Искусственный интеллект

Более года назад был создан Альянс в сфере искусственного интеллекта, в который вошли шесть компаний: Mail.Ru Group, «Яндекс», Сбербанк, «Газпром нефть», РФПИ и МТС. Его изначальная цель – мероприятия, позволяющие ускоренными темпами развивать в России компетенции в области машинного обучения и искусственного интеллекта. Несколько дней назад альянс представил библиотеку AI Russia Works, в которой представлены лучшие примеры применения технологий искусственного интеллекта.

По словам организаторов, к созданию библиотеки решений привел целый ряд предпосылок. Например, IDC оценивает мировой рынок искусственного интеллекта в 2020 году более чем в 150 млрд долл., и через несколько лет он удвоится. В России же рынок решений на базе искусственного интеллекта ничтожно мал и не превышает 200 млн долл. – это существенно меньше, чем можно было бы ожидать. Однако очевидно, что у нашей страны огромный потенциал и ему надо помочь реализоваться – искусственный интеллект способен стать одним из драйверов развития экономики.

На пути к AI-вики

Роман Стятюгин: «Запуская эту библиотеку, мы даем старт самостоятельному проекту: он в дальнейшем будет поддерживаться и теми, кому интересно читать об успешном опыте, и желающими им делиться. Тогда в перспективе сформируется AI-вики»

«Мы стали оценивать возможности помощи рынку и увидели определенные барьеры, типичные для многих компаний», — отметил Роман Стятюгин, руководитель аналитических сервисов PREDICT Mail.ru Group, играющий роль одного из координаторов библиотеки кейсов. Например, на отечественных предприятиях (разумеется, если не говорить об общепризнанных лидерах рынка) отсутствует информация, как искусственный интеллект может улучшить их показатели – экономить или получать дополнительную выручку. Получается замкнутый круг: спрос компаний недостаточен для активного развития готовых продуктов, а уровень готовности решений пока недостаточен для стимуляции спроса на них.

Рынку требуется добавить прозрачности – информации о том, как решения с использованием искусственного интеллекта помогли их коллегам, и главное – какой экономический эффект был получен. При формировании библиотеки был сделан акцент не на технологии, а именно на бизнес-эффект. Как известно, получить такую информацию бывает непросто. Именно поэтому, по словам Стятюгина, в альянсе решили, что нужна авторитетная база знаний, верифицированная экспертами, о том, в каких индустриях внедряются технологии искусственного интеллекта и какие результаты приносят.

«Запуская эту библиотеку, мы даем старт самостоятельному проекту: он в дальнейшем будет поддерживаться и теми, кому интересно читать об успешном опыте, и желающими им делиться. Тогда в перспективе сформируется AI-вики, которую сообщество будет самостоятельно развивать и дополнять», — считает Стятюгин. Кроме того, ежегодно будут награждаться лучшие из представленных проектов.

«Мы демонстрируем кейсы, которые позволяют вдохновиться и заняться их тиражированием», — заявил Кирилл Булатов, генеральный директор Альянса в сфере искусственного интеллекта. По его словам, сейчас в библиотеке собраны более 40 примеров успешных внедрений в российских организациях самых различных отраслей с доказанной эффективностью. 80% кейсов уникальны и нигде не публиковались, причем 40% из них представляют внутренние разработки предприятий. Основные сферы их применения – производство, маркетинг и клиентский сервис, а один даже направлен на формирование стратегии.

Кирилл Булатов: «Мы демонстрируем кейсы, которые позволяют вдохновиться и заняться их тиражированием»

Составители библиотеки «целятся» в средний и топ-менеджмент компаний самых разных сфер. При отборе кейсов оценивают, насколько быстро окупилось решение, каким образом влияет на рост выручки или снижение расходов, рост производительности и качества продукции. При этом обязательно наличие внутри созданного решения не только «интеллектуальной начинки», но и доказанного количественного эффекта, в том числе подкрепленного финансовой отчетностью и проведением независимых аудитов.

Эффект – сто миллионов

Одним из проектов, описанных в библиотеке AI Russia Works, стал проект в Росэлторге – крупнейшей электронной площадке, на которой проходят государственные и корпоративные закупки; в год там проходит около миллиона тендеров на общую сумму 4-5 трлн руб. В компании накопился огромный объем информации о проводимых торгах, их участниках и победителях, а также исполнении ими договоров. Главной решаемой задачей стало повышение конкурентности торгов. В этом цели организатора и заказчика схожи: для «Росэлторга» тоже важно успешное закрытие тендеров – ведь они берут плату с победителей.

Андрей Кашутин: «Мы столкнулись с тем, что достигли потолка по успешному закрытию торгов. Повысить эффективность в этой области помогли именно технологии машинного обучения»

«Мы столкнулись с тем, что достигли потолка по успешному закрытию торгов. Повысить эффективность в этой области помогли именно технологии машинного обучения. Было важно более таргетированно приглашать поставщиков к участию в закупочных процедурах, не превращать эти приглашения в спам – разобрать несколько сотен приглашений в день абсолютно нереально», — рассказал Андрей Кашутин, первый заместитель генерального директора Росэлторга. На основе анализа данных удалось построить модель, которая позволяет четко понимать, кто из потенциальных участников с большей вероятностью будет участвовать в конкретной закупочной процедуре – с учетом его прошлых действий, географии, анализа семантики лота. После этого стали делать узкие, но таргетированные рекомендательные подборки для поставщиков – в 8 случаях из 10 удается угадать, что поставщику тендер интересен, и он подает документы на участие в нем. В результате площадка на 5,3% подняла число успешно закрываемых лотов, это довольно большие деньги.

Кроме того, требовалось предсказать, какие торги рискуют остаться незавершенными, а значит им требуется уделять повышенное внимание: настойчивее звать в них участников, обеспечивая конкурентность, – возможно, даже звонить и убеждать. Машинное обучение позволяет довольно хорошо выявлять такие закупки.

«В 30-40% случаев мы заблаговременно понимаем, что число участников не превысит одного, а значит лот не будет закрыт и мы не получим свою комиссию. В этих случаях все усилия маркетингового центра направляются на то, чтобы все-таки сделать торги конкурентными», — сказал Кашутин. И компании все лучше это удается: за первый год работы этого проекта была получена дополнительная выручка более 100 млн руб.

Маркетплейс моделей

«Создание библиотеки верифицированных кейсов крайне важно. Видя доказанный эффект, многим заказчикам будет проще сделать первый шаг – возможно, даже пропустив этап пилотного проекта или существенно сократив его. Это позволит российскому рынку развиваться быстрее зарубежного», — подчеркнул Дмитрий Дырмовский, генеральный директор группы компаний ЦРТ.

Не менее важно в рамках создания библиотеки «умных» решений каталога предобученных моделей для решения практических задач. Это принципиально важный вопрос: обмен информацией создает базис для развития технологий, а наличие готовых продуктов дает импульс для их внедрения.

«Мы бы очень хотели, чтобы наша деятельность привела к появлению библиотеки предобученных моделей или даже маркетплейса моделей», — признал Стятюгин. Перейти от информирования и популяризации непосредственно к предоставлению готовых решений было бы правильным шагом. Но для этого рынок должен немного созреть. Искусственный интеллект может выступать вишенкой на торте, но для нее нужна надежная основа – от инфраструктуры и наличия качественных данных до редизайна производственных процессов и встраивания в них интеллектуальных решений.

Нет ничего удивительного в том, что приложения искусственного интеллекта оставляют за собой углеродный след, определяемый количеством парниковых газов (прежде всего, диоксида углерода и метана), которые искусственный интеллект в процессе своего производства и потребления выбрасывает в атмосферу. На практике обучение моделей искусственного интеллекта требует огромного количества вычислительных мощностей, и некоторые исследователи утверждают, что экологические издержки перевешивают получаемые выгоды. Вероятно, все же, они не только недооценивают преимущества искусственного интеллекта, но и упускают из виду многие способы, которые делают обучение моделей более эффективным.

Парниковые газы – то, что экономисты называют «внешними факторами» – издержки, которые общество в целом несет непреднамеренно, например, в результате неблагоприятного воздействия глобального потепления. Вместе с тем весомый урон наносит нам частный сектор, у которого пока остается слишком мало стимулов воздерживаться от разного рода нарушений. Как правило, коммунальные службы выделяют эти газы при сжигании ископаемого топлива в процессе выработки электроэнергии, питающей ЦОДы, серверные залы и другие компьютерные системы, на базе которых работает искусственный интеллект.

Влияние искусственного интеллекта на уменьшение углеродного следа

В последние несколько лет искусственный интеллект несправедливо считают одним из основных факторов глобального потепления, а потребление электроэнергии в процессе обучения моделей называют чрезмерным.

К сожалению, многие обозреватели используют крайне однобокие формулы вычисления общего углеродного следа, порождаемого искусственным интеллектом. Год назад в журнале MIT Technology Review была опубликована шокирующая статья, в которой исследователи из Массачусетского университета утверждали, что энергия, требуемая для одной модели машинного обучения, приводит к выбросу в пять раз большего объема диоксида углерода по сравнению со средним американским автомобилем.

Подобный способ расчета углеродного следа искусственного интеллекта оказывает этой технологии медвежью услугу. Рискую показаться претенциозным, но все это заставляет меня вспомнить высказывание Оскара Уайлда о том, что «циник – это тот, кто знает цену всему, но не видит ценности ни в чем». Я не ставлю под сомнение выводы исследователей из Массачусетского университета о необходимости вычисления и уменьшения углеродной стоимости для того или иного вида человеческой деятельности. Мне любопытно лишь, почему исследователи не обсуждают вклад (зачастую косвенный), вносимый искусственным интеллектом в уменьшение выбросов парниковых газов.

Если модель искусственного интеллекта обеспечивает постоянный поток действительно действенных выводов на протяжении всего жизненного цикла приложения, она должна генерировать реальные и полезные результаты. Другими словами, многие приложения искусственного интеллекта гарантируют, что люди и системы предпринимают оптимальные действия в самых разных прикладных сценариях. Многие из преимуществ, обусловленных искусственным интеллектом, уменьшают углеродный след, снижая потребность людей в пользовании автомобилем, совершении деловых поездок, занятии дорогостоящего офисного пространства и выполнении других видов деятельности, требующих потребления ископаемого топлива.

Возможно, здесь уместен мысленный «эксперимент коммивояжера». Предположим, что отдел продаж производственной компании состоит из шести человек, и каждому из них компанией предоставлен автомобиль. Если компания внедрит систему автоматизации продаж на основе искусственного интеллекта, которая позволяет одному сотруднику отдела продаж выполнять работу за всю команду – улучшая поиск потенциальных клиентов и оптимизируя маршруты – остальных можно просто уволить, избавившись от служебных автомобилей и закрыв филиалы.

Таким образом, одним махом углеродный след модели искусственного интеллекта, лежащей в основе приложения автоматизации продаж, будет полностью компенсирован за счет устранения парниковых газов, выделяемых пятью автомобилями, и экономии электричества, получаемой вследствие закрытия офисов и отключения оборудования.

О целесообразности решений такого рода можно спорить, но следует признать, что они вполне правдоподобны. Этот мысленный эксперимент показывает, что рост производительности и эффективности, а также ускорение, обеспечиваемые искусственным интеллектом, зачастую приводят еще и к снижению энергетических затрат.

Не собираюсь утверждать, что каждое приложение искусственного интеллекта непременно способствует уменьшению выброса парниковых газов. Но вместе с тем я не согласен с экспертами, высказывания которых приводились в недавней статье Wall Street Journal: «Если бы люди могли видеть истинную стоимость таких систем, у них наверняка возникло бы много вопросов относительно того, стоит ли удобство цифровых помощников, построенных на основе искусственного интеллекта, планетарных затрат на все это». Ситуация здесь чрезмерно упрощается.

Подобные настроения затушевывают тот факт, что многие сценарии искусственного интеллекта, применяемые на практике (например, те же цифровые ассистенты), путем анализа имеющихся данных выдают рекомендации, которые помогают людям правильно выбирать нужные им товары, находить оптимальный маршрут до конечной цели, грамотно управлять своими финансами и т.д. Многие из этих действенных рекомендаций способны оказать влияние – большое или малое – на использование людьми энергии в своих домах, офисах, автомобилях и пр.

Рост энергозатрат за счет обучения искусственного интеллекта может компенсироваться еще большим снижением углеродных выбросов

Многие приложения искусственного интеллекта способны уменьшать углеродный след, компенсируя выбросы, связанные с энергозатратами на обучение базовых моделей. Если искусственный интеллект позволяет эффективно работать, оставляя лишь небольшую часть офисного пространства, встреч и поездок, значит эта технология вносит весьма существенный вклад в борьбу с глобальным потеплением.

Следовательно, углеродная нейтральность приложений искусственного интеллекта вполне может обеспечиваться интенсивным обучением базовых моделей, которые начинают более эффективно справляться с возложенными на них задачами. Хорошо обученная модель искусственного интеллекта, подобно капиталовложениям, в дальнейшем амортизируется по мере развертывания будущих приложений.

Имейте в виду, что даже когда разработчики искусственного интеллекта стремятся повысить точность своих моделей, обучение не обязательно является дополнительным потребителем ресурсов, в который нас заставляют поверить. Перечислим тенденции, которые снижают углеродный след вычислительной нагрузки искусственного интеллекта.

— Многие компьютерные платформы искусственного интеллекта работают на возобновляемых источниках энергии, а не на ископаемом топливе.

— В платформах искусственного интеллекта появляются более энергоэффективные чипсеты, серверы и облачные провайдеры.

— На обучение совершенствуемых моделей искусственного интеллекта тратится все меньше времени и данных.

— В реальные приложения широко внедряются предварительно обученные модели искусственного интеллекта.

— Концепция DevOps применительно к искусственному интеллекту предполагает сравнение энергоэффективности различных моделей.

— Универсальные нейронные сети с максимальной эффективностью могут обучаться на разных видах процессоров.

По мере нарастания этих тенденций в ближайшие несколько лет мы скорее всего увидим значительное снижение углеродного следа, оставляемого искусственным интеллектом. А при усилении соответствующих тенденций конвейеры искусственного интеллекта превратятся в одну из наиболее устойчивых в экологическом отношении платформ в ИТ-вселенной.

Кот в мешке?

Интерес к искусственному интеллекту (ИИ) стремительно растёт: всё больше и больше компаний решаются на внедрение связанных с ним технологий, призванных трансформировать их бизнес к лучшему. Истории успеха, гуляющие по рынку, поддерживают ажиотаж. Однако мало кто находит смелость сказать, что за образом волшебного чёрного ящика, печатающего деньги, скрываются многие проблемы. Производители готовых решений, заинтересованные в продаже своего продукта, равно как и организации-потребители, прошедшие этот путь и теперь отпугивающие своих конкурентов армией умных машин, предпочитают делать акцент на положительных результатах и умалчивать о проблемах. В этих условиях отсутствие у большинства компаний, не прошедших этот путь, глубокого понимания технологии порождает завышенные ожидания, а разочарование может стоить дорого. Со временем, доля таких компаний снижается, а слепой оптимизм заменяется осторожным или даже пессимизмом; опыт открывает глаза на ограниченность применения ИИ и те факторы, которые мешают повсеместному внедрению этой технологии.

Однако мы призываем не терять веры в пользу ИИ, но всё же оценивать перспективы трезво, с «холодной головой». Чтобы помочь разобраться, мы постараемся раскрыть суть проблем, стоящих на пути развития ИИ, и заодно развеять несколько мифов. При этом, под развитием ИИ мы будем понимать не столько совершенствование его «умственных способностей», сколько его проникновение в деятельность организаций.

Лучший друг человека

В последнее время не утихают разговоры о том, что из-за ИИ часть людей потеряет свою работу. Скептики успокаивают, утверждая, что представителям творческих профессий бояться нечего: ИИ не способен создавать что-то новое – нечто, чего он не видел раньше. Разработчики ИИ согласятся, но им известно, что этот аргумент стоит рассматривать несколько шире: на самом деле, любая деятельность содержит элементы творчества, за исключением рутинной, продиктованной строгой инструкцией.

Распознавание лиц или биометрию, например, можно смело отнести к этому классу задач, ведь человек решает эту задачу практически бессознательно, не используя свои аналитические способности; всё, что требуется – наличие в памяти «образцов», с которыми будет осуществляться сравнение видимого образа. Несмотря на технологическую сложность реализации, задачу можно назвать простой ввиду конкретности её формулировки. Монетизация достигается за счёт полной автоматизации этой деятельности.

Аналитические задачи, такие как выявление случаев мошенничества, даются ИИ с большим трудом, так как поведение мошенников регулярно меняется, не говоря уже о том, что само понятие «мошенник» крайне изменчиво, а некоторые сомнительные транзакции могут получить статус мошеннических через долгое время после их совершения. ИИ пока недостаточно умён для того, чтобы самостоятельно ставить собственные решения под сомнения, делать новые гипотезы, проверять их, изменять выборку и затем обучаться заново – активное вмешательство со стороны эксперта в предметной области обязательно. Таким образом, это пример бизнес-процесса, который нельзя отдать целиком во владение ИИ – он может быть лишь помощником для команды профессиональных аналитиков. Монетизация возможна за счёт повышения эффективности работы такой команды.

Искусственный интеллект – помощник человеку, а не вместо человека!

Расходы

Допустим, ваша организация намерена внедрить решение, основанное на ИИ, для автоматизации какого-то бизнес-процесса или помощи в принятии решений. В части доходов всё предельно ясно: сократятся операционные затраты, ошибки, цикл обслуживания и текучесть персонала. Спасибо популяризаторам за эту ясность. Но что с расходами? Реализация такого проекта потребует затрат на приобретение соответствующего оборудования (если, конечно, речь не идёт об облачных сервисах); на приобретение, внедрение и дальнейшее поддержание ПО. Вполне возможно, что текущий «человекоёмкий», теоретически неэффективный процесс окажется выгоднее роботизированного. Но эта мысль, на первый взгляд, кажется абсурдной.

На этом список «абсурдных» статей расходов не заканчивается. Внедрение сложных технологий приведёт к росту (по крайней мере, кратковременному) фонда оплаты труда, так как потребуются высококвалифицированные специалисты, способные поставить технологию «на ноги» и поддерживать её в дальнейшем. Хайп вокруг ИИ и Data Science приводит к росту количества таких специалистов на рынке труда, что увеличивает их доступность, но не стоит забывать о необходимости регулярно обучать их новым технологиям и нюансам предметной области. Опять противоречие: снижение фонда оплаты труда за счёт автоматизации – одна из целей внедрения ИИ; почему мы говорим о его росте?

Следующая проблема касается данных, которых не всегда много, которые не всегда точны и не всегда репрезентативны. Ведь именно наличие таких данных является главным условием работоспособности алгоритмов машинного обучения. Конечно, дефицит данных можно восполнить их приобретением у сторонних организаций или их трудоёмкой добычей руками собственных сотрудников – в любом случае, это можно смело добавить в список потенциальных расходов.

Человеческий фактор

Дополнительные трудности в получении выгоды от применения ИИ возникают в результате недоверия сотрудников к рекомендациям, выходящим из «чёрного ящика». Людям свойственно ошибаться, будучи уверенными в собственной правоте, поэтому они скорее поверят своему опыту, знаниям и интуиции, нежели ИИ, который не способен объяснить собственные решения. В итоге, технология может быть проигнорирована сотрудниками. Поэтому важно регулярно тестировать алгоритмы, что позволит не только выявить и затем устранить их недостатки, но и демонстрировать сотрудникам их эффективность.

Говоря о тестировании, полезно задаться вопросом, насколько его результаты репрезентативны. Как правило, тестирование выглядит следующим образом: создаются условия, приближенные к реальным, в которых алгоритму придётся работать; алгоритм запускается, даёт прогнозы или рекомендации; наконец, рассчитываются показатели эффективности (метрики). Качество работы алгоритма оценивается по значениям показателей эффективности. В чём подвох? Во-первых, условия, в которых происходит тестирование, могут оказаться далёкими от реальности, что не даст объективной оценки. Во-вторых, показатель эффективности выбирается либо разработчиком-математиком, который может не до конца понимать бизнес-процесс и отдавать приоритет математическим метрикам, либо бизнес-заказчиком, который, напротив, может придавать чрезмерный вес одним аспектам работы алгоритма, не учитывая другие. Оптимальный показатель стоит искать на пересечении двух миров, но доля субъективности всё равно останется. Таким образом, выбор методологии тестирования очень важен, и он ложится на плечи разработчика и заказчика – живых людей.

Ещё один из мифов касательно ИИ гласит, что алгоритмы машинного обучения обучаются самостоятельно – только данные подавай. Это не так: некоторые элементы их дизайна, опять же, ложатся на плечи разработчика, на его экспертное мнение. Классическим примером таких элементов являются мета-параметры моделей машинного обучения. Конечно, существуют методы их автоматического подбора, но и в этом случае выбор конкретного метода и его параметров остаётся за разработчиком.

Непрерывная аналитика – новый вызов

Даже тогда, когда собранных данных много и они достаточно точны, риск получить систематическую ошибку сохраняется: старые закономерности могут исчезать, могут появляться и новые. Поэтому алгоритмы необходимо регулярно обновлять, то есть либо запускать процесс обучения заново каждый раз, когда становится доступной новая порция данных, либо делать выбор в пользу алгоритмов, способных «дообучаться». Второй вариант предпочтительнее при больших объёмах данных и необходимости обновлять алгоритм быстро, вследствие чего он активно набирает популярность под термином «непрерывная аналитика» или «потоковая аналитика». Но он и дороже: потребуется мощное оборудование, а возможно, и полный перекрой существующей ИТ-инфраструктуры. При этом от риска систематической ошибки полностью избавиться не получится – то, что мы принимаем за новую закономерность, может оказаться краткосрочной аномалией. Тогда «дообучающийся» алгоритм будет забывать подлинное старое и запоминать ложное новое. Оптимальное решение, как всегда, скрыто в компромиссе: чувствительность алгоритма к новым данным должна быть определена на этапе разработки. Это можно сделать на основе результатов тестирования алгоритма при разных уровнях чувствительности.

Инфраструктура

Наконец, нужно обратить внимание на тот факт, что встраивание ИИ в бизнес-процесс требует инфраструктурных и организационных изменений. Аналитики и математики могут создать многообещающую математическую модель, но ответственность за её внедрение в ИТ-инфраструктуру организации ляжет на ИТ-подразделение. Эта задача не проще создания самой модели, а в случаях, когда системы, в которые предполагается встраивать ИИ, разработаны сторонним вендором, она и вовсе может оказаться неразрешимой. Чаще всего выход удаётся найти даже в тяжёлых случаях, но с некоторыми жертвами – например, с периодическими задержками, сбоями, низкой скоростью обработки. Всё это может снизить эффективность рекомендательной системы или вовсе обречь проект на провал.

Заключение

Подчеркнём, что развитие ИИ определяется двумя факторами: технологическими возможностями и потребностью со стороны бизнеса. Не всё технологически возможное является одновременно и практически ценным. Проблемы, с которыми сталкиваются организации при внедрении ИИ в свои бизнес-процессы, препятствуют его проникновению и дальнейшему развитию. Это не значит, что технология бесполезна и у неё нет будущего – просто от организации требуется системный подход к вводу технологии в эксплуатацию. В частности, обязательные условия успешной реализации подобных проектов – непредвзятая оценка потенциальной выгоды и грамотный план действий, направленный на устранение или облегчение возможных рисков. Разработку такого плана и приведение его в действие разумно доверить команде профессионалов, специализирующихся на разработке и сопровождении решений на базе ИИ. Это позволит снизить неопределённость, связанную со сложностью проектов, и максимизировать выгоду для организации.

Авторы:

• Юрий Сирота, старший вице президент банка УРАЛСИБ, руководитель дирекции искусственного интеллекта и анализа данных, центра компетенций BI

• Андрей Шишов, аналитик данных дирекции искусственного интеллекта и анализа данных банка УРАЛСИБ

Организации, работающие с документами, приобрели мощного союзника, помогающего им оптимизировать бизнес-процессы. Средства обработки естественного языка (Natural Language Processing, NLP) – направления искусственного интеллекта, ориентированного на организацию взаимодействия – позволяют таким компаниям, как Accenture, извлекать из документов ценную информацию и сокращать расходы, обращаясь в эпоху машинного обучения к текстовым, неструктурированным компонентам взаимодействия.

Имея в своей системе учета более миллиона контрактов, к которым ежемесячно добавляются тысячи новых, юридическое подразделение Accenture, насчитывающее в штате 2800 профессионалов, прилагало немалые усилия для того, чтобы найти в договорах требуемую информацию. Процесс поиска нужных сведений в документах был весьма трудоемким и утомительным.

«Поиск конкретной информации или связанных с определенными событиями, на протяжении многих лет выполнялся вручную, – указал глобальный управляющий директор Accenture по цифровой трансформации бизнеса, операциям и корпоративному анализу Майк Мареска. – Только таким образом мы могли понять в деталях, что представляют собой наши клиенты и каковы наши контрактные обязательства. В сложившейся ситуации для повышения эффективности поиска в системе учета договоров группа Internal IT Enterprise Insight решила обратиться к средствам обработки естественного языка и искусственного интеллекта».

Запуск проекта Accenture Legal Intelligent Contract Exploration (ALICE) был обусловлен двумя причинами. Во-первых, в системе Manage myRecords (MMR), где хранится более миллиона контрактов, требовалось организовать текстовый поиск. Во-вторых, компании был нужен поиск конкретных положений договоров.

«Сегодня у нас есть штат исследователей данных, моделирующих аналитические решения, которые могли бы индексировать это крупное хранилище договоров и разрабатывать специальные аналитические алгоритмы для извлечения отдельных положений и условий договоров», – сообщил Мареска.

Это непростая задача, поскольку исторически сложилось так, что условия в договорах Accenture никак не помечались. А значит, построить модель классификации здесь было невозможно. Предстояло работать с не очерченным строго набором документов и идентифицировать положения, не опираясь на помеченные данные.

Ситуация осложнялась тем, что многие контракты заключались на условиях клиентов с использованием различных формулировок и форматов представления. А значит, идентифицировать положения по шаблону – форс-мажор, обязательства, требования к конфиденциальности данных и т.д. – не представлялось возможным. Прямая ссылка на условия присутствует в контрактах далеко не всегда, поэтому нужен был поиск по ключевым словам, которые косвенно могли бы свидетельствовать о наличии того или иного положения.

Чтобы решить эту задачу, участники проекта решили обратиться к «эмбеддингу» (word embedding) – методу обработки естественного языка, в основе которого лежит предварительное преобразование слов в соответствующие им числовые вектора, позволяющие судить об их семантическом сходстве. Модель извлекает из договора список ключевых слов с оценкой их релевантности, позволяя решению выборки положений самостоятельно рассчитать, насколько релевантен каждый абзац документа положению конкретного типа.

В избранной модели документы просматриваются абзац за абзацем, выделяя ключевые слова и определяя, соответствует ли абзац конкретному положению. Слова «наводнение», «землетрясение» и «катастрофа», например, обычно ассоциируются с положением «форс-мажор».

«Средства анализа позволяют нам искать ключевые слова, условия, конкретные пункты и юридические положения сначала на английском языке, – пояснил Мареска. – На следующем уровне в действие вступают средства перевода».

Руководство компании передало проект ИТ-службе, указав конкретные сценарии использования, обеспечивающие непрерывность ведения бизнеса. 

Путь от концептуальной идеи до экспериментального проекта у команды Марески занял шесть месяцев. Тестирование проводилось на группах юристов Accenture. На основе полученных результатов был создан минимально жизнеспособный продукт, переданный группе внедрения решений для последующей доработки в масштабе всего предприятия. Спустя еще восемь месяцев появился готовый вариант.

Обязательным условием перехода от прототипа к готовому продукту Мареска назвал тесное взаимодействие между юридической организацией Internal IT Enterprise Insight Studio и командой ИТ-разработчиков. Эксперты по данным из группы MMR сыграли ключевую роль в определении структуры метаданных и формировании связей метаданных с текстом договоров. Эксперты в области юриспруденции помогали выстраивать компоненты для извлечения начальных положений. В команду разработчиков входили исследователи данных, инженеры UI/IX, инженеры-программисты и функциональные архитекторы.

Сегодня система ALICE, принесшая Accenture премию CIO 100 Award in IT Excellence, полностью развернута и заметно улучшила возможности компании в части выявления и понимания рисков. Она помогла существенно сократить время, затрачиваемое юристами на поиск интересующей их информации в договорах.

«Впоследствии ее функционал был расширен, – сообщил Мареска. – Появились, к примеру, сценарии 'что, если'. Определяли ли мы когда-либо рамки своих обязательств тем или иным способом? По мере дальнейшей эксплуатации появляются и другие сценарии. Мы находим новые способы извлечения дополнительной выгоды из тех данных, что у нас имеются».

Компания рассматривает ALICE как часть процесса более широкой цифровой трансформации своих средств юридического анализа. И с этой точки зрения, ALICE становится центральным звеном разнообразных сервисов юридической аналитики.

При упоминании об искусственном интеллекте и машинном обучении себе часто представляют передовые отрасли наподобие изучения космического пространства или биомедицины, которые тесно связаны с научными исследованиями и разработками. На самом же деле к искусственному интеллекту и машинному обучению следует присматриваться буквально каждой отрасли. В конце концов мы живем в эпоху обслуживания клиентов, и даже небольшие отличия в характере этого обслуживания могут очень серьезно отразится на рыночной доле.

Компания Nvidia в марте провела виртуальную версию своей ежегодной конференции GPU Technology Conference, превратившейся в витрину реальных сценариев использования искусственного интеллекта и машинного обучения. В исторической ретроспективе это мероприятие всегда носило глубоко технический характер, но со временем превратилось в демонстрацию компаниями применения своих передовых технологий для трансформации бизнеса.

Инновации Domino’s – это пример использования искусственного интеллекта и машинного обучения в привычном бизнесе, ориентированном на массового потребителя. Компания продемонстрировала успешный рецепт изменения характера своей деятельности. Секретным ингредиентом здесь стала технология Nvidia, которую популярная сеть доставки пиццы использует для совершенствования операций в магазинах и при обработке заказов, улучшения клиентского опыта (Customer Experience) и поиска более эффективных маршрутов развоза.

В результате у Domino’s растет число довольных клиентов, а водители получают больше советов и рекомендаций. Но это лишь малая часть многослойного пирога. Итак, что же нужно сделать, чтобы доставить пиццу Domino’s домой покупателю? Ответ довольно сложен.

Команда исследователей данных в Domino's проверила скорость и эффективность работы компании, используя сервер Nvidia DGX-1 – специализированный интегрированный аппаратно-программный комплекс для исследований в области глубинного обучения. Для тех, кто не знаком с серверным семейством DGX, сообщим: Nvidia создала линейку готовых «к употреблению» программно-аппаратных комплексов. Альтернативой является самостоятельный подбор оборудования, программного обеспечения и платформ искусственного интеллекта с последующей настройкой всей системы. На это могут уйти недели.

Сервер Nvidia DGX-1 – специализированный интегрированный аппаратно-программный комплекс для исследований в области глубинного обучения. Источник: Nvidia

Команда Domino's создала модель прогнозирования доставки, в которой время готовности заказа планируется с учетом его параметров и ситуации в пиццерии Domino’s – числа сотрудников, менеджеров и клиентов, находящихся там в данный момент. Модель построена на основе большого набора данных, составленного на основе пяти миллионов заказов. Этого вполне достаточно для построения точных моделей. Все будущие заказы также обрабатываются системой, что способствует дальнейшему повышению точности модели.

В предыдущих моделях Domino’s использовались ноутбуки и настольные компьютеры с графическими процессорами. На их обучение уходило более 16 часов. Столь длительный интервал делал улучшение модели крайне сложной задачей.

Увеличение вычислительной мощности DGX-1 позволило исследователям данных из Domino’s выстраивать усложненные модели за более короткий промежуток времени. Время обучения сократилось до одного часа, а точность прогнозирования выросла с 75% до 95%. Испытания показали, что производительность труда можно увеличить за счет ускорения работы моделей обучения.

У этого процесса обнаружилось и еще одно преимущество: возможность совместного использования ресурсов. Каждый отдельно взятый графический процессор в DGX-1 обладает очень высокой вычислительной мощностью и большим объемом памяти (32 Гбайт), так что исследователи данных используют лишь часть его ресурсов, благодаря чему множество тестов выполняется одновременно. Имея в своем распоряжении восемь таких графических процессоров, исследователи данных делятся ресурсами и знаниями, организуя взаимодействие нескольких команд.

В прошлом взаимодействие команд – в том числе просмотр программного кода и проверка гарантии качества – вызывало серьезные трудности, поскольку исследователи данных работали в своих собственных локальных средах. Теперь, когда они имеют дело с общим сервером DGX-1, им проще совместно использовать полностью настраиваемые и воспроизводимые контейнеры Docker. Это открывает перед исследователями данных огромный простор для дальнейшей деятельности и доступ к необходимым им ресурсам, так что о простоях речи больше не идет. Решение Docker, интегрированное с DGX-1, упрощает также задачу организации выполнения программного кода в различных средах, поскольку данные содержатся внутри образа Docker.

Недавно Domino’s приобрела второй сервер DGX-1 и приступила к развертыванию системы управления контейнерами Kubernetes. Используя средства оптимизации управления Kubernetes, компания получает возможность динамически выделять ресурсы всем исследователям данных, запуская контейнеры быстрее. Как утверждают в Nvidia, даже исследователи данных, не имеющие опыта работы в среде Linux, могут запускать контейнеры Docker без каких-либо затруднений.

«На стороне развертывания» в Domino’s используют поддерживающую Kubernetes кластеризованную среду, и четыре графических процессора Nvidia. Исследователи данных организуют взаимодействие и выстраивают свои модели, используя ту же самую контейнерную структуру, которую они использовали на DGX-1.

Кроме того, Domino’s приобрела платформу машинного обучения Datatron, которая запускается поверх кластера Kubernetes с графическими процессорами и помогает компании выполнять специфичные функции машинного обучения. Datatron позволяет осуществлять мониторинг функционирования модели в реальном времени, а при необходимости повторного обучения модели исследователи данных получают соответствующее уведомление.

Искусственный интеллект и машинное обучение в зоне ответственности ИТ-служб

Использование собственного стека правил вывода позволяет Domino’s получить все преимущества, которые провайдеры облачных сервисов предлагают при хостинге моделей машинного обучения, сохраняя при этом все данные и ресурсы на своей территории. Изменился способ развертывания моделей исследователями данных. Они получают все более полный контроль над процедурой развертывания.

Другим компаниям, рассматривающим возможность развертывания соответствующих технологий на своей территории, в Nvidia рекомендуют заранее продумать вопросы совместной работы и сотрудничества исследователей данных. В данном случае взаимодействие между DGX-1 и исследователями данных осуществлялось в общем рабочем пространстве. Приобретая продукт, пользователям не пришлось задумываться об этом, что уже само по себе являлось немалой ценностью.

Исторически сложилось так, что исследователи данных работают в компаниях независимо от всех остальных. К ИТ-службам все чаще обращаются с просьбой взять на себя задачу выбора оптимальной технологии для внедрения средств искусственного интеллекта и машинного обучения. Для большинства компаний исследователи данных являются весьма дорогостоящим ресурсом, и их простой в ожидании завершения работы модели сродни выбрасыванию в окно хорошей пиццы. Правильный выбор инфраструктуры, как в случае с сервером DGX, помогает компаниям ускорить обработку, благодаря чему у исследователей данных сокращаются периоды ожидания, и они больше времени уделяют своим прямым обязанностям.

Аналитики Gartner считают, что искусственный интеллект в ближайшие несколько лет получит широкое распространение в офисных средах, а компании начнут инвестировать в инициативы, связанные с цифровыми рабочими местами. Тенденция эта будет набирать обороты по мере того, как активируемые голосом персональные помощники, уже завоевавшие популярность в домашней среде, начнут перемещаться в офисы.

«К 2025 году технология эта определенно станет мейнстримом, хотя сегодня в силу проблем безопасности и конфиденциальности получает лишь весьма ограниченное распространение», – указал вице-президент Gartner Мэтью Кейн, выступая на недавнем саммите Digital Workplace Summit.

Согласно прогнозам Gartner, расходы компаний и индивидуальных потребителей на умные колонки в 2021 году превысят 3,5 млрд долл. В ближайшие два года четверть цифровых работников будут использовать помощников с искусственным интеллектом на ежедневной основе. Ряд компаний уже внедрили у себя соответствующую технологию (впрочем, специалирующаяся на услугах коворкинга компания WeWork, по сообщениям, приняла решение отложить внедрение Alexa в собственную бизнес-среду).

«Думаю, единственной загадкой является то, почему этот процесс так затянулся, – отметил Кейн. – Все уже успели прочувствовать ценность персональных помощников в личной жизни – речь идет об Alexa, Siri и Google Assistant. Рано или поздно к ним присоединится и Microsoft с Cortana. Но мы ждем персональных помощников на рабочем месте – отложенный спрос здесь поистине огромен».

Компании, рассматривающие возможность внедрения этой технологии, он призвал накапливать опыт развертывания, управления и обеспечения безопасности цифровых помощников уже сейчас.

Новый босс ничем не отличается от прежнего?

В Gartner ожидают, что инструменты искусственного интеллекта помогут менеджерам принимать лучшие решения. «Боссы-роботы получат повсеместное распространение к 2025 году, – считает Кейн. – При этом не обязательно все должны подчиняться алгоритмам, так что можете вздохнуть свободнее».

Искусственный интеллект поможет выполнять рутинные операции, с которыми приходится сталкиваться менеджерам.

«Посмотрите, что делают менеджеры каждый день: составляют расписание, формируют задания, оценивают эффективность, содействуют карьерному росту, помогают в профессиональной переподготовке, утверждают предлагаемые инициативы, выстраивают информацию и следят за выполнением директив, – пояснил Кейн. – Многое из перечисленного способен проделывать искусственный интеллект. Вашего менеджера алгоритм не заменит, но искусственный интеллект будет использоваться для улучшения и повышения эффективности рутинной работы. Думаю, мы идем к сочетанию всего перечисленного».

Объемы искусственного интеллекта на рабочем месте будут расти по мере дальнейшего распространения технологий интеллектуального офиса. Прежде всего мы увидим рабочие места с огромным количеством маяков и сенсорных сетей, интегрированных в физическое пространство. Это можно использовать для оптимизации использования площадей, регулирования обогрева и охлаждения, экономии электроэнергии, подпитки данными и отображения контекстной информации при перемещении на рабочем месте.

Все это будет присутствовать в сочетании с вашими собственными приложениями для поддержки офисной гостиничной системы, поиска маршрутов и парковки. Таким образом, в физическом рабочем пространстве появится множество новых инструментов и интеллектуальных средств.

Искусственный интеллект дополнит работника, а не заменит его 

Несмотря на опасения в отношении того, что искусственный интеллект и роботы начнут отнимать у людей рабочие места, в большинстве случаев использование искусственного интеллекта выглядит гораздо более прозаичным.

«К 2024 году искусственный интеллект станет существенным, но по большей части невидимым элементом нашей повседневной работы, – указал  аналитик Gartner Лей Макмаллен. – Новые виды деятельности получат утонченную поддержку со стороны искусственного интеллекта».

Во многих случаях работники уже сейчас взаимодействуют с искусственным интеллектом, а поставщики программного обеспечения интегрируют средства машинного обучения в различные офисные приложения.

Результаты опроса Gartner показали, что сотрудники ждут от искусственного интеллекта выполнения указанных ими простых и рутинных задач, что поможет уменьшить число ошибок, а также ускорит поиск нужной информации и просмотра больших объемов данных.

«Лишь очень немногие рассчитывают на решение искусственным интеллектом сложных проблем, – указала вице-президент и аналитик Gartner Хелен Пойтевин. – Сотрудники не ждут от искусственного интеллекта чудес, они хотят от него лишь помощи в своей повседневной деятельности. Многие ежедневно подвергаются воздействию со стороны искусственного интеллекта, но, возможно, даже не осознают этого. У нас есть электронные таблицы, которые интересуются тем, нужны ли нам идентификация и визуализация шаблонов данных; текстовые редакторы, умеющие копировать; календари, напоминающие, когда следует отправляться в аэропорт, и приложения электронной почты, помогающие отвечать на письма. Все это повседневные сервисы искусственного интеллекта, которые оказывают на сотрудников гораздо более серьезное влияние, чем специализированные приложения для медицинской диагностики, одобрения кредитов или распознавания угроз».

Растущая осведомленность о возможностях искусственного интеллекта помогает людям избавиться от страха потери работы.

«Сотрудники, которые уже знакомы с искусственным интеллектом, спокойнее относятся к его влиянию на рынок труда, – подчеркнула Пойтевин. – Тот, кто уже имел дело с сервисами искусственного интеллекта, с меньшей опаской воспринимает вероятность замены своей должности на искусственный интеллект».

В целом, в Gartner рассчитывают на положительное воздействие искусственного интеллекта на работников.

«Не утихают споры о том, уничтожает искусственный интеллект рабочие места или же создает их, – заметил Кейн. – По мнению аналитиков Gartner, рабочих мест создается больше, чем ликвидируется, просто потому, что искусственный интеллект повышает эффективность работы предприятия, а это способствует развитию бизнеса, что в свою очередь влечет за собой увеличение числа рабочих мест. Конечно, опасения вытеснения людей искусственным интеллектом присутствуют, и с некоторыми рабочими местами это действительно происходит… на смену человеку здесь приходит искусственный интеллект. Но в большинстве случаев речь идет все-таки о дополнении. Искусственный интеллект берет на себя большую часть рутинной работы. Он помогает сосредоточиться на решении задач для человека, на наиболее творческих аспектах. Так что сегодня мы сталкиваемся в основном с изменением рабочих мест, а не с их ликвидацией».

Два года тому назад искусственный интеллект достиг, по версии Gartner, пика завышенных ожиданий. А как обстоят дела сегодня? Что ж, пришла пора спуститься с неба на землю: в компаниях отдают предпочтение проектам с коротким сроком окупаемости, а не дорогостоящим авантюрным инициативам, которые в отдаленной перспективе могут обеспечить коренные улучшения.

Об этом говорят данные, приведенные в отчете State of AI in the Enterprise, 2nd Edition компании Deloitte. Результаты опроса, на основе которого он подготовлен, указывают на то, что искусственный интеллект начинают воспринимать на предприятиях все более серьезно. С другой стороны, в отчете есть и заключения, вызывающие недоумение. Познакомимся с докладом подробнее.

Разъяснения по «скучной части»

Из 1100 топ-менеджеров, опрошенных Deloitte, подавляющее большинство — 82% сообщили, что их инвестиции в искусственный интеллект окупаются. Само собой, искусственный интеллект не всем приносит одинаковую выгоду. В число отраслей, где окупаемость высокая, вошли технологическая, СМИ и развлечения, связь, профессиональные услуги и промышленные товары (в последнем секторе на средства искусственного интеллекта тратят меньше всего, но тем не менее получают высокую отдачу). В медико-биологической индустрии и здравоохранении, в государственном секторе, а также в отраслях финансовых услуг и потребительских товаров сообщили о меньшей окупаемости. Но «меньшая» — не значит «отсутствующая». То есть, практически все, кто инвестирует в искусственный интеллект, сообщают о положительных результатах.

Какие конкретно преимущества обеспечивает искусственный интеллект? Нет, речь не об избавлении от непродуктивных сотрудников. Доля респондентов, указавших в качестве достигнутых результатов «уменьшение штата благодаря автоматизации», в конце 2017 года составила 22%, а в конце 2018-го увеличилась только на два процентных пункта. А вот доля давших ответ «оптимизация внутренних операций» выросла на шесть процентных пунктов — с 36% до 42%.

При этом, судя по отчету, искусственный интеллект, как ни странно, не способствует улучшению процессов разработки продуктов и, соответственно, удовлетворенности покупателей. «Улучшение выпускаемой продукции» в качестве преимущества, полученного благодаря инвестициям в технологии искусственного интеллекта, указали 44% респондентов, однако это на семь процентных пунктов меньше, чем в 2017-м. При этом у ответа «создание новых продуктов» результат тоже уменьшился, с 32% до 27%. В целом, больше половины всех упомянутых участниками преимуществ снизили свои показатели в 2018 году по сравнению с 2017-м, а единственный ответ, помимо упомянутых выше, который получил хотя бы двухпроцентную прибавку, — это «сохранение и применение труднодоступных знаний».

Снижение ожиданий относительно краткосрочных преимуществ не означает исчезновения веры в долгосрочные перспективы. Как отмечают в Deloitte, то, что сегодня от искусственного интеллекта уже в меньшей степени ждут улучшения имеющейся продукции, может быть проявлением реализма. Перенос внимания на внутренние операции сопровождается некоторым снижением заинтересованности во встраивании интеллекта в существующие продукты и услуги (хотя это по-прежнему остается самой популярной целью внедрения). Ведь прежде, чем проводить такую интеграцию, требуются операционные преобразования, что, по-видимому, начинают осознавать респонденты.

И самое время, ведь искусственный интеллект — не «волшебная пыльца», которую рассеивают над устаревшими процессами и технологиями, чтобы «превратить» их в современные. Для подобного нужно радикальное переосмысление основ ведения бизнеса. Если в компании не хотят менять внутреннюю культуру и процессы, ни от каких внедрений искусственного интеллекта полезной отдачи не будет.

Нестыковки

Не все приведенные в отчете данные выглядят логичными. Например, среди ответов на вопрос «как изменились ваши позиции в конкурентной борьбе в результате внедрения искусственного интеллекта», казалось, бы должен был быть «мы не получаем конкурентного преимущества благодаря искусственному интеллекту». Однако результаты были следующими: 16% — «мы догоняем соперников», 20% — «идем нога в ногу», 27% — «немного опережаем», 28% — «увеличиваем отрыв», 9% — «делаем резкий скачок вперед».

То есть, получается, отстающих нет — все компании благодаря искусственному интеллекту выходят на передовую? Можно, конечно, допустить, что все 1100 опрошенных представляли разные отрасли и мощь искусственного интеллекта действительно позволила им обойти остальных, но, скорее всего, дело не в этом: ведь может быть, кто-то из этих 16% еще никого не догнал, а некоторые из 20% начинают отставать. И так далее.

Быть может, те же «розовые очки», через которые смотрят на мир топ-менеджеры, — причина следующего сюрприза: 88% опрошенных сообщили о намерении увеличить инвестиции в искусственный интеллект в 2019 году, при этом 54% собираются повысить их больше, чем на 10%. Это при том, что, напомним, окупаемость по крайней мере в половине отраслей оказалась «низкой». Что ж, похоже, это совсем не охладило энтузиазм и желание тратить.

При этом, согласно докладу Deloitte, «меньше, чем в 50% участвовавших компаний измеряли ключевые показатели эффективности, необходимые для точной оценки окупаемости искусственного интеллекта». Другими словами, «мы понятия не имеем, принесли ли какие-то плоды наши инвестиции, но надеемся, что да, так что давайте-ка плеснем еще бензина в этот огонь». Может быть, это и так, если не учитывать рост прагматизма относительно ожидаемых преимуществ. Учитывая, что сегодня организации фокусируются на инкрементальных усовершенствованиях процессов, а не на дорогостоящих авантюрах, можно рассчитывать, что со временем появятся и те, кто сможет инвестировать в амбициозные проекты благодаря более разумным вложениям, совершаемым сегодня.

По словам Лесли Уилкокса, профессора Лондонской школы экономики, однажды при деловом знакомстве его представили в качестве «патриарха роботизации бизнес-процессов».

«Что я, конечно же, как скромный англичанин, принялся отрицать, — заявил Уилкокс, один из наиболее известных исследователей в сфере автоматизации умственного труда, в ходе выступления на форуме по RPA в Веллингтоне. — Мне, разве что, подойдет святой Христофор, покровитель путешественников. Я здесь, чтобы помочь вам продвигаться вперед более безопасно».

В активе Уилкокса — обширные исследования в сфере RPA, по результатам которых в соавторстве с Мэри Лэсити опубликованы три книги: «Автоматизация обслуживания: роботы и будущее рынка труда» (2016), «Роботизация бизнес-процессов и устранение рисков: исчерпывающее руководство» (2017) и «Роботизация процессов и когнитивная автоматизация: новый виток» (2018). Четвертая книга, «Стратегический подход к роботизации бизнес-процессов», должна выйти в этом году.

По словам Уилкокса, он лично изучил в подробностях более 420 развертываний RPA, чтобы разобраться, какие из них действенны, а какие нет.

«Познакомившись с RPA впервые, я решил, что это проще простого», — признался эксперт.

«RPA помогает людям перестать быть роботами» — эта фраза из первой книги Уилкокса широко цитируется. Выступая на форуме, он добавил: «Роботами первой промышленной революции, к сожалению, были дети. Последние 135 лет людей превращали в роботов, и это продолжается и поныне. У людей забирают всю самую интересную и творческую работу, делая из них монотонных исполнителей. RPA же, напротив, отнимает у людей обязанности роботов, позволяя заниматься тем, с чем люди справляются гораздо лучше, и тем, на что машины, возможно, никогда не будут способны».

По его словам, на первый взгляд, роботизация бизнес-процессов казалась чем-то предельно простым: «Это системы, разработанные для бизнес-пользователей, не для ИТ-специалистов. Они позволяют начать получать результаты быстро и относительно просто».

Искусственный интеллект и когнитивная автоматизация (cognitive automation) отличаются от RPA тем, что они «пытаются наделить робота человеческими качествами — воспроизвести на компьютере то, на что способен человеческий мозг», напоминает он, добавляя: «Нужно стремиться создавать машины, способные делать то, что люди либо не умеют, либо не хотят делать».

По словам Уилкокса, лидеры в области внедрения RPA получают «тройной выигрыш»: речь идет о выгоде для акционеров (за счет высвобождения рабочего времени и повышения гибкости кадровых ресурсов), для клиентов (решение проблемных вопросов, улучшение обслуживания клиентов) и для сотрудников (увеличение доли интересной работы, возможность проявить себя на поприще инновации).

Многие из этих преимуществ оказываются для организаций неожиданностью, утверждает Уилкокс, перечисляя ряд примеров из государственного и частного сектора. В частности, в управе района Сефтон (Великобритания) RPA применяют еще с 2015 года. Решение обеспечивает выполнение процессов операционного отдела цифровыми исполнителями со стопроцентной точностью, позволяя сотрудникам решать более сложные задачи. Например, два штатных работника были переведены на более важные для организации обязанности.

Проект роботизации был начат с отдела налогов и сборов. Были автоматизированы процедуры регистрации граждан для взимания налоговых платежей путем прямого дебетования, а также индексации документов и помещения их в различные рабочие процессы.

Как следствие, затраты времени на ввод сведений о платеже были уменьшены на 80% — на обработку 800 платежей, полученных за три недели, стало уходить по 19 часов, а не по 92, как раньше, а стоимость транзакции уменьшилась с фунта до 20 пенсов. Все транзакции обрабатываются в день прихода платежа, что позволило улучшить обслуживание.

Еще один пример — британской коммунальной компании удалось за шесть недель обеспечить соответствие новым требованиям регуляторов при помощи ранее внедренной системы RPA. До этого для подобных инициатив набирали по три десятка новых сотрудников, у которых на решение задачи уходило три месяца.

RPA считается решением для автоматизации внутренних операций, однако как подчеркивает Уилкокс, на самом деле немало преимуществ получают и клиенты. К примеру, одному крупному оператору мобильной связи благодаря RPA удалось ускорить процедуру замены SIM-карты с двух дней до 20 минут. А британский гигант онлайн-торговли Shop Direct, у которого много покупателей в регионах, где часто происходят наводнения, разработал специальную процедуру, в рамках которой покупателям из зоны бедствия в индивидуальном порядке предоставляется отсрочка оплаты покупок.

Не «проще простого»

По словам Уилкокса, исследования, проведенные им до 2017 года, помогли уточнить трудности, с которыми многие сталкиваются при внедрении RPA, что подтолкнуло его к публикации книги «Роботизация бизнес-процессов и устранение рисков». Соавторы выявили 41 вид рисков, возникающих в рамках жизненного цикла решения RPA.

«В организациях не принимают меры по устранению таких рисков, — сетует Уилкокс. — Они не обнаруживаются, и во многих случаях делается вывод, что внедрение относительно безрисковое».

Оказалось, что RPA — не настолько «проще простого», как казалось поначалу, признается Уилкокс.

Это подтверждали и данные аналитических отчетов. К примеру, в отчете EY приведены сведения о том, что от 30% до 50% всех первичных проектов по внедрению RPA терпят крах. А по данным HFS, по состоянию на март 2019 года удовлетворенность проектами RPA выражали только в 52% организаций: «Другими словами, 48% предприятий разочаровались». Данные компании McKinsey, в свою очередь, свидетельствуют о том, что внедрения систем RPA остаются точечными и не масштабируются.

Эксперт призывает проявлять бдительность в условиях «массированной промывки мозгов, исходящей от поставщиков RPA, которые сейчас переживают экспоненциальный рост продаж». Вендоры, в частности, могут преувеличивать возможности своих решений, предлагая средства RPA и когнитивной автоматизации даже когда они не нужны.

Уилкокс делит пользователей RPA на следующие категории: «лидеры» (20%) — те, кто добился максимальных успехов; «последователи» (25%) — те, кто стремится к успеху, но пока не имеют необходимого руководящего ресурса или неверно выбрали инструмент для достижения поставленных целей; «отстающие» (35%) — те, кого результаты по большей части разочаровывают; «аутсайдеры» (20%) — готовые отказаться от внедрения или реализующие минимальные проекты.

«Примечательная особенность RPA в том, что главные проблемы при внедрении связаны не с технологиями, а с людьми, которые ими пользуются», — отмечает Уилкокс.

По данным проведенных им исследований, только в 25% организаций камень преткновения видят в технологиях, а в 75% — в проблемах, связанных с руководством, персоналом и организационной структурой.

Еще один важный вывод — «сотрудники обычно не отвергают RPA, воспринимая нововведение благосклонно».

По словам Уилкокса, серьезная недоработка многих исследований, посвященных автоматизации, состоит в том, что они не учитывают возрастание объема работы, обусловленное экспоненциальным ростом данных и соответствующих бюрократических процедур.

«Такого рода проблемы порождаются новыми технологиями, — констатирует Уилкокс. — Когда объем рутинной работы резко возрастает, а заниматься более интересными задачами становится сложнее, снова внедряются технические средства, помогающие изменить ситуацию».

Но перед внедрением RPA важно разработать критерии возможности автоматизации. Одна из причин провала проектов — неверный выбор процесса для автоматизации. Это должен быть стабильный, хорошо отлаженный процесс, для которого можно составить правила. Перед автоматизацией процесса его обязательно нужно оптимизировать. «И не забывайте проводить контролируемые эксперименты по тестированию реализованных функций в реальных рабочих условиях прежде чем запускать их в эксплуатацию», — добавляет эксперт.

При этом «истинные богатства», по его выражению, приобретаются теми, кто осуществляет крупномасштабные внедрения RPA: «Роботизация приносит реальные плоды при масштабировании, однако большинство предприятий свои внедрения пока не расширяют».

Причин этому много, но основная, по его оценке, связана с отсутствием стратегических планов относительно RPA: «В организации быстро получают результаты, но видят лишь ограниченные возможности, поэтому дальше точечных применений дело не идет».

Эксперт уверен, что добиться «тройного выигрыша» можно, если организовать интенсивную программу обучения и планировать долгосрочное развитие проекта с самого начала. По его словам, лидеры рассматривают RPA как часть интегрированной бизнес-стратегии, также включающей когнитивные и цифровые решения: «Когда речь идет о масштабной стратегии, к проекту привлекаются представители высшего руководства, которые финансируют его, выделяют необходимые ресурсы и выступают в его защиту. Таким образом, инициатива не остается только в рамках отдела ИТ. Бизнес при этом ставит конкретные цели, над достижением которых вы работаете, — проект получает поддержку на уровне отделов основных операций и выше».

Но, само собой, отдел ИТ нужно привлекать с самого начала, это абсолютно необходимо, — он обеспечивают инфраструктуру для RPA и процессы автоматизируются ИТ-специалистами. Они предоставят и настроят инфраструктуру, помогут предотвратить появление «теневых ИТ» и распространение «островков RPA». RPA принесет пользу и самой службе ИТ, обеспечив уменьшение объема невыполненной работы по запросам бизнес-отделов.

Большое значение имеет система управления: «Причем она должна быть тщательно спланированной, учитывая, что речь идет не о разовом проекте, после которого можно переходить к чему-то еще. Определитесь со штатным расписанием, зонами ответственности, назначьте тех, кто будет принимать решения».

По словам эксперта, в лидирующих организациях соответствующее планирование проводят еще в самом начале проекта. «RPA не следует рассматривать, как просто инструмент, — подчеркивает он. — Это фундамент или платформа, к которой вы постепенно сможете подключать все больше когнитивных технологий».

Выиграют те из организаций, в которых сформируют собственные ресурсы по развитию RPA, уверен эксперт. Именно так поступили лидеры, воспользовавшись услугами партнеров и консультантов, поясняет он: «В компаниях управленческого консалтинга достаточно специалистов, которые помогут заказчику ускорить обучение и подготовить собственные ресурсы».

Помехи внедрению

Какие вопросы относительно RPA обсуждаются слишком мало? «Прежде всего, мне кажется, это вопрос переквалификации, — говорит Уилкокс. — Люди боятся потерять работу. Но если вспомнить историю, появление любой новой технологии означало не только потерю рабочих мест, но и появление новых. Например, благодаря персональному компьютеру в США за период с 1987-го по 2010 год появилось 14,5 млн новых рабочих мест. То же происходило и раньше. В Лондоне в 1900 году для перевозок были задействованы около 350 тыс. лошадей. К 1926 году лошадей уже не было, как и соответствующей работы — это затронуло примерно 10% населения. Но зато сколько за период с 1900-го по 1926 год возникло новых рабочих мест благодаря появлению автомобилей и автобусов? Колоссальное количество».

Так же будет и с RPA, убежден эксперт: «Появятся новые процессы, новые направления бизнеса, изменятся бизнес-модели. Соответственно, будут и новые рабочие места».

Важную роль в этом сыграет правительство, считает он: «Думаю, государству нужно будет приложить усилия, необходимые, чтобы обеспечить образование и получение новых навыков». Речь не только о точных и инженерных науках: «На самом деле, будет расти востребованность чисто человеческих навыков, неподвластных машине. Я имею ввиду навыки взаимодействия с другими людьми, эмоциональный интеллект, способность делегировать полномочия, творчество. Роль образования в этих сферах недооценивают».

Государству также предстоит заботиться об этичном использовании новых технологий и предотвращении негативных последствий, полагает Уилкокс. По его убеждению, корпорациям придется отучаться от привычки просто «покупать» нужных специалистов на рынке труда: «Им нужно будет реинвестировать деньги, заработанные за счет автоматизации, в переобучение и повышение квалификации своих сотрудников. Компаниям самим же будет лучше, поскольку иначе им придется тех же специалистов нанимать по более высокой цене».

Ответственность лежит и на самих работниках: не стоит оставаться пассивными в условиях меняющегося ландшафта рынка труда. «Современный человек должен стремиться к самообразованию и интересоваться востребованностью различных навыков», — уверен Уилкокс.

Эксперт завершил свое выступление на форуме, процитировав Патрика Гири, главного евангелиста компании Blue Prism, которая является одним из создателей индустрии RPA: «Нужно планировать, исходя из того, чего вы хотите достичь, а не того, что есть сейчас. Стройте фундамент для крепости, а не для бунгало».

Полтора года назад компания Mr. Cooper запустила интеллектуальную систему рекомендаций для своих агентов по обслуживанию, которая должна была помочь в решении проблем клиентов. (Компания, ранее известная как Nationstar, — крупнейший игрок рынка небанковского ипотечного кредитования в США с 3,8 млн клиентов.) Казалось, проект сэкономит предприятию огромные деньги. Потребовалось девять месяцев, чтобы выяснить, что агенты не использовали его, признает ИТ-директор компании Шридхар Шарма. И еще полгода, чтобы понять, почему.

Рекомендации, которые предлагала система, не были релевантными, обнаружил Шарма. Но проблема заключалась не в алгоритмах машинного обучения, а в том, что обучение полагалось на данные, основанные на технических описаниях проблем клиентов, а не на том, как клиенты описывали их своими словами.

«Мы проделали недостаточно хорошую работу, поэтому не поняли того, что суть проблемы пользователей кроется в словах, которые употребляют именно они, – сказал он. – Мы же в своей программе использовали только те термины, которые сами используем внутри компании».

Кроме того, механизм обратной связи, в котором агенты записывали результаты звонков, имел перекрывающиеся категории проблем, что, по словам ИТ-директора, еще больше усугубило проблему. Шарма отказался сообщить, во сколько проект обошелся компании.

Такая неудачная «вылазка» Mr. Cooper в область искусственного интеллекта — не аномалия. Согласно недавнему опросу IDC, только около 30% компаний сообщили, что 9 из 10 их проектов, связанных с искусственным интеллектом, были успешны. У большинства провальны около половины подобных проектов; 3% опрошенных заявили, что более половины их проектов искусственного интеллекта потерпели неудачу.

В качестве основных проблем более четверти респондентов назвали нехватку квалифицированного персонала и нереалистичные ожидания в отношении этой технологии. Еще 23% заявили, что их проекты потерпели неудачу из-за отсутствия необходимых данных.

«При первых признаках неудачи все пытаются приложить дополнительные усилия, чтобы "вытащить" проект, – говорит Шарма. – Но если вы ввязываетесь в это, то вы обречены».

Mr. Cooper вернется к проекту в области обслуживания клиентов в следующем году в рамках общей перезагрузки своей системы CRM; компания по-прежнему настроена иметь дело с искусственным интеллектом. Ее последний проект машинного обучения, который включает в себя анализ неструктурированных данных, уже имеет положительный бизнес-эффект и помогает готовить лучшие данные для обучения.

«Эти уроки недешевы», – признает Шарма, добавляя, что требуется вовлеченность генерального и финансового директора: они должны быть в курсе, если что-то идет не так.

Нехватка данных

Проблемы с данными — одна из главных причин, почему проекты искусственного интеллекта не оправдывают ожиданий. Согласно докладу, опубликованному McKinsey прошлой осенью, две из самых больших проблем, ограничивающих применение технологий искусственного интеллекта, связаны именно с данными.

Во-первых, подобно Mr. Cooper, многие компании испытывают трудности с получением правильно размеченных данных для обучения алгоритмов машинного обучения. Если данные не классифицированы должным образом, нужно время, чтобы разметить их, что может задержать работу или вообще привести проект к провалу. Вторая проблема с данными – это отсутствие нужных данных для проекта.

«У компаний часто нет необходимых данных или же они не могут строить модели с данными, поскольку те не размечены», – говорит Ананд Рао, партнер и глобальный лидер по искусственному интеллекту в PricewaterhouseCoopers.

Национальное Одюбоновское общество использует искусственный интеллект, чтобы защитить диких птиц. Так, в июле организация опубликовала результаты анализа того, как изменение климата повлияет на 38 видов луговых птиц.

«Если мы ничего не сделаем, чтобы замедлить изменение климата, то 42% видов луговых птиц окажутся очень уязвимыми, – говорит Чад Уилси, вице-президент по исследованиям в области сохранения видов. – Но если мы сможем принять меры, то уменьшим этот показатель до 8%».

Не все аналогичные проекты Одюбоновского общества были столь же успешными. Прошлым летом в организации попытались использовать машинное обучение для подсчета количества коричневых пеликанов и черных водорезов на пляжах. Пилотный проект был основан на наборе изображений, собранных добровольцем, который запускал дрона над островом у побережья Техаса.

«Нам было интересно понять, как ураган, который прошел над островом, повлиял на популяцию птиц», – говорит Уилси.

По словам Уилси, потребовалось 2 тыс. размеченных изображений коричневых пеликанов, прежде чем точность системы была достаточно хороша для их нужд. Но изображений черных водорезов было недостаточно. «Для других приложений компьютерного зрения вы можете использовать то, что доступно в Интернете, – говорит он. – Но в данном случае, образы птиц очень специфичны».

Так, большинство доступных фотографий птиц сделаны людьми, которые находятся на уровне земли, а не дронами, «смотрящими» прямо вниз. И поскольку это было пилотное исследование, у Одюбоновского общества не было ресурсов, чтобы продолжить сбор данных и сделать больше снимков.

«Однобокость» данных обучения

Другим примером проекта, которому помешала нехватка данных, является попытка Fritz Labs создать модель для идентификации волос на фотографиях людей. Fritz помогает разработчикам создавать модели, которые могут работать непосредственно на телефонах, без необходимости отправлять данные на центральный сервер для обработки.

«Мы хотели создать функцию, которая будет "обнаруживать" волосы в живом видео и прямо в нем изменять их цвет», – сказал Джеймсон Тул, технический директор компании.

Сначала все выглядело хорошо, говорит он, но у алгоритма обнаружился существенный изъян, который привел бы к очень серьезным проблемам, стань приложение публичным.

«К счастью, мы много тестировали функцию на самих себе и с людьми, которых привлекли специально для этого, и обнаружили, что функция работает не очень хорошо для определенных этнических групп, – отметил Тул. – Мы еще раз просмотрели исходные данные — и, конечно же, среди них не было изображений представителей этих групп».

По его словам, для обучения доступно множество наборов изображений, как бесплатных, так и коммерческих. Но необходимо убедиться — достаточно ли тех данных, которые нужны.

«Требуется время и усилия, чтобы сформировать собственный набор тестовых случаев, который исчерпывающим образом представляет пользовательскую базу вашего приложения», – подчеркнул Тул.

В Fritz Labs собрали недостающие изображения и разметили их вручную. «Это, безусловно, подчеркивает тот факт, что в подобных системах может легко случиться какой-то перекос, когда вы ограничены данными, которые у вас есть», – добавил он.

Согласно недавнему опросу PricewaterhouseCoopers, более половины компаний не имеют формального процесса оценки данных приложений искусственного интеллекта на «необъективность» данных. Кроме того, только 25% опрошенных заявили, что будут уделять приоритетное внимание этическим последствиям проектов искусственного интеллекта перед их реализацией.

Проблемы интеграции данных

Иногда проблема заключается не в недостатке данных, а в том, что их слишком много и они – во многих местах. Так было в одном глобальном банке, по словам руководителя отдела искусственного интеллекта и аналитики данных розничного подразделения банка, который не уполномочен говорить об этом «под запись».

По его словам, если бы он мог вернуться назад во времени, банк бы раньше начал собирать данные из разных каналов: «Мы этого не делали, и это было большой ошибкой. Наши данные были разрозненны, и как следствие у нас не было полного представления о наших клиентах».

Это ограничило возможности банка генерировать эффективные маркетинговые предложения и привело к снижению доходов; теперь банк переходит к многоканальному представлению данных клиентов, включая онлайн, мобильные и личные взаимодействия.

«Мы все еще не добились этого, – признал он. – Изолированные данные – одна из самых больших проблем, которые у нас были и есть».

Проблема не столько техническая, сколько деловая; первый шаг – соблюдение требований и регламентация: «Есть определенные типы данных, которые мы не можем смешивать».

Другой вопрос связан с приоритетами компании. «Есть так много других проектов, которые работают. И кто заплатит за объединение данных? Это само по себе не является добавочной стоимостью для банка», – указал он, добавив, что с подобными проблемами может столкнуться каждый банк.

Однако приступать к интеграции данных необходимо тогда, когда стартует первый проект в области искусственного интеллекта. «Не думаю, что мы когда-нибудь будем готовы полностью, ведь есть так много источников данных, – резюмировал он. – Я не думаю, что есть компания, которая к этому полностью готова».

В банке рассчитывают, что основные источники данных будут подключены в ближайшие полтора-два года. Сейчас в данном направлении выполнено лишь 10-15% работы.

«Дрейф» данных

Еще одна проблема для проектов искусственного интеллекта заключается в том, что компании полагаются на исторические данные вместо активных транзакционных данных для своих учебных наборов. Во многих случаях системы, обученные на статических исторических снимках, не очень хорошо работают при переходе на данные реального времени, отметил Андреас Браун, который возглавляет работу с данными и искусственным интеллектом в европейском отделении компании Accenture.

«Вы выгружаете некие данные, тренируете модель и получаете довольно хороший результат в лаборатории. Но как только вы запускаете это в работу, начинаются проблемы», — сказал он.

Существует значительная разница между историческими выборками данных и данными, поступающими через живую систему, например, для обнаружения фрода в реальном времени или выявления случаев отмывания денег, потому что модели оказываются не обучены улавливать небольшие изменения в поведении.

«Если вы копируете данные в какой-то момент времени, скажем, ночью, или в субботу или воскресенье, то "замораживаете" ситуацию, – отметил он. – Это делает аналитику в лаборатории очень легкой. Но когда модели машинного обучения встраивают в живую систему, они работают намного хуже».

Решение, по мнению Брауна, заключается в том, что аналитики данных не должны сидеть в бункере, отрываясь от реального бизнеса. Когда модели строятся с использованием «живых» данных, интеграция моделей в производственные среды происходит намного быстрее: «И успехи гораздо, гораздо лучше. Это полностью меняет игру».

Забытые неструктурированные данные

Согласно недавнему опросу Deloitte Consulting, 62% компаний по-прежнему обходятся электронными таблицами и только 18% при анализе используют неструктурированные данные — изображения продуктов, аудиофайлы разговоров с клиентами или комментарии в соцсетях.

Кроме того, многие исторические данные, которые собирали компании, оторваны от контекста, который должен быть полезен для решений искусственного интеллекта, или хранятся в сводной форме, полагает Бен Стиллер, руководитель стратегической и аналитической практики в области розничных и потребительских продуктов компания Deloitte Consulting. Ограниченность в данных, безусловно, может с самого начала приговорить проект к неудаче.

Компании, которые используют неструктурированные данные, например, Mr. Cooper, согласно опросу, на 24% чаще добиваются своих бизнес-целей.

«То как вы работаете с данными, действительно требует фундаментального пересмотра», – считает Стиллер.

Mr. Cooper, например, владеет огромными объемами неструктурированных данных – около полутора миллиардов документов клиентов. В результате агенты по обслуживанию клиентов тратят слишком много времени на поиск нужных документов, и иногда, не находя их, бывают вынуждены перезванивать клиентам.

Поэтому компании пришлось отсканировать все 1,5 млрд документов и с использованием технологии машинного обучения внимательно проанализировать набор из 150 млн документов, которые попали в число двухсот самых используемых типов.

«Этот проект на базе машинного обучения, который действительно приносит пользу, нашел реальное применение», – говорит Шридхар Шарма из Mr. Cooper.

Мало того, что обзвон клиентов стал быстрее, анализ документов помогает создать лучший словарь для будущего использования, когда компания вернется к своему ранее проблемному проекту обслуживания клиентов с использованием искусственного интеллекта.

Культурный вызов

Не только проблемы с данными, но и организационные вопросы вставляют палки в колеса проектов искусственного интеллекта.

Например, Шарма признался, что если бы он вернулся назад во времени, то начал бы работать с языком, который клиенты используют при объяснении своих проблем, и связал бы экспертов по предметной области с разработчиками приложений искусственного интеллекта: «Людей из бизнеса надо объединить с технологическими группами, чтобы контекст всегда был во главе угла. Вы должны заставить их сидеть вместе весь рабочий день».

И если не учиться на такого рода ошибках, шансы на то, чтобы извлечь выгоду из искусственного интеллекта, могут сократиться: неудачные проекты не только отпугивают тех, кто распределяет финансовые средства, но и негативно влияют на удовлетворенность сотрудников и клиентов.

Из-за ранних провалов проектов инвесторы теряют значительные средства, не получая никакой отдачи, а предприятие рискует начать отставать от конкурентов.

Все начинается сверху. Как показывает опрос Deloitte, участие высшего руководства для проектов искусственного интеллекта жизненно важно. «Если проект спонсирует генеральный директор, шансы достичь целей повышаются на 77%», – говорит Стиллер.

Не позволяйте неудаче ослабить вашу приверженность технологиям искусственного интеллекта — долгосрочный подход окупится, уверен он: «Чем больше проектов вы с течением времени вы делаете, тем выше становится их ROI».

Кадровые службы крупных организаций становятся одними из значимых потребителей аналитических решений. В условиях дефицита квалифицированных кадров многие компании используют все шансы для борьбы за лояльность своих сотрудников и предотвращение их оттока. Ряд компаний уже заявили о создании инструментов, предсказывающих вероятность ухода сотрудников. Никита Черкасенко, директор департамента HRM-технологий и аналитики ПАО «Ростелеком», рассказывает об используемых при этом подходах и достигнутых результатах. Более детальную информацию на эту тему можно получить на Международной практической конференции «Технологии искусственного интеллекта — 2019», которая состоится 22 мая.

Чем могут помочь технологии современным HR-департаментам?

Требования компаний к качеству функции управления людьми повышаются: доля стоимости HR в структуре расходов бизнеса растет. Более того, благодаря автоматизации возросло качество практик управления другими ресурсами. Закономерно, что сегодня бизнес ждет такого же качества работы со стороны подразделений, отвечающих за кадры. При этом масштабное проникновение информационных технологий в нашу повседневную жизнь и бизнес, а также сформировавшиеся пользовательские привычки получать мгновенный доступ к удобным и бесплатным сервисам существенно повышают планку ожиданий от корпоративных сервисов и систем. Если на этапе проектировния не включать в бизнес-процессы преимущества, которые дает использование ИТ, то в самом ближайшем будущем такие бизнес-процессы будут не просто малоэффективными, а неэффективными в принципе — это неизбежно в условиях цифровой трансформации. Безусловно, меняется и роль HRM как подразделения и профессиональной команды: мы должны лучше разбираться в средствах, которые нам предлагает ИТ-рынок, и применять их в цифровой трансформации своих процессов — иными словами, оставаясь «экспертами по людям», мы должны учиться работать с данными и опираться на них в принятии решений.

Какие задачи ставит бизнес непосредственно перед вами?

Перед моим подразделением стоят задачи повышения эффективности процессов управления персоналом за счет их автоматизации, создания и запуска новых сервисов для сотрудников, а также задачи по регулярной аналитике.

Каково доверие менеджмента к цифровым предсказательным моделям и за счет чего его можно добиться? Как на практике выглядит решение, предсказывающее поведение сотрудника?

У руководителя есть доступ к нескольким дэшбордам, позволяющим ему ориентироваться в основных параметрах, связанных с управлением персоналом, таких как численность, ее динамика, стоимость, структура, укомплектованность и другие. Можно получить отдельный отчет, который позволяет увидеть вероятность ухода того или иного сотрудника по собственному желанию в течение ближайшего квартала, а также оценить факторы, которые внесли наибольший вклад в формирование прогноза в каждом случае. Конечно, никакая лампочка на рабочем столе руководителя не загорается и никаких регламентов насчет его дальнейших действий нет. Сам отчет — это одно из аналитических средств для руководителя и его HR-бизнес-партнера, которое позволяет работать с этой категорией рисков, например, заранее планируя подбор ключевых сотрудников или проактивно занимаясь их удержанием.

Откуда берутся данные для создания моделей и какие платформы используются?

Модели используют информацию из основных HR-систем — это данные, связанные с возрастом, стажем, вознаграждением и т. д. Также мы используем данные Росстата, дающие нам «поправку» на локальные рынки труда, а также количественные данные из корпоративной переписки (например, сколько времени сотрудник тратит на работу с почтой в нерабочее время). Сама модель написана на открытом коде — использован язык Python и его стандартные библиотеки для работы с данными.

Возможно ли пойти дальше и предварительно оценить причины снижения лояльности сотрудника, лежащие не на поверхности?

Поскольку мы используем механизм классификации, то вместе с итоговым значением вероятности ухода имеем возможность проследить и дерево «причин». Это тот самый набор гипотез, проверяя которые, можно выйти на актуальные проблемы в подразделении.

Каких результатов удалось достичь? Проводилась ли оценка экономического эффекта?

Еще в 2018 году мы посчитали эффект от удержания нескольких ключевых сотрудников, риск ухода которых предсказали. Упущенная выгода в случае их ухода была бы многократно выше полной стоимости разработки модели и регулярного построения прогноза. Больше мы к этому вопросу не возвращались: эксперимент окупился, а стоимость владения моделью сейчас сводится к стоимости аренды весьма скромной виртуальной машины.

В каких направлениях планируется развивать прогнозные модели, ориентированные на персонал?

Сейчас мы сфокусировались на поиске факторов повышения производительности труда. Понятно, что есть объективные причины для различной производительности в разных регионах — например, связанные с разницей в технологиях связи, протяженностью и структурой сетей, расстояниями, продолжительностью отпусков и пр. Но есть часть различий в производительности, которую этими факторами не объяснишь. Вот ее мы и хотим раскрыть, а дальше предсказывать и, в идеале, влиять на нее.

О чем вы планируете рассказать в ходе своего выступления и что хотели бы услышать?

Планирую рассказать о том, как мы используем прогноз и как развиваем модель. Хотел бы услышать о похожем опыте других компаний — насколько я знаю, его уже немало.