Искусственный интеллект

Из всех возможных областей применения технологий машинного обучения на медицину смотрят с особым вниманием и надеждой. Искусственный интеллект, несмотря на все его несовершенство, уже помогает не только развивать бизнес, но и спасать жизни. Интегрированное в единую радиологическую сеть современное диагностическое оборудование, которым осащены медицинские организации столицы, положило начало накоплению больших данных, и эта информация становятся «пищей» для искусственного «ума».

Сегодня применение технологий машинного обучения для скрининга рака в столичном Научно-практическом центре медицинской радиологии Департамента здравоохранения Москвы (НПЦ МР ДЗМ, проект «Радиология Москвы») выходит на новый уровень. Теперь при скрининге рака легкого искусственный интеллект научат выявлять и другие патологии.

«Комплексное развитие когнитивных систем искусственного интеллекта нацелено на рывок в повышении качества медицинской помощи», Виктор Гомболевский, руководитель отдела развития качества радиологии НПЦ МР ДЗМ

Эксперты проекта «Радиология Москвы» активно участвуют в разработке систем поддержки принятия решений для врачей-рентгенологов. Это оборудование позволяет работать с группами исследований в Едином радиологическом информационном сервисе (ЕРИС), высвобождая время доктора для действительно сложных задач. Одни из самых интересных проектов нацелены на выявление рака легких на ранних стадиях посредством автоматического поиска очагов в легких на КТ-исследованиях грудной клетки, а также на проверку качества описаний и заключений этих КТ-исследований путем интеллектуального анализа текстов, написанных на естественном языке.

Рак легкого — самый смертоносный среди всех онкологических заболеваний. Эпидемиологическая ситуация с раком легких в Москве такова, что требуются комплексные решения со своевременной диагностикой и эффективной маршрутизацией пациентов. Цель скрининга рака легких — выявить рак, прежде чем он распространится за пределы органа. Из всех случаев рака легкого только 15% локализовано непосредственно в легких. Однако данное заболевание выявляют обычно уже после того, как оно распространилось за пределы легкого. Единственный эффективный способ диагностировать эту онкологию вовремя — проводить низкодозную компьютерную томографию (НДКТ) гражданам из группы риска, не имеющим признаков болезни.

В результате запуска массового скрининга рака легкого в Москве в марте прошлого года накопился большой объем данных. Чтобы использовать эту информацию на благо здравоохранения, было решено применить технологии машинного обучения. Как отметил руководитель проекта «Радиология Москвы» профессор Сергей Морозов, скрининговые программы служат мощным стимулом к повышению спроса на автоматизированные решения и алгоритмы компьютерного анализа изображений.

От простого к сложному

На сегодняшний день в лучевой диагностике искусственный интеллект больше всего используется при решении когнитивно простых задач, а именно для формирования подсказок врачу, готовящему вывод по результатам исследования. Однако текущий уровень развития цифровых технологий позволяет решать значительно больше медицинских задач. Так, разделяя все случаи на «норму» и «патологию», искусственный интеллект дает рентгенологу возможность сфокусироваться именно на патологии. Кроме того, такая система может автоматически искать различия между снимками в динамике, классифицировать патологии, предоставлять «второе мнение», формировать сложные алгоритмы обработки больших данных для оценки среды, окружающей пациента. С помощью этой технологии можно изучать новые биомаркеры для развития систем раннего предупреждения заболеваний и создавать «калькуляторы» персонализированного риска.

На основе ретроспективного анализа 10 тыс. КТ-исследований грудной клетки пациентов было отобрано 5 тыс. с патологическими находками для последующего маркирования и тегитирования. Тем самым была сформирована специальная база размеченных КТ-исследований, на которых системы искусственного интеллекта учат искать очаги в легких. Кроме того, в рамках проекта «Радиология Москвы» разработан специальный программный продукт, позволяющий одновременно проводить независимую разметку и ее верификацию по любому массиву данных, с привлечением неограниченного числа рентгенологов. Эти данные применяются в разработке системы для поиска очагов в легких, работы ведутся совместно с Департаментом информационных технологий Москвы.

На сегодняшний день в Москве проведено в общей сложности более 14 тыс. НДКТ. Расчеты проведенного пилотного проекта показали, что из 86 выполненных НДКТ у пациентов из группы риска будет выявлен как минимум один рак легкого. Оценить результаты снижения смертности от данного заболевания планируется в 2024 году.

Расширение «кругозора»

Теперь искусственный интеллект может быть применен для поиска дополнительных патологий при проведении НДКТ. В новом проекте НДКТ 2.0 ставится несколько целей, помимо обнаружения рака легкого, — выявление остеопороза, коронарного кальция, аневризмы аорты, расширения легочного ствола, жирового гепатоза и эмфиземы легкого. Сейчас уже идет подготовка баз данных для тестирования и обучения алгоритмов под эти задачи.

«Роль искусственного интеллекта в скрининге рака легкого значительно шире, чем автоматический поиск узелков в легких, — говорит Виктор Гомболевский, руководитель отдела развития качества радиологии НПЦ МР ДЗМ. — А комплексное развитие когнитивных систем искусственного интеллекта нацелено на рывок в повышении качества оказываемой медицинской помощи».

Гомболевский, кандидат медицинских наук, врач-рентгенолог, не только является разработчиком проекта «Московский скрининг рака легкого», но и возглавляет комитет по искусственному интеллекту Московского регионального отделения Российского общества рентгенологов и радиологов.

По мнению Гомболевского, в использовании потенциала искусственного интеллекта сделаны лишь первые шаги. Сегодня медицинские системы искусственного интеллекта — это разрозненный парк решений для экономии времени, сокращения дозы лучевой нагрузки, поиска и классификации находок, консультации пациентов и направляющих врачей, подготовки изображений, распознавания естественного языка и других локальных задач, результаты которых выразятся в экономии финансовых ресурсов и повышении качества медицинских услуг.

«Надеюсь, что через 10 лет мир лучевой диагностики будет совсем другим именно благодаря искусственному интеллекту, — пишет Гомболевский на своей странице в Facebook. — Точно будут такие задачи, в которых можно поставить вопрос о замене врача. В то же время уложить все обязанности врача-рентгенолога в цифровой алгоритм будет весьма затруднительно».

Подробнее об использовании искусственного интеллекта можно будет узнать из доклада Виктора Гомболевского на практической конференции «Технологии машинного обучения», которую издательство «Открытые системы» проведет 25 сентября.

Сегодня интеллектуальные цифровые ассистенты «прочесывают» большие данные и выясняют сведения, на основании которых автоматически перестраивается цепочка поставок, увеличивая продажи. Программные роботы автоматизируют повторяющиеся задачи ввода данных, а сотрудники в высвободившееся время имеют возможность заниматься исследовательской и творческой работой. Обнаружив неполадку на промышленном объекте, система прогнозной аналитики заранее инициирует ее устранение, избавляя от необходимости высылать техников на место аварии.

Во всех отраслях цифровые технологии активно меняют принципы выполнения должностных обязанностей. Технологии всегда повышали КПД и продуктивность, но самая новая волна обещает гораздо больше. Разработки в сфере искусственного интеллекта, машинного обучения, Интернета вещей, больших данных, прогнозной аналитики и др. используются компаниями, чтобы менять рабочую среду и создавать новые рабочие места, требующие современных навыков, — близится новая эпоха взаимодействия человека с машиной.

По мере «цифровизации» компаний обязанности сотрудников все более усложняются. И на сегодня задача работодателя — эффективнее обеспечить в новых условиях заинтересованность сотрудников, предоставив им инструменты, которые облегчают выполнение сложных задач.

В центре исследований информационных систем МТИ ввели понятие «рабочие условия» (employee experience) — концепцию, определяемую группой факторов, в том числе уровнем сложности должностных обязанностей и поведенческими нормами, касающимися взаимодействия, творчества и использования вспомогательных средств. Цифровые функции обычно положительно влияют на рабочие условия — повышается КПД процессов и уменьшаются ошибки. Но реальные отличия проявляются, когда цифровые технологии используются для коренного изменения принципов работы — замены людей, дополнения их возможностей или создания новых должностей и функций.

По мере этих изменений растут опасения, что автоматы лишат людей работы. В какой-то степени так и произойдет, но эксперты уверены, что вытеснение будет происходить только с должностей, требующих рутинных и повторяющихся действий, а также с работы, которую машины способны выполнять в большем объеме. Около 74% топ-менеджеров, опрошенных Accenture, сообщили, что планируют использовать искусственный интеллект для автоматизации в крупных и очень крупных масштабах в предстоящие три года, и 97% рассчитывают с помощью ИИ дополнять возможности сотрудников.

Чтобы обеспечить успех преобразований, в организациях должны определить оптимальный для себя баланс числа людей и разумных машин. Из числа участников опроса Accenture 54% считают, что сотрудничество человека и машины важно для достижения приоритетных стратегических целей, 46% уверены, что традиционные должностные обязанности устарели, а 29% уже сильно изменили штатные расписания. Как признаются аналитики, со столь масштабными изменениями они еще не сталкивались: речь идет о новых уровнях возможностей и результатов для клиентов благодаря взаимодействию людей и средств интеллектуальной автоматизации.

Важную роль в совершенствовании рабочей среды будут играть обучение и повышение квалификации сотрудников. В некоторых отношениях придется вернуться к основам, к тому, что ценилось до эпохи автоматизации. Речь идет о диалоге между людьми, способности к обобщению, вынесению суждений, ведению переговоров, контролю затрат и точек интеграции — повышенное внимание снова будет уделяться взаимодействию людей на разных ролях.

Компании, способные предложить сотрудникам лучшие цифровые средства, достигнут большего, чем те, где будет просто обновлен штат, — в первых получат существенную прибавку производительности. Среди компаний, участвовавших в исследовании МТИ, 25% признаны обеспечивающими первоклассные рабочие условия, благодаря чему им удается выпускать новые продукты и предлагать услуги вдвое быстрее конкурентов, а кроме того, такие предприятия сообщают об удвоенных показателях удовлетворенности клиентов и на 25% большей рентабельности.

Дело не в навыках и не в эффективности, отмечают в МТИ. В таких организациях уверены, что для достижения принципиально нового уровня производительности необходима интеллектуальная автоматизация.

Расскажем, как пять лауреатов премии CIO 100 2018 смогли «оседлать» цифровую волну и провести преобразования, направленные на радикальное улучшение рабочих условий.

Дистанционное техническое обслуживание

В компании Applied Materials, которая является одним из основателей электронной отрасли, тратят миллионы долларов на отправку специалистов в разные страны мира, чтобы помогать клиентам устанавливать и ремонтировать оборудование, необходимое для выпуска микросхем и дисплеев с плоским экраном.

Несмотря на строгий контроль бюджетов, в компании сумели пойти навстречу клиентам, все настойчивее требовавшим сокращения сроков выпуска продукции на рынок, и коренным образом изменили многие процессы клиентской поддержки. С помощью дополненной реальности и «умных» очков технические работы на местах были заменены на процедуры дистанционного обслуживания, обеспечивающие существенную экономию командировочных расходов.

В партнерстве с Upskill, разработчиком платформы дополненной реальности Skylight, и Osterhout Group, поставщиком умных очков ODG R7, была разработана защищенная платформа дистанционной поддержки, которая используется для устранения неполадок, контроля качества и обучения персонала. Отныне специалисты компании могут взаимодействовать удаленно в режиме реального времени и быстрее решать проблемы, а простои из-за длительных поездок теперь сведены к минимуму.

«Наша главная цель — ускорение; нам необходимо быстро выполнять все новые требования клиентов в сжатые сроки, — объясняет Джей Керли, вице-президент, ИТ-директор Applied Materials. — У нас клиенты по всему миру, и наша задача — построить единую экосистему из людей, процессов и технологий, чтобы направлять лучших специалистов туда, где они требуются».

Очки дополненной реальности дали возможность реализовать несколько новых рабочих сценариев. Они обеспечивают взаимодействие глобально распределенных групп в режиме видео-конференц-связи: эксперты удаленно наблюдают за работой «глазами» техников, находящихся на объекте, и дают советы. Кроме того, очки помогают проводить обучение и выполнять сложные работы на местах. Система дополненной реальности используется также в ходе аудита и контроля качества: вместо прежних процедур, предусматривавших ручную съемку и каталогизацию, теперь техники автоматически транслируют видео и звук в режиме реального времени. Сегодня работать стало намного удобнее, потому что сообщения, аннотации и вспомогательные файлы, в том числе инструкции и схемы оборудования, автоматически передаются техникам и появляются у них перед глазами.

«Смысл проведенных преобразований в том, чтобы «перенести» экспертов и их знания непосредственно туда, где выполняются работы и устраняются неполадки», — добавил Керли.

Замысел проекта возник в 2015 году благодаря внутрикорпоративному конкурсу Internet of Things Challenge, в рамах которого сотрудники должны были предлагать идеи по применению новых технологий для решения повседневных задач.

Проект помог Applied Materials быстрее устранять проблемы благодаря возможности мгновенно обращаться к экспертам, а не ожидать их прибытия. Кроме того, за один визит удается устранять больше неисправностей, поскольку теперь проблему дистанционно могут изучать сразу несколько экспертов.

Сегодня в компании намерены применять и другие средства визуализации, обработки больших данных и высокопроизводительных вычислений, чтобы и дальше наращивать эффективность рабочих процессов. «Прежние методы сегодня не действенны, — заключает Керли. — Нам, в частности, крайне необходимо ускорить наши циклы исследования и разработки».

Контроль здоровья креветок

В компании Cargill уверены, что залог хорошего урожая креветочной фермы — не траулеры и рыболовные сети, а Интернет вещей, мобильные приложения и аналитика больших данных.

Подразделение Cargill Digital Labs предлагает iQuatic — решение, включающее мобильное приложение и информационную панель, которые обещают новый уровень контроля и продуктивности креветочным фермам.

Решение призвано заменить бумажные блокноты и электронные таблицы, оно реализует функции аналитики и визуализации данных, которые предоставляют фермерам ценные сведения в оперативном режиме, помогая следить за здоровьем креветок и повышать урожаи.

До недавнего времени креветочным фермам приходилось полагаться на везение, говорят в Cargill. Сегодня в компании оцифровывают информацию, которая вручную заносилась в блокноты, и комбинируют данные, чтобы директора ферм могли получать сведения в реальном времени и принимать взвешенные решения.

Назначение цифровой платформы — изменить принципы кормления креветок. На протяжении десятилетий фермеры контролировали состояние водоема, пользуясь блокнотами и электронными таблицами. Такой метод был неудобным, малоэффективным и чреват ошибками, в связи с тем что приходилось отслеживать большой объем данных.

Платформа iQuatic на базе Интернета вещей меняет традиционные методы: автоматически регистрируются температура и минерализация воды, с помощью акустических датчиков отслеживается, в какое время и в каком объеме питаются креветки. Эти данные, комбинируемые с информацией из других источников, позволяют вносить оперативные корректировки в режим кормления. Возможности iQuatic позволяют выяснить естественные закономерности питания креветок, чтобы автоматизировать кормление и высвободить у сотрудников время для других важных задач.

«В прошлом специалисту приходилось постоянно брать пробы воды для контроля температуры и уровня минерализации, — объясняет Тиффани Снайдер, ИТ-директор Cargill. — Мы соединяем различные датчики и аналитические функции, позволяя фермерам получать недоступные прежде знания и автоматизировать процессы, которые раньше осуществлялись вручную».

Cargill помогает не только повышать продуктивность, но и совершенствовать аналитические средства путем увеличения количества доступных наборов данных и внедрения машинного обучения для принятия решений на основе прогнозов, что позволяет повысить число урожаев за сезон и, соответственно, доходы. Креветочные фермы, как и другие сельскохозяйственные предприятия, прежде работали менее эффективно из-за разрозненности систем и невозможности сопоставить информацию, чтобы делать прогнозы и принимать профилактические меры.

Как правило, фермеры лишь могли реагировать на текущие сведения, тогда как система Cargill позволяет перейти на прогнозный режим работы и добиться реального повышения продуктивности.

Автоматизация неэффективных процессов

В Fannie Mae, агентстве доступного ипотечного кредитования с государственным участием, прекрасно знакомы с бюрократическими процессами — ручными и зачастую неэффективными. Поэтому, реализуя проект цифровой трансформации, в Fannie Mae внедряют новейшие технологии, рассчитывая создать штат виртуальных сотрудников, которые будут работать «рука об руку» с людьми.

Стержнем инициативы являются средства роботизированной автоматизации процессов (Robotic Process Automation, RPA), программные роботы, которые воспроизводят действия человека при выполнении повторяющихся заданий. Поскольку основные кандидаты на такую автоматизацию — задачи, требующие входа в несколько систем, ввода большого количества данных, загрузки отсканированных документов и т. д., боты активно внедряются в отделах клиентского обслуживания, обработки медицинских страховых требований, выдачи кредитов, в бухгалтерии и др. Системы RPA — это нечто большее, чем традиционная ИТ-автоматизация, поскольку они способны адаптироваться, самообучаться и исправлять собственные ошибки.

В Fannie Mae проводят масштабное внедрение RPA, так как видят в новшестве платформу, которая обеспечивает слаженное взаимодействие между реальными сотрудниками и роботами. «Нашим специалистам по сопровождению приходилось разрываться между многочисленными задачами, и нам нужны были новые пути, чтобы высвободить им рабочее время, — объясняет Рамон Ричардс, старший вице-президент по технологиям безопасности и обслуживания Fannie Mae. — Поэтому мы активно осваиваем новые технологии, способные повысить эффективность внутренних процессов и предлагать более совершенные решения для клиентов». RPA позволяет Fannie Mae относительно быстро решать задачи автоматизации, обходясь без существенных изменений основных приложений и дорогостоящей интеграции.

Хотя в агентстве приняли меры по избавлению от «бумажных» процессов, из-за специфики его деятельности по-прежнему требовался большой объем ручного контроля. Сотрудники тратили немало времени на извлечение данных из систем, загрузку в электронные таблицы и другие корпоративные приложения, а также на операции согласования. Бизнес-процессы могли включать до 35 этапов и требовали принятия нескольких решений. Несмотря на наличие средств автоматизации, люди по-прежнему оставались главным связующим звеном.

Пилотный проект RPA был проведен весной 2017 года, и сотрудники ИТ-службы и операционного отдела, совместно работавшие над ним, сразу же ощутили преимущества технологии. Была сформирована группа по интеллектуальной автоматизации и роботизации процессов, которая занимается расширением применения RPA, машинного обучения и искусственного интеллекта в организации. Были определены три компонента, на которые группа опирается в своей работе: формализация процесса уточнения круга применений технологии, создание центра управления для контроля развертываний и использование новой модели взаимодействия отдела ИТ и специалистов по эксплуатации. За время, прошедшее после пилота, были автоматизированы 28 внутренних процессов в отделах операций, закупок и финансов.

Теперь сотрудники Fannie Mae могут переключиться на решение более ценных задач. По оценкам исполнителей, за первый год использования RPA высвободилось более 700 человеко-часов, повысились качество и продуктивность работы благодаря уменьшению ошибок оператора.

Сами специалисты по автоматизации могут уделять время новым проектам и заниматься проблемами клиентов. Сегодня, когда фундамент уже есть, идет разработка стратегии дальнейших действий, в том числе использования с RPA средств обработки естественного языка и интеграции с системами управления бизнес-процессами. После быстрого получения первых результатов был выстроен достаточно большой конвейер RPA, и бизнес-пользователи начали активно предлагать новые элементы рабочих процессов для автоматизации. Несмотря на энтузиазм, в проектной группе решили не очень форсировать инициативы, учитывая относительную новизну технологий. Текущая задача — доукомплектовать новый отдел, обучить специалистов и составить стратегический план дальнейшего развития.

Расширение возможностей сотрудников с помощью данных

Тезис о том, что данные — это валюта современного предприятия, весьма популярен, но не все поддерживают его делом. В компании Accenture его реализуют на практике, осуществляя общекорпоративный проект, направленный на «демократизацию» данных и предоставление сотрудникам возможности принимать решения с опорой на аналитику.

С конца 2015 года в глобальной консалтинговой компании строят современную платформу управления данными и аналитики, благодаря которой разрозненные информационные хранилища и статичные процессы отчетности должны уступить место новому образу действий, когда все элементы бизнеса опираются на аналитику и каждый пользователь руководствуется практическими сведениями, полученными в результате обработки данных.

Краеугольный камень инициативы — Enterprise Analytics Platform, платформа управления данными и защищенного руководства, обеспечивающая загрузку, обработку информации, моделирование и визуализацию для превращения в полезные знания. В компании сформирован центр компетенций Enterprise Insight Studio, задача которого — быстрая разработка и ввод в действие аналитических моделей. Участники проекта добиваются устранения барьеров, характерных для прежних нескоординированных методов управления данными, и предоставляют новые возможности пользователям на всех уровнях корпоративной иерархии и во всех структурных подразделениях компании, обеспечивая быстрый рост и диверсификацию бизнеса.

«Данные, уже имеющиеся у предприятия, способны принести пользу всем сотрудникам, — уверен Эндрю Уилсон, ИТ-директор Accenture. — Современным компаниям нужны совершенно новые, основанные на данных способы найма, обучения сотрудников, их информирования и обеспечения инструментами. До начала инициативы мы пребывали в классической ситуации, когда данных слишком много, но их форма, специфика и местонахождение не позволяют задействовать их для повышения эффективности работы».

Раньше в компании формировались статичные отчеты, они требовали большого объема работы аналитиков, к тому же не отражали текущую ситуацию и были доступны не всем. Используя Hadoop и Apache Kafka, а также средства моделирования и визуализации данных, в Accenture создали единую платформу управления, с полноценным набором функций руководства и безопасности. При этом был задействован упрощенный подход, позволивший в полном объеме удовлетворить требования к средствам отчетности и аналитики, он подразумевает разделение платформы на три компонента. Первый — общедоступные витрины данных для бизнес-аналитики — включает динамически обновляемые наборы данных, размещенные на быстрых системах хранения. Второй компонент гарантирует самостоятельный доступ опытных аналитиков к централизованным функциям управления данными, обеспечения безопасности и приватности. Третий — «студия инновации», в которой работают ученые по данным, они ищут и демонстрируют новые применения аналитических средств.

«Enterprise Insight Studio — это что-то вроде креативного рекламного агентства, только занимающегося данными, — поясняет Уилсон. — Нельзя добиться того, чтобы все 450 тыс. сотрудников компании были в курсе последних новшеств. Необходим отдельный центр компетенций, который сможет идти в ногу с развитием современных аналитических систем».

За полтора года со времени запуска новой системы и процессов, в Accenture предоставили 20 тысячам пользователей, занимающих ответственные посты, интерактивные отчеты, обновляемые в режиме реального времени, а объем традиционных статичных отчетов был уменьшен почти вдвое. Отпала необходимость в выполнении 90% повторяющихся операций, традиционно связанных с работой аналитиков, что позволило исследователям данных ежемесячно отвечать на 30–50 вопросов бизнес-руководства и сформировать портфель из 120 с лишним аналитических решений для широкого круга пользователей, от кадровиков до специалистов по продажам и клиентскому обслуживанию.

В дальнейшем в Accenture планируют задействовать искусственный интеллект, чтобы расширить возможности извлечения знаний и по-новому организовать взаимодействие между людьми и машинами. Как подчеркивает Уилсон, цель инициативы — с помощью средств интеллектуальной обработки данных дополнить возможности сотрудников, а не заменить их: «Пользуясь результатами анализа, сотрудники работают успешнее. И у них высвобождается время на выполнение важных обязанностей, таких как взаимодействие с клиентами».

Цифровые ассистенты спешат на помощь

Сегодня попросить Alexa или Siri внести молоко в список покупок или уменьшить температуру на термостате — обычное дело. Цифровые ассистенты стали помогать сотрудникам Лаборатории реактивного движения (Jet Propulsion Library, JPL) НАСА находить ответы на непростые вопросы и выполнять рутинные офисные задачи — благодаря осуществляемой в космическом агентстве инициативе по оптимизации рабочих процессов.

Цифровые ассистенты стали очередным этапом проекта Advanced Digital Research Explorer, в ходе которого создается платформа контекстного анализа, помогающая сотрудникам быстро находить ответы в петабайтах документов, баз знаний, видеозаписей и т. п. Цифровые ассистенты, реагирующие на устные команды, позволяют всем работникам лаборатории, от ученых до администраторов, взаимодействовать с системой более естественным образом, говорит Джеймс Риналди, ИТ-директор организации. «Традиционные интерфейсы взаимодействия с компьютерами уходят в прошлое, — считает он. — Мы придерживаемся принципа «если вы можете пользоваться чем-то дома, то сможете и на работе» — человеку комфортнее взаимодействовать с привычными вещами».

Работа над прототипом была начата в 2017 году. Для быстрого поиска, фильтрации и обобщения информации требовалось создать цифровых ассистентов, которым можно отдавать команды устно, путем набора текста, а также с помощью касаний и жестов. За все годы существования НАСА в лаборатории накопились петабайты документов, видеозаписей, изображений и экспериментальных данных в исходных форматах, разбросанных по многочисленным хранилищам, из-за чего ученым приходилось тратить слишком много времени на поиск необходимого для работы. Цифровые ассистенты призваны помогать сотрудникам быстро получать нужные ответы и тем самым значительно ускорять исследования.

«Уже в прошлом году мы продемонстрировали возможность «найти иголку в стоге сена» с помощью традиционного и голосового пользовательского интерфейсов и автоматизировали массу процедур, — отмечает Риналди. — Сегодня мы хотим, чтобы цифровые ассистенты выполняли больше типовых задач». По его словам, система Acquisition Digital Assistant, общение с которой происходит устно через диалогового бота, выдает ответы по результатам обработки 100 тыс. документов в девять раз быстрее, чем при традиционном поиске с набором запроса.

Новые цифровые ассистенты, способные обращаться как к внешним, так и к внутренним источникам информации, используют облако AWS и интерфейс Alexa, чтобы облегчить сотрудникам выполнение широкого круга заданий. Например, Alexa можно попросить перечислить самые масштабные попытки хакерских вторжений в системы, а ассистент RoomBot найдет конференц-зал, который будет свободен в указанное время.

По признанию Ринальди, этот бот стал настоящим «хитом»: сотрудники лаборатории, а их насчитывается около 6 тыс., тратили более двух часов в неделю на поиск свободных конференц-залов, а потом еще несколько часов — на настройку оборудования перед совещанием. Голосовой ассистент не только помогает найти конференц-зал за считанные секунды, но и по команде сам настраивает системы аудио-, видео- и веб-конференций с помощью технологий Интернета вещей. По подсчетам, благодаря новшествам время простоев конференц-залов сократилось на 30%.

Помимо масштабируемых технологий, проектная группа применяет итеративную скоростную разработку платформы, опираясь на методы agile и на исходящие от самих пользователей идеи новых сценариев применения. Кроме того, в рамках сотрудничества с Amazon в НАСА добились доработки решения Alexa for Business, благодаря которой упростились масштабные развертывания колонок Echo и чатботов.

Проект внедрения цифровых ассистентов в JPL только начался. Риналди убежден, что они будут особенно полезными для новых сотрудников, которые с их помощью смогут получать доступ к нужной информации и сервисам: «Цифровые помощники облегчают работу в многозадачном режиме, да и общаться с ними сотрудникам нравится».

— Beth Stackpole. Redefining work in the digital age.CIO. August 22, 2018

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

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

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

Юрий Буйлов, руководитель отдела разработки компании CarPrice

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

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

- Как меняется вторичный автомобильный рынок под влиянием инноваций?

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

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

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

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

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

- Для чего используются нейронные сети?

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

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

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

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

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

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

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

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

- Что заставляет ретейлеров браться за технологии машинного обучения?

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

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

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

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

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

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

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

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

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

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

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

- Так какие именно задачи решаете вы?

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

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

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

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

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

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

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

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

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

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

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

- И можно уже говорить о результатах?

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

- Что мешает развивать технологии машинного обучения в ретейле?

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

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

- И как вы ее решаете?

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

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

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

- О чем вы собираетесь рассказать участникам конференции?

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

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

Компании вынуждены становиться все более интеллектуальными, встраивая аналитические инструменты в процессы принятия решений и делая анализ данных неотъемлемой составляющей управления. Во многом в этом и заключается смысл цифровой трансформации. Дмитрий Рубин, директор департамента систем автоматизации ИТ и процессов обслуживания компании Naumen, рассказывает об управленческих проблемах на пути к цифровой трансформации, пользе сервисного подхода в этом процессе и своих взглядах на место искусственного интеллекта в цифровом будущем предприятий.

- Как вы считаете, каковы основные проблемы бизнеса на пути к цифровой трансформации?

Сначала необходимо определиться с самим термином «цифровая трансформация», или «цифровая революция». В моем понимании это переосмысление всех составляющих бизнеса с точки зрения возможностей, предоставляемых современными технологиями. Именно технологии выступают инструментом для достижения целей: оперативно реагировать на запросы рынка, адаптироваться к меняющимся экономическим условиям, минимизировать риски и издержки.

Проблем на пути к цифровым преобразованиям несколько. В первую очередь — нежелание менять привычный уклад. Иногда оно связано со страхом перед новым и неизведанным, иногда – с уверенностью, что можно обойтись без изменений. Но следует понимать, что даже лидеры рынка рискуют потерять позиции, если не будут адаптироваться к новым условиям.

Не менее существенной проблемой является экономическая целесообразность цифрового преобразования. Изменения требуют финансовых вложений, а бизнесу важно понимать, за счет чего он станет больше зарабатывать или меньше тратить. В то время как далеко не каждый проект трансформации имеет четкое экономическое обоснование, подкрепленное статистическими данными. Остается либо прибегнуть к детальному анализу всех составляющих проекта, либо полагаться на веру в лидера. Найти такого лидера от бизнеса со знанием ИТ – задача крайне важная. Зачастую первые лица компаний не имеют достаточных знаний, а ИТ-директору не под силу совершить цифровую трансформацию в одиночку. Решить проблему может диалог между ИТ и бизнесом.

Даже в тех компаниях, где понимают необходимость преобразований, не всегда есть четкий алгоритм действий. Специфика российского рынка такова, что на нем не так много компаний с абсолютно одинаковыми бизнес-процессами. Универсальной схемы цифровой трансформации нет. Важно не бросаться оптимизировать все и сразу, а сконцентрироваться, расставить приоритеты исходя из насущных проблем компании.

- Какова роль ИТ в решении всех этих проблем?

ИТ выступают основным советником бизнеса на пути к трансформации. Именно ИТ нередко демонстрируют эффективность новых технологий на собственном примере, становясь драйвером трансформации в рамках всего бизнеса.

Генеральные директора все больше проявляют интерес к технологиям и преимуществам, которые эти технологии несут бизнесу, а ИТ-директора становятся полноценными партнерами в управлении компанией. При этом ИТ нередко берут на себя обучающие функции для снижения порога входа в цифровую эру для сотрудников, помогая им адаптироваться в новых условиях.

Хорошим примером сотрудничества и передачи опыта ИТ в бизнес является использование идей сервисного подхода и автоматизации процессов взаимодействия сервисных служб на базе единой сервисной цифровой платформы. ITSM-практика доказала свою эффективность в управлении ИТ, а теперь уверенно демонстрирует ее в управлении бизнес-процессами.

- Что может получить бизнес от перехода на сервисную модель и зачем на нее переходить?

Одни из критериев эффективности процессов трансформации – оптимизация процессов, сокращение затрат и повышение удовлетворенности клиентов. Все это можно обеспечить благодаря внедрению сервисного подхода. Доказательством тому служат более 400 успешно реализованных проектов на базе Naumen Service Desk. Так, компания «Новапорт», одна из крупнейших сетей региональных аэропортов России, повысила контроль и качество обслуживания в восьми аэропортах. Благодаря автоматизации процессов сервисного обслуживания удалось на 50% повысить оперативность обработки запросов и на 15% уменьшить количество инцидентов. В дальнейшем решение планируется использовать за рамками ИТ – для автоматизации заявок в Общем центре обслуживания.

Переход на сервисную модель взаимодействия на базе цифровой платформы может быть одним из первых шагов в цифровой трансформации. Многие наши заказчики уже прошли этот путь и развиваются дальше.

- Согласны ли вы с тем, что четвертая технологическая революция строится на машинном обучении и искусственном интеллекте?

Несомненно, триада «люди-процессы-технологии» дополнилась четвертым компонентом – данными. Они служат новым источником знаний для автоматизированных систем и процессов, их использование открывает поистине большие возможности в части оптимизации деятельности компании. Данные являются базисом для систем искусственного интеллекта. Чем данных больше, чем они лучше сегментированы и структурированы, тем большую пользу можно от них получать для решения прикладных задач. В связи с этим позиция директоров по данным (Chief Data Officer, CDO) в компаниях уже нередко становится обязательной наряду с СЕО и СIO.

- Ранее компания Naumen заявила о создании линейки решений Naumen Service Management Intelligent Automation (SMIA) и создании Центра интеллектуальной автоматизации. Чем обусловлено развитие данного направления?

Наша компания является ведущим российским производителем ПО для управления сервисными процессами и объединенными центрами обслуживания. Мы много инвестируем в развитие наших продуктов, и одно из основных направлений инвестиций сейчас – разработка решений на основе технологий больших данных и машинного обучения. В ходе цифровой революции востребованность этих технологий со стороны заказчиков будет неуклонно расти. Именно это стало толчком для создания Центра компетенций по интеллектуальной автоматизации и линейки SMIA. Naumen Service Management Intelligent Automation может внедряться на универсальных платформах для построения решений по автоматизации бизнес-процессов, интеллектуального мониторинга и анализа экосистемы предприятия – Naumen Service&Data Platforms. Сюда входят универсальная платформа для автоматизации бизнес-процессов Naumen Service Management Platform и платформа для построения систем интеллектуального мониторинга и анализа экосистемы предприятия Naumen Data Aggregation Platform.

Уже сейчас у нас есть решения для интеллектуальной классификации, приоритизации и маршрутизации обращений, поступающих от пользователей и клиентов, что позволяет фактически упразднить первую линию обслуживания и сократить как минимум до 20% время на решение запросов.

Алгоритмы предиктивной аналитики позволяют интеллектуально обнаруживать и предотвращать от 30% инцидентов в инфраструктуре еще до их возникновения, благодаря чему снижаются затраты на эксплуатацию оборудования. Интеллектуальные чат-боты, умные базы знаний и системы генерации и распознавания речи предоставляют возможность строить комплексные роботизированные системы эксплуатации и клиентского обслуживания.

Мы также уделяем особое внимание фундаменту интеллектуальных систем – управлению и работе с данными. Технологии искусственного интеллекта призваны кардинально изменить подход к управлению данными. Предприятиям необходимо оптимизировать свои процессы, если они хотят успешно использовать большие данные и средства анализа, чтобы улучшить клиентское восприятие, достичь бизнес-целей, получить конкурентные преимущества и в конечном итоге занять лидирующие позиции на рынке. Мы готовы предоставить для этого гибкие инструменты, помогающие собирать данные, анализировать их и управлять ими.

- Какие отрасли наиболее готовы к использованию технологий искусственного интеллекта?

К ним проявляют интерес отрасли с максимальной конкуренцией, где компании находятся на передовой использования инновационных решений в целях получения конкурентных преимуществ: электронная торговля, финансовый сектор, ИТ и телеком. Не отстает и госсектор – этому способствует принятая программа «Цифровая экономика Российской Федерации на 2017-2030 годы», в которой основное внимание уделяется развитию цифровых технологий, в том числе базирующихся на больших данных, искусственном интеллекте и робототехнике.

Особое место искусственному интеллекту отводится в промышленности. Эксперты прогнозируют, что рынок ИИ в отечественной промышленности к 2021 году достигнет 380 млн долл. Здесь он используется пока в большей степени для увеличения срока службы промышленного оборудования и повышения эффективности его обслуживания.

- Насколько внедрение технологий искусственного интеллекта оправданно экономически и насколько оно организационно сложно?

Технологии на базе искусственного интеллекта призваны заменить человеческий труд, снизить затраты на операционные процессы. С одной стороны, обосновать экономический эффект от внедрения таких технологий довольно просто. С другой, очень многое зависит от базиса внедрения – состояния данных. Из-за этого эффективность внедрения может очень сильно различаться, что подчас дискредитирует и проекты, и саму технологию. Именно поэтому необходимо привлекать компетентных исполнителей, которые смогут организовать правильные процессы работы с данными, отслеживать их качество и полноценность, чтобы в конечном счете получать пользу от внедрения и применения ИИ. Только в этом случае гарантирован возврат инвестиций. Скажу, что все реализованные на сегодня проекты на базе решений Naumen SMIA сопровождались конкретными бизнес-результатами – в частности, снизились затраты на операционные процессы до 50% и выросла скорость принятия решений до 70%.

Конечно, все хотят верить в некую магию и в то, что внедрение технологий на основе ИИ быстро решит их проблемы. Мы видим свою задачу не только в том, чтобы разрабатывать и внедрять технологии, но и в том, чтобы обеспечить эффект от их использования у каждого заказчика.

- По вашим прогнозам, когда ждать массового использования технологий ИИ и машинного обучения?

Технологии ИИ и машинного обучения сейчас переживают настоящий информационный бум. Ожидания от них, как и от любых инновационных решений, могут быть весьма завышены на первоначальном этапе. Следует понимать, что результаты сильно зависят от ИТ-зрелости компании, базиса данных, формулировки целей и, конечно же, компетенций исполнителей. В ближайшие два года мы будем наблюдать рост количества проектов по внедрению искусственного интеллекта. Как прогнозируют в IDC, к 2019 году примерно 40% проектов цифровой трансформации, реализуемых в компаниях, будут использовать ИИ-сервисы. Через три года искусственный интеллект станет реальным инструментом для решения практических задач. Мы стремимся работать на опережение, развивая компетенции для выполнения проектов на базе прорывных технологий.

Чем сильнее в мире ИТ ажиотаж по поводу новшества, тем больше о нем неверных представлений, и аналитика не исключение. Методы аналитики, одного из самых «модных» направлений в современных ИТ, могут принести существенные преимущества бизнесу, но заблуждения способны помешать оперативно реализовать возможности, которые могли бы пойти на пользу как самой компании, так и ее клиентам.

При разработке и расширении стратегии в области аналитики организациям стоит иметь в виду распространенные мифы. Перечислим 12 таких мифов.

Миф № 1. Аналитика требует немалых инвестиций

В наше время любой технологический проект проходит через фильтр финансовой оценки. «Во что это нам обойдется?» – один из первых вопросов, который получают ИТ- и бизнес-руководители, когда предлагают начать проект или внедрить новый инструмент.

Некоторые считают, что аналитика данных – внедрение непременно дорогостоящее, а потому доступное только организациям с солидными бюджетами и внутренними ресурсами. Однако не все инициативы в этой области требуют значительных инвестиций.

Сегодня существует масса инструментов с открытым кодом, и не только тех, с помощью которых вы сможете быстро увидеть преимущества аналитики. Чтобы убедиться в этом, понадобятся анализ внутренних ресурсов для хранения данных и оценка задач, которые требуется решить. К тому же пробные внедрения сегодня значительно упростились благодаря облачным сервисам.

Современная аналитика основана на облачных системах и средах обработки больших данных, которые по своей природе гораздо менее дорогостоящие, чем традиционные хранилища данных. Кроме того, данные и аналитика обычно применяются ради трех задач: повышения КПД процессов, увеличения выручки и прогнозного управления рисками. Поэтому в целом внедрение аналитики обеспечивает значительные экономические преимущества любой компании.

Миф № 2. Для аналитики требуются большие данные

В представлении многих концепции больших данных и аналитики идут рука об руку. Считается, что организациям, прежде чем осваивать аналитику, нужно собрать колоссальные объемы данных, чтобы получать полезные для бизнеса знания, улучшать процессы принятия решений и т. д.

Разумеется, преимущества анализа больших данных сегодня хорошо известны, и компании с соответствующими ресурсами действительно могут получить ощутимое конкурентное преимущество за счет использования информационных хранилищ в рамках аналитических инициатив. Однако представление о том, что большие данные обязательны для аналитики, неверно.

Зачастую в компаниях стараются сохранять как можно больше данных, пребывая в уверенности, что это необходимо. Но полагать, что чем больше данных, тем лучше, а остальное – дело техники, является ошибкой.

Для аналитики требуются не максимально большие объемы данных, а данные определенного рода. Сотрудникам прежде всего необходима информация, относящаяся к их должности, которая поможет в принятии решений и улучшении результатов. Нужно не гнаться за большим объемом данных, а уточнить, какие именно данные нужны бизнес-пользователям и в какой форме они должны быть представлены.

Для предоставления доступа ко всему объему информации во множестве форматов, может потребоваться чрезмерно сложный проект, который будет лишь сдерживать освоение аналитики. Поэтому необходимо выяснить, какие именно данные важны и как представить информацию в наиболее доступной для пользователей форме.

Миф № 3. Аналитика исключает присущую людям предвзятость

Принципы работы автоматизированных систем таковы, что ошибки из-за предубеждений им, казалось бы, не должны быть свойственны. Но технологии разрабатываются людьми, поэтому полностью исключить предвзятость невозможно. По мнению некоторых, аналитика и машинное обучение устраняют предвзятость, присущую людям, но это, увы, не так. Алгоритмы аналитических систем настраиваются с помощью обучающих данных и воспроизводят все особенности, свойственные учебной выборке.

В одних случаях возникающая таким образом системная предвзятость может быть незначительной, в других – сильной. Поэтому не стоит полагать, что полученный результат верен и объективен только потому, что «так сказал компьютер».

Миф № 4. Лучшие алгоритмы – залог успеха

На самом деле если объем данных достаточен, то выбор алгоритма может и не иметь значения. В публикации IEEE, озаглавленной «Необоснованная эффективность данных», инженеры Google доказывают, что простые статистические модели в сочетании с гигантскими объемами данных позволяют получить лучшие результаты, чем более «интеллектуально развитые» модели, учитывающие множество признаков и выполняющие сложные обобщения. В некоторых случаях простая обработка более обширного набора данных позволяет получать оптимальные результаты.

Миф № 5. Алгоритмы безотказны

Людям свойственно безоговорочно доверять статистическим моделям, алгоритмам и методам науки о данных. Не обладая достаточными знаниями, чтобы подвергать сомнению качество моделей, они предпочитают доверять «умникам», которые их разработали.

Прогнозы о том, что искусственный интеллект через пару десятков лет обойдет по интеллектуальным способностям людей, слышны уже более полувека и будут раздаваться далее. Однако, прежде чем можно будет безоговорочно доверять машинному обучению и результатам работы моделей, пройдет еще очень много времени. А пока что необходимо требовать от людей, разрабатывающих алгоритмы и модели, объяснений того, как именно получаются те или иные результаты. Речь идет не о том, что верить им в принципе нельзя, а о том, что нужны уточнения, которые помогут проверять аналитику и после этого доверять ей.

Миф № 6. Наука о данных – «тайное» искусство, доступное не всем

В последние годы наука о данных получила широкую известность, но, тем не менее, не все понимают, что это такое. Говоря упрощенно, это поиск закономерностей в данных с помощью специальных алгоритмов.

Наука о данных представляется загадочной, поскольку такие алгоритмы способны анализировать больше переменных и данных, чем может себе представить человеческий разум. С ростом доступных вычислительных мощностей и объемов памяти, происшедшим за последние годы, мы обрели возможность быстро решать задачи, которые еще десять лет тому назад было бы невозможно экономично решить доступными способами. Наука о данных – это естественное развитие методов статистического анализа, хорошо известных уже много десятков лет. Никакой загадки в науке о данных нет – достаточно освоить соответствующие разделы математики.

Миф № 7. Чтобы выполнять больше аналитики, нужно больше ученых по данным

Ученые по данным (data scientist) на сегодня одна из самых востребованных технических профессий. В каких-то случаях организация может обойтись меньшим количеством этих специалистов, если перераспределить обязанности.

Масса времени ученого по данным тратится на второстепенную работу – поиск наборов данных, перенос в системы обработки, преобразование и очистку. Учитывая, насколько непросто сегодня нанять ученого по данным, эти малоценные задачи следует поручить другим.

В качестве примера можно привести разработанную в компании Uber платформу Michelangelo, которая позволяет ученым по данным заниматься не переброской данных туда-сюда, а проектированием, выделением и анализом признаков, предоставляя им возможность работать продуктивнее.

Миф №8. Аналитика занимает слишком много времени

Скорость сегодня имеет огромное значение для конкурентоспособности компаний, идет ли речь о срочном выпуске продукта на рынок или о быстром ответе на запрос клиента. Существует мнение, что аналитика занимает много времени, а потому мешает повышению скорости и деловой гибкости.

Миф о том, что проекты подобного рода слишком длительны и сложны, довольно расхож. Однако на деле все сводится к кадровому вопросу. При наличии специалистов с необходимыми навыками, умеющих грамотно применять agile-методологии, вы сможете отвечать на важные вопросы за считанные дни, а не месяцы.

Миф № 9. Самое сложное – технологии

В связи с постоянным ростом количества доступных технологий, выбрать правильный комплект инструментов для аналитиков сегодня не так-то просто.

Но в действительности самое сложное – выстроить организационную структуру и операционную модель, которая поможет объединить результаты работы людей, процессов и технологий. Кроме того, очень сложно создать такую структуру внутри существующего отдела ИТ или параллельно ему.

При этом важно не впадать в заблуждение относительно того, что всю работу будут выполнять аналитические инструменты. Технологии сами по себе не решают задачи бизнеса. Спеша создавать озера данных, организации нередко получают болота – информационную «трясину», в которой невозможно разобраться.

Технология не решает аналитические задачи. Вначале нужно выявить проблему бизнеса и выяснить, какие именно данные нужны для ее решения. Это поможет уточнить наличие пробелов в данных, имеющихся у вашей организации.

Миф № 10. Аналитикой должен заниматься специальный отдел

В некоторых организациях аналитикой занимается отдельный департамент, в других – кросс-функциональная группа специалистов.

Однако, учитывая взрывной рост накапливаемых объемов данных по всем аспектам бизнеса и современные темпы перемен, можно утверждать, что модель самостоятельного отдела уже не подходит. В эпоху, когда компании становятся более клиентоориентированными, специалисты по аналитике должны работать непосредственно в бизнес-подразделениях, а не в самостоятельном отделе, к которому обращаются как к службе поддержки.

Ключ к решению многих сложных задач, стоящих перед бизнес-подразделениями, спрятан именно в данных. Поэтому ученые по данным и другие специалисты, применяющие искусственный интеллект для обработки обширных информационных срезов в тесном сотрудничестве с бизнес-пользователями, станут важнейшим звеном в создании новых продуктов, услуг и принципов взаимодействия с клиентом.

Миф № 11. Аналитика доступна только выпускникам аспирантуры

Большое количество аналитиков с учеными степенями – это плюс, но не обязательное условие. В компаниях нередко считают, что без кандидатов наук высококвалифицированный анализ невозможен. Однако современная аналитика требует наличия специалистов многих квалификаций, в том числе разбирающихся в современных технологиях и ПО с открытым кодом. Формирование группы, в которую входят архитекторы больших данных, инженеры, ученые по данным, специалисты по визуализации и т. д., – вот залог успеха.

Миф № 12. Искусственный интеллект лишит людей работы и разрушит экономику

Появляющиеся новые технологии всегда влияли на рынок труда и различные отрасли, и сегодня существуют страхи по поводу того, что искусственный интеллект сделает ряд профессий ненужными.

Искусственный интеллект действительно гораздо лучше справляется с определенными задачами: по сравнению с человеком машина быстрее читает, способна больше запомнить и может выполнять более сложные математические расчеты. Однако в новых ситуациях человек ориентируется намного лучше.

Да, некоторые профессии уже исчезают в связи с развитием искусственного интеллекта, и за ними последуют другие. Однако, в отличие от человека, существующие технологии искусственного интеллекта лишены способности осваиваться и действовать в непредвиденных ситуациях. В обозримом будущем искусственный интеллект наибольшую пользу будет приносить при решении сложных задач, дополняя человеческие возможности. Многие профессии в связи с появлением искусственного интеллекта изменятся, но люди по-прежнему будут оставаться критически важным элементом экосистемы бизнеса.

– Bob Violino. 12 myths of data analytics debunked. CIO. NOV, 2017

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

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

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

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

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

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

Безопасность и мотивация

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

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

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

Управление инфраструктурой

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

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

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

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

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

Обеспечение связи

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

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

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

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

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

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

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

Прогнозное обслуживание

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Пока что – только точечные решения

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

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

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

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

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

Сегодня ИТ-директора активно берут на вооружение новую методику, получившую название «роботизированной автоматизации процессов» (robotic process automation, RPA). Они рассчитывают с ее помощью оптимизировать деятельность компании и уменьшить затраты. RPA автоматизирует повседневные бизнес-процессы, описываемые правилами, позволяя сотрудникам уделять больше времени обслуживанию клиентов и другим более ценным задачам. Эксперты считают RPA временным решением на пути к автоматизации, реализуемой средствами искусственного интеллекта, который можно было бы научить прогнозировать возможные последствия тех или иных действий.

Объясним, что такое роботизированная автоматизация процессов и как ИТ-директора могут поставить ее на службу бизнесу.

Что такое RPA

RPA состоит в применении технологий, управляемых бизнес-логикой и структурированными входными данными, с целью автоматизации бизнес-процессов. Система RPA – это специальное программное обеспечение («робот»), которое после соответствующей настройки, запомнив принципы управления пользовательским интерфейсом различных приложений, может обрабатывать транзакции, манипулировать данными, реагировать на события и обмениваться информацией с другими цифровыми системами. Сценарии RPA варьируются от самых простых, таких как автоматический ответ на почтовое сообщение, до сложнейших, предусматривающих развертывание тысяч ботов, каждый из которых запрограммирован на автоматизацию определенной задачи.

Первыми осваивать RPA начали в свое время директора по операциям в финансовых компаниях, которые нуждались в средствах программной автоматизации бизнес-процессов, но при этом хотели обойтись без увеличения штата и затрат. Сегодня RPA широко применяется в здравоохранении, в розничной торговле, в кадровых агентствах и не только.

Преимущества RPA

RPA дает организациям возможность снизить трудозатраты и количество ошибок, допускаемых людьми. Например, в банке Deloitte LP благодаря внедрению RPA автоматизировали процедуры обработки претензий – установили 85 ботов для выполнения 13 процессов. Программные средства обрабатывают в Deloitte около 1,5 млн запросов ежегодно. Как утверждают в компании, для выполнения той же работы пришлось бы нанять более 200 сотрудников на полную ставку, внедрение же программных роботов обошлось на 30% дешевле.

Обычно боты обходятся недорого и просты во внедрении – они не требуют специализированного ПО и глубокой интеграции с имеющимися системами, а потому ценны для организаций, в которых стремятся развивать бизнес без существенного увеличения издержек и без кадровых конфликтов. Автоматизируя рутинные задачи, в компаниях высвобождают ресурсы и направляют их на выполнение более ценной для бизнеса работы.

Возможности RPA можно расширить, если воспользоваться когнитивными технологиями – средствами машинного обучения, распознавания речи и обработки естественного языка для автоматизации более сложных задач, которые прежде требовали участия человека.

Такие системы RPA могут автоматизировать процессы, состоящие из 15-20 этапов и более. В этом случае решение RPA можно отнести к категории цепочек формирования ценности, основанных на интеллектуальной автоматизации (intelligent automation, IA). Эксперты EPAM Systems уверены, что если опросить крупные компании, то почти все сообщили бы о планах внедрить средства IA уже в текущем году.

По прогнозу Gartner, к 2020 году благодаря автоматизации и искусственному интеллекту штат общих центров обслуживания (shared service center) в организациях уменьшится на 65%, а объем рынка средств RPA достигнет миллиарда долларов. К этому же времени программные системы RPA начнут использовать в 40% крупных компаний, тогда как сейчас соответствующий показатель составляет менее 10%.

Подводные камни

Как и любая технология автоматизации, RPA может привести к сокращению числа рабочих мест и потому создает для ИТ-директора трудности с кадровым управлением. В компаниях, осваивающих RPA, чаще всего стараются переводить сотрудников, остающихся не у дел, на новые должности, однако, по прогнозам Forrester Research, RPA может лишить доходов 230 млн работников, а то и более, что составляет примерно 9% всего занятого населения в мире.

Внедрения RPA могут окончиться провалом, даже если ИТ-директору удастся справиться с кадровыми проблемами.

В отчете McKinsey, опубликованном в мае 2017 года, отмечается, что некоторые проекты роботизации оказались замороженными или ИТ-директора в какой-то момент стали воздерживаться от установки новых ботов. Внедрение тысяч ботов занимает гораздо больше времени и оказывается более сложным и затратным делом, чем рассчитывают в организациях. Платформы, на которых боты взаимодействуют друг с другом, часто меняются, а сам робот не всегда можно легко адаптировать к новшествам. Более того, в результате ввода в действие нового нормативного акта, который требует даже незначительного изменения приложения, могут пойти насмарку месяцы труда, ушедшие на реализацию бота.

К похожим выводам пришли авторы исследования, проведенного недавно британским отделением Deloitte: только в 3% организаций смогли расширить RPA до уровня 50 или более роботов.

Вдобавок внедрение RPA далеко не всегда гарантирует экономический эффект. В теории можно автоматизировать около 30% задач, выполняемых работниками на большинстве должностей, однако, как подсчитали в McKinsey, аналогичного сокращения расходов это не принесет.

В каких компаниях используют RPA

Среди многочисленных компаний, осваивающих RPA, – Walmart, Deutsche Bank, AT&T, Vanguard, Ernst & Young, Walgreens, Anthem и American Express Global Business Travel.

В Walmart внедрили почти 500 ботов, чтобы автоматизировать широкий круг задач — от ответов на вопросы сотрудников до извлечения важных сведений из отчетов об аудитах. Многие роботы были внедрены самими сотрудниками, уставшими от рутинной работы.

В American Express Global Business Travel применяют RPA для автоматизации возврата авиабилетов и выплаты возмещений. Есть планы использовать RPA для выдачи рекомендаций по выбору альтернативных вариантов при закрытии аэропорта вылета, а также для автоматизации управления издержками. Средства RPA в компании обучаются, «наблюдая» за тем, как как те или иные функции выполняют сотрудники. И перечень автоматизируемых задач постоянно растет.

Приведем десятку советов от профессионалов, как лучше всего провести внедрение RPA, чтобы автоматизировать процессы.

1. Уточняйте и разъясняйте ожидания

RPA может обеспечить быстрые результаты, но не в масштабных проектах автоматизации. Многие проблемы крупных внедрений возникают из-за отсутствия управления ожиданиями и усугубляются из-за громких обещаний поставщиков средств RPA и консультантов по внедрению. Поэтому ИТ-директору следует настроить сотрудников на осторожный оптимизм. Если заранее знать о возможных проблемах, будет более высокая удовлетворенность результатами.

2. Учитывайте влияние на бизнес

RPA часто позиционируют как инструмент повышения окупаемости или снижения затрат. Но на самом деле автоматизацию следует использовать и для улучшения обслуживания заказчиков. Пример: в отделах клиентского обслуживания может работать множество сотрудников, но, позвонив в колл-центр, вы все равно будете вынуждены какое-то время ждать ответа. Решить проблему можно с помощью чат-бота. Когда отдел обслуживания укомплектован виртуальными сотрудниками, не будет времени ожидания, никто не будет отсутствовать по болезни и клиент не нарвется на невежливого собеседника.

3. С самого начала привлекайте к реализации отдел ИТ

При закупке средств RPA директора по операциям нередко наталкивались на сложности при внедрении и вынуждены были обращаться за помощью в отдел ИТ. Сегодня у пользователей, даже не имеющих технических навыков, есть возможность с помощью специальных облачных сервисов самостоятельно внедрять RPA в бизнес-подразделениях. Однако нередко вмешивается ИТ-директор, препятствуя проекту. Советуем бизнес-руководителям с самого начала привлекать к проекту отдел ИТ, чтобы он, когда понадобится, предоставил нужные ресурсы.

4. Дефекты архитектуры и неправильное управление изменениями приводят к хаосу

Многие внедрения проваливаются из-за неверного планирования и управления изменениями. Если система развертывается в спешке, то зачастую упускается из виду необходимость наладить связь между различными ботами, что может привести к нарушению бизнес-процессов. Перед внедрением необходимо продумать архитектуру операционной модели, составить схему взаимодействия различных ботов. Некоторые ИТ-директора не считают необходимым согласовывать изменения, которые будут внесены в бизнес-процессы в связи с новыми принципами их выполнения. Соответствующую подготовку нужно проводить загодя, чтобы избежать ущерба для бизнеса.

5. Не попадите под лавину данных

Система из нескольких тысяч ботов, автоматизирующая ввод данных, мониторинг работы ПО и другие задачи, будет генерировать огромные объемы данных, и у топ-менеджеров компании может возникнуть соблазн использовать их. Нередки случаи, когда данные, генерируемые программными роботами, применяют для машинного обучения, а затем внедряют чат-бот в качестве пользовательского интерфейса, позволяющего делать запросы к доступной информации. В результате инициатива RPA превращается в проект машинного обучения, для которого не было сделано необходимое предварительное планирование. «Шайба» проекта скользит, ИТ-директор тщетно пытается за ней угнаться. Проект RPA должен быть цельной долгосрочной инициативой, а не лоскутным проектом, который постепенно превращается в нечто неуправляемое.

6. Руководство – превыше всего

Еще одна проблема возникает, если не предвидеть возникновения некоторых препятствий. Например, в компании изменили политику в отношении паролей, но ботов соответствующим образом не перепрограммировали, что привело к потере данных. ИТ-директор должен постоянно быть начеку, чтобы не упустить из виду перемены, из-за которых проект RPA может застрять. Как минимум следует установить систему мониторинга и выдачи предупреждений, которая будет реагировать на проблемы, влияющие на производительность. Ботов нельзя отпускать «в свободное плавание», позволив им бесконтрольно выполнять свои функции.

7. Контролируйте соблюдение нормативных требований

При запуске даже единственного бота могут возникнуть проблемы с соблюдением нормативных требований. В Deloitte рассказали, как в одной из клиентских компаний пришлось провести несколько собраний только для того, чтобы определиться на основании корпоративного кодекса этики, какого пола должен быть бот.

8. Создайте центр компетенций по RPA

Самые успешные реализации RPA были осуществлены при поддержке центра компетенций, укомплектованного специалистами, которые отвечают за успех проектов повышения эффективности работы организации. Разумеется, такой центр целесообразен, только если у компании есть на это средства. В центре компетенций составляют экономические обоснования инициатив, просчитывают потенциальную экономию и сроки окупаемости, контролируют достижение целей и соответствие графику. Штат такого центра, состоящий из экспертов в области автоматизации, обычно невелик, но постепенно растет. В любом случае перед внедрением RPA следует оценить, принесет ли автоматизация достаточную пользу бизнесу.

9. Не забывайте о влиянии на людей

Ослепленные перспективами, которые сулит новое решение, в некоторых организациях так увлекаются внедрением, что забывают подключить к процессу кадровый отдел, а это может отрицательно сказаться на работе сотрудников, которые будут иметь дело с нарушением привычных процедур. Забота о людях должна быть в приоритете.

10. Боты RPA должны проходить полный цикл разработки

Боты для роботизированной автоматизации должны проходить через все стандартные этапы разработки. Это, казалось бы, очевидное правило соблюдают не всегда.

В конечном счете универсального рецепта реализации RPA нет. Главное – ориентироваться на то, чтобы в долгосрочной перспективе перейти на интеллектуальную автоматизацию. Важной функцией средств автоматизации должна стать способность отвечать на вопросы, что позволяет ускорить бизнес-процессы, повысить их качество и достигнуть необходимого масштаба.

– Clint Boulton. What is RPA? A revolution in business process automation. CIO. MAY 25, 2018

Мало какие технологии могут сравниться с искусственным интеллектом и машинным обучением по уделяемому им сегодня вниманию. Некоторые предприятия уже используют для привлечения клиентов и поддержания деловых операций технологию, моделирующую человеческий разум. По прогнозам Gartner, в ближайшие годы эта тенденция будет только усиливаться, а к 2020 году искусственный интеллект и машинное обучение войдут в число пяти ведущих приоритетов для 30% ИТ-директоров.

Первоначальные опасения по поводу того, что боты появятся на каждом рабочем месте, немного ослабели. Скорее всего, люди и машины будут работать вместе. «Однако пока предприятия не справляются с переподготовкой сотрудников, чьи рабочие места, по всей вероятности, будут автоматизированы», – отметил технический директор и директор по инновациям компании Accenture Пол Догерти, выпустивший недавно книгу «Human + Machine: Reimagining Work in the Age of AI» («Человек плюс машина: переосмысление работы в эпоху искусственного интеллекта») о глобальном влиянии искусственного интеллекта на рабочую силу.

Опрос руководителей 1,5 тыс. компаний показал, что 65% из них признают неготовность своих работников к пришествию искусственного интеллекта. Вместе с тем только 3% отметили, что увеличили интенсивность обучения, чтобы соответствовать современным тенденциям.

«Это огромный провал, – признал Догерти на саммите ИТ-директоров Forbes. – Мы все считаем, что это не наша проблема, вместо того чтобы продумывать, как подготовить людей к предстоящим переменам».

В любом случае автоматизация с помощью искусственного интеллекта, машинного обучения и ботов неуклонно расширяется. ИТ-директора выстраивают новые технологии искусственного интеллекта и машинного обучения и даже регистрируют патенты на них. Некоторые руководители ИТ-служб поделились своими сценариями использования машинного обучения.

Прогнозы цифровых пессимистов

Развивающиеся цифровые технологии меняют парадигму рабочей силы. Accenture тоже не застрахована от этих перемен. В консультационной компании, где работают 450 тыс. сотрудников, уже автоматизировано около 23 тыс. должностей, а освободившийся персонал переводится на другие участки. Ожидается, что процесс перераспределения ролей будет только нарастать.

Чтобы помочь сотрудникам, в Accenture выпустили бета-версию приложения на основе машинного обучения, которое сканирует резюме и выдает прогноз, насколько быстро рабочее место сотрудника потеряет свою актуальность.

Приложение оценивает профессиональные навыки сотрудника и анализирует риски потенциальной ненужности его роли. Программа, например, может прийти к выводу, что должность сотрудника потеряет свою актуальность через полтора года по причине замены ее искусственным интеллектом или вследствие какой-то иной автоматизации.

Впрочем, приложению присущ не только цифровой пессимизм. Оно принимает во внимание также навыки коллективной работы и может порекомендовать какую-то смежную должность, которая в ближайшем будущем сохранится в компании.

Совет. ИТ-руководители обязаны взять на себя ответственность за корпоративные стратегии искусственного интеллекта и совместно с основными заинтересованными лицами в службе управления персоналом и других бизнес-подразделениях обеспечить консенсус и сохранение преемственности. ИТ-директор должен быстро выявлять и устранять в алгоритмах искусственного интеллекта ошибки, которые могут иметь все более неприятные последствия по мере расширяющегося применения решений на предприятии. «Организации нужен ответственный искусственный интеллект», – подчеркнул Догерти.

Упрощение прогнозирования обслуживания

«Машинное обучение является основным компонентом цифровой стратегии компании Lennox International с оборотом в 4 млрд долл., которая использует программное обеспечение Databricks Spark для анализа информации о выпускаемых предприятием системах отопления и кондиционирования», – сообщил ИТ-директор Lennox Сунил Бондалапати. Мониторинг функционирования машин в реальном времени помогает компании прогнозировать их сбои и заранее рассылать своим многочисленным клиентам (начиная от домовладельцев и заканчивая крупными торговыми центрами) соответствующие уведомления.

«На основе анализа имеющихся данных Databricks прогнозирует выход оборудования из строя с точностью 90%, – добавил Бондалапати. – Раньше Lennox прогнозировала отказы машин другими методами, связываясь с дилерами. Частые ложные тревоги вызывали раздражение и у клиентов, и в самой компании. Мы привыкли к тому, что прогнозирование сбоев оборудования порождает негативную реакцию».

До перехода на Databricks в компании успели опробовать множество аналитических инструментов, каждый из них использовался для моделирования отдельных сценариев, связанных, например, с цепочками поставок или с Интернетом вещей. Databricks предлагает единую платформу, которая позволяет управлять сотнями терабайт информации, поступающей из сотен баз данных. Система работает в среде Microsoft Azure, поэтому Lennox не нужно заниматься ее поддержкой.

Команда Бондалапати работает над созданием моделей потоков данных совместно с бизнес-подразделениями. Программное обеспечение Spark переносит данные и обеспечивает необходимое понимание как для персонала ИТ-службы, так и для сотрудников бизнес-подразделений.

Совет. ИТ-директор должен принимать самое активное участие во внедрении нового инструмента, особенно когда это критически важно для работы. Бондалапати, к примеру, предстояло оценить правильность предлагаемой концепции при анализе 10 млрд записей данных. «Мы действовали с большой осторожностью, но результат стал для нас настоящим откровением», – заметил он.

Алгоритмы для корпоративных поездок

В начале своей работы на посту технического и ИТ-директора компании American Express Global Business Travel Дэвид Томпсон занимался внедрением технологий автоматизации роботизированных процессов (RPA) и машинного обучения.

Томпсон использовал систему RPA для автоматизации процесса отмены авиаперелетов и возврата билетов. Под его руководством разрабатывались алгоритмы машинного обучения, помогающие клиентам находить наиболее дешевые авиабилеты и гостиничные номера, сравнивая корпоративные отраслевые тарифы. Прежде эту работу выполняли сразу несколько сотрудников.

В конечном итоге эти сотрудники были переведены на другое место и стали заниматься более полезной работой. По словам Томпсона, внедренная технология повышает степень удовлетворенности клиентов и приносит более высокие доходы.

Совет. Обсуждение вопросов автоматизации – нелегкое дело, поскольку люди боятся за свои рабочие места. Но ИТ-директор должен быть решительным и честным, если хочет установить доверительные отношения с бизнес-подразделениями. «Лично себя я вижу в роли проводника технологий в бизнесе, – заметил Томпсон. – Помощника в использовании технологий и процессов, помогающих решать деловые задачи».

Искусственный интеллект как инструмент для бизнеса и продвижения продуктов

«Компания Adobe Systems использует машинное обучение для анализа заявок, поступающих в службу поддержки, для выявления предпосылок, приводящих к системным ошибкам, и для их устранения еще до того, как они станут реальной причиной существенных простоев», – сообщила ИТ-директор Adobe Синтия Стоддард.

Если система регистрирует события, которые могут привести к предполагаемому сбою, она стремится устранить их причины.

Инструмент HAAS (healing-as-a-service) обнаруживает и устраняет сбои интеграции с системой ERP Adobe и выявляет ошибки в данных, используемых различными аналитическими системами компании. Раньше такие ошибки устранялись вручную, на это требовалось примерно 30 минут. После внедрения HAAS время на исправление ошибок сократилось до 1 минуты. За последние несколько месяцев компания сэкономила 330 часов при ликвидации сбоев. Используя отчеты, в которых подробно описано все происходящее, инженеры Adobe вносят исправления уже на постоянной основе.

«Если вы знаете, что и как нужно исправить, значит, это можно автоматизировать», – указала Стоддард. Команда, занимающаяся созданием средств диагностики на основе машинного обучения, была сформирована в компании в 2017 году.

В ноябре 2016 года компания представила Sensei – технологию искусственного интеллекта, применяющуюся в продуктах Adobe для создания и публикации документов, а также для анализа и отслеживания производительности мобильных и веб-приложений.

Совет. Использование машинного обучения для идентификации шаблонов является основным условием для самовосстановления. «Если известно, как все было исправлено, можно разместить компонент для самовосстановления и исключить из схемы человека», – пояснила Стоддард.

Связывание базы данных медицинских устройств с помощью машинного обучения

«Компания Hearst Business Media, к активам которой относятся лекарственная база данных производителя программного обеспечения First Databank и кредитное рейтинговое агентство Fitch Ratings, использует машинное обучения для связывания баз данных медицинских устройств в целях упрощения доступа клиентов к информации», – сообщил старший вице-президент Hearst Business Media по разработке программного обеспечения Марк Урмахер.

По словам Урмахера, возглавляющего небольшую команду исследователей данных в центре искусственного интеллекта, Hearst создает собственные алгоритмы машинного обучения и использует программное обеспечение Google TensorFlow для обучения моделей на основе наборов данных компании. «Мы стараемся искать альтернативные решения и использовать инструменты с открытым кодом», – пояснил он.

Ключом к успешному применению в Hearst машинного обучения стал обобщающий подход. «Одним из невероятно ценных применений машинного обучения, с нашей точки зрения, стал обобщающий подход к унификации разрозненных баз данных, – указал Урмахер. – К примеру, Fitch нужно понимать особенности юридических лиц, а First Databank необходимо идентифицировать лекарства, которые могут быть произведены в любой стране мира».

Искусственный интеллект в исследовании ценных бумаг

«Поставщик паевых инвестиционных фондов, институциональных инвестиционных стратегий и пенсионных услуг Putnam Investments считает искусственный интеллект и машинное обучение важным инструментом, который помогает аналитикам улучшить охват ценных бумаг», – указал ИТ-директор компании Сумед Мехта.

Аналитики тесно сотрудничают с исследователями данных, формулируя тезисы, помогающие почерпнуть больше полезной информации из больших объемов данных. Putnam работает также над алгоритмами, призванными выдавать важные рекомендации с точки зрения перспектив продаж.

«Искусственный интеллект и машинное обучение – чрезвычайно мощная прорывная и трансформирующая сила, способствующая повышению производительности и эффективности бизнеса», – указал Мехта.

Опираясь на инженеров-программистов, исследователей данных, аналитиков и поставщиков, Мехта по существу с нуля создал центр передового опыта по применению искусственного интеллекта и машинного обучения, который поддерживает бизнес-подразделения. Его деловым партнерам эти наработки помогают добиться лучших результатов в автоматизации.

Работы в области искусственного интеллекта и машинного обучения являются частью более широкой цифровой трансформации Putnam, которая предусматривает модернизацию ИТ-инфраструктуры на основе облачных технологий и единой платформы для ведения бизнеса.

Совет. Организациям не следует торопиться. Нужно правильно определиться с ожиданиями, не забывая, что реализация первых нескольких идей скорее породит новые вопросы, чем даст ответы на уже имеющиеся. «Для искусственного интеллекта понятия эврики не существует, – пояснил Мехта. – Это не тот случай, когда ваш алгоритм внезапно дает какое-то новое понимание».

Оптимизация налогообложения с помощью искусственного интеллекта

Под руководством директора по данным Ашока Шриваставы разработчик программного обеспечения Intuit ускоряет внедрение искусственного интеллекта и машинного обучения.

«Intuit использует ресурсы Amazon Web Services, чтобы улучшить понимание и обработку естественного языка чатботом QuickBooks Assistant», – сообщил Шривастава, занимавшийся ранее построением платформы Больших Данных Verizon. Важной задачей становится проведение пользователей через сотни классификаций, из которых QuickВooks черпает информацию.

«В QuickBooks мы имеем дело с более чем миллиардом транзакций и можем оптимизировать классификацию с высокой точностью», – добавил Шривастава.

Сервис TurboTax использует искусственный интеллект, чтобы помочь пользователям получить максимальное возмещение, пошагово проводя их через процедуры вычета и позволяя сэкономить до 40% времени при подготовке налоговой декларации и выборке необходимых документов.

Для ускорения масштабирования компания использует машинное обучение и облачные технологии AWS.

Совет. К созданию надежных алгоритмов нужно привлекать талантливых инженеров и поручать им решение реальных бизнес-задач. Сегодня Шривастава, которому довелось поработать в Исследовательском центре Эймса NASA, принимает на работу инженеров, которые способны использовать технологии машинного обучения и искусственного интеллекта для достижения корпоративных целей.

Прогноз производительности на основе исторических данных

Будучи ИТ-директором компании Riverbed Technology, поставляющей программное обеспечение для повышения производительности территориально распределенных сетей, Рик Хеллебрехт столкнулся с уникальными вызовами. В целях совершенствования бизнес-анализа в компании проверяется возможность использования машинного обучения для обработки данных, поступающих из различных источников цепочки поставок.

«Мы хотим применять машинное обучение для обработки большего объема данных, чем обычно», – пояснил Хеллебрехт.

Riverbed, к примеру, могла бы объединить информацию о заказах и другие данные системы ERP с историческими данными о погоде и других факторах с целью поиска закономерностей, помогающих прогнозировать производительность. «Мы хотим добиться большей предсказуемости рисков, связанных с распределением мощностей и нашей способностью обрабатывать заказы клиентов», – отметил Хеллебрехт.

Кроме того планируется использовать машинное обучение для автоматической настройки конфигурации систем в целях повышения их производительности и отражения киберугроз. Хеллебрехт намерен создать единое озеро данных, из которого можно было бы черпать бизнес-идеи.

Совет. Разумная стратегия применения машинного обучения и искусственного интеллекта подразумевает осторожный подход. Хеллебрехт внимательно изучает доступные инструменты и технологии, включая IBM Watson.

Улучшение понимания клиентов банками

Подобно многим другим крупным банкам, U.S. Bank успел собрать огромные объемы клиентских данных. И, как и большинство других банков, без особого успеха пытался извлечь из этих данных полезную для себя информацию. Главный аналитик U.S. Bank Билл Хоффман постарался изменить ситуацию. В последние несколько месяцев он использует технологию искусственного интеллекта и машинного обучения Einstein компании Salesforce.com для более персонализированного обслуживания представителей малого бизнеса, предприятий оптовой торговли, коммерческих организаций и коммерческих банков.

Например, если клиент искал на сайте U.S. Bank информацию об ипотечных кредитах, то при следующем визите его сопровождает агент клиентской службы. Программное обеспечение, проанализировав данные о клиенте, порекомендует агентам сделать звонок перспективному клиенту в четверг с 10 до 12 часов, потому что в это время он с большой долей вероятности возьмет трубку. Einstein может поместить в календарь агента напоминание о том, что в четверг ему следует сделать звонок.

Многие организации стремятся проводить комплексный анализ данных о клиентах и предлагать им подходящие услуги в нужный момент. «От мира, в котором описывалось, что произошло или происходит, мы переходим к миру, ориентированному на то, что произойдет или должно произойти, – пояснил Хоффман. – Главное – быть на шаг впереди, предвосхищая потребности наших клиентов и предлагая им удобный канал для взаимодействия».

Совет. Беря на вооружение искусственный интеллект и машинное обучение, применяйте тестовый подход и проявляйте терпение. Будьте готовы масштабировать то, что доказало свою работоспособность. «Клиент всегда должен быть в центре вашего внимания, – подчеркнул Хоффман. – Спросите себя: какую пользу мы можем ему принести?».

Избавление от рутинного труда и повышение продуктивности работы

Президент компании Mastercard по операциям и технологиям Эд Маклафлин утверждает, что машинное обучение «наполняет собой все, что мы делаем».

В Mastercard машинное обучение используется для автоматизации так называемых рутинных задач – повторяющейся работы, выполняемой вручную. Таким образом, люди освобождаются для дел, которые повышают общую производительность и приносят дополнительные ценности. «Ясно, что мы достигли уровня технического развития, при котором есть четкий инвестиционный сценарий для автоматизации выполнения задач на рабочем месте», – указал Маклафлин.

Инструменты машинного обучения используются в Mastercard для более эффективного управления изменениями в экосистеме продуктов и услуг компании.

Машинное обучение помогает понять, какие инструменты являются практически безрисковыми, а какие требуется дополнительно изучать. Кроме всего прочего, Mastercard использует машинное обучение для выявления в своей системе аномалий, свидетельствующих о попытках хакеров получить к ней доступ. При обнаружении подозрительного поведения срабатывают выключатели, которые блокируют сеть. «У нас имеются системы, которые отслеживают выполняемые транзакции и изменяют их в случае необходимости, одновременно анализируя следующую транзакцию, отправленную на выполнение», – пояснил Маклафлин.

Совет. По мнению Маклафлина, искусственный интеллект и машинное обучение – лишь один из компонентов обширного инструментария обработчика платежей. На рынке появляются все новые и новые инструменты, но ИТ-директору не стоит полагаться на то, что они волшебным образом помогут справиться со всеми существующими проблемами.

– Clint Boulton. 10 machine learning success stories: An inside look. CIO. May 31, 2018

Те, кто родился в 1960-х годах и смотрел хорошую научную фантастику, наверное, чувствуют некоторое разочарование. Никаких лунных колоний, ховербордов, летающих автомобилей. Те же, кто родился позже, вероятно, вполне счастливы, ведь их мечта о растворении в собственном смартфоне почти осуществилась. Можно сказать, что идея Тьюринга об общем искусственном интеллекте (artificial general intelligence, AGI) обретает вполне конкретные, хотя и не очень масштабные очертания.

Что же такое AGI? По сути это очередной этап развития искусственного интеллекта.

Искусственный интеллект позволяет не обладающему разумом компьютеру выполнять то, что делает человек, на основе анализа больших объемов данных. Задачи классификации, кластеризации и выдачи рекомендаций решаются алгоритмически. При внимательном рассмотрении мы видим, что искусственный интеллект – это не более чем простая математика.

Появление AGI означает, что компьютер обретает способность решать в принципе любую интеллектуальную задачу, подвластную человеку, и даже общаться на естественном языке, как это делают люди.

Идея не нова. Хотя сам термин AGI появился лишь в 1987 году, первоначальное представление об искусственном интеллекте в основном совпадало с тем, что понимается под AGI сегодня. Ранние исследователи думали, что AGI (тогда это называлось просто искусственным интеллектом) гораздо ближе к реальному воплощению, чем было на самом деле. В 60-е годы появление AGI прогнозировалось уже через двадцать лет. Так что Артур Кларк со своей «Космической одиссеей 2001 года» был весьма консервативен.

Основная проблема состояла в том, что ранние исследователи начали движение сверху вниз. Если начинать с реализации причинно-следственных связей и продвигаться вниз к инстинктам, то разума вы не получите, и научить компьютер «думать», основываясь на такой методологии, нельзя. Сегодняшние исследователи продвигаются по большей части снизу вверх.

Разумеется, нам предстоит преодолеть массу препятствий на пути к созданию AGI. Ключевой вопрос лежит в области интуиции. Машинное обучение и глубинное обучение требуют огромных объемов данных для решения задач, которые человек способен решать, располагая значительно меньшими ресурсами. Наш мозг совершает интуитивные скачки. И хотя эти скачки представляют собой набор догадок и проверок, они не соответствуют машинному эквиваленту модельной закалки, которую зачастую высмеивают, сравнивая с «кипячением океана».

Человеческий мозг в отличие от «машинного» пропускает многие этапы, и человеку, чтобы успешно решать задачи, не требуется обрабатывать 10 тыс. строк данных. На самом деле обработка 10 тыс. строк данных мало чем может помочь органическому компьютеру (которым является мозг), поскольку дендриты не растут так быстро, а мозг запрограммирован на то, чтобы забывать детали.

Если AGI решит проблему интуиции, компьютеры смогут решать те же задачи, пропуская детали. Именно так Google AlphaZero побеждает нынешнего чемпиона по шахматам – компьютерную программу Stockfish.

Другой ключевой вопрос связан с неконтролируемым обучением. Как заметил один из исследователей, «компьютерам нужно стать похожими на детей». В настоящее время большая часть машинного обучения основывается на «ложечном вскармливании» данными и решении задач по конкретному алгоритму. Люди учатся не так. Ребенок сует в рот все подряд, полагаясь на свои ощущения и наблюдая за тем, что происходит при выполнении тех или иных действий. Компьютеры так не поступают.

Еще одна проблема заключается в том, что компьютеры не особо креативны и не могут похвастать чувством юмора. Слышали ли вы о попытках IBM Watson пошутить? В лучшем случае этот компьютер ищет что-нибудь в Интернете, и получается не очень смешно.

Многое из происходящего в области глубинного и машинного обучения связано с тем, что называют механикой бытия, или распознаванием объектов. (У Facebook в этой области имеется интересное программное обеспечение с открытым кодом — платформа Detectron.) Ведь прежде чем компьютеры станут похожи на детей, им предстоит научиться распознавать находящуюся перед ними бутылку. И надо сказать, в деле распознавания достигнут огромный прогресс.

Предположительно, все движется к технологической сингулярности или, возможно, Скайнету. К утопической идее о том, что сверхинтеллект поднимет общество на новую ступень. Конечно, есть разные мнения о том, каким будет это возвышение. Некоторые желают загрузить ваш мозг в компьютер и достичь таким образом бессмертия. Другие хотят «скрестить» людей с вычислительными устройствами, чтобы они меньше отличались друг от друга.

С чего же начать разработчику? Подобно ребенку, выберите для себя что-нибудь интересное и поиграйтесь с этим. Возможно, вам захочется поиграть с Detectron от Facebook и что-нибудь обнаружить. Возможно – проанализировать характер использования своего телефона или ноутбука и запрограммировать его на выдачу каких-нибудь рекомендаций. Для всего этого есть чудесные ресурсы на Udemy, Edx и Coursera. Можно посоветовать последовать примеру Карлоса Переса из компании Medium. Достигнем ли мы сингулярности? Без понятия! Но ясно одно: революция искусственного интеллекта идет полным ходом.

– Andrew C. Oliver. Artificial general intelligence (AGI): The steps to true AI. InfoWorld. FEB 22, 2018