Искусственный интеллект

Маурисио Корона, как отмечается в его официальной биографии, «признан отраслевыми организациями одним из лидеров, чье мнение в области технической поддержки и управления услугами является авторитетным, он входит рейтинг Top 100 Influencers and Brands и в число 27 мировых лидеров в сфере ИТ; также он один из самых высокопрофессиональных экспертов в сфере ITSM».

Мексиканец по происхождению, Корона работает с компаниями и их руководством по всему миру, помогая в адапатации и освоении комплесных решений в области управления сервисами. Он занимает должность директора по трансформации в Service Desk Institute (Великобритания) и входит в правление компании BP Gurus (Мексика), партнера SDI в Латинской Америке.

Корона является архитектором и автором ITIL 4, имеет 20 официальных сертификатов ITIL и еще целый ряд профессиональных сертификатов в области управления ИТ, а также ученую степень в области управления бизнесом. В числе тем, представляющих для него сегодня наибольший интерес, Корона называет цифровую трансформацию, «высокоскоростное» управление сервисами (High-Velocity Service Management), гибкость (agility) и устойчивость (resilience) организации, пользовательский (user) и клиентский (customer) опыт, системное мышление, бережливые практики, оркестрацию сервисов, роботизацию бизнес-процессов (Robotic Process Automation, RPA), искусственный интеллект и машинное обучение.

На форуме ITMF 2019, который издательство «Открытые системы» проводит 4 июня, Маурисио Корона выступит в пленарной сессии с докладом «Бережливый интеллектуальный Service Desk — залог качественного клиентского опыта» и затем более подробно раскроет эту тему в своем мастер-классе. В преддверии непосредственного знакомства российской аудитории с Маурисио Корона мы задали ему несколько вопросов.

- Мир ИТ находится в состоянии постоянных перемен. Как это отражается на развитии методов и процессов управления ИТ?

Управление ИТ постоянно эволюционирует, стремясь соответствовать меняющимся задачам организации. ИТ и управление ИТ сегодня должны быть Lean и Agile. От управления ИТ-сервисами (ITSM) мы переходим к управлению корпоративными сервисами (Enterprise Service Management, ESM), то есть к предоставлению заказчикам ценности в виде сервисов независимо от того, где и кем эти сервисы реализуются.

Конец 2018-го – начало 2019 года стали знаковыми с точки зрения развития методологий и стандартов, ничего подобного мне не приходилось наблюдать в новейшей истории ИТ. Увидели свет Cobit 2019, ITIL 4, ISO 20000 и ряд других фреймворков.

Скорость изменений такова, что организации действительно постоянно сталкиваются с целым рядом проблем. Бизнесу, с одной стороны, жизненно необходимы инновации, а с другой — очень часто ему приходится решать задачу выживания. Технологии сегодня надо рассматривать как один из важнейших элементов успеха организации, а ITSM должен эволюционировать таким образом, чтобы служить инструментом «оркестровки» деятельности всей компании, поддерживая ее усилия реализовать ценность в условиях цифровизации. И чтобы добиться этого, недостаточно привычных нам процессов. Нужны более комплексные, согласованные практики, помогающие организовать ресурсы компании таким образом, чтобы каждый из этих ресурсов можно было с максимальной эффективностью применять для достижения определенных целей (понятие «практика» является одним из ключевых нововведений ITIL 4 — Н.Д.).

- Какие тенденции в мире бизнеса и технологий оказывают наибольшее влияние на ITSM?

Уверен, ни одну из тенденций не стоит рассматривать изолированно, любое новшество надо оценивать с точки зрения организации в целом. Те, кто определяют стратегию развития ITSM, должны понимать место той или иной технологии в модели бизнеса. Модель бизнеса описывает ту ценность, которую организация предоставляет своим клиентам, и показывает, какие необходимы практические инструменты и партнерские отношения, чтобы создавать, продвигать и предоставлять эту ценность, обеспечивая устойчивую прибыль.

Среди тенденций, способных повлиять на развитие ITSM, я бы выделил продвинутую аналитику, agile-подходы в управлении организацией, чатботы, управление знаниями, кибербезопасность, искусственный интеллект, ESM, самообслуживание.

- Искусственный интеллект — одна из самых «горячих» тем в ИТ, он уже находит применение в автоматизации процессов Service Desk, мониторинга ИТ-инфраструктуры. В чем вы видите значение искусственного интеллекта в развитии процессов и технологий управления ИТ?

Искусственный интеллект фокусируется на создании интеллектуальных машин, которые имитируют работу и поведение людей и могут использоваться в таких задачах, как распознавание речи, обучение, планирование, решение проблем и т.д. Одна из ключевых концепций в этой области – машинное обучение. Сегодня компании привлекают инженеров и исследователей данных для работы с моделями больших данных, и это дает им возможность понимать себя и своих клиентов лучше, чем когда бы то ни было, и реализовывать очень эфективные краткосрочные стратегии.

Искусственный интеллект открывает беспрецедентные возможности для совершенствования процессов бизнеса и ИТ. Вырастет скорость коммуникаций, бизнес-модели станут гораздо более рациональными, а значит, полностью изменится динамика развития компаний, они гораздо быстрее и эффективнее смогут оценивать ту среду, в которой работают. Следствием станет то, что я бы назвал «интеллектуальным взрывом» (Intelligence Explosion) в развитии организаций, людей, ИТ, процессов создания ценности.

- Вы — один из архитекторов ITIL 4. Каково значение новой версии для ITSM-сообщества, для бизнеса в целом? Какие из нововведений ITIL 4 вы бы выделили как наиболее важные?

Мне очень повезло оказаться причастным к развитию ITIL. Мы провели глубокое международное исследование, для того чтобы выяснить, какие специфические задачи ставит цифровой мир. Мы поняли, что значимость управления сервисами не снижается, но оно должно подкрепляться компетенциями, культурой и менталитетом цифровой организации, поскольку именно на них основывается сегодня предоставление ценности клиентам. Под ценностью мы понимаем осознаваемые клиентом или пользователем преимущества, пользу и значение чего-либо.

Я лично очень рад той обратной связи, которую мы получаем от ITSM-сообщества с выходом новой версии. ITIL 4 представляет собой совершенно новую архитектуру, нацеленную на то, чтобы помочь организациям создавать ценность. Сложно особо выделить что-то, но, пожалуй, наиболее значимые новшества для меня следующие.

Cовместное создание ценности (value co-creation) : ценность создается в процессе активного сотрудничества между поставщиками и потребителями сервиса, а также с другими организациями, которые являются частью соответствующих сервисных взаимоотношений. Поставщикам больше не надо придумывать, что же будет составлять ценность для их клиентов, понимание придет в результате взаимовыгодных, интерактивных связей между ними.

Сервисная система создания ценности (Service Value System, SVS): описывает интеграцию всех компонентов и активностей организации в единую систему, обеспечивающую создание ценности. SVS каждой организации имеет интерфейсы с другими организациями, тем самым формируется экосистема, которая поддерживает создание ценности в этих компаниях.

Цепочка создания ценности (service value chain, SVC) : это базовая концепция SVS – набор взаимосвязанных активностей организации по предоствлению своим клиентам продукта или услуги, несущих в себе ценность.

Потоки ценности (value streams) : cерия шагов, предпринимаемых организацией, для создания и предоставления продуктов и услуг. Предполагается, что каждый поток ценности следует принципам lean и agile.

Руководящие принципы (guiding principles): признаюсь, это одна из моих самых любимых концепций. Когда меня спрашивают, как я помогаю компаниям по всему миру брать на вооружение лучшие практики, я отвечаю, что просто учу их следовать руководящим принципам – рекомендациям, которые применимы к любым условиям, в которых работает организация, независимо от того, какие у нее цели, стратегии, подходы к работе или структура управления.

Service Desk как практика: концепция Service Desk эволюционировала. Если раньше мы ее рассматривали просто как единую точку контакта пользователей с ИТ, то теперь это структура, где на деле формируется потребительский опыт. Service Desk — больше не функция, это практика, вбирающая в себя такие понятия и технологии, как самообслуживание, автоматизация, чатботы, сервисные боты, машинное обучение и искусственный интеллект. Service Desk становится центром оркестровки предоставления ценности.

- Тема вашего выступления на ITMF 2019: «Бережливый интеллектуальный Service Desk — залог качественного клиентского опыта». По идее, обеспечивать положительный клиентский опыт – это главная задача Service Desk во все времена. В чем актуальность этой темы и какие рецепты решения этой задачи предлагаете вы?

Традиционно ITSM фокусировался на предоставлении ценности, исходя из своих собственных представлений о том, что является ценностью для клиентов. Но сегодня «клиентский» (Customer eXperience, CX) и «пользовательский опыт» (User eXperience, CX) перестают быть модными словечками: это абсолютный императив для организаций, если они хотят выстроить и реализовать правильную стратегию в цифровом мире.

Будущее CX и UX – опыт, «изготовленный на заказ», поскольку все клиенты и пользователи разные. Технологии сегодня дают возможность такой «тонкой настройки», но, чтобы получить от этого эффект, необходимо научиться отвечать на вопрос «почему?» Почему мои клиенты и пользователи ведут себя именно так, делают одно и не делают другого? Почему им нужен этот продукт или этот сервис? Почему они покупают у меня и не покупают у других поставщиков? И так далее.

Здесь приходят на помощь автоматизация и позиционирование Service Desk как практики в ITIL 4. Есть множество способов взаимодействия Service Desk с клиентами и пользователями, можно задействовать технологии для выявления и прогнозирования их поведения и на основе этой информации выстраивать полный профиль каждой отдельной потребности клиента. Продвинутые алгоритмы обработки данных и визуализации дают нам возможность обеспечивать реальную персонализацию и омниканальное взаимодействие. С помощью гибких, «умных» систем и подходов мы получаем по-настоящему интеллектуальную структуру контакта с клиентами. И все эти компоненты теперь объединяются в практике Service Desk.

- Вы впервые будете общаться с российским ITSM-сообществом. Что вы ждете от этого знакомства? О чем хотели бы услышать на форуме ITMF?

Я с нетерпением жду встречи с местным ITSM-сообществом. У меня есть опыт работы с отдельными его представителями за пределами России. Но в вашей стране я никогда не был, и для меня это важнейший этап в карьере. Мне всегда очень важно получить полное представление о задачах и потребностях, актуальных для определенного региона, очень интересно узнать, каков здесь уровень зрелости процессов и практик, как вы справляетесь с разрывом между ITSM и ESM, какие основные внешние факторы способствуют или, наоборот, мешают российским организациям адаптировать лучшие практики.

Рост продолжительности жизни, заболеваемости хроническими недугами и нехватка медицинского персонала подняли гигантскую волну интереса к искусственному интеллекту — именно с этими технологиями связано больше всего надежд на повышение эффективности здравоохранения. В мире уже есть примеры использования искусственного интеллекта не только в системах поддержки принятия врачебных решений, в телемедицине и удаленном мониторинге пациентов, но и в управлении здравоохранением. Однако основным фокусом конференции «Искусственный интеллект в медицине», на которую Ассоциация «Национальная база медицинских знаний» собрала в Салехарде специалистов из множества регионов, стало применение искусственного интеллекта именно в клинической практике.

«Разработка искусственного интеллекта в медицине — это не айтишная, а врачебная история, — уверен Александр Гусев, член наблюдательного совета НБМЗ. — Создавая сервисы на базе искусственного интеллекта, важно проводить клинические исследования их эффективности и, главное, — безопасности».

Искусственный интеллект эффективен в узких задачах. Разработки участников ассоциации испытывают в Кировской, Новгородской, Тульской и других областях, но предмет особой гордости — совместный проект в Ямало-Ненецком автономном округе. Здесь больницы опробовали сразу два продукта: Webiomed, разработанный компанией К-МИС, для профилактики сердечно-сосудистых заболеваний и Botkin AI, созданный «Интеллоджик», для поиска очагов на компьютерных томограммах (КТ) легких.

По сравнению с другими российскими регионами на Ямале относительно низкая смертность, неплохая обеспеченность медицинскими кадрами и высокий уровень информатизации здравоохранения — 96% медкарт ведутся в электронном виде. Тем не менее проблемы есть, в том числе перегруженность врачей рутиной, так что задач для искусственного интеллекта предостаточно. «Мы очень боялись, что наши врачи окажутся загружены еще больше, а результата они не увидят», — рассказал Сергей Новиков, директор Департамента здравоохранения ЯНАО. — К счастью, опасения не оправдались». Врачи получили цифрового помощника, облегчающего их работу, при этом вносить дополнительные данные им не потребовалось.

Профилактика

В городе Муравленко с помощью технологии машинного обучения сумели оценить риски развития сердечно-сосудистых заболеваний всего взрослого населения. Для обучения были использованы данные городской больницы — более 1,3 млн медицинских документов.

Медицинская информационная система (МИС) автоматически анализировала электронную медкарту пациента (ЭМК) и отправляла запрос на анализ в интегрированную с ней облачную систему поддержки принятия врачебных решений Webiomed. Выявленные факторы риска и их оценка выводились врачу в интерфейсе МИС. Обработка информации об одном пациенте в зависимости от объема его карты занимала в среднем от полуминуты до двух минут, а все прикрепленное население (25 тыс. человек) оценили примерно за пять суток.

«У нашей больницы теперь есть возможность запускать анализ ЭМК по терапевтическим участкам в ночное время, когда все отдыхают, и не спит только искусственный интеллект», — сообщила Елена Климович, завотделением медицинской профилактики Муравленковской горбольницы. Результаты анализа заносились в ЭМК, и дальше врачи работали с пациентами, отнесенными к группам высокого и очень высокого риска, и адресовали им рекомендации искусственного интеллекта по устранению факторов риска.

Такая оценка риска сердечно-сосудистых заболеваний всего населения не проводилась еще ни разу — она была просто невозможна силами врачей. В ходе диспансеризации за год удавалось охватить лишь 10-15% населения. К тому же врачи сосредоточены главным образом на лечении, профилактика зачастую отодвигается на второй план. «Webiomed выявила в семь раз больше пациентов с высоким риском, чем карты диспансеризации», — сообщил Сергей Токарев, главный специалист по медицинской профилактике Депздрава ЯНАО. В 60% случаев система оценила риск выше, чем врач.

Система просчитывает риск сразу по четырем методикам, столь всестороннюю оценку врач на обычном приеме сделать не в силах. «Разные шкалы и клинические рекомендации дают разные результаты, — пояснила Климович. — Переложив эту работу на искусственный интеллект, мы получаем более правильный прогноз развития заболеваний».

В ходе проекта врачи не только обучали программу, но и сами учились правильно применять скрининг. Поэтому по мере доработки алгоритмов и совершенствования оценки по всей совокупности факторов доля пациентов с очень высоким риском выросла с 11% до 29%. Более 600 отобранных искусственным интеллектом пациентов с высоким риском были приглашены на осмотр и 67 из них уже поставлены на диспансерный учет. «Мы готовы и хотим продолжать», — сказала Климович. По ее мнению, необходимо развивать проект, добавляя в него новые возможности: поиск ошибочных или пропущенных заболеваний, контроль выполнения клинических протоколов и маршрутизации пациента.

Елена Климович: «У нашей больницы теперь есть возможность запускать анализ ЭМК по терапевтическим участкам в ночное время, когда все отдыхают и не спит только искусственный интеллект»

Диагностика

Поскольку лучевых исследований, выполненных на цифровом оборудовании, становится заметно больше, а число врачей остается почти неизменным, в радиологии очень активно применяются системы компьютерного анализа изображений и искусственного интеллекта. В первую очередь они используются в скрининге и ранней диагностике при обработке больших массивов данных и выборе изображения с патологией для дальнейшего анализа врачом. Вторая традиционная область — решение узких специализированных и трудоемких задач, таких как анализ и сравнение объемов очагов, оценка перфузии. «Такие программы существуют и без искусственного интеллекта, но он позволяет это делать лучше», — подчеркнул Валентин Синицын, завкафедрой лучевой диагностики и лучевой терапии факультета фундаментальной медицины МГУ им. М. В. Ломоносова. Помощь врачу заключается, в первую очередь, в уменьшении ошибок и увеличении точности диагностики, а также написании стандартизованных заключений, рекомендациях по тактике лечения, распределении нагрузки на персонал и оборудование в зависимости от потока пациентов.

Но системы, работающие по определенному алгоритму, не могут улучшаться самостоятельно, поэтому радиологи все чаще обращаются к нейронным сетям, которые cамообучаются на больших массивах размеченных данных. Кроме того, их привлекают программы, которые по заданным параметрам ищут «похожие» изображения в больших базах изображений с известными диагнозами. Предпринимаются также попытки создать системы, способные прогнозировать на основе структурного анализа обнаруженных очагов ответ организма на лечение.

Чему уже успел научится Botkin AI? На Ямале эта система проанализировала просмотренные врачами за полгода КТ легких, выгруженные в региональный архив изображений из четырех больниц. На участки, вызывающие подозрение на наличие раковых очагов, наносилась цветовая маркировка. Таким образом было повторно пересмотрено более тысячи КТ 402 пациентов. Из них искусственный интеллект отобрал исследования 45 человек, которые были направлены к докторам онкоцентра для интерпретации. Снимки разделили на нормальные и патологические, и окончательное решение по этим случаям принималось рентгенологическим консилиумом. В итоге у 21 пациента был подтвержден рак легких, причем двое из них — это впервые обнаруженные больные, благодаря искусственному интеллекту они получили направление на консультацию торакального хирурга.

Чтобы повысить клиническую ценность этого, по сути, научного исследования, следует добавить данные из других больниц и анализировать не только завершенные, но и текущие исследования.

«Метод показал высокую чувствительность, хочется, чтобы разработчики повысили и специфичность», — отметил Сергей Партс, заведующий региональным онкоцентром Салехардской окружной клинической больницы. Сергей Сорокин, гендиректор компании «Интеллоджик», объяснил, что при повышении специфичности снижается чувствительность. Достигнутая в ямальском проекте специфичность 0,5 при высокой чувствительности — один из лучших показателей в мире. Сочетание экспертизы врача с его высокой специфичностью и искусственного интеллекта с высокой чувствительностью позволяет добиться большей точности распознавания. А уровень российских врачей достаточно высок, процент пропущенных ими случаев был минимальным во всех четырех пилотных регионах, отметил он. Тем не менее, в масштабе страны искусственный интеллект уже сейчас способен помочь врачам вовремя обнаружить злокачественные новообразования у десятков тысяч пациентов, хотя пока речь идет только об отдельных патологиях.

В Мурманской области, где к изучению возможностей искусственного интеллекта подталкивает дефицит врачей, на 250 обработанных КТ легких Botkin AI нашел три ранее не описанных рентгенологами патологии, в том числе две злокачественных. В ближайшее время в пилотных регионах планируют применить Botkin AI также при анализе маммограм, рентгенограмм и флюорограм.

«В скрининге наряду с клинической эффективностью немаловажную роль играет экономическая эффективность. Давайте идти не от того, что мы можем, а от реальных задач», — призвал коллег Виктор Гомболевский, руководитель отдела развития качества радиологии НПКЦ диагностики и телемедицинских технологий Депздрава Москвы.

Терапия

В отличие от диагностики, в терапии многие вещи не алгоритмизированы, здесь еще больший вес имеет экспертное и личное мнение. «Мы приветствуем цифровизацию здравоохранения, так как реальная ситуация сегодня такова: мы не знаем, чем врачи лечат болезни пациентов», — заявил Максим Фролов, исполнительный директор Ассоциации клинических фармакологов. По его словам, проблема в том, что ни один главный кардиолог или онколог не может увидеть на своем рабочем месте, что пациентам где-то неправильно были назначены лекарства. Это невозможно не только на уровне региона, но и на уровне районной больницы: пригодных для анализа листов назначений пока нет.

Врачам нужны системы, помогающие рассчитывать дозировки препаратов и курсы лечения, необходимы удобные справочники, автоматически определяющие отклонения от нормы, а руководителям — прогностические системы, просчитывающие риски при выборе лекарств, отслеживающие фармакологические тенденции и указывающие на отклонения от них в реальной клинической практике региона. Клинические фармакологи оценивают рациональность терапии тяжелых и сложных пациентов с высокими рисками нежелательных реакций, которым назначается много препаратов, и система, помогающая быстрее и легче оперировать информацией, несомненно будет ими востребована. Но прогресс в этой области не столь быстрый, поэтому современные врачи любой специальности должны тесно общаться с разработчиками ПО, считает Фролов. Пока системы поддержки принятия решений не показали качественного скачка в своем развитии: лучшие из них по-прежнему эффективны примерно на 80%.

Естественные препятствия

Вариативность, разнородность и изменчивость объектов анализа (людей и болезней) делают задачу развития искусственного интеллекта в медицинской информатике весьма не простой. «Ложноположительные результаты, находки, имеющие статистическую значимость, но не имеющие значимости клинической — бич, осложняющий работу с большими данными без специальных методологий», — отметил Алексей Незнанов, старший научный сотрудник факультета компьютерных наук ВШЭ. Положение усугубляют также противоречивые цели заинтересованных лиц, часто меняющиеся правила и очень плохое качество данных. «Ни один компьютер не разберется, что стало основанием для изменения стандартов оказания медицинской помощи за последние десять лет», — заметил он. Получить большие и качественные наборы данных трудно как из-за законодательных барьеров, так и по причине отсутствия механизмов и стандартов автоматической обработки сырых данных в МИС.

«Нужно учитывать, что хорошие результаты работы алгоритма в одной клинике не означают хороших результатов в другой, и тому виной отличия в параметрах сканирования», — напомнил Леонид Анопченко, заместитель главврача по диагностической работе Мурманской областной больницы им П.А. Баяндина. Не случайно в области начали создание центрального архива медицинских изображений со стандартизации этих параметров и данных, используемых для машинного обучения.

По убеждению Незнанова, не стоит сводить искусственный интеллект к машинному обучению — оно является всего лишь одним из методов решения узкого класса задач классификации и ранжирования. Гораздо более интересная область — управление знаниями, включая их создание, порождение понятий, онтологическое моделирование, а также извлечение из медиаданных и неструктурированных текстов. В медицине все большую значимость приобретают так называемые явные знания в виде всевозможных онтологий.

Один из главных факторов, сдерживающих внедрение искусственного интеллекта в радиологии, — нерешенные вопросы юридической ответственности и регистрации ПО как изделия медицинского назначения, добавил Синицын. Еще один «ящик Пандоры» — появление бесплатных приложений на основе искусственного интеллекта. Пациенты вскоре получат доступ не только к своим данным, но и к инструментам их анализа, и последствия очень тревожат специалистов. Ведь, обладая лучшей памятью и вниманием, искусственный интеллект ошибается, как и человек.

Год назад мы уже разговаривали с Анджеем Аршавским, директором по анализу данных и моделированию Новолипецкого металлургического комбината, о первых шагах по применению искусственного интеллекта для оптимизации производственных процессов компании. Тогда предварительные результаты прототипов и запущенных пилотов давали основания для осторожного оптимизма.

С тех пор многое изменилось. Было построено хранилище данных по основным производственным площадкам — так удалось решить проблему доступности данных. Подразделение data science занялось широкой апробацией различных идей и тестовых проектов: в прошлом году реализовано 23 проекта — как пилотных, так и «боевых». Три проекта уже запущены в промышленную эксплуатацию, а еще четыре находятся на стадии промышленных испытаний. Внедренные решения приносят ощутимую прибыль.

«Достигнут серьезный прогресс по сравнению с прошлым годом: от попыток мы перешли к результатам, — констатирует Аршавский, претендент на премию CDO Award. — Большинство пилотных инициатив, реализованных за последний год, воплотились в реальные проекты. Мы как дирекция достигли стадии зрелости и перешли на самофинансирование новых проектов». Сейчас в НЛМК работают над концепцией цифровой платформы и стратегией «цифровизации», рассчитанной на ближайшие пять лет.

«Сейчас наши усилия сосредоточены на отдельных агрегатах и процессах, мы оптимизируем их по отдельности. В перспективе наш подход станет более глобальным: смежные процессы и участки производства будут включены в единый контур оптимизации»

- Что произошло за последний год?

Самое главное — мы достигли целевых экономических результатов от внедрения решений ИИ, поставили разработку решений на конвейер и перешли на режим самофинансирования. Важным достижением является то, что мы смогли сформировать полноценную команду data science. Мы также научились работать одновременно по большому спектру проектов полного цикла. Удалось завершить ряд внедрений систем в производство и получать прибыль. И последнее, но не менее важное достижение: разработана платформа данных и математического моделирования (озеро данных), куда стекаются производственные данные и производятся расчеты. Тем самым мы существенно упростили доступ к данным и их обработку в наших текущих и перспективных проектах. Сейчас к платформе подключается первая группа источников данных Липецкого комбината.

- Год назад в команде было буквально несколько человек. Появилось ли выделенное подразделение и что оно сейчас собой представляет?

Появилось функциональное направление — дирекция «Анализ данных и моделирование», куда входят 15 человек. До недавнего времени дирекция напрямую подчинялась президенту группы, а сейчас вошла в цифровой блок. В команде трудятся исследователи и инженеры данных, бизнес-аналитики, разработчики и проектные менеджеры. При этом мы не отказались и от аутсорсинга: у нас сформировался круг стратегических подрядчиков, с которыми мы реализуем разные стадии проектов. Часть проектов делается собственными силами, часть — с их помощью. Иногда пилотную часть реализуем самостоятельно, а разработка конечного продукта производится подрядчиком. Мы научились работать комбинированной командой, чтобы действовать наиболее эффективно.

- Что фактически означало для компании формирование выделенного подразделения?

Год назад наше направление было создано, чтобы проверить гипотезу о том, что технологии искусственного интеллекта, внедренные в производственные процессы, могут приносить прибыль. Подчеркну, это была лишь гипотеза. За 2018 год она была подтверждена реальными проектами. Более того, такие решения удалось поставить на поток, создать конвейер. Появился отлаженный бизнес-процесс, рождающий идеи, эти идеи затем апробируются и пилотируются; на их основе появляется минимальный продукт (MVP), который потом последовательно разрабатывается и становится полноценным продуктом, включающим интеграцию с внутренними системами, проведение промышленных испытаний, разработку методик оценки экономического эффекта, внедрение и передачу на поддержку.

Разумеется, есть огромная разница между идеей и пилотом, между пилотом и конечным продуктом. Мы научились их конвертировать друг в друга, а продукты научились тиражировать. Могу констатировать: мы реализуем весь цикл от идеи до тиражирования продукта.

- В прошлом году мы говорили о трех начатых пилотных проектах: экономии ферросплавов, поиске причин дефектов и оптимизации работы ТЭЦ. Какие проекты в итоге стали самыми важными и показали лучшие результаты?

В итоге мы реализовали сразу три проекта по ферросплавам — для разных установок и на разных площадках. Внедряем на зарубежной площадке NLMK Clabecq проект по прогнозированию выхода материала при листовой прокатке. Работы по оптимизации ТЭЦ также оказались успешными. Кроме того, мы запустили около 10 проектов по разным направлениям: по коксохимическому производству, увеличению темпа прокатки слябов на стане 2000 и др. Проект по устранению дефектов оказался сложнее, чем мы ожидали, и пока не завершен.

Мы сосредоточились на двух направлениях: удешевление и повышение эффективности производства и логистика. Охвачены сталеплавильное, прокатное, коксохимическое производства, начата работа по доменному производству. В логистике мы фокусировались на железнодорожном транспорте: оптимизации укладки слябов в вагоны и оптимизации оборота вагонов по внутренним железнодорожным станциям.

Как осуществляется приоритизация проектов? По каким принципам выбираете, «где копать»? Скорость, бизнес-потребность, ожидаемые эффекты?

Мы ранжируем инициативы исходя из их приоритетности для стратегических целей компании — в рамках «Стратегии-2022». Если проект отвечает целям этой стратегии — например, дает хорошую операционную эффективность или помогает выстраивать бережливое производство, то мы ориентируемся на экономический эффект, доступность данных и скорость реализации проекта. Для нас важно, чтобы заказчик тоже был готов — чтобы тот или иной цех понимал для себя значимость этого проекта. Не менее важно, чтобы техническая дирекция признала проект выполнимым и приоритетным.

- В целом ваше подразделение справляется с потоком задач? Или приходится устраивать жесткий отсев и проекты выстраиваются в очередь?

Да, образуется очередь, можно было бы делать и больше. Мы растем, развиваем свою команду. Список проектов очень широк, он за прошлый год вырос на 50%. И у всех из них достаточно большой экономический потенциал.

- Проблема исключительно в кадрах? Откуда брать дополнительные мощности?

Это кадры и процессы. Оптимизируя свои процессы, мы увеличиваем производительность, растет вероятность того, что проект будет успешным. Также имеет значение готовность к изменениям заказчиков — подразделений НЛМК. Наконец, играет роль эффективность внешних команд, привлекаемых к проектам.

Мгновенно нарастить все эти показатели невозможно. В ходе первых проектов было важно увидеть типичные проблемы, выстроить процессы, обеспечить в нужном объеме вовлеченность бизнес-подразделений.

- На первых этапах ожидалось, что в результате реализации проекта текущие процессы должны улучшиться на 5%. Что наблюдается в итоге?

Эта цифра подтверждается. Да, кое-где мы превосходим ее. Но одновременно становится понятно, что следующая волна оптимизации будет нести гораздо больший эффект — 15–20%. На этот более высокий уровень оптимизации мы выйдем, когда наши точечные решения будут собраны воедино.

- В итоге подходы к планированию эффективности меняются? Ведь те самые 5% родились из того, что меньший эффект незначим и его трудно измерить, а на больший не заявлялись из скромности.

Да, подходы к оценке экономического потенциала проекта тоже изменились. В ходе первых проектов мы научились считать эффект и пересчитывать его в экономию. Поэтому оценки стали более обоснованными, чем абстрактные 5%.

- Стратегия управления данными — это чуть ли не первое, чем пришлось заниматься. В чем она заключается, как видоизменяется?

Двумя столпами этой стратегии являются качество и доступность данных. Доступность обеспечивается путем создания единого хранилища, аккумулирующего в себе все источники данных. Разрозненность данных всегда негативно влияет на их доступность, мы это ощутили в полной мере на первых проектах: приходилось прилагать массу дополнительных усилий. Сейчас проблема осталась в прошлом. Еще проблема возникает в тех случаях, когда какие-то части производственного процесса просто не оцифрованы или данные теряются на самых начальных этапах их получения. Это решается согласованием нашей стратегии со стратегией развития АСУТП. К счастью, мы и АСУТП стали частью одного функционального направления — цифровизации.

Качество данных тоже важный и сложный вопрос. Качество может страдать по самым разным причинам. Данные могут быть неполными: какие-то измерения, необходимые для реализации проекта, не производятся. Также качество данных может зависеть от точности измерений или ручного ввода. Полнота данных может иметь даже временной аспект: например, они доступны за последние три месяца, а исторических данных нет — обучать модели не на чем. Мы разработали комплекс мероприятий, направленных на решение проблемы качества данных. У нас обозначены точки, где проекты нужны, но для их реализации отсутствуют данные. Совместно с бизнес-подразделениями НЛМК мы работаем над устранением этих белых пятен.

- Как архитектурно построена инфраструктура для работы с данными?

Мы выбрали подход с максимальным использованием открытых решений. Хранилище построено на Hadoop Spark (сборка российской компании Arenadata), шина данных, которая связывает его с окружением, реализована на Kafka, внутренние сервисы — на Python и Java. Экспериментируем с использованием различных баз данных NoSQL для хранения некоторых витрин данных. При построении участков, связанных с быстрой обработкой информации, экспериментируем с открытой версией Greenplum, различными иерархическими хранилищами.

- Какие работы по цифровизации компании сейчас ведутся?

Мы работаем над концепцией цифровой платформы производства. Под этим понимается создание решений для бизнеса — попытка абстрагироваться от терминов АСУТП или MES и построить платформу, на базе которой смогут эффективно работать интеллектуальные цифровые сервисы, которые приносят бизнес-заказчикам понятный и очевидный результат. Архитектурно это будет построено на самых современных технологиях. Это глобальное решение, оно должно быть реализовано в соответствии со стратегией цифровизации НЛМК.

- Это решение будет единым с платформой больших данных?

Это должна быть единая система. Раньше мы архитектурно разделяли производственные системы и все, что относится к платформе big data, а сейчас в рамках цифровой платформы все эти наработки должны быть объединены и приведены в соответствие друг другу. Технически это вполне реализуемо.

- В чем заключается задел на будущее, сделанный за прошедший год?

Он заключается в том, что в прошлом году мы реализовали некоторое количество проектов, которые подтвердили состоятельность заложенных в них идей. Мы будем их превращать в законченные продукты и прибыль следующего года.

Кроме того, мы пополнили наш банк идей новыми предложениями, расширив его на 50%. Таким образом, у нас появляется больше возможностей для отбора перспективных пилотных проектов в будущем году. Основная часть таких проектов по-прежнему будут производственными, однако мы намерены смотреть шире. Еще часть задач, вероятно, будут касаться сферы закупок, а часть — финансовой сферы.

- Куда движутся большие данные в НЛМК и как они в перспективе могут изменить бизнес компании?

Сейчас наши усилия сосредоточены на отдельных агрегатах и процессах, мы оптимизируем их по отдельности. Однако понятно, что с точки зрения производства это субоптимальный режим. В перспективе наш подход станет более глобальным: смежные процессы и участки производства будут включены в единый контур оптимизации.

В целом мы видим три глобальных этапа развития больших данных и искусственного интеллекта. Первый — создание точечных решений для оптимизации производства, благодаря чему мы можем на 5–10% повысить технический эффект. На этом этапе мы находимся сейчас, и он будет длиться три-четыре года. Второй этап — создание решений для оптимизации групп внедренных точечных решений: с помощью искусственного интеллекта мы начнем оптимизировать связки смежных процессов. Этот этап продлится тоже четыре-пять лет. Затем мы намерены приступить к созданию глобальной системы оптимизации производства. На это уйдет еще пятилетие.

Сегодня руководители всех уровней признают, что искусственный интеллект способен принести пользу бизнесу, но чтобы это стало реальностью, нужно правильно применять новшество.

Ориентироваться можно на передовые организации, которые уже осуществляют соответствующие инициативы. Как свидетельствует опрос, недавно проведенный Deloitte Consulting, 82% организаций-первопроходцев получают полезную финансовую отдачу от инвестиций в когнитивные технологии — средняя рентабельность вложений составляет 17%.

В Deloitte уверены: проект внедрения ИИ будет успешным, если он ориентирован на потребности бизнеса, а не просто затеян ради стремления воспользоваться новшеством. Организациям, рассчитывающим получить максимум возможного от ИИ, в Deloitte Consalting советуют сосредоточиться на конкретных задачах — сфокусироваться на бизнес-цели, которую нужно достичь, продемонстрировать ценность новшества и наращивать масштаб.

Приведем восемь советов, которые помогут извлечь выгоду из проектов в сфере ИИ от организаций, в которых благодаря таким инициативам уже получают реальные преимущества.

Сосредоточьтесь на конкретных проблемах

В General Electric подчеркивают, что ориентиром для всех проектов компании в области ИИ служит их ценность с точки зрения бизнеса. Реализация начинается с набора минимально жизнеспособных продуктов, на которых демонстрируются эффективность прогнозирования и преимущества системы — способность делать прогнозы быстро и экономично, возможность повысить прибыль и т. д. Затем выбираются оптимально выгодные для бизнеса методы развертывания и масштабирования.

Придерживаться этого принципа крайне необходимо, подчеркивают в GE. Например, если система ИИ выдает прогнозы относительно потребностей оборудования в ремонте, их необходимо интегрировать в соответствующий рабочий процесс, то есть организовать своевременную отправку на объект инженера соответствующей специализации. Возможно, также понадобится интеграция с системой управления запасами или даже с самим обслуживаемым оборудованием. Допустим, если ИИ способен понять, что в оборудовании требуется оперативно увеличить давление или температуру, то понадобится соединить ИИ с его системами управления.

Учитывайте пределы возможностей ИИ

В психологии существует понятие эффекта Даннинга — Крюгера, суть его в том, что человек с недостаточной квалификацией не способен осознавать ошибочность своих действий. В подобную ловушку могут попасть и системы ИИ. Например, если систему, обученную на определенной выборке данных, заставить делать прогнозы по набору данных из другой области, ответы могут быть принципиально неверными, но выглядеть убедительно с точки зрения пользователя, привыкшего доверять результатам работы ИИ.

Понять, подходит ли конкретная аналитическая модель для определенного набора данных, сможет только специалист в области data science. Нужно знать, какие допущения делались при создании модели и попробовать нагрузить ее — возможно, данными другого рода, чтобы понять, насколько она эффективна, объясняют в GE.

Для решения этой проблемы в компании начали работу над системой ИИ, которая сама «знает», для каких ситуаций подходят ее алгоритмы, и использует их только для этих сценариев. Если соответствия нет, вместо ИИ используется физическая модель, применяемая в компании уже много лет. Сейчас новая разработка проходит тестирование.

Прислушивайтесь к пользователям и заказчикам

Чтобы создать системы ИИ, выдающие полезные результаты, требуется участие не только разработчиков. В идеале проект нужно начинать с совещания с участием всех основных заинтересованных лиц, которые обсуждают все подробности и документируют все требования к системе, отмечают в Healthy Nevada Project.

В организации приводят пример, когда ее специалисты разрабатывали протокол лечения пациентов, страдающих сердечно-сосудистыми заболеваниями. Для этого нужно было собрать сведения о лекарствах, которые назначались таким пациентам при выписке из больницы. Но некоторые средства назначаются пациенту сразу при его поступлении в стационар, а после выписки он должен продолжать их прием. Система предположила, что это лекарства, которые пациент уже принимал до поступления в стационар, а не новые средства, назначенные в связи с причиной госпитализации. Проблему обнаружили, только когда выявилась нехватка некоторых лекарств.

По признанию разработчиков, недоработку можно было обнаружить гораздо раньше, если бы с самого начала проводились подробные обсуждения с участием всех заинтересованных сторон. Отныне разработчики стараются не делать вообще никаких предположений самостоятельно — прежде чем приступить к созданию системы, проводят тщательный отбор и обсуждение требований.

А компании Coupa, которая предлагает платформу управления расходами предприятия, один из клиентов посоветовал новый способ борьбы с мошенничеством. Прежде контроль растрат велся изолированно по различным видам мошенничеств — например, с финансовой отчетностью или с закупками. Но выяснилось, что сотрудники, уличенные в одном виде жульничества, нередко склонны и к другим. После совещания со специалистами по закупкам и финансовыми аудиторами решено было организовать распознавание мошенничеств путем анализа данных по сотрудникам.

ИИ оказался оптимальным средством для этого, в связи с тем что для выявления закономерностей приходится обрабатывать огромный объем данных и человек просто не справился бы с таким объемом работы. К тому же ИИ ускоряет процесс обнаружения мошенничества и своевременно блокирует проведение сомнительных платежей. Теперь в Coupa формируют базу знаний по способам мошенничества, о которых сообщают клиенты, и на ней обучают систему ИИ.

Используйте знания в области своей специализации

ИИ сам по себе — не «чудодейственное средство». В консалтинговой компании Globant отмечают, что заказчики нередко просят «подключить искусственный интеллект» к имеющемуся у них огромному озеру данных, чтобы он находил там полезные сведения. ИИ способен выявить скрытые закономерности, но, не задавая верных вопросов, ответов вы от него не получите.

Большая ошибка — полагаться только на исследователей данных и специалистов в области ИИ в рамках проектов аналитики, отмечают в компании Cognoa, где применяют ИИ для диагностики расстройств поведения, в том числе для выявления детей с аутизмом.

В реальных данных могут быть взаимозависимости, а какая-то часть данных может быть не нужной, и, чтобы отличить ее, понадобится эксперт в вашей предметной области. Например, если две группы пациентов проходят диагностику в кабинетах со стенами разного цвета и результаты этих групп различаются, аналитическая модель может решить, что цвет краски на стенах имеет клиническую значимость. По мере роста объема данных подобные ситуации станут маловероятными, но не исключены менее заметные ошибки, которые не заметит эксперт в области ИИ, не имеющий знаний в предметной области. Это особенно критично, когда наборы данных небольшие — например, если дело касается редких заболеваний.

Разумеется, специалисты в предметной области сами могут быть предвзятыми, скажем, ошибочно верить в связь между определенными характеристиками и заболеваниями. Для большей уверенности можно привлекать к работе и экспертов, и искусственный интеллект, а затем сравнивать результаты.

Медики, работающие в Cognoa, помогают выяснять работоспособность моделей и совершенствовать их. В компании признаются, что всякий раз, когда алгоритм ИИ проверяется в рамках клинических исследований, выясняется, что реальность не соответствует моделям. Такие проверки помогают оптимизировать и дорабатывать продукт.

Использование знаний в предметной области совместно с ИИ также полезно при контроле правильности данных, отмечают в CAS, компании, занимающейся сбором и публикацией данных химических исследований.

Неверно поставленные пробелы, нижние индексы, дефисы и ошибки даже в единственной букве формулы могут превратить безопасную реакцию во взрывную. Поэтому в CAS более 350 дипломированных химиков занимаются контролем правильности данных.

С недавнего времени в компании начали использовать ИИ для классификации и очистки данных, благодаря чему часть ученых удалось освободить для более сложной работы. Но даже в ходе реализации простой системы распознавания текста нужны знания в предметной области, добавляют в CAS. Например, «nmol» означает наномолярную концентрацию, а «mmol» — миллимолярную, на шесть порядков больше. Если система перепутает два этих обозначения, реакция может превратиться в разрушительную.

Поэтому CAS нужны специалисты как в области ИИ, так и в области химии — это затрудняет поиск кандидатов и иногда делает невозможным наем сторонних подрядчиков.

Тестирование в реальных условиях — необходимость

Как «ни один план не переживает встречи с противником», так никакая система ИИ не переживает встречи с реальным миром. Если упустить это из виду, ваш проект ИИ обречен с самого начала, уверены в Credit Suisse Group.

Когда в финансовой группе решили запустить чатбот для службы клиентской поддержки, разработчики осознавали, что программа из-за неспособности ответить на все вопросы будет часто переводить вызовы на людей. Но в компании специально приняли решение ввести бот в эксплуатацию на ранней стадии, когда он понимал цель обращения лишь в 23% случаев. Работая в реальных условиях и наблюдая за ведением диалогов с участием представителей различных культур, стран и поколений, робот обучался, и всего за пять месяцев его уровень понимания вырос до 86%.

Не забывайте, что ИИ — это «черный ящик»

Искусственному интеллекту трудно доверять, поскольку неясно, каким именно образом он приходит к решению. Эту проблему называют «проблемой черного ящика».

В компании Beacon Health Options, занимающейся лечением расстройств психики, посетовали, что в некоторых ситуациях проблема «черного ящика» может быть непреодолимой.

В Beacon решили разработать систему на базе ИИ, которая бы выявляла проблему на ранней стадии, до того, как пациенту может потребоваться госпитализация. При этом в компании не только обучали будущих пользователей системы процедурам работы с ней, но и разъясняли принцип действия алгоритмов. А перед вводом в рабочую эксплуатацию был проведен пробный запуск с использованием данных по прежним пациентам. Как объясняют в компании, те пациенты, для кого прогнозировался высокий риск, были действительно подвержены высокому риску обострения, поскольку их позднее поместили в стационар. Таким образом, врачи Beacon могли наблюдать, как именно действует система, и это помогло уменьшить недоверие.

Затем, когда ИИ начали использовать для выявления риска у новых пациентов, за первые 12 недель система выявила почти 300 человек с высоким риском, больше половины из которых прежде таковыми не считались, согласно результатам традиционных диагностических методов. С выявленными пациентами была начата работа — телефонные собеседования, предоставление контактной информации о медицинских учреждениях, контроль приема лекарств. Через один-два месяца появилось достаточно данных, чтобы далее совершенствовать созданную систему.

Используйте понятные показатели

Наличие понятных бизнесу показателей для измерения результатов проекта ИИ нужно, чтобы демонстрировать эффективность системы и необходимость продолжать ее финансировать.

Между тем во многих организациях этому аспекту проектов ИИ достаточного внимания не уделяют. Меньше чем в половине компаний, участвовавших в опросе Deloitte, измеряют ключевые показатели эффективности, необходимые для оценки финансовых результатов, — экономию, выручку, сохранение клиентской базы и др.

По словам аналитиков Deloitte, эта проблема типична для новых технологий — нередко их внедрения не сопровождаются таким же строгим контролем, как работа с более зрелыми технологиями. Следствием может стать превращение инициативы в области ИИ в «мост в никуда» — пилотные внедрения не масштабируются или проект просто не приносит бизнесу выгоды.

Развивайте сотрудников

Непросто найти людей, одновременно являющихся экспертами в области ИИ и разбирающихся в вашем бизнесе. Специалистов по ИИ сегодня не хватает во всем мире, а если добавить еще и требование знаний в вашей области, пул возможных кандидатов становится крайне ограниченным. Как показал опрос Deloitte, посвященный освоению ИИ в компаниях, в 69% из них испытывают нехватку специалистов.

В GE делают все возможное, чтобы находить людей, одновременно обладающих навыками в области программирования и аналитики и знаниями в сфере инженерного проектирования — основной области специализации компании. В GE инвестируют в университетские курсы, ищут кандидатов через Интернет, налаживают контакты на отраслевых конференциях.

Но вместе с тем в GE обращают внимание на собственных сотрудников инженерного профиля, которые занимаются на курсах обучения в области ИИ, а также разработчиков ИИ-решений, изучающих системы управления и материаловедение. Найти специалиста с нужным сочетанием навыков — это еще полдела, добавляют в GE: нужны те, кто способен применять эти обширные знания на практике, превращать задачи бизнеса в задачи анализа данных.

В GE функционируют собственные курсы обучения, на которых одновременно преподаются дисциплины ИИ и инженерного проектирования. На сегодня их закончили уже около трети всех ученых и инженеров компании.

По словам представителей GE, это только начало процесса, направленного на изменение корпоративной культуры, принципов организации работы и системы поощрений.

— Maria Korolov. 8 secrets of successful AI projects. CIO. November 8, 2018

Руководители ИТ-служб уже устали от цифровых преобразований, и не только потому, что под таковыми в большинстве случаев подразумевается практически любая ИТ-модернизация. Как выясняется, ИТ-директора рассчитывают в перспективе на поддержку трансформации со стороны генерального директора и совета директоров, которые не склонны к долгому ожиданию в эпоху стремительных прорывов.

Многие компании — достаточно вспомнить хотя бы General Electric — при реализации проектов цифровой трансформации в масштабе всего предприятия потерпели неудачу. По словам аналитика Forrester Research Аллена Бонда, сложившаяся тенденция сохранится и в 2019 году. Будучи убежденным в том, что цифровая трансформация потребует очередных сдвигов в технологиях, навыках и культуре, способствующих построению новых бизнес-моделей, Бонд считает, что подход Большого взрыва, несмотря на развернувшуюся вокруг него шумиху, не даст ответов на накопившиеся вопросы.

«От цифровой трансформации, построенной по принципу большой метлы, уже ощущается некоторая усталость, — заметил он. — Возникает потребность в технологических лидерах и руководителях электронного бизнеса, предпочитающих не столь тотальные перемены. Руководство предприятий выражает сегодня готовность к прорыву, но все должно быть сделано быстро и иметь практическую направленность».

В интервью для CIO.com Бонд высказал пять основных прогнозов в отношении цифровой трансформации в 2019 году и указал, каким образом ИТ-директорам следует адаптироваться к происходящим изменениям.

1. Превращение цифровой трансформации в специализированные инновации

Компании и дальше будут трансформироваться, но более итерационными, умеренными темпами. Полутора- или двухлетние инновационные циклы придут на смену 5–7-летнему долгострою. В качестве примера Бонд привел компанию Adidas, экспериментирующую с обувью, распечатываемой на 3D-принтере, и Office Depot, тестирующую в своих магазинах сервисы цифрового маркетинга. Можно вспомнить также внедрение Metlife программного обеспечения искусственного интеллекта и развертывание Synchrony чат-бота. Оба эти проекта были призваны улучшить обслуживание технически подкованных потребителей.

В 2019 году в компаниях появится новый параметр окупаемости — «окупаемость инноваций» с ранжированием цифровых технологий в соответствии с той выгодой, которую они приносят компании. Ожидается, что цифровым показателям эффективности будет отводиться все более важная роль. Для трансформации нужно время, она должна состоять из небольших, управляемых порций инноваций, которые сулят ощутимую выгоду.

Бонд рекомендует: Ищите быстрые победы, накладывайте их друг на друга и дайте цифровым лидерам возможность выстраивать новые конструкции поверх уже имеющихся. Этот способ предполагает последовательное выполнение отдельных этапов, каждый из которых должен окупаться.

2. Окупаемость операционной эффективности

«Более пристальное внимание к рационализации операций дополняется ослабеванием энергичности цифровой трансформации и связанной с ней риторики, — заметил Бонд. — В 2019 году компании ускорят ориентацию на цифровые операции, улучшающие конечный результат для клиентов и обеспечивающие эффективность».

Хотя ориентированная на клиентов трансформация по-прежнему останется нацеленной на рост валового дохода, руководители ИТ-служб начнут уделять больше внимания рентабельности. Они будут прикрывать честолюбивые проекты руководства, сосредоточиваясь на самообслуживании там, где это возможно. «Результат важен, особенно если он выразится в эффективности, удовлетворении клиентов и оптимизации затрат», — указал Бонд.

Бонд рекомендует: ИТ-директорам следует ограничить разрастание громоздких приложений, предлагаемых в качестве сервиса и способствующих легализации теневых ИТ. В конечном итоге компании нуждаются в приложениях, обеспечивающих вовлечение клиентов. Наступает благоприятный момент для проведения инвентаризации, и, если сервисы SaaS не приносят выгоды, ИТ-директору следует их отключить.

3. Время управлять продуктами

В 2018 году ИТ-директора все чаще говорят о переходе от управления проектами к управлению продуктами с поддержкой концепции «всё в качестве услуги» (everything-as-a-service, XaaS) и с растущей ориентацией на поддержку и упрощение схем клиентского перехода.

С учетом продолжающейся ориентации ИТ-директоров на клиентов в 2019 году можно ждать появления должностей, ориентированных на продукты, в том числе цифровых дизайнеров, менеджеров по продуктам и «менеджеров по восприятию». Компании должны нанимать менеджеров по продуктам, которые поддерживали бы связь между службами маркетинга и ИТ, занимались бы урегулированием споров и поиском новых путей выхода на рынки.

Бонд рекомендует: Главное, чтобы менеджер по продуктам не слишком увлекался инженерными вопросами в ущерб маркетингу, с тем чтобы «глас клиента» не был утерян, поскольку это может навредить компании. Если управление продуктами очень тесно связано с инженерными вопросами, установить на рынке партнерские отношения будет значительно сложнее.

4. Развитие платформ B2B и электронной коммерции

Корпоративному сектору давно известно, что благодаря распространению API и облачных технологий экономика становится платформенно-ориентированной. Приобретение компанией Salesforce.com специализирующейся на API MuleSoft служит подтверждением этой тенденции. Компании намерены удвоить нынешний масштаб платформ. «Помимо рассмотрения цифровых точек соприкосновения в качестве потребительских каналов, компании будут стремиться повысить эффективность взаимодействия с поставщиками и дистрибьюторами, дистрибьюторы же будут использовать свои рыночные данные и ноу-хау в качестве страховки против дезинтермедиации», — указал Бонд.

Бонд рекомендует: Разрабатывая стратегию платформы, прекратите относиться к данным как к «государственным секретам», вместо того чтобы делиться ими с дистрибьюторами и поставщиками. Ведь они могут стать для вас отличными партнерами в части обмена данными. Если же такого партнерства не получается, продолжайте работать с ними, проявляя гибкость.

5. Интеграция в цифровой стек искусственного интеллекта

Популярность искусственного интеллекта сегодня неоспорима. Фактически каждое предприятие изучает соответствующие средства, начиная от интеллектуальной автоматизации и виртуальных помощников и заканчивая анализом мошеннических операций. Но по мере того как поставщики все теснее вплетают искусственный интеллект в свой технологический стек, у ИТ-директоров исчезает потребность в экспериментах, сдерживаемых давлением со стороны предприятий.

В качестве примера Бонд привел технологию искусственного интеллекта Adobe Sensei, упрощающую проведение маркетинговых кампаний, а также систему IBM Watson, находящую применение в самых разных областях, начиная от здравоохранения и заканчивая прогнозированием погоды. «Повлиять на назойливую рекламу мы не можем, но она исчезнет сама собой по мере ужесточения финансирования, — заметил Бонд. — А средства искусственного интеллекта будут все активнее интегрироваться в цифровые процессы и инструменты». В качестве примеров можно привести выдачу рекомендаций с помощью искусственного интеллекта, управление контентом и системы планирования цепочек поставок.

Бонд рекомендует: Игнорируйте шумиху и нацеливайтесь на быстрый результат. В 2019 году руководителям цифровых проектов следует поддерживать тесные связи со своими коллегами из операционных и маркетинговых подразделений, продолжая автоматизировать внутренние процессы и рационализировать работу команд, непосредственно взаимодействующих с клиентами.

Призыв к ускорению и итерационным инновациям полностью согласуется с идеей Бонда уменьшать масштабы цифровой трансформации.

«Речь идет об использовании гибких методологий и проектного мышления, стимулирующего положительные перемены, — добавил Бонд. — В 2019 году нам следует сосредоточиться на цифровом опыте обслуживания клиентов, используя технологии и партнеров для создания краткосрочных выгод, которые помогут нам удовлетворить свои долгосрочные амбиции».

— Clint Boulton. 5 digital transformation trends for 2019. CIO. NOV 7, 2018

Искусственный интеллект сегодня повсюду – по крайней мере создается впечатление, что это именно так. Интеллектуальные технологии выглядят весьма многообещающими и позволяют на самом разном уровне осуществлять автоматизацию бизнес-процессов, которые по-прежнему во многом выполняются вручную. Исследователи данных получают в свое распоряжение мощные инструменты.

Одно из направлений, на которое искусственный интеллект влияет уже сейчас, а со временем будет воздействовать еще больше – DevOps. Специалисты утверждают, что искусственный интеллект и машинное обучение обладают необходимым потенциалом для расширения возможностей DevOps в условиях, когда многие организации начинают внедрять этот подход, рассчитывая повысить эффективность разработки, развертывания и эксплуатации приложений и оптимизировать бизнес-процессы в других областях.

«Искусственный интеллект и машинное обучение охватывают DevOps в полной мере, – подчеркнул Спандан Махапатра, возглавляющий в компании Tata Consultancy Services направление бизнес-решений. – Многие компании так или иначе уже опираются в своих проектах цифровой трансформации на DevOps и добиваются благодаря этому более высоких результатов. Искусственный интеллект и машинное обучение открывают путь к оптимизации процессов DevOps».

«Большинству команд DevOps делать ставку на искусственный интеллект еще рановато, но мы видим, что все больше клиентов намерены использовать искусственный интеллекта и связанный с ним анализ данных, – добавил Стивен Эллиот, вице-президент International Data Corp. по вопросам DevOps, управления облачными конфигурациями, ITSM и программно-конфигурируемых архитектур. – Наиболее заметные области применения искусственного интеллекта в DevOps связаны с непрерывной интеграцией (continuous integration, CI) и непрерывной разработкой (continuous development, CD), выявлением и разрешением возникающих проблем, а также с углублением обработки и понимания собранных клиентских данных. Мы отмечаем, что инфраструктурные и операционные команды испытывают тягу к аналитике. Многие уже внедряют сервисы управления производительностью приложений и анализа данных в реальном времени, дающие возможность оперативно выявлять и решать возникающие проблемы. Командам DevOps следует подумать об использовании аналитики, которая помогает диагностировать и устранять неисправности, способствует повышению эффективности процессов и улучшению клиентского восприятия, а также достижению более высоких бизнес-результатов в целом».

В русле тенденций

Компания Power Home Remodeling использует искусственный интеллект в сочетании с DevOps при создании решений, предназначенных для перестройки внешних элементов зданий. Она разработала собственную технологическую платформу NITRO, выполняющую самые разные задачи, начиная от управления отношениями с клиентами (customer relationship management, CRM) и заканчивая функциями внутренней социальной сети.

«Мы являемся центром разработки и у нас сформирована полноценная команда DevOps», – сообщил директор Power Home Remodeling по инновациям Тим Уэнхолд. С помощью NITRO компания выстраивает всеобъемлющую инфраструктуру искусственного интеллекта, используя накопленное богатство данных для машинного обучения, что способствует улучшению обслуживания клиентов, более высокой эффективности и расширению возможностей персонала.

«Команда DevOps выясняет, как лучше использовать инфраструктуру искусственного интеллекта на практике, – отметил Уэнхолд. – Искусственный интеллект и машинное обучение призваны повысить эффективность труда разработчиков, осваивающих новые инструменты. Искусственный интеллект помогает прогнозировать развитие процессов DevOps. Анализируя, например, процессы непрерывной интеграции, средства искусственного интеллекта подсказывают, какие моменты следует скорректировать, чтобы улучшить конвейер CI».

В сфере безопасности обнаружить тревожные симптомы бывает довольно сложно. «Сегодня на просмотр журналов и отчетов, связанных с мониторингом безопасности, уходит очень много времени, – пояснил Уэнхолд. – Применяя при идентификации угроз средства машинного обучения, мы выявляем аномалии в тысячу раз быстрее, чем при традиционном подходе. Теперь команды DevOps могут работать на упреждение, а не реагировать по факту. Точно так же, как большие данные выводят аналитику на более высокий уровень по сравнению с простыми отчетами и инструментальными панелями, искусственный интеллект помогает командам DevOps использовать мощь прогнозного моделирования».

По мере того как искусственный интеллект становится все более мощным, его влияние на DevOps растет. «В перспективе искусственный интеллект и машинное обучение помогут нам не только быстро выявлять аномалии, но и решать проблемы, о которых мы еще даже не подозреваем, – подчеркнул Уэнхолд. – У компании имеются журналы с миллионами записей. Сегодня мы действуем, как детективы: просматриваем журналы, ищем аномалии и принимаем меры. Искусственный интеллект самостоятельно будет выявлять аномалии. Затем он проинформирует о том, что может произойти, и предложит варианты устранения угрозы. Более того, искусственный интеллект известит нас о предпринятых для ликвидации аномалии мерах. Всё это весьма впечатляет».

Медицинская компания Molina Healthcare также возлагает на связку искусственного интеллекта и DevOps большие надежды. «Уже сейчас мы видим, какие преимущества перед нами открываются, – сообщил ИТ-директор Molina Healthcare Рик Хопфер, занимающийся применением средств искусственного интеллекта в DevOps с 2016 года. – Перед нами стоит проблема, как совладать с имеющимися в наших журналах транзакций горами данных, которые наши системы генерируют ежедневно. Одного лишь наличия системы, предназначенной для сбора данных, недостаточно. Необходимо еще и уметь отделять реальные проблемы от прочего белого шума».

Чтобы это стало возможным, компании, во-первых, нужно оптимизировать имеющиеся у нее инструменты для мониторинга приложений и инфраструктуры. Во-вторых, необходимо обобщить данные – перенести телеметрию из разрозненных инструментов на централизованную платформу, установить взаимосвязи между данными и задействовать средства машинного обучения для выявления реальных проблем. И, наконец, в-третьих – следить за тенденциями и использовать прогнозную аналитику.

«Нам требовалось сформировать правильные представления для визуализации данных, повышения эффективности и упреждающего управления технологиями, – подчеркнул Хопфер. – Для этого мы воспользовались набором готовых решений. Результаты оказались впечатляющими. Получив возможность решать возникающие вопросы фактически в реальном времени, мы значительно ускорили устранение проблем».

Будущее уже сейчас

«Будущее видится нам в том, чтобы, исходя из своих аналитических возможностей, принимать необходимые меры с определенным прицелом: с точки зрения CI/CD, клиентского восприятия, управления проблемами и т.д., – указал Эллиот. – Автоматизация и анализ – это как джем и масло: гораздо лучше, когда они вместе. Дело будет сводиться к повышению производительности технологических и бизнес-процессов, к выполнению определенных действий в специфичных деловых и технологических ситуациях».

Искусственный интеллект и машинное обучение уже сегодня могут оказывать влияние на DevOps, поэтому ни в коем случае не следует рассматривать их как технологии отдаленного будущего.

«DevOps может повысить скорость новых приложений, но в мире постцифровой трансформации DevOps нужно объединять c требованиями, предъявляемыми искусственным интеллектом, – указал Энди Граймс, главный технолог компании NetApp, специализирующейся на решениях для хранения данных и управления инфраструктурой. – Сочетание методов DevOps и современных требований к данным порождает новую парадигму — DataOps. Поскольку новые приложения искусственного интеллекта требуют агрегирования, а также значительно более высоких скоростей и масштабов подготовки данных, разработчики, использующие парадигму DataOps, должны взаимодействовать с ИТ-службой более тесно и понимать место приложений искусственного интеллекта в гибридной среде. Современная концепция DataOps объединяет периферийные наборы данных с агрегированными основными данными, размещаемыми локально, дополняет их облачными хранилищами и предлагает архитектуру, поддерживающую частое внесение изменений, подстегиваемое необходимостью внедрять инновационные инструменты и отвечать требованиям непрерывной эволюции бизнеса».

В рамках DataOps приложения и инфраструктура для работы с данными развиваются непрерывно и итерационно, гарантируя увеличение производительности по мере роста объемов данных.

«Искусственному интеллекту присущи три свойства – самообучение, прогнозирование и автоматизация, – отметил Сумендра Моханти, руководитель направления анализа данных компании Larsen & Tourbo Infotech, являющейся глобальным поставщиком ИТ-решений и поддерживающей цифровую трансформацию своих корпоративных клиентов путем внедрения средств искусственного интеллекта. – Они позволяют улучшить такие практики DevOps, как CI и CD».

Несмотря на то что концепция DevOps обеспечивает необходимую гибкость и ускоряет вывод новых программных систем в продуктивный режим, процессу их поставки не хватает некоторых критически важных компонентов, например непрерывных инноваций и непрерывного цикла обратной связи.

«Искусственный интеллект придает данным свойство самообучения. Вот почему искусственный интеллект и машинное обучение приносятьно весьма ощутимую пользу при их интеграции в процессы и задачи DevOps. Так, при разработке программного кода средства искусственного интеллекта, моделируя различные сценарии, могут отслеживать, в какой степени удовлетворяются потребности пользователей, – пояснил Моханти.– Конечному пользователю не отводится роль пассивного игрока. Искусственный интеллект и машинное обучение позволяют оторваться от разработки программного обеспечения исключительно на основе заранее установленных правил и во многом обеспечить дополнительную гибкость за счет изучения данных».

Искусственный интеллект и машинное обучение помогают отслеживать производственные показатели, устанавливать связь с прошлыми проблемами, изучать предложенные решения и оценивать, насколько эффективными они были. Некоторые негативные моменты можно прогнозировать заранее и устранять автоматически. «Соединение искусственного интеллекта и машинного обучения с DevOps не только сделает процедуры проектирования программного кода, его развертывания и выпуска готовой продукции более предсказуемыми, но и обеспечит непрерывность процесса инноваций», – добавил Моханти.

Команды DevOps сосредоточены на жизненном цикле проектирования, учитывая при этом меняющиеся требования. «Однако есть важные аспекты предсказуемости качества кода и управления данными, связанные с тем, на чем команды не акцентируют свое внимание, – указал Моханти. – Интегрируя искусственный интеллект и машинное обучение в свои процессы, команды DevOps могут проанализировать выполнение кода, понять, все ли пользовательские сценарии учтены, изучить возникавшие ранее проблемы и способы их решения».

Управление данными

Искусственный интеллект помогает организовать управление растущими объемами данных в средах DevOps.

«Средства искусственного интеллекта и машинного обучения призваны выявлять тенденции и закономерности в растущих объемах данных, – отметил Элиэзер Канал, технический менеджер по кибербезопасности группы быстрого реагирования Института программной инженерии при университете Карнеги-Меллона. – Успех в этой области по большей части связан с наличием достаточного количества слабых индикаторов. Например, для того чтобы узнать температуру на улице, лучше всего взглянуть на термометр. К сожалению, зачастую у нас в распоряжении нет датчиков, которые точно измеряли бы то, что мы хотим знать. Поэтому приходится полагаться на множество слабых индикаторов. Люди считают задачи такого рода очень сложными, но для современных машин они, в сущности, тривиальны».

«Сфера DevOps переполнена огромными объемами данных, – добавил Канал. – Эти данные часто используются непосредственно для тех целей, для которых они предназначены. Например, отчеты помогают понять, в чем заключается ошибка. Но средства машинного обучения и искусственного интеллекта позволяют почерпнуть из всего этого гораздо больше. Так, изучая типы ошибок, присутствующие в отчете, аналитики могут обнаружить много чего интересного: какие модули используются наиболее интенсивно, в каких чаще встречаются ошибки, какие ошибки обнаружить труднее всего, и прочие полезные факты. Используя систему отчетов об ошибках в качестве источника данных о среде разработки, можно почерпнуть массу дополнительных сведений о процессе разработки и повысить общую эффективность».

Другой пример касается управления производственными системами. «Современные системы генерируют огромное количество журналов, большая часть которых используется уже после отказа системы или возникновения ошибки, – указал Канал. – Загрузив эти журналы в систему искусственного интеллекта, мы сможем не только понять, почему возникают те или иные ошибки, но и найти закономерности, которые очень трудно обнаружить другими способами. Процедуры встраивания средств искусственного интеллекта и машинного обучения в существующие продукты упрощаются. Многие поставщики предлагают API и наборы инструментов, помогающие предприятиям интегрировать соответствующие функции в свои продукты. В связи с этим командам DevOps нужно изучать не только открывающиеся перед ними возможности, но и порядок интеграции соответствующего функционала в программное обеспечение. Тем самым можно будет значительно улучшить качество программных продуктов, предлагаемых конечным пользователям. Широкое распространение средств искусственного интеллекта и машинного обучения наряду с переподготовкой персонала, очевидно, приведут к дальнейшему их совершенствованию и проникновению в процесс DevOps на протяжении еще многих лет».

- Bob Violino. How AI will revolutionize DevOps. CIO. July 18, 2018

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

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

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

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

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

Как не проиграть?

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

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

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

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

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

«Все бегут, летят и скачут…»

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

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

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

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

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

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

Не дожидаясь милости от нацпроектов

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

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

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

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

Выбирая курс на ИИ

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

Павел Растопшин, управляющий директор компании «Цифра»

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

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

Ведущие компании внедряют средства искусственного интеллекта и машинного обучения, стремясь изменить принципы взаимодействия с клиентами, укрепить отношения с ними, обрести конкурентоспособность и повысить выручку.

Стержнем преобразований стали новые технологии — чат-боты, системы выдачи рекомендаций, механизмы составления персонализированных сообщений, инструменты интеллектуального таргетинга рекламы и средства распознавания образов. По прогнозу Gartner, доход предприятий, полученный благодаря средствам ИИ, вырастет к 2022 году по сравнению с нынешним втрое и достигнет 3,9 трлн долл., причем главным источником роста станет улучшение клиентского обслуживания.

ИИ привлекает внимание как бизнеса, так и ИТ-руководителей, поскольку сулит перспективы увеличить приток клиентов и способствовать их удержанию. Как показал опрос, проведенный Salesforce Research среди 3500 руководителей по маркетингу, в 51% компаний уже используют ИИ и более чем в четверти собираются провести внедрения в ближайшие два года.

Опишем, как в компаниях используют ИИ для улучшения взаимоотношений с клиентами и увеличения их численности.

Чат-боты

Автоматизированный агент, виртуальный помощник или чат-бот — самое типичное применение ИИ для взаимодействия с клиентом. Соответствующие технологии еще только-только начали развиваться, но на первой линии клиентской поддержки в компаниях ими успешно пользуются.

На сайты издательства Pearson Education, выпускающего учебные пособия, ежедневно заходит более 2 млн пользователей, и в среднем по 15 тыс. из них каждый день обращаются в службу поддержки, а в канун начала учебного года число обратившихся существенно возрастает.

В апреле прошлого года в Pearson решено было внедрить чат-ботов, которые бы помогали пользователям, столкнувшимся со сложностями при доступе к материалам и проблемами с системами просмотра, восстановлением паролей и т. п.

Чтобы справиться с сезонным увеличением числа обращений в службу поддержки, издательство расширило сотрудничество с компанией Salesforce и стало пользоваться ее чат-платформой Einstein. Как сообщают в Pearson, пилотное внедрение удалось провести всего за шесть недель.

Результат превзошел ожидания. Более 60% из 63 тыс. запросов о помощи в связи с проблемами доступа, просмотра и сброса паролей были отработаны чат-ботами. Остальные 40% были переадресованы людям, причем эти переадресованные проблемы удалось решить на 20% быстрее, поскольку чат-бот уже собрал значительную часть необходимых сведений. Накопленные данные по обращениям в Pearson планируют использовать для улучшения результативности работы чат-ботов.

Благодаря внедрению, и пользователям, и отделу ИТ удалось сэкономить очень много времени; в канун начала учебного года компании пришлось оплачивать труд меньшего, чем прежде, количества сотрудников службы поддержки.

Сейчас, в ходе подготовки к следующему всплеску обращений, ожидаемому в январе, идет работа по увеличению количества вопросов, на которые способны отвечать боты. Есть планы использовать чат-ботов в процессах продаж — например, для проверки лицензий преподавателей и предоставления сведений о статусе заказа.

Издательство рекомендует другим участникам отрасли заняться исследованием вариантов применения чат-ботов. Для этого потребуется анализ обращений, успешно отработанных людьми, — нужно выбрать самых результативных агентов и поручить им обучение чат-ботов.

Как свидетельствуют данные опроса, проведенного Constellation Research, сегодня уже в 50% компаний используют ИИ для клиентского обслуживания — в пилотных проектах или в рабочем режиме. Однако некоторые организации решили подождать, пока технологии чат-ботов станут более совершенными. Такие «ожидающие» верят, что у чат-ботов есть будущее, однако не удовлетворены эффективностью их работы или придерживаются мнения, что клиентам больше нравится общаться с живыми людьми.

Когда-нибудь чат-боты станут настолько развитыми, что отличить их от реальных людей будет невозможно, но пока не стоит рассчитывать на то, что автоматизированная система сможет заменить целый отдел. В Constellation Research отмечают, что польза от возможности переложить на чат-ботов нагрузку несомненна: люди получат больше времени на решение более сложных клиентских проблем.

Системы выдачи рекомендаций

В компании Bluestem Brands, владеющей несколькими онлайн-магазинами, пока воздерживаются от внедрения чат-ботов, но с успехом применяют ИИ для выдачи рекомендаций по покупкам.

Чтобы понять, что конкретно покупатель ищет в рамках очередного сеанса посещения онлайн-магазина, нужно учитывать не только историю прошлых заходов, но и контекст, в том числе раздел, где находится пользователь. Для лучшего анализа контекста можно использовать историю поиска, выполнявшегося другими пользователями.

В Bluestem экспериментируют с системой рекомендаций уже пять лет, и вот уже три года она применяется в рабочем режиме. В компании отмечают, что в связи с постоянными изменениями на рынке конкретные показатели улучшений назвать трудно, но эффективность каждой модификации системы ИИ можно оценить путем тестов.

В Bluestem проводят тесты на 10% аудитории сайта: половина покупателей взаимодействует с текущей версией системы, выполняя роль контрольной группы, а половина — с новой. Испытания заканчиваются, когда конверсия в контрольной группе достигает того же уровня, что и у 90% не участвующих в тестировании, после чего ИТ-руководитель оценивает эффективность нововведения. Обычно прибавка небольшая: уровень конверсии увеличивается примерно на четверть процента, — но такие улучшения вносятся постоянно, и обычно одновременно проводится по два-три тестирования.

По мере развития системы в компании изучают и другие факторы, способные повлиять на поведение покупателя. Например, те, кто проводят выходные не в родном штате, ведут себя при совершении онлайн-покупок иначе, чем дома, отмечают в Bluestem.

ИИ также планируется использовать для персонализации онлайн-витрин, чтобы сведения о товарах отображались для каждого покупателя в той форме, которую он предпочитает. Например, определенные характеристики товара могут быть для кого-то более важными, и их надо отображать на странице более заметно.

Персонализация сообщений

Компания Adorama, продающая электронику, использует ИИ для выдачи рекомендаций уже два года, но с наибольшим эффектом персонализация проявилась в маркетинговых сообщениях электронной почты, которые составляются при участии системы машинного обучения. По словам представителей компании, система помогает экономить.

Раньше заголовок письма в Adorama составлял копирайтер, а сейчас этим занимается компьютер. Рассылку персонализированных сообщений для Adorama организует сторонний поставщик услуг — такой договор был заключен, чтобы избежать найма собственных аналитиков и разработчиков на Python.

Компания размещает на своих сайтах счетчики посещений, передающие статистику поставщику услуг, предоставляет ему доступ к каталогу товаров Adorama и тестирует нововведения — обычно весь процесс занимает 40–50 часов.

Однако в Adorama предостерегают от поспешных внедрений ИИ, рекомендуя подходить к освоению новшества разумно и осмотрительно. Следует определиться, какую конкретно задачу требуется решить, выяснить, подходит ли для этого ИИ и будет ли такая система самой действенной и экономически эффективной.

Например, в случае персонализированных сообщений технология ИИ компании Persado помогла Adorama увеличить число переходов по ссылкам, что привело к увеличению оборота на 50–70%. В Persado обучают систему, используя предыдущие сообщения компании-клиента. При подготовке новой маркетинговой кампании сообщения составляются по аналогии с самыми успешными из прошлых рассылок. По прошествии некоторого времени оценивается, насколько кампании, проведенные с помощью ИИ, повлияли на уровень заинтересованности и число отписавшихся.

Но, как подчеркивают в Persado, люди по-прежнему участвуют в процессе. Во-первых, именно они составляют первоначальный текст нового сообщения, которое затем персонализируется с помощью ИИ для каждого конкретного покупателя. Во-вторых, люди проверяют составленное компьютером сообщение и выполняют окончательное редактирование.

Таргетинг рекламы

Использование ИИ в рекламном деле — еще одно важное направление усилий в компаниях, стремящихся изменить принципы взаимодействия с клиентами.

В Procter & Gamble, например, целый отдел специалистов data scientist экспериментирует с применениями ИИ, одной из главных областей стала реклама. В компании применяется программируемая платформа, распознающая покупателя, оценивающая его пожелания, выбирающая бренд для рекламного объявления и рассчитывающая затраты на размещение, и всё это — меньше чем за секунду. Как поясняют специалисты Procter & Gamble, речь идет о крупномасштабной модели высокой точности, работающей в режиме реального времени.

По сравнению с предыдущей «широковещательной» моделью новая гораздо экономичнее. Как признаются в компании, интеллектуальный таргетинг позволяет расходовать рекламный бюджет гораздо разумнее, а сами рекламные объявления стали гораздо более релевантными в глазах пользователей.

В P&G самостоятельно разрабатывают системы ИИ, используя инструменты с открытым кодом и коммерческие продукты. За последние три года стратегия компании в области освоения ИИ расширилась, появились новые группы разработчиков в США, Европе, Китае и Сингапуре. При этом в компании не рекомендуют бездумно внедрять новшества, в частности чат-ботов. Как полагают в P&G, боты способны помочь улучшить обслуживание покупателей, однако несовершенный бот, допускающий ошибки, может ухудшить впечатления клиентов.

Распознавание образов и видео

Обработка изображений — еще одна область, в которой ИИ помогает менять обслуживание клиентов. Один из примеров — онлайн-магазин мебели Wayfair.

В компании начали внедрять ИИ еще несколько лет тому назад, чтобы с большей эффективностью покупать рекламные пространства на сайтах социальных сетей, в поисковых системах и на телевидении. А вскоре в компании заинтересовались возможностями применения технологий компьютерного зрения с учетом специфики бизнеса по продаже мебели и бытовых принадлежностей.

Товары такого рода трудно отыскивать по ключевым словам, отмечают в компании. Если вам нужен коврик или диван, сложно подобрать точные слова, которые бы описывали именно то, что вам требуется. На сайте Wayfair покупателям не нужно перебирать весь колоссальный каталог товаров, предлагаемых магазином, — система персонализации демонстрирует каждому пользователю наиболее подходящие для него продукты.

ИИ используется в Wayfair, чтобы рекомендовать внешне похожие друг на друга товары. Кроме того, покупатель может загрузить сделанный им снимок какого-либо предмета, например кофейного столика, и получить рекомендации подобных товаров из каталога компании. Система может предложить товары, отвечающие определенному стилю, например «модерн», «современный» или «индустриальный», а также «догадаться», как лучше всего представить товар покупателю — скажем, отобразить предмет на белом фоне или в домашней обстановке, снятым сбоку или спереди.

В дальнейшем ИИ планируется использовать, чтобы помогать покупателям менять домашний интерьер. Например, клиент может продемонстрировать системе комнату, указав, что хочет сделать ее более современной. Над такой возможностью работа пока только идет, объясняют в Wayfair. В компании надеются стать пионером в этой области — пока что ни у кого нет системы, способной оценить процентное соотношение стилей в домашней обстановке.

Механизмы обработки изображения являются основой технологий виртуальной, дополненной и смешанной реальности, с которыми тоже экспериментируют в компании. В Wayfair полагают, что инвестировать в них определенно стоит. В августе в партнерстве с разработчиками шлема дополненной реальности Magic Leap компания запустила систему шопинга для его пользователей, а в октябре — приложение для дизайна интерьеров и планирования обстановки помещений.

В P&G тоже используют ИИ в системах распознавания образов и видео. В компании создан автоматизированный консультант по товарам для ухода за кожей бренда Olay, система анализирует снимок лица, присланный покупателем через приложение или сайт, и рекомендует подходящие продукты. По словам представителей P&G, для анализа изображений применяется система глубинного обучения, которая обеспечивает предельную точность персонализации взаимодействия, упрощает его и способствует повторным покупкам благодаря повышению лояльности к бренду.

Кроме того, в P&G применяют систему распознавания образов, чтобы оптимальнее размещать товары на полках в обычных магазинах. Изучаются возможности использования ИИ для анализа видео. Как подчеркивают в компании, очень важно знать, как именно используются товары. В рамках проекта с разрешения покупателей ведется съемка их действий — например, того, как они пользуются швабрами, моющими средствами и т. п. Ручная обработка больших объемов подобных видеозаписей затруднительна, а компьютер справится гораздо эффективнее, интерпретируя происходящее в кадре даже точнее, чем люди.

«Матрица» искусственного интеллекта

Как отмечают в Wayfair, хотя сейчас ИИ в основном применяется точечно для решения определенных задач по улучшению обслуживания, все они взаимосвязаны. Например, система назначения расценок влияет на маркетинг, а маркетинговые системы оказывают влияние на прогнозирование спроса. Такие прогнозы, в свою очередь, могут влиять на промоакции и наоборот. По оценке специалистов, системы можно будет комбинировать и оптимизировать их взаимодействие.

С учетом того, что data science и алгоритмические методы сегодня нередко применяются по всей организации, а не только в отдельных ключевых функциональных областях, инженерия ПО фактически становится стержнем предприятия, а наука о данных — его жизненной силой.

— Maria Korolov. 5 ways AI is transforming customer experience. CIO. October 23, 2018

Аналитики сходятся во мнении, что рынок вступил в стадию формирования экосистем, в рамках которых все действующие лица будут получать удобные и взаимовыгодные сервисы. Финтех эту стадию уже практически прошел, а остальным направлениям предстоит преодолеть этот путь. Логичным продолжателем пути пионеров становится HR-сфера, включая поиск и подбор сотрудников.

В «Севергрупп» сформирована концепция развития человека, объединяющая технологии в области поиска работы и сотрудников и управления персоналом (HR Tech), образования и повышения квалификации (Ed-Tech) и самозанятости. Речь идет о компании TalentTech: в рамках ее экосистемы будет работать «единое окно» как для компаний, так и для кандидатов. С ее помощью бизнес сможет находить подходящих специалистов, а люди получат понимание, в каком направлении имеет смысл развиваться, какие навыки необходимы, где учиться, куда устраиваться. Sever.AI — один из продуктов этой будущей экосистемы, который отвечает за область рекрутмента на базе искусственного интеллекта и машинного обучения. Над этим проектом сейчас работают чуть больше 20 человек. Рассказывает о проекте Азат Шамсутдинов, директор по цифровым технологиям Sever.AI, — номинант на премию CDO Award, учрежденную проектом CIO.ru и издательством «Открытые системы».

— Что в самых общих чертах представляет собой проект Sever.AI?

Sever.AI состоит из трех основных блоков: поиск и оценка резюме кандидатов; коммуникация (звонок, SMS, электронная почта или чат), чтобы узнать об интересе к вакансии; проведение и оценка видеоинтервью. Прежде всего мы хотим помочь компаниям и HR-специалистам: автоматизировать рутинные, механические процессы в области рекрутмента и организовать быстрый поиск качественных кандидатов. Наша платформа позволяет одновременно и получить доступ ко всем релевантным кандидатам на рынке, и возможность сосредоточиться только на самых подходящих из них — благодаря оценке «подходимости» для конкретной вакансии в конкретную компанию.

Как это работает. Специалист по найму заходит в систему, дает описание вакансии как на сайте для поиска работы (требования, обязанности, местоположение и т. п.), а дальше начинает свою работу платформа Sever.AI. Сначала она находит резюме подходящих под вакансию кандидатов. Каждое резюме получает балл, определяющий его соответствие вакансии. Система интеллектуальна: скажем, если в описании вакансии указано требование «знание Excel», а человек пишет о «знании MS Office», робот поймет, что кандидат подходит по параметру «знание Excel». Наши эксперименты показали, что робот оценивает резюме объективнее, чем человек. Робот, в отличие от человека, не устает, у него не бывает плохого самочувствия или скверного настроения, поэтому он сильно выигрывает, к тому же его работу без проблем можно масштабировать, добавив мощности аппаратного обеспечения.

Результат первого этапа работы — выборка релевантных кандидатов. После робот взаимодействует с выбранными кандидатами — узнает, насколько интересна им вакансия. Общение происходит по телефону, по электронной почте, посредством SMS и мессенджеров. В ходе разговора кандидат может задавать уточняющие вопросы, используя в том числе сленг. Например, вопрос в чате «з/п скок?» робот поймет вполне правильно. Если кандидат подтверждает интерес к вакансии, его приглашают на видеоинтервью — вопросы выводятся на экран, время на подготовку и ответ ограничено.

Затем Sever.AI просматривает видео с ответами, анализируя те же три основных источника информации, что и человек: изображение (внешнее поведение кандидата), звук (его речь, тембр) и текст (содержание ответов). Например, по видеоряду система анализирует изменение микровыражений лица в зависимости от вопросов, считывает реакцию человека. По звуку можно отследить изменение тембра голоса, темп речи и множество других параметров. Смысл сказанного анализируется после перевода речи в текст. В зависимости от вакансии система взвешивает все перечисленные параметры, агрегирует их и выставляет еще одну оценку кандидату. И здесь важно, что по видеоинтервью уже можно определить, насколько человек соответствует не только вакансии, но и профилю компании.

Как Sever.AI видит кандидата

В итоге получается три оценки: по резюме, по коммуникации и по видеоинтервью. Лишь после этого к процесcу подключается живой человек, уже на этапе, когда имеется релевантная выборка кандидатов, заинтересованных в вакансии и подходящих по профилю. Он проводит традиционные очные интервью и принимает окончательное решение. Конечно, человек всегда может вмешаться на любом этапе. Например, просмотреть найденных кандидатов и пригласить на видеоинтервью или даже на очную встречу, если соискатель очень понравится.

— Подобные проекты в первую очередь фокусируются на рутинных задачах HR. Их проще реализовать или они действительно важнее для компаний?

В первую очередь это потребности клиентов. На рутинные задачи крупные компании тратят очень большие ресурсы, особенно это касается массовых позиций с высокой текучестью. Рекрутерам вполне можно облегчить жизнь, сделать так, чтобы они занимались более полезными для компании делами, а не рутиной, просматривая однотипные резюме, задавая одинаковые вопросы и получая схожие ответы. Эту работу вполне можно переложить на роботов.

— Какое влияние окажут подобные сервисы на развитие HR-служб?

Сейчас от HR-специалистов требуется достаточно быстро находить кандидатов, и время закрытия позиции (time to hire) имеет в их работе все большее значение. У многих компаний есть вакансии, не закрываемые годами, недоукомплектованные подразделения. Кроме того, текучесть персонала в последние годы возросла: люди все активнее переходят из одной компании в другую. В России добавляется еще один фактор: демографическая яма 90-х годов. Поэтому повышается потребность в решениях, которые позволяют как можно быстрее находить нужных специалистов.

Как показывает практика, в среднем HR-специалисты приблизительно половину своего рабочего времени тратят именно на поиск кандидатов. Отдав рутину машине, они смогут сконцентрироваться на гораздо более важной задаче — удержании сотрудников. Наконец, появится возможность для более интеллектуального подхода к HR: имея больше исходных данных, можно проанализировать, какие из принятых кандидатов дольше и лучше работали. Удастся вывести всю работу кадровых отделов на качественно иной уровень.

— Sever.AI изначально задумывался как внутренний проект «Северстали», призванный обслуживать внутренние кадровые потребности этой гигантской структуры?

Sever.AI звонит кандидату

Это совсем не так, проект изначально был независимым стартапом. Название не имело никакого отношения к «Северстали», его придумали под впечатлением от сериала «Игра престолов». Именно оттуда рабочее название, связанное с «Севером»: Sever.AI — для российского рынка и North.AI — для зарубежного. Лишь некоторое время спустя произошла сделка с «Севергрупп», ставшей стратегическим инвестором компании.

— Почему робот при просмотре и анализе анкет эффективнее лишь в несколько раз, а не в десятки и сотни раз? Очевидно же, что в такой работе компьютер имеет огромное преимущество перед человеком — «аналоговым» существом.

Действительно, компьютер несопоставимо быстрее человека. Отчасти наше преуменьшение обусловлено тем, что неподготовленный клиент может посчитать неправдоподобным слишком пугающий разрыв в эффективности между человеком и роботом. Кроме того, у некоторых HR может возникнуть страх того, что компьютер способен полностью исключить человека из этого процесса. На самом деле это вовсе не так.

Наши пилотные проекты показывают, что кадровая проблема связана не только с дефицитом кадров, но и со сложностями в поиске именно релевантных для компании кандидатов. Дело в том, что один и тот же кандидат на одну и ту же должность может одной компании подойти, а другой — нет, причем по каким-то внутренним установкам: корпоративной культуре или другим факторам. В результате компании тратят на поиск неоправданно много времени. Чтобы поправить положение, можно нанять больше специалистов по подбору персонала или пытаться использовать новые технологии. Второй вариант перспективнее, так как для бизнеса в ближайшие 10 лет демографическая ситуация не улучшится.

— Уйти от человеческого фактора — это здорово. Но как же опыт и интуиция? Не окажется, что бездушный компьютер пропустит то, что заметил бы опытный кадровик?

На первых этапах работы с кандидатом робот видит ровно то же, что и рекрутер. Именно поэтому люди подключаются лишь на последнем этапе взаимодействия, когда уже имеет смысл применять опыт и интуицию. И, как бы нам ни хотелось верить в обратное, наш опыт показывает, что на первых этапах — при оценке текста резюме и ответов на вопросы видеоинтервью — робот объективнее человека, на него не влияют внешние факторы.

— Почему речь идет именно про массовые позиции? Ведь нанять «правильного» топ-менеджера экономически гораздо выгоднее, чем тысячи кассиров.

Тут все просто. Топ-менеджер оценивается на совсем другом уровне, такая оценка требует более глубокого анализа его опыта, а этот опыт выявляется при личном общении. К тому же роботов надо на чем-то обучать, а данных о топ-менеджерах на рынке явно недостаточно. А значит, ошибка робота-рекрутера в оценках кандидатов топ-уровня будет очень велика.

Однако наше решение вполне можно использовать не только при подборе массового персонала, но и в поиске более квалифицированных специалистов — например, программистов или менеджеров среднего звена. На таких вакансиях роботы будут отрабатывать довольно хорошо. Кстати, совсем недавно мы, отчасти в качестве эксперимента, нашли себе разработчика с помощью Sever.AI.

— Каковы основные проблемы, возникающие в ходе работы над проектом?

Учитывая масштабы «Севергрупп», с данными больших проблем нет — в одной «Северстали» работает более 50 тыс. человек, можно и обучаться на этих данных, и использовать их для оценки качества модели.

В первую очередь проблемой становится соответствие ожиданиям клиентов. Часто они хотят получить готовое работающее решение и не желают включаться в работу по его созданию. А ведь робота нужно сперва обучить, настроить, и все эти процедуры должны проходить с участием заказчиков, требуется понять их внутреннюю кухню. Поэтому приходится объяснять клиентам, что их участие в проекте все-таки необходимо.

Есть две модели подготовки роботов к оценке резюме. Выбранная модель влияет, с одной стороны, на время старта и степень вовлеченности клиента, а с другой — на точность и качество результата. По первой («обучение с учителем») мы отправляем определенное число анкет рекрутерам заказчиков и просим оценить их, обучая робота на их разметке. По второй модели роботу не нужно обучаться на разметке, он анализирует внешние факторы — например, пытается понять, что написано в вакансии, сканирует сторонние сайты, изучает похожие вакансии, усваивает терминологию. Он понимает рынок — видит, какие вакансии появляются, какие уходят, как изменяется портрет того или иного специалиста. Кстати, машина обучается быстрее живого рекрутера. Для обучения с учителем требуются сотни анкет, во втором случае речь идет о десятках тысяч.

Для оценки коммуникации с кандидатами робот учится на различных текстах, книгах и фильмах. Для работы с видеоинтервью система обучается на сотрудниках клиента: они записывают интервью, и робот отсматривает записи. На этом этапе появляется «портрет сотрудника компании», и робот пытается найти людей, соответствующих такому портрету, — тем самым удается добиться не только соответствия требованиям интервью, но и культуре компании.

— О каких объемах данных идет речь?

Сейчас это терабайты. Для работы с социальными сетями понадобятся совершенно другие ресурсы и подходы.

— На каких решениях построена инфраструктура для работы с данными?

Для хранения больших данных у нас используется Hadoop, для обработки данных — Spark, для обработки потоковых данных — Spark Streaming. При дальнейшей обработке применяем разные инструменты, в том числе проприетарные — Tableau, Power BI. Можем использовать внешние базы SQL для тех проектов, где нет больших данных и нужны быстрые доступность и обработка.

Все зависит от потребности и оптимальности. Если за счет коммерческого продукта мы добьемся большей эффективности, то использовать будем его. Если же без особых потерь можно использовать продукты open source, то ориентируемся на них.

— В чем основные проблемы управления данными?

У нас главная проблема — тоже кадровая: трудно найти подходящего человека, который будет отвечать за определенную область, например за хранение или обработку данных. Рынок специалистов крайне узок, их очень мало.

Вторая проблема — динамика рынка. Создавая модели, мы сначала хотели пойти путем обучения на исторических данных — например, имеющихся у клиентов данных о кандидатах. Однако вакансии очень быстро устаревают, требования к сотрудникам постоянно меняются, поэтому модели очень плохо обучались.

Кроме того, данные у всех HR-департаментов разные и их качество далеко от идеала. Люди редко задумываются, что их данные когда-либо могут понадобиться для анализа, и хранят их в виде картинок, текста, почтовых сообщений — в абсолютно разрозненном виде. Далеко не в каждой компании можно сформировать цельную картину для обучения модели.

— В итоге исторические данные стали абсолютно ненужными?

От обучения на исторических данных пришлось полностью отказаться. Но я все-таки верю, что из них тоже можно извлечь ценность, когда поставлены другие цели. Если компания захочет увидеть эволюцию какой-либо позиции — изменение рынка, чтобы спрогнозировать будущее, то без исторических данных не обойтись.

— Какие методы машинного обучения используются в рамках проекта?

Применяются практически все, ведь приходится использовать все виды данных: текст, аудио, видео, картинки. В первую очередь всё, связанное с нейросетями, а также последние наработки по тематическому моделированию, которое неплохо развито в России. Ну и стандартные алгоритмы, которые всеми используются.

— Сейчас решение охватывает всю подготовительную часть работы при рекрутинге. А каковы планы его дальнейшего развития?

Со временем станет все сложнее найти хороших кандидатов на работных сайтах. Важно будет отлавливать соискателей не в момент создания и публикации резюме, а гораздо раньше — когда они только задумались о возможной смене работы и подали соответствующие сигналы. Поэтому в перспективе мы начнем плотнее работать с соцсетями и поисковиками, возможно, с банками и онлайн-ретейлерами — теми, у кого будут такие данные.

Кроме того, планируется доработка той части, которая связана с набором кандидатов: где их взять, откуда пригнать трафик, чем заинтересовать. Потом будем добавлять тесты на профессиональные навыки, возможно в игровой форме. Это позволит минимизировать ошибки. Ведь резюме можно написать очень привлекательное, и даже есть профессиональные услуги в этой области. Из-за этого существует поток нерелевантных кандидатов. Чтобы снизить долю людей, которые ошибочно попадают на стадию видеоинтервью, их когнитивные навыки можно проверить путем тестов.

Далее пойдем в сторону онбординга — адаптации сотрудников, их подбора под определенную команду, а также оценки их лояльности, вероятности увольнения и способов удержания.

— Каких результатов позволяет добиться решение и каким образом?

Робот не субъективен. Кроме того, в поиске подходящих кандидатов по резюме в среднем он эффективнее рекрутера на 20%. Сейчас 9 из 10 найденных роботом кандидатов являются подходящими. Рекрутер же предлагает 6–7 подходящих человек из 10.

Пилоты показали ускорение времени закрытия позиций почти вдвое. Если говорить о бюджетах, то многое зависит от массовости вакансий. В крупных компаниях и при работе с позициями высокой текучести экономия на процессах рекрутмента может составлять до 90%.

Например, в пилотном проекте с розничным банком при показателе текучести 128% экономия за год использования сервиса составила 50%. При больших масштабах и больших показателях текучки персонала эффект будет еще заметнее.

— Каковы сейчас результаты у компаний, которые уже являются вашими клиентами?

В одну из крупнейших российских нефтехимических компаний мы полностью внедрили все разработанные блоки, решение было запущено летом. В этом проекте любопытнее всего показатель конверсии. Как выяснилось, кандидаты охотно разговаривают с роботом — конверсия из найденных кандидатов в отклик составляет около 60%. Более того, с роботом многие общаются охотнее, чем с человеком, потому что могут задать ему вопросы, которые стесняются озвучивать рекрутеру. В результате до этапа видеоинтервью доходит около 20% кандидатов. И это очень хороший показатель — нормой считается 5%. Добиться такого результата получается в том числе благодаря непрерывному взаимодействию с кандидатом, общению с ним. Например, живой рекрутер может забыть напомнить о запланированном собеседовании, а вот автоматизированная система не забудет. Как это ни печально, зачастую робот может обеспечить более «человеческое» отношение к кандидату.

— Способны ли технологии искусственного интеллекта полностью автоматизировать функцию HR и в какой последовательности это будет происходить?

В целом развитие технологий HR накладывается на одну важную вещь — положение самого HR внутри компании. Еще 20 лет назад вышла первая статья про то, что HR, как и ИТ, должен перерасти обслуживающую функцию и превратиться в бизнес-партнера. Ведь, несмотря на огромную важность для бизнеса, HR-директора часто занимают в корпоративной иерархии не самую сильную позицию. И вопрос не только в высоте положения, но и в том, насколько реально они вовлекаются в процессы формирования стратегии компании.

Поэтому развитие HR-технологий будет зависеть от того, насколько компании будут следовать тренду роста значимости HR и насколько сам HR будет готов брать на себя ответственность за управление такими проектами. В сфере HR сейчас вообще довольно низкий уровень проникновения технологий по сравнению с другими бизнес-функциями. Во многом по причине того, что бизнес изначально недостаточно серьезно воспринимал эту сферу и лишь сейчас здесь начинается волна внедрения современных систем. Насколько мы сможем продвинуть технологии и где будет пролегать граница между человеком и роботом, зависит от готовности самих HR уйти от аналогового мира к более эффективным решениям.

— Искусственный интеллект начинает захватывать мир с тех направлений, в которых сотрудники полноценно используют в работе лишь одну свою когнитивную функцию — например, с контакт-центров. Насколько перспективен с этой точки зрения HR?

Разумеется, для нас голос, в отличие от контакт-центра, — не единственный и не главный источник информации. Однако именно тот факт, что робот может оценить кандидата объективно с самых различных точек зрения, делает его в данном процессе более эффективным по сравнению с человеком. Но важно отметить, что, во-первых, рекрутмент — лишь отдельная и весьма обособленная часть HR-процесса. Она исторически более проработана — известна, понятна и хорошо описана. Во-вторых, мы решаем лишь часть задач процесса рекрутмента.

— Не может ли оказаться, что в остальном работа HR слишком «человеческая» и не очень поддается передаче ИИ?

Мы не являемся оголтелыми энтузиастами и прекрасно понимаем, что есть определенные границы. Полностью убрать из процессов человека пока невозможно и неэффективно. Однако применение простейших CRM-подходов к работе с кандидатами и минимальная аналитика показывают, что «человечность» этой сферы преувеличена. Мы видим на своих продуктах, что тандем человека и технологий оказывается в разы эффективнее.

— А клиенты сами готовы к таким переменам?

По большей части готовы. Действительно, часто компании, создавшие инновационное решение, сталкиваются с тем, что рынок не готов воспринять новые идеи. Лет пять назад нас бы не поняли.

HR-департамент одной из телекоммуникационных компаний на встречу с нами неожиданно пригласил своих инженеров по данным — видимо, чтобы «вывести шарлатанов на чистую воду». Нам удалось найти общий язык, эти специалисты оценили правдоподобность наших обещаний. Такое бывает. Однако чаще всего технологический уровень компаний, составляющих нашу целевую аудиторию, вполне адекватен. До середины прошлого года многими нашими коллегами была проделана большая работа по обучению рынка. И конечно, наличие реальной бизнес-боли значительно повышает скорость «созревания» заказчиков.

Выполнение требований бизнеса — приоритет для многих ИТ-руководителей. А как остальные топ-менеджеры воспринимают отдел ИТ? В худшем случае считают центром издержек, задача которого — обеспечивать работоспособность систем. В лучшем к ИТ-отделу относятся как к двигателю, помогающему компании развивать бизнес.

Именно поэтому успешная реализация проектов, повышающих доходы, например внедрение систем управления взаимоотношениями с клиентами, имеет особую важность. Их смысл — использование технологий в целях роста числа новых сделок и улучшения отношений с уже имеющимися клиентами.

За последний десяток лет индустрия CRM-систем претерпела большие изменения. Стандартом стали облачные сервисы, но проблемы приватности и безопасности сохраняют первостепенную важность. Крупнейшие поставщики CRM-систем, такие как Microsoft и Salesforce.com, активно инвестируют в искусственный интеллект. И повсеместно появляются инструменты и сервисы, направленные на автоматизацию процессов маркетинга и сбыта.

Перечислим последние тенденции в области технологий и использования CRM-систем, а также расскажем о том, как они влияют на ИТ и бизнес в целом.

1. Машинное обучение — неотъемлемая часть CRM

У многих компаний применение машинного обучения к данным CRM-систем вызывает сложности. Традиционно для этого в штате нужны были специалисты со знаниями в соответствующей области, в том числе разработчики. Как вариант, можно было реализовать и обслуживать механизмы интеграции между корпоративной CRM-системой и внешним сервисом машинного обучения. Сегодня ситуация начинает меняться.

«Сейчас механизмы машинного обучения встраивают непосредственно в CRM-системы, — отмечает Джулиан Поултер, директор Gartner по исследованиям в области CRM и клиентского обслуживания. — Освоение новшества в отрасли пока идет неторопливо, тем не менее на сегодня известны порядка 30 вариантов использования машинного обучения применительно к CRM. Один из таких вариантов — предложение альтернативных товаров, оценка вероятности продажи потенциальному клиенту и выдача рекомендаций по онлайн-покупкам».

Сегодня механизмы предоставления рекомендаций, применяемые в Amazon и других интернет-магазинах, доступны самому широкому кругу компаний. Например, система Veeva CRM, популярная в фармацевтической отрасли, предлагает функцию на основе искусственного интеллекта, которая рекомендует оптимальные действия, для того чтобы выйти на контакт с покупателем (например, обращение по электронной почте, личная встреча, онлайн-конференция).

Крупнейшие поставщики CRM-систем — Salesforce.com, Microsoft и Oracle — выделяют значительные ресурсы на реализацию возможностей машинного обучения в своих решениях. По данным на середину 2018 года, платформа искусственного интеллекта Salesforce Einstein ежедневно выдавала по 3 млрд прогнозов. Какова точность этих прогнозов, в компании не сообщают, но, учитывая объем, можно предположить, что польза от них достаточная.

2. Всесторонний обзор клиентуры с помощью данных

Накал борьбы за клиентов сегодня все выше. Чтобы в ней победить, компания должна получить возможности всестороннего обзора клиентов. Но текучесть персонала в отделах продаж и плохо налаженные процессы сбора информации о клиентах приводят к потерям данных и, как следствие, покупателей. Чтобы исправить положение, необходимо изменить принципы работы с данными по клиентам.

«Компаниям нужен культурный сдвиг для переориентации на принципы «гигиены данных» и избавления от архаичных несогласованных процессов сбора и сохранения данных по клиентам, — уверена Рене Маккаскл, ИТ-директор компании Hitachi Vantara, поставляющей аналитические решения для целого ряда отраслей. — Больше не должно быть данных без возможности оперативного доступа. Кроме того, необходимо обеспечить скоординированный сбор данных участниками процессов маркетинга, сбыта, обслуживания и цепочки поставок. Меняться всегда сложно, но именно так мы обеспечили всесторонний обзор клиентов и освоили новые бизнес-возможности, которые открылись благодаря тому, что сотрудники отделов продаж теперь могут выявлять и анализировать тенденции».

Проблема данных без возможности доступа сохраняет актуальность. Использование в работе таких средств, как бумажные ежедневники и блокноты, а также заметок, локально сохраняемых в различных приложениях на смартфоне, ведет к тому, что важные сведения не попадают в CRM-систему.

Сложности также обусловлены ростом числа каналов продаж, маркетинга и клиентской поддержки. Всесторонний обзор сведений о покупателях с помощью CRM-решения затруднен из-за необходимости анализировать сообщения в чатах, активность в социальных сетях и еще множество источников информации.

3. Интеграция CRM с системами операционных отделов

В некоторых организациях начали применять CRM-системы не только в отделах продаж, но также для маркетинга и различных узкоспециальных задач — например, для подготовки ценовых предложений при продаже сложных конфигурируемых продуктов в рамках B2B-сделок (Configure, Price, Quote). Зарождается новая тенденция — интеграция CRM с системами операционных отделов и решениями для клиентского обслуживания.

В авиакомпании Southwest Airlines сообщают, что такая интеграция, осуществленная в рамках пилотного проекта, помогает находить новые способы улучшить обслуживание клиентов. Инициатором перемен стал сотрудник службы клиентской поддержки в одном из аэропортов, который выполнял такую интеграцию вручную, чтобы использовать в работе сведения из многих источников.

Взяв на вооружение новый подход, в компании теперь анализируют традиционные данные по клиентам совместно с операционными сведениями — информацией о задержках вылетов, сроке участия в программе лояльности и недавней активности. Благодаря этим сведениям сотрудник авиакомпании, например, сможет узнать о возникших у клиента сложностях с вылетом и принять решение о том, когда ему стоит сделать утешительное предложение.

Пилотный проект потребовал значительного объема работы, в частности, связанной с интеграцией систем, раньше не взаимодействовавших друг с другом. К тому же очень большим оказалось общее количество связей между различными системами и версиями данных.

Описываемая тенденция набирает обороты еще и потому, что расширяется использование датчиков Интернета вещей. Например, CRM-система могла бы передавать отделу продаж уведомления о проблемах, связанных с техническим обслуживанием, — в этом случае компания получила бы возможность предупреждать клиентов заранее, чтобы уменьшить от них количество жалоб. Исследование, проведенное в 2017 году компанией McKinsey Research, показало, что оптимизация процедур технического обслуживания и повышение уровня информированности о работе операционных отделов являются приоритетами для руководителей, заинтересованных во внедрении систем Интернета вещей.

4. Локальные CRM-системы — пора отказываться

Когда-то продать предприятию облачную CRM-систему было непросто, но сегодня ситуация изменилась.

По информации Gartner, около 80% покупок новых CRM-систем приходится на облачные решения. Локальные системы стали исключением. Они могут использоваться, например, компаниями, относящимися к сфере финансовых услуг и обязанными выполнять требования регуляторов, а также опасающимися за конфиденциальность данных.

ИТ-руководителям, которым до сих пор приходится пользоваться устаревшими локальными CRM-системами, пришло время задуматься о переменах. Со временем поставщики перестанут оказывать услуги поддержки и будет все сложнее находить специалистов по устаревшим системам. Если раньше вы были против облачных решений по соображениям, связанным с конфиденциальностью данных, то сегодня пора оценить рынок доступных систем еще раз.

5. Впечатления клиента — превыше всего

Если поинтересоваться у бизнес-руководителей, для чего в их компании используется CRM-система, можно услышать разные ответы. Кто-то откровенно сообщит, что назначение CRM — контролировать работу отдела продаж, а кто-то — что автоматизация и систематизация помогают заключать больше сделок. Но в обоих случаях упускается из виду буква «R» в аббревиатуре CRM, то есть «взаимоотношения», поддержание долгосрочной связи с клиентом.

Многие ИТ-руководители сегодня во главу угла ставят заботу о благоприятных впечатлениях клиента от взаимодействия с компанией. Соответствующий принцип так и называют: CX (Customer eXperience) — «впечатления клиента». Казалось бы, это имеет мало отношения к традиционной работе отдела ИТ, но, согласно отчету Gartner, проекты в области CX примерно на 50% технологические, а остальное касается анализа эмоций клиента, его субъективных оценок и связанных качественных показателей.

Чтобы добиться успеха в сфере CX, ИТ-руководителю нужно наладить взаимодействие со всеми, кто пользуется услугами его отдела. Контакт нужен не только с отделами сбыта и маркетинга, но и с отделом клиентского обслуживания. В компаниях ИТ-отрасли, особенно в тех, что поставляют SaaS-решения, появляются отделы «клиентского успеха» (Customer Success, CS): идея в том, что, заботясь об успехе клиента, вы закладываете фундамент долгосрочного сотрудничества. Возможно, вам предстоит взаимодействовать с новым коллегой — директором по клиентам (Chief Customer Officer, CCO). Это будет отличаться от традиционных внедрений CRM, которые обычно осуществляются на проектной основе.

Так или иначе, сопровождение приложений и сервисов CRM сегодня стало стандартной обязанностью ИТ-руководителя, а чтобы обеспечить себе дальнейший профессиональный рост, стоит начать с поиска возможностей улучшить обслуживание клиентов с помощью проектов в сфере CX.

— Bruce Harpham. 5 CRM trends for 2018. CIO. OCT 12, 2018