Искусственный интеллект

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

В 2018 году передовые технологии, такие как искусственный интеллект, обработка естественного языка и компьютерное зрение, продолжат развиваться и будут становиться обязательными инструментами. Им предстоит определять и принципы ведения бизнеса, и спектр новых продуктов на ближайшее будущее.

Перечислим те технологии, которые способны повлиять на широкий круг компаний, вступивших на путь цифровой трансформации, и рассмотрим возможные последствия освоения новшеств.

Умная медицинская техника

В январе Amazon, Berkshire Hathaway и JPMorgan Chase объявили о создании совместного предприятия, специализирующегося на предоставлении своим сотрудникам и их семьям «простых в использовании, подконтрольных пользователю, высококачественных медицинских услуг по разумной цене». Когда поступило это известие, акции компаний медицинского страхования начали падать на волне рассуждений о том, насколько широко такое нововведение может затронуть отрасль здравоохранения.

Аналитики также указывают, какие преимущества может дать профилактическая медицина. В опубликованном недавно исследовании компании ABI Research прогнозируется, что предприятия будут массово внедрять системы дистанционного наблюдения за состоянием здоровья сотрудников. Уже в текущем году число носимых устройств, применяемых в рамках корпоративных программ оздоровления, достигнет 18 млн, а к 2021 году, прогнозируют в ABI, их будет почти 44 млн.

Видео, видео-конференц-связь и виртуальная реальность

Проведя без малого в 300 компаниях опрос на тему технологий, больше всего способствующих улучшению условий труда, специалисты Массачусетского технологического института выяснили, что первое место отводят видео. Вложения в интерактивные видеотехнологии убыстряют инновации, улучшают взаимодействие и повышают продуктивность.

В компаниях инвестируют значительные средства в соответствующую технику. В частности, это обусловлено распространяющимся применением методологии agile, которую начинают использовать не только при разработке программного обеспечения, но и в рамках других процессов. Эта технология подразумевает ежедневные собрания с подведением итогов, требует личного участия членов групп либо использования видеосвязи.

В МТИ прогнозируют, что видеотехнологии будут все шире применяться и заменять общение лицом к лицу. Со временем произойдет переход на виртуальную реальность и другие «погружающие» технологии, чтобы восполнять нехватку специалистов.

Чат-боты

Обслуживание клиентов – область, где освоение цифровых технологий идет головокружительными темпами. В Gartner прогнозируют, что к 2020 году среднестатистический человек будет общаться с ботами чаще, чем с партнером по браку.

В 2018 году чат-боты будут активно развиваться, помогая снижать затраты на стандартное обслуживание клиентов и нередко улучшая его качество, уверены аналитики. Они быстро «научатся» распознавать тон и содержание высказываний, прогнозировать эффективные стратегии ведения беседы.

Специалисты предупреждают, что искусственный интеллект может использоваться для манипуляций, с помощью «волшебных слов» влияя на точки зрения и действия людей и, возможно, провоцируя их на массовую реакцию.

Интернет вещей

Авторы недавно опубликованного отчета CompTIA получили подтверждения того, что устройства Интернета вещей помогают снижать затраты и повышать эффективность работы промышленных предприятий.

«В компаниях получают немало преимуществ, наделяя интеллектом и возможностями связи элементы физической инфраструктуры, собирая новые данные и обеспечивая автоматизацию», – говорится в отчете.

В Cisco отмечают рост применения Интернета вещей на «умных» фабриках для организации связи между оборудованием, датчиками и иными ресурсами, также утверждается, что пользователи уже ощущают существенное сокращение простоев оборудования, объемов отходов и потребляемой энергии.

С ростом применения IoT появятся новые угрозы безопасности, поэтому производственники совместно с отделами ИТ будут вынуждены заняться идентификацией рисков и обеспечением защиты ресурсов. Причем в промышленности придется действовать быстрее, полагают в Cisco.

Голосовое управление и виртуальные ассистенты

Аналитики уверены, что в 2018 году технологии обработки естественного языка существенно усовершенствуются и укоренятся на предприятиях. Эта тенденция будет развиваться по мере выхода на работу тех, кто вырос в эпоху голосового управления и облачных вычислений.

Применение голосовых ассистентов на предприятиях уже расширяется, но потенциал технологии еще только начинает раскрываться, отмечают в SAP. Спрос на нее уже наблюдается; в конце прошлого года была представлена корпоративная версия Alexa, а на выставке CES было много анонсов, связанных с голосовыми ассистентами. Современному стремительно меняющемуся бизнесу нужны обучаемые цифровые ассистенты, обладающие интеллектом, возможностями прогнозирования и способные быстро откликаться на новые ситуации.

Как же будут влиять голосовые ассистенты на рабочую среду? В краткосрочной перспективе они начнут помогать повышать продуктивность и улучшать баланс трудовой и личной жизни, считают в SAP. А в долгосрочной – голосовые ассистенты заменят нам компьютерные экраны и клавиатуры.

«Погружающие» технологии – дополненная, виртуальная и смешанная реальность

В Gartner прогнозируют, что к следующему году дополненную, виртуальную и смешанную реальность начнут использовать 20% крупных предприятий.

В текущем году, уверены эксперты, продолжится быстрое совершенствование наголовных дисплеев и связанных технологий. Сегодня крупнейшие участники индустрии ИТ спешат предложить соответствующие потребительские инструменты, чтобы выстроить экосистемы вокруг своих платформ. В Gartner предсказывают, что за 2018 год продажи наголовных дисплеев принесут производителям 72 млрд долл.

Компаниям розничной торговли разработчики приложений дополненной реальности предлагают системы, предоставляющие сведения о товарах в реальном времени; ремонтным и промышленным предприятиям – виртуальные дисплеи для оборудования, позволяющие мастерам в процессе работы следить за показаниями контрольно-измерительных приборов. Для аэропортов создаются отображения с информацией, адаптируемой под индивидуальных пассажиров. В банках средства дополненной реальности помогают клиентам найти нужное окно, отображая имена и должности персонала. А специалистам по обслуживанию банкоматов и другого оборудования передаются наглядные изображения внутреннего устройства техники и точные инструкции по устранению неисправностей.

В Gartner уверены: дополненная реальность будет внедряться в бизнесе быстрее, чем виртуальная. Аналитики прогнозируют быстрый переход от пилотных проектов к устойчивым бизнес-моделям, предрекают зрелость рынка и глобальную доступность. Технологии, которые появятся на рынке в 2020 году, будут разительно отличаться от нынешних.

Умное производство

В ABI убеждены, что умное производство относится к числу прогрессивных технологий. Конечная цель – быстрые, полностью автоматизированные линии с возможностью доступа к информации о производственных процессах на местах их выполнения.

Растет также применение промышленной 3D-печати, как для быстрого прототипирования, так и для изготовления конечных продуктов. По прогнозу аналитиков ABI, к 2026 году в США годовая выручка от продажи изделий, выпущенных с помощью 3D-печати, достигнет 75 млрд долл. Вложения в бережливое производство на основе современных технологий, безусловно, окупятся.

Компьютерное зрение

У компьютерного зрения сегодня – настоящий звездный час.

Если раньше отслеживанием покупательского поведения занимались интернет-магазины, то теперь это делают и физические. Распространение недорогих датчиков, прогресс компьютерного зрения и искусственного интеллекта породили новый класс приложений. Сегодня в обычных магазинах запоминают покупки и предпочтения, чтобы сохранить конкурентоспособность.

Весьма широкие перспективы применения искусственного интеллекта и компьютерного зрения – у отрасли грузоперевозок. В Fedex и других крупных курьерских службах проводят пилотные внедрения новых технологий, а стартапы, вроде оператора автотранспортных перевозок Peloton, разрабатывают собственные системы с нуля.

В настоящее время есть большие сложности с наймом инженеров по компьютерному зрению. Квалифицированные претенденты требуют заработную плату на уровне 400 тыс. долл. в год, рассчитывая при этом на значительную свободу и большую долю акционерного капитала, – по крайней мере, когда речь идет о трудоустройстве в стартапы.

Искусственный интеллект для индустрии услуг

В отделении IBM Watson выражают уверенность в том, что в 2018 году искусственный интеллект будет активно внедряться в таких разных сферах, как недвижимость и юриспруденция, но шире всего – в гостиничной индустрии. Уже сегодня в отелях на основе чат-ботов создаются персонализированные консьержи, способные оперативно ответить на любой запрос постояльца. Располагая огромными массивами информации, от адресов ближайших ресторанов до прогнозов погоды, искусственный интеллект сможет угодить любому гостю. Кроме того, с гостиничными программами-роботами можно взаимодействовать в любом месте через мобильные приложения. Автоматизированные консьержи уже внедрены в отелях Marriott International и Cosmopolitan в Лас-Вегасе, и в нынешнем году охват продолжится.

Искусственный интеллект также помогает прогнозировать поведение клиентов, облегчая решение конкретных проблем. В 2018 году программы-роботы будут более широко восприниматься как реальная замена людям в отделах клиентского обслуживания.

Контейнеры и микросервисы

Контейнеры и микросервисы привлекают интерес организаций, которым требуется быстрая разработка приложений, использующих Интернет вещей и облака.

Особенно активно «модные» технологии, включая граничные и бессерверные вычисления, контейнеры и микрослужбы, применяются для проектов в сфере Интернета вещей, причем такие проекты обычно реализуются по методу DevOps.

Сейчас платформы микрослужб и контейнеров предпочтительнее использовать в небольших по масштабу проектах с меньшим риском. Применение будет расти по мере того, как в организациях освоят работу с современными архитектурами, внедрят платформы оркестровки наподобие Docker, Kubernetes и Cloud Foundry для управления жизненным циклом растущего числа контейнеров.

Блокчейн

Руководители отделения Oracle Cloud Platform отмечают, что влияние блокчейна сегодня ощущается не только в финансовой отрасли, но и, например, в таких областях, как оптимизация цепочки поставок и безопасность. За последнее время было подано почти 2,5 тыс. заявок на регистрацию патентов, касающихся блокчейна, а годовая выручка, обеспечиваемая соответствующими технологиями, к 2025 году, по прогнозу, превысит 176 млрд долл. В Oracle предвидят, что в течение всего двух лет блокчейн станет стандартом в мире коммерции, и уже сегодня он начинает оказывать мощное влияние на здравоохранение, розничную торговлю, государственный сектор и не только.

Блокчейн, считают специалисты, принесет серьезные изменения в финансовые отделы, причем не только в плане ведения бухгалтерии, которая основана на системе двойной записи, изобретенной еще шесть веков тому назад. Финансовым директорам стоит готовиться как к внешним переменам, обусловленным блокчейном, так и к внутренним. Сверка, соотнесение платежей со счетами, сопоставление заказов на покупку с накладными и другие операции уже скоро могут быть поручены распределенным реестрам.

Облачно-граничные вычисления

Объединенив облачные и граничные (или периферийные) технологии, можно выполнять вычисления вблизи источников данных с последующей отправкой информации в облако для размещения и анализа. Например, сведения о здоровье пациентов могут передаваться в центральное облачное хранилище, а данные от автомобилей – анализироваться в облаке, чтобы тем самым предотвратить образование дорожных заторов.

«Полагать, что облачные и граничные вычисления соперничают, значит заблуждаться, – отмечается в докладе Gartner. – На предприятиях уже сейчас при разработке ИТ-архитектур стоит использовать шаблоны проектирования, относящиеся к граничным вычислениям».

Облачно-граничные системы позволят адаптировать существующие архитектуры для определенных сценариев применения, помогая снизить сетевую задержку, уменьшить взаимозависимости систем, повысить устойчивость, сократить затраты. Но пока что преимущества граничных и гибридных архитектур осознаются недостаточно, отмечают аналитики.

Цифровая этика

Одна из главных сложностей, с которыми сталкиваются во многих компаниях, начавших цифровую трансформацию, связана с организацией обработки гигантского количества данных для получения ценных сведений.

В SAP отмечают, что эта проблема не обойдет стороной и кадровые отделы, где выросшие потоки данных создают не только новые возможности, но и трудности, касающиеся соблюдения этики, сохранения здоровой корпоративной культуры и выполнения тех или иных требований.

В 2017 году, продолжают в компании, отчетливо проявилась потребность объединить усилия руководителей различных отделов для решения этих задач. В 2018 году проблемы культуры, поддержания высокой репутации и социально ответственного применения технологий по-прежнему будут на пике актуальности.

– Paul Heltzel. 12 technologies that will disrupt business in 2018. CIO. FEB 12, 2018 3:00 AM PT

Наиболее прогрессивные отечественные предприятия уже не просто экспериментируют с технологиями больших данных, машинного обучения и искусственного интеллекта, но и начинают понимать стратегическую значимость таких усилий. Одним из таких пионеров является Новолипецкий металлургический комбинат. Как уверен Анджей Аршавский, директор по анализу данных и моделированию НЛМК, именно применение искусственного интеллекта даст мощный толчок развитию промышленности в ближайшие несколько лет. Придя в компанию около года назад, Аршавский доказал, что средства машинного обучения действительно способны помочь в оптимизации производственных процессов. Мы поговорили с Аршавским в преддверии форума BIG DATA 2018, на котором он будет одним из основных докладчиков.

Анджей Аршавский Послужной список: 2017 – настоящее время НЛМК, директор по анализу данных и моделированию 2014 – 2017 «Сбертех», директор Центра компетенций по супермассивам данных 2012 – 2014 «Лаборатория цифрового общества», генеральный директор 2010 – 2012 Microsoft Rus, глава разработки ПО для научных вычислений 2006 – 2010 «IBM Россия», руководитель разработки систем хранения данных, эксперт по инновациям и технологиям Образование: МИФИ, факультет кибернетики, специальность «вычислительные машины, комплексы, системы и сети»

Какие цели были поставлены перед вами после прихода в НЛМК и с чего вы начали?

Это направление для промышленных компаний достаточно новое, и пока достоверно неизвестны достижения, которые получены благодаря методам анализа данных на производстве, особенно в сталеплавильной индустрии. Поэтому главная задача на 2017 год состояла в том, чтобы конкретными примерами доказать их принципиальную применимость. Мы начали с того, что провели обследование бизнеса НЛМК, чтобы сформировать пул инициатив, по которым имеет смысл работать. Было важно оценить их с точки зрения потенциального экономического эффекта, сложности реализации, доступности данных, определить приоритетность этих задач и решать именно те из них, которые действительно полезны для компании и наиболее быстро достижимы.

Вся наша работа объединяется под эгидой искусственного интеллекта – методов машинного обучения и продвинутой аналитики, а также инструментария Big Data, чтобы иметь возможность работать с данными большого объема. В некоторых случаях инструментарий Big Data востребован, в некоторых – нет, но по-любому он должен быть под рукой, равно как и сами данные, которые могут пригодиться для решения задач. Поэтому еще одним направлением стало построение стратегии работы с данными – Data Governance.

Естественно, производство к этому готово не было, данные для выбранных нами инициатив находились в разрозненных системах; в ряде случаев они довольно сложны для прямого доступа. И тогда мы разработали стратегию работы с данными и построили кластер, предназначенный для централизованного накопления данных с датчиков по всем переделам производства. На нем также находятся инструменты для исследователей данных, которые можно применять в своей работе. В кластере накапливаются данные, необходимые для решения текущих задач.

Что было до вас в сфере анализа производственных данных? К чему вы пришли?

Выделенной функции, направленной на решение бизнес-задач с помощью анализа данных, в компании не было. На отдельных участках производства совместно с несколькими компаниями проводился ряд экспериментов, в ходе которых пытались определить, что можно сделать посредством анализа данных и построения моделей. Но эти усилия не были системными. По сути, речь шла о нескольких пилотных проектах, самостоятельно проводимых различными подразделениями. Они подтвердили, что с помощью анализа данных можно что-то сделать, но конкретных результатов это не дало.

Все инициативы касались именно области производства. Дело в том, что основные наши расходы ложатся именно на это направление, и их оптимизация способна дать наибольший результат – здесь точно имеет смысл работать. Что касается маркетинга, продаж и кадров, то эти службы по своему потенциальному эффекту находятся где-то во втором эшелоне, и задачи, которые требуется там решать, гораздо менее масштабные, чем на производстве.

Следите ли вы за своими коллегами в других металлургических компаниях, за их успехами в этом направлении?

Да. Например, у нас есть контакты с «Северсталью», несмотря на то что это наш конкурент. Мы даже недавно провели совместный семинар с участием «СИБУРа». Как выяснилось, три наши компании инвестируют больше остальных в данное направление.

В какой-то мере это действительно уникальный опыт – обычно такие встречи с коллегами происходят лишь на крупных конференциях, устраиваемых поставщиками решений и имеющих ангажированный характер. Мы пошли другим путем, самостоятельно организовав закрытое мероприятие для компаний, желающих поделиться опытом внедрения цифровых технологий и искусственного интеллекта. Это пробный камень, я надеюсь, что у нас все получится, и по результатам, думаю, будет принято решение о расширении подобной практики.

С вашим приходом образовалось специализированное подразделение?

Сформировалась дирекция, находящаяся в подчинении старшего вице-президента, а функции направления Digital, в части методов машинного обучения и искусственного интеллекта, пока распределены между моей дирекцией и лабораторией инноваций, экспериментирующей с технологиями, которые принято относить к цифровым.

Откуда брали специалистов для формирования костяка команды? Вероятно, их сложно найти…

Да, и особенно сложно найти нужных специалистов для наших специфических задач. Искусственный интеллект в банковской сфере или маркетинге – совершенно не то же самое, что на производстве. В нашем деле приходится очень глубоко погружаться в специфику производства, вникать в суть и реалии производственных процессов, разбираться в нормативных документах. Без всего этого добиться результата, к сожалению, не получится. Поэтому нужны специалисты, способные на такое погружение. Это скорее не чистые математики, а физики – выпускники Физтеха и МИФИ, разбирающиеся и в химии, и в физике, которым производственные задачи не чужды. Мне пришлось изменить профиль требований к специалистам по сравнению с теми временами, когда я работал в Сбербанке и «Лаборатории цифрового общества». Так вот, мы нужных специалистов находим и получаем первые результаты, которые подтверждают правильность выбранной стратегии подбора персонала.

«В нашем деле приходится очень глубоко погружаться в специфику производства, понимать суть и реалии производственных процессов, разбираться в нормативных документах. Без всего этого, к сожалению, добиться результата не получится»

А что касается вас? Имелся ли производственный опыт или пришлось учиться?

После окончания института я работал в ЦЕРН. Там много аппаратуры, и часть решаемых задач касалась как раз эффективности ее использования. Затем я довольно долго занимался разработкой автопилота для грузовых поездов, аспектов было много – от разработки драйверов до средств оптимизации и искусственного интеллекта. Ну а затем была работа в софтверных компаниях, где я занялся задачами математики и данных в чистом виде. Сейчас как раз совмещаются эти два моих предыдущих опыта, и решаемые задачи для меня крайне интересны. К счастью, удалось быстро погрузиться в специфику производственных процессов.

А опыт из других отраслей здесь вообще может быть востребован?

Безусловно, мы пытаемся применять опыт из других индустрий, где машинное обучение используется в задачах оптимизации. У нас в коллективе есть разнообразный опыт: банковский, маркетинговый, логистический и даже опыт распознавания изображений. Это часто бывает полезно, потому что задачи мы тоже решаем разнообразные.

Как вы сказали, денег больше всего «зарыто» в производстве. А где имеет смысл «копать» еще?

Действительно, в структуре затрат НЛМК производство занимает 70-80%. Но для нас еще более интересно, где именно внутри производства эти деньги зарыты. Поскольку наши методы могут применяться для решения разных задач, мы и пытаемся определить сферы их применения. С одной стороны, это экономия материалов, закупаемых для производства, – угля, руды, дорогостоящих ферросплавов. Но, с другой стороны, оптимизация производства и повышение производительности – это ведь прямое увеличение объема производства на имеющихся мощностях.

Третье направление оптимизации – повышение качества продукции, прогнозирование дефектов в металле, неметаллических включений, раскатных трещин и т. п. Число возможных дефектов измеряется десятками, они имеют различную природу. Прогноз этих дефектов и поиск корневых способов, позволяющих их «вылечить» и сократить их число, тоже важная статья сокращения расходов на производство. Четвертое направление – повышение надежности работы оборудования: прогноз выхода из строя агрегатов, их предупредительное обслуживание. Наконец, еще один важный аспект – оптимизация энергопотребления и производства энергии. Мы прикладываем активные усилия к тому, чтобы оптимизировать работу ТЭЦ с точки зрения потребления газа.

Как показывают наши расчеты, основной финансовый эффект дает экономия на закупке материалов. Далее идут производительность и качество, на четвертом месте пока стоит обслуживание оборудования. Возможно, в дальнейшем, с появлением новых данных, приоритеты изменятся.

Анджей Аршавский, директор по анализу данных и моделированию НЛМК: «Мы исходим из предположения, что, применяя искусственный интеллект, мы сможем улучшить текущую ситуацию хотя бы на 5%. Меньшая величина находится в пределах погрешности, она несущественна. На более ощутимый эффект мы не ставим из скромности»

А какая из этих задач наиболее просто решается? Ведь быстрый результат тоже важен?

Мы начали с проектов, направленных на экономию материалов, поэтому первые результаты связаны именно с ними. Но вряд ли можно уверенно сказать, что какое-то направление проще других. В каждом существуют как относительно простые, так и сложные задачи. Выбор задач определяется не только ожидаемым экономическим эффектом или скоростью получения результата, но еще и доступностью данных. Далеко не все области производства сейчас оснащены необходимыми средствами измерения и системами управления, позволяющими влиять на процессы. Приходится взаимодействовать со службами ИТ и АСУТП, чтобы накапливать данные и дооснащать производство.

Какова численность команды, работающей над задачами?

Пока она небольшая, и мы продолжаем расти. Многие задачи решаются совместно с подрядчиками. Накопленный опыт говорит о том, что должен быть баланс между внешними и внутренними ресурсами, поскольку важно накапливать экспертизу и обеспечивать преемственность наработок, сделанных внешними командами. Созданная интеллектуальная собственность должна продолжать развитие внутри компании.

Основные инициативы направлены именно на экономию, а не на получение дополнительной выручки?

Не совсем так. Например, рост может быть получен благодаря увеличению производительности. Если взять, скажем, стан горячей прокатки, то это прямое увеличение производства металла. Повышение надежности оборудования ведет к сокращению простоев, что также дает рост производства. Сокращение дефектов не только уменьшает потери от брака, но и способствует выпуску продукции более высокого качества, которую можно продать по более высокой цене. Эффекты от решаемых задач многогранны и сильно взаимосвязаны. Даже если речь идет о такой совершенно конкретной вещи, как экономия на закупках, то это дает возможность инвестировать в новые производственные мощности.

А какую из этих историй проще продать бизнесу?

Мы считаем общий экономический эффект – бизнесу интересен именно он – и, конечно же, время достижения результата. Мы стараемся браться за инициативы, которые обещают показать эффективность используемых нами методов, убедить, что необходимо развитие этого направления. Я глубоко уверен, что именно применение искусственного интеллекта даст толчок развитию промышленности в ближайшие 10-15 лет.

Внедрение искусственного интеллекта – сначала точечное, а затем глобальное – обусловит новый рывок в производительности и эффективности производства. На первом этапе будут оптимизированы отдельные участки производства, на втором они будут объединяться и давать синергетический эффект. Чтобы все это стало реальным в обозримом будущем, надо начинать уже сейчас, иначе мы упустим стратегические возможности.

«В некоторых случаях инструментарий Big Data востребован, в некоторых – нет, но по-любому он должен быть под рукой, равно как и сами данные, которые могут пригодиться для решения задач»

Должны возникать огромные проблемы с расчетом экономической эффективности – ведь в столь инновационных проектах зачастую сложно предугадать эффект…

Это так. Но, вообще, в любом проекте нет гарантии его полной результативности. Хотя, конечно, если речь идет о внедрении зарекомендовавшего себя на рынке решения, то рисков намного меньше.

Мы опираемся на простую и понятную логику. В каждой точке производства мы знаем оценку технически обусловленного уровня (ТОУ) и нынешние показатели – например, агрегат по своим возможностям способен производить на 20% больше продукции, чем это происходит сейчас. Задача предприятия – сократить эту разницу. Она может быть сокращена разными методами: работой с персоналом, изменением бизнес-процессов и т. п. Мы исходим из предположения, что, применяя искусственный интеллект, мы сможем улучшить текущую ситуацию хотя бы на 5%. Почему именно на 5%? Меньшая величина находится в пределах погрешности, она несущественна. На более ощутимый эффект мы не ставим из скромности. Таким образом, мы говорим, что за счет применения методов искусственного интеллекта мы отыграем 5% разницы, конвертируем ее в деньги и получим конкретную сумму.

Какой-либо из проектов уже позволил превзойти этот уровень?

Два проекта уже выходят на опытно-промышленные испытания. Мы попадаем на заявленный уровень, давая даже более 5%. Один из проектов обещает результат 20%, но он еще не проверен на практике. Еще по нескольким проектам есть предварительные результаты, они также говорят о том, что эффект будет выше 5%.

Что это за проекты?

Сейчас мы активно работаем над пятью задачами и над тремя пилотами. В ближайшее время планируем запустить еще пять задач.

Из задач, по которым первые результаты уже близки, можно выделить несколько. Две нацелены на экономию ферросплавов – дорогостоящих присадок, используемых в металлопроизводстве. Еще один проект заключается в поиске корневых причин нескольких видов дефектов. Дает эффект проект по оптимизации работы ТЭЦ. По перечисленным мной проектам видны конкретные результаты, по остальным – пока лишь промежуточные.

Насколько могут быть полезными для производственных задач внешние источники данных?

В производстве все сложнее, чем в маркетинге, продажах, закупках и HR, где польза внешних данных очевидна. Многое зависит от роли компании. Вы же понимаете, что конкуренты не будут передавать нам информацию о работе схожих агрегатов. Однако там, где промышленные мощности не эксплуатируются, а производятся, обмен данными с заказчиками имеет очень важное значение. Например, для разработки и последующей продажи клиентам решений, прогнозирующих выход из строя оборудования.

Так, производитель моторов оснащает датчиками свои изделия и продает их клиентам. Вполне естественной будет идея собирать и анализировать информацию обо всех двигателях, работающих у клиентов, выявлять правила и закономерности. Затем клиентам можно продать прогнозные модели, повышающие надежность оборудования. Эта идея не нова, большинство производителей аппаратуры подобные подходы используют. Но мы являемся потребителем и можем лишь воспользоваться результатами работы наших поставщиков.

А если говорить о непроизводственных задачах?

Да, мы исследовали и другие, «непроизводственные» бизнес-процессы, составили их перечень, ранжировали по степени экономического эффекта, по ожидаемой скорости реализации и наличию доступных данных. И нам удалось получить представление о приоритетах, может быть и не окончательное. Скажу, что наиболее интересными являются закупки, продажи, маркетинг и HR.

Задачи HR могут быть очень интересными, но однозначно прогнозировать, например, вовлеченность сотрудников очень сложно, а оценка качества модели и вовсе является почти философской задачей. Здесь явно не хватает методологии. «Вовлеченность» – почти эфемерный признак, который приходится оценивать с разных точек зрения. Кроме того, такую модель тяжело на чем-либо обучать. Скорее математические модели позволяют выявить те или иные аномалии в поведении сотрудников и решать вопросы производственной безопасности.

Как вы видите свою роль в развитии компании?

Сейчас я сосредоточен на решении практических задач с помощью искусственного интеллекта. Моя главная цель – показать эффективность этого направления в производстве. Я планирую в ближайшие несколько лет посвятить себя этой задаче и развивать свои компетенции, принося пользу компании в сфере цифровизации.

Основной опыт работы с большими данными, который удалось накопить в фармацевтической отрасли, связан главным образом с фармакокинетическим и фармакодинамическим моделированием. После того как определена доза препарата и начинается этап перехода «от пробирки к человеку», в цепочке накопления данных появляются разрывы. Потенциально полезные для фармацевтики большие данные – геномные данные, сведения о назначенной терапии, данные лабораторной диагностики и мониторинга состояния пациентов, посты на форумах и в социальных сетях – скапливаются отдельными «островами». Фармацевтические компании не успевают перерабатывать этот вал данных в знания и тем более применять их.

Сэкономить время и деньги

Интересы биотех- и фармкомпаний к технологиям анализа больших данных и искусственного интеллекта очень широки и простираются от собственно разработки препаратов до получения обратной связи от пациентов, контроля приема лекарств и соблюдения рекомендаций врачей, совместной работы и повышения операционной эффективности.

Однако, как отметили участники конференции «Большие данные в фарме», организованной Semantic Hub при содействии Агентства стратегических инициатив, прекрасные ожидания фармкомпаний, связанные с цифровизацией здравоохранения, связаны прежде всего с сокращением сроков разработки и исследований, а следовательно – снижением затрат на выпуск новых препаратов.

Чтобы вывести на рынок один новый препарат, требуется минимум 10 лет и несколько миллиардов долларов, но и тогда вероятность того, что этот препарат будет продаваться, составляет примерно 10%, отмечает Кирилл Жуденков, старший научный сотрудник M&S Decisions. По его словам, остановка проектов на ранних стадиях в 80% случаев связана с безопасностью препарата, на поздних – с его неэффективностью. Поэтому при принятии решений о разработке новых лекарственных препаратов очень высоко востребованы аналитика и компьютерное моделирование. «Иначе как понять, эта молекула – «бомба» или не «бомба»», – объясняет Жуденков.

Избежать неудач на поздних стадиях разработки препарата и предсказать влияние лекарств на поведение биомаркеров помогает моделирование динамики основных компонентов биосистемы. Для этого в Институте системной биологии моделируют заболевания, виртуальных пациентов и их популяции и проводят виртуальные клинические исследования. Построенные на ранних стадиях разработки системно-фармакологические модели дают возможность предсказать, что же получат разработчики на второй фазе клинических испытаний. Кроме того, в институте разработали программу Immune Research Template, упрощающую создание системно-фармакологических моделей в области иммуноонкологии.

Между тем и западные, и российские регуляторы остаются достаточно консервативными, даже когда заявляют о готовности принимать данные математического моделирования. И, как отмечает Михаил Самсонов, директор медицинского департамента «Р-Фарм», такая консервативность тоже является барьером для развития.

«Сказать, что интерес фармотрасли к информационным технологиям большой, – это ничего не сказать», – констатирует Александр Чернавин, руководитель группы по поддержке бизнеса в медицинском департаменте «Р-Фарм». Этот интерес охватывает разработку новых препаратов, организацию доклинических и клинических исследований, в том числе создание баз данных. Однако пока мало говорится о создании всеобъемлющих баз данных химических субстанций, которые можно было бы использовать на ранних стадиях разработки препаратов, до получения патента. Фармкомпании многое держат в секрете и потому часто идут параллельными курсами, хотя могли бы продвигаться совместными усилиями. По мнению Чернавина, сотрудничество между фармацевтическими и ИТ-компаниями в период после выпуска препарата развито недостаточно. Крайне важно, чтобы препарат попал в руки хороших специалистов, и здесь возможности образовательных мероприятий, позволяющих с помощью интернет-технологий и вебинаров охватить большее число специалистов, очень велики.

Чернавин также обращает внимание на серьезнейшую глобальную проблему, которую невозможно решить без анализа больших данных, – рост устойчивости возбудителей инфекционных заболеваний к воздействию антибактериальных препаратов. В Смоленске российскими учеными создана база данных результатов лабораторных исследований, которая позволяет анализировать изменения резистентности микроорганизмов со временем. Но этого, увы, недостаточно.

Очевидно, что экономические реалии требуют от фармацевтической отрасли более интеллектуальных подходов и к продвижению своей продукции и к изучению поведения потребителей. В год на подобные мероприятия расходуется около 300 млрд руб. Как признает Иван Глушков, заместитель гендиректора по развитию из Stada CIS, «стремление накачивать телевизор деньгами в условиях падения покупательской способности населения выглядит очень рискованной стратегией».

«Фармацевтика – венчурная по своей природе отрасль, поскольку слишком большое число самых разных факторов влияют на успех препарата, – отмечает Ирина Ефименко, генеральный директор Semantic Hub. – И при анализе большого объема неструктурированных данных всегда есть риск проглядеть что-то важное, упустив перспективную разработку или вложившись в продукт, который сойдет с дистанции». Semantic Hub, специализирующаяся на анализе естественного языка, создает сервисы, помогающие экспертам исследовательских департаментов ускорить разработку перспективных препаратов путем более раннего выявления перспективных направлений, таких как новые решения, молекулы, их комбинации, системы доставки. «Мы надеемся, что с помощью технологий анализа больших данных, искусственного интеллекта, в том числе семантических технологий, сможем ускорить исследования в десятки раз, чтобы каждый этап занимал часы, а не недели», – говорит Ефименко.

Проблемы с интеллектом

По объемам инвестиций в системы искусственного интеллекта здравоохранение уверенно лидирует среди других отраслей. И, возможно, именно поэтому основные проблемы развития искусственного интеллекта в здравоохранении проявляются особенно ярко. Например, Сергей Сорокин, генеральный директор компании «Интеллоджик», отметил такую проблему, как необходимость больших объемов данных для обучения нейронных сетей и невозможность построить эффективные модели с использованием гетерогенных данных на небольших выборках для каждого заболевания.

Но одно из самых серьезных препятствий, затрудняющих распространение в медицине решений на базе ИИ, заключается в том, что врач, принимающий конечное решение и несущий за него ответственность, не понимает, почему ему предлагаются те или иные результаты работы алгоритма. C его точки зрения, система представляет собой «черный ящик», и нет возможности объяснить ему логику получения результата применения ИИ, чтобы валидировать этот результат. Необходима такая система представления результатов, которая позволила бы упростить оценку достоверности работы математической модели врачом.

Попытку создать такое решение предприняли в Российском онкологическом центре им. Н. Н. Блохина – в этом учреждении сейчас тестируется интеллектуальная система анализа медицинских изображений для распознавания рака легких.

Одна из проблем фармотрасли, которую помогает решить ИИ, – повышение эффективности предварительного скрининга пациентов, отбираемых для проведения клинических исследований. По статистике, до 70% набранных пациентов не соответствуют критериям включения (или невключения) в исследование. Как утверждает Сорокин, благодаря математическому моделированию сроки поиска подходящих пациентов сокращаются, а точность повышается.

Наиболее перспективные направления использования искусственного интеллекта в медицине – диагностика и оценка рисков развития заболеваний. В платформе, которую разрабатывает «Интеллоджик», технологии ИИ применяют для обработки диагностических изображений и объединения гетерогенных медицинских данных в вектор, кодирующий всю информацию о пациенте. Первичная модель представления пациентов строится на доступных публичных базах данных, а ее уточнение производится на частных наборах данных. И уже на основе созданных векторных математических моделей разрабатываются инструменты диагностики и оценки рисков заболеваний. В проекте под названием Botkin.AI предусматривается автоматическая подготовка наборов данных и обучение моделей, а также визуализация результатов.

Осознать потребности

Примеров удачной монетизации больших данных на российском рынке ИТ для фармацевтики немного: соединения «боли» заказчика с ИТ-решением часто не происходит, хотя у обеих сторон есть ощущение, что оно где-то рядом.

Один из мировых фармгигантов, компания Bayer, к примеру, развивает акселератор стартапов в области цифровой медицины, ежегодно отбирая перспективные российские ИТ-компании и помогая им сфокусировать свои решения на актуальных для фармацевтики задачах.

Как отмечает Глушков, монетизация – следствие удовлетворения осознанной потребности. Видимо, фармкомпании все еще недостаточно четко осознают, какие именно задачи следует ставить перед ИТ-подрядчиками.

Одной из главных тем для обсуждения в минувшем году стало предполагавшееся приобретение Accenture компанией Oracle за 78 млрд долл. Однако оно оказалось не более, чем слухом, который в Oracle полностью опровергли.

Ford покупает Argo AI

Многомиллиардные инвестиции Ford в стартап Argo AI, разрабатывающий автономные автомобили, способны заставить призадуматься ИТ-директоров предприятий самых разных отраслей.

Автомобили, управляемые сотрудниками компаний, сегодня уже не просто символ статуса – они составляют часть корпоративной ИТ-инфраструктуры и осуществляют сбор дополнительных данных о доставке и посещаемых местах.

И если даже такие весьма консервативные компании, как Ford, начинают столь масштабно инвестировать в искусственный интеллект, то что остается делать предприятиям других отраслей? Способны ли машинное обучение и компьютерное зрение совершить революцию и на их рынках?

Hewlett Packard Enterprise покупает Nimble Storage

Hewlett Packard Enterprise заплатила 1,1 млрд долл. за компанию Nimble Storage, которая специализируется на гибридных системах хранения,сочетающих в себе флеш-память и жесткие диски.

Объединив Nimble с уже имеющейся у нее 3Par, HPE намерена удовлетворить растущий спрос на быстрые и одновременно доступные системы хранения. Для ИТ-директоров это означает, что одним поставщиком в сегменте хранения станет меньше. К тому же с приобретением HPE должна усилиться интеграция расширяющегося спектра инструментов автоматизации ЦОД.

Google покупает бизнес смартфонов HTC Pixel

Компания Google приобрела за 1,1 млрд долл. подразделение HTC, отвечавшее за разработку телефонов Pixel. Таким образом, Google возвращается в бизнес смартфонов спустя четыре года после продажи компании Lenovo своей доли в Motorola Mobility.

Это свидетельствует о том, что Google намерена усилить интеграцию операционной системы Android со специализированным оборудованием смартфонов. Хорошая новость как для разработчиков приложений, так и для покупателей телефонов Android. Продемонстрировав в iPhone X функции обработки видео и искусственного интеллекта, компания Apple снова доказала всем, что тесная интеграция программного и аппаратного обеспечения несет немалую выгоду.

Google же еще раз подтверждает, что пришла в аппаратный бизнес всерьез и надолго, рассматривая для себя перспективу в 5, 10 и даже 20 лет.

Cisco Systems покупает Broadsoft и AppDynamics

Cisco Systems заплатила за компанию Broadsoft, разрабатывающую облачные АТС, 1,7 млрд долл. Ранее Broadsoft решила сосредоточить основное внимание на телекоммуникационных компаниях, которые использовали ее программный код для доставки различных сервисов своим клиентам.

Теперь же, когда за Broadsoft стоит Cisco, многим предприятиям – как малым, так и крупным – имеет смысл всерьез задуматься об освобождении своих телекоммуникационных шкафов и переносе АТС в облако.

Крупнейшим приобретением Cisco в 2017 году стала покупка компании AppDynamics за 3,7 млрд долл. AppDynamics предоставляет информацию о производительности распределенных приложений, работающих в публичных и частных облаках.

Совершив приобретение, Cisco представила новый набор инструментов AppDynamics, помогающий предприятиям отслеживать финансовые последствия сбоев в работе приложений и устанавливать более жесткий контроль за функционированием мобильных клиентов.

Verizon покупает Yahoo

Теперь малые предприятия, использующие сервисы электронной коммерции, хостинга и электронной почты Yahoo Small Business, будут получать новые предложения от Verizon.

Впрочем, покупка потребительского веб-портала принесет пользу и крупному бизнесу.

Ведь анонсированная в конце 2016 года сделка не завершена до сих пор. К настоящему времени Verizon «срезала» уже 350 млн долл. со своей первоначально предлагавшейся суммы в 4,8 млрд долл.

Дело в том, что в Yahoo признали наличие в своей системе безопасности целого ряда брешей, которые привели к утечкам персональных данных у миллиардов клиентов компании.

И даже тем, кто не является клиентом Yahoo, следует извлечь из произошедшего необходимые уроки.

Amazon.com покупает Whole Foods

Да-да, Amazon.com купила за 13,7 млрд долл. главного уличного продуктового ретейлера. Чем это событие обернется для вашего бизнеса?

Быть может, пока ничем, но если ваш бизнес связан с производством, перевозками или продажей чего-либо, вполне возможно, что в скором времени вам придется считаться с Amazon.

Традиционные ретейлеры наподобие WalMart уже давно почувствовали в лице Amazon конкурента на электронных площадках, а теперь эта компания наносит по ним удар на улице и в торговых центрах. Amazon, приобретя Whole Foods, теперь имеет возможность расширить и оптимизировать существующие цепочки поставок для универмагов, а также предложить новый розничный дискаунтер владельцам управляемых голосом устройств, которые благодаря цифровому помощнику Alexa смогут задействовать органы визуального и слухового восприятия.

Amazon уже выпустила версию Alexa для корпоративных клиентов, и ИТ-директорам стоит обратить внимание на этот факт.

Intel покупает Mobileye

Intel покупает себе дорогу обратно в мир мобильных вычислений. Но теперь процессор будет находиться у вас не в кармане, а в автомобиле.

В марте Intel анонсировала покупку за 15,3 млрд долл. израильской компании Mobileye, проектирующей системы, которые помогают автономным автомобилям воспринимать окружающее пространство и ориентироваться на местности.

Впрочем, вряд ли Intel и ее клиенты ограничатся тем, что будут использовать наработки Mobileye в области компьютерного зрения и машинного обучения только на автомобильном рынке. Думается, будущие поколения процессоров Intel начнут гораздо больше «интересоваться» всем, что находится вокруг них и их пользователей.

Toshiba продает бизнес памяти консорциуму, в состав которого входит Apple

Флеш-память нужна сегодня всем. Вопрос лишь в ее цене.

Испытывающий серьезные финансовые трудности японский конгломерат Toshiba на протяжении нескольких месяцев пытался продать свое подразделение, выпускающее микросхемы памяти, но никак не мог найти покупателя с достаточно толстым кошельком.

В конечном итоге компании все же удалось примерно за 18 млрд долл. продать 60% своего бизнеса консорциуму, возглавляемому фондом Bain Capital.

В состав консорциума входит и компания Apple – крупный потребитель флеш-памяти для телефонов и портативных компьютеров, вложивший, по имеющимся сообщениям, в это предприятие 7 млрд долл.

Членами консорциума являются также южнокорейский производитель микросхем памяти SK Hynix, компании Dell и Seagate.

Для Apple сделка имеет очень большое значение, поскольку открывает перед компанией дополнительные возможности по реструктуризации цепочек поставок. Крупнейшим производителем флеш-памяти в мире, согласно итогам последнего квартала, является Samsung Electronics, выступающая одновременно и как поставщик Apple, и как ее конкурент.

Так что если цены на очередной массив флеш-памяти покажутся вам чересчур высокими, зайдите в ближайший магазин Apple Store. Возможно, там вы найдете объяснение этому.

Broadcom предлагает за Qualcomm 110 млрд долл.

Сразу отметим, что сделка эта еще не заключена, а может быть, и никогда не состоится. Предложенные Broadcom 103 млрд долл. не устроили совет директоров конкурирующей компании Qualcomm, потому что эти руководители желают получить на 10 млрд долл. больше.

Чипы Broadcom и Qualcomm присутствуют во многих устройствах вашей корпоративной ИТ-инфраструктуры, в том числе в системах хранения, в оборудовании для кабельных и беспроводных сетей, а также в мобильной технике. Объединение двух гигантов обернется синергией в проектировании и разработке и появлением единого мощного поставщика, который сможет диктовать всем свои цены.

А между тем последствия меньшего по масштабам, но все равно весьма значительного слияния производителей микросхем мы наблюдаем уже сегодня. Marvell выплачивает за своего конкурента Cavium 6 млрд долл. Обе компании занимаются выпуском однокристальных компонентов для сетевого оборудования, контроллеров хранения и беспроводных устройств.

– Peter Sayer. 2017's biggest tech mergers and acquisitions. IDG News Service. Dec 12, 2017

Благодаря мобильным гаджетам, социальным сетям и развитию Интернета, технологии быстро пронизывают обыденную и деловую жизнь, нас окружают «умные» города и Промышленный интернет. В мире становится все больше компаний, которые сделали данные своим основным ресурсом. Квинтэссенцией осмысления этих тенденций и ответом на задачи, поставленные четвертой промышленной революцией, стала программа «Цифровая экономика», утвержденная правительством РФ 28 июля 2017 года.

Программа должна стать платформой для совместной работы государства, бизнеса и общества. Уже инициирован диалог государства и бизнеса по пяти направлениям: нормативное регулирование; кадры и образование; формирование исследовательских компетенций и технических заделов; информационная инфраструктура; информационная безопасность. По каждому определены центры компетенций и рабочие группы.

Предполагается, что к 2025 году доля цифровой экономики в ВВП достигнет 10%. И крупный бизнес не намерен стоять в стороне от ее формирования. Тем более что зачастую выбор стоит жестко: трансформироваться или умереть.

Цифровая экономика – это хозяйственная деятельность, ключевым фактором производства в которой являются данные в цифровой форме

В главной роли – бизнес

«Цифровизация меняет не только образ жизни людей, но и принципы работы традиционных отраслей: энергетики, транспорта, машиностроения», – отметил председатель правительства Дмитрий Медведев, выступая на форуме «Открытые инновации». Конструкторские бюро обмениваются электронной документацией, новые лайнеры «Сухой Суперджет 100» и МС-21 уже спроектированы в цифре, а авиакомпании планируют сервисное обслуживание и оптимизируют загрузку флота с помощью ИТ.

Между тем в докладе Всемирного банка о глобальном развитии 2016 года отмечается низкий уровень применения цифровых технологий бизнес-структурами в России по сравнению с госорганами и населением. Поэтому основная роль как в выстраивании, так и в реализации программы «Цифровая экономика» отведена бизнесу. Из 600 человек, работающих над планами реализации программы, только 70 – чиновники. «Планы разрабатываются бизнесом, правительство исполняет роль модератора и коллективного интегратора», – утверждает Андрей Белоусов, помощник президента России по экономическим вопросам. И это единственная госпрограмма, выполнение которой оценивает бизнес.

Как подчеркивает Медведев, цифровизация – вопрос конкурентоспособности самого бизнеса. В конечном счете сам бизнес в этом заинтересован.

Крупные компании не скрывают своей заинтересованности. «Если мы сегодня не будем инвестировать в прорывные цифровые технологии, то через полшага проиграем», – убежден Кирилл Комаров, первый заместитель генерального директора «Росатома», где в этом году планируют запустить электронную биржу идей.

«У нас нет ситуации «если не изменимся, то не выживем», но сервисная часть бизнеса точно будет другой», – говорит председатель правления компании «СИБУР» Дмитрий Конов. Из 27 тыс. человек, работающих в нефтехимическом холдинге, непосредственно производством занимаются 18 тыс., но на 9 тыс. остальных сотрудников прорывные ИТ окажут не меньшее влияние, чем, например, в финансовой индустрии.

«В таких тяжелых отраслях, как нефтехимия, глобальной трансформации бизнес-модели не наблюдается, но в каждой функции меняется многое», – свидетельствует Василий Номоконов, исполнительный директор «СИБУРа». И компании, которые занимаются «цифрой», выигрывают, так как производят больше продукции с использованием меньшего количества ресурсов. Меняется и сам корпоративный менеджмент. «Диджитализация впускает венчурный дух в принятие решений, допуская гораздо больше неопределенности, и мы начинаем мыслить не единичными проектами», – заметил Номоконов.

Говоря о том, что тормозит процесс цифровой трансформации, Конов обращает внимание на изменение пропорций между алгоритмом, «железом» и софтом, с одной стороны, и их адаптацией к конкретным условиям бизнеса – с другой. «Адаптация идей и технологий к нашим процессам требует совместной работы тех, кто понимает технологии, и тех, кто понимает процесс, – напомнил он. – Сегодня этот процент усилий для адаптации существенно выше, чем в индустриальных решениях предыдущих поколений, именно это многих останавливает».

Компании, уже родившиеся цифровыми, тоже принимают непосредственное участие в планировании новой экономики. «Мы относимся к этому не как к «серебряной пуле». Построение цифровой экосистемы – это игра вдолгую, это тяжелый труд над сотнями различных инициатив», – пояснил Борис Добродеев, генеральный директор Mail.ru Group. В Интернете, по его словам, экосистема цифровой экономики уже сложилась: несколько российских компаний в открытых конкурентных условиях обыгрывают зарубежных игроков и создают инновации. Основные проблемы этих компаний – потребность в новых рынках сбыта и доступ к капиталу. «Будучи составной частью этой экосистемы, мы хотим влиять на ее развитие», – заявил Добродеев.

Для этого нужны понятная, прозрачная система регулирования, хороший инвестиционный климат, развитая культура предпринимательства и постоянное пополнение кадрового резерва.

Спешить, не торопясь

Государство способно влиять на развитие цифровой экономики через госинвестиции и темп изменения регуляторной среды. Как сообщил Аркадий Дворкович, заместитель председателя правительства РФ, большую часть ресурсов государство намерено выделять на образование в сфере цифровой экономики и на фундаментальную науку. Остальное предполагается делать за счет частных инвестиций.

Существующая нормативная среда не учитывает ключевых свойств новой экономики: высокой ценности нематериальных активов, размывания границ и предельно низких затрат на тиражирование бизнес-модели. Чтобы создать условия для скачка в цифровую экономику, нужно спешить, считает Медведев. Государству предстоит очень быстро создать нормативное пространство для тех областей, которые пока непонятно как регулировать, – так называемые регуляторные песочницы.

По мнению президента Сбербанка Германа Грефа, правительство должно немного отставать, давая бизнесу возможность получить первые результаты в деле развития цифровой экономики, и лишь потом выстраивать регуляторную среду. Президент фонда «Сколково» Виктор Вексельберг с этим мнением не согласен. В числе регуляторных вопросов, которые должны были быть решены «еще вчера», – идентификация субъекта в цифровой экономике, юридическая сила электронных документов, электронные формы государственного контроля бизнеса, применение киберфизических систем, регулирование оборота данных и доступа к ним таким образом, чтобы они были защищены и в то же время доступны для решения различных бизнес-задач. «Как бы правительство ни торопилось, оно все равно опоздает, – сказал Вексельберг. – Уже сегодня ситуация требует появления этих законодательных актов».

Меняй модель

Понимание того, что цифровая экономика – это не просто перевод аналоговых форм в цифру, а изменение бизнес-модели вследствие такого перевода, уже сложилось. «Если цифровая трудовая книжка – это pdf-документ, я, конечно, буду счастлив носить его на флешке, но если она не приводит к формированию моей цифровой траектории, на основании записей которой формируются проактивные сервисы со стороны бизнеса и государства, то это просто ничто», – заявил Максим Акимов, первый заместитель руководителя аппарата правительства РФ. Так и цифровая транспортная накладная должна быть не просто документом, скрепленным усиленной электронной подписью. Она должна дать бизнесу возможность совместного использования (шеринга) промышленного оборудования, избавить его от собственных логистических подразделений, экспедиторов или автопарка. «Перевод процессов в цифру и на блокчейн – это здорово. Но главная цель – это быстрый рост производительности на основании изменения бизнес-моделей», – подчеркнул Акимов. Осталось определить, где же те «кротовые норы», которые приведут к реальной трансформации бизнес-модели.

Экономика партнерства

Программа отвечает на вопрос «что делать?», но не говорит как. Многое будет зависеть от того, что удастся реализовать, в первую очередь в промышленном и торговом секторах. «Цифровая экономика – это не про ИТ, а про данные, про их использование и капитализацию, – говорит Белоусов. – Бенефициарами этой программы станут компании, которые будут использовать цифру как свой основной ресурс». Прежде всего это крупные компании, способные создавать экосистемы, а также компании, работающие с ними на аутсорсинге, cтартапы и нишевые игроки.

Михаил Осеевский, президент «Ростелекома»: «Людям нужны информация, коммуникации и эмоции. Это огромный рынок, где не существует границ»

Наиболее очевидные кандидаты на точки роста цифровых экосистем – инфраструктурные компании. ««Ростелеком» не хочет быть исключительно инфраструктурной компанией, мы хотим быть цифровой компанией и предлагать гражданам, государству и бизнесу конечные решения, которые позволят им больше зарабатывать или меньше тратить, – заявил президент «Ростелекома» Михаил Осеевский. – И для этого мы ищем новые продукты и технологии».

Поскольку готовых решений зачастую не находится, «Ростелеком» намерен стать таким же акселератором, как Фонд развития интернет-инициатив. Цифровая экономика – это экономика партнерства, подчеркнул Осеевский. Только дав возможность десяткам и сотням тысяч компаний двигаться по пути инноваций, в результате можно увидеть «звездочки». Что именно «выстрелит», можно только предполагать. «Людям нужны информация, коммуникации и эмоции, – говорит Осеевский. – Это огромный рынок, где не существует границ, и мировым лидером может стать российская компания, которая предложит человечеству новые эмоции».

В ближайшие годы должно возникнуть много динамичных цифровых компаний, полагает Медведев. Для этого есть хороший потенциал, и этого можно добиться быстро при сравнительно небольших затратах. Речь идет о транспортных и логистических услугах, здравоохранении, образовании, финансах, «умной» городской среде, аграрном производстве и других областях. Удаленные районы, больницы и школы продолжат подключать к Интернету. Кроме того, в ближайшее время начнется создание сети мобильной связи пятого поколения, что должно ускорить развитие высокотехнологичных компаний. «Мы продолжим создавать условия для привлечения инвестиций, для работы венчурных фондов, готовых поддерживать российские стартапы», – заверил премьер.

Пока проблема с привлечением инвестиций в инновационный бизнес не решена. «Ахиллесова пята российских инноваций – сложности с выходом на рынок капитала, – заметил Сергей Горьков, председатель Внешэкономбанка. – Компании либо не получают достаточного финансирования, либо перемещаются за пределы страны». По его мнению, это связано как с тем, что экосистема недостроена, так и с тем, что Россия – недостаточно большой рынок, чтобы позволить себе развивать все инновационные технологии. Поэтому надо создавать фонды, поддерживающие выход на азиатские рынки, и тем самым «разгонять» инновации в России. По оценке Горькова, cоздание в стране центров компетенции мирового уровня вполне возможно. ВЭБ собирается открыть такой центр по блокчейну, хотя это не единственная технология, которая будет менять мир. Необходимо также сформировать в стране позитивное отношение к инновациям, чтобы квантовый компьютер, искусственный интеллект и конвергентные технологии вошли в моду. «Хайп – это тоже важно», – считает Горьков. В текущем году ICO обогнало венчурные фонды по объемам финансирования, так как существующая финансовая система не совсем готова воспринимать новую экономику.

В Сбербанке также рассматривают блокчейн и квантовый компьютинг как крайне перспективные технологии. «Блокчейн – технология, способная изменить сектор, в котором я работаю, просто драматически, – уверен Греф. – Она позволяет автоматизировать практически все процессы, особенно в соединении с искусственным интеллектом».

Пять профессий ИИ в Сбербанке

Среди технологий сегодняшнего дня главную скрипку играет искусственный интеллект, который Греф сравнил с электричеством в начале прошлого века. «Если раньше мы предполагали, что машинное обучение, искусственный интеллект, большие данные – это то, что мы можем использовать в процессе принятия решений, в том числе кредитных, то сегодня фактически нет ни одной области нашего бизнеса, в которой мы не применяли бы искусственный интеллект», – заявил он.

Первое ключевое направление использования ИИ в финансовом бизнесе – интеллектуальные советчики, «персональные финансовые менеджеры» и боты, отвечающие на типовые вопросы клиентов в контакт-центрах. «Через три-пять лет у нас просто не останется на этой функции людей, потому что каждый день искусственный интеллект учится и становится все более и более точным в своих ответах и прогнозах», – сообщил Греф.

По второму направлению – принятию решений на основе анализа больших данных – ИИ применяется как в корневом бизнесе Сбербанка, так и при принятии кредитных решений. По словам главы Сбербанка, без участия человека принимаются примерно 99% кредитных решений по физическим лицам. По корпоративным клиентам доля автоматически принимаемых кредитных решений – около 35%, но уже через три года ее планируется довести до 70%.

Третье направление использования ИИ – кибербезопасность. Анализировать транзакции, количество которых на пике достигает 7-8 тыс. в секунду, можно только с использованием искусственного интеллекта, и машины каждый день учатся бороться с хакерами.

Четвертое направление – анализ конкретных клиентских потребностей, маркетинг и индивидуальная работа с каждым клиентом. «Наш клиент перестает быть усредненным», – утверждает Греф.

И наконец, последняя область использования ИИ – автоматизация всей деятельности банка, начиная от бэк-офиса, бухгалтерии, аудита и заканчивая юридической службой. «Все простые операции будут автоматизированы», – заявил Греф. По его словам, эта ежедневная практика Сбербанка к 2020 году станет обычным делом практически во всех корпорациях.

Искусственный интеллект применяется уже несколько десятков лет. Первоначально он работал на основе набора заранее заданных правил. В 70-х годах широкое распространение получили технологии на основе нейронных сетей, которые посредством использования самообучающихся моделей определяли, какие данные являются нормальными, а какие – не укладывающимися в стандартную модель поведения информационной системы. В начале 2000-x годов началось активное развитие ИИ для решения практических задач: алгоритмы научились обрабатывать изображения, видео и голос. «Развитие ИИ в сфере информационной безопасности началось в 2005-2008 годах и было направлено в первую очередь на защиту наиболее атакуемых ресурсов – веб-серверов, но вскоре нейронные сети стали использовать и в других решениях, например при разработке эвристических модулей антивирусов», – говорит Андрей Заикин, руководитель направления информационной безопасности «Крок».

Камиль Газизов, генеральный директор «РТ-Информ» (Центр компетенции ИТ и ИБ «Ростеха»): «Одной из главных проблем в сфере ИИ на сегодня является создание автономной интеллектуальной системы, способной к принятию самостоятельных решений в зависимости от ситуации»

Сегодня искусственный интеллект вышел из ИТ-лабораторий в бизнес-среду, где не только стал модной тенденцией, но и нашел вполне практическое применение: для снижения издержек и оптимизации внутренних процессов. И в ближайшие десять лет технологии ИИ повлияют практически на все сферы бизнеса. По прогнозам международной исследовательской компании Markets and Markets, к 2020 году рынок ИИ вырастет до 5 млрд долл. Как объясняет Камиль Газизов, генеральный директор «РТ-Информ» (Центр компетенции ИТ и ИБ «Ростеха»), традиционно под ИИ подразумевают систему, предназначенную для автоматизации решения интеллектуальных задач. Одной из главных проблем в сфере ИИ на сегодня является создание автономной интеллектуальной системы, способной к принятию самостоятельных решений. Пока эта система использует уже заложенные в нее правила или алгоритмы. Внедрение ИИ открывает новые возможности перед специалистами по безопасности, но не отменяет их ведущей роли. Человеческий разум по-прежнему значим и необходим. Все процессы остаются под контролем специалистов по безопасности. Тем не менее попытки приблизиться к созданию автономного ИИ будут предприниматься и, возможно, со временем увенчаются успехом.

Что касается кибербезопасности, то искусственный интеллект поможет эффективнее решать задачи, которые ранее решались традиционными способами. В частности, по словам Газизова, благодаря использованию ИИ повысится уровень обнаружения угроз, сократится время реакции и усовершенствуются способы определения реальных попыток нарушения периметра безопасности. Кроме того, ИИ может устранить существующие бреши в сфере ИБ, которые появляются вследствие стремительного развития современных технологий, включая Интернет вещей.

По словам Рустэма Хайретдинова, генерального директора «Атак Киллер», как и в любой другой области, в кибербезопасности ИИ помогает оперативно анализировать большие объемы данных, освобождать операторов от рутинной и часто монотонной работы. Улучшение качества аналитики и исключение человеческого фактора позволяют эффективнее обнаруживать и отражать новые атаки.

Перспективы применения ИИ в кибербезопасности

Тимур Аитов, заместитель генерального директора группы компаний «Программный Продукт»: «Искусственный интеллект можно сравнить с ковшом экскаватора, который удесятеряет силы землекопа и позволяет перелопатить огромные объемы информации там, где появляются большие данные»

Тимур Аитов, заместитель генерального директора группы компаний «Программный Продукт», считает, что в целом перспективы применения ИИ в кибербезопасности обширны и без технологий ИИ обойтись в среднесрочной перспективе будет невозможно. С ним согласен и Заикин: «Современный ИИ – это система, способная выискивать аномалии, которые невозможно описать определенными правилами. В этом его главное преимущество по сравнению с классическими системами информационной безопасности, работающими на основе свода правил, задаваемых человеком».

Любое событие, в том числе событие информационной безопасности, всегда оставляет информационные следы, продолжает Аитов. Если стоит задача разобраться в том, что случилось, оценить вероятность повторения, дать прогноз, то информационный след должен быть максимально полным. Приходится собирать и анализировать огромное количество информации, поступающей из самых разнообразных первичных источников. При этом перерабатываются горы пустой информационной «руды», и всё для того, чтобы выявить крупицы знаний – основных взаимосвязей, позволяющих понять, что собственно случилось и почему. Здесь на помощь приходит ИИ, способный оперативно переработать и выявить эти закономерности и факты для дальнейшей оценки и принятия решений человеком. Искусственный интеллект играет роль помощника в тандеме человек-машина. Возможно, роль человека постепенно станет уменьшаться, а машины будут становиться все более самостоятельными. Но сегодня без участия оператора тандем пока работать не может. Что касается эффективности, то к каким-то радикальным изменениям в борьбе с преступниками технологии ИИ пока не приводят, но в среднесрочной и долгосрочной перспективе прогресс пойдет именно по этому пути – следить за ИТ-системами будут ИТ-системы. В выигрыше окажутся те структуры, те организации, те страны, которые первыми начали использовать эти подходы.

Влияние ИИ на информационную безопасность

Новые системы класса SIEM (security information and event management) обойтись без технологий машинного обучения и ИИ уже не могут, говорит Аитов. Системы передают предупреждения и объявляют тревогу, вычисляют типовые (средние) состояния работы систем, ищут отклонения от этих средних (или аномалии) – все это даже теоретически выполнить человеку невозможно. Искусственный интеллект используют не только SIEM, но и системы обнаружения (IDS), системы предотвращения вторжений (IPS), системы управления идентификацией и доступом (IAM), вся аналитика BI и системы продвинутой антивирусной защиты.

По словам Заикина, наибольшему влиянию со стороны ИИ подвергаются системы сетевой безопасности, проактивного обнаружения скомпрометированных узлов сети и системы сбора и анализа событий ИБ. Кроме того, имеются решения, использующие алгоритмы машинного обучения для решения таких задач, как обнаружение аномалий в работе с файловыми ресурсами, базами данных, бизнес-системами, а также предназначенные для выявления мошеннических действий со стороны сотрудников компании.

Наибольшую выгоду от применения ИИ получат те сегменты, где человек справляется хуже машины как по точности определения инцидентов, так и по скорости реакции. «Это противодействие мошенничеству (anti-fraud), анализ трафика на выявление атак, анализ аномального поведения на основе корреляции событий в информационной системе и другие области, где точность и скорость реакции являются критическими для защиты», – перечисляет Хайретдинов.

Барьеры и проблемы, осложняющие использование ИИ в информационной безопасности

В области информационной безопасности обучение на старых данных особого смысла не имеет, в то время как в традиционных для ИИ областях (распознавание лиц и голоса, машинный перевод с одного языка на другой, управление запасами, автопилоты) такой алгоритм – базовая практика. «Старые, уже известные атаки отражаются без всякого ИИ, на уровне сигнатур, и, обучаясь на них, мы можем уподобиться старым генералам, которые готовятся к прошедшей войне. Опасными являются только новые атаки, а над их созданием трудятся лучшие умы киберпреступного мира, и предугадать их идеи машине пока сложно. Поэтому ИИ в кибербезопасности использует другие алгоритмы, менее отлаженные», – считает Хайретдинов.

Аитов особых барьеров для внедрения ИИ не видит, а проблемы могут быть связаны с распределением зон ответственности: в какой мере можно делегировать системам ИИ принятие важнейших решений, кто именно будет нести ответственность за принимаемые системой решения. Проблема может быть легко устранена, если система всегда будет работать в связке с оператором, который примет важнейшие решения. Тогда и вся ответственность за решения и использование этого инструмента ляжет на него. Те же, кто будут делегировать ответственность роботам, столкнутся с проблемами. Придется аккуратно отслеживать и правовые аспекты действия систем ИИ, и подсчитывать возможные убытки – кто их будет компенсировать, если срабатывание было ложным? Пока в этой части полностью доверять машинам мы не можем.

Андрей Заикин, руководитель направления информационной безопасности «Крок»: «Искусственный интеллект – не панацея от всех проблем сетевой безопасности, а дополнительное средство, которое позволяет обнаруживать атаки и реагировать на них. При этом классические системы ИБ по-прежнему необходимы и востребованы»

Барьером, осложняющим использование ИИ, могут стать затруднения в интерпретации результатов работы алгоритмов, считает Заикин. Те системы ИИ, которые придерживались нисходящей парадигмы, ориентировались на четкие правила и могли «объяснить», почему та или иная активность является аномальной. Результат работы систем на основе нейронных сетей, придерживающихся восходящей парадигмы, не всегда так просто интерпретировать. Зачастую аналитику требуется немало времени, чтобы понять, действительно ли активность связана с вредоносными действиями злоумышленника или, допустим, в компании появился новый сотрудник, которого активно привлекают к проектам. Однако сейчас уже есть решения, которые объединяют эти два подхода, благодаря чему интерпретируемость результатов значительно повышается, а значит, сокращается время на расследование инцидента и снижается нагрузка на эксплуатационный персонал.

Еще одна сложность заключается в том, что современные системы ИИ могут обучиться совсем не тому, чему их изначально планировали научить разработчики, продолжает Заикин. Качество работы таких систем в большинстве случаев зависит от того, на каких данных они обучаются. Если в этих данных изначально присутствует аномальная активность, то ИИ будет в дальнейшем квалифицировать ее как нормальную и, следовательно, не обнаружит. Безусловно, систему можно дообучить в процессе эксплуатации, но такие сложности нельзя оставлять без внимания.

Нападение и защита: ИИ меняет соотношение сил

Хайретдинов считает: с использованием ИИ время реакции на новые угрозы может сократиться до такого минимума, что отражать новые атаки можно будет в реальном времени.

Заикин не прогнозирует кардинальных изменений в соотношении сил: «Хакеры придумывают новые способы взлома информационных систем, защитники разрабатывают новые средства и технологии защиты. Решения на основе ИИ сегодня способны распознавать уже существующие и многие новые виды атак. Но ведь и злоумышленники не стоят на месте и тоже могут использовать ИИ для достижения своих целей».

Аитов считает, что защита , как правило, всегда опережает, особенно при использовании ИИ, – на какую-то небольшую долю, скажем на 10%. Этого небольшого перевеса мы просто не видим. Защита должна соответствовать ценности того актива, который защищает. Можно сделать защиту абсолютно надежной. Но такая защита нецелесообразна – бизнес не сможет функционировать. Всегда приходится балансировать между разумным, удобным и достаточным. Это так называемый риск-ориентированный подход, который обязывает какой-то гол в свои ворота пропускать. Счет идет на уровне 1:1, и явного перевеса в чью-то сторону нет. Но соотношение сил и меры противодействия всегда будет определять защита – у нее возможностей больше.

Экономия благодаря ИИ

Киберпреступность – большой бизнес, который готов инвестировать значительные средства в разработку своих инструментов. Так возможно ли благодаря использованию ИИ избавиться от пропорционального роста инвестиций, необходимых для модернизации средств защиты?

Рустэм Хайретдинов, генеральный директор «Атак Киллер»: «Старые, уже известные атаки отражаются без всякого ИИ, на уровне сигнатур, и, обучаясь на них, мы можем уподобиться старым генералам, которые готовятся к прошедшей войне»

Безусловно, ИИ облегчает усилия защиты, растут ее качественные показатели. «ИИ решает и кадровые вопросы. Эксперты – высокооплачиваемая категория сотрудников, их может не хватать. Если же под началом специалиста по информационной безопасности работают системы ИИ, то его возможности удесятеряются, он становится более производительным, и таких сотрудников нужно уже меньше», – говорит Аитов. Что касается инвестиций в инструменты со стороны самих преступников, то успех киберпреступлений во многом зависит от мастерства злоумышленников. У киберпреступников есть свой инструментарий – пакеты, утилиты, социальная инженерия. Сделав вредоносную программу, они ее рассылают, а эффект связан с легким тиражированием ПО.

Хайретдинов же полагает, что вряд ли только посредством обучения систем защиты удастся сократить рост инвестиций в защиту. Скорее, появятся самозащищающиеся информационные системы с невозможностью выполнения команд, кроме заранее определенных. Такие системы распространены в критических отраслях (атомной, космической) и в армии, но бизнес ради удобства выбрал «системы для домохозяек» и теперь, навешивая на них дополнительные средства, пытается сделать их безопасными. Так что успех зависит больше от объединения сил разработчиков ИТ-систем и безопасников, чем от обучения «навесных» систем защиты.

Противостояние машин

Развитие и использование ИИ – это палка о двух концах, предупреждает Газизов. Безусловно, эту технологию активно осваивают и злоумышленники. Первоначальные атаки направлены на то, чтобы объект «засветил» методы защиты. И после обработки полученной информации идет целенаправленный удар по системам.

Применение ИИ атакующими – это свершившийся факт, не сомневается Хайретдинов. Атакующие обучают свои системы ИИ на атаках на системы защиты, обладают полной информацией об особенностях работы конкретных брендов и подстраивают способы атаки, во время ложных атак «засвечивая», чем именно защищается атакуемая цель. Массовые DDoS-атаки с помощью автоматического заражения или подбора паролей большого количества объектов автоматизации, автоматизированный подбор капчи, имитация поведения человека на веб-сайте – это уже реалии сегодняшнего дня. Противоборство машин уже происходит, и противостоять атакующим роботам могут только роботы-защитники.

Кибервойны уже идут, и преступники все активнее используют ИИ, уверен Аитов. А вот кто кого победит – это вопрос качества разработки. Здесь многое будет зависеть как от быстродействия машин, так и от изощренности и качества алгоритмов.

Киберпреступность – это целая отрасль, в ней задействовано множество людей по всему миру. Им доступны все те современные технологии, которые есть на ИТ-рынке. Например, активно развивается сервисный подход. Существуют сервисы, которые позволяют «прогнать» вредонос и выяснить, обнаруживается ли он антивирусными движками или «песочницами». На рынке есть алгоритмы машинного обучения, которые используют одновременно две машины. Одна из них перепроверяет действия другой, и таким образом осуществляется обучение обоих алгоритмов. Однако подобный сценарий взаимодействия используется для очень ограниченного круга задач. Между тем способов проникновения в ИТ-инфраструктуру – тысячи, и у каждого есть свои особенности и модели обнаружения аномальной активности. Поэтому на данном этапе развития технологий столкновение двух ИИ – злоумышленника и защитника – маловероятно, считает Заикин.

***

Внедрение технологий всегда создает «гонку вооружений» за миллионной прибылью, говорит Газизов. Несомненно, те, кто занимается защитой информации, столкнутся с новыми вызовами. Будь проактивным либо умри – закон новой реальности. Однако в погоне за новшествами не стоит забывать о базисе. Согласно последним исследованиям PwC, 40% российских компаний не имеют стратегии информационной безопасности. Необходимо вести работу и в этом направлении, не забывая о внедрении новых технологий, повышении квалификации сотрудников, взаимодействии и обмене опытом между ИБ-подразделениями предприятий и холдингов.

Будущее информационной безопасности – за интеллектуальными системами, способными обеспечить глубокую аналитику, прогнозирование всего спектра рисков и угроз. Внедрение таких систем создаст необходимость перестройки бизнес-процессов предприятий с учетом использования современных ИТ.

Последние достижения в таких сферах, как разработка искусственного интеллекта, активно используются киберпреступниками для организации более эффективных атак. Согласно аналитическим прогнозам, в 2018 году такая ситуация усугубится: технология искусственного интеллекта открывает новые возможности для нанесения ударов по виртуальной экономике. А по недавнему прогнозу Fortinet, также киберпреступники начнут сочетать эту технологию с атаками, ориентированными на поиск, выявление и использование уязвимостей сред поставщиков облачных услуг по всем направлениям.

А как обстоят дела по другую сторону баррикад? О тенденциях применения искусственного интеллекта в сфере информационной безопасности рассказывает Илья Медведовский, генеральный директор Digital Security.

– Каковы в целом перспективы применения искусственного интеллекта в кибербезопасности? Какие направления информационной безопасности могут больше всего оказаться под прицелом и почему? Где может быть наибольшая выгода?

На сегодняшний день серебряной пули под названием «искусственный интеллект» в сфере информационной безопасности нет и в ближайшее время точно не будет. Существующие технологии ИИ напрямую очень плохо вписываются в большинство задач информационной безопасности.

Однако есть класс задач, где использование ИИ может дать и уже дает на практике впечатляющие результаты. Например, обнаружение уязвимостей определенных классов, а также поведенческих аномалий пользователей и других возможных аномалий. Здесь мы ждем прорыва, и частично он уже произошел – результаты работы таких систем впечатляют. В частности, мы после двух лет работы в этой области реализовали ИИ на практике в наших системах и сегодня можем точно сказать, что это реально работает и полученные результаты вселяют оптимизм. Другое дело, что все это – лишь небольшая часть сферы безопасности, поэтому, повторюсь, сегодня пока говорить о каком-то прорыве в использовании искусственного интеллекта в информационной безопасности точно не приходится.

– В чем вы видите наиболее критичные проблемы? Что может стать барьерами для использования ИИ в безопасности?

О чем сегодня точно стоит задуматься, так это о том, что ИИ на данный момент может быть крайне полезен именно для нападения. Искусственный интеллект практически идеально может быть применен злоумышленниками при использовании социальной инженерии. Когда дело касается информационной безопасности, никого не устроит точность обнаружения в 50% или даже 60%. А вот в социальной инженерии поднять вероятность успеха на несколько процентов – это прекрасный результат. Другое дело, что ИИ здесь имеет смысл применять только на «больших числах» – то есть не при целевых, а при массовых атаках, а значит, компании могут спать относительно спокойно.

– Сфера информационной безопасности всегда была характерна тем, что защита отстает от нападения. Может ли применение ИИ изменить соотношение сил?

В целом на сегодняшний день ИИ в этой сфере делает только первые шаги, но я полагаю, что мы еще услышим много всего интересного и ждать осталось не так долго. Еще год назад я сам был скептиком – считал, что вряд ли ИИ сможет меня приятно удивить в случае обнаружения уязвимостей, но результаты нашей лаборатории перспективных исследований, а затем перенос всех ее разработок в релиз наглядно показали, что я зря сомневался – у практиков ИИ реально работает. Однако это справедливо далеко не для всех и не всегда.

Искусственный интеллект и машинное обучение сегодня стали настоящей притчей во языцех. Эти технологии имитируют работу человеческого разума, помогая повышать эффективность бизнеса. А для компаний, вступающих на путь цифровой трансформации, искусственный интеллект считается краеугольным камнем новых сервисов, помогающих привлекать клиентов.

Предприятия общественного питания, розничная торговля и авиакомпании внедряют чатботов, способных общаться с клиентами так, как это делают живые сотрудники. По заявлениям IBM, платформа искусственного интеллекта Watson поможет вылечить рак (пока, впрочем, особых успехов нет, если судить по сообщениям в СМИ). Гигант сельскохозяйственного машиностроения Deere & Company приобрел за 305 млн долл. стартап Blue River Technologies, выпускающий оборудование для «умной» мелиорации, в котором задействовано машинное обучение. В Uber, невзирая на все юридические скандалы последнего времени, рассказывают о Michelangelo – внутренней платформе искусственного интеллекта в виде сервиса, которая, как заявляют в компании, «демократизирует машинное обучение, делая масштабирование искусственного интеллекта в зависимости от потребностей бизнеса столь же простым, как заказ такси».

Но, как это часто бывает, шумиха так и остается шумихой. В большинстве компаний ожидания очень сильно отличаются от реальности, и это подтверждают свежие данные MIT Sloan Management Review и The Boston Consulting Group, полученные по результатам опроса свыше 3 тыс. руководителей в различных странах мира. Лишь 20% топ-менеджеров сообщили, что в их компаниях внедрили какие-либо средства искусственного интеллекта, и меньше чем у 39% есть конкретная соответствующая стратегия. При этом 85% руководителей убеждены в том, что искусственный интеллект поможет их компаниям приобрести или сохранить конкурентное преимущество.

Некоторые ИТ-директора пытаются внутри своих компаний заниматься разработкой решений на основе искусственного интеллекта и машинного обучения и даже патентуют подобные изобретения. CIO.com расспросил таких ИТ-руководителей о том, как именно в их компаниях используется машинное обучение.

Ставка на углубленный анализ клиентуры

Как и все крупные банки, U.S. Bank собрал обширный объем данных по клиентам, но сведения, представляющие практическую ценность, из этой информации извлекать не удавалось. Последние несколько месяцев в ИТ-службе прикладывают все силы к тому, чтобы изменить ситуацию. Внедрена платформа машинного обучения Einstein компании Salesforce.com, чтобы сделать услуги доступными для юридических и физических лиц.

Скажем, если клиент заходил на сайт банка в поисках информации об ипотечном кредитовании, то, когда он в следующий раз зайдет в один из филиалов, сотрудник банка сможет обратиться к нему с заманчивым предложением. Кроме того, технология помогает обнаруживать закономерности, не всегда заметные людям. Например, Einstein может порекомендовать, чтобы сотрудник позвонил потенциальному клиенту в четверг с 10 утра до полудня, поскольку в это время он с большей вероятностью поднимет трубку.

Похожие возможности сегодня пытаются реализовать во многих организациях сферы финансовых услуг – получив исчерпывающий обзор клиентов, можно предлагать нужные им услуги в подходящие моменты.

Совет: запаситесь терпением и приступите к освоению машинного обучения и искусственного интеллекта – начните с изучения и тестирования. Будьте готовы расширить масштаб систем, доказавших свою работоспособность. Всегда ориентируйтесь на клиента, задаваясь вопросом, какую пользу ему принесет то или иное новшество.

Машинное обучение избавляет от рутины

В компании Mastercard заявляют, что машинное обучение «сегодня лежит в основе всей ее деятельности». В компании новые технологии используют для автоматизации «рутинного труда, чтобы освободить людей для выполнения продуктивной работы, приносящей реальную пользу».

В компании также пользуются средствами машинного обучения, помогающими оптимизировать изменения ассортимента продуктов и услуг. Например, система такого рода помогает определить, какие изменения будут наименее рискованными, а какие нуждаются в дополнительном анализе. Кроме того, технологии машинного обучения применяются в системе безопасности, предупреждающей о попытках взлома; как только обнаружено подозрительное поведение, срабатывают «предохранители», защищающие сеть. Обнаруживать мошеннические действия помогает самообучаемый механизм ранжирования транзакций, который, отслеживая каждую операцию, обновляет данные и указывает (в баллах) насколько велика вероятность проблем.

При этом средства искусственного интеллекта и машинного обучения – это лишь часть обширного инструментария оператора системы обработки платежей.

Совет: хотя сегодня уже доступен широкий выбор средств, основанных на новых технологиях, ИТ-директорам не стоит рассчитывать на то, что эти средства волшебным образом решат все проблемы их бизнеса.

Искусственный интеллект как фактор развития продуктов и бизнеса

В Adobe Systems идет перестройка ИТ-департамента согласно новой операционной модели, основанной на данных. Для получения знаний, помогающих оптимизировать управление ИТ-отделом и бизнесом в целом, используется аналитика Hadoop. В рамках новой стратегии ведутся эксперименты со средствами машинного обучения, используемыми при анализе заявок в службу поддержки, чтобы потом выявить тенденции системных сбоев. По замыслу, система, заметив события, указывающие на вероятность отказа, оповещает об этом, и тогда можно заранее принять меры, чтобы предотвратить аварию или ослабить последствия.

Выявление закономерностей, приводящих к отказам ИТ-сервисов, также позволит Adobe проводить «самолечение», чтобы перенести на автоматику часть обязанностей, сейчас выполняемых ИТ-персоналом. Изучаются технологии чатботов, которым предполагается поручить прием заявок от сотрудников на техническую поддержку. Внедряют искусственный интеллект и в подразделении Adobe по работе с коммерческими клиентами. Уже почти год развивается Sensei, система искусственного интеллекта, которая используется для управления документооборотом, а также в системах мониторинга и анализа производительности веб- и мобильных приложений компании.

Совет: использование машинного обучения для идентификации закономерностей – ключ к реализации возможностей «самолечения». Зная, как именно можно исправить проблему, вы можете поручить это сделать автоматике, избавив от такой необходимости людей.

– Clint Boulton. 3 machine learning success stories: An inside look. CIO. SEP 19, 2017