AI2018

AIOps (Artificial Intelligence for IT Operations) обещает cэкономить время и усилия ИТ-служб, затрачиваемые на выявление различных неполадок во все более сложной среде, в которой им приходится работать.

Gartner ввел этот термин для описания того, каким образом средства искусственного интеллекта могут применяться для автоматической идентификации возникающих проблем и их устранения.

В настоящее время целый ряд поставщиков платформ AIOps используют технологию машинного обучения для улучшения контроля за операциями, уменьшения числа ложных предупреждений и более точной выдачи прогнозных уведомлений. Эти платформы через API необходимо интегрировать с другими приложениями для повышения эффективности, а также создания независимых от конкретного поставщика аналитических систем, которые объединяли бы существующие разрозненные компоненты.

Типичные сценарии их использования включают в себя постобработку потоков событий, генерируемых средствами мониторинга, организацию двунаправленного взаимодействия с инструментами управления ИТ-сервисами и интеграцию с инструментами автоматизации для более глубокого проникновения в суть происходящего.

Разработка стратегии AIOps

В Gartner рекомендует внедрять AIOps поэтапно. Пользователи обычно начинают применять машинное обучение к мониторингу, операциям и инфраструктурным данным еще до перехода к использованию глубоких нейронных сетей, чтобы автоматизировать работу ИТ-сервисов и служб технической поддержки.

Директор Gartner по исследованиям Вив Бхалла предлагает определить тактические и стратегические варианты использования, позволяющие извлекать выгоду из AIOps, после чего оценить инструменты и поставщиков, которые готовы удовлетворять соответствующие потребности.

«Поэтапные подходы к AIOps обещают быть наиболее успешными, – пояснил Бхалла, выступая на конференции Moogsoft AI Symposium. – Область наших интересов – машинное изучение данных о событиях, а также структурированных данных – представляется мне низко висящим плодом. Если вы знакомы с этой темой, используйте свои знания для расширения применения соответствующей технологии. На втором этапе будет происходить развитие нейронных сетей, поведенческого анализа и данных, ориентированных на языки, причем все это будет осуществляться через автоматизацию сервисных служб. Не вижу ничего плохого в том, чтобы начать с низко висящего плода, а затем уже продвигаться далее».

Бхалла рекомендует выделить время для того, чтобы подготовить отвечающий за функционирование инфраструктуры и выполнение операций персонал к использованию новых технологий, создать центр передового опыта, который организовал бы обмен идеями между различными подразделениями, а затем, начав с малого, быстро продвигаться вперед, оценивая полученные результаты.

«Речь идет не о том, чтобы установить что-то и на этом успокоиться, – подчеркнул Бхалла. – Мы имеем дело со стратегией, с процессом, требующим оценки и развития. Вы ищете новые варианты применения – идеи, о которых, возможно, даже не задумывались раньше».

Предложения вендоров

Бхалла убежден в том, что готовые инструменты AIOps, такие как Splunk IT Service Intelligence и Moogsoft AIOps, станут более популярными, чем решения собственной разработки, поскольку они обеспечивают большую согласованность и позволяют ускорить оценку.

Фил Ти, директор Moogsoft, заявил, что программное обеспечение его компании учитывает изменение потребностей при выполнении ИТ-операций.

«Инструменты AIOps создавались с учетом того, что нельзя априори предвидеть отказы и моделировать свои действия в таких случаях, – пояснил он. – Нужно отказаться от поиска условий отказов вручную и начать использовать данные, которые помогут определить логику поиска неисправностей. Направление AIOps охватывает полный набор операций машинного обучения, науки о данных и искусственного интеллекта».

Платформа Moogsoft AIOps применяет алгоритмы машинного обучения к данным ИТ-систем для поиска возникающих проблем и их устранения. По мнению Ти, главным ее достоинством является возможность обнаружения отказов, которые человек не в состоянии предвидеть.

«Инженеры не делают ошибок сознательно, – пояснил он. – Но сложность ИТ-систем настолько велика, что человеку просто не под силу охватить их в полном объеме и свести все к простому набору правил».

Оператор платежных систем Worldpay, например, обратился к Moogsoft с целью совершенствования традиционных инструментов мониторинга за счет кластеризации событий в ситуациях, требующих вмешательства и выявления их вероятных первопричин, а компания Daimler использует инструменты Moogsoft для предоставления сервисным службам необходимой информации в условиях растущих объемов данных, генерируемых автомобилями.

«Для нас AIOps – это решение, помогающее реагировать на действительно важные события, а не на тысячи событий, регистрируемых нашими инструментами мониторинга», – пояснил ИТ-менеджер группы диагностики подключенных автомобилей Daimler Рюдигер Шмидт.

Что дальше?

Согласно прогнозам Gartner, к 2019 году четверть глобальных корпораций внедрят платформы AIOps, поддерживающие не менее двух основных ИТ-операций.

Ти считает, что популярность AIOps будет расти по мере увеличения объема данных, возрастания сложности систем и повышения интеллектуальности устройств.

«В конечном итоге мы придем к автономной сети, самовосстанавливающейся системе, в которой накопленные знания о возможных причинах сбоев позволят автоматически предпринимать меры для их устранения, – подчеркнул он. – Со временем мы дойдем до того, что будем автоматически оповещать клиентов о сроках восстановления работоспособности системы и о том, каким образом они могут продолжить работу в сложившейся ситуации. Думаю, что в перспективе искусственный интеллект будет в полном объеме поддерживать взаимодействие как с клиентами, так и с устройствами».

Искусственный интеллект и машинное обучение меняют производственную отрасль. Согласно отчету, опубликованному Всемирным экономическим форумом, сочетание искусственного интеллекта, передовых роботов, аддитивного производства и Интернета вещей приведет нас к четвертой индустриальной революции.

Большинство производственных компаний (80%) ожидают от достижений в области искусственного интеллекта позитивного эффекта. Прогнозируется рост оборота на 22,6% и снижение затрат на 17,6%.

Технологии искусственного интеллекта и машинного обучения уже сейчас используются на производстве для уменьшения простоев оборудования, выявления производственных дефектов, совершенствования цепочек поставок и сокращения сроков проектирования. Однако нехватка квалифицированного персонала, необходимых данных и стандартов мешает многим компаниям продвигаться в этом направлении.

General Electric на переднем крае

Компания General Electric находится в авангарде промышленной трансформации. Производственный спад в отрасли стал для компании хорошим стимулом к изучению возможностей искусственного интеллекта.

«До 2010 года рост производительности труда у нас составлял 4–5%, — отметил вице-президент компании по исследованиям в сфере программного обеспечения Колин Пэррис. — Но затем ситуация в отрасли изменилась. Опытные инженеры увольнялись, а в новых регионах, в том числе в Индии и Китае, компанию представляли главным образом молодые работники».

Между тем клиенты становились все требовательнее. Появлялись новые маршруты, а сложные погодные условия и загрязнение воздуха отрицательно отражались на выпускаемых GE реактивных двигателях. Стало крайне необходимо повысить их надежность и сократить простои в работе.

К тому же клиенты ожидали и дальнейшего снижения цен.

Чтобы добиться всего этого, в GE решили обратиться к искусственному интеллекту и машинному обучению. Начать было решено с сервисов, предоставляемых клиентам, — обслуживания реактивных двигателей и турбин. Затем компания стала применять искусственный интеллект на внутреннем производстве, а потом — в проектировании и внутренних процессах, в том числе при выполнении операций в ЦОДе и работе с кадрами.

«Различные модели и формы анализа в сервисах мы используем по меньшей мере на протяжении последних 10–15 лет, — указал Пэррис. — Пять лет назад GE начала применять машинное обучение и цифровых двойников, которые виртуально моделировали работу части оборудования (например, ветряной турбины) или комплекса (ветряной электростанции)». Цифровые двойники могут найти применение при моделировании работы сборочной линии, всей фабрики или процесса закупок.

В компании GE цифровые двойники (Digital Twin — программный аналог физического устройства, моделирующий внутренние процессы, технические характеристики и поведение реального объекта в условиях помех и воздействия окружающей среды. Для задания на него входных воздействий используется информация с датчиков реального устройства, работающего параллельно. — Прим. ред.) использовались для моделирования эффективности, предсказывания сбоев и быстрого тестирования потенциальных улучшений.

«Мы можем прогнозировать, какие детали выйдут из строя, и у нас есть нужные инженеры и запасы необходимых комплектующих, — отметил Пэррис. — Мы способны увеличить сроки эксплуатации самолетов, не прибегая к техническому обслуживанию, в котором нет необходимости. Благодаря этому нам удалось сэкономить клиентам миллионы долларов».

Дополнительным преимуществом цифрового двойника любого оборудования, системы или процесса стало использование GE аддитивного производства (трехмерной печати) для создания индивидуальных компонентов. Компания перестала заказывать запчасти, которые требовали организации масштабного производства на традиционных сборочных линиях.

«Машины изнашиваются по-разному, — подчеркнул Пэррис. — Аддитивное производство позволяет выпускать запчасти в единичных экземплярах, обеспечивая устранение неисправностей отдельно взятой машины, эксплуатируемой в конкретной среде. Нам больше не нужно строить огромные фабрики, которые будут производить массу запчастей исходя из усредненных потребностей, — раньше на строительство таких фабрик уходили сотни миллионов долларов. Теперь я печатаю нужную мне деталь и могу постоянно адаптировать как тело машины, так и ее мозг. У меня появляется машина, которую можно непрерывно адаптировать для достижения все более высокой эффективности — машина, которую мы называем бессмертной».

Многообещающая прогнозная диагностика

Другие производители также намерены использовать искусственный интеллект и машинное обучение, чтобы сократить затраты и повысить эффективность.

Международная компания Jabil, оказывающая услуги по контрактному производству электроники, несколько месяцев назад начала использовать искусственный интеллект для прогнозной диагностики и выявления производственных дефектов.

На одной из ее фабрик в Китае были установлены машины оптического контроля с несколькими камерами, способные выявлять дефекты в печатных платах.

Базовая технология распознавания образов уже применяется для обнаружения неисправностей, но 35–40% плат, помечаемых системой и направляемых операторам для изучения, на самом деле не имеют никаких дефектов.

«Операторам дается всего две секунды на каждое изображение, но сложность в том, что некоторые платы имеют довольно большие размеры и состоят из сотен компонентов, — рассказывает старший менеджер компании Райан Литвак. — Нам приходилось полагаться лишь на опыт и интуицию операторов».

Уменьшив число помечаемых плат без ущерба для точности, Jabil сможет предоставить операторам больше времени для изучения проблемных плат или выполнения других, более важных задач.

«Нам удалось добиться по-настоящему хороших результатов — довести долю отобранных плат, имеющих реальные дефекты, до 93–98%, — подчеркнул Литвак. — Число отобранных компонентов, у которых не было дефектов, сократилось на 70%».

Концепция подтвердила свою жизнеспособность на двух производственных линиях с одинаковым оборудованием и процессами. Теперь в Jabil намерены перенести полученный опыт и на другие линии с увеличением объемов обрабатываемых данных и интеграцией нового процесса принятия решений.

Еще одной областью, на которую нацелена компания, является прогнозная диагностика. Здесь основная задача — это получение необходимых данных.

«В компании используется много разных систем, много разного оборудования, ­— указал Литвак. — В каком-то имеются собственные системы обслуживания, в каком-то — нет. Некоторые поставщики ведут учет техобслуживания посредством электронных таблиц, другие же используют для этого системы собственной разработки».

Исследователи данных Jabil занимаются нормализацией этих данных и в сотрудничестве с экспертами Microsoft создают модели глубинного обучения, которые нужны для прогнозирования сбоев оборудования.

Согласно результатам исследования McKinsey, прогнозная диагностика промышленного оборудования с использованием искусственного интеллекта позволяет сократить ежегодные затраты на техобслуживание на 10%, уменьшить продолжительность простоев на 20% и снизить затраты на проведение контроля на 25%.

«В последние месяцы мы видим немалый интерес к экспериментальным проектам с конкретными сценариями использования искусственного интеллекта, — отмечают в McKinsey. — Особенно это касается использования компьютерного зрения и информации, собранной датчиками для проверки качества и прогнозной диагностики. В настоящее время в нескольких компаниях идет внедрение таких приложений компьютерного зрения на основе искусственного интеллекта, и стоит отметить, что они открывают потрясающие возможности. Но компаниям, чтобы получить реальную практическую отдачу, нужно быстро переносить из экспериментальных систем накопленные знания и трансформировать искусственный интеллект для конкретных функций и процессов».

Вопрос точности

Компания Lennox International, выпускающая системы вентиляции, отопления и кондиционирования воздуха, только приступает к использованию средств распознавания образов для выявления производственных дефектов.

«Уровень точности здесь значительно выше, чем у человека, — отметил директор компании по ИТ и развивающимся технологиям Сунил Бондалапати. — Уже сейчас нам удалось повысить точность примерно на 20%. И мы рассматриваем это приложение не с точки зрения оптимизации численности персонала, а с точки зрения увеличения точности».

Lennox предоставляет своим клиентам оборудование в аренду, и для этой компании, как и для General Electric, улучшение техобслуживания имеет очень большое значение.

Сегодня оборудование для вентиляции, отопления и кондиционирования воздуха передает данные о параметрах функционирования в облако. Каждый час генерируется около 8 млн новых записей.

Внедрение средств искусственного интеллекта позволит компании прогнозировать сбои оборудования в реальном времени, что раньше считалось невозможным.

«Здесь-то и вступает в действие искусственный интеллект, — пояснил Бондалапати. — Можно восстановить контекст работы оборудования, скажем, двухлетней давности — как оно функционировало при температуре 40°С и определенной влажности. Какова была его эффективность тогда и какова эффективность сейчас».

К реализации проекта в Lennox приступили несколько месяцев назад. Первые результаты оказались весьма неплохими.

Уже сейчас затраты Lennox на вычислительные системы и средства хранения удалось сократить наполовину. При этом для консолидации данных используется технология DataBricks.

Еще одной областью применения искусственного интеллекта в компании является финансовая сфера. Например, расчет бюджета, закладываемого на исполнение компанией своих гарантийных обязательств.

Бондалапати подчеркнул: «Сегодня благодаря средствам искусственного интеллекта мы можем прогнозировать сроки службы каждого из компонентов с подачей в гарантийную службу заявок на формирование соответствующих запасов. Причем сведения эти ежедневно корректируются с учетом новых данных». Ожидается, что общий объем поддерживаемых запасов удастся сократить на 10%.

Искусственный интеллект в Lennox используется и для бухгалтерских задач.

«В гроссбух заносятся миллионы записей, — пояснил Бондалапати. — Человеку просто не под силу отследить все ежедневные проводки. Вместе со своей командой я ищу возможности применения искусственного интеллекта в интересах бизнеса. В этом смысле мы похожи на внутреннюю консультационную организацию. Мы постоянно продаем свои консультационные услуги. Всякий раз мы предлагаем опробовать какие-то новые сценарии. Lennox еще только втягивается в игру искусственного интеллекта. В таких отраслях, как наша, путь искусственного интеллекта непрост и требуются реальные результаты, чтобы изменить отношение скептически настроенной аудитории».

Встраивание искусственного интеллекта в процесс проектирования

Сотрудники исследовательского центра Xerox в Пало-Альто (Palo Alto Research Center, PARC) пытаются справиться с проблемами отсутствия необходимых знаний и данных на чрезвычайно сложном и трудоемком этапе проектирования производственного процесса. Именно в PARC появились такие инновации, как лазерная печать, объектно-ориентированное программирование, графический пользовательский интерфейс, оптические средства хранения данных и многие другие технологии.

«Искусственный интеллект способен учесть функциональные требования, затраты, требования регулирующих органов и производственные ограничения и предложить решения, которые человеку даже не придут в голову», — отметил вице-президент Xerox по научно-исследовательской работе Эрсин Узин.

После того как эскиз готов, сотрудники центра приступают к разработке технологии создания объекта с использованием субтрактивных и аддитивных производственных методов и учетом несовершенства существующих конструкций и производственных технологий.

«Производство — это та область, где физические возможности сильно отличаются от того, чем можно управлять при помощи программного обеспечения, — указал Узин. — У нас есть новые потрясающие материалы, новые аддитивные производственные технологии, гибридные производственные машины. Но используемое программное обеспечение отстает от имеющихся материалов и инструментов на целое поколение. У нас есть машины, позволяющие организовать аддитивное и субтрактивное производство прямо сейчас, но вы не можете создать проект для такого производства. Все приходится выполнять вручную, но при организации сложного производства это выходит за рамки когнитивных возможностей работающих там людей».

«При разработке инструментов проектирования, которые поспевали бы за темпами изменений в науке о материалах и производственных технологиях, в них необходимо встраивать средства искусственного интеллекта», — заявил руководитель одного из подразделений PARC Саи Нелатури.

Сотрудники PARC работают над созданием стандартов и протоколов, обеспечивающих взаимодействие всех разобщенных систем производственных предприятий, а также над созданием алгоритмов на основе искусственного интеллекта для оптимизации энергопотребления, пропускной способности, повышения эффективности и безопасности.

«Непосредственной реализацией технологии в PARC не занимаются, — сообщил Узин. — Мы являемся инновационным партнером и технологическим провайдером. Проектируем технологии, доводим их до стадии прототипа и ищем партнера, который займется их выводом на рынок».

Сегодня PARC сотрудничает с крупными и мелкими производственными компаниями, которые тестируют технологии и выводят их на рынок.

«Технологии искусственного интеллекта помогают небольшим и средним производителям поддерживать свою конкурентоспособность на должном уровне и возвращать рабочие места в США, — добавил Узин. — А вокруг уже сложившейся экосистемы происходит формирование новых рабочих мест».

Главные ограничения искусственного интеллекта: опыт и данные

Машинному обучению и расширенной аналитике отводится важная роль в прогнозной диагностике и других аспектах производственного процесса.

Результаты недавнего исследования, проведенного PricewaterhouseCoopers, показывают, что 78% производственных компаний уже развернули или планируют развернуть у себя технологии прогнозной диагностики. Далее следуют системы управления производством (73%), цифровые двойники (60%) и автоматизация с использованием роботизированных процессов (59%).

Об использовании искусственного интеллекта или о планах такого использования упомянули только 29% опрошенных. В PwC объясняют это необходимостью выхода за рамки машинного обучения и расширенной аналитики для принятия независимых когнитивных решений.

Сегодня основное внимание уделяется технологиям встроенного искусственного интеллекта и машинного обучения, позволяющим сократить затраты, отмечают в PwC. Некоторые из этих технологий помогут компаниям увеличить масштабы и вывести эффективность на новый качественный уровень.

В PwC также отмечают, что клиентский спрос и давление со стороны «разрушителей» сложившихся устоев заставляют производственные компании меняться.

Однако технология еще не обладает той зрелостью, которой хотелось бы ее пользователям. А нехватка знаний в области искусственного интеллекта и полезных данных становится дополнительным фактором, сдерживающим ее продвижение.

Результаты опроса PwC показали, что 52% производственных компаний, внедряющих у себя средства искусственного интеллекта, главным препятствием считают отсутствие квалифицированного персонала, а 42% — отсутствие необходимых данных.

— Maria Korolov. How AI is revolutionizing manufacturing. CIO. September 6, 2018

Меняются технические характеристики автомобилей, способы использования и обслуживания транспортных средств, а программные системы на основе искусственного интеллекта позволяют изменить и сам процесс купли-продажи железных коней. Компания CarPrice предлагает сервис оперативной продажи автомобиля по текущей реальной рыночной цене, складывающейся в ходе аукциона с участием десятков тысяч дилерских центров со всей страны. Юрий Буйлов, руководитель отдела разработки компании, рассказал о применении машинного обучения в информационной системе поддержки автомобильного аукциона и сопутствующих сервисах.

На практической конференции «Технологии машинного обучения 2018», которую издательство «Открытые системы» проведет 25 сентября, он раскроет свои секреты использования нейронных сетей и расскажет о том, какие преимущества в работе дают дилерским центрам и продавцам автомобилей сервисы на базе глубинного обучения.

- В каком направлении идет развитие CarPrice и какую роль будут играть инновационные технологии в достижении поставленных целей?

Юрий Буйлов, руководитель отдела разработки компании CarPrice

CarPrice находится на стыке онлайн- и офлайн-сервисов: автовладельцы приезжают в наши пункты обслуживания, там при помощи мобильного приложения осуществляется осмотр их автомобилей, после чего виртуальный образ машины выставляется на площадке онлайн-аукциона, где в реальном времени проходят торги за лот дилеров со всей страны (до 2 тыс. человек ежедневно). Ясно, что для развития бизнеса и повышения качества клиентского сервиса компания находится в состоянии непрерывной цифровой трансформации.

Ежедневно через сервисы онлайн-аукциона проходит огромный массив данных: порядка 500 характеристик состояния каждого автомобиля, сведения о его владельце (возраст, уровень доходов, местоположение и пр.). Регулярная аналитика данных и машинное обучение – неотъемлемая часть всех бизнес-процессов компании, позволяющие провести максимально подробный осмотр и определить точную рыночную стоимость каждого автомобиля.

- Как меняется вторичный автомобильный рынок под влиянием инноваций?

Рынок становится более цивилизованным и прозрачным. Практически вся информация по автомобилям оперативно оцифровывается: история владения и обслуживания, пробег, участие в ДТП, ремонты и т. п. Налаживается обмен этой информацией между сервисами, дилерами и вендорами, что открывает новые возможности как для продавцов, так и для покупателей.

- Чего ожидают клиенты? Какие технологии помогают выявить и удовлетворить их потребности?

Исторически основным фактором при продаже авто была цена, но сегодня потребности клиентов меняются, все больше внимания обращается на комфорт, безопасность. Существенную роль играет и оперативность продажи, особенно в мегаполисах. Для построения моделей машинного обучения мы научились использовать накопленные данные по уже проведенным аукционам, аналитику рынка и запросы дилеров и поэтому можем максимально быстро предложить рыночную цену автомобиля независимо от времени суток, дня недели или текущей активности дилеров.

- Какие новые технологии применяются в сервисах покупки и продажи автомобилей?

Системы машинного обучения позволяют во время осмотра выдать список типичных повреждений, характерных для автомобиля конкретной модели и возраста. Благодаря этому минимизируются риски, связанные с качеством предпродажной экспертизы.

- Для чего используются нейронные сети?

В первую очередь мы нацелены на решение внутренних задач компании – например, предсказание динамики ликвидности автомобилей по маркам и моделям исходя из индексов цен. Система работает и по внешним задачам: мы стремимся предложить нашим клиентам-продавцам максимальную стоимость автомобиля, а покупателям-дилерам – автомобили, профильные для их бизнеса.

- Каковы особенности использования нейронных сетей в современных программно-аппаратных конфигурациях?

Сейчас в современных системах широко распространены микросервисные архитектуры, что дает свободу применения различных технологий, языков программирования и баз данных, упрощает масштабирование и развертывание ПО. Однако неоднородность данных, вариативность форматов и скорость изменения усложняют сбор и подготовку данных для машинного обучения. Кроме того, возникают сложности при перестройке уже обученной модели, если она начинает выдавать плохие результаты.

- Какие преимущества получают продавцы, дилерские центры и клиенты от работы с сервисами на базе глубинного обучения?

Автовладелец-продавец – скорость, комфорт и выгодную цену. Покупатель-дилер – юридическую защищенность, гарантию качества и прогноз развития собственного бизнеса. Сегодня, кстати, мы готовим к запуску новый проект, предоставляющий расширенную аналитику для понимания рыночной ситуации, динамики ликвидности автомобиля конкретной модели с прогнозом на два года. Это может быть полезно не только дилерам, лизинговым и страховым компаниям, но и частным клиентам.

- О чем вы собираетесь рассказать участникам конференции «Технологии машинного обучения – 2018» и о чем сами хотели бы услышать?

Считается, что внедрение технологий машинного обучения – достаточно дорогое удовольствие ввиду требований к инфраструктуре и квалификации кадров, а потому доступно только крупным ИТ-компаниям. Но это не всегда так. Возможности собственных разработок, а также опыт других компаний позволяют сегодня сформулировать задачи для машинного обучения и решить их с минимальными затратами. Поэтому возможность обменяться опытом практического применения технологий машинного обучения – одна из основных причин участвовать в данной конференции.

Какие прикладные задачи крупные торговые сети научились решать с помощью машинного обучения? Валерий Бабушкин, начальник управления развития данных X5 Retail Group, руководитель группы аналитики компании «Яндекс» и приглашенный преподаватель НИУ «Высшая школа экономики», рассказал об этом журналу «Директор информационной службы» (CIO.ru). Больше по этой теме можно будет узнать из его доклада на практической конференции «Технологии машинного обучения 2018» (организатор «Открытые системы», Москва, 25 сентября 2018 год).

- Что заставляет ретейлеров браться за технологии машинного обучения?

Когда есть огромный бизнес с оборотом 1,6 трлн руб. (оценка на 2018 год), свыше 250 тыс. сотрудников, более 13 тыс. магазинов (на 30 июня 2018 года. – Прим. ред.), очень остро встает вопрос оптимизации. Даже 0,5% от такого оборота превращается в дополнительные 8 млрд руб. в год. В следующем году вырастаем еще на 20%, и тогда добавка составит 10 млрд руб. А если можно оптимизировать 1%? А 2%?

Машинное обучение непосредственно решает задачи оптимизации. Например, мы ищем минимум функции потерь. Возможно, это звучит немного пугающе, но фактически речь идет о простой аппроксимации какой-то функции.

Математический аппарат машинного обучения не нов, линейной регрессии более ста лет, а первая статья о нейронных сетях и персептроне написана Фрэнком Розенблаттом еще в 1960-х годах.

- Но обучать нейросети на бизнес-данных начали не так уж давно...

Валерий Бабушкин: «Нет никакого искусственного интеллекта, если не считать таковым выполнение какой-то задачи в автоматическом режиме. Есть математические алгоритмы решения строго определенных прикладных задач»

Нейросети – одна из областей машинного обучения. С их помощью решают прикладные задачи, связанные с видео, аудио и текстами. Нейросети работают лучше, чем классические методы, а что касается качества задач видео и аудио – на порядок лучше, чем все, что было до них.

Это уже не первая «весна» нейронных сетей, а третья. Предыдущий расцвет был в 1980-х годах, а первый – в 1960-х, когда многослойный персептрон должен был находить на фотографиях грузовики и танки. С чем связан их ренессанс? Наконец появились достаточные мощности, чтобы их использовать, и достаточное количество размеченных данных. Но энтузиасты занимались нейросетями и раньше. Сегодня же это стало более распространено благодаря тому, что в глобальном мире новую информацию можно получать практически мгновенно.

- Но в первую и вторую волну это были всего лишь интересные эксперименты, а теперь нейросети обещает стать базовой технологией для любого бизнеса.

Да, это стало доступно, потому что сейчас мощный компьютер – это смешные деньги для крупной компании.

- Какие задачи торговые сети уже решают с помощью искусственного интеллекта и почему именно эти задачи?

«Искусственный интеллект» – термин модный, но некорректный. Нет никакого искусственного интеллекта, если, конечно, не считать таковым выполнение какой-то задачи в автоматическом режиме. Есть некие математические алгоритмы решения строго определенных прикладных задач – если задать условия и предоставить данные, на которых они смогут «учиться». Да, применяя заранее заданные правила, они сами обнаруживают закономерности и, условно, их «выучивают». Но нет искусственного интеллекта, который самообучается, это очень большое преувеличение.

- Так какие именно задачи решаете вы?

Мы должны предсказывать на месяц вперед, какой будет спрос на каждый из 8 тыс. товаров в каждом из 13 тыс. магазинов – 104 млн прогнозов. Нам нужно понять, как правильно проводить промоакции, как товары влияют друг на друга, когда продажи одного товара растут в ущерб продажам другого, похожего, и т. д.

Еще одна задача – оптимизация ремонтов. В каждом магазине стоят холодильники с датчиками. Холодильники обычно не ломаются внезапно, процесс деградации можно отследить и построить модель, которая на основании поступающих с датчиков данных будет подсказывать, какой холодильник вскоре выйдет из строя. Это позволит отремонтировать его заранее и заодно выбрать оптимальный маршрут для ремонтной бригады.

Следующая задача связана с размещением товаров на полке. В магазин привозят не только те 50 пачек сока, которые помещаются на полку, а больше. Когда товар на полке заканчивается, клиент проходит мимо, хотя на складе товар есть. Но можно поставить камеру, которая будет определять количество товара на полке и, когда его остается мало, сигнализировать о необходимости пополнить полку. Это задача компьютерного зрения, и в решении используются уже упомянутые нейросети.

Кроме того, планируем решать классическую задачу HR-аналитики, которая стоит перед всеми компаниями, где много людей и большая текучка. Когда человек увольняется – это всегда расходы, и чем больше компания, тем больше затрат. Поэтому все стремятся снизить текучку. Если человек увольняется, значит, его что-то не устраивает. Если он увольняется спустя два месяца после своего прихода в компанию, значит, при приеме где-то была совершена ошибка. Процесс подбора под конкретные задачи людей, которым долго будет комфортно работать в компании, тоже можно оптимизировать. Эта задача стоит и в других странах, и в других отраслях, и ее можно довольно успешно решать с помощью машинного обучения, помогая миллионам людей найти то место, где им будет комфортно и приятно работать длительное время.

- Под каждую из задач разрабатывается отдельное ИТ-решение или они строятся на одной платформе?

Обычно по методологии Scrum создается кросс-функциональная команда, куда входят разработчики, аналитики, исследователи данных, инженеры по данным, инженеры машинного обучения под руководством «владельца продукта», отвечающего за конечный продукт. Они работают совместно, используя различные языки программирования.

Как создаваемый ими продукт реализуется технологически, зависит от конкретной бизнес-задачи. И задача, где надо получить результат через 8 миллисекунд, очень сильно отличается от задачи, где результат можно получить через две недели. Скажем, предсказывая, каким будет розничный оборот магазина через год, чтобы понимать, стоит ли открывать магазин в конкретной точке или нет, мы можем выдать результат через неделю, но результат нужен максимально точный. А если разрабатывается рекомендательная система для магазина «Перекресток Онлайн», то результат нужен очень быстро, потому что когда человек положил товар в корзину, ему тотчас же надо рекомендовать. Это абсолютно разные платформы и разные реализации.

Поэтому нет единой платформы, но есть единый стек ИТ-инструментов, и на разных частях этого стека строятся конкретные продукты. С точки зрения оргструктуры функция разработки ИТ-продуктов для работы с данными в X5 отдана отдельной дирекции, которая принимает «заказы» от других подразделений.

- Достаточно ли уже накопленного опыта в области машинного обучения для результативного решения перечисленных задач? Или это пока все же экспериментальная площадка?

Всё перечисленное активно работает. Проект с компьютерным зрением – это, скорее, «пилот». Сделать что-то в одном магазине несложно, сложно масштабировать это на 13 тыс. магазинов, это уже инженерная задача. Пока компьютерное зрение охватывает 20-30 магазинов, но, думаю, вскоре станет реальностью для всей сети.

Ну а такие задачи, как предсказание спроса, уже решаются в производственном режиме.

- И можно уже говорить о результатах?

Результат – то, что X5 растет на 20% в год. Влияние отдельных шагов очень сложно вычленить, всё вносит свой вклад. Но мы проводили пилотный проект по моделям лояльности и зафиксировали увеличение трафика на 4%. Это фантастически много!

- Что мешает развивать технологии машинного обучения в ретейле?

Мы занимаемся все-таки не развитием технологий, мы не исследователи. Мы решаем прикладные задачи, характерные для нашей отрасли.

Когда есть много данных из разных источников, возникает проблема интеграции и качества данных. Это самая большая проблема. Особенно если компания проходила через слияния или приобретала другие компании, у которых были свои системы хранения и свои стандарты.

- И как вы ее решаете?

Есть специальные службы. Например, отдел ЕTL (extraction transformation loading) занимается извлечением, трансформацией и загрузкой данных, управление мастер-данных чистит данные, приводит их в божеский вид и тоже загружает. Исходные данные могут быть повреждены, загрязнены, они могут оцифровываться или вноситься вручную с ошибками.

Только в нашей дирекции без малого сорок специалистов пишут скрипты для очистки данных. Это постоянный и трудоемкий процесс, тяжелая работа, она, безусловно, удлиняет сроки реализации любых проектов. Но если у вас нет хороших чистых данных, на этом можно завершать работу: как говорится, «мусор на входе – мусор на выходе».

Какую компанию ни возьми, 80% времени исследователь данных тратит на работу с данными, а не с алгоритмами. И на вопрос «Как улучшить алгоритм?» стандартный ответ такой: «Нужно больше данных».

- О чем вы собираетесь рассказать участникам конференции?

Я с удовольствием расскажу про uplift-модели (модели прогнозирования воздействия), это очень интересная тематика. Представьте, что у нас есть m клиентов и n воздействий, которые мы можем оказать на каждого из них. Например, послать SMS со скидкой на 100, 200 или 300 руб. – уже три воздействия. Мы хотим максимизировать покупки клиента, поэтому прислали ему SMS со скидкой на сыр, и он его купил. Казалось бы, это хорошо. Но если он купил бы его и без SMS, то получается, что мы зря потратили деньги на скидку. Если же он не купил, результат тоже не очень хороший, ведь рассылка SMS десяткам миллионов покупателей – это расходы. Третий вариант: без сообщения он бы не купил, а благодаря сообщению купил – это успех. И четвертый вариант, когда мы послали SMS, а клиент говорит: «Как же вы мне надоели, все время отвлекаете, никогда больше в ваш магазин не приду». Это самый плохой результат.

Проблема в том, что у нас нет параллельных вселенных, в которых мы могли бы одному и тому же человеку прислать SMS и не прислать SMS, чтобы посмотреть, как лучше. Но есть ряд математических методов, которые позволяют такую проблему решать. Как это сделать, я и буду рассказывать.

Например, в Credit Suisse Group начали использовать чат-боты для типовых задач, таких как сброс паролей и перезагрузка компьютеров. Прежде в банке техническая поддержка осуществлялась только людьми по телефону, и эффективность обработки обращений оставляла желать лучшего.

Сотрудники, которые звонили в центр поддержки, вынуждены были какое-то время ждать, пока освободится специалист. Чтобы покончить с потерей времени на ожидание, решено было создать еще один канал связи в форме чат-системы, способной быстро отвечать на вопросы пользователей.

Над планом перемен в Credit Suisse начали работать в конце 2016 года. В начале 2017-го решили остановить выбор на чат-боте Amelia компании IPSoft.

Как признаются в компании, сперва интеллект чат-бота был на уровне новорожденного, а сейчас – как у годовалого ребенка, и процесс обучения продолжается. Если чат-бот не способен обработать запрос, то он переадресуется человеку. Чат-бот обучается в процессе разговора, а затем специалисты проверяют его на системные ошибки перед вводом в рабочий режим.

Новая система обслуживает 76 тыс. пользователей в 40 странах. Благодаря ей в Credit Suisse около 80 сотрудников телефонного центра переведены на поддержку, требующую более высокой квалификации. В компании надеются к концу нынешнего года автоматизировать обработку 25% обращений, поступающих в службу, а в конечном счете – освободить для другой работы около трети всех специалистов центра.

Пример Credit Suisse показывает, что именно побуждает внедрять искусственный интеллект в ИТ-службах – это стремление дать возможность сотрудникам приносить больше пользы бизнесу за счет поручения низкоквалифицированной работы машинам.

Безопасность и мотивация

В сети техасских университетов A&M внедряют Artemis – интеллектуального ассистента, разработанного компанией Endgame, который будет помогать недавно нанятым сотрудникам защищать учебные заведения от кибератак. Отдел информационной безопасности осуществляет мониторинг сетей 11 университетов и 7 ведомств штата. В службе трудятся 9 штатных сотрудников, а еще подрабатывают 8 студентов, пока еще не обладающих достаточным опытом разрешения инцидентов безопасности.

Системе искусственного интеллекта можно задавать вопросы в произвольной форме на английском языке. Как отмечают в отделе безопасности, она помогает не только в поиске ответов, но и в обучении новичков. В январе были наняты новые сотрудники, и благодаря Artemis они освоили свои обязанности буквально за пару часов.

Кроме того, новшество позволило быстрее находить новых специалистов. Еще два года тому назад, когда понадобилось заполнить три вакансии аналитиков по безопасности, претендентов нашлось очень мало. В январе же на семь ваканский поступило 88 заявок – благодаря молве о том, что в отделе интересно работать: вы не просто сидите целый день перед экраном, а проводите реальные расследования и набираетесь практического опыта. Сегодня больше студентов выбирают специальности, связанные с информационной безопасностью.

Управление инфраструктурой

Murphy Oil – нефтяная компания со штатом 1200 сотрудников, работающая в США, Канаде и Малайзии. Последний год в ней идут преобразования по модели SaaS: ИТ-инфраструктура, развернутая локально и у поставщиков услуг центров обработки данных, переносится в облако. Причем наибольшую экономию принесло освоение интеллектуальных средств управления облачной инфраструктурой. Как уточняют в компании, если просто перенести рабочие нагрузки в облако без изменений, экономии не будет, напротив, возможны убытки.

Несмотря на всю ту гибкость, которую обеспечивают облака, для адаптации рабочих нагрузок может понадобиться труд многих людей и соответствующие затраты. В Murphy Oil решили воспользоваться системой с искусственным интеллектом компании Turbonomic, способной давать советы по оптимизации инфраструктуры. Но по-настоящему она окупилась, когда к системе привыкли и доверили ей задачи выбора размещения и масштаба систем.

Выяснилось, что система способна принимать более удачные решения, чем люди, поскольку руководствуется накопленными данными, а люди – интуицией и эмоциями.

Раньше в компании четыре сотрудника, работающих на полную ставку, и один с частичной занятостью занимались исключительно обработкой заявок в службу поддержки. Сейчас, как сообщают в Murphy Oil, на это требуется одна десятая часть полной штатной единицы.

В итоге персонал, занимавшийся простейшими задачами эксплуатации и сопровождения, был переведен на должности, связанные с поддержкой бизнеса. Например, сотрудники осваивают автоматизацию процессов, готовя новые преобразования в компании. Как подчеркивают в Murphy Oil, поскольку у отдела ИТ всегда есть запланированные проекты, увольнять никого не приходится.

Обеспечение связи

В школах округа Норт-Кантон, штат Огайо, имели место трудности обслуживания беспроводной сети – например, не всегда удавалось добиться надежного соединения с ней ноутбуков и мобильных устройств всех пользователей.

Всего в округе семь школ, в которых учатся 4,4 тыс. учеников и работают 650 сотрудников. К сети подключаются 6-8 тыс. устройств, а администрируют ее всего три человека. С лета прошлого года округ начал пользоваться для управления сетью решением Mist Systems, основанным на средствах искусственного интеллекта.

Как признаются сисадмины, процедуры управления сетью ощутимо ускорились, поскольку теперь причины неполадок выясняются быстрее. Так, системе можно просто задать вопрос «Что происходит с точкой доступа 1?», и она отобразит все сведения о ней с возможностью дальнейшей детализации.

Помимо интерфейса на основе естественного языка, система снабжена внутренними механизмами искусственного интеллекта, которые анализируют сетевую активность. По словам админов, решение помогло обнаружить ряд особенностей сети, о которых сотрудники даже не имели представления.

В прошлом году целых девять месяцев было потрачено на то, чтобы с помощью анализа пакетов доказать, что в ноутбуках сотрудников были неисправны адаптеры Wi-Fi. А после внедрения Mist аналогичную работу удалось проделать буквально за час, поскольку система отображает всю необходимую информацию в режиме реального времени.

Mist обнаруживает неполадки в сети, анализируя данные организации и анонимизированные справочные данные от других клиентов. Обучение происходит как в непрерывном режиме (прогноз обновляется с учетом вновь поступающих данных), так и в пакетном (для обучения используется весь объем накопленной информации). Применяются также модели обучения с учителем, уточняемые, по словам специалистов Mist, буквально каждые несколько часов.

В компании подчеркивают: чтобы использовать средства искусственного интеллекта, специальные знания в соответствующей области от клиентов не требуются.

Прогнозное обслуживание

В Konica Minolta внедрили систему управления ИТ-инфраструктурой на основе искусственного интеллекта компании ScienceLogic в начале 2017 года. Некогда известная как производитель камер, сейчас Konica Minolta является поставщиком офисной техники и ИТ-услуг. Решение ScienceLogic помогает предсказывать сбои оборудования.

Поначалу, как сообщают в компании, точность прогнозов составляла примерно 56%, но со временем система обучилась, и теперь двухнедельные прогнозы поломки техники сбываются на 95%.

В Konica Minolta планируют снабдить средствами прогнозирования ScienceLogic свою платформу управления ИТ-средами Workplace Hub.

Инструментарий прогнозного обслуживания также готовятся предложить в компании Nlyte Software. В ее решении используются технологии IBM Watson. Система Nlyte собирает сведения об оборудовании, используемом одновременно многими клиентами компании и, комбинируя их с данными по конкретным средам, расширяет свою компетенцию.

Как объясняют в Nlyte, система уже выявила немало закономерностей, и соответствующая информация по мере необходимости предоставляется клиентам. Кроме того, каждый клиент получает инструментарий машинного обучения, позволяющий обнаруживать закономерности, характерные для его конкретной среды.

Одно из популярных применений системы – оптимизация потребления энергии: она помогает выбирать место размещения новых серверов так, чтобы обеспечить лучшие температурные условия. Еще один распространенный сценарий – оптимизация размещения рабочих нагрузок.

Обычно подобные средства разрабатываются в компаниях собственными силами. Но теперь, с появлением готового программного обеспечения и уже построенных моделей, внедрять такие инструменты можно гораздо быстрее и без глубоких знаний в области искусственного интеллекта.

Добиться экономии благодаря применению машинного обучения удалось в компании Interxion, которая владеет 50 центрами обработки данных в 13 городах мира и предоставляет услуги колокации. Пару лет назад в компании начали внедрять систему управления инфраструктурой ЦОД (data center infrastructure management, DCIM) EcoStruxure компании Schneider Electric.

Обычно Interxion строит ежегодно четыре новых дата-центра, и в компании имеют возможность сравнивать показатели по ранее сооруженным ЦОДам, в которых EcoStruxure отсутствует, с показателями тех, где используется система старых версий, и самых новых, где развернута последняя версия.

В Interxion признают, что первые версии EcoStruxure были трудны в использовании. Они выдавали много информации, но, чтобы разбираться в ней и принимать решения, требовалось много работы. Последующие версии улучшились, но выдавали слишком много рекомендаций.

Самая новая версия обладает более развитыми интеллектуальными возможностями, и уже приносит экономию оператору дата-центров. В частности, бюджет, выделяемый на замену оборудования, уменьшился на 1-2%. Что касается затрат на ремонт, в компании рассчитывают на то, что благодаря механизмам аналитики они в конечном счете уменьшатся на 10%. Экономия достигается за счет ремонта оборудования еще до поломки, а также благодаря рекомендациям по оптимизации энергоэффективности.

Тем не менее даже самые новые версии системы нуждаются в доработке. Например, типична такая ситуация: система рекомендует установить сегодня определенную температуру, на следующий день – другую, а на третий – снова первый вариант, поскольку считает его наилучшим на конкретный момент. В Interxion полагают, что система должна выдавать рекомендации на основе долгосрочных прогнозов, отсортированных по приоритетности. Оператор ЦОДа помогает Schneider вносить улучшения в систему.

Возможности машинного обучения систем управления инфраструктурой ЦОДа, доступные Interxion, пока еще ограниченны, признают в компании.

Аналитики 452 Research уверены, что технические возможности средств искусственного интеллекта систем DCIM будут расширяться. По их мнению, сегодня только начался процесс, который со временем приведет к интеграции управления физической инфраструктурой центров обработки данных и многих других сервисов, в том числе управления рабочими нагрузками, потреблением энергии, безопасностью, сетями и персоналом.

Чем больше данных будут собирать поставщики систем, тем умнее и полезнее будут становиться платформы DCIM, а клиенты смогут приобретать такие инструменты по достаточно низкой цене.

Пока что – только точечные решения

Возможность появления основанной на искусственном интеллекте универсальной платформы управления эксплуатацией ИТ остается призрачной, полагают в Forrester Research: на сегодня еще нет систем искусственного интеллекта, способных заменить администратора баз данных или сисадмина. Пройдет несколько лет, прежде чем решения достигнут зрелости, а в организациях станут более четко понимать, каким образом проводить внедрения искусственного интеллекта в конкретных ИТ-средах.

Дело осложняется еще и тем, что системам нужны огромные объемы учебных данных, а на сегодня они доступны только для определенных видов задач. Кроме того, необходимы более оптимальные механизмы обмена данными между различными системами, полагают в IDC. Например, идею интеграции управления ИТ-услугами и управления эксплуатацией ИТ-среды в теории можно реализовать за два-три года – технические возможности есть. Однако соответствующее направление развивается недостаточно, отмечают аналитики. Понадобится не только автоматизация процессов – нужен опыт и знания специалистов по поддержке и эксплуатации. Ряд поставщиков делают определенные шаги, но до воплощения идеи в жизнь еще далеко. В IDC считают, что нужны комплексные интеллектуальные системы, формирующие уровень абстракции процессов.

Из 750 менеджеров по эксплуатации ИТ-сред, принявших участие в опросе, проведенном компаниями Turbonomics, Red Hat и AppDynamics, 68% сообщили, что пока вообще не пользуются средствами искусственного интеллекта для управления ИТ-системами, а 24% указали, что экспериментируют с такими технологиями.

Однако 84% выразили уверенность в том, что искусственный интеллект позволит упростить работу благодаря созданию самоорганизующихся систем. Таким образом, резюмируют в IDC, речь идет об области, которой интересуются многие профессионалы, однако занимаются ею всерьез лишь единицы.

– Maria Korolov. How AI is reshaping IT operations. CIO. June 13, 2018