Deloitte

Два года тому назад искусственный интеллект достиг, по версии Gartner, пика завышенных ожиданий. А как обстоят дела сегодня? Что ж, пришла пора спуститься с неба на землю: в компаниях отдают предпочтение проектам с коротким сроком окупаемости, а не дорогостоящим авантюрным инициативам, которые в отдаленной перспективе могут обеспечить коренные улучшения.

Об этом говорят данные, приведенные в отчете State of AI in the Enterprise, 2nd Edition компании Deloitte. Результаты опроса, на основе которого он подготовлен, указывают на то, что искусственный интеллект начинают воспринимать на предприятиях все более серьезно. С другой стороны, в отчете есть и заключения, вызывающие недоумение. Познакомимся с докладом подробнее.

Разъяснения по «скучной части»

Из 1100 топ-менеджеров, опрошенных Deloitte, подавляющее большинство — 82% сообщили, что их инвестиции в искусственный интеллект окупаются. Само собой, искусственный интеллект не всем приносит одинаковую выгоду. В число отраслей, где окупаемость высокая, вошли технологическая, СМИ и развлечения, связь, профессиональные услуги и промышленные товары (в последнем секторе на средства искусственного интеллекта тратят меньше всего, но тем не менее получают высокую отдачу). В медико-биологической индустрии и здравоохранении, в государственном секторе, а также в отраслях финансовых услуг и потребительских товаров сообщили о меньшей окупаемости. Но «меньшая» — не значит «отсутствующая». То есть, практически все, кто инвестирует в искусственный интеллект, сообщают о положительных результатах.

Какие конкретно преимущества обеспечивает искусственный интеллект? Нет, речь не об избавлении от непродуктивных сотрудников. Доля респондентов, указавших в качестве достигнутых результатов «уменьшение штата благодаря автоматизации», в конце 2017 года составила 22%, а в конце 2018-го увеличилась только на два процентных пункта. А вот доля давших ответ «оптимизация внутренних операций» выросла на шесть процентных пунктов — с 36% до 42%.

При этом, судя по отчету, искусственный интеллект, как ни странно, не способствует улучшению процессов разработки продуктов и, соответственно, удовлетворенности покупателей. «Улучшение выпускаемой продукции» в качестве преимущества, полученного благодаря инвестициям в технологии искусственного интеллекта, указали 44% респондентов, однако это на семь процентных пунктов меньше, чем в 2017-м. При этом у ответа «создание новых продуктов» результат тоже уменьшился, с 32% до 27%. В целом, больше половины всех упомянутых участниками преимуществ снизили свои показатели в 2018 году по сравнению с 2017-м, а единственный ответ, помимо упомянутых выше, который получил хотя бы двухпроцентную прибавку, — это «сохранение и применение труднодоступных знаний».

Снижение ожиданий относительно краткосрочных преимуществ не означает исчезновения веры в долгосрочные перспективы. Как отмечают в Deloitte, то, что сегодня от искусственного интеллекта уже в меньшей степени ждут улучшения имеющейся продукции, может быть проявлением реализма. Перенос внимания на внутренние операции сопровождается некоторым снижением заинтересованности во встраивании интеллекта в существующие продукты и услуги (хотя это по-прежнему остается самой популярной целью внедрения). Ведь прежде, чем проводить такую интеграцию, требуются операционные преобразования, что, по-видимому, начинают осознавать респонденты.

И самое время, ведь искусственный интеллект — не «волшебная пыльца», которую рассеивают над устаревшими процессами и технологиями, чтобы «превратить» их в современные. Для подобного нужно радикальное переосмысление основ ведения бизнеса. Если в компании не хотят менять внутреннюю культуру и процессы, ни от каких внедрений искусственного интеллекта полезной отдачи не будет.

Нестыковки

Не все приведенные в отчете данные выглядят логичными. Например, среди ответов на вопрос «как изменились ваши позиции в конкурентной борьбе в результате внедрения искусственного интеллекта», казалось, бы должен был быть «мы не получаем конкурентного преимущества благодаря искусственному интеллекту». Однако результаты были следующими: 16% — «мы догоняем соперников», 20% — «идем нога в ногу», 27% — «немного опережаем», 28% — «увеличиваем отрыв», 9% — «делаем резкий скачок вперед».

То есть, получается, отстающих нет — все компании благодаря искусственному интеллекту выходят на передовую? Можно, конечно, допустить, что все 1100 опрошенных представляли разные отрасли и мощь искусственного интеллекта действительно позволила им обойти остальных, но, скорее всего, дело не в этом: ведь может быть, кто-то из этих 16% еще никого не догнал, а некоторые из 20% начинают отставать. И так далее.

Быть может, те же «розовые очки», через которые смотрят на мир топ-менеджеры, — причина следующего сюрприза: 88% опрошенных сообщили о намерении увеличить инвестиции в искусственный интеллект в 2019 году, при этом 54% собираются повысить их больше, чем на 10%. Это при том, что, напомним, окупаемость по крайней мере в половине отраслей оказалась «низкой». Что ж, похоже, это совсем не охладило энтузиазм и желание тратить.

При этом, согласно докладу Deloitte, «меньше, чем в 50% участвовавших компаний измеряли ключевые показатели эффективности, необходимые для точной оценки окупаемости искусственного интеллекта». Другими словами, «мы понятия не имеем, принесли ли какие-то плоды наши инвестиции, но надеемся, что да, так что давайте-ка плеснем еще бензина в этот огонь». Может быть, это и так, если не учитывать рост прагматизма относительно ожидаемых преимуществ. Учитывая, что сегодня организации фокусируются на инкрементальных усовершенствованиях процессов, а не на дорогостоящих авантюрах, можно рассчитывать, что со временем появятся и те, кто сможет инвестировать в амбициозные проекты благодаря более разумным вложениям, совершаемым сегодня.

Сегодня руководители всех уровней признают, что искусственный интеллект способен принести пользу бизнесу, но чтобы это стало реальностью, нужно правильно применять новшество.

Ориентироваться можно на передовые организации, которые уже осуществляют соответствующие инициативы. Как свидетельствует опрос, недавно проведенный Deloitte Consulting, 82% организаций-первопроходцев получают полезную финансовую отдачу от инвестиций в когнитивные технологии — средняя рентабельность вложений составляет 17%.

В Deloitte уверены: проект внедрения ИИ будет успешным, если он ориентирован на потребности бизнеса, а не просто затеян ради стремления воспользоваться новшеством. Организациям, рассчитывающим получить максимум возможного от ИИ, в Deloitte Consalting советуют сосредоточиться на конкретных задачах — сфокусироваться на бизнес-цели, которую нужно достичь, продемонстрировать ценность новшества и наращивать масштаб.

Приведем восемь советов, которые помогут извлечь выгоду из проектов в сфере ИИ от организаций, в которых благодаря таким инициативам уже получают реальные преимущества.

Сосредоточьтесь на конкретных проблемах

В General Electric подчеркивают, что ориентиром для всех проектов компании в области ИИ служит их ценность с точки зрения бизнеса. Реализация начинается с набора минимально жизнеспособных продуктов, на которых демонстрируются эффективность прогнозирования и преимущества системы — способность делать прогнозы быстро и экономично, возможность повысить прибыль и т. д. Затем выбираются оптимально выгодные для бизнеса методы развертывания и масштабирования.

Придерживаться этого принципа крайне необходимо, подчеркивают в GE. Например, если система ИИ выдает прогнозы относительно потребностей оборудования в ремонте, их необходимо интегрировать в соответствующий рабочий процесс, то есть организовать своевременную отправку на объект инженера соответствующей специализации. Возможно, также понадобится интеграция с системой управления запасами или даже с самим обслуживаемым оборудованием. Допустим, если ИИ способен понять, что в оборудовании требуется оперативно увеличить давление или температуру, то понадобится соединить ИИ с его системами управления.

Учитывайте пределы возможностей ИИ

В психологии существует понятие эффекта Даннинга — Крюгера, суть его в том, что человек с недостаточной квалификацией не способен осознавать ошибочность своих действий. В подобную ловушку могут попасть и системы ИИ. Например, если систему, обученную на определенной выборке данных, заставить делать прогнозы по набору данных из другой области, ответы могут быть принципиально неверными, но выглядеть убедительно с точки зрения пользователя, привыкшего доверять результатам работы ИИ.

Понять, подходит ли конкретная аналитическая модель для определенного набора данных, сможет только специалист в области data science. Нужно знать, какие допущения делались при создании модели и попробовать нагрузить ее — возможно, данными другого рода, чтобы понять, насколько она эффективна, объясняют в GE.

Для решения этой проблемы в компании начали работу над системой ИИ, которая сама «знает», для каких ситуаций подходят ее алгоритмы, и использует их только для этих сценариев. Если соответствия нет, вместо ИИ используется физическая модель, применяемая в компании уже много лет. Сейчас новая разработка проходит тестирование.

Прислушивайтесь к пользователям и заказчикам

Чтобы создать системы ИИ, выдающие полезные результаты, требуется участие не только разработчиков. В идеале проект нужно начинать с совещания с участием всех основных заинтересованных лиц, которые обсуждают все подробности и документируют все требования к системе, отмечают в Healthy Nevada Project.

В организации приводят пример, когда ее специалисты разрабатывали протокол лечения пациентов, страдающих сердечно-сосудистыми заболеваниями. Для этого нужно было собрать сведения о лекарствах, которые назначались таким пациентам при выписке из больницы. Но некоторые средства назначаются пациенту сразу при его поступлении в стационар, а после выписки он должен продолжать их прием. Система предположила, что это лекарства, которые пациент уже принимал до поступления в стационар, а не новые средства, назначенные в связи с причиной госпитализации. Проблему обнаружили, только когда выявилась нехватка некоторых лекарств.

По признанию разработчиков, недоработку можно было обнаружить гораздо раньше, если бы с самого начала проводились подробные обсуждения с участием всех заинтересованных сторон. Отныне разработчики стараются не делать вообще никаких предположений самостоятельно — прежде чем приступить к созданию системы, проводят тщательный отбор и обсуждение требований.

А компании Coupa, которая предлагает платформу управления расходами предприятия, один из клиентов посоветовал новый способ борьбы с мошенничеством. Прежде контроль растрат велся изолированно по различным видам мошенничеств — например, с финансовой отчетностью или с закупками. Но выяснилось, что сотрудники, уличенные в одном виде жульничества, нередко склонны и к другим. После совещания со специалистами по закупкам и финансовыми аудиторами решено было организовать распознавание мошенничеств путем анализа данных по сотрудникам.

ИИ оказался оптимальным средством для этого, в связи с тем что для выявления закономерностей приходится обрабатывать огромный объем данных и человек просто не справился бы с таким объемом работы. К тому же ИИ ускоряет процесс обнаружения мошенничества и своевременно блокирует проведение сомнительных платежей. Теперь в Coupa формируют базу знаний по способам мошенничества, о которых сообщают клиенты, и на ней обучают систему ИИ.

Используйте знания в области своей специализации

ИИ сам по себе — не «чудодейственное средство». В консалтинговой компании Globant отмечают, что заказчики нередко просят «подключить искусственный интеллект» к имеющемуся у них огромному озеру данных, чтобы он находил там полезные сведения. ИИ способен выявить скрытые закономерности, но, не задавая верных вопросов, ответов вы от него не получите.

Большая ошибка — полагаться только на исследователей данных и специалистов в области ИИ в рамках проектов аналитики, отмечают в компании Cognoa, где применяют ИИ для диагностики расстройств поведения, в том числе для выявления детей с аутизмом.

В реальных данных могут быть взаимозависимости, а какая-то часть данных может быть не нужной, и, чтобы отличить ее, понадобится эксперт в вашей предметной области. Например, если две группы пациентов проходят диагностику в кабинетах со стенами разного цвета и результаты этих групп различаются, аналитическая модель может решить, что цвет краски на стенах имеет клиническую значимость. По мере роста объема данных подобные ситуации станут маловероятными, но не исключены менее заметные ошибки, которые не заметит эксперт в области ИИ, не имеющий знаний в предметной области. Это особенно критично, когда наборы данных небольшие — например, если дело касается редких заболеваний.

Разумеется, специалисты в предметной области сами могут быть предвзятыми, скажем, ошибочно верить в связь между определенными характеристиками и заболеваниями. Для большей уверенности можно привлекать к работе и экспертов, и искусственный интеллект, а затем сравнивать результаты.

Медики, работающие в Cognoa, помогают выяснять работоспособность моделей и совершенствовать их. В компании признаются, что всякий раз, когда алгоритм ИИ проверяется в рамках клинических исследований, выясняется, что реальность не соответствует моделям. Такие проверки помогают оптимизировать и дорабатывать продукт.

Использование знаний в предметной области совместно с ИИ также полезно при контроле правильности данных, отмечают в CAS, компании, занимающейся сбором и публикацией данных химических исследований.

Неверно поставленные пробелы, нижние индексы, дефисы и ошибки даже в единственной букве формулы могут превратить безопасную реакцию во взрывную. Поэтому в CAS более 350 дипломированных химиков занимаются контролем правильности данных.

С недавнего времени в компании начали использовать ИИ для классификации и очистки данных, благодаря чему часть ученых удалось освободить для более сложной работы. Но даже в ходе реализации простой системы распознавания текста нужны знания в предметной области, добавляют в CAS. Например, «nmol» означает наномолярную концентрацию, а «mmol» — миллимолярную, на шесть порядков больше. Если система перепутает два этих обозначения, реакция может превратиться в разрушительную.

Поэтому CAS нужны специалисты как в области ИИ, так и в области химии — это затрудняет поиск кандидатов и иногда делает невозможным наем сторонних подрядчиков.

Тестирование в реальных условиях — необходимость

Как «ни один план не переживает встречи с противником», так никакая система ИИ не переживает встречи с реальным миром. Если упустить это из виду, ваш проект ИИ обречен с самого начала, уверены в Credit Suisse Group.

Когда в финансовой группе решили запустить чатбот для службы клиентской поддержки, разработчики осознавали, что программа из-за неспособности ответить на все вопросы будет часто переводить вызовы на людей. Но в компании специально приняли решение ввести бот в эксплуатацию на ранней стадии, когда он понимал цель обращения лишь в 23% случаев. Работая в реальных условиях и наблюдая за ведением диалогов с участием представителей различных культур, стран и поколений, робот обучался, и всего за пять месяцев его уровень понимания вырос до 86%.

Не забывайте, что ИИ — это «черный ящик»

Искусственному интеллекту трудно доверять, поскольку неясно, каким именно образом он приходит к решению. Эту проблему называют «проблемой черного ящика».

В компании Beacon Health Options, занимающейся лечением расстройств психики, посетовали, что в некоторых ситуациях проблема «черного ящика» может быть непреодолимой.

В Beacon решили разработать систему на базе ИИ, которая бы выявляла проблему на ранней стадии, до того, как пациенту может потребоваться госпитализация. При этом в компании не только обучали будущих пользователей системы процедурам работы с ней, но и разъясняли принцип действия алгоритмов. А перед вводом в рабочую эксплуатацию был проведен пробный запуск с использованием данных по прежним пациентам. Как объясняют в компании, те пациенты, для кого прогнозировался высокий риск, были действительно подвержены высокому риску обострения, поскольку их позднее поместили в стационар. Таким образом, врачи Beacon могли наблюдать, как именно действует система, и это помогло уменьшить недоверие.

Затем, когда ИИ начали использовать для выявления риска у новых пациентов, за первые 12 недель система выявила почти 300 человек с высоким риском, больше половины из которых прежде таковыми не считались, согласно результатам традиционных диагностических методов. С выявленными пациентами была начата работа — телефонные собеседования, предоставление контактной информации о медицинских учреждениях, контроль приема лекарств. Через один-два месяца появилось достаточно данных, чтобы далее совершенствовать созданную систему.

Используйте понятные показатели

Наличие понятных бизнесу показателей для измерения результатов проекта ИИ нужно, чтобы демонстрировать эффективность системы и необходимость продолжать ее финансировать.

Между тем во многих организациях этому аспекту проектов ИИ достаточного внимания не уделяют. Меньше чем в половине компаний, участвовавших в опросе Deloitte, измеряют ключевые показатели эффективности, необходимые для оценки финансовых результатов, — экономию, выручку, сохранение клиентской базы и др.

По словам аналитиков Deloitte, эта проблема типична для новых технологий — нередко их внедрения не сопровождаются таким же строгим контролем, как работа с более зрелыми технологиями. Следствием может стать превращение инициативы в области ИИ в «мост в никуда» — пилотные внедрения не масштабируются или проект просто не приносит бизнесу выгоды.

Развивайте сотрудников

Непросто найти людей, одновременно являющихся экспертами в области ИИ и разбирающихся в вашем бизнесе. Специалистов по ИИ сегодня не хватает во всем мире, а если добавить еще и требование знаний в вашей области, пул возможных кандидатов становится крайне ограниченным. Как показал опрос Deloitte, посвященный освоению ИИ в компаниях, в 69% из них испытывают нехватку специалистов.

В GE делают все возможное, чтобы находить людей, одновременно обладающих навыками в области программирования и аналитики и знаниями в сфере инженерного проектирования — основной области специализации компании. В GE инвестируют в университетские курсы, ищут кандидатов через Интернет, налаживают контакты на отраслевых конференциях.

Но вместе с тем в GE обращают внимание на собственных сотрудников инженерного профиля, которые занимаются на курсах обучения в области ИИ, а также разработчиков ИИ-решений, изучающих системы управления и материаловедение. Найти специалиста с нужным сочетанием навыков — это еще полдела, добавляют в GE: нужны те, кто способен применять эти обширные знания на практике, превращать задачи бизнеса в задачи анализа данных.

В GE функционируют собственные курсы обучения, на которых одновременно преподаются дисциплины ИИ и инженерного проектирования. На сегодня их закончили уже около трети всех ученых и инженеров компании.

По словам представителей GE, это только начало процесса, направленного на изменение корпоративной культуры, принципов организации работы и системы поощрений.

— Maria Korolov. 8 secrets of successful AI projects. CIO. November 8, 2018

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.