Автоматизация предприятий

«Послушаем, пощупаем, понюхаем…» – примерно так в фильме «Берегись автомобиля» отвечал автомеханик-умелец на жалобы владельца новенькой неправедно нажитой «Волги». На ранних этапах развития все сложные технические системы – будь то трактор, станок или самолет – требуют для своей работы мастеров, которые буквально чувствуют «подопечного» и по каким-то только им понятным сигналам могут определить, что с ним не так. Но по мере роста сложности, стоимости и мощности технических систем, а также рисков, возникающих при нарушении их работы, технология управления полностью меняется. Системы обрастают индикаторами состояния, контурами обратной связи, и в итоге мы видим диспетчерский центр, в мельчайших деталях информирующий о том, как работает система. Он привлекает внимание к тем параметрам, которые входят в зону риска, предоставляет инструменты разностороннего воздействия на контролируемую систему, а порой и автоматически предпринимает корректирующие действия. На смену интуитивным догадкам приходит управление на основе объективных данных, автоматизация и роботизация.

Удивительно, но информационные системы организаций, несмотря на свою изначально компьютерную и кибернетическую природу, с точки зрения способа управления все еще пребывают на ранних этапах развития. Сегодня ИТ-персонал в большинстве случаев лишь реагирует на те или иные проблемы или аварийные ситуации: отказы в обслуживании, снижение производительности, неожиданные задержки с поступлением необходимых данных и т.д. Не имея точных показателей развития ситуации, ИТ-специалисты по-прежнему «слушают, щупают, нюхают», чтобы как можно скорее восстановить работу системы. Но чем сложнее система, чем быстрее она меняется, чем больше в ней появляется незнакомых элементов (например, российского и открытого ПО), тем менее эффективен этот способ, тем чаще он дает сбой.

Разумеется, от самих инцидентов и от такого способа реагирования на них страдают бизнес-подразделения. А из-за того что буквально любой аспект работы современного предприятия полностью зависит от компьютерных систем, ущерб при сбоях в ИТ становится сопоставим с масштабом рисков, угрожающих основной деятельности и репутации организации.

Итог известен: ИТ-службы хронически загружены, а бизнес-подразделения хронически недовольны. Преодолеть эту крайне болезненную ситуацию не помогает ни обучение, ни штрафы, ни даже увольнения. Эффекта или совсем нет, или он быстро пропадает. Истинная причина осознается топ-менеджерами и руководителями ИТ-служб далеко не всегда. А дело в том, что привычная схема слежения за «здоровьем» современных информационных систем уже не справляется с тем уровнем сложности, которого они достигли.

Пришло время полномасштабного перехода к управлению важными ИТ-системами на основе объективных данных. Задача эта весьма сложная, но для начала уточним, что же стоит за «здоровьем» информационной системы.

Чем «болеют» информационные системы?

Определить понятие нормы для информационной системы не так сложно, как для природной. Норма – это соответствие системы требованиям, сформулированным при ее создании или добавленным на более поздних этапах жизненного цикла. А «болезнь» – это нарушение одного или нескольких таких требований. Болезнь тем тяжелее, чем существеннее нарушенные требования, чем их больше и чем сильнее реальные характеристики отклоняются от приемлемых, то есть выходят из «зеленой зоны».

Мы рассматриваем жизнеспособные ИС, которые одно время хорошо работали (находились в норме), а потом что-то пошло не так. В подобной ситуации нарушения требований (ошибки) можно отнести к одной из следующих категорий: функциональные, технические, касающиеся доступности и производительности, информационной безопасности, а также отсутствие гибкости и оперативности при внесении изменений.

Прежде чем рассмотреть эти ошибки детальнее, надо отметить, что выявление ошибок и проверка факта их устранения (не по принципу «послушаем, пощупаем, понюхаем», а на основе объективных данных) опираются на функцию мониторинга системы, для реализации которой существует не только множество разных программных продуктов, но и принципиально разные подходы к самой организации мониторинга.

Хорошая современная система мониторинга непрерывно и автоматически получает, консолидирует и доставляет в аналитический центр, а также визуализирует информацию о множестве характеристик ИТ-объектов – серверов, рабочих станций, файловых систем, СУБД, прикладных программ, пользователей. Первичные данные поступают непосредственно из различных элементов системы, а значит, по определению точны (вероятность ошибок в модулях сопряжения очень мала, поскольку такие модули просты и применяются во множестве организаций). Принципиальных технических ограничений на количество параметров и число объектов мониторинга практически нет, а все фазы сбора и обработки могут происходить очень быстро – вплоть до режима реального времени. Ограничивающим фактором обычно является способность ИТ-службы осмыслить полученную информацию.

1. Нарушения функциональных требований и технические ошибки

С функциональными требованиями, казалось бы, все просто – ведь они описывают предполагаемое поведение системы, ее способность решать определенный круг задач. Но есть нюансы. Пусть, например, требуется вести учет кассовых операций. Как в любом процессе, не обходится без ошибок. И здесь важно различать те ошибки, которые не выдают никакого оповещения, и те, из-за которых происходит оповещение пользователя о нештатной ситуации.

Ошибку первого типа можно выявить только по искажению данных, по неверным результатам расчетов – по параметрам, заметить которые могут только бизнес-подразделения, но не ИТ-специалисты. Исправить такую ошибку можно только посредством изменения кода или содержательных настроек программы: повторной разработки, тестирования и внедрения. И здесь архив данных мониторинга иногда способен сильно помочь, так как помогает понять, нет ли связи между возникновением ошибки и тем, что происходит с системой.

Ошибки второго типа (технические) прерывают нормальное поведение системы, но она при этом сообщает о причине и предоставляет дополнительную информацию. Например, некорректно сформирован запрос к системе или клиент не получил ответ за отведенное время. На такую ошибку ИТ-службам надо реагировать быстро, так как, с точки зрения пользователя, причина понятна (хотя это и не всегда так), а значит, ее легко устранить (а это часто совсем не так). Если такие ошибки имеют место, необходимо сразу узнавать о них, не дожидаясь, пока к недоумению пострадавшего пользователя добавятся масштабные следствия: снизится производительность системы и зависящих от нее подразделений, нарушится их работа, а возможно – и работа предприятия. Здесь, так же как и при ошибках первого типа, ценно понимание связи между фактом возникновения ошибки и тем, что происходит с системой.

2. Доступность и производительность

Требования к производительности в совокупности должны гарантировать, что будет достигнут запланированный при внедрении рост эффективности работы сотрудников. Например, время на заведение в системе приходного кассового ордера снизится с десяти до одной минуты. И если по факту эта операция стала занимать более пяти минут, то это не успех, а выход в «красную зону». Ведь ожидания не оправданы – сотрудник просто не успевает выполнять работу, которая отводится ему после внедрения приложения и которая закладывается в KPI. Более того, страдает не один сотрудник, а все, кто выполняют данную операцию. А значит, падает производительность отдела, департамента, а то и всей компании. Если меры своевременно не принимаются, то найти источник проблемы очень сложно. И делается вывод, что внедренная система неэффективна.

Чтобы исключить подобную ситуацию, система мониторинга должна постоянно отслеживать время выполнения операций, оценивать среднее время выполнения операций и сверять его с эталонными значениями. Если выявлено достаточно сильное отклонение – это важный сигнал: «Что-то не так, это очень подозрительно!» Рост средней длительности операции говорит о снижении производительности; желательно еще до усугубления ситуации найти причину, понять, как с ней бороться, и принять меры по восстановлению производительности.

Но, даже если средняя длительность не возросла, а уменьшилась, это тоже повод поволноваться! Почему система вдруг стала работать быстрее – может быть, перестали выполняться какие-то важные функции?

Крайний случай – полная недоступность системы, когда она не отвечает ни на один запрос пользователей. Сегодня это означает, что сотрудник полностью лишен возможности выполнить свои должностные обязанности. Блокирование одного звена легко может привести к каскадной остановке многих (а то и всех) процессов предприятия, что неотвратимо ведет к финансовым и репутационным потерям.

Даже если нарушение требования доступности не приведет к полной остановке деятельности, оно очень сильно снизит производительность. Если сотрудник не сможет выполнить операцию с первого, второго, третьего раза, но в какой-то момент ему все-таки повезет, это будет означать, что он потратил гораздо больше времени на выполнение своей функциональной обязанности.

Наличие системы мониторинга помогает своевременно выявить ошибку и не допустить ее разрастания в большую проблему. Более того, постоянный мониторинг позволяет идентифицировать момент, когда появилась ошибка, у кого и при каких условиях. Эта информация исключительно важна для расследования и оперативного устранения ошибки. Располагая архивом мониторинга и достаточно мощными аналитическими инструментами, нетрудно выяснить, единичная ли это ошибка или регулярная, страдают ли от нее отдельные пользователи или она имеет массовый характер.

А высокая оперативность получения, аналитической обработки и осмысления информации об ошибке позволяет, не оттягивая время, идти на проблему. Получив информацию о первой ошибке, специалист службы эксплуатации может самостоятельно связаться с пользователем и выяснить обстоятельства, а иногда и сразу понять причину ошибки, помочь с решением до того, как пользователь потеряет терпение.

3. Информационная безопасность

Требования по безопасности – это, конечно, особая тема. Но и при выявлении и расследовании инцидентов ИБ данные мониторинга, охватывающие всю систему, могут оказаться полезным дополнениям к специфическим инструментам, с которыми работают ИБ-специалисты. А иногда даже одним из главных инструментов. Особенно в ситуации, когда злоумышленник, выдав себя за легитимного пользователя, стал фактически невидим для средств защиты. Важно также знать, кто подключался, когда и откуда. Если эта информация собирается регулярно, то можно, например, оперативно выявлять попытки подбора пароля с целью несанкционированного проникновения в систему. А если знать, откуда обычно подключается определенный пользователь, какова нормальная последовательность его действий, то попытка подключения с другого ресурса или нарушение этой последовательности могут послужить сигналом для проверки.

4. Отсутствие гибкого и оперативного внесения изменений

Все чаще дальновидные заказчики предъявляют требования к гибкости и оперативности внесения изменений. Это и понятно: системы меняются все быстрее, изменения происходят постоянно, и если каждое изменение требует очень долгой подготовки или тянет за собой длинный шлейф тестирования и других технических работ, то бизнес-подразделениям приходится ждать результатов неприемлемо долго. Поэтому максимально быстрое получение результатов изменений системы, ее быстрая адаптация под меняющиеся потребности пользователя стали необходимостью.

Но есть и объективные технологические ограничения, многое зависит от платформы и реализации. Чтобы воплотить новое требование, иногда достаточно только настроить систему – это идеальный вариант. Но порой требуется ее серьезная доработка. Доработка создает не только ожидаемые, но и побочные изменения. И если первые эффективны и направлены на достижение результата, то побочных эффектов обычно никто не ждет и не просчитывает. Иногда это просто ошибки, и очень нехорошо, когда любые ошибки при изменениях выявляются на продуктивной среде, где размещены основные рабочие базы.

Необходимо стараться выявить и устранить эти ошибки на этапах разработки и тестирования, а для этого процессы тестирования должны быть выстроены соответствующим образом. Например, при использовании подхода Agile сокращается не только время между появлениями новых версий, но и объем вносимых в каждую версию изменений. Это упрощает как разработку и тестирование, так и формирование обратной связи между тестировщиками и разработчиками, а также между службой эксплуатации и разработчиками (последнее – при использовании подхода DevOps).

В любом случае перед выпуском изменений, касающихся продуктивной системы, необходимо убедиться в том, что они не повлекут за собой негативных последствий: система не перестанет работать, существенно не снизится ее производительность, не отключатся отдельные функции. Естественно, все изменения необходимо тестировать на отдельном контуре, а не на рабочей базе. И без системы мониторинга, объективного контроля здесь не обойтись, ведь он позволяет отследить поведение системы на тестовом контуре, выявить несоответствия, спрогнозировать поведение системы после распространения изменений на продуктивный контур и после переноса изменений на рабочую базу. Система мониторинга собирает показатели «здоровья» системы непрерывно. А это позволяет сразу по многим показателям сравнить состояния до и после обновления, выявить отклонения и принять соответствующие меры.

Подняться на новый уровень

Мониторинг информационных систем – пока недооцененная технология, достойная самого пристального внимания. Приведенные примеры показывают, что при переходе к управлению состоянием системы на основе объективных данных ИТ-подразделения сталкиваются с задачами, родственными тем, с которыми имеют дело современные управленцы, внедряющие отдельные практики и целые системы менеджмента на основе анализа данных (data-driven management, DDM).

При этом ИТ-подразделения находятся в более выгодном положении. Во-первых, у них есть (по крайней мере, должны быть) достаточно четкие требования к работе систем, что позволяет определить набор показателей для мониторинга, ввести метрики для отдельных показателей и их сочетаний (как минимум «зеленая», «желтая» и «красная» зоны). Во-вторых, у них есть достаточно широкий выбор систем мониторинга, существенно различающихся не только функциональными возможностями, но даже принципиальными подходами к самому мониторингу. В-третьих, организовать и автоматизировать сбор первичных данных об информационной системе, как правило, существенно проще, чем об организации. Наконец, у ИТ-службы имеется положительный опыт создания методики измерения пользовательской удовлетворенности ИТ-решениями (APDEX) и ее принятия участниками ИТ-рынка в качестве фактического стандарта, на который опираются и заказчики, и исполнители проектов. Однако APDEX – это пока, скорее, ориентир для оценки других аспектов работы систем, где подобные методики еще только предстоит создать.

Это значит, что ИТ-департаменты должны и действительно могут подняться на новый уровень управления и быстрее, чем бизнес-подразделения, перейти к управлению на основе объективных данных. И тогда ИТ-службы могут стать понятнее и интереснее для топ-менеджеров и владельцев предприятий.

Разумеется, на эффективный мониторинг в ИТ, способный решить вышеперечисленные задачи, должно быть нацелено не только ПО, но и служба эксплуатации, которая в эпоху DDM должна работать иначе, чем прежде. Да и не всякие информационные системы полностью готовы к новой роли на современном предприятии. Важна также методическая составляющая – например, эксперименты, расширяющие воздействие на объект мониторинга за рамки типичных сценариев использования. Без этого невозможно аккуратно оценить поведение инфраструктурного и прикладного ПО перед масштабными изменениями в организации (включая внедрение новых методик менеджмента или, скажем, переход на незнакомое российское ПО в проектах импортозамещения). Однако все перечисленное нисколько не умаляет роли мониторинга и основанных на нем инструментов в информационных системах ближайшего ИТ-будущего. Система мониторинга – это не прихоть и не баловство. Это необходимость.

– Александр Жданюк, руководитель практики информационных технологий и корпоративных сервисов поддержки ALP Group, aleksandr.zhdanyuk@alp.ru

Средний срок работы ИТ-руководителя в одной компании составляет четыре года. Увольнение ИТ-директора зачастую оказывается спровоцированным масштабными изменениями корпоративной стратегии или его роли. Руководители ИТ-служб уходят и потому, что не могут свободно распоряжаться выделяемым бюджетом или считают свою стратегию ослабленной. Иногда они не вписываются в корпоративную культуру, а то и просто не справляются со своей работой.

В цифровую эпоху резонно было бы ожидать сокращения цикла пребывания ИТ-директоров в должности. Но пока объективных свидетельств этому нет. Большинство компаний еще только разрабатывают свои цифровые стратегии, и о провалах ИТ-руководителей говорить рано.

«Текучесть может быть достаточно большой, но прогнозировать ее непременное возрастание я бы не стал, – указал Крис Патрик, отвечающий в консультационной компании Egon Zehnder за подбор ИТ-директоров. – Работа становится более жесткой, сложной, от ИТ-директора требуются не только технические навыки, но и деловая хватка и лидерские качества».

Следует отметить, что никогда еще перед ИТ-директорами не открывалось столько возможностей и им не было так сложно. Перечислим семь причин, из-за которых ИТ-директор может принять решение уйти из компании или работодатель уже по своей инициативе укажет ему на дверь.

Два в одном

Некоторые компании отделяют цифровую трансформацию от корпоративной ИТ-службы, нанимая отдельного директора по цифровой трансформации. Другие же и цифровую трансформацию, и управление корпоративной ИТ-службой доверяют ИТ-директору. Для такой роли «два в одном» характерны высокие риски, высокий заработок и гарантированное быстрое увольнение в случае неудач. Успех же открывает совершенно новые возможности.

«Сегодня ИТ-директоров все чаще просят заняться продвижением цифровых продуктов и сервисных инноваций, не упуская из внимания внутренние ИТ, что ставит их в трудное положение, – заметил Патрик. – Многие такие руководители имеют опыт работы лишь с традиционными корпоративными ИТ, а теперь от них требуют заниматься продуктами и программами, с которыми они практически не сталкивались на протяжении своей карьеры».

Несоответствие темпов изменений ожиданиям

Некоторые ИТ-директора не готовы к тому, что сроки решения поставленных задач сокращаются. Работодатель требует результатов уже через 6-8 недель, а не через полгода-год. Сталкиваясь с такой ситуацией, ИТ-директора заваливают проект, и им указывают на дверь. «Справедливо это или нет, но зачастую человек, планирующий развитие технологий и разрабатывающий соответствующую стратегию, несет на себе всю тяжесть ответственности», – подчеркнул Патрик.

Бюрократическое сопротивление переменам

«Неспособность преодолеть сопротивление переменам – еще одна распространенная причина увольнения ИТ-директоров, – указал партнер компании Heidrick & Struggles Мэтт Айелло. – Один наш клиент, которого пригласили руководить цифровой трансформацией, ушел с поста ИТ-директора, поскольку в сложившейся бюрократической среде проводить быстрые преобразования было просто невозможно. От ИТ-директора требовали скорости и управляемости, присущих Tesla Model S, но при этом организация больше напоминала скейтборд. В эпоху agile-технологий все по-прежнему предпочитали неспешно идти пешим ходом».

Стратегические разногласия

ИТ-директор может стать жертвой разной трактовки понятия цифровой трансформации. Некоторые рассматривают трансформацию как средство поддержания связи с клиентами и генерации доходов, другие же видят в трансформации способ сокращения затрат и повышения операционной эффективности. ИТ-директору первого типа придется подыскивать себе новое место, если от него требуют решения второй задачи.

«Во время собеседования слушать нужно очень внимательно, а на протяжении первых двух месяцев работы старательно вникать во все, что от вас требуют, – отметил Айелло. – Неспособность руководителей корректировать свои действия и согласовывать планы очень часто становится основной причиной провала стратегии цифровой трансформации».

Заманивание и подмена, или превращение в жертву собственного успеха

Иногда ИТ-директору обещают предоставить возможность управления цифровыми изменениями, но это оказывается на деле лишь приманкой – практикуется тактика заманивания и подмены.

«Одного из наших клиентов пригласили в компанию, занимающуюся гостничным бизнесом, на должность ИТ-директора, посулив ему важную роль в процессе цифровой трансформации, – сообщил Джерри Макнамара, директор кадрового агентства Korn Ferry по глобальному управлению. – В компании, однако, ИТ-системы были разваливающимися и устаревшими. Новый ИТ-директор, подчинявшийся директору по операциям, привел систему в порядок, обеспечил ее стабильное и устойчивое функционирование. Но после того как операционный фундамент был заложен, компания наняла директора по цифровой трансформации, который подчинялся непосредственно генеральному директору. В результате ИТ-директор уволился. Он не хотел, чтобы другие занимались построением цифровых продуктов, используя его бюджет, людей и инфраструктуру».

Стагнация

«Некоторые руководители ИТ-служб чересчур долго засиживаются на своем месте, – указал Патрик. – У нас есть клиенты, желающие чтобы ИТ-директор проработал бы у них как минимум десять лет. Откровенно говоря, не знаю, зачем им это нужно. Ведь ИТ-служба с бессменным руководителем начинает стагнировать, особенно если лидер не готовит себе преемников. Прочно сидящий на своем месте ИТ-директор не сможет создать высокоэффективную команду».

Летуны, не доводящие дело до конца

Противоположная ситуация, когда ИТ-директор меняет работу через каждые год-два, тоже не приносит ничего хорошего. Такого человека считают летуном, не умеющим довести дело до конца или поладить с коллегами. Оптимальный период работы на одном месте, по мнению Патрика, – четыре-пять лет. Этого времени вполне достаточно для проведения необходимых преобразований, стабилизации и развития функционала. После этого имеет смысл уходить, пока рост организации не замедлился. И именно исходя из этого нужно выстраивать свои планы.

– Clint Boulton. 7 reasons CIOs quit (or lose their jobs). CIO. FEB 8, 2018

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

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

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

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

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

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

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

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

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

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

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

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

С вашим приходом образовалось специализированное подразделение?

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

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

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

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

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

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

А опыт из других отраслей здесь вообще может быть востребован?

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

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

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

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

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

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

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

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

Какова численность команды, работающей над задачами?

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

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

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

А какую из этих историй проще продать бизнесу?

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

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

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

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

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

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

Какой-либо из проектов уже позволил превзойти этот уровень?

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

Что это за проекты?

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

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

Насколько могут быть полезными для производственных задач внешние источники данных?

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

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

А если говорить о непроизводственных задачах?

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

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

Как вы видите свою роль в развитии компании?

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

Корпоративный рынок начинает все больше приобретать черты потребительского. Онлайн-сервисы, микросегментация, пред- и постпродажная работа с клиентами, прогнозирование их потребностей – теперь эти задачи актуальны не только для банков и телеком-операторов, но и для многих игроков B2B-рынка. И хотя про большие данные в основном пока речи не идет, специфические ИТ-инструменты для взаимодействия с клиентами и поддержки продаж им требуются все чаще. При этом одни и те же решения могут использоваться в совершенно разных целях. Например, облачную платформу SAP Hybris используют и как непосредственно интернет-магазин, и как аналитическое дополнение к CRM, и как средство поддержки продаж. «КАМАЗ», «Северсталь», а также ТК «Мегаполис», занимающаяся дистрибуцией табачных товаров, работают в разных сегментах рынка, но их объединяет потребность в цифровизации работы с клиентами, хотя к решению задачи каждая из компаний подошла по-своему. 

«Мегаполис» обеспечил смарт-беседы с клиентами

Люди ежедневно сталкиваются с потребительскими сервисами, заходя в парикмахерские, фитнес-центры, автосалоны. Полученный опыт они переносят в отношения В2В.

«Заходя в торговую точку, агент должен быть готов на основе предыдущих покупок клиента сделать ему новое предложение или дать рекомендации. Система способна выступить помощником в смарт-беседе», Дмитрий Лебедев, директор департамента развития традиционной торговли ТК «Мегаполис»

«Наши клиенты стали весьма требовательными. Они оформляют заказы в интернет-магазинах, видят там персональные предложения и хотят точно такого же, но уже в бизнес-среде. Мы не можем не откликаться на предъявляемые требования и решили запустить дополнительный канал продаж», – говорит Дмитрий Лебедев, директор департамента развития традиционной торговли ТК «Мегаполис».

«Мегаполис» – крупный дистрибьютор, эксклюзивный поставщик ряда марок табака. Компания обслуживает не только крупные федеральные сети, но и почти 150 тыс. торговых точек «традиционной торговли». Маленькие торговые точки испытывают очень серьезное давление со стороны известных компаний и при этом не могут похвастаться ни ассортиментом, ни высочайшим уровнем сервиса. Чем им можно помочь, сказать трудно, информация слишком разрозненная. Чтобы иметь возможность «достучаться» до основной массы клиентов и понять их потребности, было принято решение развернуть платформу SAP Hybris.

«Мы дали возможность делать заказ круглосуточно, а не только тогда, когда наш агент приходит в торговую точку. Сотрудник, принимающий решение, может сделать заказ в любое удобное время – например, сидя дома в воскресенье», – отмечает Лебедев. Портал доступен по подписке: торговым точкам выдаются пароли, и их сотрудники работают через личные кабинеты. Очень большое значение имеет мобильная версия портала: люди все чаще делают заказы через мобильные устройства.

В компании надеялись, что с появлением удобного сервиса заказов удастся обеспечить до 10% выручки. Есть и другие очень простые и понятные, но при этом важные сервисы – акты сверок, истории заказов. Их доступность позитивно влияет на лояльность.

Появление нового канала побудило и к более радикальному изменению процессов. Торговые агенты больше не принимают заказы внутри торговой точки: рутинные операции переданы в электронный канал, а сотрудникам отведена более интересная с точки зрения бизнеса роль – мерчандайзинг и разговоры с клиентами об их потребностях.

Сейчас платформа проходит пилотные испытания в Москве, Нижнем Новгороде и Новосибирске.

«Мы были в очень жестких рамках – на проект было отведено четыре месяца. Во многом из-за этого выбор был остановлен на облачном решении, которое позволяло войти в проект без крупных инвестиций, хотя и нельзя сказать, что Hybris стоит дешево», – говорит Лебедев.

Часть запланированных возможностей еще предстоит реализовать. В частности, полную омниканальность. И хотя еще не подведены итоги первого этапа проекта, в течение 2018 года запланирован второй этап развития платформы. В его рамках будет сформирован единый маркетинговый профиль клиентов. И конечно же, данные, собираемые в едином месте, надо будет использовать.

«Заходя в торговую точку, агент должен быть готов на основе предыдущих покупок клиента сделать ему новое предложение или дать рекомендации. Система способна выступить помощником в смарт-беседе», – подчеркивает Лебедев. Персонализированные предложения должны привести к заметному росту продаж и улучшить взаимодействие с торговой средой.

«КАМАЗ» формирует платформы

«Наш продукт инвестиционный и комплексный, и когда клиент принимает решение о его покупке, нам как автопроизводителю важно уяснить, из чего он исходит. Надо понимать, как компания планирует использовать технику в своем бизнесе, насколько автомобили будут эффективны в ее процессах», – рассказывает Эльдар Аминов, руководитель службы развития дилерской сети «КАМАЗа».

«Я пока что не знаю ни одного автопроизводителя, который использовал бы подходы CRM в рамках всей дилерской сети. Обычно ограничиваются внедрением CRM у себя и пытаются работать с клиентами силами своих сотрудников», Эльдар Аминов, руководитель службы развития дилерской сети ПАО «КАМАЗ»

Как у всех автопроизводителей, большая часть продаж «КАМАЗа» проходит через дилерскую сеть. До недавнего времени руководство компании устраивали и ее активность, и объем продаж. Вроде бы все хорошо – доля на рынке в сегменте большегрузных автомобилей свыше 50%. Однако время идет, и клиенты меняются. Для них важны онлайн-мониторинг работы автомобилей, быстрая реакция от производителя. Традиционных подходов (персональные продажи, переговоры и т. п.) уже недостаточно, чтобы понять, чем клиент на данный момент дышит. Поэтому на «КАМАЗе» всерьез озаботились тем, чтобы собирать информацию практически в режиме реального времени. Было крайне важно успеть охватить каждого клиента, установить стандарт работы с клиентами.

«Я не знаю пока что ни одного автопроизводителя, который бы использовал подходы CRM в рамках всей дилерской сети. Обычно ограничиваются внедрением CRM у себя и пытаются работать с клиентами силами своих сотрудников», – говорит Аминов. На созданной же «КАМАЗом» платформе работают именно сотрудники дилеров – независимых юридических лиц, они отражают всю информацию о работе с клиентами. Построение этой информационной цепочки взаимодействия с клиентами было очень важным и непростым решением – фактически требовалось создать систему, в которой было бы удобно работать и самим дилерам.

На «КАМАЗе» используют Hybris в качестве базы для собственных платформ – цифрового клиента и цифрового автомобиля. При этом любое действие сотрудника дилерского центра должно иметь воздействие на рынок и порождать реакцию клиента.

«Мы ориентировались именно на облако, потому что это очень хороший способ быстро войти в тему и запуститься в боевом режиме, в случае же использования традиционной модели компании часто вынуждены вариться в собственном соку», – говорит Аминов. Кроме того, требовалось создать решение, в котором любые изменения сразу отражаются на всех пользователях – сейчас их около 700, а в ближайшее время станет тысяча. Меняться и смещать приоритеты, подстраиваясь под рынок, приходится часто, и все пользователи должны работать в едином информационном поле. Облачное решение удачно вписалось в эти условия.

В результате реализации проекта удалось решить сразу несколько задач. Во-первых, существенно повысилось качество получаемой от дилеров информации, а по любым действиям пользователей системы можно получать необходимую аналитику. Во-вторых, была построена система перепроверки информации, получаемой из разных источников. Кроме того, удалось организовать схему активной работы менеджеров: процессы выстроены таким образом, что система фактически сама толкает менеджера на следующий шаг, подсказывая, куда двигаться дальше. Заметно повысилась активность сотрудников, удалось нарастить клиентскую базу, фактически охватив около 80% потенциальных клиентов.

На следующей фазе проекта подразумевается обеспечить понимание того, что происходит с автомобилем после его продажи. Для этого используются данные регистрационного учета ГИБДД, данные сервисного обслуживания, заказ-нарядов. Вся эта информация помогает понять, как именно клиент использует автомобиль, насколько он доволен и что ему можно предложить для повышения эффективности бизнеса.

«То, что мы сделали, – отнюдь не финальная точка, мы только вошли во вкус, у нас большие планы по развитию системы», – уверен Аминов. Система очень скоро будет распространена на экспортные продажи. Возможно, отечественная практика не найдет широкого применения за рубежом, но наработан хороший опыт для выхода с этим решением и на внешние рынки. Кроме того, платформа Hybris будет использоваться и для электронной коммерции. Накатывающуюся волну игнорировать невозможно – клиенты требуют онлайн-сервисов и максимально оперативного реагирования на свои запросы.

Сейчас при сборе информации о событиях с автомобилем и его истории формируются большие данные, благодаря которым можно предлагать «умные» сервисы – например, рекомендовать клиентам вместо ремонтов профилактическое обслуживание, предупреждая простой техники.

«Северсталь»: путь к активным продажам

Металлургия – весьма консервативная отрасль, в ней все происходит медленно, в том числе и развитие ИТ- и бизнес-практик. К интернет-продажам «Северсталь» подходила несколько раз – и в начале 2000-х, и в 2004-м, и в 2010 году. Как полагает Евгений Черняков, директор по продажам АО «Северсталь Менеджмент», тогда еще не сложились все необходимые условия – и клиенты, и компания еще желали работать по-старому. Зато такие условия совершенно точно создались в течение последней пары лет: конкуренция растет, а клиенты изъявляют все большую готовность к электронным закупкам. Средний возраст закупщиков с 50-60 лет упал до 30, и это тоже сказывается – люди более открыты для новшеств.

«Если бы мы считали исключительно прямую окупаемость ИТ-проектов, то, скорее всего, ни один из них мы бы не запустили», Евгений Черняков, директор по продажам АО «Северсталь Менеджмент»

Было принято решение построить интернет-магазин на платформе Hybris. Однако, несмотря на внедрение облачной платформы, быстрым проект не стал – много времени заняла бизнес-подготовка.

«Запустить облачное решение в металлургии не так просто, многие системы не готовы к этому, нужно привести в порядок и процессы, и данные. Наложить Hybris на существующую систему продаж тоже сложно, необходимы внутренние изменения. На это у нас ушло около года», – поясняет Черняков.

В настоящее время почти 50% российских клиентов «Северстали» уже пользуются интернет-магазином, через него происходит 10% продаж, и их объем быстро растет. Постоянная клиентская база включает около 700 предприятий, осуществляющих закупки, а всего пользователями портала стали более 20 тыс. компаний.

Как отмечает Черняков, площадка уникальна тем, что на ней удалось создать действительно комплексное решение. «Обычно интернет-магазины продают металл, имеющийся в наличии. Мы же делаем по-другому: если требуемого металла нет в наличии, клиент через личный кабинет может оформить заявку и заказ будет готов к указанной дате», – говорит он. Такая смешанная модель пока весьма редка. В этом заключалась основная сложность проекта, так как требуется интеграция различных информационных систем, а вся информация должна быть синхронизирована и унифицирована.

Если «Мегаполис» в ходе первого этапа проекта сделал акцент на работе в поле – поддержке продаж и мерчандайзинга, а «КАМАЗ» – на постпродажном обслуживании, то у «Северстали» на первый план вышел пресейл – поиск возможностей для продаж. Решение стало единым порталом для взаимодействия с клиентом. Металлурги постепенно переходят от традиционной, пассивной модели продаж, когда клиенты сами приходят с заявками, к активной деятельности, когда продажа начинается в момент появления у клиента проекта.

«Узнав о запуске нового проекта, мы начинаем загодя прорабатывать потенциальный заказ, ищем технические решения, что в прежние времена встречалось крайне редко», – подчеркивает Черняков. Очень важно оказаться «внутри» проекта еще на этапе подготовки технического задания, предлагая консалтинговую поддержку. Подрядчики и закупщики не являются металловедами, им часто требуется подсказать, какую марку стали правильнее применять, какое решение будет более эффективным. Чтобы вести такие продажи, нужен совершенно другой подход к модели продаж и совершенно другие ИТ-решения.

«Мы все дальше уходим от необходимости звонить на “Северсталь” и проверять статус заказов – всю требующуюся информацию можно получить онлайн. Эта информация важна и для внутренних пользователей: имея ее, мы понимаем, чем можем помочь нашим продавцам», – резюмирует Черняков. Это позволяет не держать сотрудников в офисе, поощряется их нахождение «ближе к клиенту».

В эффекты можно только верить…

«У меня проект окупается за полтора года. Разумеется, есть экономия на числе торговых агентов, рост за счет количества собираемых заказов. Но на самом деле ситуация – либо делай, либо умри», – уверен Лебедев. Инвестиции идут в сохранение и развитие конкурентных преимуществ, расширяя окно возможностей.

«Я не знаю, какую материальную пользу я получу от улучшения клиентской аналитики и какие выгоды несет персонализация работы с клиентами. Но я точно знаю, что без интернет-магазина ни выгоды, ни пользы никакой не будет», – продолжает Лебедев. Конкретный же финансовый эффект зависит от собственной «крутизны» компании – от того, насколько удастся монетизировать эти возможности.

«Если бы мы считали исключительно прямую окупаемость ИТ-проектов, скорее всего, ни один из них мы бы не запустили», – признается Черняков и добавляет, что обычно период окупаемости составляет несколько лет.

Как известно, ИТ-продукт недостаточно приобрести. Перед началом его использования требуется немалая подготовительная работа, которая сама по себе имеет ценность для бизнеса: улучшение внутренних процессов, повышение прозрачности, приведение в порядок документации, интеграция существующих решений. Из-за этого прямую окупаемость проекта оценить сложно. Поэтому зачастую их реализация скорее зависит не от предъявленных цифр, а от позиции бизнес-руководства – «верю» или «не верю».

Есть решения, обязательные для работы в современных условиях. Системы, позволяющие персонально работать с клиентами, относятся именно к таким – без них компания не в состоянии соответствовать ожиданиям рынка.

России следует сконцентрироваться не на цифровой, а на экспоненциальной экономике, считает Алексей Минин, директор Института прикладного анализа данных «Делойт», СНГ. Обладая такими уникальными активами, как госкомпании, можно добиться значительного рыночного успеха именно в традиционных, а не цифровых областях. Мы поговорили с Мининым о важности такого института, как эксполераторы, о готовности компаний к инновациям, а также о технологиях, которые могут «выстрелить» в ближайшее время. Подробнее его мнение можно будет услышать на VII Всероссийском форуме BIG DATA, который 28 марта 2018 года проведет Издательство «Открытые системы».

– Год назад понятие цифровой экономики вышло на государственный уровень. Что это означает, кроме того, что правительство готово «залить» деньгами запущенную ситуацию?

Сама по себе «Цифровая экономика» – очень правильная программа. Государство открыто признает существующий тренд и призывает обратить на него внимание. Эффективность этой программы – отдельный вопрос. Например, все, что связано с цифровыми госуслугами, на мой взгляд, не должно быть частью этой программы. Да, на дворе XXI век, и перевод процессов в цифру – естественное явление, но это не цифровая экономика, а нормальная работа в нынешних условиях.

Начало нынешнего века ознаменовалось расщеплением экономик на цифровую и экспоненциальную. Все, что может быть дематериализовано – переведено «в цифру», станет предметом цифровой экономики. Следствием дематериализации являются демонетизация и демократизация – общая бесплатная доступность. Поэтому цифровую экономику можно назвать экономикой лишь условно: она не имеет прямой монетизации и не может быть предметом владения отдельного государства, выстраиваясь над экономиками государств.

Экспоненциальная же экономика охватывает материальные объекты физического мира и строится по совершенно иным правилам. Ее название происходит от экспоненциальных технологий: искусственного интеллекта, блокчейна и т. д., – приводящих (при условии их правильного применения) к экспоненциальному росту капитализации компаний. Традиционные отрасли – металлургия, добыча полезных ископаемых, машиностроение – уже начали борьбу за эффективность. В условиях наступающей глобальной конкуренции любой участник рынка должен быть конкурентоспособным по цене и качеству, а для этого необходимы экспоненциальные технологии.

Если бы мы хотели занять хоть какое-то место в цифровой экономике, у нас уже должна была вовсю работать своя Кремниевая долина со множеством акселераторов. Фактически конкуренция здесь уже проиграна, но в этом нет ничего страшного, потому что в цифровой экономике нет простых денег, схемы монетизации очень сложные, а бизнес-модели – неустойчивые. Поэтому я считаю, что нашему государству надо сфокусироваться именно на экспоненциальной экономике, а не на цифровой. У нас есть гораздо более интересные участки, и они как раз в области экспоненциальной экономики. В России имеется уникальная структура активов – госкомпании. Таких компаний, как РЖД, Сбербанк, «Газпром» или «Роснефть», в мире очень немного. Важно научиться их эффективно использовать помимо их прямого назначения, с применением экспоненциальных технологий.

«Сплошь и рядом внедряются проверенные решения. Но сидя в последнем вагоне, не получится обогнать поезд», Алексей Минин

Очевидно, что такие инновации в госкомпании могут прийти только извне. Необходимо создать соответствующие экосистемы, включающие госкомпании, их менеджмент, стартапы и финансирование. Мы назвали их эксполераторами по аналогии с акселераторами – структурами, объединяющими технологии и компетенции и позволяющими преуспеть в цифровой экономике. После получения требуемого эффекта – кратного увеличения капитализации – важно не отдавать стартап в эту компанию. Государство должно «вмешаться», не допустить его поглощения и, следуя логике программы «Цифровая экономика», вывести на глобальный рынок, чтобы монетизировать технологии. Компания, не пришедшая на рынок с сырой идеей, а реализовавшая гигантский проект, будет вызывать определенный интерес. Скажем, после «Роснефти» ей открыта дорога в крупнейшие мировые нефтяные компании.

Одним из барьеров, затрудняющих работу стартапов и госкомпаний, является тот факт, что госкомпании очень любят секретность. Но мы живем в открытом мире, большая часть из того, с чем мне приходится сталкиваться, не имеет никакого отношения к секретам, и технологии и имеющийся опыт вполне могут быть выведены на рынок.

– Действительно ли имеет смысл надеяться на создание государством каких-то благоприятных условий или гораздо больше по-прежнему зависит от бизнеса?

Шанс для государства – именно серьезная модернизация госкомпаний. И здесь без государства обойтись не получится. Экспоненциальные технологии – это НИОКР, и они должны иметь право быть безрезультатными. А в сложившейся практике госзакупок подразумевается, что неудач быть не может: при отрицательном результате могут обвинить в нецелевом расходовании средств. Да, борьба с коррупцией необходима, но тендеры – не лучший способ, есть гораздо более эффективные механизмы. Специальные органы должны проверять наличие экспертизы у участвующих в тендерах компаний, но, если компания допущена к тендеру на проведение НИОКР или внедрение экспоненциальных технологий, абсолютно нормальной ситуацией должно быть неполучение результата. Именно поэтому необходима специальная экосистема, о которой я говорил. Нужно экспериментировать, и 90% экспериментов будут безрезультатными, но 10% успешных окупят все инвестиции.

– Считается, что новые технологии начинают приживаться в России тогда, когда на Западе станут уже общепринятыми. Обычно речь идет об отставании в несколько лет. Готов ли сам российский бизнес войти в цифровую экономику, достаточно ли он зрел?

Полгода назад на одном крупном мероприятии завязалась серьезная дискуссия на эту тему, и я в ней участвовал. Там представители малого и среднего бизнеса заявляли о своей инновационности, а я выражал сомнения в этом. И недавно я услышал подтверждение своей точки зрения: как заявил Герман Греф на недавнем Гайдаровском форуме, аппетит к инновациям на российском рынке крайне низок.

К сожалению, мы очень часто под видом инноваций внедряем то, что уже везде стало нормой. Сплошь и рядом внедряются только проверенные решения. Это уже похоже на специфику менталитета. Но дело в том, что, сидя в последнем вагоне, не получится обогнать поезд. В этом плане показательно сравнение Сбербанка и ВТБ. Сбербанк активно экспериментирует с технологиями, а ВТБ, по признанию его руководства, внимательно смотрит на действия лидера и внедряет самые успешные практики, не разбазаривая ресурсы. Де-факто ВТБ расписывается в том, что его устраивает второе место, и, с точки зрения акционеров, такая позиция вполне допустима. Но двум большим организациям, как мне кажется, было бы интересно побороться за первое место на рынке. Конечно, тут важно, какая стратегия утверждена акционерами, ведь именно они определяют направления в развитии организации на долгосрочную перспективу.

Еще один показательный пример: российские банки усердно борются за удобство интернет-банкинга, регулярно выпускаются соответствующие рейтинги. А в Кремниевой долине прекрасно понимают, что банков в нынешнем виде скоро не останется, поэтому и приложениями мериться бессмысленно. Там сейчас пытаются переизобрести банковскую модель, экспериментируя в различных направлениях. На самом деле интернет-банк должен быть просто нормальным.

Инвестировать следует в более важные направления: переосмыслить себя, применить к своим активам те самые экспоненциальные технологии, понять, что такое «кредитный процесс 2.0» в условиях экспоненциальной экономики, какова может быть реализация продуктов в условиях цифровой экономики, за счет чего можно будет конкурировать на рынке.

Многие думают, что могут продолжать строить свой бизнес на дисбалансе информации между покупателем и поставщиком, когда зарабатывает тот, кто больше знает. Банки всю жизнь играли в эту игру, меняя риски на деньги. Однако в условиях цифровой и экспоненциальной экономики все изменится, информационные дисбалансы будут устранены, поэтому банкам следует серьезно задуматься о своей роли. Скажем, банки смогут выполнять скорее консалтинговую роль, чем быть просто поставщиком денег.

– Данные были провозглашены аналитиками «новой нефтью» еще несколько лет назад. Однако радикальных перемен с тех пор не произошло. В чем причина?

Такое сравнение абсолютно оправданно, хотя я больше склонен проводить аналогию с золотоносной рудой: нефть сама по себе имеет ценность, а данные – нет. В добытом на прииске грунте ценности нет – непонятен выход золота. Первой производной данных является информация, для ее извлечения используются алгоритмы Big Data. Информация – объект дескриптивной аналитики: имея ее, можно описать происходящие процессы. На ее основе формируются знания – объект прогностической аналитики: мы понимаем происходящие процессы и можем предсказывать развитие ситуации. Производная от знаний – опыт, исходя из опыта можно не только понимать и прогнозировать, но и делать выводы, давать рекомендации. В идеале этот процесс должен стать полностью автономным, выполняться без участия человека.

Таким образом, данные лежат в основе всего. Но от данных (руды) до реальной ценности (золота) лежит большой путь. К тому же на рынке реально не хватает данных. Да, транзакционных данных у банков достаточно, а вот много ли у нас данных, например, о состоянии макроэкономики? Мы не можем строить качественные эконометрические модели из-за отсутствия данных. Мы не сможем окончательно войти в XXI век, пока не будем иметь высокочастотные данные о состоянии экономики. Доступные источники данных имеют западное происхождение, что представляется серьезной угрозой – если мы потеряем к ним доступ, существующие модели станут неработоспособными.

– Какие из перспективных технологий (блокчейн, искусственный интеллект и т. п.) могут «выстрелить» в ближайшем году и в каких отраслях?

Разумеется, самой емкой с точки зрения новых технологий является банковская отрасль, и именно потому, что переживает серьезные изменения. Второй по потребности в инновациях сферой является сельское хозяйство. Существует огромный пласт задач, чрезвычайно актуальных в сельском хозяйстве, традиционно страдающем от невысокой эффективности. Здесь востребованы решения на базе Интернета вещей: системы точного земледелия, распознавания болезней растений и умной ирригации, системы планирования. Но главное – есть очень заметный эффект от внедрения, такие проекты явно имеют смысл.

Что касается конкретных технологий, то главной из них в ближайшее время будет умение думать. Слишком много хайпов создается непрофессиональными людьми. Два курса на Coursera не сделают из человека исследователя данных, а посещение нескольких конференций по блокчейну и покупка некоторой суммы биткойнов не сделают из него большого специалиста по криптовалютам.

Несомненным является лишь применение экспоненциальных технологий в контексте искусственного интеллекта. Однако в ближайший год здесь не стоит ждать прорывов, все будут заняты более простыми вещами. Например, сейчас мы видим торжество роботизации процессов (Robotic Process Automation, RPA), и в ближайший год сохранится интерес именно к ней: она позволяет быстро и просто снизить затраты на человеческие ресурсы. Это короткие и понятные проекты с очевидной монетизацией. Что касается систем искусственного интеллекта, то с ними уже необходимо начинать экспериментировать. Будучи правильно примененными, они дают мощный прирост производительности. Но эти проекты – гораздо более сложные и требуют более высокой компетенции у исполнителя.

– О драйверах цифровизации говорят часто. А какие факторы могут быть сдерживающими и не перевесят ли они в итоге?

Да, такое вполне может быть. Более того, отчасти это и происходит. Во-первых, как я уже говорил, нужны данные. Во-вторых, в экспоненциальной экономике важнейшим фактором станет наличие экосистем, а значит, залогом успеха является правильное регулирование. Примером может служить американский подход – изначальное отсутствие регулирования и его появление лишь в случае возникновения проблем, а не попытка зарегулировать «на перспективу». Кроме того, нам срочно нужно менять менталитет в вопросах открытости доступа к данным. Мы исторически находились «в окружении врагов», и поэтому все системы построены на больших ограничениях. Наконец, забюрократизированность крупных компаний. Не стоит упрекать госкомпании в незаинтересованности цифровой экономикой – это не так. Просто у них нет ресурсов – хватает других проблем. Но не заниматься этим нельзя, ресурсы придется изыскивать.

Далее серьезным барьером будет становиться человеческий капитал. Сколько толковых людей остается преподавать в вузах? Основная масса расхватывается компаниями или уезжает за рубеж. С возобновляемостью человеческого капитала сейчас большие проблемы.

Важно понимать, что цифровая экономика делается молодыми энтузиастами, а экспоненциальная – экспертами и инженерами. У каждой из них своя специфика, и препятствия везде свои. Однако наряду с препятствиями существуют и свои уникальные возможности. У нас пока еще высокое качество человеческого капитала, мы видели всплеск его активности в 2010-2014 годах, и еще, я думаю, увидим не раз.

В прошлом году Национальный исследовательский университет «Высшая школа экономики» обнародовал концепцию проекта Data Culture, направленного на обучение технологиям анализа данных студентов бакалавриатов всех факультетов университета. Одним из инициаторов проекта является вице-президент НИУ ВШЭ Игорь Агамирзян.

Агамирзян имеет очень большой и разноплановый опыт работы в ИТ-индустрии. C 2009 по 2016 год, он, возглавляя Российскую венчурную компанию, внес большой вклад в формирование в России экосистемы инновационного предпринимательства. До перехода в ВШЭ сотрудничал с университетом на протяжении 15 лет, участвуя в создании первых технических специальностей в вузе, а сейчас курирует направления по инженерии и computer science (факультет компьютерных наук – ФКН, МИЭМ). Беседа с Агамирзяном, который 28 марта выступит на форуме BIG DATA 2018, не ограничивалась обсуждением проекта Data Culture. Мы говорили о том, каким в целом должно быть высшее образование, чтобы соответствовать задачам цифровой экономики.

– С чем связано появление проекта Data Culture?

Сейчас молодежи, чтобы успешно развиваться в современной социально-экономической структуре, необходим базовый набор компетенций, сильно отличающихся от тех, которые были нужны моему поколению. Это новая культура в широком смысле. У Юрия Лотмана есть прекрасное определение: «Культура – это совокупность генетически не наследуемой информации в области поведения человека». Это то, что приобретается как результат воспитания, образования, жизни в определенной среде. А среда меняется со временем, и сейчас у общества иные потребности, чем 50-100 лет назад, поскольку другой становится его структура за счет изменения структуры экономики, в основе которой изменения технологического ландшафта.

В результате взрывного развития технологий в последние 50 лет, многое для человечества сейчас происходит впервые: постоянное нахождение в ситуации переизбытка информации, возможность мгновенной коммуникации в планетарном масштабе. Это уже приводит к существенным социальным последствиям, и тенденция будет только нарастать.

Что нужно молодым людям в этих меняющихся условиях? Безусловно, культура работы с данными: сегодня ни в одной специальности невозможно существовать без умения ориентироваться в информации. Одна из принципиальных особенностей современной среды – это общедоступность гаджетов, которые являются нашим персональным шлюзом в информационный мир.

Второй элемент культуры XXI века – предпринимательская культура. Экономика, основанная на знаниях, базируется на гораздо более развитой экосистеме создания ценности. Если в традиционной индустриальной экономике производительной силой и объектом производства были материальные объекты – например, завод и автомобили, то в современной экономике основным центром создания добавленной стоимости является не завод, а его конструкторское бюро. Маржинальность производственной части стремится к нулю, стоимость энергетических и физических ресурсов падает, а потому себестоимость единицы продукции при массовом производстве становится ничтожно малой. Драматическое падение цен на электронику это хорошо иллюстрирует. А ценность создается в развитой экосистеме инжиниринга, для существования в которой необходимы предпринимательские компетенции.

И это необязательно стартапы и технологическое предпринимательство. По сути, любая внутрикорпоративная инициатива – тот же стартап, только внутри существующей оргструктуры. Кроме того, проекты на стыке социальных и креативных задач приобретают все большее значение в условиях снижения востребованности многих традиционных профессий, связанных с низкоэффективным физическим трудом. Высвобождающиеся при этом ресурсы переходят в сферу услуг, связанных, например, с туризмом или ресторанным бизнесом.

Чего уже никогда не будет, так это гарантированной занятости, характерной для больших индустриальных обществ. Мы должны быть готовы в ближайшие десятилетия жить в условиях профицита рабочей силы и сильной дифференциации в востребованности квалификаций. Все процессы, связанные с внедрением цифровой экономики, включая цифровые производства, цифровую энергетику, цифровое ЖКХ, интеллектуальный транспорт и т. д., будут приводить к вымыванию кадров средней квалификации. При этом будет сохраняться и, возможно, расти спрос на низкоквалифицированные ресурсы и будет очень небольшой спрос на суперквалифицированных, элитных специалистов. Предпринимательский дух в экономике, для которой характерен профицит трудового ресурса, будет абсолютно необходим.

Я не хочу сказать, что каждый станет предпринимателем, и не думаю, что можно научить предприимчивости – это свойство характера, но можно научить технологиям ведения предпринимательской деятельности.

Ключевой компетенцией для цифровой экономики также является культура проектной работы, причем с точки зрения как управления проектами, так и участия в них. И наконец, для того чтобы заниматься предпринимательской деятельностью, проектной работой, необходима культура коммуникаций. Этому нас никогда не учили, более того, это противоречит традиционной концепции общего образования, которое всегда было индивидуализировано. Уже сейчас очень трудно проверить, решил ли учащийся задачу сам или нашел решение в Google. А когда в ближайшие годы появится специализированный искусственный интеллект, позволяющий для любой задачи моментально получить ответ в смартфоне, система индивидуальных заданий из закрытого списка окончательно перестанет работать. Поэтому необходимы другие подходы, подразумевающие индивидуализированные образовательные траектории и в то же время коллективную работу, результатом которой может быть, например, некая предпринимательская инициатива. При этом надо уметь пользоваться возможностями и избегать рисков, порождаемых переизбытком информации.

– Все это выглядит как колоссальный вызов для системы образования…

Это вызов не только для системы образования, но и для всего общества. Технологическое развитие в первую очередь влияет на экономику, а через экономические изменения – на социальные явления. У меня есть предположение, что на протяжении этого века должно кардинально измениться понятие государства. Социальные структуры всегда строились на коммуникациях, которые были возможны благодаря территориальной близости. Впервые в истории человечества мы оказались в ситуации глобальной бесплатной связности, когда структура общения не зависит от физического местоположения. И это может привести к кардинальным изменениям на глобальном уровне. Традиционные госструктуры вряд ли будут это приветствовать, и пример тому – попытки регулирования Интернета, но противостоять подобным тенденциям бессмысленно.

– Когда мы общались примерно два года назад (см. «Стратегия прорыва», «Computerworld Россия», 29.02.2016), вы высказали предположение, что наука о данных (Data Science) как отдельное направление не сохранится, но будет Data Science в энергетике, Data Science в транспорте, Data Science в ЖКХ и т. д. Программа Data Culture, по-видимому, отвечает этой вашей идее?

Все самое интересное вокруг нас лежит на пересечении информации и физического мира. Цифровое производство, интеллектуальные транспортные системы – это приложение информации и ИТ к вполне традиционным областям человеческой деятельности. Данные имеют смысл только тогда, когда им придана какая-то интерпретация, которая, в свою очередь, задается предметной областью и алгоритмами работы с этими данными. Алгоритмы являются неотъемлемой частью науки о данных, поэтому в проекте Data Culture надо среди прочего развивать алгоритмическую культуру и понимание того, как работать с данными.

– Могу представить, что алгоритмической культуре можно и нужно учить студентов ФКН. А как быть с остальными факультетами, например гуманитарными? Чему и как учат в рамках проекта Data Culture менеджеров, экономистов, филологов, ну и математиков наконец?

Программа кастомизируется в зависимости от потребностей конкретной специальности, но она действительно нужна всем. Вопрос – в степени глубины. Математикам и студентам ФКН, безусловно, проще. Хотя математику называют матерью всех наук, это не наука, а язык, на котором формулируются задачи любой другой науки. В отличие от естествоиспытательских наук, таких как физика или биология, изучающих явления природы, математика и computer science являются, по сути, фабриками артефактов. Будущим специалистам в этих областях присущ конструктивизм, поэтому прививать им культуру работы с данными несложно.

Во многих других областях человеческой деятельности конструктивный подход, связанный с определением новых сущностей, проявляется гораздо меньше. История, филология, философия – это не конструирование нового, а анализ того, что уже существует. Культура работы с данными тоже связана с анализом, но, для того чтобы анализировать данные в цифровой форме, нужно понимать, как выполняется конструирование артефакта в виде алгоритма, программы и т. д. Одно из достижений последнего времени состоит в том, что появились вполне понятные средства программирования с возможностью интеграции в глобальные среды работы с данными.

В проекте Data Culture для каждого конкретного факультета строится своя учебная траектория и набор уровней, которыми могут овладеть студенты с точки зрения использования данных в приложении к своей специальности. Как все это будет выглядеть, определяют специалисты в данной предметной области. Поэтому важнейшей частью проекта является подготовка и обучение преподавателей.

– Не создаст ли это проблем в продвижении проекта, ведь сложившемуся преподавателю может быть трудно воспринимать новое?

Молодежь это очень легко воспринимает, а в Вышке много молодых преподавателей. Но и среди опытной профессуры на удивление много людей, абсолютно открытых новому. И это тоже результат происходящей технологической, экономической, социальной революции – меняется отношение к возрасту. Модель общества, в котором считают, что в 60 лет наступает старость, уже неактуальна. Те, кто продолжает активно работать, учатся всю жизнь.

– Меняются ли российские вузы в ответ на глобальные изменения экономики и общества, связанные с технологическим развитием?

В Высшей школе экономики это несомненно происходит, и ВШЭ входит в число лидеров изменений среди высших учебных заведений в нашей стране. Но я бы не рискнул сказать, что таких университетов много. Большие изменения происходят, например, в питерском ИТМО, где успешно решается задача формирования университета нового типа. Сколтех с чистого листа создавался как такой университет. Его учебная программа включает только магистратуру, но надо сказать, что в ведущих мировых университетах соотношение бакалавров, магистров и аспирантов иное, чем в наших больших вузах, в них магистры и аспиранты преобладают. Знаменитые Стэнфорд и MТИ ориентированы преимущественно на подготовку специалистов с более высоким уровнем образования.

– В связи с падением востребованности среднего слоя специалистов, о котором вы говорите, не изживет ли себя система бакалавр-магистр?

Я говорил о вымывании среднего уровня, но о сохранении или даже росте спроса на низкую квалификацию, под которой необязательно подразумевать только людей, занимающихся физическим трудом. Это могут быть «пролетарии умственного труда», которые умеют работать по регламенту. Так, технология создания программного продукта – это работа по определенному управленческому регламенту, хотя программирование и содержит в себе элемент креативности.

Хороший пример – инженерное ПО. Специалист, который использует AutoCAD для решения конкретных инженерных задач, и специалист, который разрабатывает алгоритмы моделирования, используемые в системах автоматизации проектирования, имеют разные уровни квалификации. Подавляющее большинство инженеров сегодня – это пролетарии умственного труда, применяющие инструменты для решения конкретных задач, как правило, связанных с системной интеграцией. Поэтому современному инженеру культура работы с данными для поиска информации о лучших компонентах для своего решения необходима гораздо больше, чем, скажем, владение сопроматом, который уже «зашит» в САПР.

ИТ оказались мощнейшим инструментом унификации процессов, потому что в ИТ-системах «зашита» значительная доля регламентной работы. Инструментарий и техника работы в разных отраслях стали гораздо более схожими, чем это было в индустриальном мире.

– Если говорить непосредственно о работе с данными, то такими «сборочными компонентами» будут аналитические решения, инструментарий машинного обучения, которые вендоры стараются сделать все более доступными пользователям, не являющимся учеными по данным?

Совершенно верно, в работе с данными все большую роль играет системная интеграция. Без библиотек, без доступного инструментария сделать ничего невозможно. Такое впечатление, что останется несколько компаний в мире, способных писать компоненты, а вся остальная ИТ-индустрия перейдет в разряд высокоуровневых системных интеграторов, которые пишут программный код на уровне использования библиотек от Microsoft, Google, Apple и др.

– Что тогда подразумевает профессия Data Scientist? Это системный интегратор или создатель библиотек?

Data Scientist – это прежде всего постановщик задачи, пользователь всей этой технологической начинки для решения конкретной проблемы в конкретной предметной области. Все известные мне люди, занимающиеся Data Science, очень хорошо понимают предметную область, к которой прилагается наука о данных, но при этом обладают математическими знаниями. В Высшей школе экономики ведутся проекты с самыми разными приложениями. Есть группа, которая работает с ЦЕРН по анализу данных большого адронного коллайдера, а есть группа, которая занимается анализом данных нейросигналов. Понятно, что они могут применять одни и те же или близкие алгоритмы машинного обучения, но если мы перепутаем нейросигналы с событиями в коллайдере, то вряд ли получим что-либо содержательное.

– Есть ли четкое понимание того, как учить этой профессии?

На ФКН такое понимание есть, подготовка уже успешно ведется, и в ней важное место отводится сотрудничеству с индустриальными партнерами. Вообще, одной из особенностей современного образования является то, что университет все больше зависит от партнеров из бизнеса. В частности, потому, что очень часто новые технологические идеи приходят из индустрии, а не из академической среды. До 80-х годов прошлого века в Computer Science развитие шло преимущественно в университетской среде либо в индустрии, но с активным участием университетов. Затем возникла ситуация, когда разработчики персональных компьютеров оказались оторваны от академической среды и потому на первых порах часто изобретали велосипед – то, что было давно и хорошо известно в науке, в индустрии ПК становилось открытием. А потом развитие пошло настолько быстро, что на протяжении 90-х и нулевых годов скорее университетская среда питалась достижениями индустрии, чем наоборот.

Мне думается, что сейчас если не лидерство, то по крайней мере равноправное участие к академической среде возвращается, но уже на других условиях – коллаборативного партнерства. И это хорошо подтверждается на примере факультета компьютерных наук ВШЭ, который был создан и развивается в тесном сотрудничестве с «Яндексом».

Принимая решения об инвестициях в разработку лекарственных препаратов, производители проводят фармакоэкономический анализ, чтобы определить справедливую цену на препарат и популяцию, которую он может охватить. При этом рассчитываются разнообразные показатели соотношения стоимости препарата с его реальной эффективностью и безопасностью.

«Результаты фармакоэкономического анализа больших данных оказывают огромное влияние на принятие инвестиционных решений», – подчеркивает Илья Ясный, руководитель отдела научной экспертизы фонда Pharmstandard Ventures. Улучшению здравоохранения, по его словам, способствует не только выпуск новых препаратов, но и совершенствование применения уже существующих лекарств, и эту задачу тоже помогает решать фармакоэкономический анализ.

Для страховых компаний фармакоэкономический анализ является одним из самых важных факторов, влияющих на принятие решений о том, какие страховые планы предлагать пациентам. При этом регуляторы должны следить за тем, чтобы интересы пациентов не нарушались. А для врачебных сообществ доступ к большим данным крайне важен, чтобы принимать правильные клинические решения и давать правильные клинические рекомендации. При выработке клинических рекомендаций и рекомендаций по ценообразованию не упускается из внимания также качество жизни, обеспечиваемое препаратом.

Конечно, метаанализ медицинских и маркетинговых данных проводился и раньше. Но сегодня отрасли нельзя игнорировать вал разнообразных данных, которые стремительно накапливаются, и соответствующий инструментарий.

Большие данные помогают ответить на вопросы о реальной эффективности лекарств и затрат на здравоохранение, о влиянии страхового плана на здоровье популяции, о поведении потребителя в системе здравоохранения, о путях увеличения эффективности системы в целом и о том, как влияет регулирование цен на лекарства на качество здравоохранения.

Эффект и цена: а есть ли связь?

Большие данные в фармацевтике нужны главным образом для принятия правильных решений о том, кому и какие препараты назначать, и о том, как будет формироваться стоимость препарата.

Вопрос о реальной эффективности лекарств после выхода препарата на рынок очень болезненный для производителей, так как в исследованиях принимает участие ограниченный круг специально отобранных пациентов, а при более широком применении эффект зачастую смазывается и оказывается меньше наблюдаемого в клинике. К тому же выявляются разнообразные побочные эффекты, которые не были замечены на ограниченной выборке пациентов.

Исследования, проведенные в США, показывают, что стоимость лекарств против рака не всегда коррелирует с пользой, которую они приносят. В Европе для оценки реальной эффективности лекарств в сфере онкологии был создан специальный консорциум. Выяснилось, что 68% зарегистрированных и уже выпущенных на рынок препаратов не соответствуют строгим критериям этого консорциума, которые учитывают качество жизни пациентов, эффективность и безопасность.

Ситуация катастрофическая, признает Ясный. Однако большие данные облегчают ответ на вопрос, как ее можно изменить. Определенные надежды связаны, в частности, с прояснением того, каким образом влияют на эффективность приема препаратов так называемые омиксные данные (включающие данные метаболомики, протеомики, транскриптомики) и могут ли они помочь в оптимизации здравоохранения в целом.

К определению стоимости лекарств существуют два базовых подхода: на основе цен на подобные препараты и на основе «ощутимой полезности». В большинстве стран, в том числе в России, применяется первый способ, но его нельзя назвать оптимальным, так как не учитываются реальная стоимость и эффективность средства.

Полезность учитывает второй подход, применяемый в Австралии, Швеции, Германии. «Переход от референсного ценообразования к ценообразованию на основе ценности произошел в Германии буквально на наших глазах, в 2010-2011 годах, и это сразу позволило на 15-20% снизить затраты на здравоохранение без ущерба его качеству», – отмечает Ясный.

Доза дегтя

Главным источником больших данных в отрасли служат базы данных страховых случаев, которые фармкомпании покупают у страховщиков. Эти базы содержат чрезвычайно ценную информацию о реальных затратах на оказываемые медицинские услуги. Их необходимо сочетать с электронными медицинскими картами и прочими источниками данных. Пока крупнейшие медицинские организации мира совершают лишь первые шаги на этом пути. К примеру, в американской клинике Mayo пытаются решить проблему излишнего использования опиатов с помощью гигантского набора данных – около 200 млн записей электронных медкарт.

В отличие от рандомизированных клинических исследований, данные электронных медкарт и базы страховых случаев не отличаются такой же строгостью, поскольку они не обладают подобным уровнем стандартизации протоколов ведения записей, да и собираются они для других целей. Поэтому при их анализе серьезной проблемой становится качество данных.

В перечень источников данных, которые следует привлекать для анализа, входят также реестры пациентов, базы нежелательных явлений, данные биомониторинга, результаты крупных опросов, статистика, базы интернет-поисковиков, пулы сведений о поведении в Интернете, генерируемые в огромных объемах геномные и другие омиксные данные.

Однако при всей заманчивости и потенциальной эффективности применения больших данных, на этом пути немало подводных камней.

Во-первых, дополнительные затраты на сбор и интерпретацию данных далеко не всегда окупаются. Во-вторых, используемые при анализе больших данных традиционные статистические и математические методы часто приводят к обнаружению ложных корреляций там, где их нет, или обнаружению корреляций без понимания причинно-следственных связей. Поэтому для работы с такими наборами данных нужны специальные инструменты.

С одной стороны, массивы, включающие структурированные и неструктурированные данные, таблицы и изображения, довольно сложно анализировать. С другой стороны, перекосы в наборе данных одного типа могут компенсироваться данными другого типа, полагает Ясный.

Яркий пример несовершенства существующих алгоритмов и способов работы с данными – попытки Google на основе анализа запросов пользователей предсказать наступление очередной эпидемии гриппа. Несколько лет наблюдений показывают, что Google чаще ошибается, чем дает правильный прогноз. Межсезонную пандемию гриппа он пропустил совсем, а иногда он принимает начало зимы за начало гриппа. В итоге его предсказания иногда оказываются хуже, чем предсказания Центра по контролю и профилактике заболеваний США (Centers for Disease Control and Prevention, CDC), где вручную экстраполируют накопленные данные наблюдений. Однако если их сочетать, то прогнозы CDC можно улучшить.

«Большие данные не панацея, до их широкого применения еще далеко, здесь еще очень много проблем, но если грамотно сочетать большие и малые данные, то можно уже сейчас улучшить и упростить такую работу», – считает Ясный.

Чтобы получить полную картину для фармакоэкономического анализа, необходимы также данные об исходах лечения. В России в страховых компаниях такие данные искать бессмысленно – по мнению Ясного, их можно обнаружить главным образом в медицинских записях пациентов и, возможно, во внутренней статистике клиник. Поскольку такой поиск крайне сложен, то в большие данные эти источники пока не сливаются. Тем не менее с их помощью вполне можно повысить эффективность анализа больших массивов данных.

Публика весьма настороженно относится к сбору медицинских данных, особенно фармацевтическими компаниями, и отнюдь не все готовы ими делиться, несмотря на обещание деперсонализировать эти данные. Ведь риски использования таких данных не в интересах пациента действительно существуют. Например, по данным геномного анализа страховая компания может обнаружить повышение риска какого-либо заболевания и повысить страховой тариф, несмотря на то что человек может и не заболеть.

Не стоит также забывать о рисках потери и кражи данных.

Кроме того, при сборе данных существует явный перекос в их доступности. Данные населения, которое сильнее интегрировано в цифровую среду, обычно более доступны для анализа, самая же незащищенная часть населения зачастую остается вне поля зрения аналитиков. И значит, наименее обеспеченные получают от анализа больших данных наименьшую выгоду.

Обретение ценности

Реальную ценность данные приобретают лишь в ходе анализа. Основные усилия бизнеса по повышению эффекта от использования больших данных сосредоточены не только на таких традиционных методах их обработки, как деревья решений и марковские модели, но и на более современных: динамическое моделирование, искусственный интеллект, машинное обучение и нейронные сети.

Эти методы анализа и моделирования позволяют перекинуть мостик от больших данных к принятию решений, хотя при этом возникает множество проблем с качеством данных, их сочетаемостью и интерпретацией результатов анализа.

Сегодня уже можно смоделировать, как внедрение новых алгоритмов терапии или систем оплаты улучшит фармакоэкономический результат и здравоохранение в целом. Например, сбор эпидемиологических данных поможет прогнозировать результаты лечения и профилактику эпидемий. Многие наборы данных открыты для публичного моделирования, причем точность его результатов можно оценить со стороны.

Ясный также отмечает потенциал персонализации. «Мы можем попробовать соотнести пациента с большим массивом данных и сформировать для него индивидуальные терапевтические рекомендации», – говорит он. Однако до практического применения персонализированных рекомендаций еще очень далеко, так как они все требуют очень тщательной клинической валидации, причем не ретроспективной, а проспективной.

В том числе и для этого фармкомпаниям остро необходимы данные о реальном применении препаратов, уже выпущенных на рынок. Когда есть информация о применении вместе с другими лекарствами, у пациентов с различными сопутствующими заболеваниями, об изменении приверженности пациентов к лечению, тогда можно получить более точную картину ценности препарата.

И все же примеры рационализации терапии с помощью больших данных и применения ее в клинических рекомендациях уже есть. Так, сегодня уже удается рассчитывать индивидуальный риск сердечно-сосудистых заболеваний и на его основе принимать решение о назначении или неназначении статинов (препаратов, понижающих уровень холестерина). Можно надеяться на то, что в перспективе такие методы будут применяться и для ускорения разработки препаратов и прогнозирования их эффективности.

Повальное увлечение блокчейном, конечно же, скоро пройдет. Большинство нынешних проектов покажут свою несостоятельность и будут забыты. Однако проделанная работа не пропадет: появятся лучшие практики использования блокчейна, а главное – станет известна применимость этой технологии для решения конкретных бизнес-задач. О роли кибервалютного хайпа в развитии блокчейна, сдерживающих факторах и возможных сценариях его развития рассказывает Александр Дроздов, директор по инновациям компании «Иннодата».

- Какую роль играет блокчейн в текущей рыночной ситуации? Как сами компании его воспринимают?

Сейчас мы наблюдаем зарождение нового этапа и в ИТ, и в экономике в целом. Блокчейн является частью этих перемен, участвуя в становлении нового рынка. Несмотря на то что сама технология распределенных реестров и используемая в них криптография не новы – им достаточно много лет, – сейчас в этой сфере наблюдается большой всплеск, и во многом именно из-за феномена криптовалют. Произведенный ими шум, с одной стороны, многими воспринимается крайне негативно, а с другой – помогает популяризации блокчейна как технологии.

Важно, что сами компании смотрят на технологию блокчейна позитивно и говорят, что даже с юридической стороны нет препятствий для ее использования. Да, многие опасаются отсутствия судебных прецедентов, не уверены, будет ли запись в блокчейне применима в судебных разбирательствах. Однако с появлением первых прецедентов ситуация может радикально поменяться. Похожее произошло, когда в судах появилась практика почерковедческой экспертизы, возможность использовать в качестве доказательств записи автомобильных регистраторов. Как только суд начнет принимать мнения экспертов, способных подтвердить достоверность записей блокчейна, все изменится.

- Практически все отмечают в технологии блокчейна недостатки, мешающие их массовому использованию. Какие из них, на ваш взгляд, являются ключевыми, от чего требуется избавиться в первую очередь?

На волне хайпа многие пытаются применить блокчейн к абсолютно любой сфере – чуть ли не до службы знакомств и продажи бананов. Пока в этих активностях видна значительная доля маркетинга. Практических реализаций не так уж много, и основным сдерживающим фактором является недостаточная простота использования и масштабируемости.

У реализованных блокчейн-платформ общеизвестны проблемы с производительностью. Многие проекты, претендующие на то, чтобы быть глобальными, в первую очередь сталкиваются именно с ними. Например, для сети Bitcoin единственным способом повышения производительности являются форки. Ethereum также пытается работать в этом направлении, в конце прошлого года он перешел на новый алгоритм консенсуса, позволяющий увеличить производительность. Но архитектура блокчейн-решений, например, для платежных систем, обрабатывающих десятки тысяч транзакций в секунду, сейчас только начинает появляться, и им предстоит пройти серьезный путь, прежде чем начнется их массовое применение.

Еще один ряд проблем состоит в отсутствии реальной глубокой экспертизы, несмотря на то что многие этой темой интересуются. В ходе развития значительного числа проектов возникают технические просчеты, имеющие тяжелые последствия.

- Все-таки проблем больше в технологиях или в людях?

Технологические проблемы я склонен считать временными. Они решаются и будут окончательно решены, скорее всего, быстрее, чем юридические.

Проекты, использующие публичные блокчейны, – например, Bitcoin или Ethereum – сталкиваются с ограничениями, побороть которые сложно. Вполне естественно, что отдельные игроки не могут управлять конфигурацией глобальной сети. Они должны принимать ее «как есть». Все остальные вынуждены строить корпоративные, закрытые блокчейны. В любом из них возможно довольно гибкое управление конфигурацией, что позволяет решать вопросы производительности.

Мы уже давно занялись платформой Hyperledger и пытаемся применять ее на практике. В недавно вышедшей новой версии платформы изменилась структура узлов, и теперь транзакции подтверждаются специально выделенными узлами, обеспечивающими консенсус. Назначение с этой целью узлов, имеющих требуемую мощность, помогает достичь серьезных показателей производительности.

Таким образом, частные блокчейны – ближайшее будущее этой технологии с точки зрения решения конкретных бизнес-задач. Это направление будет развиваться. Преимущество публичных сетей – глобальная прозрачность, но не все готовы использовать именно их для решения повседневных задач.

- То есть будет повторяться история развития ИТ-архитектур, когда каждый строил что-то свое, вкладывая огромные средства в собственные ЦОДы и информационные системы, а сейчас все больше компаний уходят в облака?

Возможно, история повторится. Но мне кажется, что этот этап обязательно нужно пройти. Преимущество того, что много компаний занимаются одним и тем же в своей «песочнице», не оглядываясь вокруг, заключается в том, что кому-то в ходе исследований случайно удается найти «выстреливающие» решения. Да, такой подход скорее расфокусирует направления развития технологии, но она находится на столь ранней стадии развития, что ее идеальное состояние еще не найдено. Благодаря многообразию проектов и команд, ими занимающихся, удастся найти лучшие практики, на базе которых будет происходить стандартизация и затем, возможно, создание решений планетарного масштаба.

- А как быть с нехваткой специалистов?

Сейчас вообще технологии появляются быстрее, чем успевает набираться достаточное число специалистов по ним. Но эта проблема решаема. Обучить специалиста, имеющего знания в нескольких ключевых областях, принципам работы блокчейна не так уж сложно. Например, Hyperledger – платформа с открытым исходным кодом, вокруг нее сформировалось мощное сообщество, доступна подробная документация. Мы выбрали ее во многом именно из-за этого. Любая ИТ-компания с хорошим бэкграундом без проблем может обучить своих специалистов.

- Как вы считаете, надежны ли блокчейн-платформы?

Сами платформы достаточно надежны, как и применяемые в них алгоритмы. Проблемы надежности и безопасности возникают на стыке новой технологии и «старого» мира. Блокчейн не может существовать сам по себе, с ним приходится взаимодействовать, причем интеграция строится на традиционных технологиях. И проблема кроется именно здесь. Например, громкие кражи криптовалют происходят именно с централизованной части системы – биржи. Взламывают ведь не сам блокчейн, а сайт или систему доступа к кошелькам. Набирающие сейчас популярность децентрализованные биржи по технологичности и безопасности на порядок превосходят традиционные.

Недавно Виталик Бутерин запустил опрос, что предпочтительнее – платить 1% за отказоустойчивость или смириться с простоями системы 1% времени. Большинство высказалось за отказоустойчивость, не понимая, что несколько процентов недоступности не приведут ни к каким последствиям. За счет распределенности с записями в блокчейне ничего не случится. В этом его отличие от базы данных, которую можно потерять в результате катастрофы или вирусной атаки.

- Каждая отрасль ищет в блокчейне что-то свое. Какая из них может «выстрелить» наиболее быстро и наиболее радикально?

Я часто задавал себе вопрос, где применение блокчейна более оправданно, где – менее, а где его точно применять не стоит. И соглашусь со многими экспертами, считающими, что подобных правил не существует. Его применение может быть оправданно в любой области. Блокчейн в первую очередь нужен там, где есть недоверие между участниками. Это одна из основных проблем, которые он решает.

Например, одной из наиболее заинтересованных отраслей может быть крупная логистика. Тренд глобализации никуда не денется, появляется все больше международных бизнесов, и большое число участников цепочек требует прозрачности и упрощения документарного сопровождения сделок. Тем не менее большое количество проектов, начатых в других сферах, показывает, что применение технологии может быть самым разнообразным.

- Что сегодня мешает распространению блокчейна?

Хайп вокруг криптовалют делает тему очень популярной, помогая ее развитию. Все больше людей хотят заниматься этой технологией. Однако отсутствие четкой грани в общественном сознании между блокчейном и криптовалютами, в том числе в головах чиновников, приведет к излишнему регулированию в этой области. И тогда может затормозиться если не сама технология, то ее распространение.

Люди должны научиться отличать биткойн от блокчейна и не смешивать их. Криптовалюты – лишь одна из реализаций технологии блокчейна. Те экономические и юридические проблемы, которые неизбежно будут связаны с криптовалютами, не должны мешать развитию самой технологии. Нынешнее отсутствие регулирования в этой области и принятия результатов ее применения является типичным спутником любой незрелой технологии. Неопределенность правового статуса мешает принятию результатов практического применения, которое может быть полезным и кардинально изменить процессы, реализованные в централизованных системах.

- Отождествление блокчейна с криптовалютами имеет и еще одну негативную сторону: криптовалюты представляются легким заработком, отвлекая лучшие умы темой майнинга, а не применимости блокчейна в бизнесе. Что должно произойти, чтобы ситуация изменилась? Должен лопнуть пузырь биткойна?

В свое время, когда лопнул пузырь доткомов, отсеялись несостоятельные проекты, оставив только лучшие компании, которые эволюционировали в сегодняшних технологических лидеров. Применительно к блокчейну такое развитие событий тоже возможно – просто никто не знает, что на самом деле случится. Действительно, не исключено, что пузырь лопнет. Кто-то от краха криптовалют сильно пострадает. Однако есть более вероятный сценарий: появление регулирования значительно успокоит рынок, снимет высокую волатильность. Административные барьеры охладят пыл людей.

Если же говорить о ситуации нынешнего дикого роста – я не считаю, что это плохо, она как минимум популяризирует технологию. Еще полгода назад многие даже не слышали про блокчейн, а согласно последним опросам, 60% россиян заявляют, что знают про него. Действительно, сейчас в любом кафе найдется столик, обсуждающий блокчейн и криптовалюты.

- А сами компании готовы к блокчейну? Во-первых, речь идет о доверии к новшествам со стороны первых лиц, во-вторых, о цифровизации деятельности компаний.

Движение к цифровой трансформации уже не ново. Этому тренду несколько лет. Возможно, блокчейн станет стимулом для компаний сделать еще один шаг к цифровизации.

Блокчейн – это один из вариантов решения конкретной бизнес-задачи, причем не всегда самый лучший. Скорее всего, в большинстве случаев проекты окажутся неэффективными и останутся только те из них, где блокчейн действительно необходим. Кроме того, сейчас наблюдается значительный интерес к блокчейну со стороны государственных органов. Если блокчейн войдет в качестве стандарта в какие-то государственные процессы, то это будет дополнительный толчок его применению в бизнес-сегменте.

- Известна фраза «Если ваша компания является посредником и не предлагает никакой дополнительной ценности, то придет блокчейн и заберет ваш бизнес». Действительно ли это так или все не столь просто?

Скорее, все не столь быстро. Концептуально технология помогает достижению доверия без привлечения третьей стороны. Действительно, она может заменить компании, являющиеся гарантом сервиса. Однако есть сложности, связанные с безотзывностью транзакций. Например, банк или платежный оператор не только централизует взаимодействия, но и решает проблему ошибочных платежей, выполняет действия, связанные с возвратами, с иными спорными ситуациями. А совершив ошибочный перевод биткойнов, без добровольного согласия второй стороны ситуацию не исправить.

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

Сэкономить время и деньги

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

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

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

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

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

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

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

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

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

Проблемы с интеллектом

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

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

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

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

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

Осознать потребности

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

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

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

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

Ford покупает Argo AI

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

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

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

Hewlett Packard Enterprise покупает Nimble Storage

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

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

Google покупает бизнес смартфонов HTC Pixel

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

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

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

Cisco Systems покупает Broadsoft и AppDynamics

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

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

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

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

Verizon покупает Yahoo

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

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

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

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

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

Amazon.com покупает Whole Foods

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

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

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

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

Intel покупает Mobileye

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

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

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

Toshiba продает бизнес памяти консорциуму, в состав которого входит Apple

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

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

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

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

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

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

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

Broadcom предлагает за Qualcomm 110 млрд долл.

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

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

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

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