Data Award

Запуск рекламных кампаний в интернете – традиционная головная боль для некрупных фирм, не обладающих необходимыми ресурсами, штатом профильных специалистов и большими бюджетами. «СберТаргет» призван решить эту проблему, предоставляя необходимый инструмент в виде сервиса. О создании и развитии этого проекта рассказывает Ирина Литвинова, владелец продукта «СберТаргет» ООО «Сбер Бизнес Софт» и номинант на премию Data Award.

- Какова история сервиса «СберТаргет», как он появился?

Много работая с клиентами из сегмента малого и микробизнеса, в какой-то момент мы поняли, что одна из основных задач, стоящих перед предпринимателями, – это продвижение. Далеко не все руководители компаний были знакомы с тонкостями продвижения, не все были готовы нанимать отдельного специалиста или же учиться самостоятельно. Именно поэтому появился «СберТаргет» – сервис, который помогает предпринимателям запускать рекламные кампании.

- Какие бизнес-боли компаний решает сервис? Почему это важно?

Основные боли – это, конечно, незнание или недостаточное, слишком общее, упрощенное представление бизнеса о своей целевой аудитории. Более того, для настройки рекламы нужно знать, какая часть из этой аудитории готова платить за те или иные товары или услуги. Если же он понимает это, то нет ясности, где и как искать своих целевых клиентов. Другой один важный вопрос – какой бюджет выделить на рекламную кампанию, чтобы она была эффективной.

Еще одна боль, которую решает сервис, – это нежелание руководителей компаний тратить время на изучение настроек и особенностей площадок, на которых запускается реклама. В «СберТаргете» все автоматизировано, учитываются требования каналов распространения рекламы.

Очевидно, что использование такого сервиса очень удобно – уменьшает сроки запуска рекламных кампаний, помогает сократить расходы за счет оптимизации рекламного бюджета и расходов на привлечение специалистов по рекламе.

- Каковы основные принципы, заложенные при создании решения?

Основной принцип – простота, удобство и экономия времени на создание рекламы, которая реально работает. Клиенту не нужны специфические знания в маркетинге, сервис сам подскажет, заполнит за клиента все настройки по рекламе, а аналитика в сервисе детально покажет портрет действующего клиента.

- Какие технологии использованы при его реализации?

В основе работы сервиса лежит искусственный интеллект и большие данные.

- Что представляет собой это решение?

«СберТаргет» – это сервис с готовыми настройками и рекомендациями для запуска рекламы из единого окна на площадках партнеров («Яндекс», myTarget, 2ГИС, билайн). Он позволяет бизнесу применять data-driven подход в рекламе и цифровых коммуникациях с клиентами. В его основе лежит исследование аудитории бизнеса: чем интересуются, что покупают, что может влиять на принятие решений о покупке. То есть предприниматель получает не просто аналитику, а конкретные рекомендации и рекламные настройки: что, кому и где предложить, чтобы реклама была эффективнее.

Помимо описания портрета клиента, мы даем и аналитику спроса: соотношение новых и вернувшихся клиентов, динамику количества покупок и среднего чека, что также позволяет сравнивать свои данные со средними показателями в отрасли. Все это, разумеется, в обезличенном и агрегированном виде.

То есть в основу сервиса «СберТаргет» заложен искусственный интеллект, который подсказывает, где и кому показывать рекламу, а также помогает настроить кампанию под задачи бизнеса.

- Насколько сервис прост в использовании?

«СберТаргет» позволяет подготовиться к запуску рекламы в три шага: пользователь выбирает из списка цель рекламной кампании, каналы и целевую аудиторию. Далее сервис подбирает оптимальные рекламные каналы на основе заданной цели, а целевую аудиторию – на основе аналитики с учетом отрасли бизнеса и его расположения. Географию показов сервис предложит настроить с учетом расположения пользователя. Все, что остается сделать, – указать сайт, на который будет вести реклама, настроить время для показов и бюджет.

- Какие конкретные задачи решаются?

Сервис решает несколько ключевых задач. Во-первых, это привлечение клиентов благодаря настройке рекламы на потенциально заинтересованную аудиторию. Во-вторых, упрощение запуска и ведения рекламных компаний за счет готовых настроек, рекомендаций и поддержки на старте.

Кроме того, достигается сокращение расходов на рекламу. Предприниматель может запускать рекламу сам, не тратя деньги на услуги профильных специалистов, отслеживать в сервисе эффективность кампаний и останавливать те из них, которые не приносят нужного результата.

- Какие данные используются сервисом для выдачи рекомендаций?

В основе рекомендаций лежит анализ агрегированных и обезличенных данных по покупательской активности более 108,2 млн физических лиц по всей России с использованием искусственного интеллекта, а также нейромаркетинга – поведенческой разметки по более чем 1,7 тыс. параметров.

- Какие результаты можно ожидать при использовании сервиса?

Использование «СберТаргета» как единого окна с готовыми настройками позволяет клиентам сервиса быстрее размещать рекламу на площадках партнеров и получать показатель кликабельности (Click-Through Rate, CTR) втрое выше, чем в среднем по рынку. Эта оценка релевантна для канала MyTarget и получена путем анализа усредненных данных рекламных кампаний.

В целом использование сервиса может помочь снизить расходы на рекламу за счет более эффективных настроек, умного подбора площадок для размещения, промокодов от партнеров, позволяющих получить от рекламы больше при меньших вложениях.

- Каковы направления развития «СберТаргета»?

Мы видим большие перспективы для развития сервиса. Это и генерация креативов при помощи ИИ, и увеличение количества рекламных каналов, и оптимизация работы с уже имеющимися, и постоянное обновление рекомендаций по запуску и готовых аудиторий. Также направлением для дальнейшего развития может стать совершенствование действующей аналитики – добавление новых метрик и обогащение текущих.

Специалисты «Работа.ру» разработали аналитический продукт для автоматизации подготовки коммерческих предложений для клиентов. В ходе проекта был создан интерфейс, который в режиме реального времени показывает сотрудникам из департамента продаж аналитические данные по конкретным профессиям, отраслям, регионам и типам тарифов, позволяющие быстро сформировать коммерческое предложение. В результате время подготовки предложений сократилось в среднем с четырех часов до 10 минут, конверсия в продажу увеличилась на 11%, средний чек — на 8%, а выручка компании выросла на 16% за счет увеличения продаж более дорогих и эффективных тарифов. О реализации проекта рассказывает Елена Артемьева, директор по аналитике, Data Science и исследованиям сервиса «Работа.ру» и номинант на премию Data Award.

- В чем заключается процесс подготовки коммерческих предложений в «Работа.ру»? Как он выглядел до реализации проекта?

Первым шагом для команды продаж является взаимодействие с клиентом, чтобы понять, какую вакансию он планирует разместить и в каком регионе. После этого менеджеры приступают к подготовке коммерческого предложения, содержащего информацию о наиболее подходящем тарифе для конкретного клиента с учетом особенностей его вакансии и ситуации на рынке труда по данной вакансии. На заключительном этапе сотрудники отправляют клиенту коммерческое предложение с рекомендациями относительно использования определенного тарифа.

До запуска проекта по автоматизации подготовки коммерческого предложения менеджеры ориентировались на примерные и максимально простые расчеты. Также им не всегда была доступна готовая статистика эффективности размещения различных вакансий по регионам, профессиям и типам тарифов, что, в свою очередь, постоянно требовало обращения к аналитикам для получения дополнительных данных.

В некоторых регионах и профессиях наблюдается более высокая конкуренция за кадры, чем в остальных, вакансии требуют дополнительных инструментов для продвижения, а, следовательно, выбора более дорогого тарифа. Чтобы оперативно ориентироваться в ситуации на рынке и ситуации клиентов, необходимо было организовать для команды продаж быстрый доступ к аналитическим данным. Это помогает менеджерам вести более предметный диалог с работодателями, прогнозировать наиболее вероятную эффективность коммерческого предложения и сокращать зависимость от аналитиков.

- В чем заключалась проблема, почему это важно для компании?

Проблема заключалась в том, что процесс подготовки коммерческих предложений был трудоемким, занимал значительное количество времени и задействовал ресурсы как команды продаж, так и команды аналитиков. Это могло приводить к задержкам в обслуживании существующих клиентов и проблемам в привлечении новых. В результате это ограничивает возможности компании в увеличении выручки. Также недостатки ручных расчетов вели к тому, что клиент не всегда сразу понимал, что с таким тарифом на конкретную вакансию шансы на поиск сотрудников будут минимальны, и нужно сразу покупать более дорогие пакеты. Это влияло на уровень удовлетворенности клиентов нашим сервисом из-за несовпадения ожиданий и реальности.

Разработанный продукт по автоматизации подготовки коммерческого предложения стал ключевым решением данной проблемы.

- Какой подход решения проблемы был выбран?

Было решено создать интерфейс, который в режиме реального времени показывает сотрудникам из отдела продаж прогноз эффективности размещения определенной вакансии по конкретным регионам и тарифам. Взаимодействие с интерфейсом максимально простое и не требует никакой специальной подготовки и навыков.

- Какие требования требовалось выполнить? Какие принципы пытались соблюсти?

Основное требование, которое необходимо было выполнить, – повысить скорость предоставления информации, ее достоверность, релевантность и полноту для подготовки коммерческих предложений. Также важно было учесть, что пользователи – команда продаж – не являются аналитиками, поэтому интерфейс должен был быть максимально прост и понятен в работе.

- Что собой представляет собой созданное решение? Какие компоненты включает?

Созданное решение представляет собой отчет с фильтрами, в котором выводятся результаты расчетов прогнозируемой эффективности размещения в зависимости от региона, профессии и тарифа. Менеджер видит результаты и может их выгрузить в формате CSV для дальнейшего использования. Таким образом, созданное решение – это визуализированная модель прогноза эффективности. При реализации проекта были использованы Clickhouse, PostgreSQL как средства хранения данных и Superset в качестве системы визуализации.

- Что в ходе проекта было наиболее сложным?

Мы делали несколько итераций проекта ввиду того, что у нас сложная система тарифов и было необходимо учесть все особенности. Например, тариф может быть применен не сразу при размещении вакансии, а спустя какое-то время, или к одной вакансии последовательно применяются разные тарифы и дополнительные опции для продвижения. Кроме того, разные вакансии размещаются на разные сроки, что также влияет на общее количество откликов, звонков, показов и других параметров, которые важны для демонстрации клиенту и формирования коммерческого предложения. Для этого мы нормировали расчеты, чтобы их можно было применять к любому периоду размещения.

Одним из самых сложных моментов было создание группового справочника профессий, так как клиенты могут называть вакансии как угодно, но самом деле они могут значить одно и то же (например, «специалист контакт-центра», «оператор колл-центра» и т.п.), поэтому нам было важно учитывать в статистике синонимы. Вторая сложная задача – корректное разделение статистики эффективности по регионам, так как ряд вакансий с вахтовым и удаленным режимом работы размещаются сразу по всей России. Соответственно, нужно было разделить эффективность по конкретным территориям, где происходили отклики, что не всегда просто – например, для звонка не обязательна регистрация, чтобы можно было легко определить регион совершения полезного для работодателя действия.

Нам было необходимо разработать инструмент, который дает команде продаж репрезентативные данные, потому что именно на их основании менеджеры составляют предложения клиентам. Исходя из этих же расчетов, клиенты далее формируют ожидания по эффективности нашего продукта. Поэтому было важно учесть качество и точность прогноза при расчетах, чтобы, с одной стороны, повысить скорость общения с клиентами, а с другой – не давать клиентам неверного представления о том, что будет, если они выберут тот или иной тариф.

- Чем гордитесь, что удалось наиболее удачно?

Проект демонстрирует высокую эффективность в рамках операционной деятельности, внося значительный вклад в повышение результативности и, как следствие, – увеличение общей выручки компании. Благодаря автоматизации подготовки коммерческого предложения клиенты получают более оперативные и актуальные рекомендации о конкуренции в их регионе и в специфической профессиональной сфере, что, в свою очередь, стимулирует их решение приобрести более премиальный тариф, позволяя им таким образом быстрее закрывать открытые вакансии.

Также мы гордимся сроками, в которые был выполнен проект: его реализация заняла всего один месяц от момента составления технического задания до запуска. Отдельно отмечу, что в разработке проекта принимали активное участие всего два человека – аналитик и представитель команды дата-инженеров.

- Какие результаты были достигнуты?

До внедрения этого решения на подготовку коммерческого предложения уходило до четырех часов работы сотрудников. Теперь этот процесс значительно ускорен и занимает около 10 минут.

Результаты проведенных A/B-тестов показывают, что конверсия в продажу по тем, кто использовал новый интерфейс, увеличилась на 11%, а средний чек их клиентов – на 8%. Данные результаты, несомненно, отразились и на финансовом положении «Работа.ру». С момента внедрения инструмента инкрементальный рост выручки составил 16%, что является хорошим достижением.

Автоматизация подготовки коммерческого предложения стала важным шагом для «Работа.ру». Проект позволил повысить уровень обслуживания клиентов и репутацию компании в их глазах. Также удалось увеличить количество новых клиентов и поднять выручку, что является одним из ключевых факторов успеха и развития компании.

- Что дальше? В каком направлении планируется развивать проект?

Мы намерены усовершенствовать наш продукт, делая его более сложным, фокусируясь на повышении качества прогнозирования. Цель – расширить перечень профессий и охватить все сферы, предоставляя более гибкие настройки. Также наш план включает увеличение детализации данных и повышение точности прогнозов. Например, учитывать не просто профессию «водитель», а «водитель категории А», «водитель категории В» и т.д. Дополнительно рассматриваем возможность добавления новых фильтров по территории размещения вакансий – сейчас они работают только по регионам, но мы хотим расширить функционал до конкретных городов.

HiFi-стриминг Звук решил задачу по автоматическому извлечению и анализу текстов песен. Это важно как с точки зрения фильтрации контента, так и для выдачи рекомендаций пользователям. В чем уникальность проекта, как идет его реализация и каковы первые достигнутые результаты, – рассказывает Дмитрий Берестнев, Chief Data Scientist HiFi-стриминга «Звук» и номинант на премию Data Award.

– Что побудило вас к разработке решения для автоматического извлечения и анализа текстов песен?

Многие пользователи «Звука» любят подпевать любимым трекам, а кто-то даже учит с их помощью иностранные языки, поэтому тексты песен важны. Как и необходимы тексты самому музыкальному стримингу для качественной работы с аудиоконтентом.

С помощью текстов автоматизируются процессы классификации музыки по тематикам и смыслу, происходит фильтрация детского контента и поиск «взрослого» контента. Кроме того, данные, получаемые из текстов, активно используются в рекомендациях. Однако у большей части музыкальных треков нет текстов песен – по статистике, это 60-70%. Причина проста: лейблы и музыканты просто не загружают лирику в стриминги. Поэтому команда «Звука» решила разработать собственное ML-решение для автоматизации извлечения и анализа текстов.

– В чем его уникальность?

На текущий момент на рынке нет готовых открытых решений категории speech2text для распознавания текста из песен. Все, что есть, относительно неплохо работает только с обычной речью. В рамках нашего ML-пайплайна были адаптированы и модернизированы существующие open source решения для работы с музыкой.

– В чем проблемы? Каковы сложности?

Прежде всего, для полноценного ML-обучения недостаточно просто текстов песен (лирики). Требуются точные таймкоды слов – то есть нужна качественная разметка данных. Чаще всего с этим возникает проблема. Кроме того, мы столкнулись с тем, что в открытом доступе нет больших качественных наборов данных (датасетов), на основании которых можно было бы обучить ML-модель. Наконец, нет готовых ML-моделей для распознавания вокала. Причина банальна – нет запроса на такую задачу и, как следствие, низка заинтересованность сообщества, занимающегося вопросами распознавания речи.

– Какой подход вы выбрали для решения задачи?

Мы ориентировались на open source решения OpenAl (разные версии Whisper, построенные на базе архитектуры нейросетей типа Transformer) и Nvidia (NeMo на основе архитектуры Conformer). Они тестировались в рамках серии экспериментов, в которых подбирались гиперпараметры для достижения наилучшего качества транскрибации, измеренного с помощью прокси-метрики WER (Word Error Rate – процент неправильно распознанных слов) на размеченном датасете. В итоге, мы выбрали Whisper V3 c установленным набором гиперпараметров. Также дополнительно исследовалось использование предварительной обработки исходных аудиоданных через детекторы активности голоса (Voice Activity Detectors, VAD) и модели выделения голоса (DEMUGS). Это было необходимо для того, чтобы адаптированный очищенный аудиофайл подавался на вход модели транскрибации для улучшения ее качества работы. После получения результатов в виде распознанного текста тестировалось применение «опечаточников» на основании моделей (типа Т5) и регулярных выражений.

– Какие требования предъявлялись к создаваемому решению?

Нам требовался пайплайн последовательной обработки большого числа аудиофайлов (пакетный режим) с последующим сохранением во внутренние хранилища данных. При этом решение должно хорошо работать и с русским, и с английским языком.

Что касается точности модели, то целевой метрикой являлась экспертная оценка MOS (Mean Opinion Score). Качества получаемой разметки должно быть достаточно для понимания смысла песни.

Кроме того, для оценки качества работы системы мы использовали метрику WER, которая не должна была превышать 30%. Идеальным показателем в распознавании речи на русском языке считается 7,1, но это сильно зависит от датасета. В последнем соревновании по автоматическому распознаванию текста лучшие результаты WER на английском языке составляли от 11,5 до 24,3 для различных датасетов. Исходя из этого, нами был выбран порог успеха в 30%.

Целевая скорость работы модели должна составлять не более 8 секунд на трек.

– Какие данные и платформы были использованы?

Инструментами разработки выступили Python/Pytorch, Airflow, CUDA, ML-flow и Triton Inference Server.

В базе Звука более 70 млн музыкальных треков, из них около половины с вокалом. Порядка 30% уже размечены, однако каждую неделю в базу добавляются еще примерно 150 тыс. треков. Таким образом, обработке подлежат не менее 22 млн треков.

– Что собой представляет созданное решение?

Готовый пайплайн — это полноценный ML-сервис, развернутый в нашем внутреннем кластере Kubernetes. Он в режиме batch-обработки поданного на вход музыкального файла извлекает из него текст и выгружает во внутреннее хранилище данных.

– Какие результаты достигнуты и ожидаются?

На основе экспериментов с 5 тыс. песен в разных жанрах (это 2 тыс. часов песен), мы уже знаем, что лучше всего распознаются слова песен в жанрах Folk, World, Country, Non-music и Jazz. Сложнее – в Metal и Classical.

При этом достигнуты важные показатели: точность распознавания характеризуется метриками WER = 24,5, MOS = 3,665, а скорость работы составляет 3,8 секунды на трек.

– Реально ли оценить финансовый эффект от реализации проекта – например, влияние более качественных рекомендаций?

В ближайшей перспективе мы сможем проверить порядка 22 млн треков на наличие explicit-контента, что повысит разнообразие наших рекомендаций для разных категорий пользователей. Мы рассчитываем на то, что более разнообразный контент положительно скажется на росте клиентской базы и общего времени использования нашего музыкального сервиса (zvuk.com).

– Какую роль играет созданное решение для бизнеса компании?

Проект позволит решить проблему отсутствия текстов песен и их качественной разметки для последующей модерации и фильтрации контента, а это важно для рекомендаций. Кроме того, понимая текст, можно уберечь детей от «взрослого» аудиоконтента.

– В каких направлениях будет развиваться проект?

Мы планируем оптимизировать процесс в части увеличения скорости работы, а также повысить качество распознавания лирики для наиболее сложных категорий музыкального контента – например, музыки в категории Metal. Кроме того, благодаря дополнительно собранным текстам мы будем уточнять и перестраивать наши рекомендательные алгоритмы для повышения их качества. В «Звуке» более 20 различных музыкальных сервисов персональных рекомендаций. Это рекомендации плейлистов дня, новинок, артистов, бесконечные последовательные рекомендации в режиме реального времени, реагирующие на пользовательскую активность и обратную связь для выбора наиболее релевантного музыкального трека («Сила Звука»), бесконечные проигрывания по треку и артисту и многие другие. Дополнительно извлеченная лирика поможет вывести перечисленные сервисы на новый уровень.

«СберФакторинг» собственными силами построил систему управления данными SBF DM. За счет этого компании удалось обеспечить «Единое окно» по работе с данными, упорядочив процессы и повысив их качество. О реализации проекта рассказывает Михаил Пекер, директор по управлению данными «СберФакторинг» и номинант на премию Data Award.

- Что привело к реализации проекта по управлению данными в «СберФакторинг»? В чем заключались проблемы, какова была головная боль бизнеса?

У нас долгое время не было функции по управлению данными. Не было четкого описания, категоризации и разметки данных, понимания, кто ими владеет. В результате появлялись расхождения в терминах, их определениях, в бизнес-сущностях, их составе и связях, возникали ошибки в отчетах. Основные знания и понимание работы систем на уровне базы данных были лишь у определенных экспертов, и они не были централизованы. Следствием этого становились дополнительные трудозатраты сотрудников на поиск необходимой информации, проработку новых задач, а также анализ и устранение проблем. Повышались риски потери экспертизы, а также риски кибербезопасности. А это может быть критично для финансовой компании.

Кроме того, у руководства компании было желание получать дополнительную пользу от уже существующих данных. Эти предпосылки послужили катализатором для построения и развития функции по управлению данными в компании.

В начале 2023 года нам удалось сделать важный шаг для построения в компании функции по управлению данными – создать и внедрить собственную автоматизированную систему Sberfactoring data management (SBF DM). Конечно, это был лишь первый шаг, который требовал развития и реализации целого комплекса организационных и технических мероприятий. На это и была ориентирована наша команда в 2023 году.

- Какой был выбран подход для решения этих проблем?

Определив методологию, на базе которой мы выстраиваем функцию по управлению данными в компании и стратегию развития, мы находились в контакте с заинтересованными сторонами – представителями ИТ- и бизнес-подразделений. Нам было важно учесть специфику бизнеса, существующие процессы и пожелания наших коллег. Поэтому в начале каждого нового этапа развития обсуждали, что планируется сделать, как будет работать новый функционал или процесс, от кого какое участие потребуется, ну и конечно, как это поможет им в решении рабочих задач и какую пользу принесет компании.

- Какие задачи стояли перед проектом?

В рамках проекта предстояло создать набор инструментов и процессов, который был бы удобен сотрудникам компании и позволял решить несколько ключевых задач. Было важно определить категории и разметить данные, разграничить доступ к данным, создать и автоматизировать процесс доступа к данным. Требовалось создать корпоративную модель данных – концептуальную, логическую и физическую модели. Наконец, стремились сократить время поиска и согласования использования необходимых данных, а также снизить риски качества данных, сократить количество инцидентов качества данных.

- Какие требования предъявлялись к будущему решению?

Нам было необходимо не просто охватывать основные области знаний и процессы управления данными, но реально сделать их доступными, понятными и удобными для всех сотрудников компании. Для этого требовалось учитывать специфику деятельности "СберФакторинга", бизнес-процессы компании, а также рекомендации со стороны «Сбера». И конечно, решение должно было укладываться в рамки выделенного бюджета.

- На каких технологиях реализован проект?

Изначально для реализации проекта мы рассматривали несколько очевидных вариантов: покупку существующего на рынке продукта, установку и развитие открытого ПО и разработку решения внутренними ресурсами компании. Проанализировав плюсы и минусы, существующие риски и ограничения по каждому из этих вариантов, было принято решение строить SBF DM внутренними ресурсами компании. Кстати, уже в процессе разработки собственного решения в 2023 году мы дополнительно рассмотрели еще несколько вариантов вендорских решений и открытого ПО, но все равно приходили к выводу, что выбрали верный для себя курс.

Основа системы написана на Python. Это извлечение данных, преобразование и загрузка, а также механизмы взаимодействия с другими автоматизированными системами и базами данных. Для оркестрации, визуализации и поиска необходимой информации мы адаптировали некоторые open source решения – в частности, Airflow и Superset. В конце 2023 года мы добавили еще один компонент – DocHub. Используя его и язык JSONata, нам удалось добиться той наглядности и интерактивности логической модели данных, которую мы с коллегами хотели видеть.

- Каких ресурсов потребовала реализация проекта?

Масштаб проекта оценивается около 9 тыс. человеко-часов. В реализацию были вовлечены представители различных подразделений. Основные ресурсы были выделены со стороны команды ИТ, офиса CDO. Но и представители бизнес-подразделений, а также методологи активно принимали участие на различных этапах. Это позволило добиться наибольшей эффективности при реализации проекта.

- Каких результатов удалось достичь? Чем можно похвастаться?

В течение 2023 года мы активно развивали наш продукт. Проработали и внедрили модели данных, которые помогают избежать расхождений в трактовке и определении бизнес-сущностей. Это, в совокупности с наглядной визуализацией, делает адаптацию новых сотрудников быстрее и проще. Помимо этого, можно выделить несколько количественных показателей. Мы в среднем на 20-25% сократили время поиска данных, которое обычно требуется коллегам при развитии продуктов и процессов. Удалось на 33% снизить количество инцидентов качества данных. Финансовый эффект от автоматизированной разметки и применения ML-модели поиска чувствительных данных составил более 20 млн руб. Кроме того, мы смягчили риски негативного влияния новых релизов на смежные продукты и процессы компании, а также разграничили доступ к данным и автоматизировали процессы согласования и предоставления доступа.

- Что представляет собой решение, какие компоненты оно включает?

SBF DM является комплексным решением, которое позволяет автоматизировать ряд процессов по управлению данными согласно DAMA-DMBoK. Решение включает в себя пять ключевых компонентов.

Во-первых, это бизнес-глоссарий, который позволяет получить информацию об основных для компании терминах, их определениях, статусе, датам ввода в эксплуатацию и изменению, а также владельце. Дополнительно в глоссарий включены наиболее распространенные аббревиатуры, встречающиеся в компании.

Второй компонент – логическая модель данных. Она отображает информацию о бизнес-сущностях компании: основные объекты бизнес-процессов, их взаимосвязи и атрибутный состав, принадлежность к тому или иному бизнес-продукту и автоматизированной системе. Кроме того, она содержит информацию о связи логической модели данных с физической на уровне бизнес-сущность – таблица в базе данных, атрибут – поле в таблице базы данных. Функционал данного модуля системы доступен как в табличном, так и в схематичном виде.

Третья составляющая – реестр (каталог) данных, позволяющий найти информацию о таблицах в базах данных компании и узнать, к каким системам и продуктам они относятся. Также в реестре данных содержится описание этих таблиц и признак их критичности для компании или наличия персональных данных. Реестр позволяет осуществить и более глубокий поиск необходимой информации – на уровне полей таблиц, как по названию полей, так и по описанию.

Еще один важный элемент – реестр отчетов. Он отображает информацию об отчетах компании, их статусах и владельцах, позволяет посмотреть общую статистику в различных разрезах. Также с его помощью можно получить детальную информацию по использованию любого из отчетов по подразделениям и пользователям, работающим с этим отчетом и статистике количества запусков за интересующий период.

Наконец, модель поиска чувствительных данных. Она позволяет получить актуальную информацию о наличии персональных данных (ПДн) физических лиц в таблицах баз данных. Модель анализирует записи в таблицах баз данных и сообщает в случае нахождения, возвращая названия таблиц и сообщая о признаке, по которому она разметила таблицу как содержащую ПДн. Результат работы модели и статистика в различных разрезах выводятся на разработанных для этого дашбордах.

- Как появление SBF DM отразилось на процессах работы с данными?

Появление данного инструмента не только сделало удобнее работу по ряду процессов, таких как управление архитектурой, безопасностью, качеством данных, метаданными, НСИ, но и обеспечило необходимою доступность и централизацию информации в рамках развития функции по управлению данными в «СберФакторинг».

- Как вы намерены бороться за качество данных? Как будете его измерять?

Качество данных – это одно из важнейших направлений, которому уделяется большое внимание в компании. Для его развития мы проводим как технические, так и организационные мероприятия. В рамках технических мероприятий производится разработка самих проверок качества данных, постановка их на мониторинг, подключения каналов информирования ответственных специалистов об отклонениях, и исправления выявленных отклонений. С организационной точки зрения мы формируем требования к качеству данных, договариваемся с владельцами данных о сроках реагирования и устранения отклонений.

В 2023 году мы начали измерять несколько показателей. К примеру, нам удалось сократить количество инцидентов качества данных на 33%, а доступность или «свежесть» данных – от момента их внесения в систему-источник до отображения в отчете – смогли повысить примерно в 2,5 раза. Кроме того, мы добавили автоматические напоминания разработчикам о необходимости описания таблиц там, где оно отсутствует, чтобы четко понимать точки для улучшения. Также мы будем измерять охват и глубину реализации проверок качества данных как на стороне корпоративного хранилища данных, так и на стороне систем-источников данных.

- Каковы планы по развитию платформы управления данными?

Безусловно, мы планируем развивать нашу систему, так как сейчас она является единым окном, через которое сотрудники компании могут получить необходимую информацию о данных, владельцах, терминах, определениях. Мы будем делать ее еще более удобной для пользователей и расширять ее функционал. Среди ближайших шагов, которые мы планируем, – добавить связь физической и логической моделей данных на уровне сервисов взаимодействия автоматизированных систем с бизнес-сущностями и процессами, а также реализовать модуль качества данных, чтобы перевести существующие процессы по данному направлению в нашу систему.

Помимо внутренних пользователей, наш опыт и инструменты оказались интересны и коллегам из других компаний. Учитывая этот интерес, наша команда совместно с командой Центра технологического консалтинга «Сбера» организовала демонстрационный стенд, на котором развернули SBF DM и наполнили синтетическими данными. Доступ к демостенду предоставляется по запросу. Таким образом, коллеги могут не только посмотреть демо в рамках видеоконференции или на очной встрече, но и самостоятельно познакомиться поближе с функционалом и возможностями нашей системы в любое удобное для себя время.

Выявление новых рынков, перспективных технологий и методов их использования в условиях переизбытка информации тоже требуют подхода на основе данных. Принятие стратегических решений является критически важным процессом, где стоимость ошибки крайне высока. Автоматизировать работу аналитиков для решения части этих задач позволяет платформа TeqViser. О ее создании рассказывает Тимур Меджидов, руководитель департамента управления проектами «Айкумен ИБС» (ДЗО ПАО «Ростелеком») и номинант на премию Data Award.

- Какова история создания проекта TeqViser?

Изначально проект создавался в 2016 году как инструмент помощи аналитикам внутренних институтов «Ростелекома». Мы хотели перейти на data-driven подход для принятия стратегических решений, которые были бы в будущем основаны на данных. Для этого нам нужна была некая база знаний про все технологии. Мы выбрали источники, которые считали качественными и полезными – это научные статьи, патенты, данные по инвестициям, публикации отраслевых СМИ. При помощи сильного лингвистического аппарата, развитых механизмов обработки данных и других технологий мы объединили данные, которые казались нам интересными, и создали инструмент для их анализа при помощи алгоритмов обработки естественного языка и технологий искусственного интеллекта. Этот инструмент позволил нам начать принимать те или иные стратегические решения на качественно новом уровне. Так появился TeqViser.

- Какие задачи он призван решать?

Очень важна задача приоритизации технологий для инвестирования, создания новых продуктов, услуг, сервисов. Даже такая большая компания, как Ростелеком, не может заниматься всем – необходимо расставлять приоритеты. С помощью платформы TeqViser мы анализируем более 120 различных технологий и выбираем наиболее приоритетные для нас направления. Определив, например, Топ-10 наиболее перспективных технологий в какой-то сфере, компания может считать их стратегическими и работать над их внедрением.

Результаты анализа TeqViser могут применяться в венчурных фондах, продуктовых офисах, R&D-центрах и так далее. Это первый класс задач, когда компания пытается определить, на каких направлениях стоит сфокусироваться. Второе направление – разного рода бенчмаркинги, когда компания сравнивает себя с конкурентами, ведет конкурентную разведку, в том числе в отношении международных компаний.

Также с помощью платформы мы ищем так называемые «слабые сигналы». Слабые технологические сигналы – это те технологии, которые только зарождаются. И чем раньше удастся найти перспективную технологию, инвестировать в нее на ранней стадии, тем больше выгоды компания получит в будущем. Многие компании пытаются найти эти слабые сигналы, используя различные инструменты. Мы делаем это в том числе с использованием платформы TeqViser, которую создали специально для этих задач, основываясь на широкой накопленной экспертизе.

Наконец, можно исследовать кейсы применения технологий. С помощью платформы мы можем понимать, что происходит в науке, что выделяется из общего ряда, какой стартап «выстрелил». Мы собираем эту информацию и анализируем с помощью аналитиков. Это позволяет найти стартапы для инвестирования, открыть R&D-центр под какую-то технологию для более глубокого исследования и т.д.

- Почему это важно?

Задача технологического прогнозирования в целом не решена человечеством, но наша платформа существенно приближает его к этой цели. Таких систем в мире мало – можно на пальцах пересчитать. В России инструменты для качественного анализа технологий предоставляет только TeqViser. Хороший анализ, мы надеемся, приводит к хорошим решениям, а дальше – и к прибыли для компаний.

- Какие принципы заложены в платформу?

Мы собрали все данные, которые считаем качественными. У нас больше 100 млн разных материалов. Мы разработали поисковый движок, благодаря которому можем осуществлять поиск во всем этом массиве. Мы можем делать разные виды графики, дашборды, грамотно визуализировать данные, что облегчает аналитику и помогает лицам, принимающим решения. Также у нас есть инструменты машинного обучения, которые помогают делать сложные вещи – например, кластеризацию, перевод. И сейчас мы добавляем чат, который еще больше упростит жизнь наших пользователей.

- Какой математический аппарат используется?

В платформе широко используются различные математические модели, в том числе с применением нейросетевых алгоритмов. Например, это комбинация лингвистических и статистических методов обработки текстовой информации для выявления трендов, методы машинной очистки и нормализации текстовой информации для работы с именованными сущностями, методы многомерной кластеризации текстовых документов, построение семантических векторов документов. Конечно, применяются алгоритмы OLAP и машинного перевода документов с иностранных языков.

- Что собой представляет платформа TeqViser? Как она работает?

Это система, которая позволяет находить и исследовать технологии. С помощью роботов она собирает данные из открытых информационных источников, а посредством предоставляемого API собирает данные из закрытых баз данных. Данные могут представлять собой научные публикации, новости о технологиях, патенты и инвестиции. Они проходят семантический анализ, после чего становятся доступными для поиска, прочтения и работы с ними – например, построения различных аналитических виджетов.

- Каков портрет типичного клиента? Кто заинтересован в подобных решениях?

Это крупные компании, которые хотят проводить собственные исследования и делать прогнозы на данных. Пока только они озадачиваются необходимостью использовать такого рода инструменты. Внутри компаний пользователи – это инновационные центры, директора по инновациям, инвестиционные аналитики. По отраслям ограничений нет.

- Что является результатом использования платформы для заказчика?

Результатом являются приоритетные для развития технологии, кейсы применения технологий, анализ конкурентов, их технологического стека, на основании которых принимаются стратегически важные решения для компании.

- Какие результаты могут достигаться?

Если глобально, то это создание новых направлений бизнеса, принятие решений об инвестировании в технологически новые направления. Например, для Ростелекома это может исчисляться миллиардами и десятками миллиардов рублей, как и для любой большой компании. Также есть побочный эффект – экономия бюджета аналитической команды, поскольку использование TeqViser заменяет работу аналитиков начального уровня и оптимизирует работу экспертов.

- Приведите примеры.

Например, в Ростелекоме были созданы офисы индустриального интернета и запуск направления квантовых технологий. Еще помогали заказчикам наполнять воронку кейсов применения, которые они дальше пилотировали, совершали покупку стартапов, внедряли в свою деятельность новые бизнес-процессы, находили новые сферы применения в существующих технологиях.

- Реально ли в этом случае оценить экономический эффект?

Здесь оценить эффект от технологий можно несколькими способами: это либо экономия, либо получение дохода, либо наращивание капитализации. Понятно, что эффект этот косвенный, и стоит еще учитывать упущенную выгоду.

Условно говоря, мы начали заниматься квантовыми технологиями. Сейчас это не монетизируется, но на горизонте пяти лет можно ожидать появление рынка в несколько десятков миллиардов рублей, и мы займем на нем какую-то долю. Тогда эффект может исчисляться миллиардами и десятками миллиардов рублей. Компания, которую «Ростелеком» в прошлом купил, основываясь на анализе в TeqViser, сейчас приносит около 20 млрд руб. выручки.

- Какие аргументы могут убедить руководителя компании инвестировать в подобные решения?

Многие, наверное, слышали про компанию Theranos, которая пыталась определять все болезни на свете по капле крови, но это ни к чему не привело. В итоге основательницу компании посадили, а Netflix снял про это фильм. Это был хайповый проект, в который много кто проинвестировал, но за этим не стояло научной составляющей. И если проанализировать науку и патенты, то, скорее всего, будет видно, что по капле крови просто невозможно определить все болезни, и риски инвестиций огромны.

Примерно то же самое мы доказываем про технологии NFT. На наших данных видно, что это спекулятивная технология, что за ней не стоит ни наука, ни патенты, она подвержена спекулятивным механизмам. То есть в нее мы не рекомендуем инвестировать, потому что завтра этот пузырь может лопнуть. Собственно, так и происходит.

То есть, обычно мы показываем на каких-то примерах, которые релевантны заказчику, что он может получить с использованием результатов TeqViser и без них.

- В каком направлении будет развиваться платформа?

Мы будем развивать систему, подключать еще большее количество данных, учиться работать с новыми языками. Второе направление – это все, что связано с алгоритмами: нейросетями и искусственным интеллектом. Продолжим совершенствовать алгоритмы и делать всю нашу аналитику эффективнее и проще для пользователя. Наша задача – снизить порог входа в систему, чтобы пользователи могли достигать тех результатов, которые они хотят, не обладая обширной экспертизой.

«Северсталь» разработала комплекс моделей машинного обучения для линии окомкования окатышей. Система, внедренная на «Карельском окатыше», автоматически управляет скоростью вращения оборудования и выдает рекомендации по дозировке железорудного концентрата, что позволяет повысить производительность агрегата с сохранением качества продукции. При создании решения для повышения устойчивости и качества использовались некоторые элементы физически информированного машинного обучения (Physics Informed ML). Решение стало уникальным для комбината симбиозом физического моделирования, алгоритмов машинного обучения и компьютерного зрения. О реализации проекта рассказывает Андрей Голов, руководитель Центра искусственного интеллекта «Северстали» и номинант на премию Data Award.

- В чем заключалась решаемая задача?

Речь идет об оптимизации важного технологического процесса. Окомкование пылеобразного железорудного концентрата в окатыши нужно для его более удобной транспортировки и последующего эффективного использования в доменной печи для производства чугуна. Для оптимального протекания процесса выплавки требуются окатыши размера 10-12,5 мм: именно в этом случае обеспечивается оптимальная пористость и газопроницаемость слоя при термообработке, что приводит к улучшению качества готовой продукции. Производство окатышей осуществляется в условиях постоянно изменяющихся характеристик концентрата, что влияет на распределение окатышей по классам крупности на выходе из окомкователя. Это яркий пример процесса, где было высоко влияние человеческого фактора, от которого требовалось уходить.

- Почему это важно для компании?

Мы уже несколько лет последовательно внедряем data-driven подход к принятию решений на производстве. В направлении переработки продукции – в прокатном производстве – у нас уже было достаточно много успешных проектов, а теперь мы оцифровываем и ресурсные предприятия, где происходит добыча железной руды.

- Как задача решалась ранее?

Ранее оператор управлял процессом окомкования вручную на основании экспертизы и лабораторных проб, которые производятся раз в несколько часов, а по некоторым параметрам – раз в сутки. И, конечно, у операторов не было индикатора, который мог бы точно определить долю гранул нужного размера.

Оперативный контроль гранулометрического состава окатышей производился визуально с высоты нескольких метров. В таких условиях невозможно осуществлять постоянный и точный контроль целевого класса крупности окатышей и своевременно реагировать на изменившиеся характеристики сырья. Одним из важных параметров на этапе обжига является влажность сырых окатышей. Оператор измерял влажность окатыша тактильно «наощупь», что давало крайне субъективную оценку низкой точности.

- Какой был выбран подход?

Мы решили совместить технологии компьютерного зрения с классическими моделями машинного обучения, опираясь на физическое моделирование процесса.

- Что представляет собой созданное решение?

На основе анализа изображений с камер с высоким разрешением модель компьютерного зрения определяет влажность и гранулометрический состав сырых окатышей. Нейронная сеть точно определяет контур и размеры окатышей, в том числе те, которые частично скрыты под первым слоем окатышей. Система компьютерного зрения осуществляет непрерывный мониторинг и обеспечивает поток информации в систему управления линией окомкования, что позволяет автоматически управлять и оперативно реагировать на изменение параметров процесса.

Модели машинного обучения для управления процессом окомкования автоматически управляют скоростью вращения окомкователя и дозировкой бентонита, выдают рекомендации по дозировке железорудного концентрата, что позволяет повысить производительность агрегата с сохранением качества продукции, либо увеличить процент класса 10-12,5 мм при сохранении производительности.

Помимо периодического переобучения модели под долгосрочные тренды, модель в онлайн-режиме подстраивается под различные возмущающие факторы и учитывает их для более точных предсказаний в режиме реального времени.

- Какие инструменты использованы?

Система построена на платформе нашего озера данных. Сбор потоковых технологических данных с агрегатов окомкования с интерфейсом OPC осуществляется с помощью Nifi и собственных сервисов на Java, для оперативного хранения используется шина данных Kafka, для долгосрочного – Hadoop.

Само решение написано на языке Python и обернуто в Docker-контейнер, оркестрация организована в Kubernetes. В части компьютерного зрения использовались собственные разработки по сбору и обработке видеопотока.

- В чем уникальность проекта?

При создании решения для повышения устойчивости и качества нами использовались некоторые элементы физически информированного машинного обучения (Physics Informed ML).

В работе над проектом мы столкнулись с двумя проблемами. Одна из них заключалась в том, что данные по процессу были достаточно шумные, и не все важные свойства руды можно было измерять в онлайне. Вторая проблема – отсутствие достаточного количества разнообразных режимов работы агрегата и, как следствие, не разнообразный датасет. Все попытки обучить модель на том, что есть, приводили к тому, что она описывала поведение агрегата в новых режимах работы не очень адекватно, а выдаваемые ею результаты не соответствовали физике процесса. И для этого мы добавили при обучении модели физические ограничения в виде уравнений и зависимостей, характеризующих технологический процесс, которые зашили в виде регуляризаторов. Это помогло повысить предсказательную силу модели в новых режимах работы и, как следствие, оптимально подстраивать в онлайне работу агрегата к изменяющимся свойствам сырья.

- Что способно дать физически информированное машинное обучение «Северстали»? Насколько перспективным считаете это направление, в том числе для отрасли в целом? Где и как оно может быть использовано?

Physics Informed ML – это перспективное направление, особенно в промышленности, где мы часто имеем дело с шумными измерениями и маленькими выборками данных. Оно объединяет преимущества физического моделирования на основе дифференциальных уравнений и классического машинного обучения. Уравнения, присущие физическому моделированию, решаются с помощью численных схем довольно точно, но долго. Машинное обучение может быстро выявлять сложные зависимости из данных, но сильно зависит от качества самих данных, а в некоторых случаях результаты могут противоречить законам физики. Объединение этих подходов позволяет взять лучшее из каждого из них: в итоге дифференциальные уравнения, отвечающие за соответствие физическим законам, решаются на порядок быстрее, а неточности физических моделей и неучтенные ими процессы компенсируются реальными данными от модели машинного обучения.

- Какие результаты достигнуты и ожидаются? Насколько получаемый результат серьезен для компании?

Мы подтвердили возможность за счет использования модели повысить производительность на 11% относительно других линий с сохранением качества продукции, либо увеличить процент окатышей класса 10-12,5 мм на 2,3% при сохранении производительности.

- В чем роль этого проекта для бизнеса компании?

Во-первых, управление процессом окомкования в автоматическом режиме ограничило влияние человеческого фактора и снизило нагрузку на операторов. Кроме того, начинающему рабочему стало гораздо проще влиться в работу, так как ему не приходится опираться на собственный опыт, которого пока немного, или на опыт старших коллег.

Во-вторых, решение дает возможность не только контролировать процесс окомкования и управлять им, но и стандартизировать работу обжиговой машины. Оно успешно пропилотировано на одной из шести линий окомкования и будет тиражировано на другие линии.

В-третьих, реализованный проект стал уникальным для нашего комбината симбиозом физического моделирования, алгоритмов машинного обучения и компьютерного зрения.

- В каком направлении будет развиваться проект?

Сейчас мы уже ведем работы по тиражированию решения на другие технологические линии. В будущем планируем усложнить это решение за счет функции управления в специфичных режимах работы окомкователей.

Благодаря диспетчеризации открытых и подземных горных работ компания АЛРОСА повысила эффективность и безопасность добычи на своих объектах. Внедренное решение АСУ ГТК «Карьер» сделало прозрачными производственные процессы на подземном руднике «Удачный» и на Мирнинско-Нюрбинском ГОКе. О реализации проекта рассказывает Иван Бобряшов, руководитель программы проектов АЛРОСА ИТ и номинант на премию Data Award.

— Что привело АЛРОСА к реализации проекта? Каковы были бизнес-боли, чем не устраивала ситуация?

Мы видели необходимость в повышении операционной эффективности компании. Этого мы могли достичь за счет гибкого управления процессами на горизонте смены и улучшения дисциплины исполнения плана производства. Нам требовалась автоматизация сбора данных по рудопотоку и позабойный контроль выпуска руды. Кроме того, стояла задача автоматизировать отслеживание ключевых показателей эффективности горной техники и создать базу данных для аналитики. И цифровизация стала способом, чтобы решить наши «боли». Она дала нам новое качество управления производством.

— Какие поставили цели перед проектом?

Была поставлена задача перейти на оперативное управление производством на базе системы диспетчеризации: наладить сбор данных с горнодобывающей техники и стационарного оборудования для принятия управленческих решений на базе показателей эффективности.

— Сейчас АЛРОСА ведет несколько проектов по диспетчеризации своих карьеров и рудников. А с чего все началось?

Возможность оперативного контроля за добычей, а также возможность выявления и анализа неэффективности в процессе откатки, дали хорошие эффекты на открытых горных работах, в карьере. Поэтому было решено пробовать аналогичный подход в руднике.

— Как вы выбирали решение?

Решений по работе в подземке было на рынке в тот момент было несколько, но мы решили остановиться на коллегах, у которых уже был успешный опыт реализации подобного проекта в аналогичных сверхжестких условиях эксплуатации. И действительно, их опыт оказался крайне полезен, хотя, конечно, пришлось работать со спецификой нашего рудника и отвечать на новые вызовы всей командой.

— На каком решении вы в итоге остановились?

Мы использовали решение АСУ ГТК «Карьер» компании «Цифра». Оно в автоматическом режиме собирает информацию о работе горнотранспортного комплекса и дает объективную картину текущего состояния процесса добычи и грузоперевозок. Диспетчер на центральном пульте может отслеживать передвижение как всей техники, так и отдельных единиц на мониторе компьютера — в реальном времени и за произвольные предыдущие периоды. Там же отображается текущий статус эксплуатации оборудования, факты отклонения его работы от плана и маршрута, снижение скорости. Контроль и анализ функционирования горнотранспортного парка позволяет повысить уровень дисциплины операторов горной техники и коэффициент использования горного оборудования.

— Что было сделано в рамках проекта?

Мы начали с рудника «Удачный». Оснастили связью Wi-Fi все основные добычные горизонты, гараж, ремонтные участки, места пересменок, подключили около полусотни единиц горной техники, реализовали интеграции со стационарным оборудованием, с системой координатного позиционирования, с MES-системой. Отладили автоматическую и ручную классификацию статусов подвижного и стационарного оборудования, сделали чат для связи «машинист-диспетчер», наладили сбор данных с самоходного горно-шахтного оборудования и мониторинг рудопотока в реальном времени. Была внедрена целевая модель оперативного управления производством на базе системы диспетчеризации и мгновенное отслеживание показателей эффективности техники.

— Что собой представляет созданное решение?

Решение помогает повысить производительность, уменьшить издержки на эксплуатацию горнотранспортного комплекса, а также обеспечить безопасность ведения работ на карьерах и рудниках. На технику устанавливаются датчики и бортовые средства диагностики состояния и передачи данных, настраивается беспроводная сеть на карьере или в подземном руднике. Далее устанавливается программный мониторинг на централизованном пульте, где диспетчер видит отклонения от плана в каждом звене и может оперативно вмешаться и повлиять на ход работ.

— Каких результатов удалось достичь, как это соотносится с ожиданиями?

Весь рабочий процесс добычи алмазов отображается в режиме реального времени на информационных панелях, позволяющих контролировать статусы техники, процесс добычи руды и показатели эффективности в целом и каждой единицы техники по отдельности. Полученные данные заложены в основу мероприятий по повышению операционной эффективности горного транспорта и горно-шахтного оборудования для повышения производительности компании.

Цифровизация подземного горного рудника «Удачный» увеличила показатели эффективности работы техники на 12%. Всего было подключено 48 единиц техники, включая шахтные самосвалы, буровые установки, погрузочно-доставочные машины, вспомогательную технику, а также 15 единиц стационарного оборудования.

Внедрение АСУ ГТК «Карьер» на Мирнинско-Нюрбинском ГОКе привело к повышению эффективности работы большегрузных самосвалов на 16% за счет более эффективного управления транспортными потоками и минимизации простоев. Там к системе подключены 57 единиц техники, включая автосамосвалы, погрузчики, бульдозеры.

— Были ли в результате анализа данных об оборудовании сделаны какие-то неожиданные открытия?

Практически сразу стало понятно, что можно и нужно оптимизировать процесс мойки, очереди на заправку, точки дозаправки, места пересменок, очереди на погрузку.

— Что было самым сложным в ходе проекта?

Наладить аналитику, техобслуживание и ремонт по новому оборудованию, настроить под определенные требования автоматическую установку статусов, простоев и карту рабочего времени. Проект был непростой с точки зрения большого количества подключаемого оборудования, чужих систем для интеграций, человеческого фактора. А если мы говорим об «Удачном» — это все было еще под землей.

— Каково значение проекта для бизнеса компании?

Благодаря проектам цифровизации, а именно диспетчеризации открытых и подземных горных работ, мы повышаем эффективность и безопасность добычи на своих объектах. Нам удалось сделать прозрачными производственные процессы на подземном руднике «Удачный» и на Мирнинско-Нюрбинском ГОКе. Получая данные с горнотранспортного комплекса, компания выявляет узкие места в производстве и отслеживает целый набор важнейших технико-эксплуатационных показателей. Кроме того, внедренная система упростила работу диспетчеров — теперь они могут с большей оперативностью реагировать на технические неисправности и любые другие отклонения от нормальной работы горнотранспортного комплекса. На данных, получаемых из системы диспетчеризации, также строится мотивация персонала.

Реализация данного проекта с использованием самых современных цифровых инструментов позволила перейти на совершенно новый уровень работы с данными. Была создана прозрачная среда работы оборудования, когда все происходящие события являются доступными для просмотра, анализа, контроля и управления.

— Каковы ближайшие планы? В каком направлении будет развиваться система?

На руднике «Удачный» планируем увеличить зоны покрытия связью, включить в проект буровые установки. Сейчас мы завершаем еще один проект — на подземном руднике «Айхал», и начнем еще одно внедрение системы подземной диспетчеризации на «Интернациональном».

За последние годы «Юниверс Дата» реализовала целую серию активностей, направленных на подготовку специалистов по управлению данными. Всесторонняя подготовка таких специалистов позволит предоставить отрасли профессиональные кадры, которые внесут серьезных вклад в развитие экономики России. Особое место в цепочке реализованных проектов занимает издание книги «Ценность Ваших Данных», ставшее знаковым событием для рынка. О проведенной работе рассказывает Александр Константинов, коммерческий директор «Юниверс Дата» и номинант на премию Data Award.

— Какие направления охватывает работа «Юниверс Дата» по подготовке специалистов по управлению данными?

Мы всегда уделяли огромное внимание подготовке специалистов по управлению данными. Мы прекрасно осознаем, что, к большому сожалению, ни один российский вуз не выпускает готовых специалистов в области управления данными. Это – штучный товар, который нужно по крупинкам выращивать. А раз так, то это наша святая обязанность – всецело участвовать в этом процессе, оказывая помощь вузам и ведя образовательную деятельность самостоятельно, открывая талантливым ребятам «путь к данным», рассказывая о самом важном и интересном.

Да, мы коммерческая компания, которая зарабатывает деньги, но финансы никогда не были нашим единственным мерилом успеха. Мы всегда хотели рассказывать, образовывать, делиться, если угодно, «нести светоч», именно потому, что нам всегда было что сказать. Огромный практический опыт, основанный на десятках и сотнях успешно реализованных проектов, помноженный на серьезные теоретические знания – на наш взгляд, достойный фундамент, на котором зиждется образовательный процесс. Если же говорить о направлениях, то их очень много – лекции в вузах, вебинары, открытые лекции для чиновников и всех желающих, публикации, переводы иностранных работ, и, наконец, собственная 600-страничная книга, которая получила номинацию на самую престижную научную премию России «Знание».

— Какие форматы используются? Что себя наиболее удачно зарекомендовало?

Реалии сегодняшнего дня и события недавнего прошлого внесли серьезные коррективы именно в формат подготовки специалистов. Если до начала эпопеи, связанной с коронавирусной инфекцией, мы отдавали предпочтение классическим форматам – очным курсам в вузах, выездным лекциям, включению наших образовательных программ в учебный процесс, то эпидемия скорректировала планы. Думаю, что все мы прекрасно помним те события: учебные заведения были закрыты, обучение замерло, а потом продолжилось в дистанционном формате. Да что там говорить – казалось, замерла и сама жизнь, когда люди были заточены в четырех стенах. Учитывая все это, мы очень быстро переформатировали учебный процесс и стали запускать вебинары. У нас это получилось очень быстро, потому что мы задолго до этих событий внимательно изучили и технические средства, и наши возможности в этом направлении. Так что, как только «грянул гром», уже через неделю мы провели свой первый вебинар. Так что в течение длительного времени именно вебинары хорошо себя зарекомендовали. Когда пандемия наконец отступила, мы стали возвращаться к более привычным путям взаимодействия с аудиторией.

— Какие из проведенных проектов вы можете выделить?

Первое, что я хотел бы выделить – вебинары. Более 100 образовательных вебинаров по данным: для широкой аудитории и для компаний, для вузов и уже работающих в этой сфере специалистов – вот далеко не полный перечень того, что мы попробовали и постарались максимально емко и интересно представить аудитории. В том числе, работали с множеством непрофильных вузов – например, с таким экзотическим для нас учебным заведением, как Государственный нефтяной технический университет имени академика М. Д. Миллионщикова в Грозном.

Особняком стоят вебинары на английском языке, о которых я хотел бы рассказать чуть подробнее. В какой-то момент как раз в разрезе образовательных проектов, мы создали Сообщество специалистов по управлению данными. Причем сообщество международное. Более того, это была не просто «площадка для обучения и общения»: комьюнити подтвердило эту активность изданием нашего программного продукта в области управления мастер-данными. Иными словами, мы включили в образовательный процесс собственный сложный продукт, который сделали триггером и, я бы даже сказал, катализатором всех направлений, связанных с образованием. Более того – наш продукт «Юниверс MDM» широко используется в ведущих вузах страны. В частности, успешно реализованы исследовательско-практические проекты совместно с НИУ ВШЭ, Инновационным центром «Сколково», СПбГУ.

Конечно, стоит сказать о целой серии образовательных проектов, направленных на всестороннюю подготовку кадров в области управления данных, проведенных совместно с матмехом СПбГУ. Речь идет о курировании курсовых и дипломных работ, участии в учебном процессе, выполнении научно-исследовательских работ и обмене опытом. Нам удалось не только привнести искомую новизну в учебный процесс и внести свою лепту в развитие науки, но и стать прикладной площадкой для воспитания талантливой молодежи, которая проходила у нас практику. Многие талантливые студенты остались у нас работать.

Очень интересным проектом стали открытые лекции для российских чиновников. Совместно с РАНХиГС мы провели 6-часовую образовательную лекцию на тему ценности данных для чиновников российских министерств и ведомств. Я был одним из лекторов. Совсем недавно мы с коллегами провели большую открытую лекцию для сотрудников Федерального казначейства по управлению данными.

В плане образования мы развиваем и наш канал на Habr, где регулярно рассказываем о самом интересном в области данных. Названия этих больших публикаций на «Хабре» говорят сами за себя: «Глубокое погружение в данные», «Что учесть при разработке интеграций информационных систем», «Распознавание фейков с помощью технологий управления данными», «5 трендов баз данных», «Развиваем нечеткий поиск на примере МТР», «Применение машинного обучения для определения содержимого колонки в таблице».

Создана и успешно работает наша научно-исследовательская «Юниверс Лаборатория» – структурное подразделение, которое отвечает за публикации, фундаментальные исследования, разработки, образовательные проекты и связи с академической средой. Под ее эгидой вышли большие научные публикации в сборниках крупнейших конференций – MEDI, FRUCT, DAMDID.

Очень интересным опытом стало наше выступление на международной арене. Мы приняли участие в крупнейшем в мире мероприятии в области управления данными – Gartner Data&Analytic Summit во Франкфурте. Мы выступили с образовательной лекцией по данным, рассказав представителям мирового сообщества о нашем видении основных тенденций и технологий в этой области. Кстати, в том числе благодаря нашим образовательным и научно-исследовательским инициативам, мы были включены в престижнейший «Магический квадрант» Gartner в течение трех лет подряд. Первыми и единственными из России.

Ну и, наконец, как венец всего вышесказанного, я бы выделил нашу издательскую деятельность. Сначала мы перевели для российской аудитории легендарную DAMA-DMBOK, предложив специалистам по управлению данными в нашей стране принципиально новый понятийный аппарат и систему терминов. И совсем недавно мы написали собственную книгу, которая называется «Ценность Ваших Данных» (издательство «Альпина Бизнес»). Мне посчастливилось стать одним из ее авторов. Это серьезное, 600-страничное исследование, всесторонне охватывающее все области управления данными. Книга уже отлично зарекомендовала себя. Мы получили номинацию на самую престижную премию в нашей стране «Знание», что лишний раз подчеркнуло ее востребованность и значимость. Более того, мы уже работаем над ее продолжением.

— Какие цели ставили при разработке книги?

Сначала несколько слов о причинах написания книги. За несколько лет до начала работы над «Ценностью Ваших данных» мы перевели и издали в России легендарную книгу DAMA-DMBOK – руководство Международной ассоциации управления данными (DAMA) к своду знаний по управлению данными. Уже тогда, продираясь через сложность терминологии, выверяя до миллиметра формулировки, облачая сухой текст в «одежду» российских языковых эквивалентов, мы стали задумываться о том, чтобы написать свою книгу. Еще бы: DMBOK умопомрачительно хороша, но далека от идеала. Во-первых, многих отпугивает объем и обилие терминов. Во-вторых, при всех своих размерах, она не охватывает все области, связанные с управлением данных. В-третьих, отсутствует российская специфика. Все это, да и многое другое, и сформировало желание пойти дальше.

Соответственно, сформировались и основные цели при создании нашей книги: рассказать широкой аудитории о данных – структурировано, хлестко, интересно. А главное – с учетом именно российской специфики. Особенностью книги стало то, что мы говорим не просто о данных, а подробно описываем то, как извлечь из них ценность. Многие цитируют известное изречение «Данные – это новая нефть», забывая о том, что без обработки данных, без управления ими информация становится «болотом», тянущим на дно все и вся.

— Что, по вашему мнению, удалось лучше всего?

На мой взгляд, лучше всего нам удалось проследить всю цепочку – от возникновения данных до их получения, обработки и превращения в актив компании. Кстати, именно цепочки данных в итоге и были отображены на обложке. Второй момент – книга основана на российских реалиях, отечественном опыте, законодательстве, особенностях. Третий момент, который я бы выделил: как это ни удивительно для научной, а не художественной книги, у нее есть главный герой – абстрактная компания «Телеком Дубль», на примере которой мы и рассматривали то, как применение технологий в области управления данными позволяет ей развиваться, захватывать рынок и процветать. Так что «герой» у нас рождается, развивается, мужает и достигает своего расцвета. Не обошли стороной мы и историю – оказывается термин «информация» был введен еще в XIV веке и впервые встречается в трудах священника.

— Собираете ли обратную связь? Что говорят читатели, и на что их отзывы влияют в вашей работе?

Да, конечно, отзывы читателей помогают нам, во-первых, критически относиться к собственной работе и улучшать ее – мы уже работаем над вторым дополненным изданием книги. Во-вторых, мы получаем обратную связь от профессионалов в области данных и понимаем, в каком направлении развивать свою дальнейшую научную мысль при создании других книг и научных работ.

Например, Александр Чариков, заместитель генерального директора «РусГидро», выделяет книгу как источник инструментов для вывода своего бизнеса в лидеры рынка. Владислав Онищенко, президент Центра стратегических разработок, подчеркивает, что книга содержит как общеметодологические основы работы с данными, так и конкретные практические аспекты. Борис Макевнин, директор по цифровизации и ИТ Группы «Т Плюс», полагает, что опыт одного из лидеров рынка будет полезен как профессиональным внедренцам, так и функциональным руководителям, интересующимся данной тематикой. Владислав Шишмарев, заместитель руководителя ДИТ Москвы, отмечает о огромный труд, посвященный не только систематизации различных областей, связанных с данными, но и подробному рассказу о том, что это такое и как они появляются. И еще более важно, что все они рекомендуют книгу к прочтению как тем, для кого тема управления данными является новой, так и тем, кто хочет расширить свои знания в этой области.

— Что из обучающих проектов «Юниверс Дата» пользуется наибольшим успехом?

Во-первых, это, конечно, книга «Ценность Ваших Данных», которая стала весьма востребованным инструментом изучения «науки о данных». Во-вторых, вебинары, которые позволили приобщиться к управлению данными тысячам людей. В-третьих, это образовательные проекты в вузах.

— Поставлены ли какие-то цели по проектам и вообще по образовательной работе?

Наша цель на ощутимую перспективу – продолжать поступательное движение. Мы продолжаем все наши проекты, и, более того, расширяем наше присутствие в образовательно-исследовательском кластере. Двигаем науку вместе с «Центром им. В.А. Алмазова» Минздрава России. Мы заключили с ними научно-исследовательское соглашение для совместной деятельности в разработке и внедрении автоматизированных информационных систем для научных исследований и медицинской практики. Наши технологии помогают бороться с сердечными нарушениями. Речь идет о создании общероссийской базы данных по пациентам, создаваемой с наших технологий. Стоит отметить, что регистром пользуется 37 медицинских центров в одной только России. Помимо этого, он задействован в Белоруссии, Казахстане и в шести европейских странах.

— Как вы сами их оцениваете достигнутые результаты? Какие из них считаете главными?

Главным результатом я считаю книгу «Ценность Ваших данных» и вебинары. Книга про данные такого калибра, такой детализации, такого масштаба по данным никогда не выходила в России. Ее создание заняло два с половиной года упорного труда. Результат превзошел ожидания – специалисты по данным наконец получили то, чего заслуживали все эти годы. Это всеобъемлющий труд, который способен ответить практически на все вопросы, касающиеся управления данными. А вебинары позволили тысячам людей получить подробную информацию о данных, влюбиться в них, прийти в профессию и делать жизнь современного общества лучше.

— Сейчас больший акцент делается на работу с вузами или компаниями? Как этот баланс может измениться в обозримом будущем?

Стараемся в равной степени поддерживать и то, и другое. Впрочем, как я уже рассказал, одними лишь вузами и компаниями все не ограничивается, у нас несравненно более широкий спектр. Инициатив десятки, и все они разноплановые и разносторонние.

— В каком направлении будут развиваться образовательные инициативы?

Наши образовательные инициативы будут приобретать все более практическую направленность. Считаем, что фундаментальный базис мы рынку уже дали. Будем концентрироваться на практических лекциях, участии в учебном процессе крупнейших российских вузов, помощи таким мощным организациям, как Центр Алмазова.

Для повышения точности кредитного скоринга банкам важно учитывать данные из самых различных источников, в том числе юридических. Для Альфа-Банка данные, предоставленные PravoTech, стали важным элементом при создании кредитного конвейера. О реализации этого проекта рассказывает Ксения Левина, руководитель по развитию API Big Data PravoTech и номинант на премию Data Award.

- Расскажите про API Big Data. Какие задачи он решает?

Это готовый сервис, предоставляющий доступ к нормализованным, очищенным, обогащенным данным более чем из 35 источников. Обширный атрибутивный состав позволяет использовать данные в ML-моделях клиента без дополнительной обработки. Сервис предоставляет как качественно разобранные сырые данные, так и готовые производные факторы риска. Доступна информация как по юридическим лицам и ИП, так и по физическим лицам.

Данные могут использоваться клиентами на всех уровнях работы с рисками: в кредитном конвейере, при мониторинге действующего портфеля клиентов, при работе с проблемными активами и взысканиями, при оценке регуляторных, рыночных и операционных рисков, а также в задачах службы безопасности и при борьбе с фродом.

- Какие данные он охватывает?

Мы поставляем данные из более чем 35 источников данных. В их числе ЕФРСБ, суды общей юрисдикции, ЦБ РФ, «Вестник государственной регистрации», «Картотека арбитражных дел», «Федресурс», госконтракты, «Мультистат» (Росстат), ФНС, Федеральная нотариальная палата, госзакупки, прокуратура, Реестр недобросовестных поставщиков, запрещенные сайты, Министерство цифрового развития, 2ГИС, Росаккредитация, Росфинмониторинг, ФАС, ЕГРЮЛ/ЕГРИП, ФССП, РКН, лица с повышенным риском.

- В чем его фишка?

В числе ключевых преимуществ API Big Data — самая полная обновляемая база арбитражных дел и дел судов общей юрисдикции, полная база о делах контрагентов, автоматически формируемый реестр кредиторов и оперативные данные по делам физических лиц. Мы передаем клиентам самый полный и качественно разобранный атрибутивный состав данных. За счет этого можно строить более точные прогностические модели и регулировать уровень их консервативности.

Кроме того, в API Big Data используется искусственный интеллект для оценки вероятности исхода дела и исковой нагрузки на основе массива судебных решений, анализа отрасли и региона компании и практики вынесения решений конкретным судьей. Его точность по арбитражным судам первой инстанции составляет 82%. На основе этих данных создаются готовые факторы риска, позволяющие обогатить модели клиентов и повысить качество их работы.

- Каковы были предпосылки реализации проекта в Альфа-Банке?

Центр продвинутой аналитики Альфа-Банка (ЦПА) существует на протяжении трех лет, в его структуре сейчас работает 140 человек. До создания ЦПА в банке использовалась простая модель скоринга, построенная на данных БКИ и государственных реестров. Модель решала простую задачу: отсеивать самых неблагонадежных заемщиков. Затем, после обращения заемщика через сайт банка, заполнения им анкеты и предоставления необходимых документов, система передавала его запрос кредитному менеджеру. Кредитный менеджер проводил оценку в соответствии со своими инструкциями.

Этот подход нельзя было назвать современным: он не позволял масштабировать бизнес. Такую модель сложно кастомизировать под разные группы клиентов, поэтому для всей клиентской базы юридических лиц использовались универсальные методы оценки риска дефолта. Кроме того, было недостаточно данных для скоринга потенциальных клиентов.

- Какой подход был выбран?

В Альфа-Банке поставили перед собой цель: перейти от моделей скоринга, основанных на правилах, к моделям, основанным на современных методах машинного обучения, учитывающих большое количество факторов и поведенческие модели. В ходе работы перед проектной командой стояла задача запустить автоматизированную оценку заемщиков и мониторинг рисков клиентов для управления портфелем клиентов и формирования предодобренных предложений для потенциальных клиентов банка.

- Какие требования предъявлялись к создаваемому решению?

Было необходимо разработать модели для определения вероятности дефолта юридических лиц и индивидуальных предпринимателей для принятия решения по кредитной заявке. Модели продвинутой аналитики должны были обеспечивать работу кредитного конвейера и предоставлять банковский сервис клиентам Альфа-Банка в режиме онлайн, время принятия решения по заявке — не более двух минут. Наконец, модели должны работать как для действующего портфеля клиентов, так и для потенциальных клиентов банка.

- На какие результаты рассчитывали?

От перехода на новые скоринговые модели ожидали повышения доходности кредитного бизнеса. Это должно было произойти за счет поддержки поточной технологии кредитования (кредитного конвейера), расчета скоринга как для настоящих, так и для будущих клиентов банка, расширения предложения продуктов за счет «умной» оценки риска, а также мониторинга рисков по всему портфелю клиентов и более эффективного управления рисками.

- Что собой представляет созданное решение? На каких данных оно работает?

В рамках проекта была запущена автоматизированная оценка заемщиков и мониторинг рисков клиентов для управления портфелем клиентов и формирования предодобренных предложений для потенциальных клиентов.

Благодаря новой модели скоринга оценка и формирование предложения для клиента происходят в три этапа. Во-первых, осуществляется оценка риска дефолта. Модель оценки риска дефолта имеет модульную структуру и состоит из восьми модулей. Результаты ее работы становятся основой для прескоринга широкого круга юридических лиц с использованием данных государственных реестров, БКИ, ФНС, ФССП, арбитражных дел, а также внутренних данных банка. Один из основных источников на этом этапе – API Big Data от PravoTech.

Во-вторых, проводится оценка склонностей клиента. На этом этапе учитываются предпочтения клиента и оценивается потенциальный доход банка на горизонте в два года. Здесь используются данные финансовой отчетности, внутренних систем банка, БКИ и ОФД, а также геоданные.

Третий этап — формирование индивидуального предложения. В его ходе определяются оптимальные параметры для каждого клиента, используя инструмент индивидуального ценообразования по формированию привлекательного предложения и максимизации дохода банка.

- Какие результаты получены?

Качество модели существенно выросло. Последняя адаптация модели для оценки риска дефолта дала увеличение коэффициента Джини на 3,15 процентных пункта по отношению к общей модели. В ее основе лежат два ключевых модуля: модуль кредитных историй и модуль арбитражных дел.

Что касается бизнес-эффекта, то 97% сделок с клиентами из сегмента малого и микробизнеса (ММБ) проходит автоматически, без участия кредитного менеджера, при этом время принятия решения по заявке сократилось до двух минут. За счет качества модели клиентский портфель ежегодно увеличивается вдвое.

На основе наработок в секторе ММБ разрабатываются модели для скоринга для клиентов из сегмента среднего бизнеса, часть моделей уже запущена. В этом году планируется расширение работ по этому направлению. Кроме того, планируется внедрение гибкого подхода к мониторингу клиентов и переоценки будущих клиентов. Результаты оценки клиентов будут использоваться для улучшения качества обслуживания, повышения лояльности и удержания клиентов, а также повышения их ценности. Наконец, идет активное расширение клиентской базы за счет предложения лучших условий для новых клиентов.

- Каковы перспективы развития продукта API Big Data?

Мы активно работаем над углублением атрибутивного состава, чтобы c помощью API Big Data можно было создавать более точные и менее консервативные модели, повышая доходность своих продуктов с помощью более точной оценки сути судебной и экономической деятельности клиентов. Кроме того, работа ведется и по добавлению новых источников данных для получения максимального количества информации с помощью одной интеграции.

В настоящий момент наша команда проводит интервьюирование клиентов, чтобы внедрять те обновления, которые в первую очередь требуются банкам, лизинговым и факторинговым компаниям на каждом этапе взаимодействия с данными: для кредитного конвейера, мониторинга действующего портфеля клиентов, работы с проблемными активами и взысканиями, оценки регуляторных и рыночных рисков, задач службы безопасности, операционных рисков и борьбы с фродом.

Интеллектуальная система цифрового контроля, созданная специалистами Softlogic на базе нейросетей, помогает городским коммунальным службам проводить ежедневный контроль улиц, дворов, множества объектов дорожного и коммунального хозяйства в масштабах всего города. Нейросеть полностью исключает временные затраты на сбор и первичный анализ зафиксированных состояний объектов. При классическом подходе с участием сотрудников это время измеряется часами. Решение предназначено для ведомств, ответственных за состояние дорожной инфраструктуры и содержание городских территорий. О реализации этого проекта рассказывает Александр Колесников, технический директор Softlogic и номинант на премию Data Award.

- Какова история проекта? На решение каких проблем он направлен?

К нам пришел запрос от одного из заказчиков: камеры существуют в городе везде, а что, если поместить камеру в автомобиль? Какой будет результат? Может ли ИИ выявлять ямы, выбоины, стертую дорожную разметку, повреждение бордюра и т. д.? С этого началась разработка продукта, исследования и тестирование.

Мобильный комплекс помогает контролировать благоустройство территорий, а также повысить качество жизни граждан.

- Почему это важно?

При обследовании инспектором в любом случае присутствует человеческий фактор. С помощью ИИ идет автоматическая оценка состояния объектов городской инфраструктуры. При этом автоматизируется работа городских служб, ускоряются и оптимизируются бизнес-процессы в работе госслужащих. С ИИ есть возможность собирать больше данных о нарушениях в содержании территорий в десятки раз. Это помогает быстрее и оперативнее реагировать и устранять нарушения. Мобильный комплекс – это эффективный инструмент, который поможет администрациям городов создавать комфортный город для жителей.

- Какие требования предъявлялись к создаваемому продукту, какие принципы пытались соблюсти?

От продукта требовали мобильность, автономность, надежность и точность. Мы придерживались принципа уникальности продукта, его масштабируемости и отказоустойчивости.

- Что представляет собой созданное решение?

В состав решения входят высокопроизводительный блок автономных вычислений, три камеры, три антенны и облачная платформа для вывода данных. Комплекс устанавливается в транспортное средство, внутри него расположены модули ИИ на базе искусственных нейронных сетей.

Графические процессоры, входящие в комплекс, получают видеоизображения с камер, далее нейросеть проводит оценку состояния попавших на них объектов. Затем с помощью GPS/ГЛОНАСС к кадрам с нарушениями добавляются данные о местонахождении нарушений и времени их фиксации. После этого данные передаются в облачную платформу sl.vision – нашу собственную разработку, позволяющую пользователям без дополнительного обучения использовать ИИ-аналитику в управленческих целях.

- В какие сроки, какими силами реализована система?

В 2018 году началась разработка продукта. В 2019 появилась первая версия мобильного комплекса, в 2021 постепенно началась эксплуатация комплекса в регионах.

- Где уже применяется решение, каких результатов удалось достичь?

Важно отметить операционную эффективность автономного мобильного комплекса нейросетевого наблюдения, в том числе ускоренное решение возникающих проблем и исключение подлогов при проверках. Процесс сбора данных становится фоновым, силы сотрудников перенаправляют на более сложные задачи, достигается полная объективность оценки.

По данным Главного управления содержания территорий Московской области, автомобили, оснащенные комплексами ИИ, в 18 раз чаще выявляют дефекты по сравнению с инспектором и сокращают время реагирования и устранения проблем в содержании городских территорий. Уменьшение человеческого фактора в вопросе отслеживания нарушений позволяет улучшить качество городской среды. В Подмосковье за полгода использования комплекса удалось на 40% снизить количество жалоб со стороны горожан и на 25% снизить количество выявляемых замечаний, так как качество городской среды улучшилось.

- А с финансовой точки зрения?

Возможен рост доходов за счет собираемых штрафов. Средний финансовый поток от штрафов за обнаруженные системой нарушения – 5 млн руб. ежемесячно. К примеру, штраф за нарушение содержания территорий составляет до 100 тыс. руб. для юридических лиц и до 40 тыс. руб. для должностных лиц.

- В чем роль проекта для государства и общества?

Мы уверены, что системы видеонаблюдения и безопасности должны приносить максимальную пользу бизнесу и государству. Поэтому мы создаем программно-аппаратные комплексы нейросетевого наблюдения, которые обеспечивают комфортную и безопасную городскую среду для граждан и успешное функционирование бизнеса разных отраслей.

- Каковы дальнейшие направления развития проекта?

Мы постоянно совершенствуем и дорабатываем программно-аппаратные комплексы нейросетевого наблюдения. В планах охватить ими другие социально-значимые проблемы: обучить нейронную сеть определять сосульки и борщевик, доработать функционал неправильной парковки, а также расширить функционал комплекса для дорожных служб.