Автоматизация предприятий

Что делает лидера выдающимся? Единого набора личностных качеств, базовой подготовки и талантов, отталкиваясь от которых, можно было бы спрогнозировать эффективность руководства, наверное, не существует, но определенные лидерские компетенции, необходимые хорошему руководителю, все же сформулировать можно.

Фундаментальное значение имеет понимание продуктов вашей организации, ее позиции на рынке и технологического стека. Конечно, необходимо ориентироваться на результат, но есть и другие, менее очевидные качества, которые важны для успешного лидера в приобретающем все более цифровой вид мире.

«Сегодня успех в профессии обусловлен не столько опытом работы с конкретными технологиями или знанием определенного языка, сколько наличием инструментария для понимания технологий и умением адаптироваться к их изменениям, — указал генеральный директор платформы для электронного обучения и учебных приложений Quizlet Мэтт Глотцбах. — Умение анализировать данные, критически мыслить, обустраивать мир, наполненный данными, — все эти навыки не только очень важны, но и совершенно обязательны».

Исследование, проведенное американским подразделением консалтинговой компании по кадрам Randstad, показало: 95% из 5 тыс. руководителей, принимавших участие в опросе, убеждены, что для эффективного управления изменениями организационной структуры и операционных моделей, обусловленными цифровизацией, необходимы новые и разные виды руководства.

Перечислим, какими ключевыми компетенциями руководители завтрашнего дня должны обладать уже сегодня.

Умение вдохновлять других

«Поддержание связи и взаимодействия сотрудников друг с другом, а также с другими подразделениями при решении задач, стоящих перед командой, — ключевое требование, предъявляемое к руководителям высшего звена, — указал директор Randstand US по персоналу Джим Линк. — Чтобы по-настоящему вдохновлять сотрудников, цифровые лидеры должны понимать их сильные стороны, находить пространство для улучшений и знать, как трансформировать все это в успех своей команды или группы. Индивидуальное восприятие того, что делает специалиста в сфере ИТ выдающимся, варьируется значительно шире, чем в других отраслях. Так что умение понять мотивацию и личностные качества людей, оценить их возможности и навыки и придумать, как можно распространить все это на команды, подразделения и всю организацию, действительно имеет очень важное значение».

Кроме того, руководители должны обеспечить сбалансированную программу профессионального развития, которая побудила бы сотрудников демонстрировать все лучшее, на что они способны.

«Сюда относится и понимание того, когда и как следует проявлять свои менторские качества, когда и как использовать обратное менторство, спонсорство, — отметил Линк. — Тогда вы сможете направить силы каждого отдельно взятого индивидуума на достижение общекомандного успеха».

Понимание, как использовать технологии

«Успешные ИТ-лидеры используют любые цифровые инструменты и инновации, имеющиеся в их распоряжении, охотно изучают и внедряют новые технологии, — подчеркнул Линк. — Опытные лидеры делают это не только для повышения конкурентоспособности своей организации, но и для лучшей оценки и выявления внутренних резервов и пространства для улучшений. Способность руководителя извлекать из технологии максимум открывает самые широкие возможности — от привлечения лучших кадров до активного вовлечения сотрудников в рабочий процесс, и не только. Люди принимают решение о том, где работать, исходя из положения компании, из того, какое место она занимает в отрасли и на рынке. Специалисты увольняются или не принимают предложения о работе, если организация не проявляет технологической смекалки, а отстающие компании испытывают явный дефицит талантов».

«То, насколько программное обеспечение удобно в работе, самым непосредственным образом сказывается на качестве работы, выполняемой сотрудниками, — добавил технический директор IFS Рик Виг. — А это, в свою очередь, отражает степень эффективности руководства. Если возможности работников ограничены, они начинают искать для себя более зеленые пастбища. Удобство использования имеет важнейшее значение для удовлетворенности сотрудников, их вовлечения в общий процесс и в конечном итоге для их удержания. Особенно важно это для старой гвардии — представителей эпохи бэби-бума и поколения X, поскольку они не только обладают техническими навыками, но и занимают руководящие должности, а уходя, забирают с собой свои знания и опыт».

«Успешные руководители ИТ-служб используют технологические инструменты для определения уровня квалификации лидеров во всех слоях организации, — указала президент компании XBInsight Кэти Грейм-Левисс. — Эти данные могут помочь планировать преемственность и заполнять пробелы. Многие организации стремятся развивать лидерские качества в верхних эшелонах и на управленческом уровне, упуская при этом потенциальные возможности улучшений в нижних сегментах — а здесь открывается широкое поле для улучшений».

Поощрение взаимодействия

«За последние пять лет характер взаимодействия претерпел значительные изменения, — отметил Линк. — И произошло это не только благодаря использованию на рабочих местах новых инструментов. Наиболее радикальные перемены связаны с командным лидерством, сотрудничеством и моделью поведения — с так называемой работой в команде. Это имеет особенно важное значение для миллениалов, представителей поколения Z и будущих поколений, которые придут на рабочие места завтра. Для большинства молодых специалистов работа в команде подразумевает некое племенное единство — наличие сообщества людей, идущих к общей цели в одном и том же месте в одно и то же время. Взаимодействие же означает движение к цели, пребывание в общем пространстве при этом необязательно. Можно находиться в разных часовых поясах, местах, штатах, странах. Вот отличие от командной работы, и наличие лидера, понимающего это, приобретает ключевое значение».

Руководители, облегчающие взаимодействие и понимающие необходимость гибкости, сбалансированности работы и личной жизни, а также удаленной работы, могут воспользоваться этими преимуществами, чтобы вдохновить свою команду и вовлечь ее в общее дело.

«Лучшим ИТ-лидерам известно, что, несмотря на желание людей поддерживать живое общение с членами своей команды, между присутствием и эффективностью нет прямой связи, — подчеркнул Линк. — Особенно это касается молодого поколения. Оно ищет в руководителе соответствующие качества, понимание им сути взаимодействия и всего того, что нужно для достижения цели».

Стимулирование инноваций

«Как правило, инновации являются неписаной частью должностных обязанностей руководителя ИТ-службы, — указывает Грейм-Левисс. — Вместе с тем очень важное место отводится формированию культуры инноваций, обучению и постоянному совершенствованию, умению определять и оценивать инновации. Компании не могут позволить себе создавать отдельное подразделение, которое занималось бы инновациями. Для этого у них нет ни времени, ни ресурсов, и им приходится генерировать инновации изнутри. Хорошие ИТ-лидеры понимают, что в этот процесс каждый день должны быть вовлечены все сотрудники организации».

Способно ли руководство поощрять отдельных людей и команды подходить к бизнес-проблемам с любопытством и беспристрастностью, помогающими находить правильные решения? Может ли стимулировать в других творческие идеи и стремление экспериментировать? Принимает ли изменения и готово ли поддерживать следующие шаги к инновациям? Все эти качества присущи выдающимся, инновационным лидерам.

Принятие рисков

«Оборотной стороной инноваций является управление рисками, понимание того, как совладать с боязнью неудачи и научиться брать на себя оправданные риски, — поясняет Линк. — Руководители понимают, что обучение, вовлеченность и инновации возникают тогда, когда людей поощряют пробовать новые решения и не опасаться наказания за то, что эти решения будут работать не так, как ожидалось».

Управление «декомпрессией»

Наконец, в сегодняшней, наводненной данными и информацией среде, где ИТ-команды поощряют брать на себя риски, а давление очень велико, умение выбрать время для снятия напряжения приобретает очень важное значение.

«Увязнув в данных, мы видим, что успешными лидерами становятся те, кто умеет сделать шаг назад и разглядеть общую картину (увидеть, так сказать, лес за деревьями) и найти удачное время, для того чтобы выпустить пар», — указал Линк.

Подобно тому, как глубоководные ныряльщики знают, что всплывать надо медленно, чтобы избежать кессонной болезни, успешные лидеры понимают, что подчиненных нужно нацелить на решение стратегических задач, оставив им время для отдыха и восполнения сил.

«Мы полагаем, что эта компетенция развивается, и продолжаем ее изучать, — заметил Линк. — Является ли такое качество врожденным? Или ему можно научиться? Мы полагаем, что руководителям нужно уметь распознавать сигналы и выявлять признаки перегрузки и чрезмерного давления, понимая, когда необходимо сделать перерыв».

— Sharon Florentine. 6 essential competencies for digital executives. OCT 17, 2018

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

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

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

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

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

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

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

Как Sever.AI видит кандидата

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

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

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

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

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

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

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

Sever.AI звонит кандидату

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

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

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

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

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

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

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

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

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

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

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

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

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

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

— О каких объемах данных идет речь?

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

— На каких решениях построена инфраструктура для работы с данными?

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

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

— В чем основные проблемы управления данными?

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

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

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

— В итоге исторические данные стали абсолютно ненужными?

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

— Какие методы машинного обучения используются в рамках проекта?

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

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

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

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

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

— Каких результатов позволяет добиться решение и каким образом?

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

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

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

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

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

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

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

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

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

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

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

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

— А клиенты сами готовы к таким переменам?

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

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

Если вы работаете ИТ-директором или вы руководитель бизнеса и испытываете трудности с реализацией цифрового бизнес-проекта, то для успешного продвижения вперед вам нужно взломать свою ИТ-культуру.

«Цифровой бизнес, ускоряясь, разрушает основы привычного ведения дел, — рассказывает исполнительный вице-президент Gartner  и руководитель исследовательского направления Майк Харрис. — Эти новые модели переопределяют способы создания организациями новых ценностей. Они бросают вызов традиционному менталитету, заставляя ИТ-директоров думать и действовать по-новому».

Смена менталитета — основная движущая сила новых технологий и один из способов, которого в Gartner рекомендуют придерживаться при изменении культуры компаний.

«Взломайте культуру, чтобы ее изменить, — советует вице-президент Gartner по исследованиям и аналитике Кристин Мойер. — Под взломом культуры мы понимаем не поиск уязвимых мест для вторжения в систему, а выявление уязвимых точек в культуре и внесение реальных изменений, устраняющих эти уязвимости».

Взлом подразумевает выполнение ряда мелких операций, которые обычно упускают из виду. «Правильный» взлом порождает эмоциональную реакцию, приводит к немедленным результатам и сразу виден множеству людей.

По оценкам Gartner, 46% ИТ-директоров считают культуру главным барьером на пути к извлечению выгод из цифрового бизнеса.

Культурные перемены тесно связаны с переводом постоянно меняющихся и совершенствующихся технологий в новое состояние, которое в Gartner называют «динамизмом». К такому динамизму организациям следует стремиться

По словам Харриса, неважно, является модель управления бизнесом свободной или контролируемой. Главный фактор успеха — это динамизм, но более чем трем четвертям организаций его не хватает. А между тем способ внедрения организациями технологий и динамизм — критически важные факторы.

Четыре стратегии, гарантирующие цифровой успех

Аналитики Gartner указали, на какие еще важные тенденции следует обратить внимание руководителям ИТ-служб, если они хотят, чтобы их организации в ближайшем будущем добились успеха.

Конфиденциальность. Если ИТ-директора не в состоянии успешно управлять конфиденциальностью, весь процесс цифровой трансформации подвергается риску. «Все чаще обеспечение конфиденциальности ведет к повышению уровня доверия, а доверие — сила, — указал Харрис. — У вас, как у ИТ-директора, имеется мандат на защиту конфиденциальных данных потребителей, граждан и сотрудников. Обычно назначается ответственный за программу управления конфиденциальностью, своевременное обнаружение и устранение брешей, а также предоставление пользователям возможности управлять своими данными. Вопрос этот должен решаться на уровне совета директоров, но едва ли хотя бы половина организаций может похвастаться наличием адекватного управления».

Дополненный интеллект. Идея заключается в том, чтобы использовать искусственный интеллект для расширения возможностей людей. Когда сотрудников поддерживают передовые системы искусственного интеллекта, процессы и роботы, их рабочий функционал становится гораздо шире. В Gartner ожидают, что к 2021 году экспертные системы будут отвечать на вопросы лучше человека. Но при этом искусственный интеллект не заменит людей, а будет дополнять их.

Управление цифровыми продуктами. Переходя к менталитету цифровых продуктов, организации ставят в центр разработки клиента. Вице-президент и известный аналитик Gartner Марк Раскино перечислил несколько компаний, которые уже идут этим путем: в Chase Bank имеется менеджер по цифровым продуктам, курирующий платежное приложение банка; в McDonald's есть менеджеры по цифровым продуктам, занимающиеся ресторанными киосками и мобильными приложениями; в компании Transport for London появились менеджеры по цифровым продуктам, которые управляют транспортными приложениями, ботами и API, используемыми как персоналом, так и клиентами.

Цифровой двойник. Цифровые двойники — это виртуальные реплики физических устройств, применяемые исследователями данных и ИТ-специалистами для моделирования их работы до момента установки реальных устройств и систем. Можно создать цифрового двойника организации (digital twin of organization, DTO). «С помощью DTO ИТ-директор получает виртуальное представление о работе людей, систем и связанных с ними процессов, а также о взаимодействии различных подразделений внутри организации», — пояснила вице-президент Gartner по исследованиям Хелен Хантли.

— Michael Cooney. Gartner: Digital business projects in a quagmire? Hack your culture! Network World. October 16, 2018

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

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

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

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

1. Машинное обучение — неотъемлемая часть CRM

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

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

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

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

2. Всесторонний обзор клиентуры с помощью данных

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

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

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

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

3. Интеграция CRM с системами операционных отделов

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

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

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

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

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

4. Локальные CRM-системы — пора отказываться

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

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

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

5. Впечатления клиента — превыше всего

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

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

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

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

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

Потребности покупателей, приходящих в магазины, вполне естественны: их интересуют качественные продукты, их наличие на полках, честные цены, отсутствие очередей. Торговая сеть — это огромная инфраструктура, и ошибки здесь недопустимы. Однако как сочетать жесткие правила работы с инновационной деятельностью?

В нынешнем мире цифровой трансформации главная цель любой компании, претендующей на лидерство, — скорость: лидеры должны двигаться быстрее рынка. Запущенная лаборатория как раз и представляет собой пространство, где можно быстро воплощать в жизнь революционные подходы и тестировать решения стартапов, помогая бизнесу двигаться вперед.

Фабрисио Гранжа: «Здесь возможно протестировать в боевой обстановке много различных решений и увидеть, как они влияют на покупателей»

«В этой лаборатории я вижу шанс сочетать одновременно и эволюционные, и революционные подходы. Здесь возможно протестировать в боевой обстановке много различных решений и увидеть, как они влияют на покупателей», — подчеркивает Фабрисио Гранжа, директор по ИТ X5 Retail Group. Это не место, где эмулируется работа систем, тут приходится иметь дело с реальными покупателями, которые приходят в магазин.

По словам Гранжи, самое тяжелое — не создать новое решение, а масштабировать его. Для этого надо не просто протестировать систему и быть уверенным в ее эффективности, но и оценить, подходит ли технология нынешней архитектуре, возможно ли ее масштабировать на 13 тыс. магазинов, наконец — жизнеспособна ли она в обозримом будущем.

Один процент успеха

«Очень часто нас спрашивают, а зачем мы вообще занимаемся инновациями, — говорит Вадим Капустин, директор по стратегическому развитию и инновациям X5 Retail Group. — Мы начали активно работать в этом направлении примерно полтора года назад. Если посмотреть на развитие российского ретейла в последние несколько лет, то очевидно, что конкуренция на рынке заметно выросла». За 10 лет торговые площади на душу населения увеличились вдвое, и ожидается, что в течение 10–15 лет они еще раз удвоятся или даже утроятся. Это означает, что в магазины будет все сложнее привлечь покупателя. Борьба идет уже сейчас, и она будет усиливаться.

«Для того, чтобы дать покупателю то, что ему нужно: удобство, невысокую цену, приятный процесс покупки, — мы запустили инновационный процесс», — рассказывает Капустин. Некоторые тестируемые в лаборатории технологии — например, электронные ценники — помогают покупателю определять цену на товар, минимизируют ошибки, вызванные человеческим фактором. Кассы самообслуживания, в том числе работающие через мобильные телефоны, позволяют сократить очереди. RFID-технологии дают возможность мгновенно считывать содержимое корзины и выдавать чек.

С другой стороны, чтобы снизить цены или хотя бы удержать их на нынешнем уровне, необходимо следить за издержками. Например, с помощью специальной информационной панели магазин в реальном времени отслеживает расходы на электричество. Если удастся получать своевременную информацию о перерасходе электроэнергии и не допустить такого перерасхода, это в конечном счете позитивно отразится на ценах.

Вадим Капустин: «На входе нашей технологической воронки за полтора года побывало более 500 решений. В стадию промышленного внедрения перешло лишь шесть из них»

Помимо технологий, которые уже известны и используются, в лаборатории тестируются и такие, которые пока еще в новинку. Так, одно из решений — «умная полка». Суть его в том, что с помощью встроенных светодиодов в реальном времени определяется наличие товара на полке. Сейчас контроль наличия товаров тестируется двумя способами: с помощью видеоаналитики и «умных полок». «Какая из этих технологий себя оправдает — большой вопрос, потому-то мы и занимаемся их тестированием. Но надеюсь, что в следующем году одну из них мы будем развертывать», — поясняет Капустин.

Процесс оценки инноваций представляет собой классическую воронку, известную в маркетинге. На ее вход поступают технологии, они «просеиваются», затем тестируются и пилотируются и в случае успеха могут быть использованы в масштабах всей сети. По словам Капустина, на входе этой воронки за полтора года побывали более 500 решений, в том числе от различных стартапов. Детально были изучены 160 решений, более 60 либо уже миновали стадию пилотирования, либо находятся в ней сейчас. В стадию промышленного внедрения перешло лишь шесть решений — примерно 1%.

В следующем году, благодаря появившейся лаборатории, в X5 планируют выйти на более широкие масштабы инновационной работы и довести число решений, прошедших в жизнь, до 20–30. Тогда можно будет говорить об успехе модели «конвейера инноваций».

Направления инноваций

«Весь процесс внедрения инноваций — от идеи до реализации — мы разделяем на три этапа», — делится Виталий Порубов, руководитель направления «Стратегия и инновации» дирекции по ИТ X5 Retail Group. Первый — этап прототипирования. Когда неочевидно, как решение должно работать, или для проверки нужны сложные интеграции и доработки, с ним приходят в магазин-лабораторию. Здесь невозможно проверить экономику решения — его влияние на прибыль и затраты, но его можно проверить технически, а заодно посмотреть, как на него реагирует покупатель.

Следующий этап — пилотирование. Он реализуется в нескольких магазинах (от пяти до сотни), чтобы проверить влияние на экономические показатели: продажи, трафик, затраты. До сих пор большинство внедряемых технологий сразу поступало на стадию пилота, однако уже в процессе проекта почти всегда возникали неожиданные сложности. Чтобы ускорить пилоты, и была создана площадка, где можно протестировать технологию в лабораторных условиях.

Третий этап, ожидающий проект в случае успешной проверки бизнес-гипотезы и экономической составляющей, — тиражирование на всю сеть. «Разумеется, мы не можем моментально переделать 13 тыс. магазинов. Приходится их постепенно улучшать», — констатирует Порубов.

В X5 выделяют шесть основных направлений инновационных проектов, их в компании называют стримами. Первый стрим — все, что касается покупательского опыта: сокращение очередей, различные сценарии самообслуживания, омниканальность.

Второй стрим — технологии персонализации, дающие возможность узнать покупателя. У X5 одна из самых больших программ лояльности, в ней участвует почти 60 млн клиентов. Однако на данный момент с ними возможно взаимодействие лишь по различным офлайн-механикам. Например, после предъявления на кассе карты лояльности можно вместе с чеком распечатать покупателю персональное предложение или прислать SMS.

Виталий Порубов: «Если мы научимся узнавать покупателя на входе в магазин, а еще лучше — на подходе к магазину, то сможем взаимодействовать с ним в реальном времени в процессе шопинга»

«Наши нынешние акции дают эффект, но если мы научимся узнавать покупателя на входе в магазин, а еще лучше — на подходе к магазину, то сможем взаимодействовать с ним в реальном времени в процессе шопинга, делать ему персональные предложения. Это даст гораздо больший эффект с точки зрения бизнеса», — говорит Порубов. Для реализации такого сценария требуется не только внедрение систем видеоаналитики, но и развитие точек внутри магазина, чтобы донести до покупателя предложения — возможно, через цифровые вывески или на мобильный телефон с помощью push-уведомлений.

Третий стрим инноваций касается товаров на полке: зонирования полочного пространства, проверки корректности планограммы, доступности товара на полке. Сюда же относятся прослеживаемость товара и контроль его срока годности. Это может стать актуальной проблемой с учетом того, что сейчас обсуждается законопроект об отмене возвратов и обратной реализации. Хорошо бы, например посредством маркировки или RFID, научиться понимать, когда близится к истечению срок годности товара и, возможно, применять динамическое ценообразование, чтобы снизить его стоимость.

Четвертый стрим ориентирован на повышение эффективности операций внутри магазина, в том числе на мобильность сотрудников. Например, рассматривается проект, предполагающий замену компьютера у директоров магазинов на универсальное мобильное устройство, с помощью которого они смогут выполнять все необходимые операции. Пятый стрим — решения Интернета вещей, все, что касается концепции «умного магазина». У ретейлера сотни тысяч единиц различного оборудования; его мониторинг, контроль эффективности работы и предсказание отказов — очень важная задача.

Наконец, шестой стрим нацелен на оптимизацию существующей ИТ-инфраструктуры. Многие современные технологии — видеоаналитика, управление медиаконтентом — сильно влияют на инфраструктуру магазинов и каналы связи. Как построить решение, чтобы оно было одновременно недорогим и не обрушило существующую архитектуру? Над этим тоже необходимо думать.

***

Возможно, через построенную технологическую воронку удастся продвинуть не только бизнес X5 Retail Group, но и весь российский рынок. Очевидно, что многие из тестируемых технологий вполне применимы не только в других компаниях, но и в других отраслях.

Процесс обучения практически всегда происходит методом проб и ошибок: совершив промах, вы стараетесь понять, как избежать его в дальнейшем. То же относится и к машинному обучению.

Внедряя машинное обучение на предприятии, будьте осторожны: рекламные описания технологии могли породить у вас нереалистичные ожидания ее высочайшей эффективности и точности. На самом деле ошибки в процессе машинного обучения неизбежны, и они могут быть перенесены в бизнес-процессы. Ошибки могут распространиться в широких масштабах, и человек далеко не всегда успевает этому быстро воспрепятствовать.

Если торопиться с внедрением, не уделить времени необходимой подготовке, могут возникнуть проблемы, которые сведут преимущества машинного обучения на нет. Своевременно выявляя и устраняя ошибки машинного обучения, вы способствуете успеху проекта.

Перечислим ряд проблем, способных увеличить число ошибок, совершаемых при машинном обучении, и продлить их влияние. Сами машины с распознаванием и исправлением таких оплошностей справятся вряд ли.

Отсутствие понимания бизнес-задачи

Иногда аналитики, использующие модели машинного обучения, не имеют точного представления о том, какую задачу бизнеса они с его помощью пытаются решить. Это одна из причин возможного появления ошибок.

Прежде чем приступить к освоению инструмента машинного обучения, нужно ответить на вопросы, какую именно задачу вам надо решить и какие для этого требуется построить модели.

С точки зрения статистических возможностей доступные на сегодня средства машинного обучения отличаются чрезвычайной мощностью. При неосторожном использовании такие инструменты могут привести к принятию неверных решений, имеющих серьезные последствия для компании. Если не приложить достаточных усилий, может получиться модель, не соответствующая характеристикам используемого набора данных или задаче обучения. Итогом может стать стремительное падение результативности.

Кроме того, не все бизнес-пользователи знают о том, что качество модели с момента ввода в рабочую эксплуатацию начинает падать. Необходимо постоянно контролировать влияние таких ухудшений на принимаемые решения — независимо от того, идет ли речь о модели, используемой для искусственного интеллекта автомобиля-робота, или любой другой автоматизированной системы.

Низкое качество данных для обучения

Мусор на входе — мусор на выходе. Если качество данных неудовлетворительное, машинное обучение будет проходить с ошибками. Низкое качество данных — одна из основных проблем, с которыми борются специалисты по управлению данными. Из-за низкого качества данных под угрозой могут оказаться проекты аналитики больших данных, несмотря на все усилия исследователей и других специалистов.

Нередко надежность алгоритмов машинного обучения переоценивается, а влияние некачественных данных недооценивается. Низкокачественные данные ведут к получению неверных результатов и принятию необоснованных бизнес-решений. Это, в свою очередь, вредит доходам и затрудняет финансирование новых проектов.

Низкое качество данных можно выявить по результатам работы модели машинного обучения: такие результаты с учетом накопленного вами опыта выглядят бессмысленными.

Для предотвращения проблемы можно применять методы разведочного анализа данных (exploratory data analysis, EDA). В процессе такого анализа обнаруживаются наиболее явные проблемы качества, например аномальные и отсутствующие значения, а также значения, выпадающие из области определения. Используя выборочный статистический контроль, можно определить, достаточно ли у вас данных для адекватного отражения распределения какого-либо демографического показателя, а также составить правила и политики для устранения проблем с качеством.

Неверное применение машинного обучения

Одна из самых распространенных проблем связана со стремлением использовать машинное обучение только потому, что это «модно». Но для успеха соответствующих инициатив нужно, чтобы решаемые задачи не выходили за рамки верных областей применения нового инструмента. Не исключено, что традиционные методы обеспечат не только более быстрое, но и менее дорогостоящее решение.

К тому же, используя машинное обучение для решения неподходящих задач, вы будете впустую тратить рабочее время сотрудников и инфраструктурные ресурсы для получения результатов, которые можно было бы получить более простым путем.

Чтобы избежать ситуации, когда машинное обучение используется не по назначению, уточните бизнес-цель, которую нужно достичь, уровень сложности задачи, объем данных и количество атрибутов. Относительно простые задачи, связанные с классификацией, кластеризацией или поиском ассоциативных правил, требуют небольших объемов данных с малым числом атрибутов и могут быть решены с помощью визуализации или статистического анализа.

Когда объемы данных становятся огромными, возможно, больше подойдет машинное обучение. Однако нередко уже после внедрения выясняется, что бизнес-цель не была сформулирована достаточно четко и решается не та задача, которую требовалось решить.

Модели машинного обучения могут быть предвзятыми

Причиной неверных выводов могут быть не только неточности и пробелы в данных, но и предвзятость (системные ошибки). Предвзятость свойственна людям, а значит, она может быть присуща и моделям, которые работают на основе тех же принципов, что и мозг человека.

У каждого алгоритма машинного обучения свои характеристики чувствительности к несбалансированным классам и распределениям. Если не учитывать это, работоспособность системы распознавания лиц может начать зависеть, например, от цвета кожи или от пола. Подобные случаи с коммерчески доступными сервисами уже были.

Точность заключения, сделанного как алгоритмом, так и человеком, зависит от широты и качества обработанной информации. В связи с возможностью финансового, юридического и репутационного риска, обусловленного алгоритмической предвзятостью, в любой компании, применяющей машинное обучение, необходимо следить за соблюдением принципов этики в масштабах всей организации.

На сегодня существуют подробные описания признаков алгоритмической предвзятости для таких задач, как оценка кредитоспособности, составление образовательных программ, наем персонала и вынесение приговоров по уголовным делам. Недочеты, допущенные при сборе и контроле качества и использовании данных, способны внести системные ошибки даже в самые лучшие реализации приложений машинного обучения.

В докладе консалтинговой компании McKinsey & Company от 2017 года алгоритмическая предвзятость названа одним из самых больших рисков машинного обучения как компрометирующая само предназначение этой технологии.

Как отмечают авторы доклада, целенаправленные усилия по борьбе с проблемой окупаются сторицей, позволяя эффективно реализовать истинный потенциал машинного обучения.

Нехватка ресурсов для полноценного внедрения

Начиная проект, связанный с машинным обучением, в организациях нередко недооценивают необходимый для этого объем кадровых и инфраструктурных ресурсов. Потребности в последних могут быть внушительными, особенно если речь идет об обработке изображений, аудио и видео.

Если у вас нет достаточных мощностей, эффективная разработка решений на основе машинного обучения будет трудной, а то и невозможной.

Но даже если вы реализовали такое решение, в нем не будет смысла, если из-за отсутствия необходимой инфраструктуры его нельзя будет развернуть и использовать.

Масштабируемая инфраструктура для систем машинного обучения может обойтись недешево как в развертывании, так и в сопровождении. Но существует ряд облачных сервисов, предоставляющих масштабируемые платформы машинного обучения, ресурсы которых можно выделять по мере необходимости. Облако позволяет проводить масштабные эксперименты в области машинного обучения без закупки оборудования и работ по развертыванию и настройке.

В некоторых организациях предпочитают использовать локальную инфраструктуру. В этом случае облачные сервисы можно использовать в качестве стартплощадки и инструмента обучения, который поможет понять, какие именно инфраструктурные ресурсы необходимы организации, прежде чем сделать крупное вложение.

Что касается персонала: если у вас в штате нет ученых по данным (data scientist) и инженеров по машинному обучению, то проект может застрять. Необходимы профессионалы, разбирающиеся в принципах и методах машинного обучения, а также способные оценить, можно ли с его помощью решить ту или иную задачу бизнеса.

Специалисты соответствующего профиля смогут обнаружить проблемы с качеством данным, грамотно проведут развертывание и обеспечат использование решений по назначению, помогут сформулировать рекомендации для последующих внедрений и политики сопровождения.

Некачественное планирование и отсутствие контроля

Проект в области машинного обучения может быть начат с энтузиазмом, но со временем застопориться — это признак неудачного планирования и отсутствия контроля.

Если не соблюдать заранее установленные правила, осуществление инициативы растянется на неопределенно долгое время, что может привести к колоссальным затратам ресурсов без пользы.

Нельзя забывать о том, что машинное обучение — это итеративный процесс и модели могут со временем меняться для адаптации к новым требованиям. Как следствие, участники проекта могут утратить заинтересованность в доведении его до конца. Зачинщики проекта могут переключиться на другие инициативы, и затея с машинным обучением в конечном счете остановится.

Как подчеркивают специалисты, ход проектов в области машинного обучения нуждается в постоянном контроле. Если прогресс замедляется, возможно, пришло время сделать паузу и пересмотреть принципы осуществления инициативы.

— Bob Violino. 6 ways to make machine learning fail. InfoWorld. OCT 10, 2018

В последнее время за обсуждением модных тем цифровизации и телемедицины остаются в тени вопросы базовой программной инфраструктуры в медучреждениях, которая не подвергалась радикальным изменениям. Между тем ИТ-руководителю медицинской организации полезно иметь представление об устройстве рынка медицинских информационных систем и доминирующих подходах к их построению. Поскольку некоторые важнейшие вопросы управления на уровне клиник до сих пор остаются нерешенными или решаются недостаточно эффективно.

Как полагают аналитики Gartner, одним из самых актуальных направлений работы руководителя ИТ-службы в медицине сегодня является совершенствование учета расходов при оказании медицинских услуг. В медицинских организациях зачастую слабо представляют себе структуру расходов и влияние стратегических решений на финансы. Если на производственных предприятиях для балансировки и оптимизации ресурсов используются ERP-системы, то в медицине многие классические бизнес-подходы плохо применимы. Из-за специфики отрасли — уникальности каждой услуги ввиду уникальности каждого пациента и высокой ответственности за принятые решения — информационные технологии используются в медицине главным образом для получения данных о состоянии здоровья пациента и для ведения медицинской документации. Однако ИТ-потребности клиник гораздо шире.

Для чего больнице ERP?

Основное назначение ERP-системы — управление ресурсами организации, автоматизация взаимодействия служб и расчет себестоимости услуг. Отраслевая специфика добавляет в медицинские ERP дополнительные модули, включая медицинскую информационную систему, выполняющую функции администрирования потоков пациентов, учета взаиморасчетов и ведения медкарт, а также такие вспомогательные системы, как больничная аптека, диетическое питание и клиническая лаборатория. Все модули медицинской ERP являются источниками данных при расчете себестоимости медицинской помощи.

В журнале ERP Solutions Review выделяются две наиболее распространенные цели внедрения медицинской ERP-системы. Во-первых, создание длительно хранимой интегрированной базы данных, куда в режиме реального времени поступают сведения о состоянии здоровья пациентов (electronic health record, EHR — электронной медицинской карты, ЭМК). Ведя медкарты в безбумажном виде, медицинская организация получает возможность оперативно формировать статистические и управленческие отчеты.

Во-вторых, снижение общих затрат на автоматизацию. В ERP-системе ведется централизованный учет пациентов, коек, листов назначений, запасов лекарств и т. д. Благодаря доступу к общей базе данных из любого подразделения, значительно сокращаются расходы, так как исключаются повторный ввод информации и обмен данными между приложениями.

Как устроен крупнейший рынок медицинских систем

Благодаря государственному субсидированию внедрения EHR, США являются одним из мировых лидеров в этой области. К середине 2017 года в программе внедрения EHR приняли участие почти 7,8 тыс. больниц. Примерно половина из них используют решение одного из десяти самых популярных на рынке разработчиков. Каждый из тройки крупнейших вендоров: Epic Systems, Cerner и Meditech — охватывает почти по 1 тыс. клиник. Уточним: Epic — разработчик автономной EHR-системы, а Cerner и Meditech — производители медицинских ERP-систем со встроенными EHR-модулями. Более чем в 1,2 тыс. госпиталей для ветеранов Министерства обороны США используется разработанная этим ведомством система VistA, которая является одновременно ERP- и EHR-системой. Активно действуют на медицинском рынке и поставщики классических ERP-решений: Microsoft, Oracle и SAP.

Лидеры среди ERP и EHR — платформенные системы, созданные в конце 1970-х — начале 1990-х годов. В случае построения ERP- и EHR-систем на разных платформах, как со стороны ERP, так и со стороны EHR задействуются интеграционные механизмы. Чаще всего они основаны на отраслевом стандарте — протоколах организации HL7.

Примером такого симбиоза двух платформ для создания медицинской ERP-системы служат Oracle и Epic: интеграция организована как на технологическом уровне (Oracle Health Management Platform), так и на бизнес-уровне. Многие партнеры Epic являются одновременно и партнерами Oracle, что позволяет им оказывать услуги по созданию медицинской ERP с EHR-модулем.

Следующая по распространенности коммерческая EHR-система — Cerner i.s.h.med, а также лидер среди свободно распространяемого программного обеспечения — VistA используют другой подход: создают единую систему на одной технологической платформе, где есть функции как ERP, так и EHR. Преимущества такого подхода: система имеет единый интерфейс, использует единую базу данных и единую среду разработки, интеграционных швов в ней нет.

Почему выигрывают платформы

Основная задача технологической платформы — повысить уровень абстракции при разработке прикладных решений. Платформа позволяет перейти от технических и низкоуровневых понятий к языку пользователей и специалистов в предметной области. Тем самым унифицируется и значительно ускоряется разработка прикладного решения и упрощается его сопровождение.

В технологических платформах имеется CASE-средство разработки, которое дает возможность создавать программы путем манипулирования графическими объектами вместо написания текста. Технологические платформы имеют собственные языки программирования 4-го поколения. Это высокоуровневые предметно-ориентированные языки, пригодные для визуального программирования, то есть программирования с помощью формирования различных схем.

Бизнес-логика прикладного решения описывается на предметно-ориентированном языке и обычно поставляется в его составе в исходных кодах. Сама платформа не является конечным программным продуктом. Пользователи работают с одним из многих прикладных решений, разработанных и выполняющихся на платформе. Таким образом, различные виды деятельности можно автоматизировать, опираясь на общую технологическую базу.

Индустриальный подход и партнерская модель

Все ведущие поставщики ERP/EHR используют партнерскую бизнес-модель, подразумевающую трехуровневое взаимодействие: вендор разрабатывает технологическую платформу и прикладные решения с отрытым исходным кодом бизнес-логики, партнеры адаптируют платформу под конкретного клиента и разрабатывают собственные решения на ее базе, а клиенты используют для автоматизации прикладные решения.

Это позволяет применять принципы разделения труда и индустриальный подход к разработке прикладных решений (см. рис. 1).

Платформа разрабатывается вне зависимости от отрасли и включает передовые технологии и стандарты. Центральные прикладные решения (CRM, ERP и др.) с открытым кодом бизнес-логики разрабатывает вендор. Отраслевую специфику в решение вносят партнерские компании, а специфику конкретного предприятия — партнер или ИТ-служба клиента. Заказчик получает решение с открытым кодом бизнес-логики, которое может сопровождать любая партнерская компания или его собственная ИТ-служба.

Рис. 1. Поддержка партнерской бизнес-модели платформами

В платформу встраиваются технические средства поддержки внесения изменений, что позволяет существенно снизить затраты на сопровождение внедренного прикладного решения.

Каждому — по отдельной «квартире»

Все упомянутые выше поставщики платформенных медицинских ERP (Cerner, Epic, Microsoft, Oracle, SAP и VistA) предлагают два варианта использования своих ключевых продуктов: установку на локальном оборудовании клиента и подключение к облачному сервису по модели «программное обеспечение как услуга» (SaaS).

В первом случае на одну медицинскую ERP-систему создается одна или несколько баз данных. Организация владеет своими данными, которые хранятся на серверах в локальной сети. Модули медицинской ERP взаимодействуют между собой напрямую в рамках локальной сети. При необходимости обмен сведениями о состоянии здоровья пациентов между организациями производится через внешние механизмы, например через интеграционную шину.

В облачном приложении данные хранятся в ЦОДе в общей для всех медицинских организаций БД в режиме разделения данных. Каждой медицинской организации выделяется собственная область в базе данных, причем эти области изолированы.

Обычное приложение можно сравнить с коттеджем на одну семью, которая пользуется его инфраструктурой (стены, крыша, водоснабжение, отопление и т. п.). А облачное приложение похоже на многоквартирный дом, где каждая семья пользуется инфраструктурой того же состава, но сама инфраструктура служит всему дому целиком.

Цель облачных приложений — снизить расходы на поддержание приложения путем «обобществления» расходов на инфраструктуру. С точки зрения поставщика, это примерно то же самое, что и снижение стоимости приложения посредством применения тиражного решения (с возможностью настройки и доработки) вместо написания ПО под заказ. Только в одном случае обобществляется разработка, а в другом — эксплуатация. Этот подход подразумевает не только иную организацию хранения данных, но и модель работы приложения в целом, включая аспекты его архитектуры, модель развертывания и организацию обслуживания.

В случае использования медицинской ERP как облачного приложения схема обмена данными в рамках одной организации меняется: обмен производится не между модулями системы /приложениями, а между областями данных. Для обеспечения работы медицинской ERP организации как единого целого используется специальная интеграционная шина — менеджер сервиса. Менеджер знает, какая область данных к какой организации относится, и обеспечивает обмен между ними.

Под запросы клиники

Чтобы сохранить ключевое преимущество технологических платформ в облачных приложениях — возможность быстрой адаптации приложений по запросам медицинских организаций, используется технология расширений.

Изменения прикладного решения выполняются в расширении. Расширение подключается к области данных облачного прикладного решения. В результате каждая медицинская организация работает с собственным решением, измененным в соответствии с ее требованиями, а код прикладного ПО остается неизменным.

Когда поставщик выпускает новую версию прикладного решения, платформа автоматически объединяет новую версию с расширением и клиент продолжает работать с приложением, модифицированным под его потребности.

Рост в условиях облачности

Для локальных приложений задача увеличения числа подключаемых пользователей обычно решается установкой более производительного оборудования (вертикальное масштабирование) или кластеризацией серверов приложений и серверов управления базами данных (установка дополнительных серверов).

В случае установки более производительного оборудования рост его стоимости по отношению к мощности происходит нелинейно. То есть после достижения определенного предела увеличивать производительность становится слишком дорого.

При кластеризации серверов приложений и серверов управления базами данных также не наблюдается линейного увеличения производительности с увеличением числа серверов, поскольку обработка общих данных на нескольких серверах требует накладных расходов, которые растут с числом серверов. Как правило, после установки в кластер более трех серверов производительность увеличивается лишь незначительно.

Для облачных приложений появляется еще одна возможность масштабирования — увеличение числа узлов облачного приложения. Узел — это самодостаточный набор серверов для обслуживания одной базы данных приложения. В состав узла входят серверы / кластер серверов СУБД, приложений и службы публикаций. В одной базе данных может находиться информация нескольких организаций.

При достижении критического числа конкурентных пользователей или объема базы данных к облачному приложению может быть подключен дополнительный узел. Таким образом, достигается практически линейное увеличение производительности с ростом числа узлов.

Для обеспечения одновременного обновления прикладных решений и технологической платформы во всех узлах используется служба публикаций.

Общая схема горизонтального масштабирования облачного приложения приведена на рис. 2.

Рис. 2. Схема горизонтального масштабирования облачного приложения

Большинству из упомянутых технологических платформ 30 лет и даже более. Однако приложения, созданные на этих платформах, успешно адаптировались к новым условиям и облачным технологиям и сохранили свои позиции в секторе медицинских ERP. Платформенный подход доказал свою жизнеспособность, и этот факт несомненно стоит учесть при разработке стратегии развития ИТ медицинской организации.

Авторы: Гайдуков Алексей - руководитель разработки 1С:Медицина, gaya@1c.ru;

Игумнова Надежда - методист, igud@1c.ru

Одна из насущных проблем в командах, разрабатывающих программные продукты, — борьба за эффективность. Обсуждая эту проблему, часто говорят: «хотим повысить эффективность наших команд» или «ожидаем эффективности от коллег и партнеров». Однако в большинстве случаев разговоры об эффективности — это только желание максимально ускорить поставку готового продукта. Но действительно ли скорость — именно то, что нужно бизнесу в данный момент? Да и могут ли agile-подходы обеспечить требуемую скорость?

«Где-то на полпути гибких методик в Россию появилось мнение, что agile — это про скорость. Но это совсем не так», — считает Павел Капусткин, руководитель проектов компании HeadHunter. Свыше 20 лет он управляет командами разработки и с 2007 года применяет agile-подходы в организации работы различных компаний, помогая разработчикам и заказчикам программного обеспечения достигать желаемых результатов.

В agile-команде разработчик постоянно задействован в различных видах активности, не связанной с написанием кода. Agile облагает его множеством «налогов» в виде встреч, ревизий кода, инженерной и коммуникативной деятельности.

«Agile нужен не для того, чтобы писать код быстрее, а чтобы делать больше полезного. Делать в целом меньше, но лучше», — говорит Капусткин.

Стремление сделать побыстрее зачастую заводит команду в тупик. Продуктовая команда эффективна ровно настолько, насколько она в состоянии поставлять бизнес-ценности. И тут очень важен баланс между показателями «достаточно хорошо, чтобы пользоваться» (good enough) и «время вывода на рынок» (time to market). Эти два параметра имеют смысл только в связке друг с другом, то есть разработчики должны сделать софт в максимально сжатые сроки, не потеряв по дороге общий смысл. «Если мы выдаем по три функции в неделю, c вероятностью 90% ни одна из них не несет реальной ценности», — уверен Капусткин.

Продуктовая команда — это не просто люди, которые пишут, верстают и тестируют код, это совокупность экспертизы, иногда неожиданно глубокой, и использовать ее только для написания программного кода не очень разумно, полагает он. С помощью этой коллективной экспертизы можно продуцировать значительно больше ценности для бизнеса, обогащая продукт. Через культивирование в командах осознанности и продуктовых компетенций можно существенно повысить вовлеченность сотрудников и, как следствие, эффективность.

Каким образом повысить эффективность разработки путем изменения уровня осознанности в команде, Капусткин расскажет на конференции «Agile, DevOps, ITSM — инструменты и опыт реальных проектов цифровой трансформации», которую издательство «Открытые системы» проведет 23 октября 2018 года. Год за годом Капусткин дотошно протоколирует свою работу с командами и систематизирует свои наблюдения. В результате на свет появилась четырехуровневая модель, с которой познакомятся участники конференции.

Четыре шага к эффективности

Каждая agile-команда проходит через четыре этапа развития осознанности, каждый этап характеризуется совершенно разными целями, компетенциями, мотивацией и степенью вовлеченности сотрудников. Причем уровни осознанности слабо коррелируют, а иногда и вовсе не связаны с технической экспертизой команды. Имея примерно одинаковые исходные характеристики, команды, находящиеся на разных этапах развития, показывают совершенно разную эффективность, и уровень их технической подготовки играет второстепенную роль.

Под осознанностью понимается степень адекватности восприятия человеком или группой своего места в системе координат компании и продукта, своей роли и влияния, правильности понимания целей и задач команды, а также корреляции личных целей с целями команды и компании в целом. Самый верхний уровень подразумевает полное понимание и принятие целей компании и полноценное участие команды в трансформации всей компании в целом.

Как понять, на каком этапе команда находится сейчас? Чего от нее можно ожидать, а чего — не стоит? В чем ей можно и нужно помочь на этом пути, а в чем лучше не мешать? Об этом участники конференции узнают из доклада Капусткина «Эффективная разработка без магии и ГМО». От участников конференции докладчик, в свою очередь, рассчитывает получить обратную связь в виде вопросов и критики, которые позволят ему дальше развивать свой подход.

Диапазон применимости

Даже те компании, где давно практикуют гибкие подходы, сильно различаются по организационной структуре и культуре, уровню зрелости менеджмента, пониманию agile и возможностей его использования в бизнесе, а также по уровню имплементации.

«В большинстве организаций agile начинается на уровне команд разработки и там же заканчивается», — говорит Капусткин. Уже на уровне департаментов царит классический менеджмент с его бюджетами, планированием, диаграммами Ганта и совершенно негибкой структурой.

На верхнем уровне управления эффективность оценивают, как правило, по выполнению финансовых показателей. Но где-то умеют сопоставлять результаты работы продуктовых команд с финансовыми показателями, а где-то царит метод «палец-пол-потолок». Cистемный подход и подход «цели и ключевые результаты» (objectives & key results, OKR) в качестве альтернативы классическим KPI на практике встречается нечасто.

В редких случаях agile-практики получается применить на стратегическом уровне. Но при любом организационном ландшафте на уровне команд разработки можно договориться о подходах к оценке эффективности.

Спектр способов, использующихся для оценки эффективности разработки, может быть широк даже в границах одной компании. Там, где есть множество команд разработки с разными задачами, могут сосуществовать три-четыре подхода к оценке их эффективности.

Максимально эффективно подход, нацеленный на повышение осознанности, работает при создании не слишком больших продуктов, которые делаются двумя, максимум тремя командами. Чем больше число команд, тем сложнее перенести на них данную модель, поскольку добиться понимания продукта у ста человек и зажечь их одной целью гораздо сложнее, чем у двух десятков.

Кроме того, для cервисных команд и заказной разработки фокусы могут различаться достаточно сильно. В обслуживании внутренних заказчиков важны концентрация на SLA и качестве сервиса, умение быстро прорабатывать мелкие задачи и улучшать систему, избегая при этом революционных изменений.

Международная конкуренция, обусловленная необходимостью повысить производительность труда, стремление корпораций заместить операционные расходы на зарплату капитальными затратами на оборудование, увеличение доли неработающего населения — всё перечисленное благоприятствует развитию робототехники. Рынок растет очень активно — в среднем примерно на 17% в год, при этом сервисные роботы обгоняют по темпам продаж роботов промышленных. Неуклонно расширяется военное, промышленное и коммерческое использование роботов, а взрывной рост в потребительском секторе даже заставил аналитиков Boston Consulting Group скорректировать прежние прогнозы: к 2025 году, как теперь ожидается, общий объем рынка робототехники достигнет 87 млрд долл. Из машиностроения и автомобилестроения, где роботы на производстве уже доминируют, скоро они придут в другие отрасли. Одна из самых существенных расходных статей роботизации — затраты на обучение роботов — заметно сокращается благодаря использованию облачных технологий и автоматическому распространению навыков, получаемых каждым роботом, сразу на все обучаемые машины. Полным ходом идет и создание самообучаемых роботов.

Внутренние резервы

В России уровень роботизации промышленности — один из самых низких в мире, но имеются неплохие возможности для развития в тех отраслях, которые в мире пока роботизированы слабо: в атомной и авиационной промышленности, в судостроении, в сельском хозяйстве и добыче полезных ископаемых. Потенциал роботизации страны обеспечивают не только громадная территория с небольшим населением, сильные программисты и активные госкорпорации, но и достаточно развитая сервисная экономика. Финансы приносят 4,5% ВВП, еще 16% дает торговля, и есть шанс, что эти отрасли станут локомотивами робототехники, полагает Альберт Ефимов, руководитель Лаборатории робототехники Сбербанка, открывшейся в 2017 году.

Гонка корпоративных вооружений

Для Сбербанка робототехника, наряду с блокчейном и искусственным интеллектом, — одно из исследовательских направлений, нацеленных в первую очередь на создание конкурентных преимуществ. «Если банк не думает о своих роботах, то рано или поздно чужие роботы начнут думать о банке!» — уверен Ефимов.

Индустрии сегодня меняются и взаимно пересекаются, крупнейшие компании неожиданно выходят на нетрадиционные для них рынки. Так, Аmazon вышла на рынок финансовых услуг, а Сбербанк совместно с «Яндексом» начал заниматься онлайн-ретейлом. Такая смена ролей гигантов вносит свои поправки в корпоративную «гонку вооружений»: чтобы не отстать от конкурентов, бизнесу приходится осваивать непривычные для него области. «Происходит своего рода «кросс-переодевание» громадных компаний, — говорит Ефимов. — И если нашим конкурентом становится такая компания, как Аmazon, нам придется «по-амазоньи» работать. Если у них есть робототехника, значит, и мы должны ею заниматься».

Источники силы, слабости и угроз

Выступая на конференции «Технологии машинного обучения», организованной издательством «Открытые системы», Ефимов привел результаты SWOT-анализа российского рынка робототехники. К сильным сторонам он отнес оснащенное смартфонами технократическое население, ежегодный выпуск российскими вузами 800 специалистов в области робототехники и мехатроники, умение инженеров решать сложные задачи, а также обилие отечественных робототехнических стартапов.

В числе слабых сторон — низкий уровень доверия друг другу участников рынка, безнадежно устаревшие программы вузов, миграционная политика, поощряющая приток дешевой рабочей силы, а также слабая культура предпринимательства, дизайна и промышленной эстетики. «Что бы инженеры-робототехники ни делали, все равно выходит «танк», так их научили», — констатирует Ефимов.

Угрозами, тормозящими развитие робототехники в России, Ефимов считает фокусировку талантливых инженеров на работе с военно-промышленным комплексом, технологическое замещение и исчезновение профессий, сопротивление органов исполнительной власти, дефицит квалифицированных кадров, а также медленную реализацию идей. «За то время, что у нас делают презентацию о продукте, в Китае делают сам продукт», — отмечает он.

Перспективная пятерка: коботы, логистические роботы, дроны, экзоскелеты и «голос»

Из всего многообразия направлений робототехники в Сбербанке выбрали для себя пять стратегических приоритетов: промышленную коллаборативную робототехнику, логистические и беспилотные транспортные системы, промышленные экзоскелеты и персональных ассистентов. Технологии, разрабатываемые в этих направлениях, отвечают двум главным критериям: имеют непосредственное прикладное применение в банке уже сегодня и обладают достаточным потенциалом конкурентоспособности для глобального масштабирования. Лаборатория не работает с внешними клиентами, если они не являются частью экосистемы Сбербанка, и не занимается решениями, аналоги которых можно приобрести на рынке.

Вопрос, зачем банку нужны роботы, неизбежно возникает, поскольку клиенты не видят огромного комплекса сложных операций, стоящих за наличным денежным оборотом, и разнообразных внутренних взаимодействий, которые необходимы при оказании корпоративных услуг.

Ежегодно Сбербанк обрабатывает громадное количество наличных денег — 80 тыс. тонн: если погрузить их в вагоны, то состав протянется от Москвы до Санкт-Петербурга. Для пересчета наличности используются сотни машин. Промышленные коллаборативные роботы, уже названные «коботами», повышают производительность труда сотрудников, что в итоге удешевляет обслуживание клиентов. Разработанный в лаборатории запатентованный роботизированный комплекс для пересчета денежной наличности в настоящее время проходит нагрузочное тестирование. Этот кобот безопаснее своего предшественника, на 30% дешевле и, как предполагается, на 40% производительнее.

Крайне важна для экосистемы банка и бесперебойная логистическая система. Ежемесячно каждый из 300 тыс. сотрудников Сбербанка получает для ведения своей деятельности в среднем 20 кг различных принадлежностей — от калькулятора до ластика. На комплектацию всей этой «оснастки» уходят немалые деньги — до 80% от самой ее стоимости, и операцию эту необходимо удешевить, а именно — роботизировать.

Беспилотные транспортные средства — воздушные и наземные — помогут справляться с такими проблемами, как плохие дороги и отсутствие мостов. Инкассаторской бригаде иногда приходится по несколько часов добираться из одного населенного пункта в другой, хотя расстояние между ними не превышает 10–15 км. За год инкассаторы банка «наматывают» по плохим дорогам до 4 млн км, перевозя около 2 тыс. тонн груза. Эту работу поручат дронам.

Промышленные экзоскелеты предназначены для использования на рабочих местах с повышенной утомляемостью. Там, где человек стоит целый день перед счетной машиной, перемещая за месяц вручную до 20 тонн монет, легкий экзоскелет для нижней части тела позволяет снять часть нагрузки с ног. Таких рабочих мест в банке сотни, а у клиентов банка в машиностроительном комплексе — и того больше.

И наконец, видимая клиентам часть работы робототехников — персональные сервисные системы. «Виртуальный собеседник, который не просто распознает слова, а понимает, чего именно вы хотите, дорогого стоит, — говорит Ефимов. — Дать ответ, основанный на смысле и намерении спрашивающего — сложная и интересная для нас задача». Клавиатура и мышь рано или поздно устареют, и на смену им придут голосовые технологии. Тот, кто владеет «голосом», будет владеть «первой линией» взаимодействия с клиентом, как в физическом мире владеет клиентом тот, кто контролирует «последнюю милю».

«Прорыв придет из «последней мили», — убежден Ефимов. — Неважно, какая она будет — цифровая, как голосовой ассистент, или физическая, как доставка товара до клиента».

Лабораторная работа

Как и у большинства руководителей, основная головная боль «главного робототехника» — кадры. В решении этой проблемы ему помогает не только кадровая служба банка, но и сила социальных сетей. «Не имей сто друзей, а имей 12 тыс. подписчиков в соцсетях», — шутит Ефимов.

Дизайнеров, конструкторов и инженеров-электронщиков, которые собирают прототипы роботов, набирали в коллектив Sberbank Robotics из стартапов, университетов и коммерческих организаций. Однако социальный капитал лаборатории значительно больше, чем 20 ее штатных сотрудников. Помимо инженерной бригады, руководителей проектов и стартапов, с которыми они активно взаимодействуют, в команду входят также партнерские компании, поставляющие сенсоры, электромоторы и другие компоненты будущих роботов. Необходимый для прототипирования конструктив изготавливается на заказ или печатается на 3D-принтере.

«Уверенность в успехе мне придают три вещи, — говорит Ефимов. — Первая: на рабочих местах наших инженеров есть все необходимое, от паяльника до видеокарты. Вторая: если мы чего-то не знаем, то знаем, у кого про это спросить. И третья: мы понимаем, как создавать точки возникновения новых идей».

За первые полгода деятельности в лаборатории создали прототипы роботов по двум направлениям из пяти, прототипы устройств по остальным направлениям будут готовы до конца 2018 года.

«В этом году мы совершили рывок, чтобы стать лучшим центром разработок России в области робототехники, а в следующем — будем претендовать на статус одной из лучших мировых лабораторий робототехники, — заявил Ефимов. — Сбербанк уже является привлекательным работодателем, но мы хотим превратить его в невероятно привлекательное место работы для талантливых инженеров».

В поиске конкурентных преимуществ: от ИТ к РТ

ИТ как специальность и как служба уже перестали быть конкурентным преимуществом, полагает Ефимов. По его мнению, преимущество можно получить, только выводя программы в физический мир, а для этого не существует иного способа, кроме роботизации. Мир переживает трансформацию, переходит от информационных технологий к роботехнологиям, и ИТ-директор должен понимать, каким образом создаваемые в компании технологические преимущества транслируются в физический мир.

Роботы умеют ощущать окружающий мир, «думать», то есть строить модели этого мира и принимать решения на их основе, а также воздействовать на реальный мир — такова функциональная модель, сформулированная в Сбербанке. Пока что роботы очень плохо понимают людей и друг друга и довольно слабо взаимодействуют с окружающими их объектами. Но для робототехников это не проблемы, а интересные задачи.

Гонконгский венчурный фонд Deep Knowledge Ventures уже создал прецедент, объявив о введении искусственного интеллекта в совет директоров. И, по мнению Ефимова, эта тенденция будет развиваться, потому что алгоритм принятия решений в крупных компаниях вполне можно автоматизировать, а топ-менеджеры стоят очень дорого. «Автоматизируем члена совета директоров — увидим громадную экономию», — уверен он.

Самым знаменитым художником инфографики, пожалуй, можно назвать французского инженера Шарля Жозефа Минара, жившего в XVIII–XIX веках. В 1869 году он наглядно изобразил хронологию вторжения Наполеона в Россию, объединив сразу несколько наборов данных: сведения о численности войск в разное время, направлении их движения, температуре воздуха и особенностях местности. График Минара по сей день считают одной из лучших статистических иллюстраций среди когда-либо созданных (см. «Первопроходцы инфографики»).

Если бы Минар жил в наши дни, возможно, он преуспел бы как Data artist (иллюстратор данных или художник инфографики). Сегодня такие специалисты помогают сблизить ИТ-службу и бизнес, превращая терабайты сырой информации в наглядные образы, доступные для быстрого понимания бизнес-руководителями и помогающие им оперативнее принимать решения, повышая шансы на успех. Расскажем, кто такой Data artist, и для чего он нужен.

Должность и обязанности

Учитывая современную тенденцию принимать решения на основе данных, можно утверждать, что роль иллюстратора данных становится все более важной. Необходимость лучше «понимать» данные обусловила появление профессии специалиста по исследованию и анализу данных (data scientist), однако между «технарями»-аналитиками и бизнес-лидерами по-прежнему сохраняется пропасть непонимания. Потому-то и понадобилась новая специальность, объединяющая технические знания аналитика и творческие способности художника-дизайнера.

Когда развитие искусственного интеллекта, больших данных, машинного обучения и принципов принятия решений на основе данных уже шло полным ходом, на предприятиях начали активнее использовать инфографику для пояснения статистических сведений. Однако инфографика статична — ввиду непрерывного поступления новых данных смысл изображения может полностью измениться. Кроме того, представители мира бизнеса не всегда понимают технический язык, на котором говорят аналитики. Сегодня иллюстраторы данных устраняют этот пробел, представляя техническую информацию в доступной для понимания форме.

Для чего нанимают

Data artist помогает компании получить конкурентное преимущество, улучшая способность руководства быстро принимать полезные для бизнеса решения. Он создает интерактивные визуализации, с помощью которых бизнес-лидеры и ИТ-руководители получают возможность анализировать альтернативы и пристальнее исследовать данные, фокусируясь на важнейших областях.

Сегодня уже любой компании доступны CRM-системы и другие технологии, так что обойти конкурентов, просто внедрив их, не удастся. Важно то, как использовать новшества: лучших результатов добьются компании, способные быстрее принимать оптимальные решения на основе данных, для чего требуются более быстрые способы их изучения. Создаваемые иллюстраторами данных инструменты для анализа данных в реальном времени позволяют экспериментировать с вариантами развития событий, мгновенно видя последствия и понимая, как действовать для получения лучших бизнес-результатов.

Data artist способен улучшать не только операционные и финансовые показатели бизнеса. Работая в отрасли здравоохранения, такие специалисты могут повысить результативность лечения пациентов. Разумеется, в том, что касается репрезентации данных, у медиков иные потребности, чем у представителей бизнеса. Но если в медицинской организации работает человек, способный представить данные по пациентам в форме, доступной для понимания врачами, то они, несомненно, смогут принимать более правильные решения.

Навыки

Иллюстратору данных нужно обладать редким сочетанием умений: это и программирование, и исследование данных, и талант художника. Опыт в области компьютерной науки и программирования нужен для наглядного отображения данных, знания в области статистических методов — для выявления и правильного форматирования нужных данных, а художественные способности — для превращения данных в простые для понимания образы.

При этом обязательны все перечисленные навыки. Один из основных языков программирования, используемых на этой должности, — JavaScript. Для создания специализированных визуализаций применяются также различные инструменты с открытым кодом. А поскольку работа идет в тесном сотрудничестве с аналитиками, необходима грамотность в области статистики. Требуются также познания в педагогической психологии, в том числе об особенностях восприятия и понимания наглядной информации человеком.

Заработная плата

Описанное выше сочетание навыков — настолько редкое, что фактически иллюстраторы данных сами могут диктовать размер оплаты их труда. Знающих JavaScript найти легко, но аналитиков, могущих писать на этом языке, отыскать уже сложнее. А когда при этом нужны еще и художественные способности, круг кандидатов резко сужается. Есть сведения, что в Кремниевой долине специалисты этого класса даже на младших должностях могут получать до 400 тыс. долл. в год.

Кто может стать Data artist

Найти столь редкое сочетание навыков трудно, но можно поискать специалистов, способных обучиться новой профессии. Например, это могут быть люди с талантом художника — их можно научить необходимой технической части. Нередко требуемый набор навыков, который остается только дополнить, есть у разработчиков игр.

По мнению экспертов, художественные способности в качестве начальных обязательны, так как приобрести их путем обучения нельзя, в отличие от технических навыков в области анализа и обработки данных. Помимо разработчиков игр, неплохими кандидатами будут специалисты в области дизайна пользовательских интерфейсов.

Со временем, вероятно, многие ИТ-специалисты смогут добавить строчку «Data artist» в свое резюме. С ростом числа представителей этой профессии в компаниях и появлением платформ визуализации данных в составе аналитических решений даже бизнес-пользователи смогут освоить навыки статистического дизайна на любительском уровне. Более того, средства анализа и визуализации данных появляются сегодня в составе приложений самого разного назначения, а значит, и круг пользователей, создающих наглядные репрезентации данных в рамках своих служебных обязанностей, будет расти.

— Sharon Florentine. What is a data artist? A role for drawing IT and business together. CIO. September 19, 2018