НЛМК нет задачи наращивать свою экспертизу в области data science. Они реализуют процесс подготовки данных и отдают задачу вовне — большинство проектов реализуется силами подрядчиков.

Сегодня отдать на аутсорс цифровизацию — проще, чем разрабатывать решения самостоятельно. Это экономит ресурсы, гарантирует безопасность, помогает избежать трат на дополнительное «железо».

— С какими проблемами приходится сталкиваться?

Данных теперь больше, но они стали хуже. Если год назад их раздобыть было невозможно, то сейчас это вполне реально, но они недостоверные. Приходится чистить, обогащать, запрашивать дополнительно, иногда — моделировать самостоятельно.

Кроме того, приходится глубоко погружаться в предметную область. Машинное обучение — это 20–30% проекта. Остальное время уходит на изучение регламентов. Но чем лучше ты разберешься в производственных процессах, тем эффективнее будет построенная модель.

Наконец, необходимо добиться того, чтобы специалисты предприятия тебя воспринимали как союзника, который поможет сделать работу легче и результативнее.

— Какие решения используются для создания моделей, на чем они основаны?

Мы, как и множество других команд, использовали Python. В большинстве проектов данные не так уж и велики, для работы платформы вполне хватает возможностей Microsoft SQL Server. С инфраструктурной точки зрения достаточно виртуальной машины, предоставленной местными айтишниками.

Наша задача — развернуть модель на том, что дадут. В большинстве компаний приходится иметь дело примерно с одним и тем же ландшафтом: они ориентируются на open source.

Что касается используемых методов, то у нас все достаточно просто: XGBoost, случайный лес (random forest), ансамбль моделей, иногда ансамбль регрессий и кусочно-линейные регрессии. Из-за того что данных относительно немного, нейронные сети не слишком применимы.

— Как искали заказчиков?

Ездил по конференциям, общался в Сколково. С самого начала было очевидно, что data science нельзя продать, — надо сделать так, чтобы его захотели купить.

Мы и сейчас готовы активно продвигать это направление на отраслевых мероприятиях.

— Во что инициативы небольшой команды превращаются в телеком-гиганте?

В маленькой компании все решается быстро, но постоянно страдаешь от недостатка ресурсов. В МТС принципиально другие возможности и ресурсы: здесь есть центр big data и искусственного интеллекта, собственные облачные сервисы, центр кибербезопасности, собственная инфраструктура. В то же время это требует более стратегического мышления: нужно понимать, куда движется компания, как твои идеи вписываются в общую концепцию, уметь обосновать свои решения.

Компания уже давно перестала быть просто телеком-оператором, теперь МТС играет на облачном рынке, разрабатывает решения для разных отраслей экономики, для умного города. Недавно из департамента интернета вещей выделился центр промышленной автоматизации — так что мы всерьез беремся за эту сферу.

Несмотря на то что МТС — одна из крупнейших компаний в России, наш блок живет по своим законам: к нам приходит много молодых специалистов из стартап-тусовки, мы остаемся гибкими и имеем возможность экспериментировать, предлагать новые продукты. Мне нравится такая рабочая атмосфера.

— В чем именно заключается ваша работа в МТС?

Еще несколько лет назад, когда я со своей командой выполнил множество пилотных проектов, у меня начала созревать идея. Я тогда почувствовал, что результаты работы фактически умирают, и решил, что было бы неплохо сделать «витрину», на которой достигнутые результаты можно продемонстрировать и — при наличии интереса у потенциальных заказчиков — повторно использовать.

Речь идет о том, что вполне реально строить тиражируемые модели. Вертикальные решения, созданные для конкретного предприятия, могут подойти и для других представителей этой отрасли. Например, модель прогнозирования расхода фторсолей для электролиза можно предложить всем производителям алюминия. Если удалось оптимизировать процессы барабанного гранулятора, то этот опыт можно предложить и другим предприятиям: такие установки есть на многих производствах — не только в химии, но и в золотодобыче и металлургии. Надо предлагать — и зарубежные телеком-операторы активно занимаются этим направлением бизнеса.

Кроме того, можно автоматизировать построение модели — написать решение для автоматического машинного обучения (AutoML), которое позволит быстрее строить модели, чистить данные и т. п. В МТС мы пытаемся развивать оба этих направления: и создаем вертикальные тиражируемые решения, и разрабатываем систему с тиражируемой платформенной частью, позволяющую ускорить и упростить создание моделей.

— То есть руководитель предприятия может зайти на сайт, увидеть интересующее его решение и нажать кнопку «Купить»?

Например, у финского оператора Elisa это выглядит как описание решения с указанной ценой. Его можно приобрести по подписке, в него не требуется инвестировать крупные суммы.

— Подписка? А как же доработка решения, которая всегда требуется?

В ряде случаев требуется лишь перестройка ETL, потому что структура баз данных у всех различна. Конечно, двух абсолютно одинаковых процессов не бывает, но здесь играет свою роль составляющая AutoML, позволяющая быстро переобучать и перенастраивать модель.

Скачать приложение, как из AppStore, и сразу начать работать — такого в ближайшее время точно не будет. А вот приобрести по подписке модель, созданную для одного из похожих предприятий, — вполне возможно. Выгодно всем: поставщик повторно использует результаты своего труда, а заказчик меньше платит.

— В чем вы видите свою роль в развитии этого направления?

Это роль идеолога проекта, который, с одной стороны, понимает потребности рынка, а с другой — глубоко погружен в предметную область. Сейчас стоит задача адаптировать свои подходы к большой компании.

Экспертиза по машинному обучению очень высоко ценится. В ходе проектов возникают весьма плотные связи, и поэтому зачастую заказчики «путешествуют» за специалистами. Если хороший специалист сменил компанию, то весьма вероятно, что с ним уйдет и значительная часть заказчиков.

— Как вы видите развитие проекта?

Сейчас у нас есть пара дюжин моделей, созданных в ходе предыдущих проектов. И их мы будем пытаться тиражировать по широким каналам МТС и через внутреннего интегратора. Возможности для продвижения решений на рынок здесь действительно велики. То, что недоступно горстке умельцев, не проблема для огромной корпорации с отлаженным механизмом.

В более отдаленной перспективе это может привести к созданию нишевого Kaggle — мы будем допускать сторонних разработчиков к построению моделей на основе своих данных и предоставлять им ресурсы.

Когда речь заходит о цифровизации бизнеса телекоммуникационного оператора, на ум прежде всего приходят различные ухищрения маркетологов с целью персонализации клиентского сервиса на основе анализа больших данных и зачатков искусственного интеллекта. Однако не меньшую роль в рыночном успехе сотового оператора играет внедрение передовых решений для трансформации внутренних функций. Подтверждением тому служит опыт департамента логистики МТС, где активно занимаются тестированием не только технологий машинного обучения, сбора и аналитики больших данных, но и решений в области роботизации бизнес-процессов (Robotic Process Automation, RPA).

Как с использованием инновационных технологий меняются процессы логистики у ведущего сотового оператора, что это дает основному бизнесу и как благодаря цифровизации внутренняя функция компании может выйти на внешний рынок, рассказывает директор департамента логистики МТС Шамиль Хайретдинов, один из докладчиков конференции «Роботизация бизнес-процессов 2019», которую издательство «Открытые системы» проведет 23 апреля.

- Для чего нужна цифровая трансформация логистики?

В цифровую эру главное – не «цифра» как таковая, а ответ на вопрос, зачем это делается. Основной посыл любых изменений – создание ценности. Клиент МТС очень сильно меняется: он теперь покупает эмоцию, и компания вынуждена перестраивать функции подразделений, взаимодействующих с клиентом. А эти подразделения, в свою очередь, начинают предъявлять новые требования к внутренним функциям. Поэтому наша задача – не просто обеспечить свои операционные KPI, но дать внутреннему заказчику новое ценностное предложение.

Логистика и закупки – сложная, протяженная во времени функция, начинается она с планирования в бизнес-подразделении, где возникает потребность в том или ином товаре либо услуге, и заканчивается оплатой и получением того, что требовалось. Подчас обращение к нашей функции оборачивается для заказчика сложным изучением регламентов, и мы не всегда готовы оперативно откликаться на постоянно изменяющиеся требования наших заказчиков. Поэтому свою новую ценность мы видим в реализации Procurement as a Service («закупка как сервис»), чтобы заказчик мог, не вникая во «внутреннюю кухню» процесса, получить результат закупок так же, как он получает результат работы SaaS.

Такова наша перспективная цель, и на пути к ее достижению надо будет реализовать несколько принципиальных задач трансформации.

- Какие это задачи?

Прежде всего необходимо изучать внутреннего клиента и вытаскивать наружу его «головные боли». На их ликвидацию и должен быть направлен наш цифровой сервис закупок и логистики. Для этого надо прививать в нашей работе культуру Agile, в разработке процессов следовать идеологии customer development (термин, обозначающий тестирование идеи или прототипа будущего продукта на потенциальных потребителях — Н.Д . ), которая помогает правильно формулировать вопросы заказчику и получать на выходе сервис, удовлетворяющий его реальные потребности.

Что касается технологических направлений цифровизации, то их два. Первое: реинжиниринг процессов, то есть замена человека роботами в рутинных операциях и применение технологий process mining («извлечение процессов», или «процессная аналитика», собирательное название решений, которые анализируют «цифровые следы» процессов, автоматически моделируют их и дают возможность оптимизации – Н.Д.). Тестирование показало очень высокую эффективность роботизации, и в текущем году мы планируем масштабное внедрение RPA, охватывающее свыше 20 процессов. Тем самым снизится операционная сложность процессов закупок и логистики, а их выполнение сможет ускориться на 30-60%. Мы протестировали также инструменты process mining и запускаем тендер на внедрение для процесса сопровождения заказов, через который ежегодно проходят сотни тысяч заказов.

Система будет способна прогнозировать быстроту или задержку на конкретный срок выполнения нового заказа исходя из текущей ситуации. На ретроспективных данных построенная модель показала достоверность 86%, и сейчас мы тестируем ее в реальных условиях. Решение базируется на технологиях больших данных и системе SAP Predictive Analytics.Второе направление – там, где заканчивается рутина и открывается поле для интеллектуальной работы с данными. Например, задействуя машинное обучение, мы разработали модель оценки вероятности выполнения заказа в срок. Обучающая выборка строится на ретроспективных данных по прохождению заказов. Собираются не только все внутренние факторы, которые влияют на длительность прохождения, например, сроки согласования, но и множество внешних: динамика валютного курса, цен на сырье, ситуация на рынке акций, яркие новостные триггеры и т.п.

Модель показывает степень влияния каждого фактора на возможность выполнения заказа и дает общую оценку потенциальных рисков, но решать, как поступить, по-прежнему будет эксперт – возможно, задержка в выполнении устроит заказчика и никаких мер предпринимать не потребуется. Поэтому я не назвал бы такое решение искусственным интеллектом. Системы искусственного интеллекта реализуют когнитивные функции человека, то есть в нашем случае должны самостоятельно принимать бизнес-решения. Такие примеры для логистики уже есть, но мы к ним пока не подступались.

- Как организована работа с данными в департаменте? Какие источники используете, какую платформу больших данных?

У нас имеется своя команда по исследованию данных, активно взаимодействующая с внешним миром, например, со стартапами в области машинного обучения, которых мы активно привлекаем на этапе тестирования. Проекты реализуем либо собственными силами, либо силами подрядчика.

В команде big data МТС есть направление data governance – эти специалисты определяют в целом стратегию работы с данными, а также выстраивают инфраструктуру для наших задач. Для нужд логистики и закупок сейчас формируется озеро данных на базе технологии Teradata, для быстрой работы с данными используется Hadoop. В озеро собираются все данные, которые гипотетически могут нас интересовать, из всех наших процессов. Если есть процессы, которые ведутся на бумаге или через электронную переписку, наша задача — перевести их в «цифру». Например, общение исполнителя с поставщиком идет по телефону и по электронной почте, при этом генерируется сложная неструктурированная информация. То, что обсуждается по телефону, вообще уходит в никуда, по информации в почте тяжело реализовать поиск и парсинг. А нам эти данные очень интересны в двух аспектах. Во-первых, для текстового анализа. Во-вторых, количество контактов в ходе диалога исполнителя и поставщика может говорить об уровне сложности поставки и служить основой для принятия решений в процессе онлайн-мониторинга их взаимодействия.

Основными источниками данных являются ERP-система и модули, поддерживающие процессы закупок, проведения торгов, логистики. Эти решения реализованы на базе Oracle. Мы также обсуждаем с Oracle реализацию на чатботе идеи guided buying («ведомая закупка»). Дело в том, что сегодня типовой процесс закупки требует от заказчика определенных навыков: найти номенклатурный номер нужной ему позиции, оформить на нее заявку, выяснить наличие контракта, инициировать закупку и т.д. В системе ведомых закупок все значительно упрощается – достаточно на нативном языке написать запрос, и система сама подскажет, где искать нужную позицию, есть ли контракт, и отправит собранную корзину в работу. Реализовать такую систему – значит обеспечить ту самую ценность для заказчика. Ему не придется больше изучать процесс и следовать сложному регламенту, все произойдет легко и быстро, и в итоге восприятие нашего сервиса кардинально улучшится.

- Можно ли сейчас дать оценку, как изменятся закупки и логистика МТС в результате роботизации процессов и внедрения систем машинного обучения?

Трудоемкость процессов снизится на 25-30%, сократится необходимая численность персонала и в разы возрастет скорость принятия решений.

Но сокращения — это не самое главное, для нас важно донести до каждого значимость происходящего. В условиях значимых изменений появляется больше возможностей найти что-то ценное для выполнения людьми, а не просто взять и распрощаться с сотрудниками. Если в результате снижения трудоемкости высвобождаются ресурсы, мы прежде всего будем пытаться найти им сферы приложения, в том числе путем выхода на внешних клиентов.

Наша главная задача — обеспечить лучший сервис внутреннему заказчику. Но сегодняшние реалии таковы, что в большой компании любая сервисная функция может быть выведена и на внешний рынок. Мы стремимся на своих процессах отработать новые технологии, такие как RPA или подходы к формированию потоков данных, так чтобы конструировать коробочные ИТ-решения и вместе с сервисом предлагать вовне идеи, помогающие адаптировать под них чужой процесс.

- А кому предполагается продвигать внешние сервисы?

Прежде всего ориентируемся на другие бизнесы. Я общаюсь на отраслевых конференциях и вижу, например, что по идеологии выстраивания цифровых закупок нам ближе всего «Северсталь». У сталелитейных предприятий логика движения товарных и материальных потоков в большей степени схожа с нашей, чем у ретейла или FCMG, поэтому предприятия этой отрасли вполне могут стать клиентами нашего внешнего сервиса.

- В течение какого срока планируется выход на рынок?

От года до двух лет. Уже сейчас начали зондировать почву, провели первые переговоры, кого-то заинтересовали, кто-то нас немного испугался. На российском рынке фактор недоверия всегда играет большую роль. Поэтому научиться продавать идею, входить в доверие и оправдывать его – как раз то, что нам предстоит.

Хотя у нас уже есть пример успешной продажи решения внешним клиентам. За последние три года мы провели серьезный реинжиниринг процесса работы с невостребованными товарами (это телефоны, тяжелое оборудование, машины, мебель и пр.), к которому было много претензий со стороны внутреннего контроля. Проработали процесс методологически, автоматизировали в системе Oracle ERP. И открыли нишевой маркетплейс torg.mts.ru, на котором не только продаем свой «невостреб», но и предлагаем сервис таких продаж другим компаниям. В прошлом году выручка этой площадки составила 600 млн руб, и было привлечено немало внешних клиентов. Планы на текущий год еще более амбициозные, в составе департамента фактически сформирована самостоятельная миниорганизация, которая разрабатывает и продвигает этот продукт, работая по принципам Agile.

- Для вас имеет существенное значение уровень цифровизиции ваших поставщиков?

Безусловно. У нас поставщики разного уровня. Зарубежные партнеры, такие как Ericsson, Huawei, имеют высокий уровень цифровизации и готовы предложить нам сервисы для взаимодействия и его оценки. С другой стороны, наши подрядные организации – это небольшой частный бизнес, и их еще надо подтягивать. Хотя большинство из них уже перешли на электронный документооборот и ЭЦП во взаимодействии с нами.

Работа с поставщиками подразумевает цифровизацию нескольких задач. Разрабатывается полностью электронный отчет о выборе поставщика, который формируется в ходе закупочной процедуры, а также электронные формы заполнения контракта. Благодаря синхронизации этих процессов данные из отчета будут автоматически попадать в контракт, что позволит значительно экономить время. А в ходе ведения заказа метрики исполнения будут соотноситься с электронными блоками контракта, позволяя оценить, не возникают ли те или иные проблемы с поставщиком.

Департамент развития закупок реализует идеологию оценки поставщика (supplier evaluation): определенные метрики поставщиков сопоставляются с условиями контракта, тем самым происходит ранжирование поставщиков по степени зрелости и соответственно предпринимаются те или иные действия, например, дать стимул к обучению, чтобы подтянуть поставщика до нужного уровня. Раньше ранжирование сводилось к тому, что исполнителем и заказчиком выставлялись баллы, причем на основе субъективных данных о том, как был выполнен контракт. В течение года планируем увязать метрики поставщика с электронным контрактом и процессом закупок, что позволит давать поставщикам объективную оценку и находить эффективные рычаги воздействия на них.

Например, в определенных ситуациях при невыполнении условий контракта требуется подключение юриста. У нас работает «виртуальный юрист» – программный робот, который, руководствуясь определенными признаками, определяет, что необходима допретензионная работа с подрядчиком, пишет письма «счастья», принимает, анализирует и классифицирует ответы.

- Дает ли цифровая логистика конкурентное преимущество телекому?

Однозначно да.

Большим компаниям часто трудно выстроить такую систему KPI, чтобы функциональные направления не замыкались на выполнении своих ключевых показателей, никак не влияющих на ценности компании. Нам гораздо сложнее, чем, например, ретейлу, чья стоимость логистики очень высока, и одно ее снижение уже обеспечивает очевидную ценность для компании в целом. А стоимость логистики капитального строительства, как у большого МТС, ничтожно мала по сравнению с вложениями компании в свою сеть. Поэтому мы должны искать те драйверы, с помощью которых сможем повлиять на компанию в целом.

Сегодня такими нашими драйверами являются, во-первых, минимизация текущих активов, ставшая возможной благодаря эффективному управлению цепочками поставок, а во-вторых, поддержка планов строительства сети, потому что построенные вовремя объекты – это возможность продавать на этих объектах услуги.

А через год-два самым значимым KPI для логистики, обеспечивающим ценность основному бизнесу, станет способность быстро перестраиваться в ответ на изменения рыночных задач компании. В достижении этого роль роботизации процессов и интеллектуального анализа данных будет ключевой.

Раньше телеком-операторы были теми немногими компаниями, где бизнес строился на данных. В последние годы, когда предприниматели массово осознали ценность Big Data, телеком делает на это направление стратегическую ставку, инвестиции операторов в работу с данными растут.

Проекту Big Data в МТС недавно исполнилось три года. Команда выросла с двух десятков сотрудников до 250 экспертов. Чистый экономический эффект от работы с большими данными в компании оценивают в 3,5 млрд руб. О пути своего подразделения и достигнутых результатах рассказывает Леонид Ткаченко, директор по Big Data МТС и претендент на премию CDO Award. Его выступление станет одним из гвоздей программы форума BIG DATA, который состоится 27 марта.

Термин Big Data появился уже довольно давно. Что изменилось в последние годы? И связаны ли произошедшие изменения с шумихой, начавшейся вокруг больших данных?

Математическая основа того, что сейчас делается, была известна с середины XX века. Но компьютеры того времени стоили миллионы долларов, и даже простую нейросеть пришлось бы обсчитывать месяцами. Лишь недавно вычислительная мощь компьютеров выросла настолько, что математику нейросетей и алгоритмы машинного обучения можно экономически эффективно использовать.

Леонид Ткаченко: «Работа с большими данными — это как поиск в незнакомой темной комнате. И наша задача — искать максимально быстро»

Big Data — свежий маркетинговый бренд, раскрученный производителями оборудования. Под этим брендом вендоры стали продавать возможность скоростной обработки и дешевого хранения огромных массивов данных. Некоторое время у них ушло на то, чтобы представить миру эти технологии, и теперь не использовать их уже невозможно — сразу станешь аутсайдером. Это группа технологий, которая действительно несет ценность бизнесу.

Сейчас продукты на основе больших данных внедрены во все функциональные направления МТС. Маркетинг и продажи, розничная сеть, техника, закупки, финансы и даже HR.

HR — не самая очевидная область для применения технологий больших данных...

Что касается HR, то, например, мы предсказываем отток сотрудников: руководители видят, какова вероятность увольнения конкретного сотрудника в ближайшие два месяца. Я пока не слышал про аналогичные проекты, хотя знаю, что подобные работы кое-где ведутся. У нас сначала получилась модель, которая надежно предсказывала увольнение за пару недель. Но столь короткого периода мало, чтобы принять решение о том, нужно ли бороться за сотрудника. Нам удалось найти более тонкие ранние предикторы. У нас была отличная обучающая выборка — огромная накопленная история уволившихся сотрудников.

Удержать сотрудника — важно для любого руководителя, особенно работающего с дефицитными и высокооплачиваемыми специалистами. Наши менеджеры активно пользуются этим инструментом: если вероятность увольнения ценного сотрудника начинает расти, возникает повод поговорить с ним, да и самому подумать о том, что идет не так.

Другие модели позволяют среди десятков тысяч сотрудников МТС выявить самых перспективных: талантливых, пусть пока и незаметных. В крупной организации не все работники на виду, можно упустить людей с выдающимися способностями. А что, если они не просто уволятся, а уйдут к конкурентам и там раскроют свой потенциал? Big Data позволяет избегать таких рисков. Эти модели в области HR не приносят, казалось бы, прямого, поддающегося подсчету экономического эффекта, но в нашем бизнесе, находящемся на острие технологического прогресса, основной актив — это лучшие профессионалы.

Три года назад в МТС появился департамент Big Data. Что это значило для компании?

В тот момент компания решила инвестировать в это направление и поискать дополнительную ценность в данных. Что очень важно, изначально это подразделение организовали иначе, чем все остальные в компании. Обозначили финансовую цель, бюджет — и позволили самим выбирать, как инвестировать средства, в каких направлениях работать. Мы получили полную операционную свободу, чего никогда не было раньше. Но вместе со свободой появилась и ответственность.

Такой формат работы очень хорошо себя показал. Сейчас, по прошествии трех лет, он считается хорошим примером мотивации и организации работ, и на него многие ориентируются. Наработанный опыт мы стараемся распространить на другие продуктовые направления — в частности, на работу с мобильными приложениями.

А что назначение главой департамента Big Data значило для вас как для человека, прежде занимавшегося стратегическим маркетингом? Какие изменения произошли в ваших подходах к работе?

Изменения очень серьезные. Это уже не первый раз, когда мне пришлось заниматься чем-то принципиально для себя новым, в чем раньше немногое понимал. Большие данные находятся на стыке ИТ, математической статистики и бизнеса. За эти три года я, безусловно, подтянул свои знания в ИТ.

Сейчас мне приходится управлять значительно большей командой. Раньше мой коллектив состоял из 30 человек, а теперь в нем 250. В небольшой команде ты каждого хорошо знаешь, можешь лично с каждым пообщаться и хорошо видишь их работу. Когда подчиненных несколько сотен, характер управления сильно меняется: ты не управляешь непосредственно людьми (тем более на микроуровне), а создаешь условия для их работы.

Как вы понимаете роль CDO в современной, «умной» компании? Одни подразумевают скорее техническую, а другие — более бизнес-ориентированную роль…

Я однозначно «заточен» на бизнес. Внутри нашего подразделения есть четыре отдела: два продуктовых и два инфраструктурных. Один из инфраструктурных отвечает за ИТ-платформу, а другой — за инфраструктурные продукты. Руководитель последнего и есть в моем понимании «чистый» директор по данным. Наращивание объема знаний о наших абонентах — это то, с чем он засыпает и просыпается.

Какая стратегия работы с большими данными принята у вас?

Стратегия уже три года неизменна, в ней три ключевых элемента. Первый — постоянное увеличение знаний об абонентах. Любые данные, способствующие этому, сразу же оказываются в нашем data lake. Неважно, знаем мы, как потом будем их использовать, или нет, есть ли у нас какие-то бизнес-идеи или их еще предстоит придумать.

Вторая задача — обеспечение доступа к этим данным для сотрудников компании, разумеется в соответствии с их обязанностями. На рабочий стол каждого специалиста надо положить максимальное количество нужных ему данных. В очень многих наших подразделениях бизнес-анализ является частью работы. Сотрудники действительно принимают решения на основе данных.

Третья составляющая стратегии — построить на базе собранных данных новый бизнес. Продукты, создаваемые сейчас, новым бизнесом не являются — мы просто помогаем работать нашим подразделениям. Новым бизнесом мог бы быть, например, сервис по подбору пар — идеальных семей на основе глубокого знания о людях.

Конечно же, эта третья часть скорее перспективная. Мы не ставим никаких сроков, а просто копаемся в данных, строим модели и проверяем гипотезы.

Несколько лет назад прогремело слово «уберизация», заставившее многих пересмотреть свои взгляды на конкурентов и направления развития бизнеса. Сделали ли какой-то вывод из этого в МТС? Как изменились потребности в данных?

Надо сказать, что телеком эта тенденция затронула несильно. Другое дело, что телеком-компании действительно исчерпывают возможности развития внутри своих отраслей и начинают шире смотреть вокруг. Когда стае львов перестает хватать еды на своей территории, они начинают поглядывать на чужую, и будет серьезная схватка.

Ничто не вечно — это так. Положение в отрасли, кажущееся незыблемым, может в одночасье развалиться с появлением какой-то новой технологии. У нас есть только один естественный барьер — лицензии на передачу сигнала. Однако ситуация не безоблачная: некоторые направления перестали расти, некоторые — стагнируют. Классический телеком расти уже не будет, и именно поэтому мы инвестируем в большие данные, пытаемся искать свои ниши в финтехе, цифровой рекламе и создании контента.

Какими инфраструктурными решениями поддерживается работа с данными?

У нас используются три технологии. Первая — Hadoop, дешевая с точки зрения хранения и обработки единицы данных, но сложная. Чтобы с ней работать, нужно знать специфические языки программирования. Таких специалистов мало, и стоят они дорого. Вторая технология — massive parallel processing, MPP. У нас ее поставщиком является Teradata. Хранение и обработка с ее помощью обходятся в разы дороже, но при этом используется распространенный язык SQL. И наконец, есть еще более дорогие системы реального времени, используемые для решения специфических задач. От этих систем требуется мгновенная обработка данных.

Все имеющиеся данные мы разбиваем на три класса в зависимости от того, что с ними собираемся делать. Конечно же, основная часть данных хранится в Hadoop — «холодном» хранилище. Его дешевизна позволяет складировать туда все подряд, не разбираясь, понадобятся ли эти данные в будущем. «Теплые» данные, с которыми ведется активная работа, обрабатываются в Teradata, и минимум «горячих» данных, используемых для маркетинга в реальном времени, находятся в самых дорогих системах. К тому же реализовано гетерогенное хранилище: часть «теплых» данных мы загрузили в Hadoop таким образом, что доступ к ним остался через Teradata. Тем самым сочетаются удобство доступа и дешевизна хранения, и все больше данных в целях экономии мы будем организовывать именно так.

Чем сейчас мобильный оператор может выделиться из конкурентов в условиях примерного равенства цен и качества связи?

Все телеком-компании мира бьются над этой проблемой. Мы намерены сделать следующее: создать вокруг нашей абонентской базы экосистему, в которой классический телеком будет только одной из составляющих. Главное, что там должно появиться, — финтех-сервисы для наших абонентов, решающие их ежедневные потребности в финансовом обслуживании. Помимо финтеха, в нашу экосистему мы будем добавлять как можно больше развлекательных активностей человека.

Где большие данные в реальном времени — там машинное обучение и искусственный интеллект. Банки уже заявляют, что существенная часть их продаж происходит с участием ИИ. А что видите вы?

Мы не ставим цель использовать искусственный интеллект для решения любой задачи. Где-то эти модели работают, где-то — нет. Как правило, они хорошо работают там, где есть большая обучающая выборка — много фактуры, чтобы построить нейросеть и обучить ее. Иногда задачи лучше решаются более простыми методами. Но перспективы действительно внушительные, ведь искусственный интеллект прогрессирует гораздо быстрее человеческого.

Расскажите о нескольких ключевых недавних проектах.

Один из проектов реализован на основе системы Workforce Management для нашей розничной сети, состоящей из 5 тыс. салонов, и касается управления рабочим временем продавцов. Раньше директор каждого салона, исходя из своих соображений, сам решал, когда и кому работать. Он не был мотивирован экономить: в салонах всегда был избыток персонала, и мы были вынуждены переплачивать. При этом все равно периодически возникали очереди, поскольку внезапный наплыв покупателей предсказать никто был не в состоянии. И вот мы построили модель, которая на основе анализа транзакций магазинов за прошлый год прогнозирует на месяц вперед, сколько будет клиентов в данном магазине в каждый час в течение дня. Модель работает с достаточной точностью, чтобы было возможно построить обоснованное расписание работы сотрудников и получить значимый экономический эффект. Повысилась загрузка сотрудников, и сократились очереди.

Кроме того, мы можем спрогнозировать, когда клиенты хотят сменить свой телефонный аппарат, пытаемся понять, на какой именно, и обращаемся к ним с персональными предложениями. У нас огромная розничная сеть, и очень важно имеющимися знаниями помогать ей работать эффективнее. Наши абоненты должны покупать телефоны именно у нас, мы стараемся оказаться первыми, кто сделает им заманчивое предложение. Пока у нас огромный потенциал для роста.

Часто приходится слышать про этику больших данных. Где та граница, за которую нельзя заступать?

Понятно, что мы обязаны действовать в рамках законов. Этика — совершенно другой разрез. Важно понимать, что наша жизнь неизбежно становится все более прозрачной. Уже сейчас любой человек оставляет мощный цифровой след. До глубокой обработки большинства этих данных еще не дошли руки, но это произойдет буквально завтра. Поэтому нас в будущем ожидает одно из двух: либо мы перестанем стесняться чего-либо и смиримся с прозрачностью (и тогда жизнь людей сильно изменится), либо люди, зная, что всё становится известным, начнут жить жизнью праведников. Мне кажется, что более вероятен первый вариант.

Куда движутся большие данные в МТС? Какую роль они будут играть, как могут изменить бизнес компании?

Я думаю, что рано или поздно в ходе работы с данными мы найдем Клондайк: наткнемся на ту самую золотую жилу, позволяющую создать новый бизнес — что-то совершенно новое. Мы стараемся действовать как конвейер по проверке гипотез. Надо пропахать имеющиеся данные вдоль и поперек. В этом смысле работа с большими данными — как поиск в незнакомой темной комнате. И наша задача — искать максимально быстро. С помощью множества экспериментов надо «перещупать» как можно больше возможностей, стараясь ни обо что сильно не удариться. Если в этой комнате что-то есть, оно обязательно найдется.

По способности собирать огромные объемы самых разнообразных данных о своих клиентах мало кто может соперничать с мобильными операторами. Анализом данных они наверняка занимались всегда. Однако лишь недавний всплеск интереса к подходам, связанным с большими данными, искусственным интеллектом и машинным обучением, сделал их попытки работы с клиентами более успешными и результативными.

«Мы сами не сразу поняли, чего в реальности можем добиться, пока не начали всерьез копаться в имеющихся данных, пытаясь получить новые знания о своих клиентах», — признает Леонид Ткаченко, директор департамента Big Data МТС. Очень быстро выяснилось, что возможности мобильного оператора действительно очень велики. В компании с легкостью способны видеть, даже кто с кем живет, причем не только среди собственных абонентов.

Проекту Big Data в МТС недавно исполнилось три года. Сначала команда проекта состояла из 20 сотрудников, сейчас же в ней насчитывается 250 опытных экспертов, а чистый экономический эффект за время ее существования составляет 3,5 млрд руб. Оказалось, что накопленные оператором данные действительно могут быть полезными, и эту пользу вполне получается извлечь.

Стратегия работы с большими данными в МТС неизменна на протяжении всего времени и включает в себя три ключевых пункта. Первое направление — это сбор и приумножение знаний о своих клиентах. Второй элемент, гораздо более сложный, — обеспечение доступа к данным для всех сотрудников. Требуется в буквальном смысле положить необходимые данные  сотрудникам на рабочий стол и дать им возможность зарабатывать для компании деньги. Наконец, надо пытаться создавать на основе данных новые бизнесы, не имеющие отношения к основному — телекоммуникационному.

«Говоря о приумножении знаний о клиентах, мы считаем конечной целью создание в наших ИТ-системах цифрового двойника абонента. Мы пытаемся получить всю законную информацию о нем, даже не понимая, как будем ее использовать и пригодится ли она вообще», — говорит Ткаченко. Стоимость хранения сейчас настолько невелика, что в хранилища данных попадает все, до чего компания может дотянуться. Источников, из которых черпается информация, очень много. К ним относятся как внутренние источники — биллинг и «кликстрим» (виртуальный след, который пользователь оставляет во время нахождения в Интернете), так и внешние источники, включая социальные сети и всевозможные справочники.

«К концу 2020 года мы планируем охватить все возможные источники и агрегировать их в нашем озере данных. К тому времени знания о клиентах станут максимально полными», — продолжает Ткаченко. Когда проект начинался, объем полезных данных об абонентах составлял около 100 Тбайт — ничтожно мало по нынешним меркам. Сейчас данных более 1,5 Пбайт. В ближайший год в хранилище поступит еще 4 Пбайт данных.

«В начале проекта сведения о каждом абоненте включали примерно 1 тыс. метрик, начиная с базовых и заканчивая сложными, моделируемыми: профессия, место работы, наличие домашних животных. Сейчас их около 2 тыс., через год будет 3,5 тыс., а в принципе, мы видим возможность собрать 5 тыс. метрик по каждому клиенту», — говорит Ткаченко. Сейчас клиентские данные в системах обновляются раз в день, и в компании хотят добиться того, чтобы все данные, которые важно иметь в реальном времени, были максимально к нему приближены.

Для обеспечения доступа к данным используется решение Teradata Alation. По сути, это поисковая система поверх хранилища данных. Бизнес-пользователь может ввести в нее любой запрос, и она подскажет, какого вида метрики и данные об абонентах есть в системах, где они находятся и какова их актуальность.

За время работы подразделение Big Data успело реализовать достаточно много проектов, но три из них хотелось бы отметить особо. Это автоматическое вычисление индекса NPS, психотипирование абонентской базы и оптимизация работы персонала в розничных магазинах.

Промоутеры и критики

Индекс потребительской лояльности (Net Promoter Score, NPS), который вычисляют исходя из соотношения выявленных лояльных и недовольных клиентов (соответственно промоутеров и критиков), до сих пор остается ключевым показателем практически для любой компании. В той или иной степени его используют все, определяя с помощью прямого опроса клиентов. Этот индекс действительно важен: опыт показывает, что он сильно связан с оттоком клиентов. Однако качество проводимой оценки (ответы не всегда правдивы) и стоимость этого процесса вызывают вопросы.

«Многие компании занимаются вычислением NPS в попытках понять, насколько довольны их клиенты. Можно констатировать, что работа эта крайне дорогостоящая. К тому же по результатам выборочных опросов остается неясным, кто именно из абонентской базы лоялен, а кто является критиком», — говорит Ткаченко. В МТС создали модель, с помощью которой автоматически в любую секунду можно рассчитать лояльность каждого из 60 млн абонентов с точностью 70–80%. По итогам проекта компании удалось выявить 3,5 млн критиков из московской базы абонентов, а проведенный кластерный анализ позволил выделить 15 их профилей. С точки зрения бизнеса — это 15 видов «болезней» клиентов, которые можно лечить.

Одну из самых больших групп объединяло то, что люди, ее составляющие, часто ездят по России, тарифицируются во внутрисетевом роуминге и плохо представляют себе стоимость услуг. Эти абоненты были недовольны списанными средствами, постоянно звонили в контакт-центр и интересовались остатком. Очевидно, им нужна большая информированность. Вторая группа, получившая название «небольшой пакет», — это люди, систематически выходящие за ограничения своего тарифа и расстроенные дополнительными списаниями средств. Здесь решение тоже очевидно: предложить им чуть больший пакет услуг по цене чуть выше (или даже прежней) — и эти клиенты перестанут быть несчастными. К сожалению, далеко не все проблемы могут быть решены столь простыми действиями.

Психотипы и геолокация

Еще один интересный проект, предпринятый МТС с целью оптимизации маркетинговых акций, — психотипирование абонентов на основе их поведения. Идея состояла в том, чтобы дифференцировать коммуникации с каждым из абонентов. Возможностей для этого традиционно не хватало. Ведь даже в Интернете при показе контекстной рекламы баннер демонстрируется хоть и не всем подряд, но один и тот же, а реакция на него не всегда будет желаемой. «Мы решили провести сегментирование клиентов и интегрировать его во все каналы — SMS, почту, мобильное приложение. Даже в контакт-центре автоответчик может разговаривать с клиентом по-разному», — рассказывает Ткаченко. У компании имелись обучающие выборки, и поэтому без особых проблем удалось разметить всю абонентскую базу по методологии Big Five.

Третий проект связан с геопозиционированием — это то, в чем мобильному оператору не может быть равных. В прошлом году МТС купила два портала по продаже билетов на развлекательные мероприятия — Ticketland и «Пономиналу». Вполне естественной стала попытка на основе информации об абонентах повысить продажи билетов. «Это действительно неплохо получается, потому что мы прекрасно знаем, на какие мероприятия ходил человек», — констатирует Ткаченко. В результате произошел значимый рост коэффициента кликабельности (click-through rate, CTR) — от 4 до 10% людей реагируют на сообщения о мероприятиях, подобранные специально с учетом их интересов.

Сколько человек нужно, чтобы закрыть магазин?

Не менее интересен проект из категории Workforce Management по управлению графиками работы сотрудников Русской телефонной компании — «дочки», управляющей монобрендовой розничной сетью МТС. Справедливости ради следует отметить, что данная задача не совсем вписывается в проекты департамента Big Data, однако лишь у данного подразделения существует хранилище такого размера, в котором возможно собрать и обработать детальнейшие данные об операциях из 6 тыс. салонов МТС, где работают 30 тыс. сотрудников. У каждого из офисов есть начальник, который на глазок определял, когда и сколько людей должны работать. Идея состояла в том, чтобы математически обосновать необходимость наличия в магазине определенного количества людей.

На основе данных о товарообороте за предыдущий год удалось составить двухнедельный прогноз продаж в каждом магазине: сколько будет осуществлено транзакций каждого типа с точностью до 15 минут. Фактически появилась модель спроса, и стало возможным оптимально распределить сотрудников.

Интересной находкой оказалось изменение регламента открытия и закрытия магазинов. Традиционно служба безопасности требовала, чтобы магазины открывались и закрывались двумя сотрудниками. Однако собранные данные показали, что во многих случаях в начале и конце рабочего дня операций настолько мало, что второй человек оказывается ненужным, да и правонарушений в отношении сотрудников во время этой «зоны риска» также немного. Двукратное сокращение числа работников, занятых в эти часы, дало огромный экономический эффект: удалось снизить затраты на ФОТ на 10%. Что немаловажно, при этом не произошло оттока персонала (судя по всему, работа в утренние и вечерние часы радовала далеко не всех) и даже несколько возросли продажи.

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

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

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

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

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

Как не проиграть?

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

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

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

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

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

«Все бегут, летят и скачут…»

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

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

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

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

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

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

Не дожидаясь милости от нацпроектов

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

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

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

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

Выбирая курс на ИИ

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

Павел Растопшин, управляющий директор компании «Цифра»

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

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