Автоматизация предприятий

Наряду с социальными сетями, мобильными и облачными технологиями, анализ и связанные с ним технологии обработки данных в цифровой век превратились в одну из главных движущих сил развития бизнеса. К 2017 году многие компании стали подпитываться данными, а не генерировать их, как прежде, а сами данные и средства их анализа на многих предприятиях превратились в главный центр притяжения. В 2018 году технологии обработки данных должны привносить новые ценности. Рассмотрим подходы, роли и проблемы, которые будут сопровождать дальнейшее развитие стратегий анализа данных в нынешнем году.

Озера данных должны продемонстрировать ценность для бизнеса или уйти в небытие

На протяжении многих лет данные в больших объемах накапливались на предприятиях. Интернет вещей еще сильнее ускорил этот процесс, а источники данных из Web переместились в мобильную сферу и на уровень машин.

Гай Чарчуорд, генеральный директор компании DataTorrent, разработавшей платформу потоковой передачи данных в реальном времени, отмечает, что возникла потребность в масштабировании конвейеров данных экономически эффективным способом.

И действительно, многие предприятия, использовавшие технологии наподобие Apache Hadoop, стали создавать озера данных – корпоративные платформы управления данными для хранения всех данных организации в их исходных форматах. Озера данных призваны были ликвидировать информационную разобщенность, предоставив единое хранилище данных в масштабах всей организации, которое можно было бы использовать в самых разных целях, начиная от бизнес-анализа и заканчивая глубинной обработкой данных. Сырые и неуправляемые, озера данных преподносились как панацея и универсальное место сбора информации.

Но если в качестве хранилищ больших объемов данных они эксплуатировались достаточно успешно, то извлекать из этих данных полезные сведения оказалось весьма затруднительно.

«Озера данных идеально подходили для анализа статических данных в пакетном режиме, – поясняет Чарчуорд. – Однако уже в 2015 году стало ясно, что этой архитектурой злоупотребляют, а сегодня она превратилась в настоящую ахиллесову пяту анализа в реальном времени. Когда требовалось сразу проанализировать только что размещенные данные, это вызывало значительные неудобства. При необходимости оперативно получить представление о текущей ситуации и мгновенно принять необходимые меры компании, полагавшиеся на уже устаревшие события, теряли контроль и не имели возможности реагировать нужным образом. И это лишь одна из областей, где “достаточно хорошее” оказалось стратегически фатальным».

Генеральный директор Splice Machine Монте Цвебен поддерживает эту точку зрения: «Hadoop разочаровывает, и этот процесс идет полным ходом. Многие организации, утонув в своих озерах данных, не могут получить желаемой отдачи из-за сложности неповоротливого вычислительного механизма Hadoop».

«Чтобы выжить в 2018 году, озера данных должны доказать свою ценность для бизнеса», – подчеркнул Кен Хоанг, вице-президент по стратегии и формированию союзов компании Alation, занимающейся каталогами данных: «Новые свалки – озера данных – в последние несколько лет прошли этап экспериментального развертывания, и их ждет постепенная ликвидация, если они не докажут свою ценность. Отличительной чертой успешного озера данных является каталог предприятия, позволяющий совмещать обнаружение информации, искусственный интеллект и информационное обслуживание и помогающий по-новому взглянуть на проблемы бизнеса».

Впрочем, для озер данных еще не все потеряно. Озера данных и другие крупные центры данных могут обрести новую жизнь в так называемых суперцентрах, предлагающих «контекст в качестве сервиса» благодаря использованию методов машинного обучения.

«Развертывание в последние 25 лет крупных центров данных (хранилищ данных, систем управления основными данными, озер данных, сервисов Salesforce и систем ERP) привело к еще большей разобщенности данных. Кроме того, затруднились их понимание, поиск связей и совместное использование, – подчеркнул Хоанг. – Центр, объединяющий другие центры, позволит связать их активы и предоставить контекст в качестве сервиса. А это, в свою очередь, обеспечит еще более мощные и релевантные результаты прогнозирования, которые помогут бизнесу».

Главный архитектор приложений MapR Тед Даннинг предсказывает аналогичный сдвиг: «Когда системы больших данных превратятся в главный центр хранения, доступа и выполнения операций, организации смогут выстроить глобальную структуру данных, предоставляющую исчерпывающий доступ к данным, полученным из множества различных источников, и к вычислениям в действительно многопользовательских системах. Все больше и больше компаний будут рассматривать вычислительные системы с точки зрения потоков данных, а не просто данных, которые только обрабатываются и помещаются в БД. Эти потоки данных охватывают ключевые события бизнеса и отражают его структуру. Объединенная структура данных станет основой для построения таких крупномасштабных потоковых систем».

По мнению Лэнгли Айде, директора по стратегии компании Alteryx, занимающейся анализом данных на условиях самообслуживания, руководители ИТ-служб – не единственные, кто отвечает за извлечение ценностей из озер данных. Ответственность за это в 2018 году будут нести также производственные аналитики и директора по цифровым технологиям.

Большинство аналитиков так и не воспользовались огромными объемами неструктурированных ресурсов (данными о перемещениях, данными Интернета вещей, данными системных журналов и т. д.), которыми наводнены их озера данных. Такая ситуация возникла главным образом потому, что сделать это довольно сложно. Но, честно говоря, аналитики плохо выполняют свою работу, если оставляют эти данные нетронутыми. Многие озера данных остаются неэффективными активами – люди не знают, что там находится, как получить доступ и как извлечь из этих данных полезную информацию. В 2018 году положение дел изменится, поскольку от озер данных хотят получать более высокую отдачу.

По прогнозам Айде, в 2018 году аналитики заменят инструменты «грубой силы» наподобие Excel и SQL технологиями с более высоким уровнем программирования – в частности, каталогизацией данных, которая позволит извлекать из данных добавочную информацию и получать дополнительные ценности.

Возрастание роли директора по цифровым технологиям

В условиях нового толчка к проникновению вглубь данных, в 2018 году директор по цифровым технологиям в полной мере вступит в свои права.

«По сути, данные – это новая нефть. И директор по цифровым технологиям становится фигурой, вокруг которой вращается одна из наиболее важных проблем современных предприятий – извлечение ценностей из данных, – указал Айде. – Зачастую при бюджете менее 10 млн долл. одной из главных задач директора по цифровым технологиям становится превращение широко разрекламированной возможности самообслуживания в реальность за счет переноса корпоративных источников данных ближе к бизнес-пользователям. В 2018 году директор по цифровым технологиям начнет отходить от централизованных функций, а необходимость расширить возможности бизнес-пользователей в конечном итоге приведет к увеличению бюджетов».

Директора по цифровым технологиям, обладающие необходимыми ресурсами, навыками и функционалом, организуют быструю передачу передового опыта из центров компетенции бизнес-пользователям. И ключевую роль в этом сыграют платформы и методологии гибкой разработки.

Появление кураторов данных

Согласно прогнозам Томера Ширана, генерального директора аналитического стартапа Dremio, возглавляющего проект с открытым кодом Apache Arrow, в ближайшее время предприятиям потребуется новая роль куратора данных.

Куратор данных занимает промежуточное положение между потребителями данных (аналитиками и исследователями данных, использующими инструменты Tableau и Python для получения ответов на важные вопросы с помощью данных) и инженерами данных (людьми, которые перемещают данные между системами и преобразуют их посредством скриптовых языков Spark, Hive и MapReduce). Кураторы данных должны понимать значимость данных и применимые к ним технологии.

Куратор данных отвечает за понимание типов анализа, которые должны выполняться различными подразделениями организации, знать, какие наборы данных лучше подходят для этой работы и что необходимо предпринять, чтобы перевести данные из их исходного состояния в форму, которая нужна потребителю данных для выполнения им своей работы. Куратор данных использует различные системы, в том числе платформы самообслуживания, когда требуется ускорить сквозной процесс предоставления потребителям доступа к необходимым им наборам данных, исключив при этом их бесконечное копирование.

Стратегии управления данными станут ключевым вопросом для всех руководителей высшего звена

Общий регламент защиты данных (General Data Protection Regulation, GDPR) Европейского союза вступает в силу 25 мая 2018 года, однако далеко не все предприятия к этому готовы.

«GDPR будет применяться всеми государствами Европейского союза и радикально изменит подход компаний к сбору и обработке данных о гражданах ЕС, – пояснили юристы Global Privacy + Data Security Group компании Morrison & Foerster Мириам Вугмайстер, Локке Мерель и Джон Карлин. – Компании, ранее полагавшиеся на получение согласия для выполнения всех своих операций, больше не смогут делать этого. Им придется действовать на основе другой юридической базы (например, договорной необходимости и законного интереса). Организациям необходимо внедрять совершенно новую систему уведомлений и получения согласия».

Потенциальные штрафы GDPR весьма велики: административные штрафы могут достигать 20 млн евро или 4% общего годового оборота.

«Когда над миром нависла проблема 2000 года, все рассуждали о вероятностях и о том, придется им с ней столкнуться или нет, – заметил технический директор компании Hortonworks Скотт Гнау. – Сегодня едва ли кто-то в полной мере готов во всеоружии встретить вступление GDPR в силу. Многие компании полагаются на директора по безопасности, который должен определить правила, системы и прочие параметры, способные помочь глобальному интегратору выбрать оптимальный план действий. Ждать индивидуального подхода к каждому отдельно взятому клиенту просто нереалистично».

«Выполнение предписаний GDPR требует от руководства информированности, готовности и поддержания связей со всеми элементами организации, – указал Гнау. – Компаниям необходимо улучшить управление своими данными. Но крупные взломы – например, взлом бюро кредитных историй Equifax, о котором стало известно в 2017 году, – говорят о том, что предприятиям приходится искать баланс между предоставлением своим сотрудникам самостоятельного доступа к данным и защитой тех же самых данных от потенциальных угроз. В 2018 году управление данными станет одной из основных тем в повестке дня любой организации. Ключевой целью должна стать разработка системы, которая уравновешивала бы потребность в данных, доступе и анализе на условиях самообслуживания с регулирующими мерами. Путь, который мы изберем при проектировании архитектуры безопасности данных, отразится на каждом – клиентах в США и за границей, СМИ, ваших партнерах и т. д.».

Закари Босин, директор по маркетингу решений компании Veritas Technologies, специализирующейся на управлении данными в различных облаках, считает, что именно американская компания станет одним из первых кандидатов на штраф за несоблюдение GDPR: «Несмотря на приближающийся срок, только 31% организаций, опрошенных Veritas, заявили о выполнении требований GDPR. Штрафы будут очень высоки, а регулирование затронет каждую компанию, имеющую дело с гражданами стран Европейского союза».

Улучшение управления метаданными

Конечно, одним только GDPR дело не ограничивается. Поток данных продолжает расти, и правительства вводят все новые правила регулирования. Сотрудники организаций имеют сейчас больший доступ к данным, чем когда-либо прежде. Все это повышает важность управления данными, а также их качества, интеграции и управления метаданными.

«Необходимость улучшить управление метаданными и обеспечить конфиденциальность данных, в том числе и на основе GDPR, логично дополнит уже сформировавшиеся тенденции развития искусственного интеллекта и Интернета вещей, – подчеркнула старший вице-президент по управлению продуктами компании Infogix Эмили Вашингтон. – Предприятиям все чаще приходится искать способы оптимизации своего технологического стека, если они хотят успешно использовать большие данные и средства анализа, чтобы улучшить клиентское восприятие, достичь бизнес-целей, получить конкурентные преимущества и в конечном итоге занять лидирующие позиции на рынке».

Понадобятся гибкие, интегрированные инструменты, позволяющие пользователям быстро принимать данные, готовить их, анализировать и управлять ими. Управление метаданными будет иметь важное значение для поддержки управления данными, соблюдения действующих норм и выработки требований к управлению данными в корпоративной среде.

Повышение качества данных с помощью прогнозного анализа

По мере того как проекты, связанные с данными, переходят в производственную среду, качество данных вызывает все более серьезное беспокойство. Особенно в условиях, когда Интернет вещей открывает шлюзы их масштабным потокам. В 2018 году организации начнут активно обращаться к алгоритмам машинного обучения для обнаружения аномалий в качестве данных. Используя исторические шаблоны для прогнозирования будущих результатов качества данных, предприятия смогут динамически выявлять аномалии, которые прежде остались бы незамеченными или обнаружились с помощью ручного вмешательства гораздо позже.

В условиях, когда все больше данных генерируется техническими средствами Интернета вещей, усложняется и управление ими. Полная прозрачность ресурсов данных компании будет иметь важнейшее значение для успешной реализации аналитических инициатив, адресации управления данными и нуждами конфиденциальности, монетизации ресурсов данных и решения других задач, которые будут стоять перед организациями в 2018 году.

– Thor Olavsrud. 6 data analytics trends that will dominate 2018. CIO. MAR 15, 2018

Машинное обучение демонстрирует столь высокую эффективность, что возникает соблазн уверовать, будто оно способно решать любые проблемы. Как и другие инструменты, машинное обучение полезно для определенных задач, особенно таких, решением которых многим руководителям давно хочется заняться, но останавливает то, что наем нужного персонала обойдется непозволительно дорого, или таких, цель решения которых ясна, а способ – нет.

И все же машинное обучение в той или иной форме будет применяться практически во всех организациях: 42% руководителей, опрошенных компанией Accenture, указали, что к 2021 году искусственный интеллект станет основой всех внедряемых ими новшеств. Но результаты будут более качественными, если не поддаваться шумихе, не впадать в распространенные заблуждения и точно знать, какие возможности машинное обучение может предложить, а какие – нет.

Миф №1. Машинное обучение – это искусственный интеллект

Термины «машинное обучение» и «искусственный интеллект» используют как синонимы, но первое – это один из методов реализации искусственного интеллекта, на сегодня получивший наиболее широкое применение на практике благодаря активным исследованиям, тогда как второе – это понятие, которое обобщает целый ряд областей, в том числе компьютерное зрение, робототехнику, обработку искусственного языка, а также методы, не имеющие отношения к машинному обучению, например применяемые для решения задачи удовлетворения ограничений. По сути искусственный интеллект – это любые методы, благодаря которым машины начинают казаться «умными», но никакой из них в отдельности не является полноценным «искусственным интеллектом», способным соперничать с человечеством или даже обратиться против него.

Суть машинного обучения состоит в запоминании закономерностей, присутствующих в уже доступном наборе данных, и прогнозировании тех же закономерностей для новых аналогичных наборов данных; результат может выглядеть как плод «интеллектуальной» работы, но в целом принцип состоит в применении статистических методов в огромных масштабах и на очень высокой скорости.

Миф №2. Все данные полезны

Данные для машинного обучения необходимы, но не все они полезны. Чтобы обучить систему, требуется репрезентативная выборка с нужными закономерностями, позволяющая получить именно те результаты, на которые рассчитана ваша система машинного обучения. При этом в данных не должно быть закономерностей, не имеющих отношения к решаемой задаче (например, лишними будут серии фотографий, на которых все мужчины стоят, а все женщины сидят, или где все автомобили в гараже, а все велосипеды – на улице), поскольку модель машинного обучения, создаваемая вами, запомнит эти специфичные закономерности и будет искать их в данных, с которыми вы ее используете. Все данные, используемые для моделей обучения, должны быть аккуратно размеченными, причем разметка должна соответствовать «вопросам», которые вы собираетесь задавать системе машинного обучения, и это потребует немалых трудозатрат.

Полагать, что данные, которые у вас уже есть, чисты, точны, репрезентативны и легко поддаются разметке, – заблуждение.

Миф №3. Вам всегда нужны большие объемы данных

Достижения последнего времени в сфере распознавания образов, автоматизированного понимания текстов, машинного перевода и в других областях стали возможными благодаря появлению более совершенных инструментальных средств, графических процессоров, способных обрабатывать много данных в параллельном режиме, и обширных размеченных наборов данных, например ImageNet и Stanford Question Answering Dataset. Но, благодаря методу под названием трансферное обучение (transfer learning), вам не всегда нужно иметь огромный набор данных, чтобы достичь хороших результатов в конкретной области: вы можете «научить обучаться» систему с использованием большого среза данных, после чего применить приобретенную ею способность к вашему гораздо меньшему набору данных. Именно так работают специализированные API распознавания образов Salesforce и Microsoft Azure: для получения хороших результатов достаточно лишь 30-50 изображений объектов, которые требуется классифицировать.

Метод трансферного обучения позволяет адаптировать заранее обученную систему к вашей конкретной задаче с использованием относительно небольшого объема данных.

Миф №4. Систему машинного обучения может построить любой

Существует множество инструментов и фреймворков машинного обучения с открытым кодом, а также многочисленные учебные курсы, демонстрирующие, как ими пользоваться. Однако машинное обучение по-прежнему остается методом для специалистов – вам нужно знать, как готовить и секционировать данные для обучения и тестирования, как выбрать оптимальный алгоритм и эвристические методы, иметь представление о том, как превратить модель в надежную систему для рабочего применения. Требуется также обеспечить мониторинг работоспособности, следить за тем, чтобы результаты оставались релевантными со временем, – необходимо контролировать качество работы модели и соответствие решаемой задаче, особенно, например, после изменения целевого рынка.

Для эффективного применения машинного обучения требуется опыт. Если вы только начинаете, используйте доступные интерфейсы программирования для заранее обученных моделей и наряду с этим приобретайте необходимые знания в области исследования данных и машинного обучения. Либо нанимайте соответствующих специалистов.

Миф №5. Все закономерности, присутствующие в данных, полезны

Страдающие бронхиальной астмой или ишемической болезнью сердца, а также люди в возрасте 100 лет имеют гораздо более высокую выживаемость при пневмонии – такова статистика. И несложная система машинного обучения, призванная автоматизировать прием пациентов в больницу, может отправить таких людей домой – именно так поступила система, обученная на статистических данных. Однако причина выживаемости таких пациентов при воспалении легких именно в том, что их всегда госпитализируют, учитывая, насколько опасно для них заболевание.

Система «видит» реальную закономерность в данных, однако для принятия решения о госпитализации она не годится (хотя и могла бы помочь страховой компании прогнозировать стоимость лечения). Что особенно опасно, вы не будете знать о присутствии таких вредных закономерностей в ваших данных, если вы не в курсе, какие именно закономерности могут быть лишними.

В других случаях модель может запомнить результативную закономерность, однако она не будет полезной как не имеющая четкого и очевидного объяснения. Например, так было со скандально известной системой распознавания лиц, которая точно определяла сексуальную ориентацию по селфи, – компьютер, по всей видимости, реагировал на социальные сигналы наподобие позы, а не на какие-то врожденные признаки.

Модели, действующие по принципу черного ящика, могут быть действенными, однако остается неясным, какую именно закономерность они выучили. Более прозрачные, понятные алгоритмы вроде обобщенных аддитивных моделей позволяют понять, что именно запомнила система, и это дает возможность принять более обоснованное решение о том, стоит ли ее вводить в рабочую эксплуатацию.

Миф №6. Методы автономного обучения готовы к рабочему применению

Наиболее широкое применение сегодня получил метод обучения с учителем – чаще всего системы обучают на наборах данных, уже размеченных и подготовленных людьми. На очистку наборов данных требуются время и трудозатраты, поэтому существует высокий интерес к методам обучения без учителя, особенно с подкреплением, когда система учится методом проб и ошибок, взаимодействуя со средой и получая сигналы подкрепления («награду») за верное поведение. Система DeepMind AlphaGo, задействуя обучение с подкреплением и с учителем, сумела обыграть сильнейших мастеров по игре го, а Libratus, система, созданная в Университете Карнеги – Меллона, применяя обучение с подкреплением и другие методы, победила лучших в мире игроков в техасский холдем – разновидность покера, которая отличается сложной стратегией ставок. В рамках исследовательских проектов сегодня предпринимаются попытки применять обучение с подкреплением в широком круге областей, от робототехники до тестирования ПО безопасности.

Однако вне исследовательского сообщества обучение с подкреплением используется ограниченно. В Google применяют DeepMind для экономии электроэнергии в центрах обработки данных – обучаясь, система помогает повышать эффективность охлаждения; в Microsoft узкоспециализированный вариант обучения с подкреплением помогает персонализировать заголовки новостей для посетителей портала MSN.com. Проблема в том, что в реальном мире далеко не всегда существуют легко обнаруживаемые сигналы подкрепления и мгновенный отклик. Например, сложности возникают при распределении сигналов подкрепления, когда испытуемая система выполняет несколько действий, прежде чем произойдет значимое событие.

Миф №7. Системы машинного обучения непредвзяты

Обучаясь на введенных данных, модель будет воспроизводить все систематические ошибки, встречающиеся в учебной выборке. Например, при поиске снимков генеральных директоров в результатах, скорее всего, будут преобладать изображения белых мужчин, поскольку таковых среди глав компаний больше. Еще, как выяснилось, системы машинного обучения не просто передают предвзятость, но и усиливают ее.

Набор данных COCO, который широко используется для обучения систем распознавания образов, содержит снимки как мужчин, так и женщин, однако первые на фото чаще сидят за компьютером, держат теннисную ракетку или сноуборд, а вторые – чаще находятся в обстановке кухни. Если обучить систему с помощью COCO, у нее возникнет более сильная ассоциация между мужчинами и компьютерной техникой, чем показывает реальная статистика снимков.

Системы машинного обучения также могут «делиться» предвзятостью друг с другом. Если обучить модель с помощью популярных фреймворков, которые представляют понятия в виде векторов, показывающих отношения между словами, то она усвоит стереотипы и будет, к примеру, приравнивать отношения «мужчина-женщина», «программист-домохозяйка», «врач-медсестра» и «начальник-секретарь». Если использовать такую систему совместно с той, которая переводит с языка с гендерно-нейтральными местоимениями, например, финского или турецкого, на язык с местоимениями «он» и «она», например английский, то фраза «это врач» может превратиться после перевода в «он врач», а «это секретарь» – в «она секретарь».

Получение рекомендаций, скажем по покупкам, – это иногда удобно, но когда дело касается личных убеждений и других деликатных тем, могут возникнуть проблемы: если вы присоединитесь в Facebook к группе противников вакцинации, то система может посоветовать вам группы по конспирологическим теориям или сообщество приверженцев убеждения о плоской Земле.

Проблему предвзятости систем машинного обучения важно иметь в виду. Если вы не можете устранить предвзятость обучающего набора данных, то для сглаживания эффекта воспользуйтесь, например, методом нормализации гендерных ассоциаций между парами слов. Можно также добавить к рекомендациям нечто выпадающее из выученных системой закономерностей, чтобы избежать «пузыря фильтров» – когда пользователю постоянно предлагают только то, с чем он уже знаком.

Миф №8. Машинное обучение используется только для благих целей

Пользуясь методами машинного обучения, антивирусы могут обнаруживать совершенно новые вид атак, с которыми они еще не сталкивались. Но и злоумышленники применяют машинное обучение для проверки возможностей антивирусных средств и организации масштабных целенаправленных атак фишинга, анализируя большие объемы общедоступных данных или уровень успеха предыдущих попыток.

Миф №9. Машинное обучение заменит людей

Опасения по поводу того, что искусственный интеллект отберет у людей работу, сегодня стали обычным делом. Искусственный интеллект действительно изменит рынок труда и принципы выполнения многих обязанностей, поскольку системы машинного обучения повышают эффективность, облегчают соблюдение требований и помогают снижать затраты. В долгосрочной перспективе благодаря машинному обучению появятся новые должности, а некоторые из нынешних исчезнут. Многие задачи, выполняемые сегодня с помощью машинного обучения, раньше попросту были нерешаемыми по причине высокого уровня сложности или огромного масштаба; вряд ли, к примеру, можно было нанять достаточно сотрудников, чтобы в поисках изображения вашего товара изучить каждый снимок, размещенный в социальных сетях.

Благодаря машинному обучению уже сегодня появляются новые бизнес-возможности – например, улучшить клиентское обслуживание с помощью прогнозного обслуживания или ускорить принятие обоснованных управленческих решений. Как и предыдущие поколения средств автоматизации, машинное обучение высвободит время сотрудников, и они смогут, не отвлекаясь на рутинную работу, более полно применять свои знания и творческие способности.

– Mary Branscombe. 9 machine learning myths. CIO. MAR 21, 2018

Окруженная изменяющейся бизнес-средой сфера образования вынуждена реагировать на внешние вызовы. Потребность в выводе на рынок новых актуальных программ, поиск источников финансирования и конкуренция со стороны других вузов – всё это заставляет образовательные учреждения пересмотреть свои приоритеты. Владимир Соловьев, руководитель департамента анализа данных, принятия решений и финансовых технологий Финансового университета при Правительстве РФ, рассказывает о трансформации университета, реализуемых в его рамках проектах и о личных взглядах на траекторию своего развития.

- Что дает возможность говорить о трансформации университета?

В результате развития технологий, и в первую очередь Интернета вещей, технологий обработки и анализа данных, очень сильно ускоряются процессы и появляются возможности создать принципиально новые продукты и услуги, выйти на новые рынки либо существенно масштабировать существующие задачи. И наш университет с этой точки зрения меняется весьма сильно. У нас каждый год появляются новые образовательные программы – например, в 2018 году запускаем магистерскую программу «Технологии блокчейн и криптовалюты», открывается много новых коротких курсов и дисциплин по выбору.

Но самое главное, что у нас трансформировалось, – это акценты. Традиционно мы, как и большинство вузов, фокусировались на учебном процессе, и преподаватели концентрировались именно на нем. Наука существовала – без нее нельзя, но по отношению к обучению она была вторичной. Мы же во главу угла поставили проектную деятельность на передовом рубеже технологий. Это совершенно прикладные задачи по созданию новых продуктов, основанных на обработке и анализе данных. Сейчас у нас на очереди проекты разработки интеллектуальных систем в области машинного обучения, больших данных, Интернета вещей и пр. В этой работе участвуют и студенты.

- Как сделать, чтобы изменения в бизнес-модели не пошли в ущерб изначальному предназначению университета – науке и обучению?

В ущерб не идут. Образовательный процесс также модифицировался. Возможно, необходимость в его изменении и стала стимулом к трансформации всей организации. Раньше можно было транслировать студентам «вечные» знания и отпускать их работать, чтобы этот фундамент наполнить конкретикой. Сейчас так нельзя – все меняется очень быстро, и мы рискуем начать учить профессиям, которые уже давно не востребованы. Конечно, есть ограничения, из-за которых мы не можем меняться очень быстро. Одно из них связано с тем, что образовательная программа, прежде чем вступить в силу, должна быть полностью сформирована – включая список дисциплин и их содержание. Скажем, к выпуску первых специалистов по блокчейну на дворе будет уже 2020 год. Что к тому времени изменится в технологиях – можно только предполагать.

В любом случае мы не хотим делать продукт среднего качества. Раньше в математической и ИТ-магистратуре была проблема, связанная с абстрактностью программ. Вроде бы собираются лучшие выпускники, имеющие определенный опыт, казалось бы, с ними должно быть очень интересно работать. Но в реальности было тяжело, поскольку интересы людей очень разрозненны, и обеспечить их равную заинтересованность и вовлеченность было сложно. Сейчас магистерские программы четко профилируются, и на обучение приходят люди, готовые с большим энтузиазмом заниматься именно данной проблематикой. И эти студенты не только наш продукт, но и наш ресурс, так как они активно участвуют в создании интеллектуальных сервисов. И на сервисах не только университет зарабатывает, зарабатывают и студенты.

- То есть трансформация обучения стала ответом на традиционные претензии к нашему высшему образованию – что студентов учат не тому и не так?

Выпускников ИТ-направлений, пожалуй, эти претензии касались в меньшей степени, чем других. Абсолютное большинство наших студентов к третьему курсу уже где-то работают. Но была претензия, что гораздо большему они учились на своих рабочих местах, а университет их только отвлекал.

Сейчас в некоторых областях мы взаимодействуем с работодателями, совместно определяем темы работ и задачи, интересные им. Бывает, что эти задачи фактически выполняются в рамках учебного плана и поэтому не требуют от работодателя дополнительных затрат, а порой выливаются в большие интересные проекты.

- Одним из наиболее интересных внутренних проектов университета стал «умный кампус». Какова его цель?

Да, год назад мы решили попробовать, что такое Интернет вещей. Мы уже несколько лет слышали про него и даже обсуждали на конференциях. И я считал, что нам в образовании он вряд ли чем-то может помочь. Но мы понимали, что это технология, с которой можно экспериментировать, и решили попробовать, изначально относясь к этому проекту как к площадке для отработки компетенций. Оказалось, что с его помощью можно сделать много полезного.

Анализ данных умного кампуса стал одной из самых интересных задач для нас как специалистов по машинному обучению и Интернету вещей. Университет может сам подстраиваться под обстановку: лампы реагируют на освещенность; когда в аудиторию приходит много людей, включаются системы кондиционирования; если в аудиториях становится холодно – включаются батареи. Аудитории автоматически считают посещаемость, камеры распознают лица, и потому отпадает необходимость в перекличке.

Что касается экономии электроэнергии, то мы пока не можем оценить результат, хотя нам самим интересно, что в итоге получится. Мне кажется, что большой экономии не будет, потому что аудиторий традиционно не хватает, они не пустуют, и учебный процесс в них идет с утра до вечера. С качеством воздуха тоже все понятно – разумеется, за пару накапливается углекислого газа больше допустимых значений, и аудитории целесообразно проветривать.

Гораздо более интересным для нас стало создание сервиса аналитики вовлеченности студентов в учебный процесс. С камер, размещенных в аудиториях, анализируются видеопотоки. В результате удается собрать распознанные лица, эмоции, расположение студентов, и на основании этих данных предварительно обученные модели машинного обучения оценивают вовлеченность студентов, находящихся на лекции или семинаре. Затем вся аналитика собирается в информационные панели, чтобы можно было видеть, как различаются показатели вовлеченности на различных факультетах, курсах, группах, как они меняются с течением времени.

- На какой стадии находится проект по анализу вовлеченности студентов?

Переходим от пилота к промышленной стадии. Мы тренировались на одной подключенной аудитории. Сейчас камеры размещены в большом корпусе и продолжается их расстановка, подключены 60 аудиторий из 500. Мы смотрим, каковы у разработанного решения проблемные места. Например, насколько охвачены системой студенты, сидящие по краям аудитории. И в любом случае требуется переобучение системы – наверняка обнаружится, что внешние признаки вовлеченности социологов будут отличаться от признаков вовлеченности айтишников и математиков. Есть и другие технические вопросы.

Первые выгоды университет получил задолго до того, как была проработана архитектура системы. Когда камеры разместили в аудиториях, ректор попросил вывести ему в кабинет картинку с них, и для всего университета наступили тяжелые времена. Но конечно, не дело ректора все свое время тратить на отслеживание качества обучения. Гораздо эффективнее поручить это интеллектуальному сервису. И цель вовсе не в том, чтобы увидеть, что какой-то конкретный студент скучает на занятиях, а преподаватель читает курс так, что на его лекциях засыпают. Нам важно понять «среднюю температуру» по аудитории, увидеть различия между факультетами, изменения в течение учебного года, диагностировать причины возникновения проблем. Важно не отчислять студентов или лишать премий преподавателей, а искать корень проблем.

Сейчас мы позиционируем систему как облачный сервис, к которому предложим подключаться заинтересованным вузам, и уже видим на него спрос. Но помимо умного кампуса есть много интересных проектов, которые мы делаем изначально для других.

«Цель вовсе не в том, чтобы увидеть, что какой-то конкретный студент скучает на занятиях, а преподаватель читает курс так, что на его лекциях засыпают. Нам важно понять «среднюю температуру» по аудитории, увидеть различия между факультетами, изменения в течение учебного года, диагностировать причины возникновения проблем», — Владимир Соловьев

- Нет ли планов сделать более всеобъемлющее решение, ориентированное не только на вузы?

Компетенции отработаны, и мы способны делать массу более простых сервисов – например, клиентскую аналитику для банков, позволяющую оценивать эмоции людей во время общения с операционистом. Вообще, мне кажется, что в видеоаналитике сейчас будет очень серьезный прорыв. Решения, подобные хоккейному Iceberg, будут способны извлекать из видео информацию, которую раньше было получить нереально.

Значительным недостатком видеолекций всегда было отсутствие эффективного поиска – единственным способом была прокрутка видео в поисках нужного момента. Сейчас уже есть доступные технологии индексирования и поиска по ключевым словам и персонам. Это применяется и в образовании, и в сфере безопасности, и в клиентском сервисе.

- Какими платформами пользовались при создании видеоаналитики?

Распознавание лиц перестало быть диковинкой, такая функция в приличном качестве присутствует у многих поставщиков. Мы используем Microsoft Cognitive Services. Microsoft – генеральный партнер нашего департамента, и во многом это объясняется возможностью использовать решения бесплатно. Гораздо больше проблем с языковыми сервисами – идеальной технологии пока нет ни у кого.

- Расскажите о наиболее интересных проектах, создаваемых при участии студентов.

Сейчас существует проблема, связанная с развитием дорожной сети, она решается на государственном уровне. Например, приобретаются датчики, размещаемые на столбах и определяющие скорость потока автомобилей. Очевидно, что в масштабах страны датчиков потребуется очень много – это огромные деньги. Мы разработали «программный датчик», измеряющий скорость потока по открытым данным из картографических сервисов. Никаких дополнительных инвестиций не потребуется: данные уже собираются и агрегируются, надо лишь извлечь их и обработать. Прямая экономия. Этот проект сделали несколько студентов бакалавриата под руководством преподавателей.

Расскажу еще об одной разработке: мы построили систему, определяющую начало и конец рыночных фаз. Например, многие предсказывали, что биткойн в декабре начнет падать, но в какой именно момент это произойдет – было неизвестно. Мы создали решение, которое с весьма большой точностью предсказывает моменты начала и конца фаз.

Кроме того, можно выделить интересный проект по мониторингу спроса на противоаллергенные препараты. Система в реальном времени собирает данные о продажах из аптек и отображает на карте, в каких районах города в аптеки выстраиваются очереди, а какие являются более благополучными. Такую статистику можно применять совершенно по-разному, например, люди на основе этой информации могут выбрать себе место жительства. Это решение мы хотели предложить аптечному бизнесу, но, как ни странно, в итоге заказчиком стал производитель фармацевтической продукции.

- Вероятно, эти проекты прошли через ваш фейс-контроль?

Не совсем. Я отвечаю за то, чтобы деятельность университета в области математики и информатики соответствовала требованиям рынка. А чтобы она соответствовала, рынок должен предъявлять спрос, выраженный в деньгах. Если заказчики интересуются и хотят реализовать пилотные проекты – очевидно, спрос есть. Если это фундаментальная наука, то заказчиками выступают различные фонды. В любом случае я себя чувствую на своем месте, понимаю, чем могу быть полезен.

С другой стороны, нам нужно продвигать науку. Каждый преподаватель исторически занимался научной деятельностью сам по себе. У нас были и есть выдающиеся личности с мировым именем, которые работают на переднем крае наук. Но есть понимание, что нужно сделать прорыв в какой-либо области, чтобы в ней были известны не отдельные личности, а сам университет имел свою нишу и был узнаваем как передовой научный центр. Выбор машинного обучения и блокчейна в качестве новых направлений был верным, сейчас видим, как конкуренты только начинают соответствующую работу.

- Как наступил тот момент, когда вы из ИТ перешли в бизнес?

У руководства университета возник трансформационный план, связанный с интеграцией усилий различных подразделений. Например, наш департамент – это почти 200 человек, в том числе 50 докторов наук и 100 кандидатов, – образовался из нескольких кафедр, специализировавшихся на математике и ИТ. Мне было предложено его возглавить.

Было непросто, возникали организационные проблемы, но уже сейчас мы чувствуем синергию. Интеллект каждого, вместо того чтобы конкурировать за «свою поляну», должен сосредоточиться на решении больших задач. Люди осознают это, и появляется инициатива. Проекты, которыми мы занимаемся, по своей сути инновационны, они не могут появиться в голове руководителя отдельно взятого подразделения. Здесь должны сойтись воедино соответствующие компетенции, спрос на рынке и взаимопонимание с заказчиком.

- Что для вас лично означал этот переход?

Я пересел на общественный транспорт, стал за 20 минут доезжать до работы и сбросил 10 кг.

Если серьезно, то переход этот очень существенный. Все-таки ИТ, несмотря на всю их важность, являются основными лишь в ИТ-компаниях, где находятся в одной весовой категории с маркетингом и продажами. Действительно, будучи ИТ-директором, приходится решать стратегические задачи организации, возможно, даже принимать участие в проработке стратегии. А находясь в бизнес-роли, ты можешь смотреть в более узком сегменте, но гораздо дальше. Я могу увидеть то, чего еще никто не видит, и постараться прыгнуть туда, попросив ИТ-службу мне помочь.

Если CIO знает, какие изменения произошли в технологиях и какая революция наблюдается в маркетинге, он совершенно точно знает, как лучше всех выстроить процесс маркетинга и продаж. Но что конкретно он может для этого сделать? Только поговорить с коллегой, отвечающим за это направление. Решение и ответственность будут у коммерческого директора. Перейдя в бизнес, можно не только предложить решение, но и претворить его в жизнь и потом за него ответить.

Кроме того, для любого руководителя важны коммуникации. Я любил свою прежнюю ИТ-команду, люблю и нынешнюю, но они совсем разные. Сейчас более актуален вопрос, как с помощью выдающихся личностей, каждая из которых имеет свою картину мира, свое понимание целей и задач, построить корабль, который движется вперед.

Директора по данным и аналитике начинают играть ключевую роль в проектах цифровой трансформации бизнеса. До сих пор они занимались управлением данными, их качеством, следили за выполнением нормативных требований, но теперь, как показал опрос Gartner Chief Data Officer Survey, их работа приносит осязаемую выгоду компаниям и создает в коллективах культуру, ориентированную на данные. Более половины CDO теперь подчиняются непосредственно одному из высших руководителей компании, а к 2021 году уже в трех четвертях крупных компаний роль службы CDO будет считаться не менее важной для бизнеса, чем роль ИТ-службы или финансового отдела.

Более трети опрошенных CDO заявили, что одним из главных критериев успешной работы для них является увеличение доходов компании. Вопросы снижения риска и экономии средств отходят на второй план. В их зону ответственности включены вопросы аналитики, этики использования данных и цифровой трансформации.

Проблеме роли CDO в современных компаниях и их профессиональной трансформации будет посвящен круглый стол, который пройдет в рамках конференции BIG DATA 2018. Мы поговорили с одним из участников мероприятия – Азатом Шамсутдиновым, директором направления машинного обучения и искусственного интеллекта компании North.AI, входящей в «Севергрупп».

- Каков ваш путь в профессию? Что для вас стало определяющим в ее выборе?

Моя профессия была предопределена со студенческой скамьи: еще будучи студентом Физтеха я понял, что хочу работать с данными, и особенно меня привлекали их возможности для бизнеса. Мне всегда были интересны нетривиальные задачи, я придумывал нестандартные решения, развиваясь как профессионал. Пробовал себя в разных сферах – успел поработать в тяжелой промышленности, в крупнейших ретейлерах и компаниях, занимающихся электронной коммерцией.

Часто приходилось выступать в роли эксперта по большим данным, в основном в зарубежных компаниях. К примеру, был проект с крупной американской производственной корпорацией. Особое значение этот проект имел для крупногабаритного транспорта, начиная с городских автобусов и заканчивая тяжелыми траками угледобывающих компаний Китая. Была поставлена амбициозная цель – показать, что использование газовых двигателей вместо дизельных увеличит маржинальность этих компаний. Технологии больших данных и искусственного интеллекта прекрасно вписались в решение этой задачи, и проект был успешно внедрен.

Сейчас я работаю в сфере HR-tech в «Севергрупп», где вместе с командой мы разрабатываем уникальный продукт для рынка HR. Самое главное – это понимать, что ты участвуешь в создании продукта с невероятным потенциалом, способного многое изменить и улучшить жизнь в будущем.

- Должность CDO до сих пор продолжает оставаться диковинкой в российских компаниях. Как вы думаете, почему? В какой компании эта должность нужна?

Машинное обучение, большие данные, искусственный интеллект, несомненно, стали популярным трендом последних лет. Много компаний с осторожностью присматриваются к этому тренду, но пока не знают, как эти технологии можно применить в бизнесе. Другие же, поддаваясь модным тенденциям, внедряют решения на базе технологий Big Data повсеместно – даже там, где они вовсе не требуются. По этой причине не все до конца понимают, какую роль в компании выполняет CDO и для чего он вообще нужен.

Если компания хочет удержаться в лидерах рынка и выжить в конкурентной борьбе, она не должна игнорировать новые технологии. Таким компаниям CDO необходим. В остальных, тем более без понимания сути технологий и их пользы для бизнеса, наличие такой позиции кажется бессмысленным.

- Наблюдается ли изменение роли CDO в последнее время и в каком направлении? Как вам видится их роль в будущем?

Я бы сказал, что скорее наблюдаются изменения в головах. Люди все больше осознают возможности новых технологий, и поэтому растет важность роли CDO в компании. Как следствие, возрастают требования к ним: понимание бизнеса, рынка и быстрое реагирование на изменения становятся таким же необходимым навыком для CDO, как и глубокое понимание данных.

- В последнее время часто говорится о том, что бизнес должен основываться на данных – быть data-driven, то есть альтернативой старому, «аналоговому» методу принятия решений. Что здесь зависит от CDO?

В современном мире с каждым годом компаниям становится тяжелее сохранять конкурентоспособность. Чтобы победить в борьбе с конкурентами, необходимо непрерывно развиваться и применять новейшие технологии. Но важно понимать, как правильно эти технологии применить и как получить от них максимальный эффект, а не просто поддаваться модным трендам.

Данные – это мощнейший инструмент для принятия решений. Они отражают реальную ситуацию, в которой находятся и рынок, и сама компания. Но, несмотря на огромный потенциал искусственного интеллекта, больших данных и других технологий, роль человека в принятии решений остается главной. Особенно в тех ситуциях, когда данные нерелевантны, недостаточны или вовсе отсутствуют. В таких случаях необходима работа агрегированной команды людей, глубоко понимающих тонкости бизнеса и его процессов, способных принимать решения, основываясь на данных и учитывая все изменения финансовых показателей компании.

- Имеет ли CDO возможность и компетенции, чтобы стать драйвером цифровой трансформации?

Компетенции – да, несомненно. Поскольку цифровая трансформация неразрывно связана с технологиями, основанными на анализе данных, стоит сказать, что CDО и есть тот человек, который должен быть драйвером цифровой трансформации в компании.

Что касается возможностей, это вопрос прежде всего корпоративной политики. Существует проблема, когда компании, пытаясь перейти на уровень Индустрии 4.0, на самом деле не до конца понимают цель внедрения новых технологий и в целом суть их применения. В этом случае возможности CDO сильно ограничиваются и так называемой цифровой трансформации не происходит.

- Что мешает работать CDO, каковы основные барьеры и как с ними бороться?

Многие компании не готовы к переменам, происходящим на рынке. Сегодня они чувствуют себя хорошо, но совсем нет гарантии, что ситуация не изменится в будущем. Вдобавок их останавливает то, что есть мало грамотных управленцев, знающих data-driven-бизнес изнутри и умеющих ответить на вопрос «где ROI?».

В современном мире необходимо бороться за каждого потребителя, а потому работа с данными – не просто модная фишка, а способ выживания для компании. На мой взгляд, как только придет понимание всех возможностей больших данных и искусственного интеллекта, все барьеры отпадут сами собой.

Мне сильно повезло, что наша компания очень продвинутая в плане новых технологий. Мы стараемся перевести производство и управление на новый уровень, применять последние разработки в сфере искусственного интеллекта. Поэтому барьеров и ограничений для работы нет, скорее, наоборот: любые инициативы в данном направлении поддерживаются.

ИТ-аутсорсинг существует уже почти три десятка лет, и сегодня ИТ-руководители научились избегать многих дорогостоящих ошибок, связанных с использованием услуг внешних поставщиков. Как отмечают в KPMG, новые клиенты компании, заключая сделки аутсорсинга, многое делают верно. Они стремятся добиться уровней обслуживания, в частности производительности и удобства работы, которые отвечали бы ожиданиям конечных пользователей, учитывают важность интеграции сервисов и согласования процессов, держат стратегически важные элементы ближе к местонахождению компании и составляют более гибкие контракты.

И все же ИТ-руководители при заключении сделок с поставщиками ИТ-услуг по-прежнему совершают традиционные ошибки и даже допускают новые. Необходимо позаботиться о том, чтобы избежать этих оплошностей.

Смена поставщика вместо устранения первопричин

Понимая важность адаптивности в цифровую эпоху, ИТ-руководители заключают более краткосрочные контракты аутсорсинга, причем нередко сразу с несколькими поставщиками, тем самым обеспечивая гибкость и возможность выхода из сложных ситуаций. Но порой пользователи аутсорсинга чересчур увлекаются сменой провайдеров. Активно лавируя между поставщиками, в таких компаниях не решают главные проблемы, которые сохраняются независимо от провайдера. Покупателям ИТ-сервисов стоит направить свои усилия на то, чтобы четче осознать, что им самим нужно сделать для успеха сделки, а не обвинять во всех бедах поставщика.

Фокусировка на решениях, а не на проблемах

Одна из самых распространенных ошибок – сосредоточенность на технологиях. Допустить ее легко, учитывая нынешний «цифровой» ажиотаж. Но покупка разрекламированного новшества сама по себе вряд ли принесет нужные результаты. Прежде чем заключать сделки о поставках ИТ-сервисов, следует как можно внимательнее уточнить, какие именно задачи бизнеса подлежат решению и каких целей нужно достичь. К обсуждению необходимо подключить бизнес-руководителей и пользователей. Совещание с участием широкого круга заинтересованных лиц всей организации поможет по-новому оценить задачи и точнее их сформулировать, а также выявить ранее упущенные из виду направления бизнеса, которым тоже требуются ИТ-сервисы.

Тенденция приобретать стандартные решения по минимальной стоимости сегодня встречается реже. Как отмечают специалисты, следствием такой политики будут частые запросы изменений и потребность докупать дорогостоящие специализированные ресурсы, что повлечет невыполнение экономического обоснования и утрату доверия к аутсорсингу.

Заключение сделки в расчете на преобразования

Компаниям все сложнее выдерживать конкуренцию в динамичную цифровую эпоху, и, само собой разумеется, они ищут помощи провайдеров ИТ-сервисов. Но проблема в том, что невозможно составить запрос на поставку трансформации.

Клиент может жаловаться на то, что поставщик сервисов не обеспечивает творческий подход и инновации, но при этом отношения между сторонами регламентируются традиционным запросом на поставку, устанавливающим жесткие правила и не допускающим гибкости. Другими словами, обычно сам заказчик, а не поставщик сервисов создает ограничения, препятствующие обновлению.

Клиенты, которым нужны радикальные преобразования, должны сами сформировать среду и культуру, способствующие таким переменам. Проводите совещания по обновлению, привлекайте заинтересованных лиц со стороны бизнеса, предложите сотрудничество поставщику услуг и проявляйте интерес к идеям его специалистов. Чтобы мотивировать сотрудников к обновлению, руководство должно создать соответствующие условия. Возможно, все новые идеи реализовать не удастся, но если игнорировать их, то это верный путь к подавлению творческих порывов сотрудников как поставщика услуг, так и клиента.

Аутсорсинг «по шаблону»

Не следует полагаться на подход, разработанный в другой организации. Необходимо тщательно оценить потребности своего предприятия, рассчитать масштаб планируемой сделки аутсорсинга и продумать ее условия, чтобы обеспечить улучшение вашей конкретной ситуации. Нужно определить схему финансирования, структуру рисков вашего конкретного предприятия и, учитывая его цели, задачи и культуру, провести подготовку.

Чрезмерно строгий контракт

Если в переговорах по сделке настаивать на жестких ограничительных условиях, это может ударить по самому заказчику, так как провайдер будет выдвигать встречные условия, чтобы не пострадала его бизнес-модель. В результате определенные положения контракта напрямую отразятся на его стоимости и в совокупности она может вырасти на 5-7%. При заключении контракта целью переговоров должно быть согласование условий с требованиями вашей организации, а не создание чрезмерно жестких ограничений для поставщика.

Недооценка влияния на сотрудников

Многие ИТ- и бизнес-руководители не проводят подготовку к масштабным переменам, которые влечет переход на аутсорсинг. Из-за этого обычно возникают барьеры, мешающие достижению намеченных результатов. Нередко руководители пребывают в ложной уверенности, что организация легко перейдет на новую модель доставки. Но впоследствии, когда выясняется, что это не так, результат становится неприятным сюрпризом.

Не нужно полагать, что имеющийся персонал сам по себе справится с управлением новыми сервисами. Понадобятся, в частности, сотрудники, способные при работе поддерживать отношения с третьей стороной – кто-то обладает такими навыками, а кому-то это не дано. Следует помнить: один проблемный участник группы способен свести на нет конструктивную работу множества других.

ИТ-руководителям необходимо активно и правдиво информировать остальных, освещая вопросы, волнующие конкретные группы заинтересованных лиц. Важно организовать продуманный переходный процесс для ключевых сотрудников, подготовить программы переобучения и при необходимости нанять новых специалистов.

Недостаточное внимание переходному периоду

Передача обязанностей от собственного ИТ-отдела сервис-провайдеру – поворотный момент сделки аутсорсинга, требующий обстоятельного планирования и контроля. Если не уделить достаточно внимания переходной стратегии, компания, скорее всего, столкнется с задержками, потерей преимуществ, утратой доверия и поддержки заинтересованных лиц, а бизнесу будет нанесен ущерб.

Любую сделку пользователи и поставщики услуг аутсорсинга должны начинать с детальной совместной оценки имеющейся среды, в том числе процессов, систем, уровней обслуживания, объемов, контрактов и исключений, а также тщательного планирования процесса передачи знаний. Необходимо разработать план на случай чрезвычайных ситуаций и ограничить влияние перемен на ключевые бизнес-процессы компании, например на подготовку квартальных финансовых отчетов, а в начале проекта представители поставщика и заказчика должны работать вместе.

В планах нужно предусмотреть вероятность длительного срока ожидания поставки технологий, которые придется разрабатывать или закупать, а также необходимость найма новых специалистов. Самое важное – укомплектовать сильную команду или центр управления проектом для переходного периода, которые смогут уверенно «держать удар». Для такой команды важен творческий подход, позволяющий гибко продвигаться вперед невзирая на ограничения.

Недостаточные инвестиции в руководство

Обязательным элементом являются продуманные нормы и система руководства, включающая руководителей группы по доставке услуг, представителей бизнес-отделов, а также топ-менеджеров клиента и поставщика. Без такой системы нередко не удается прийти к пониманию того, кто и каким образом принимает решения, кому должны переадресовываться те проблемы, которые невозможно решить на нижних уровнях поддержки, и кто должен представлять стороны при взаимодействиях. Следствием становятся внутренние конфликты, снижение качества обслуживания, невыполнение требований и перерасход средств. Основных заинтересованных лиц необходимо включить в модель руководства и поддерживать их участие в проекте.

Управление с помощью соглашений об уровне сервиса

Соглашения об уровне обслуживания, регламентирующие типы и качество услуг, предоставляемых поставщиком, а также компенсации в случае невыполнения им этих требований остаются важным элементом любого контракта ИТ-аутсорсинга. Хорошо продуманные SLA необходимы, но недостаточны, для того чтобы обеспечить требуемую результативность поставщика услуг.

Выбор и обеспечение нужных уровней обслуживания – это непрерывный процесс, а не разовый этап. На протяжении срока действия контракта покупатель ИТ-услуг должен постоянно пересматривать SLA и искать способы их улучшения.

Устойчивый уровень обслуживания, безусловно, плюс, однако в последнее время поставщики и клиенты переходят на контракты, основанные на результатах. В рамках таких аутсорсинговых сделок для улучшения результативности используется статистика по достигнутым показателям уровня обслуживания.

– Stephanie Overby. 9 IT outsourcing mistakes to avoid. CIO. MAR 7, 2018

В ближайшие два года от российской промышленности ожидают роста 4–4,5% при среднемировых темпах 3,5%. С учетом конкуренции как со стороны промышленных лидеров, так и со стороны новых промышленных регионов с дешевой рабочей силой, для повышения производительности нужно не только наращивать производственные мощности, но и стараться более рационально использовать те, что есть. Большие возможности в этом направлении открывает искусственный интеллект.

О том, как новые технологии способны помочь развитию промышленности, о перспективах применения искусственного интеллекта и о том, в каких производственных процессах будет наиболее востребован ИИ в обозримом будущем, рассказал Александр Смоленский, директор по развитию бизнеса компании «Цифра» (входит в ГК «Ренова»).

– Как скоро можно ждать массового появления ИИ на производстве и что для этого нужно? Какие барьеры придется преодолеть?

Если говорить об ИИ как о некотором универсальном инструменте, разуме, который сам управляет заводом, например, то до этого очень далеко.

Однако если под ИИ иметь в виду технологические решения, которые на основе алгоритмов машинного и глубокого обучения смогут встроиться в технологические цепочки и выдавать результаты лучше и быстрее, чем человек, но под его контролем, то таких примеров уже достаточно.

Совсем недавно мы провели специальное исследование практического применения ИИ в промышленности всего мира и нашли более 100 примеров. В ближайшие 5-7 лет применение «слабого» ИИ, как его иногда называют, станет массовым. Вообще, технологии ИИ очень перспективны и будут в ближайшие годы бурно развиваться. Не стоит, однако, переоценивать их возможности на текущем этапе. До Skynet из фильма «Терминатор» еще очень далеко.

– В каких именно областях (не отраслях, а именно производственных процессах) будет наиболее востребован ИИ в обозримом будущем?

Прежде всего в процессах, где прямой алгоритмический расчет невозможен или затруднен, где очень много переменных факторов и неизвестных, где инженер оценивает необходимые действия «на глазок» и на основе собственного опыта. Например, эффективность производства чугуна определяется составом шихты, динамикой ее загрузки, характеристиками используемого топлива и т. д. При этом выходной вес продукции может варьироваться очень значительно (плюс или минус 50% и больше). В таких задачах решения на основе ИИ показывают просто отличные результаты.

У нас сейчас разработано уже шесть рекомендательных систем для металлургии. Например, «цифровой советчик» для установки печь-ковш позволит снизить на 5% потребляемую электроэнергию благодаря точному прогнозу количества ферросплавов, которое необходимо добавить для получения заданных свойств стали, к тому же будет обеспечено и уменьшение количества используемых ферросплавов. Таким образом, суточная экономия электроэнергии и ферросплавов составит более 30 тыс. руб. в сутки.

После некоторого периода обучения ИИ начинает «прикидывать» необходимые действия лучше, чем самый опытный технолог, и эффективность производственного процесса повышается.

Еще предстоит работа с огромными объемами неструктурированной информации, чтобы выявить неожиданные корреляции. Скажем, на основе интересов и постов в соцсетях определить социальный портрет человека, предпочитающего лимонную газировку и не любящего колу. В таких задачах современный ИИ тоже очень силен.

– Имеет ли смысл внедрять ИИ там, где пока что и «обычной» автоматизацией можно достичь значимых результатов?

Автоматизация имеет смысл только там, где она эффективна и приносит в конечном итоге финансовый результат – дает экономию или увеличение доходов.

В каждом случае нужно посчитать стоимость владения «обычной» автоматизацией и решением на основе ИИ. Стоимость владения включает в себя не только затраты на внедрение, но и стоимость покупки и содержания ИТ-инфраструктуры, на которой будет работать система, стоимость ее доработки и обслуживания и прочие расходы. Посчитав все это, выбор сделать достаточно легко. Бывают задачи, которые легко решаются алгоритмически, но требуют такой вычислительной мощности, что придется покупать суперкомпьютер. В таком случае лучше подойдет ИИ. Часто мы сталкиваемся и с обратным. Энтузиасты долго и старательно обучают нейросети, вместо того чтобы написать простую и понятную программку, которая решит их задачу.

– Для построения точных моделей зачастую не хватает данных даже тем, кто активно занимался их сбором. Как можно решить эту проблему?

С такой проблемой мы сталкиваемся постоянно, и ответ здесь только один. Если мы хотим делать цифровую экономику, получать преимущества от внедрения ИИ, выходить на новые уровни эффективности производства, то нам необходимо собирать данные со всего, с чего только можно.

В большинстве отраслей промышленности современное оборудование достаточно «умное» и готово много о себе рассказать. К нему надо подключаться и собирать данные. Если оборудование ничего о себе «не знает», то нужно оснащать его специальными датчиками – они в избытке выпускаются многими производителями, в том числе и отечественными. Нам тоже пришлось заняться их производством и установкой у наших клиентов. Другого пути к цифровизации и к ИИ просто нет.

Отдельно отмечу, что ситуации, когда на производстве собираются огромные объемы данных, складываются в хранилища, хранятся некоторое время, а потом просто уничтожаются, – не редкость. Люди не знают, что делать и как получить пользу от своей собственной информации.

Любой ИТ-руководитель ищет пути ускорения работы и повышения эффективности своего подразделения. Ведь в конечном итоге отставание ИТ негативно отражается на бизнес-операциях и тормозит инновации.

Слабая ИТ-служба ограничивает возможности предприятия в части удовлетворения меняющихся потребностей рынка, увеличивает продолжительность разработки и выпуска новых продуктов и сервисов и в конце концов приводит к недовольству клиентов.

К счастью, повышения производительности труда можно добиться не только за счет ухудшения морального состояния сотрудников. Решающую роль в пробуждении дремлющего ИТ-подразделения и подталкивании его к активным действиям могут сыграть наиболее мотивированные члены команды. «Если вы хотите добиться повышения производительности ИТ-службы, демонстрируйте свою вовлеченность, – советует ИТ-директор поставщика глобальных ИТ-сервисов Insight Майк Гуггемос. – Лишь очень немногие хорошие решения удается принять, сидя в кресле».

И вот как можно придать ускорение ИТ-службе.

1. Изложите цели

Держать членов ИТ-команды в неведении – значит убить их моральный дух. «До каждого члена команды важно доводить информацию о состоянии бизнеса и о том, какой вклад этот сотрудник вносит в достижение общих целей, – указал технический директор поставщика инструментов для создания пользовательского интерфейса Skuid Майк Дюнсинг. – Все должны почувствовать, какую роль они играют в успехе компании».

Чтобы мотивировать членов команды, ИТ-лидерам достаточно просто проявлять честность. Многие руководители ИТ-групп выходят перед залом и начинают проводить презентации с многочисленными таблицами и аналогиями, тогда как достаточно было бы просто показать, что происходит в компании и почему этот конкретный проект так важен для достижения целей и реализации стратегии.

Желательно хотя бы ежеквартально определять индивидуальные цели и затем при необходимости корректировать их в процессе личного общения – это очень важно. Чтобы члены вашей команды демонстрировали непрерывно улучшающиеся результаты и чувствовали свою вовлеченность, необходимо проводить обучение и совершенствовать навыки (как технические, так и деловые).

2. Предоставьте персоналу инструменты, которые нужны для достижения успеха

Оснащение ИТ-службы неадекватным или устаревшим программным обеспечением и оборудованием гарантированно приведет к снижению производительности. Заставляя членов команды тратить свое время на выполнение монотонной, легко поддающейся автоматизации работы, вы также наносите ущерб потенциальному успеху в долгосрочной перспективе.

Инструменты автоматизации, такие как средства непрерывного развертывания, избавляют персонал от выполнения повторяющихся рутинных операций. Руководителям ИТ-служб рекомендуется задуматься об использовании таких инструментов, как Jenkins, Bamboo и Team City.

Никогда еще не было возможности так просто автоматизировать ИТ-операции, как сейчас. Сегодня в мире есть сотни средств мониторинга и контроля! Следует помнить, что большинство современных технологий, разработанных в последние пять лет, предназначены для мониторинга, управления и в некоторых случаях для самокоррекции.

3. Внимательно отслеживайте производительность

Ключевые показатели эффективности (key performance indicators, KPI) имеют очень важное значение для мониторинга общей производительности ИТ. Однако многие ИТ-службы ориентируются на неверные индикаторы. Выбирайте такие показатели эффективности, которые важны для бизнеса, а не только для ИТ.

Марк Томас, президент компании Escoute Consulting, дающей консультации по корпоративному управлению ИТ, предпочитает привязываться к критическим факторам успеха, которые увязаны с общими целями предприятия и потребностями заинтересованных сторон. Его подход гарантирует, что средства управления будут ориентированы на сбор, анализ, обработку и реакцию на конкретные ключевые жизненно важные признаки. Многие ключевые показатели эффективности могут также стать ключевыми индикаторами риска (key risk indicators, KRI), которые предупреждают о возрастающих рисках, способных отрицательно повлиять на удовлетворение потребностей заинтересованных сторон.

4. Не допускайте появления у подчиненных признаков выгорания

Тяжелый труд – это замечательно. Однако чрезмерная работа приводит к разнообразным расстройствам, ошибкам и падению производительности. Дэвид Ли, операционный директор в Kastling Group, специализирующейся на разработке ИТ-стратегии и консультациях, убежден в том, что лучший способ справиться с выгоранием – не допустить выгорания. Нужно обеспечить наличие в производственном календаре у каждого сотрудника «легких недель». Определенную пользу принесет также празднование небольших побед.

Старший директор Citrix по управлению угрозами и трансформации бизнеса Майк Орож пошел еще дальше: «Совершайте с коллегами прогулки, обедайте вместе с ними, делайте недолгий перерыв, чтобы выпить чашечку кофе. Эти простые совместные мероприятия способствуют сближению, формированию производственной среды, которая положительно влияет на производительность».

Реалистичные, хорошо проработанные планы и сроки реализации проектов также играют важную роль в деле профилактики выгорания. Довольно часто команды нагружают незапланированными, не заложенными в бюджет и недостаточно проработанными проектами без учета того, над чем они уже трудятся, – это, пожалуй, одна из главных ошибок, c которой приходится сталкиваться постоянно.

5. Поддерживайте вовлеченность и удовлетворенность сотрудников

Один из самых больших секретов управления ИТ связан с искусством каскадирования целей. Такая технология не нова, но является ключевым принципом управления производительностью организации.

Каскад целей – это метод преобразования и перевода целей в организации с одного уровня на другой. Задача менеджера заключается в том, чтобы описать вклад, который члены его команды вносят в достижение результатов на следующем уровне. Благодаря этому каждый сотрудник может осознать конкретную ценность целей и оценить собственный вклад в получение организацией соответствующих преимуществ.

6. Не поддавайтесь соблазну управления на микроуровне

Подобно родителям, которые учат своего ребенка кататься на велосипеде, многие ИТ-лидеры боятся «отпустить седло» и позволить членам своей команды продемонстрировать все, чему они научились в части самоуправления и использования предоставленных полномочий.

ИТ-руководители утверждают, что они не против расширения прав и возможностей, но как только что-то идет не так, они вновь берут вожжи в свои руки, возвращаясь к управлению на микроуровне. Это весьма распространенная реакция, но если люди хотят сформировать новую культуру, они должны продемонстрировать свою готовность к переменам.

7. Давайте сотрудникам стимул к расширению и углублению своих знаний

Успешный ИТ-лидер заряжает и мотивирует членов своей команды, побуждая их совершенствовать навыки.

Предоставление сотрудникам возможности посещать конференции и профессиональные мероприятия не только способствует генерации новых идей и разработке новых технологий, но и помогает людям отвлечься от рутинной работы, одновременно улучшая их моральное состояние.

8. Берите на вооружение свежие подходы и методы

Главным фактором прироста производительности ИТ-службы стало появление методов гибкой разработки и DevOps, способствующих сближению бизнес-подразделений и ИТ-команд. Это помогает бизнес-подразделениям активнее участвовать в определении приоритетов и направлений развития, что в свою очередь способствует оптимизации решений, улучшению их согласованности с бизнес-процессами и упрощению реализации.

Нужно перестать думать о работе как о машине, которую можно оптимизировать, потянув за определенные рычаги, считает Дэйв Уэст, генеральный директор компании Scrum.org, предлагающей услуги по доставке программного обеспечения, его оценке и сертификации. Постарайтесь сформировать целостное восприятие рабочей среды и лучше доносить до подчиненных свое видение.

9. Используйте новейшие достижения в области управления

Многие ИТ-лидеры полагаются исключительно на свой технологический опыт и не уделяют особого внимания изучению управленческих методов.

Они склонны придерживаться подходов Management 1.0 или Management 2.0, воспринимая своих подчиненных как элементы управления ресурсами (1.0) или делая ставку на управляющие процессы (2.0), такие как обратная связь 360 градусов. Концепция Management 3.0 признает сложность сегодняшней операционной среды и роль наделенных необходимыми полномочиями и мотивированных людей в решении различных задач. Чтобы принять и внедрить эту концепцию, от руководства и лидеров требуются высокий уровень доверия и немалое мужество.

10. Изучите точку зрения стороннего доверенного консультанта

ИТ-лидеры зачастую направляют свое внимание исключительно на технологические вопросы и не видят или не могут оценить весь спектр влияния ИТ-службы на другие подразделения. Взгляд со стороны помогает лучше понять происходящее и вникнуть в отраслевые тенденции и инструменты, которые способствуют повышению производительности. Иногда неплохо было бы получить внешний совет и поддержку, подобно спортсмену, которому тренер помогает взглянуть на ситуацию по-другому. Но тренер в лучшем случае может лишь рассказать о выигрышных организационных методах. Реальные перемены создают только люди, находящиеся внутри организации.

Первый шаг

Хотелось бы верить, что благодаря четкому изложению целей, анализу показателей и наделению необходимыми полномочиями ИТ-служба сразу заработает с максимальной производительностью. Но дело не только в этом. Выстраивание высокопроизводительной команды требует терпения и настойчивости.

Нужно, чтобы персонал ИТ-службы начал меняться органически. Даже самый незначительный шаг к самоуправлению и наделению полномочиями способен стать залогом того, что люди будут использовать открывающиеся возможности.

– John Edwards.10 ways to improve IT performance (without killing morale). CIO. FEB 21, 2018

Цифровая трансформация перешла от стадии «было бы неплохо иметь» к этапу «пора браться за дело». Бывшая прежде приоритетом для экспериментаторов и прогрессивных компаний, сегодня цифровая трансформация стала массовым явлением. Трудно поспорить с тем, что соответствующие проекты стали жизненно важными для успеха компаний.

И подтверждением являются результаты опроса, проведенного Constellation Research: 64% респондентов считают цифровую трансформацию ключевым фактором роста прибыли их организаций.

А недавнее исследование Frost & Sullivan, в рамках которого изучались мнения конечных пользователей из разных стран о ходе цифровой трансформации, показало, что в ближайшие два года одним из приоритетных направлений ИТ-инвестиций в компаниях будет улучшение их репрезентации в цифровом пространстве. В числе других значимых целей респонденты назвали снижение операционных затрат, улучшение обслуживания клиентов и согласование деятельности отделов ИТ с бизнес-стратегией.

Рассмотрим основные тенденции, связанные с цифровой трансформацией, растущие и начинающие сходить на нет.

На подъеме: сервисы определения местонахождения

Налаживание связи с пациентами и обеспечение комфортного цифрового обслуживания – приоритет для сети медицинских учреждений Dignity Health. По словам технических руководителей организации, усилия направлены на то, чтобы установить взаимодействие с пациентами независимо от их местонахождения.

В Digital Health начали цифровую трансформацию в 2016 году. Идет внедрение дистанционного ухода и телемедицины на основе приложения, которое позволяет выбрать врача, записаться на прием и осуществлять «видеовизиты». В планах на этот год – онлайн-регистратура для цифрового прохождения формальностей перед посещением клиники или помещением в стационар.

Одна из сложностей, на которую жалуются посетители медучреждений, – поиск места для парковки, когда они приезжают в больницу или клинику. Решить проблему в Dignity Health собираются с помощью мобильных устройств.

Когда пациент подъезжает к парковке, сервисы определения местонахождения укажут свободное место, а затем проинструктируют, как добраться до нужного кабинета в самом здании. В некоторых учреждениях Dignity Health уже внедрили радиомаячки, которые по прибытии пациента на парковку «будят» его смартфон, после чего звучит объявление: «Добро пожаловать! Вам нужны указания, как пройти к месту назначения?»

В Dignity Health намерены с помощью цифровых технологий полностью устранить сложности взаимодействия, с которыми могут сталкиваться люди при посещении медицинского учреждения.

Аналитики Frost & Sullivan полагают, что улучшать заботу о клиенте, идя ему навстречу в любых ситуациях, возможно, единственный способ сохранить конкурентоспособность поставщиков медицинских услуг в ближайшем будущем. Сегодня врачебные консультации по видео-конференц-связи, возможность получать в мессенджерах напоминания о предстоящем визите к врачу и времени приема лекарств, а также все более широкое применение носимых устройств медицинского назначения делают отрасль здравоохранения одним из лидеров в сфере цифровой трансформации.

Решения, помогающие улучшить обслуживание клиентов, открывают широкое поле возможностей для применения искусственного интеллекта, особенно в сфере автоматизации взаимодействия между клиентами и при анализе потребностей покупателей.

Искусственный интеллект уже применяется во всевозможном ПО в виде сервиса – для понимания текстов, распознавания лиц, анализа сетевого трафика, обнаружения угроз и многих других задач.

На подъеме: интерактивные голосовые интерфейсы

Популярность цифровых ассистентов Amazon Alexa, Apple Siri, Microsoft Cortana, Google Now – свидетельство того, что голосовое взаимодействие действительно удобно.

Поставщики медицинских услуг добиваются включения профильной информации в базы знаний этих инструментов. Например, благодаря совместному проекту Amazon и издательского отделения Mayo Clinic, ассистент Alexa получила доступ к медицинской информации и теперь способна давать ответы на вопросы вроде «Какие побочные эффекты у золпидема?».

Прогнозируется, что по мере развития ИТ традиционные визуальные интерфейсы будут использоваться меньше, на смену им придут интерактивные голосовые. Специалисты уверены: голосовое управление прекрасно подходит для современных событийно-зависимых бессерверных облачных платформ в виде сервиса.

На спаде: ориентация на облако

Сегодня под трансформацией ИТ-инфраструктуры компании обычно подразумевают перенос рабочих задач в облако, однако такой способ годится не всем. Специалисты Broad Institute отмечают, что времена, когда ориентация на облако ставится во главу угла, уходят.

Происходит размывание границ между облачной и локальной средами, поскольку сегодня вопрос, какую из сред выбрать, уже не имеет однозначного ответа. Долгое время считалось, что в облако переходить не стоит по соображениям безопасности, в том числе из опасений компрометации конфиденциальных данных, а также чтобы не оказаться привязанным к конкретному провайдеру. Однако были и те, кто провозглашал, что в облако необходимо переходить полностью – ради таких преимуществ, как снижение затрат, неограниченное пространство хранения и масштабируемость.

Сегодня остался позади тот этап, когда один подход считается «ужасным», другой – «прекрасным». Нужен некий компромисс между двумя подходами, обеспечивающий необходимую гибкость, безопасность, быстродействие и умеренные расходы. В каких-то случаях оптимальным будет облачное решение, в каких-то – локальное.

На подъеме: «атомарные расценки» на облачные сервисы

Для проектов трансформации данных требуется очень устойчивая, надежная и масштабируемая облачная инфраструктура. Операторы облачных сервисов идут навстречу клиентам, предлагая «атомарные» расценки – когда организация может платить за использование облачной инфраструктуры с посекундной тарификацией.

Например, в период эпидемии гриппа число запросов информации об этом заболевании резко возрастает, но такой скачок нагрузки облачная платформа Dignity Health, благодаря способности к автоматическому масштабированию, выдерживает. Именно ради таких преимуществ есть смысл инвестировать в облачную инфраструктуру, поскольку оплачивать можно только используемый объем ресурсов.

Облака дают беспрецедентный экономический эффект, отмечают в Dignity: не нужно покупать унаследованную инфраструктуру и сопровождать ее в ожидании скачка нагрузки. Плата за вычисления, пропускную способность и хранилище у операторов облаков AWS, Google Cloud, Microsoft Azure и других рассчитывается с точностью до секунды. При этом они соперничают друг с другом в гибкости, что в конечном счете обеспечивает выгоду клиентам.

На спаде: самостоятельное создание платформ Интернета вещей

Самостоятельно разработанные платформы Интернета вещей «выходят из моды» – крупные поставщики и системные интеграторы используют уже готовые платформы.

Раньше готовых не было, поэтому в компаниях были вынуждены создавать собственные, обычно на основе облачных технологий. Готовые решения предлагают более широкий функционал и позволяют компаниям выводить продукты на рынок быстрее и с меньшими затратами.

Судя по результатам опроса Frost & Sullivan, в крупнейших отраслях внедрение Интернета вещей входит в число приоритетных задач. Стадия наблюдения и изучения закончилась: 35% респондентов перешли к пробным внедрениям среднего и крупного масштаба, а 34% встраивают Интернет вещей в ключевые услуги и продукты. Кроме того, 40% респондентов сообщили о переходе на решения следующего поколения.

На подъеме: блокчейн для бизнеса

Потенциал использования блокчейна в бизнесе до конца не ясен, и внедрения весьма редки, но это не мешает многим компаниям проявлять к блокчейну большой интерес.

Одно из очевидных преимуществ – возможность улучшений в области договорных отношений. По мнению наблюдателей, уже в ближайшие годы получат широкое применение умные контракты и ряд смежных возможностей блокчейна.

Популярность блокчейна растет очень быстро. СМИ в основном освещают биткойн, но, по сведениям аналитиков, распределенным реестром и умными контрактами интересуются все больше компаний из рейтинга Fortune 500.

Реестр, который нельзя изменить, обещает не только устранить затраты на посредников и уменьшить уровень сложности систем, но и вернуть конечным потребителям контроль над некоторыми личными данными.

В отделе закупок компании Biogen надеются на скорое появление решений на основе блокчейна, которые позволят автоматизировать передачу сведений из многочисленных источников в единый реестр. При этом данные из различных наборов можно будет легко сопоставлять с помощью информационной панели – например, связать счет с заказом на покупку и контрактом.

Сейчас в Biogen имеется множество различных информационных центров. Например, система ERP, используемая отделом закупок, работает с 5-10 источниками данных, между которыми приходится обеспечивать взаимодействие, что сложно делать вручную.

На спаде: ориентация на мобильные устройства

Несколько лет тому назад во многих организациях пытались разрабатывать ПО, ориентируясь главным образом на мобильные устройства. Считалось, что в течение всего нескольких лет все перейдут на мобильные технологии, а компьютеры и другие традиционные «столпы» офиса морально устареют.

Предполагалось также, что на предприятиях широкое применение получат планшеты в связи с их доступностью, мощностью и относительной простотой использования.

Но ничего из перечисленного так и не происходит. Напротив, наблюдается обратная тенденция: ПО в первую очередь разрабатывается для ПК, а уже потом создаются приложения для смартфонов и планшетов.

На подъеме: управление идентификацией в облаке

По мере растущего использования цифровых сервисов все большую актуальность приобретает возможность управления идентификацией с помощью единого профиля вместо заведения отдельных учетных записей для каждого сайта или использования для аутентификации аккаунтов Facebook и Google. Специалисты считают, что решения по идентификации в виде сервиса будут быстро набирать популярность: единая учетная запись, избавляющая пользователя от необходимости снова и снова подтверждать свою личность, станет чем-то вроде «водительских прав» для Интернета.

Интерес к решениям, не отвечающим общим тенденциям управления идентификацией, сегодня охладевает. Разработка методов управления идентификационными сведениями в глобальном масштабе может вызвать сложности, но в эпоху цифровой трансформации упростить соответствующие задачи необходимо, иначе управление большим числом учетных записей каждого пользователя окажется непосильной нагрузкой.

На спаде: многочисленные инструменты совместной работы

Сегодня практически в любой компании можно найти одновременно Slack, Chatter, Yammer, Microsoft Teams, Office 365 Groups, Trello, Office Planner, сообщества LinkedIn и многое другое, однако дни использования множества разных инструментов взаимодействия подходят к концу, уверены эксперты.

Конкуренция способствует развитию функциональности, но существующее разнообразие начинает лишь мешать работе и пользователей, и админов. Подходит момент, когда организациям придется отдать предпочтение унификации, иначе пользователи сдадутся и вернутся к старой доброй электронной почте, ведь когда выбор инструмента отнимает больше времени, чем сама работа, происходит паралич, а не повышение продуктивности.

Разумеется, инвестиции в средства объединенных коммуникаций и совместной работы продолжатся, однако сегодня, по данным Frost & Sullivan, в компаниях огромную популярность приобретают потребительские онлайн-сервисы взаимодействия и связи наподобие Skype и Google Voice, что определенно влияет на рынок традиционных локальных коммуникационных решений.

Существует мнение, что развитие локальных технологий прекратится, а клиенты сосредоточатся на консолидации и оптимизации совместной работы – именно в это будут вкладываться ресурсы.

На подъеме: искусственный интеллект, машинное обучение

Развитие искусственного интеллекта, особенно его подмножества – машинного обучения – набирает обороты.

Машинное обучение дает возможность по мере накопления данных и опыта, с использованием статистических методов, более надежно и эффективно решать определенные задачи. Сегодня в машинном обучении видят один из способов конкурентного преимущества, а в будущем статистический анализ станет обязательным условием удовлетворения пользовательских требований, изменившихся под влиянием массовой цифровой трансформации.

Вместе с тем сегодня технологии искусственного интеллекта выходят из стен мощных центров обработки данных и перемещаются на граничные устройства Интернета вещей, которые выполняют вычисления поодиночке и вместе.

– Esther Shein. 6 hot digital transformation trends – and 4 going cold. CIO. FEB 20, 2018

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Умная медицинская техника

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

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

Видео, видео-конференц-связь и виртуальная реальность

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

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

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

Чат-боты

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

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

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

Интернет вещей

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

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

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

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

Голосовое управление и виртуальные ассистенты

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

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

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

«Погружающие» технологии – дополненная, виртуальная и смешанная реальность

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

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

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

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

Умное производство

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

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

Компьютерное зрение

У компьютерного зрения сегодня – настоящий звездный час.

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

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

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

Искусственный интеллект для индустрии услуг

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

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

Контейнеры и микросервисы

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

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

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

Блокчейн

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

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

Облачно-граничные вычисления

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

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

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

Цифровая этика

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

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

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

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