Машинное обучение

Искусственный интеллект сегодня повсюду – по крайней мере создается впечатление, что это именно так. Интеллектуальные технологии выглядят весьма многообещающими и позволяют на самом разном уровне осуществлять автоматизацию бизнес-процессов, которые по-прежнему во многом выполняются вручную. Исследователи данных получают в свое распоряжение мощные инструменты.

Одно из направлений, на которое искусственный интеллект влияет уже сейчас, а со временем будет воздействовать еще больше – DevOps. Специалисты утверждают, что искусственный интеллект и машинное обучение обладают необходимым потенциалом для расширения возможностей DevOps в условиях, когда многие организации начинают внедрять этот подход, рассчитывая повысить эффективность разработки, развертывания и эксплуатации приложений и оптимизировать бизнес-процессы в других областях.

«Искусственный интеллект и машинное обучение охватывают DevOps в полной мере, – подчеркнул Спандан Махапатра, возглавляющий в компании Tata Consultancy Services направление бизнес-решений. – Многие компании так или иначе уже опираются в своих проектах цифровой трансформации на DevOps и добиваются благодаря этому более высоких результатов. Искусственный интеллект и машинное обучение открывают путь к оптимизации процессов DevOps».

«Большинству команд DevOps делать ставку на искусственный интеллект еще рановато, но мы видим, что все больше клиентов намерены использовать искусственный интеллекта и связанный с ним анализ данных, – добавил Стивен Эллиот, вице-президент International Data Corp. по вопросам DevOps, управления облачными конфигурациями, ITSM и программно-конфигурируемых архитектур. – Наиболее заметные области применения искусственного интеллекта в DevOps связаны с непрерывной интеграцией (continuous integration, CI) и непрерывной разработкой (continuous development, CD), выявлением и разрешением возникающих проблем, а также с углублением обработки и понимания собранных клиентских данных. Мы отмечаем, что инфраструктурные и операционные команды испытывают тягу к аналитике. Многие уже внедряют сервисы управления производительностью приложений и анализа данных в реальном времени, дающие возможность оперативно выявлять и решать возникающие проблемы. Командам DevOps следует подумать об использовании аналитики, которая помогает диагностировать и устранять неисправности, способствует повышению эффективности процессов и улучшению клиентского восприятия, а также достижению более высоких бизнес-результатов в целом».

В русле тенденций

Компания Power Home Remodeling использует искусственный интеллект в сочетании с DevOps при создании решений, предназначенных для перестройки внешних элементов зданий. Она разработала собственную технологическую платформу NITRO, выполняющую самые разные задачи, начиная от управления отношениями с клиентами (customer relationship management, CRM) и заканчивая функциями внутренней социальной сети.

«Мы являемся центром разработки и у нас сформирована полноценная команда DevOps», – сообщил директор Power Home Remodeling по инновациям Тим Уэнхолд. С помощью NITRO компания выстраивает всеобъемлющую инфраструктуру искусственного интеллекта, используя накопленное богатство данных для машинного обучения, что способствует улучшению обслуживания клиентов, более высокой эффективности и расширению возможностей персонала.

«Команда DevOps выясняет, как лучше использовать инфраструктуру искусственного интеллекта на практике, – отметил Уэнхолд. – Искусственный интеллект и машинное обучение призваны повысить эффективность труда разработчиков, осваивающих новые инструменты. Искусственный интеллект помогает прогнозировать развитие процессов DevOps. Анализируя, например, процессы непрерывной интеграции, средства искусственного интеллекта подсказывают, какие моменты следует скорректировать, чтобы улучшить конвейер CI».

В сфере безопасности обнаружить тревожные симптомы бывает довольно сложно. «Сегодня на просмотр журналов и отчетов, связанных с мониторингом безопасности, уходит очень много времени, – пояснил Уэнхолд. – Применяя при идентификации угроз средства машинного обучения, мы выявляем аномалии в тысячу раз быстрее, чем при традиционном подходе. Теперь команды DevOps могут работать на упреждение, а не реагировать по факту. Точно так же, как большие данные выводят аналитику на более высокий уровень по сравнению с простыми отчетами и инструментальными панелями, искусственный интеллект помогает командам DevOps использовать мощь прогнозного моделирования».

По мере того как искусственный интеллект становится все более мощным, его влияние на DevOps растет. «В перспективе искусственный интеллект и машинное обучение помогут нам не только быстро выявлять аномалии, но и решать проблемы, о которых мы еще даже не подозреваем, – подчеркнул Уэнхолд. – У компании имеются журналы с миллионами записей. Сегодня мы действуем, как детективы: просматриваем журналы, ищем аномалии и принимаем меры. Искусственный интеллект самостоятельно будет выявлять аномалии. Затем он проинформирует о том, что может произойти, и предложит варианты устранения угрозы. Более того, искусственный интеллект известит нас о предпринятых для ликвидации аномалии мерах. Всё это весьма впечатляет».

Медицинская компания Molina Healthcare также возлагает на связку искусственного интеллекта и DevOps большие надежды. «Уже сейчас мы видим, какие преимущества перед нами открываются, – сообщил ИТ-директор Molina Healthcare Рик Хопфер, занимающийся применением средств искусственного интеллекта в DevOps с 2016 года. – Перед нами стоит проблема, как совладать с имеющимися в наших журналах транзакций горами данных, которые наши системы генерируют ежедневно. Одного лишь наличия системы, предназначенной для сбора данных, недостаточно. Необходимо еще и уметь отделять реальные проблемы от прочего белого шума».

Чтобы это стало возможным, компании, во-первых, нужно оптимизировать имеющиеся у нее инструменты для мониторинга приложений и инфраструктуры. Во-вторых, необходимо обобщить данные – перенести телеметрию из разрозненных инструментов на централизованную платформу, установить взаимосвязи между данными и задействовать средства машинного обучения для выявления реальных проблем. И, наконец, в-третьих – следить за тенденциями и использовать прогнозную аналитику.

«Нам требовалось сформировать правильные представления для визуализации данных, повышения эффективности и упреждающего управления технологиями, – подчеркнул Хопфер. – Для этого мы воспользовались набором готовых решений. Результаты оказались впечатляющими. Получив возможность решать возникающие вопросы фактически в реальном времени, мы значительно ускорили устранение проблем».

Будущее уже сейчас

«Будущее видится нам в том, чтобы, исходя из своих аналитических возможностей, принимать необходимые меры с определенным прицелом: с точки зрения CI/CD, клиентского восприятия, управления проблемами и т.д., – указал Эллиот. – Автоматизация и анализ – это как джем и масло: гораздо лучше, когда они вместе. Дело будет сводиться к повышению производительности технологических и бизнес-процессов, к выполнению определенных действий в специфичных деловых и технологических ситуациях».

Искусственный интеллект и машинное обучение уже сегодня могут оказывать влияние на DevOps, поэтому ни в коем случае не следует рассматривать их как технологии отдаленного будущего.

«DevOps может повысить скорость новых приложений, но в мире постцифровой трансформации DevOps нужно объединять c требованиями, предъявляемыми искусственным интеллектом, – указал Энди Граймс, главный технолог компании NetApp, специализирующейся на решениях для хранения данных и управления инфраструктурой. – Сочетание методов DevOps и современных требований к данным порождает новую парадигму — DataOps. Поскольку новые приложения искусственного интеллекта требуют агрегирования, а также значительно более высоких скоростей и масштабов подготовки данных, разработчики, использующие парадигму DataOps, должны взаимодействовать с ИТ-службой более тесно и понимать место приложений искусственного интеллекта в гибридной среде. Современная концепция DataOps объединяет периферийные наборы данных с агрегированными основными данными, размещаемыми локально, дополняет их облачными хранилищами и предлагает архитектуру, поддерживающую частое внесение изменений, подстегиваемое необходимостью внедрять инновационные инструменты и отвечать требованиям непрерывной эволюции бизнеса».

В рамках DataOps приложения и инфраструктура для работы с данными развиваются непрерывно и итерационно, гарантируя увеличение производительности по мере роста объемов данных.

«Искусственному интеллекту присущи три свойства – самообучение, прогнозирование и автоматизация, – отметил Сумендра Моханти, руководитель направления анализа данных компании Larsen & Tourbo Infotech, являющейся глобальным поставщиком ИТ-решений и поддерживающей цифровую трансформацию своих корпоративных клиентов путем внедрения средств искусственного интеллекта. – Они позволяют улучшить такие практики DevOps, как CI и CD».

Несмотря на то что концепция DevOps обеспечивает необходимую гибкость и ускоряет вывод новых программных систем в продуктивный режим, процессу их поставки не хватает некоторых критически важных компонентов, например непрерывных инноваций и непрерывного цикла обратной связи.

«Искусственный интеллект придает данным свойство самообучения. Вот почему искусственный интеллект и машинное обучение приносятьно весьма ощутимую пользу при их интеграции в процессы и задачи DevOps. Так, при разработке программного кода средства искусственного интеллекта, моделируя различные сценарии, могут отслеживать, в какой степени удовлетворяются потребности пользователей, – пояснил Моханти.– Конечному пользователю не отводится роль пассивного игрока. Искусственный интеллект и машинное обучение позволяют оторваться от разработки программного обеспечения исключительно на основе заранее установленных правил и во многом обеспечить дополнительную гибкость за счет изучения данных».

Искусственный интеллект и машинное обучение помогают отслеживать производственные показатели, устанавливать связь с прошлыми проблемами, изучать предложенные решения и оценивать, насколько эффективными они были. Некоторые негативные моменты можно прогнозировать заранее и устранять автоматически. «Соединение искусственного интеллекта и машинного обучения с DevOps не только сделает процедуры проектирования программного кода, его развертывания и выпуска готовой продукции более предсказуемыми, но и обеспечит непрерывность процесса инноваций», – добавил Моханти.

Команды DevOps сосредоточены на жизненном цикле проектирования, учитывая при этом меняющиеся требования. «Однако есть важные аспекты предсказуемости качества кода и управления данными, связанные с тем, на чем команды не акцентируют свое внимание, – указал Моханти. – Интегрируя искусственный интеллект и машинное обучение в свои процессы, команды DevOps могут проанализировать выполнение кода, понять, все ли пользовательские сценарии учтены, изучить возникавшие ранее проблемы и способы их решения».

Управление данными

Искусственный интеллект помогает организовать управление растущими объемами данных в средах DevOps.

«Средства искусственного интеллекта и машинного обучения призваны выявлять тенденции и закономерности в растущих объемах данных, – отметил Элиэзер Канал, технический менеджер по кибербезопасности группы быстрого реагирования Института программной инженерии при университете Карнеги-Меллона. – Успех в этой области по большей части связан с наличием достаточного количества слабых индикаторов. Например, для того чтобы узнать температуру на улице, лучше всего взглянуть на термометр. К сожалению, зачастую у нас в распоряжении нет датчиков, которые точно измеряли бы то, что мы хотим знать. Поэтому приходится полагаться на множество слабых индикаторов. Люди считают задачи такого рода очень сложными, но для современных машин они, в сущности, тривиальны».

«Сфера DevOps переполнена огромными объемами данных, – добавил Канал. – Эти данные часто используются непосредственно для тех целей, для которых они предназначены. Например, отчеты помогают понять, в чем заключается ошибка. Но средства машинного обучения и искусственного интеллекта позволяют почерпнуть из всего этого гораздо больше. Так, изучая типы ошибок, присутствующие в отчете, аналитики могут обнаружить много чего интересного: какие модули используются наиболее интенсивно, в каких чаще встречаются ошибки, какие ошибки обнаружить труднее всего, и прочие полезные факты. Используя систему отчетов об ошибках в качестве источника данных о среде разработки, можно почерпнуть массу дополнительных сведений о процессе разработки и повысить общую эффективность».

Другой пример касается управления производственными системами. «Современные системы генерируют огромное количество журналов, большая часть которых используется уже после отказа системы или возникновения ошибки, – указал Канал. – Загрузив эти журналы в систему искусственного интеллекта, мы сможем не только понять, почему возникают те или иные ошибки, но и найти закономерности, которые очень трудно обнаружить другими способами. Процедуры встраивания средств искусственного интеллекта и машинного обучения в существующие продукты упрощаются. Многие поставщики предлагают API и наборы инструментов, помогающие предприятиям интегрировать соответствующие функции в свои продукты. В связи с этим командам DevOps нужно изучать не только открывающиеся перед ними возможности, но и порядок интеграции соответствующего функционала в программное обеспечение. Тем самым можно будет значительно улучшить качество программных продуктов, предлагаемых конечным пользователям. Широкое распространение средств искусственного интеллекта и машинного обучения наряду с переподготовкой персонала, очевидно, приведут к дальнейшему их совершенствованию и проникновению в процесс DevOps на протяжении еще многих лет».

- Bob Violino. How AI will revolutionize DevOps. CIO. July 18, 2018

В мире стартовала очередная технологическая гонка: США, Евросоюз и Китай приняли стратегии развития искусственного интеллекта и больших данных, признав важность технологий машинного обучения для цифровой экономики. Общий объем государственных инвестиций в исследования и разработки по этому направлению исчисляется десятками миллиардов долларов.

Избежать участия в этом соревновании России не удастся: надо успеть занять свое место в новой экономике, где искусственный интеллект будет играть ключевую роль в повышении производительности труда. В настоящее время разрабатывается отечественная концепция соответствующей стратегии, которую предполагается реализовывать в составе национального проекта «Цифровая экономика». Проектом предусматривается развитие целого перечня «сквозных технологий», включая нейротехнологии и искусственный интеллект. Общий объем финансирования проекта «Цифровая экономика» на шесть лет оценивается в 2,79 трлн руб., в том числе 282 млрд руб. планируется выделить из бюджета на реализацию федерального проекта «Цифровые технологии».

«Цифровая трансформация — это не процесс, не путь из точки А в точку Б, а культура изменений», Дмитрий Шушкин, вице-президент Abbyy

Уже в 2019–2021 годах на осуществление проектов по «сквозным технологиям» на базе лидирующих исследовательских центров и стартапов направят свыше 20 млрд руб, субсидии на масштабирование технологических решений высокой степени готовности составят еще 20 млрд руб. Компании-лидеры в разработке продуктов, сервисов и платформенных решений на базе сквозных технологий получат из бюджета более 10 млрд руб. Претендентов на государственное финансирование будут отбирать в соответствии с дорожными картами, которые еще предстоит разработать.

Ожидается, что дорожная карта по развитию искусственного интеллекта появится к июню 2019 года. В группу, занимающуюся разработкой концепции этого документа, входят представители Института системного программирования РАН, ИТМО, МФТИ, МТС, РВК, «Росатома», Фонда перспективных исследований, Центра речевых технологий и других организаций. Участникам группы необходимо выявить барьеры, препятствующие развитию сквозных технологий, и выработать меры по устранению этих барьеров, оценить потенциальный спрос на ИИ-решения в конкретных секторах экономики, составить «атлас» имеющихся центров разработки и открытый список проектов, а также определить критерии отбора проектов для господдержки и сформулировать требования к программам исследований. Дорожная карта призвана синхронизировать деятельность институтов развития, научных учреждений, исследовательских и корпоративных программ вузов и центров разработки.

Как не проиграть?

Как рассказал на форуме «Открытые инновации — 2018» Сергей Наквасин, директор направления «Формирование исследовательских компетенций и технологических заделов» АНО «Цифровая экономика», с учетом стартапов в России насчитывается около двух сотен проектов в области искусственного интеллекта, и нацеленность у них такая же, как у зарубежных. При этом у США специалистов в данной сфере больше в 25 раз, а разница в бюджетах еще значительнее. Если делать то же самое, что и все, не обладая сопоставимыми ресурсами, цифрового прорыва не выйдет, полагает Наквасин. «Ситуация, когда мы идем пешком, а нас обгоняют на скоростном болиде, заведомо проигрышная, — говорит он. — Надо искать асимметричные ответы».

Одним из многообещающих направлений, развивая которое можно обогнать весь мир, Наквасин считает когнитивные архитектуры. Что касается катастрофической нехватки кадров, то, помимо увеличения объемов подготовки специалистов, есть и другие варианты нивелирования дефицита. Один из них — это создание платформ, которые позволят решать интеллектуально емкие задачи в области ИИ-решений силами низкоквалифицированных специалистов. «Нам нужны сильные неожиданные решения!» — заявил Наквасин.

Впрочем, самый простой ответ на вопрос, как победить с кратно меньшими ресурсами, дал еще Александр Суворов: не числом, а умением.

Наиболее сложное, что требуется сегодня, — перевести людей в состояние постоянных изменений, считает Дмитрий Шушкин, вице-президент Abbyy. «Цифровая трансформация — это не процесс, не путь из точки А в точку Б, а культура изменений», — убежден он. Если компания хочет быть успешнее других, она должна меняться быстрее других, и искусственный интеллект, наравне с прочими технологиями, служит инструментом ускорения изменений. А повестка применения таких инструментов формируется исходя из задач, которые бизнес намерен решать быстрее других.

По мнению Шушкина, в госпрограмме должна присутствовать культура инновационного предпринимательства. Источниками ИИ станут команды, нацеленные на предложение решений, наиболее востребованных на мировом ранке. «Передовые технологии должны быть мирового уровня, и замахиваться надо сразу на этот уровень», — считает Шушкин.

«Все бегут, летят и скачут…»

«Разработку стратегии нужно начинать с ответа на вопрос, зачем России технологии искусственного интеллекта», Борис Глазков, вице-президент «Ростелекома»

Ажиотаж вокруг технологий машинного обучения не должен помешать взвешенному подходу к выработке стратегического курса на уровне страны. Разработку стратегии нужно начинать с ответа на вопрос, зачем России технологии искусственного интеллекта, подчеркнул Борис Глазков, вице-президент «Ростелекома». К примеру, США развивают ИИ для обеспечения обороноспособности и безопасности, в Китае на первом месте применение ИИ в экономике, а в Индии — в здравоохранении. Россия пока не ответила себе на этот вопрос.

Кроме того, следует разобраться с ресурсным потенциалом как с точки зрения числа имеющихся разработчиков, так и с точки зрения конкретных технологий, которыми они занимаются. «Искусственный интеллект» — это целая «корзина» с технологиями, включая машинный перевод, обработку естественного языка, распознавание образов, мультиагентные системы и пр. В какой области российские разработчики сильнее, на какую именно технологию можно опираться?

Выбирая стратегию, нужно также учесть отличительные особенности страны — громадную территорию, инфраструктуру огромной протяженности. Возможно, ИИ поможет компенсировать минусы, связанные с этим, и даже превратить их в плюсы?

Предыдущую технологическую гонку Россия проиграла, но на новом этапе построения «программируемого мира» решения для него вполне могут быть созданы на ее территории.

«Большинство технологий открыты, нейросеть способен сделать любой студент, вопрос только в данных, в кейсах и в уме, решающем, как ее применить, — отметил Сергей Дощенко, исполнительный партнер Gartner. — Используя новый виток развития цифровых технологий, мы можем создать привлекательные условия для жизни, сделать страну конкурентоспособной, чтобы сюда тянулись люди».

Не дожидаясь милости от нацпроектов

«Каждый энергоблок генерирует около 10 тыс. показателей в секунду, из них в реальной деятельности используется лишь 5–7%», Евгений Осоченко, руководитель проектного офиса «Цифровая трансформация отрасли» госкорпорации «Росатом»

Коммерческие компании уже сейчас успешно решают задачи цифровой трансформации, в том числе с помощью технологий машинного обучения. Так, в «Ростелекоме» уже несколько лет занимаются внедрением решений на базе технологий машинного обучения для подбора персонала, управления оттоком клиентов и даже стратегического планирования. По словам Глазкова, для крупной корпорации это не так уж дорого. В будущем ИИ понадобится телекоммуникационным компаниям для управления все более ветвящимися конвергентными сетями, для мониторинга и анализа трафика с целью получения конкурентных преимуществ. «Здесь нам потребуются российские разработки», — указал Глазков.

В «Росатоме» намерены с помощью ИИ снизить временные и стоимостные транзакционные издержки при принятии решений на среднем уровне менеджмента и развивают системы для анализа и правильного использования данных об эксплуатации объектов атомной энергетики. Каждый энергоблок генерирует около 10 тыс. показателей в секунду, из которых реально используется лишь 5–7%, сообщил Евгений Осоченко, руководитель проектного офиса «Цифровая трансформация отрасли» госкорпорации «Росатом».

По его мнению, при разработке ИИ-систем следует обратить внимание на следующие аспекты: достоверность данных, почему эти данные должны учитываться при принятии решений, каким образом они вписываются в операционную и бизнес-модель, а также безопасность чувствительных данных, касающихся неотчуждаемых конкурентных преимуществ компании. «Если мы взялись за гуж под названием «цифровая трансформация», то должны решить три части задачи: перестройка всех звеньев бизнеса адаптивно к спросу внешнего рынка, гибкая перестройка операционной модели и наложенная на все это система управления данными», — считает Осоченко.

Выбирая курс на ИИ

Компания «Цифра», специализирующаяся на создании «цифровых советчиков» для производственных предприятий на основе искусственного интеллекта, поделилась собственным опытом при выборе стратегических направлений для работы.

Павел Растопшин, управляющий директор компании «Цифра»

Чтобы понять, на чем следует сфокусировать усилия, в «Цифре» провели анализ публикационной активности по теме ИИ-решений для промышленности и сделали несколько выводов. Во-первых, разработчику данных технологий не обойтись без платформы, собирающей данные. Во-вторых, чем более вариативен производственный процесс, тем больше смысла им заниматься. К примеру, если при сходных условиях одни сталевары варят металл за час, а другие за 45 минут, то оптимизация вполне реальна — разница в электропотреблении и в деньгах для предприятия огромна. Еще один аспект, который следует учесть при выборе объекта моделирования, — достаточное количество установок или устройств (доменная печь, погружной насос для нефтепродуктов или ректификационная колонна), где математическая модель может быть применена. И наконец, перспективны для ИИ те области, где учить людей очень дорого и сложно либо цена ошибки очень высока, — например, пилотирование самолетов.

Чем государство могло бы помочь развитию технологий машинного обучения? Павел Растопшин, управляющий директор компании «Цифра», отмечает, что ученые по данным, как правило, плохо разбираются в технологических процессах, поэтому технологи-производственники с ними разговаривать не хотят. Государство могло бы организовать подготовку кадров не только со стороны математики, но и со стороны производства. Например, на каждой кафедре, выпускающей специалистов в области металловедения, учить также своих специалистов по данным и искусственному интеллекту. «Это реально могло бы дать нашей стране качественный скачок в накоплении экспертизы», — уверен Растопшин.

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

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

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

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

1. Машинное обучение — неотъемлемая часть CRM

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

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

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

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

2. Всесторонний обзор клиентуры с помощью данных

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

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

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

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

3. Интеграция CRM с системами операционных отделов

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

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

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

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

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

4. Локальные CRM-системы — пора отказываться

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

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

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

5. Впечатления клиента — превыше всего

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

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

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

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

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

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

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

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

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

Отсутствие понимания бизнес-задачи

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

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

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

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

Низкое качество данных для обучения

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

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

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

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

Неверное применение машинного обучения

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

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

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

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

Модели машинного обучения могут быть предвзятыми

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

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

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

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

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

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

Нехватка ресурсов для полноценного внедрения

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

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

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

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

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

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

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

Некачественное планирование и отсутствие контроля

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

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

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

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

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

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

Внутренние резервы

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

Гонка корпоративных вооружений

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

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

Источники силы, слабости и угроз

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

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

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

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

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

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

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

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

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

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

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

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

Лабораторная работа

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

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

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

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

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

В поиске конкурентных преимуществ: от ИТ к РТ

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

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

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

AIOps (Artificial Intelligence for IT Operations) обещает cэкономить время и усилия ИТ-служб, затрачиваемые на выявление различных неполадок во все более сложной среде, в которой им приходится работать.

Gartner ввел этот термин для описания того, каким образом средства искусственного интеллекта могут применяться для автоматической идентификации возникающих проблем и их устранения.

В настоящее время целый ряд поставщиков платформ AIOps используют технологию машинного обучения для улучшения контроля за операциями, уменьшения числа ложных предупреждений и более точной выдачи прогнозных уведомлений. Эти платформы через API необходимо интегрировать с другими приложениями для повышения эффективности, а также создания независимых от конкретного поставщика аналитических систем, которые объединяли бы существующие разрозненные компоненты.

Типичные сценарии их использования включают в себя постобработку потоков событий, генерируемых средствами мониторинга, организацию двунаправленного взаимодействия с инструментами управления ИТ-сервисами и интеграцию с инструментами автоматизации для более глубокого проникновения в суть происходящего.

Разработка стратегии AIOps

В Gartner рекомендует внедрять AIOps поэтапно. Пользователи обычно начинают применять машинное обучение к мониторингу, операциям и инфраструктурным данным еще до перехода к использованию глубоких нейронных сетей, чтобы автоматизировать работу ИТ-сервисов и служб технической поддержки.

Директор Gartner по исследованиям Вив Бхалла предлагает определить тактические и стратегические варианты использования, позволяющие извлекать выгоду из AIOps, после чего оценить инструменты и поставщиков, которые готовы удовлетворять соответствующие потребности.

«Поэтапные подходы к AIOps обещают быть наиболее успешными, – пояснил Бхалла, выступая на конференции Moogsoft AI Symposium. – Область наших интересов – машинное изучение данных о событиях, а также структурированных данных – представляется мне низко висящим плодом. Если вы знакомы с этой темой, используйте свои знания для расширения применения соответствующей технологии. На втором этапе будет происходить развитие нейронных сетей, поведенческого анализа и данных, ориентированных на языки, причем все это будет осуществляться через автоматизацию сервисных служб. Не вижу ничего плохого в том, чтобы начать с низко висящего плода, а затем уже продвигаться далее».

Бхалла рекомендует выделить время для того, чтобы подготовить отвечающий за функционирование инфраструктуры и выполнение операций персонал к использованию новых технологий, создать центр передового опыта, который организовал бы обмен идеями между различными подразделениями, а затем, начав с малого, быстро продвигаться вперед, оценивая полученные результаты.

«Речь идет не о том, чтобы установить что-то и на этом успокоиться, – подчеркнул Бхалла. – Мы имеем дело со стратегией, с процессом, требующим оценки и развития. Вы ищете новые варианты применения – идеи, о которых, возможно, даже не задумывались раньше».

Предложения вендоров

Бхалла убежден в том, что готовые инструменты AIOps, такие как Splunk IT Service Intelligence и Moogsoft AIOps, станут более популярными, чем решения собственной разработки, поскольку они обеспечивают большую согласованность и позволяют ускорить оценку.

Фил Ти, директор Moogsoft, заявил, что программное обеспечение его компании учитывает изменение потребностей при выполнении ИТ-операций.

«Инструменты AIOps создавались с учетом того, что нельзя априори предвидеть отказы и моделировать свои действия в таких случаях, – пояснил он. – Нужно отказаться от поиска условий отказов вручную и начать использовать данные, которые помогут определить логику поиска неисправностей. Направление AIOps охватывает полный набор операций машинного обучения, науки о данных и искусственного интеллекта».

Платформа Moogsoft AIOps применяет алгоритмы машинного обучения к данным ИТ-систем для поиска возникающих проблем и их устранения. По мнению Ти, главным ее достоинством является возможность обнаружения отказов, которые человек не в состоянии предвидеть.

«Инженеры не делают ошибок сознательно, – пояснил он. – Но сложность ИТ-систем настолько велика, что человеку просто не под силу охватить их в полном объеме и свести все к простому набору правил».

Оператор платежных систем Worldpay, например, обратился к Moogsoft с целью совершенствования традиционных инструментов мониторинга за счет кластеризации событий в ситуациях, требующих вмешательства и выявления их вероятных первопричин, а компания Daimler использует инструменты Moogsoft для предоставления сервисным службам необходимой информации в условиях растущих объемов данных, генерируемых автомобилями.

«Для нас AIOps – это решение, помогающее реагировать на действительно важные события, а не на тысячи событий, регистрируемых нашими инструментами мониторинга», – пояснил ИТ-менеджер группы диагностики подключенных автомобилей Daimler Рюдигер Шмидт.

Что дальше?

Согласно прогнозам Gartner, к 2019 году четверть глобальных корпораций внедрят платформы AIOps, поддерживающие не менее двух основных ИТ-операций.

Ти считает, что популярность AIOps будет расти по мере увеличения объема данных, возрастания сложности систем и повышения интеллектуальности устройств.

«В конечном итоге мы придем к автономной сети, самовосстанавливающейся системе, в которой накопленные знания о возможных причинах сбоев позволят автоматически предпринимать меры для их устранения, – подчеркнул он. – Со временем мы дойдем до того, что будем автоматически оповещать клиентов о сроках восстановления работоспособности системы и о том, каким образом они могут продолжить работу в сложившейся ситуации. Думаю, что в перспективе искусственный интеллект будет в полном объеме поддерживать взаимодействие как с клиентами, так и с устройствами».

Вероятно, вы все чаще в последнее время слышите о машинном обучении. Но какие именно задачи позволяет решать машинное обучение?

Существует целый ряд методов и способов, у каждого есть свои возможные применения. Прежде чем бросаться планировать инвестиции в новые инструменты и инфраструктуру, стоит ознакомиться с возможностями, которые они предоставляют. Перечислим описания и особенности вариантов новшества, чтобы помочь не пасть жертвой нынешнего ажиотажа вокруг машинного обучения и искусственного интеллекта.

Способы машинного обучения

Обучение с учителем (Supervised learning)

Этот способ оптимален, если вы знаете, чему хотите научить машину. Вы можете познакомить компьютер с огромной обучающей выборкой данных и варьировать параметры до тех пор, пока не получите на выходе ожидаемые результаты. Затем можно уточнить, чему научилась машина, заставив ее спрогнозировать результат для контрольных данных, с которыми компьютер еще не сталкивался.

Чаще всего обучение с учителем применяется для задач классификации и прогнозирования. Обучение с учителем можно использовать при определении финансового риска частных лиц и организаций на основе имеющихся сведений о прошлой финансовой активности, можно неплохо прогнозировать покупательское поведение с учетом прежних закономерностей.

Обучение без учителя (Unsupervised learning)

При обучении без учителя машина исследует набор данных и выявляет скрытые закономерности корреляции между различными переменными. Этот способ можно использовать для группирования данных в кластеры на основании одних только их статистических свойств.

Хорошее применение обучения без учителя — алгоритм кластеризации, используемый для вероятностного соединения записей. Определяются связи между элементами данных и на основании этих отношений выявляются связи между людьми и организациями в физическом или виртуальном мире.

Вариант особенно полезен компаниям, которым нужно, например, объединить данные из разнородных источников или по различным структурным подразделениям, чтобы построить общую картину клиентуры.

Обучение без учителя также можно использовать для анализа тональности высказываний, чтобы определять эмоциональное состояние людей на основе их постов в социальных сетях, сообщений электронной почты и других записей. Сегодня, в частности, в компаниях, специализирующихся на финансовых услугах, с помощью обучения без учителя все чаще оценивают уровень удовлетворенности клиентов.

Обучение с частичным привлечением учителя (Semi-Supervised learning)

Это гибрид обучения с учителем и без. Разметив небольшую часть данных, учитель дает машине понять, каким образом кластеризовать остальное.

Способ можно применять для распознавания мошенничеств с попытками выдать себя за другого. Мошенничества можно классифицировать как аномалию на фоне обычной активности. Методы машинного обучения с частичным привлечением учителя позволяют создавать модели, распознающие такие аномалии. Соответствующие системы нередко применяются для выявления попыток мошенничеств при онлайн-сделках.

Обучение с частичным привлечением учителя также можно применять в случаях, когда есть готовые наборы частично размеченных данных, что характерно для крупных предприятий. В Amazon, например, улучшили способности цифрового ассистента Alexa понимать естественный язык, обучая алгоритмы искусственного интеллекта на сочетаниях размеченных и неразмеченных данных. Благодаря этому удалось повысить точность ответов Alexa.

Обучение с подкреплением (Reinforcement learning)

При обучении с подкреплением машине позволяют взаимодействовать с окружением (например, сбрасывать бракованную продукцию с конвейера в корзину) и «вознаграждают», когда она правильно выполняет задание. Автоматизировав подсчет вознаграждений, можно дать возможность машине обучаться самостоятельно.

Одно из применений обучения с подкреплением — сортировка товаров в розничных магазинах. Некоторые продавцы экспериментируют с роботизированными системами сортировки предметов одежды, обуви и аксессуаров. Роботы, используя обучение с подкреплением и глубинное обучение, определяют, насколько сильно нужно сдавить предмет при хватании и какой хват будет наилучшим.

Разновидность этого способа, глубинное обучение с подкреплением, хорошо подходит для автономного принятия решений в случаях, когда возможностей обучения с учителем и без недостаточно.

Глубинное обучение (Deep learning)

Глубинное обучение может проходить как без учителя, так и с подкреплением. При глубинном обучении частично имитируются принципы обучения людей — используются нейронные сети для все более подробного уточнения характеристик набора данных.

Глубинные нейронные сети применяются, в частности, для ускорения скрининга больших объемов данных при поиске лекарственных средств. Такие нейросети способны обрабатывать множество изображений за короткое время и извлечь больше признаков, которые модель в конечном счете запоминает.

Этот способ тоже широко применяется для борьбы с мошенничествами, так как улучшает точность распознавания благодаря автоматизации.

Глубинное обучение может использоваться в автомобильной отрасли при выполнении ремонта и профилактического обслуживания.

Методы машинного обучения

Нейронные сети

Нейронные сети имитируют структуру головного мозга: каждый искусственный нейрон соединяется с несколькими другими нейронами. Нейросети имеют многослойную структуру: нейроны на одном слое передают данные нескольким нейронам на следующем и т. д. В конечном счете данные достигают выходного слоя, где сеть выдает предположение о том, как решить задачу, классифицировать объект и т. п.

Нейросети применяются в целом ряде отраслей. В здравоохранении их используют при анализе медицинских снимков с целью ускорения диагностических процедур и поиска лекарств. В телекоммуникационной отрасли и медиаиндустрии нейросети можно применять для машинного перевода, распознавания мошенничеств и предоставления услуг виртуальных ассистентов. В финансовой отрасли их используют для распознавания мошенничеств, управления портфелями и анализа риска. В розничной торговле — для избавления от очередей в кассу и для персонализации обслуживания покупателей.

Дерево решений

Алгоритм дерева решений классифицирует объекты, отвечая на «вопросы» об их атрибутах, расположенные в узловых точках. В зависимости от ответа выбирается одна из ветвей, и так до тех пор, пока не будет достигнут «лист» — окончательный ответ.

Среди применений дерева решений — платформы управления знаниями для клиентского обслуживания, прогнозного назначения цен и планирования выпуска продукции.

В страховой компании дерево решений поможет выяснить, какие виды страховых продуктов и премий лучше задействовать с учетом возможного риска. Используя данные о местонахождении и сведения о страховых случаях с учетом погодных условий, система может определять категории риска на основании поданных требований и затраченных сумм. Затем, используя модели, система будет оценивать новые заявления о страховой защите, классифицируя их по категории риска и возможному финансовому ущербу.

«Случайный лес»

Чтобы одиночное дерево решений давало точные результаты, его нужно обучать, алгоритм же случайного леса (random forest) использует «комитет» случайным образом созданных решающих деревьев с разными наборами атрибутов и дает возможность им проголосовать, чтобы выбрать самый популярный класс.

Случайный лес — универсальный, быстро обучаемый механизм для обнаружения связей внутри набора данных. В пример можно привести нежелательные массовые рассылки, создающие проблемы не только пользователям, но и провайдерам Интернета, которым из-за спама приходится иметь дело с повышенной нагрузкой на серверы. Для борьбы с проблемой были разработаны автоматизированные методы фильтрации спама, которые с помощью ансамбля решающих деревьев быстро и эффективно определяют нежелательные письма.

Среди других применений — диагностика заболеваний путем анализа медицинской карты пациента, распознавание банковских мошенничеств, прогнозирование числа звонков в колл-центрах и прогнозирование вероятности прибыли и убытка при покупке определенных акций.

Кластеризация

Кластеризация — это группирование элементов данных, имеющих сходные характеристики, с помощью статистических алгоритмов. Это метод обучения без учителя, который можно использовать для решения задач классификации.

Примеры: сегментирование покупательской аудитории в зависимости от характеристик для уточнения адресации маркетинговых кампаний; рекомендации новостей конкретным читателям; помощь в работе правоохранительным органам.

Кластеризация также действенна, когда в сложных наборах данных нужно обнаружить группы, которые трудно заметить без специальных средств. Примеры — от группирования похожих документов в базе данных до обнаружения по криминальным новостям территорий с повышенным уровнем преступности.

Поиск ассоциативных правил

Поиск ассоциативных правил — это метод обучения без учителя, позволяющий находить отношения между переменными. Используется в движках выдачи рекомендаций — именно этот метод применяется во многих интернет-магазинах для составления фразы «Вместе с этим товаром обычно покупают...».

Конкретный пример — повышение продаж в магазине деликатесов. Изучив покупательское поведение путем поиска ассоциативных правил, можно предлагать специальную упаковку и наборы для праздников и других особых случаев. Ассоциативные правила позволяют выяснить, когда и при каких обстоятельствах покупатели приобретают те или иные сочетания товаров. Используя сведения о прошлых покупках и времени их совершения, можно составить программу скидок и сформировать индивидуальные предложения с расчетом на повышение продаж.

— Bob Violino. Machine learning: When to use each method and technique. InfoWorld. SEP 6, 2018

Искусственный интеллект и машинное обучение меняют производственную отрасль. Согласно отчету, опубликованному Всемирным экономическим форумом, сочетание искусственного интеллекта, передовых роботов, аддитивного производства и Интернета вещей приведет нас к четвертой индустриальной революции.

Большинство производственных компаний (80%) ожидают от достижений в области искусственного интеллекта позитивного эффекта. Прогнозируется рост оборота на 22,6% и снижение затрат на 17,6%.

Технологии искусственного интеллекта и машинного обучения уже сейчас используются на производстве для уменьшения простоев оборудования, выявления производственных дефектов, совершенствования цепочек поставок и сокращения сроков проектирования. Однако нехватка квалифицированного персонала, необходимых данных и стандартов мешает многим компаниям продвигаться в этом направлении.

General Electric на переднем крае

Компания General Electric находится в авангарде промышленной трансформации. Производственный спад в отрасли стал для компании хорошим стимулом к изучению возможностей искусственного интеллекта.

«До 2010 года рост производительности труда у нас составлял 4–5%, — отметил вице-президент компании по исследованиям в сфере программного обеспечения Колин Пэррис. — Но затем ситуация в отрасли изменилась. Опытные инженеры увольнялись, а в новых регионах, в том числе в Индии и Китае, компанию представляли главным образом молодые работники».

Между тем клиенты становились все требовательнее. Появлялись новые маршруты, а сложные погодные условия и загрязнение воздуха отрицательно отражались на выпускаемых GE реактивных двигателях. Стало крайне необходимо повысить их надежность и сократить простои в работе.

К тому же клиенты ожидали и дальнейшего снижения цен.

Чтобы добиться всего этого, в GE решили обратиться к искусственному интеллекту и машинному обучению. Начать было решено с сервисов, предоставляемых клиентам, — обслуживания реактивных двигателей и турбин. Затем компания стала применять искусственный интеллект на внутреннем производстве, а потом — в проектировании и внутренних процессах, в том числе при выполнении операций в ЦОДе и работе с кадрами.

«Различные модели и формы анализа в сервисах мы используем по меньшей мере на протяжении последних 10–15 лет, — указал Пэррис. — Пять лет назад GE начала применять машинное обучение и цифровых двойников, которые виртуально моделировали работу части оборудования (например, ветряной турбины) или комплекса (ветряной электростанции)». Цифровые двойники могут найти применение при моделировании работы сборочной линии, всей фабрики или процесса закупок.

В компании GE цифровые двойники (Digital Twin — программный аналог физического устройства, моделирующий внутренние процессы, технические характеристики и поведение реального объекта в условиях помех и воздействия окружающей среды. Для задания на него входных воздействий используется информация с датчиков реального устройства, работающего параллельно. — Прим. ред.) использовались для моделирования эффективности, предсказывания сбоев и быстрого тестирования потенциальных улучшений.

«Мы можем прогнозировать, какие детали выйдут из строя, и у нас есть нужные инженеры и запасы необходимых комплектующих, — отметил Пэррис. — Мы способны увеличить сроки эксплуатации самолетов, не прибегая к техническому обслуживанию, в котором нет необходимости. Благодаря этому нам удалось сэкономить клиентам миллионы долларов».

Дополнительным преимуществом цифрового двойника любого оборудования, системы или процесса стало использование GE аддитивного производства (трехмерной печати) для создания индивидуальных компонентов. Компания перестала заказывать запчасти, которые требовали организации масштабного производства на традиционных сборочных линиях.

«Машины изнашиваются по-разному, — подчеркнул Пэррис. — Аддитивное производство позволяет выпускать запчасти в единичных экземплярах, обеспечивая устранение неисправностей отдельно взятой машины, эксплуатируемой в конкретной среде. Нам больше не нужно строить огромные фабрики, которые будут производить массу запчастей исходя из усредненных потребностей, — раньше на строительство таких фабрик уходили сотни миллионов долларов. Теперь я печатаю нужную мне деталь и могу постоянно адаптировать как тело машины, так и ее мозг. У меня появляется машина, которую можно непрерывно адаптировать для достижения все более высокой эффективности — машина, которую мы называем бессмертной».

Многообещающая прогнозная диагностика

Другие производители также намерены использовать искусственный интеллект и машинное обучение, чтобы сократить затраты и повысить эффективность.

Международная компания Jabil, оказывающая услуги по контрактному производству электроники, несколько месяцев назад начала использовать искусственный интеллект для прогнозной диагностики и выявления производственных дефектов.

На одной из ее фабрик в Китае были установлены машины оптического контроля с несколькими камерами, способные выявлять дефекты в печатных платах.

Базовая технология распознавания образов уже применяется для обнаружения неисправностей, но 35–40% плат, помечаемых системой и направляемых операторам для изучения, на самом деле не имеют никаких дефектов.

«Операторам дается всего две секунды на каждое изображение, но сложность в том, что некоторые платы имеют довольно большие размеры и состоят из сотен компонентов, — рассказывает старший менеджер компании Райан Литвак. — Нам приходилось полагаться лишь на опыт и интуицию операторов».

Уменьшив число помечаемых плат без ущерба для точности, Jabil сможет предоставить операторам больше времени для изучения проблемных плат или выполнения других, более важных задач.

«Нам удалось добиться по-настоящему хороших результатов — довести долю отобранных плат, имеющих реальные дефекты, до 93–98%, — подчеркнул Литвак. — Число отобранных компонентов, у которых не было дефектов, сократилось на 70%».

Концепция подтвердила свою жизнеспособность на двух производственных линиях с одинаковым оборудованием и процессами. Теперь в Jabil намерены перенести полученный опыт и на другие линии с увеличением объемов обрабатываемых данных и интеграцией нового процесса принятия решений.

Еще одной областью, на которую нацелена компания, является прогнозная диагностика. Здесь основная задача — это получение необходимых данных.

«В компании используется много разных систем, много разного оборудования, ­— указал Литвак. — В каком-то имеются собственные системы обслуживания, в каком-то — нет. Некоторые поставщики ведут учет техобслуживания посредством электронных таблиц, другие же используют для этого системы собственной разработки».

Исследователи данных Jabil занимаются нормализацией этих данных и в сотрудничестве с экспертами Microsoft создают модели глубинного обучения, которые нужны для прогнозирования сбоев оборудования.

Согласно результатам исследования McKinsey, прогнозная диагностика промышленного оборудования с использованием искусственного интеллекта позволяет сократить ежегодные затраты на техобслуживание на 10%, уменьшить продолжительность простоев на 20% и снизить затраты на проведение контроля на 25%.

«В последние месяцы мы видим немалый интерес к экспериментальным проектам с конкретными сценариями использования искусственного интеллекта, — отмечают в McKinsey. — Особенно это касается использования компьютерного зрения и информации, собранной датчиками для проверки качества и прогнозной диагностики. В настоящее время в нескольких компаниях идет внедрение таких приложений компьютерного зрения на основе искусственного интеллекта, и стоит отметить, что они открывают потрясающие возможности. Но компаниям, чтобы получить реальную практическую отдачу, нужно быстро переносить из экспериментальных систем накопленные знания и трансформировать искусственный интеллект для конкретных функций и процессов».

Вопрос точности

Компания Lennox International, выпускающая системы вентиляции, отопления и кондиционирования воздуха, только приступает к использованию средств распознавания образов для выявления производственных дефектов.

«Уровень точности здесь значительно выше, чем у человека, — отметил директор компании по ИТ и развивающимся технологиям Сунил Бондалапати. — Уже сейчас нам удалось повысить точность примерно на 20%. И мы рассматриваем это приложение не с точки зрения оптимизации численности персонала, а с точки зрения увеличения точности».

Lennox предоставляет своим клиентам оборудование в аренду, и для этой компании, как и для General Electric, улучшение техобслуживания имеет очень большое значение.

Сегодня оборудование для вентиляции, отопления и кондиционирования воздуха передает данные о параметрах функционирования в облако. Каждый час генерируется около 8 млн новых записей.

Внедрение средств искусственного интеллекта позволит компании прогнозировать сбои оборудования в реальном времени, что раньше считалось невозможным.

«Здесь-то и вступает в действие искусственный интеллект, — пояснил Бондалапати. — Можно восстановить контекст работы оборудования, скажем, двухлетней давности — как оно функционировало при температуре 40°С и определенной влажности. Какова была его эффективность тогда и какова эффективность сейчас».

К реализации проекта в Lennox приступили несколько месяцев назад. Первые результаты оказались весьма неплохими.

Уже сейчас затраты Lennox на вычислительные системы и средства хранения удалось сократить наполовину. При этом для консолидации данных используется технология DataBricks.

Еще одной областью применения искусственного интеллекта в компании является финансовая сфера. Например, расчет бюджета, закладываемого на исполнение компанией своих гарантийных обязательств.

Бондалапати подчеркнул: «Сегодня благодаря средствам искусственного интеллекта мы можем прогнозировать сроки службы каждого из компонентов с подачей в гарантийную службу заявок на формирование соответствующих запасов. Причем сведения эти ежедневно корректируются с учетом новых данных». Ожидается, что общий объем поддерживаемых запасов удастся сократить на 10%.

Искусственный интеллект в Lennox используется и для бухгалтерских задач.

«В гроссбух заносятся миллионы записей, — пояснил Бондалапати. — Человеку просто не под силу отследить все ежедневные проводки. Вместе со своей командой я ищу возможности применения искусственного интеллекта в интересах бизнеса. В этом смысле мы похожи на внутреннюю консультационную организацию. Мы постоянно продаем свои консультационные услуги. Всякий раз мы предлагаем опробовать какие-то новые сценарии. Lennox еще только втягивается в игру искусственного интеллекта. В таких отраслях, как наша, путь искусственного интеллекта непрост и требуются реальные результаты, чтобы изменить отношение скептически настроенной аудитории».

Встраивание искусственного интеллекта в процесс проектирования

Сотрудники исследовательского центра Xerox в Пало-Альто (Palo Alto Research Center, PARC) пытаются справиться с проблемами отсутствия необходимых знаний и данных на чрезвычайно сложном и трудоемком этапе проектирования производственного процесса. Именно в PARC появились такие инновации, как лазерная печать, объектно-ориентированное программирование, графический пользовательский интерфейс, оптические средства хранения данных и многие другие технологии.

«Искусственный интеллект способен учесть функциональные требования, затраты, требования регулирующих органов и производственные ограничения и предложить решения, которые человеку даже не придут в голову», — отметил вице-президент Xerox по научно-исследовательской работе Эрсин Узин.

После того как эскиз готов, сотрудники центра приступают к разработке технологии создания объекта с использованием субтрактивных и аддитивных производственных методов и учетом несовершенства существующих конструкций и производственных технологий.

«Производство — это та область, где физические возможности сильно отличаются от того, чем можно управлять при помощи программного обеспечения, — указал Узин. — У нас есть новые потрясающие материалы, новые аддитивные производственные технологии, гибридные производственные машины. Но используемое программное обеспечение отстает от имеющихся материалов и инструментов на целое поколение. У нас есть машины, позволяющие организовать аддитивное и субтрактивное производство прямо сейчас, но вы не можете создать проект для такого производства. Все приходится выполнять вручную, но при организации сложного производства это выходит за рамки когнитивных возможностей работающих там людей».

«При разработке инструментов проектирования, которые поспевали бы за темпами изменений в науке о материалах и производственных технологиях, в них необходимо встраивать средства искусственного интеллекта», — заявил руководитель одного из подразделений PARC Саи Нелатури.

Сотрудники PARC работают над созданием стандартов и протоколов, обеспечивающих взаимодействие всех разобщенных систем производственных предприятий, а также над созданием алгоритмов на основе искусственного интеллекта для оптимизации энергопотребления, пропускной способности, повышения эффективности и безопасности.

«Непосредственной реализацией технологии в PARC не занимаются, — сообщил Узин. — Мы являемся инновационным партнером и технологическим провайдером. Проектируем технологии, доводим их до стадии прототипа и ищем партнера, который займется их выводом на рынок».

Сегодня PARC сотрудничает с крупными и мелкими производственными компаниями, которые тестируют технологии и выводят их на рынок.

«Технологии искусственного интеллекта помогают небольшим и средним производителям поддерживать свою конкурентоспособность на должном уровне и возвращать рабочие места в США, — добавил Узин. — А вокруг уже сложившейся экосистемы происходит формирование новых рабочих мест».

Главные ограничения искусственного интеллекта: опыт и данные

Машинному обучению и расширенной аналитике отводится важная роль в прогнозной диагностике и других аспектах производственного процесса.

Результаты недавнего исследования, проведенного PricewaterhouseCoopers, показывают, что 78% производственных компаний уже развернули или планируют развернуть у себя технологии прогнозной диагностики. Далее следуют системы управления производством (73%), цифровые двойники (60%) и автоматизация с использованием роботизированных процессов (59%).

Об использовании искусственного интеллекта или о планах такого использования упомянули только 29% опрошенных. В PwC объясняют это необходимостью выхода за рамки машинного обучения и расширенной аналитики для принятия независимых когнитивных решений.

Сегодня основное внимание уделяется технологиям встроенного искусственного интеллекта и машинного обучения, позволяющим сократить затраты, отмечают в PwC. Некоторые из этих технологий помогут компаниям увеличить масштабы и вывести эффективность на новый качественный уровень.

В PwC также отмечают, что клиентский спрос и давление со стороны «разрушителей» сложившихся устоев заставляют производственные компании меняться.

Однако технология еще не обладает той зрелостью, которой хотелось бы ее пользователям. А нехватка знаний в области искусственного интеллекта и полезных данных становится дополнительным фактором, сдерживающим ее продвижение.

Результаты опроса PwC показали, что 52% производственных компаний, внедряющих у себя средства искусственного интеллекта, главным препятствием считают отсутствие квалифицированного персонала, а 42% — отсутствие необходимых данных.

— Maria Korolov. How AI is revolutionizing manufacturing. CIO. September 6, 2018

Из всех возможных областей применения технологий машинного обучения на медицину смотрят с особым вниманием и надеждой. Искусственный интеллект, несмотря на все его несовершенство, уже помогает не только развивать бизнес, но и спасать жизни. Интегрированное в единую радиологическую сеть современное диагностическое оборудование, которым осащены медицинские организации столицы, положило начало накоплению больших данных, и эта информация становятся «пищей» для искусственного «ума».

Сегодня применение технологий машинного обучения для скрининга рака в столичном Научно-практическом центре медицинской радиологии Департамента здравоохранения Москвы (НПЦ МР ДЗМ, проект «Радиология Москвы») выходит на новый уровень. Теперь при скрининге рака легкого искусственный интеллект научат выявлять и другие патологии.

«Комплексное развитие когнитивных систем искусственного интеллекта нацелено на рывок в повышении качества медицинской помощи», Виктор Гомболевский, руководитель отдела развития качества радиологии НПЦ МР ДЗМ

Эксперты проекта «Радиология Москвы» активно участвуют в разработке систем поддержки принятия решений для врачей-рентгенологов. Это оборудование позволяет работать с группами исследований в Едином радиологическом информационном сервисе (ЕРИС), высвобождая время доктора для действительно сложных задач. Одни из самых интересных проектов нацелены на выявление рака легких на ранних стадиях посредством автоматического поиска очагов в легких на КТ-исследованиях грудной клетки, а также на проверку качества описаний и заключений этих КТ-исследований путем интеллектуального анализа текстов, написанных на естественном языке.

Рак легкого — самый смертоносный среди всех онкологических заболеваний. Эпидемиологическая ситуация с раком легких в Москве такова, что требуются комплексные решения со своевременной диагностикой и эффективной маршрутизацией пациентов. Цель скрининга рака легких — выявить рак, прежде чем он распространится за пределы органа. Из всех случаев рака легкого только 15% локализовано непосредственно в легких. Однако данное заболевание выявляют обычно уже после того, как оно распространилось за пределы легкого. Единственный эффективный способ диагностировать эту онкологию вовремя — проводить низкодозную компьютерную томографию (НДКТ) гражданам из группы риска, не имеющим признаков болезни.

В результате запуска массового скрининга рака легкого в Москве в марте прошлого года накопился большой объем данных. Чтобы использовать эту информацию на благо здравоохранения, было решено применить технологии машинного обучения. Как отметил руководитель проекта «Радиология Москвы» профессор Сергей Морозов, скрининговые программы служат мощным стимулом к повышению спроса на автоматизированные решения и алгоритмы компьютерного анализа изображений.

От простого к сложному

На сегодняшний день в лучевой диагностике искусственный интеллект больше всего используется при решении когнитивно простых задач, а именно для формирования подсказок врачу, готовящему вывод по результатам исследования. Однако текущий уровень развития цифровых технологий позволяет решать значительно больше медицинских задач. Так, разделяя все случаи на «норму» и «патологию», искусственный интеллект дает рентгенологу возможность сфокусироваться именно на патологии. Кроме того, такая система может автоматически искать различия между снимками в динамике, классифицировать патологии, предоставлять «второе мнение», формировать сложные алгоритмы обработки больших данных для оценки среды, окружающей пациента. С помощью этой технологии можно изучать новые биомаркеры для развития систем раннего предупреждения заболеваний и создавать «калькуляторы» персонализированного риска.

На основе ретроспективного анализа 10 тыс. КТ-исследований грудной клетки пациентов было отобрано 5 тыс. с патологическими находками для последующего маркирования и тегитирования. Тем самым была сформирована специальная база размеченных КТ-исследований, на которых системы искусственного интеллекта учат искать очаги в легких. Кроме того, в рамках проекта «Радиология Москвы» разработан специальный программный продукт, позволяющий одновременно проводить независимую разметку и ее верификацию по любому массиву данных, с привлечением неограниченного числа рентгенологов. Эти данные применяются в разработке системы для поиска очагов в легких, работы ведутся совместно с Департаментом информационных технологий Москвы.

На сегодняшний день в Москве проведено в общей сложности более 14 тыс. НДКТ. Расчеты проведенного пилотного проекта показали, что из 86 выполненных НДКТ у пациентов из группы риска будет выявлен как минимум один рак легкого. Оценить результаты снижения смертности от данного заболевания планируется в 2024 году.

Расширение «кругозора»

Теперь искусственный интеллект может быть применен для поиска дополнительных патологий при проведении НДКТ. В новом проекте НДКТ 2.0 ставится несколько целей, помимо обнаружения рака легкого, — выявление остеопороза, коронарного кальция, аневризмы аорты, расширения легочного ствола, жирового гепатоза и эмфиземы легкого. Сейчас уже идет подготовка баз данных для тестирования и обучения алгоритмов под эти задачи.

«Роль искусственного интеллекта в скрининге рака легкого значительно шире, чем автоматический поиск узелков в легких, — говорит Виктор Гомболевский, руководитель отдела развития качества радиологии НПЦ МР ДЗМ. — А комплексное развитие когнитивных систем искусственного интеллекта нацелено на рывок в повышении качества оказываемой медицинской помощи».

Гомболевский, кандидат медицинских наук, врач-рентгенолог, не только является разработчиком проекта «Московский скрининг рака легкого», но и возглавляет комитет по искусственному интеллекту Московского регионального отделения Российского общества рентгенологов и радиологов.

По мнению Гомболевского, в использовании потенциала искусственного интеллекта сделаны лишь первые шаги. Сегодня медицинские системы искусственного интеллекта — это разрозненный парк решений для экономии времени, сокращения дозы лучевой нагрузки, поиска и классификации находок, консультации пациентов и направляющих врачей, подготовки изображений, распознавания естественного языка и других локальных задач, результаты которых выразятся в экономии финансовых ресурсов и повышении качества медицинских услуг.

«Надеюсь, что через 10 лет мир лучевой диагностики будет совсем другим именно благодаря искусственному интеллекту, — пишет Гомболевский на своей странице в Facebook. — Точно будут такие задачи, в которых можно поставить вопрос о замене врача. В то же время уложить все обязанности врача-рентгенолога в цифровой алгоритм будет весьма затруднительно».

Подробнее об использовании искусственного интеллекта можно будет узнать из доклада Виктора Гомболевского на практической конференции «Технологии машинного обучения», которую издательство «Открытые системы» проведет 25 сентября.

Сегодня интеллектуальные цифровые ассистенты «прочесывают» большие данные и выясняют сведения, на основании которых автоматически перестраивается цепочка поставок, увеличивая продажи. Программные роботы автоматизируют повторяющиеся задачи ввода данных, а сотрудники в высвободившееся время имеют возможность заниматься исследовательской и творческой работой. Обнаружив неполадку на промышленном объекте, система прогнозной аналитики заранее инициирует ее устранение, избавляя от необходимости высылать техников на место аварии.

Во всех отраслях цифровые технологии активно меняют принципы выполнения должностных обязанностей. Технологии всегда повышали КПД и продуктивность, но самая новая волна обещает гораздо больше. Разработки в сфере искусственного интеллекта, машинного обучения, Интернета вещей, больших данных, прогнозной аналитики и др. используются компаниями, чтобы менять рабочую среду и создавать новые рабочие места, требующие современных навыков, — близится новая эпоха взаимодействия человека с машиной.

По мере «цифровизации» компаний обязанности сотрудников все более усложняются. И на сегодня задача работодателя — эффективнее обеспечить в новых условиях заинтересованность сотрудников, предоставив им инструменты, которые облегчают выполнение сложных задач.

В центре исследований информационных систем МТИ ввели понятие «рабочие условия» (employee experience) — концепцию, определяемую группой факторов, в том числе уровнем сложности должностных обязанностей и поведенческими нормами, касающимися взаимодействия, творчества и использования вспомогательных средств. Цифровые функции обычно положительно влияют на рабочие условия — повышается КПД процессов и уменьшаются ошибки. Но реальные отличия проявляются, когда цифровые технологии используются для коренного изменения принципов работы — замены людей, дополнения их возможностей или создания новых должностей и функций.

По мере этих изменений растут опасения, что автоматы лишат людей работы. В какой-то степени так и произойдет, но эксперты уверены, что вытеснение будет происходить только с должностей, требующих рутинных и повторяющихся действий, а также с работы, которую машины способны выполнять в большем объеме. Около 74% топ-менеджеров, опрошенных Accenture, сообщили, что планируют использовать искусственный интеллект для автоматизации в крупных и очень крупных масштабах в предстоящие три года, и 97% рассчитывают с помощью ИИ дополнять возможности сотрудников.

Чтобы обеспечить успех преобразований, в организациях должны определить оптимальный для себя баланс числа людей и разумных машин. Из числа участников опроса Accenture 54% считают, что сотрудничество человека и машины важно для достижения приоритетных стратегических целей, 46% уверены, что традиционные должностные обязанности устарели, а 29% уже сильно изменили штатные расписания. Как признаются аналитики, со столь масштабными изменениями они еще не сталкивались: речь идет о новых уровнях возможностей и результатов для клиентов благодаря взаимодействию людей и средств интеллектуальной автоматизации.

Важную роль в совершенствовании рабочей среды будут играть обучение и повышение квалификации сотрудников. В некоторых отношениях придется вернуться к основам, к тому, что ценилось до эпохи автоматизации. Речь идет о диалоге между людьми, способности к обобщению, вынесению суждений, ведению переговоров, контролю затрат и точек интеграции — повышенное внимание снова будет уделяться взаимодействию людей на разных ролях.

Компании, способные предложить сотрудникам лучшие цифровые средства, достигнут большего, чем те, где будет просто обновлен штат, — в первых получат существенную прибавку производительности. Среди компаний, участвовавших в исследовании МТИ, 25% признаны обеспечивающими первоклассные рабочие условия, благодаря чему им удается выпускать новые продукты и предлагать услуги вдвое быстрее конкурентов, а кроме того, такие предприятия сообщают об удвоенных показателях удовлетворенности клиентов и на 25% большей рентабельности.

Дело не в навыках и не в эффективности, отмечают в МТИ. В таких организациях уверены, что для достижения принципиально нового уровня производительности необходима интеллектуальная автоматизация.

Расскажем, как пять лауреатов премии CIO 100 2018 смогли «оседлать» цифровую волну и провести преобразования, направленные на радикальное улучшение рабочих условий.

Дистанционное техническое обслуживание

В компании Applied Materials, которая является одним из основателей электронной отрасли, тратят миллионы долларов на отправку специалистов в разные страны мира, чтобы помогать клиентам устанавливать и ремонтировать оборудование, необходимое для выпуска микросхем и дисплеев с плоским экраном.

Несмотря на строгий контроль бюджетов, в компании сумели пойти навстречу клиентам, все настойчивее требовавшим сокращения сроков выпуска продукции на рынок, и коренным образом изменили многие процессы клиентской поддержки. С помощью дополненной реальности и «умных» очков технические работы на местах были заменены на процедуры дистанционного обслуживания, обеспечивающие существенную экономию командировочных расходов.

В партнерстве с Upskill, разработчиком платформы дополненной реальности Skylight, и Osterhout Group, поставщиком умных очков ODG R7, была разработана защищенная платформа дистанционной поддержки, которая используется для устранения неполадок, контроля качества и обучения персонала. Отныне специалисты компании могут взаимодействовать удаленно в режиме реального времени и быстрее решать проблемы, а простои из-за длительных поездок теперь сведены к минимуму.

«Наша главная цель — ускорение; нам необходимо быстро выполнять все новые требования клиентов в сжатые сроки, — объясняет Джей Керли, вице-президент, ИТ-директор Applied Materials. — У нас клиенты по всему миру, и наша задача — построить единую экосистему из людей, процессов и технологий, чтобы направлять лучших специалистов туда, где они требуются».

Очки дополненной реальности дали возможность реализовать несколько новых рабочих сценариев. Они обеспечивают взаимодействие глобально распределенных групп в режиме видео-конференц-связи: эксперты удаленно наблюдают за работой «глазами» техников, находящихся на объекте, и дают советы. Кроме того, очки помогают проводить обучение и выполнять сложные работы на местах. Система дополненной реальности используется также в ходе аудита и контроля качества: вместо прежних процедур, предусматривавших ручную съемку и каталогизацию, теперь техники автоматически транслируют видео и звук в режиме реального времени. Сегодня работать стало намного удобнее, потому что сообщения, аннотации и вспомогательные файлы, в том числе инструкции и схемы оборудования, автоматически передаются техникам и появляются у них перед глазами.

«Смысл проведенных преобразований в том, чтобы «перенести» экспертов и их знания непосредственно туда, где выполняются работы и устраняются неполадки», — добавил Керли.

Замысел проекта возник в 2015 году благодаря внутрикорпоративному конкурсу Internet of Things Challenge, в рамах которого сотрудники должны были предлагать идеи по применению новых технологий для решения повседневных задач.

Проект помог Applied Materials быстрее устранять проблемы благодаря возможности мгновенно обращаться к экспертам, а не ожидать их прибытия. Кроме того, за один визит удается устранять больше неисправностей, поскольку теперь проблему дистанционно могут изучать сразу несколько экспертов.

Сегодня в компании намерены применять и другие средства визуализации, обработки больших данных и высокопроизводительных вычислений, чтобы и дальше наращивать эффективность рабочих процессов. «Прежние методы сегодня не действенны, — заключает Керли. — Нам, в частности, крайне необходимо ускорить наши циклы исследования и разработки».

Контроль здоровья креветок

В компании Cargill уверены, что залог хорошего урожая креветочной фермы — не траулеры и рыболовные сети, а Интернет вещей, мобильные приложения и аналитика больших данных.

Подразделение Cargill Digital Labs предлагает iQuatic — решение, включающее мобильное приложение и информационную панель, которые обещают новый уровень контроля и продуктивности креветочным фермам.

Решение призвано заменить бумажные блокноты и электронные таблицы, оно реализует функции аналитики и визуализации данных, которые предоставляют фермерам ценные сведения в оперативном режиме, помогая следить за здоровьем креветок и повышать урожаи.

До недавнего времени креветочным фермам приходилось полагаться на везение, говорят в Cargill. Сегодня в компании оцифровывают информацию, которая вручную заносилась в блокноты, и комбинируют данные, чтобы директора ферм могли получать сведения в реальном времени и принимать взвешенные решения.

Назначение цифровой платформы — изменить принципы кормления креветок. На протяжении десятилетий фермеры контролировали состояние водоема, пользуясь блокнотами и электронными таблицами. Такой метод был неудобным, малоэффективным и чреват ошибками, в связи с тем что приходилось отслеживать большой объем данных.

Платформа iQuatic на базе Интернета вещей меняет традиционные методы: автоматически регистрируются температура и минерализация воды, с помощью акустических датчиков отслеживается, в какое время и в каком объеме питаются креветки. Эти данные, комбинируемые с информацией из других источников, позволяют вносить оперативные корректировки в режим кормления. Возможности iQuatic позволяют выяснить естественные закономерности питания креветок, чтобы автоматизировать кормление и высвободить у сотрудников время для других важных задач.

«В прошлом специалисту приходилось постоянно брать пробы воды для контроля температуры и уровня минерализации, — объясняет Тиффани Снайдер, ИТ-директор Cargill. — Мы соединяем различные датчики и аналитические функции, позволяя фермерам получать недоступные прежде знания и автоматизировать процессы, которые раньше осуществлялись вручную».

Cargill помогает не только повышать продуктивность, но и совершенствовать аналитические средства путем увеличения количества доступных наборов данных и внедрения машинного обучения для принятия решений на основе прогнозов, что позволяет повысить число урожаев за сезон и, соответственно, доходы. Креветочные фермы, как и другие сельскохозяйственные предприятия, прежде работали менее эффективно из-за разрозненности систем и невозможности сопоставить информацию, чтобы делать прогнозы и принимать профилактические меры.

Как правило, фермеры лишь могли реагировать на текущие сведения, тогда как система Cargill позволяет перейти на прогнозный режим работы и добиться реального повышения продуктивности.

Автоматизация неэффективных процессов

В Fannie Mae, агентстве доступного ипотечного кредитования с государственным участием, прекрасно знакомы с бюрократическими процессами — ручными и зачастую неэффективными. Поэтому, реализуя проект цифровой трансформации, в Fannie Mae внедряют новейшие технологии, рассчитывая создать штат виртуальных сотрудников, которые будут работать «рука об руку» с людьми.

Стержнем инициативы являются средства роботизированной автоматизации процессов (Robotic Process Automation, RPA), программные роботы, которые воспроизводят действия человека при выполнении повторяющихся заданий. Поскольку основные кандидаты на такую автоматизацию — задачи, требующие входа в несколько систем, ввода большого количества данных, загрузки отсканированных документов и т. д., боты активно внедряются в отделах клиентского обслуживания, обработки медицинских страховых требований, выдачи кредитов, в бухгалтерии и др. Системы RPA — это нечто большее, чем традиционная ИТ-автоматизация, поскольку они способны адаптироваться, самообучаться и исправлять собственные ошибки.

В Fannie Mae проводят масштабное внедрение RPA, так как видят в новшестве платформу, которая обеспечивает слаженное взаимодействие между реальными сотрудниками и роботами. «Нашим специалистам по сопровождению приходилось разрываться между многочисленными задачами, и нам нужны были новые пути, чтобы высвободить им рабочее время, — объясняет Рамон Ричардс, старший вице-президент по технологиям безопасности и обслуживания Fannie Mae. — Поэтому мы активно осваиваем новые технологии, способные повысить эффективность внутренних процессов и предлагать более совершенные решения для клиентов». RPA позволяет Fannie Mae относительно быстро решать задачи автоматизации, обходясь без существенных изменений основных приложений и дорогостоящей интеграции.

Хотя в агентстве приняли меры по избавлению от «бумажных» процессов, из-за специфики его деятельности по-прежнему требовался большой объем ручного контроля. Сотрудники тратили немало времени на извлечение данных из систем, загрузку в электронные таблицы и другие корпоративные приложения, а также на операции согласования. Бизнес-процессы могли включать до 35 этапов и требовали принятия нескольких решений. Несмотря на наличие средств автоматизации, люди по-прежнему оставались главным связующим звеном.

Пилотный проект RPA был проведен весной 2017 года, и сотрудники ИТ-службы и операционного отдела, совместно работавшие над ним, сразу же ощутили преимущества технологии. Была сформирована группа по интеллектуальной автоматизации и роботизации процессов, которая занимается расширением применения RPA, машинного обучения и искусственного интеллекта в организации. Были определены три компонента, на которые группа опирается в своей работе: формализация процесса уточнения круга применений технологии, создание центра управления для контроля развертываний и использование новой модели взаимодействия отдела ИТ и специалистов по эксплуатации. За время, прошедшее после пилота, были автоматизированы 28 внутренних процессов в отделах операций, закупок и финансов.

Теперь сотрудники Fannie Mae могут переключиться на решение более ценных задач. По оценкам исполнителей, за первый год использования RPA высвободилось более 700 человеко-часов, повысились качество и продуктивность работы благодаря уменьшению ошибок оператора.

Сами специалисты по автоматизации могут уделять время новым проектам и заниматься проблемами клиентов. Сегодня, когда фундамент уже есть, идет разработка стратегии дальнейших действий, в том числе использования с RPA средств обработки естественного языка и интеграции с системами управления бизнес-процессами. После быстрого получения первых результатов был выстроен достаточно большой конвейер RPA, и бизнес-пользователи начали активно предлагать новые элементы рабочих процессов для автоматизации. Несмотря на энтузиазм, в проектной группе решили не очень форсировать инициативы, учитывая относительную новизну технологий. Текущая задача — доукомплектовать новый отдел, обучить специалистов и составить стратегический план дальнейшего развития.

Расширение возможностей сотрудников с помощью данных

Тезис о том, что данные — это валюта современного предприятия, весьма популярен, но не все поддерживают его делом. В компании Accenture его реализуют на практике, осуществляя общекорпоративный проект, направленный на «демократизацию» данных и предоставление сотрудникам возможности принимать решения с опорой на аналитику.

С конца 2015 года в глобальной консалтинговой компании строят современную платформу управления данными и аналитики, благодаря которой разрозненные информационные хранилища и статичные процессы отчетности должны уступить место новому образу действий, когда все элементы бизнеса опираются на аналитику и каждый пользователь руководствуется практическими сведениями, полученными в результате обработки данных.

Краеугольный камень инициативы — Enterprise Analytics Platform, платформа управления данными и защищенного руководства, обеспечивающая загрузку, обработку информации, моделирование и визуализацию для превращения в полезные знания. В компании сформирован центр компетенций Enterprise Insight Studio, задача которого — быстрая разработка и ввод в действие аналитических моделей. Участники проекта добиваются устранения барьеров, характерных для прежних нескоординированных методов управления данными, и предоставляют новые возможности пользователям на всех уровнях корпоративной иерархии и во всех структурных подразделениях компании, обеспечивая быстрый рост и диверсификацию бизнеса.

«Данные, уже имеющиеся у предприятия, способны принести пользу всем сотрудникам, — уверен Эндрю Уилсон, ИТ-директор Accenture. — Современным компаниям нужны совершенно новые, основанные на данных способы найма, обучения сотрудников, их информирования и обеспечения инструментами. До начала инициативы мы пребывали в классической ситуации, когда данных слишком много, но их форма, специфика и местонахождение не позволяют задействовать их для повышения эффективности работы».

Раньше в компании формировались статичные отчеты, они требовали большого объема работы аналитиков, к тому же не отражали текущую ситуацию и были доступны не всем. Используя Hadoop и Apache Kafka, а также средства моделирования и визуализации данных, в Accenture создали единую платформу управления, с полноценным набором функций руководства и безопасности. При этом был задействован упрощенный подход, позволивший в полном объеме удовлетворить требования к средствам отчетности и аналитики, он подразумевает разделение платформы на три компонента. Первый — общедоступные витрины данных для бизнес-аналитики — включает динамически обновляемые наборы данных, размещенные на быстрых системах хранения. Второй компонент гарантирует самостоятельный доступ опытных аналитиков к централизованным функциям управления данными, обеспечения безопасности и приватности. Третий — «студия инновации», в которой работают ученые по данным, они ищут и демонстрируют новые применения аналитических средств.

«Enterprise Insight Studio — это что-то вроде креативного рекламного агентства, только занимающегося данными, — поясняет Уилсон. — Нельзя добиться того, чтобы все 450 тыс. сотрудников компании были в курсе последних новшеств. Необходим отдельный центр компетенций, который сможет идти в ногу с развитием современных аналитических систем».

За полтора года со времени запуска новой системы и процессов, в Accenture предоставили 20 тысячам пользователей, занимающих ответственные посты, интерактивные отчеты, обновляемые в режиме реального времени, а объем традиционных статичных отчетов был уменьшен почти вдвое. Отпала необходимость в выполнении 90% повторяющихся операций, традиционно связанных с работой аналитиков, что позволило исследователям данных ежемесячно отвечать на 30–50 вопросов бизнес-руководства и сформировать портфель из 120 с лишним аналитических решений для широкого круга пользователей, от кадровиков до специалистов по продажам и клиентскому обслуживанию.

В дальнейшем в Accenture планируют задействовать искусственный интеллект, чтобы расширить возможности извлечения знаний и по-новому организовать взаимодействие между людьми и машинами. Как подчеркивает Уилсон, цель инициативы — с помощью средств интеллектуальной обработки данных дополнить возможности сотрудников, а не заменить их: «Пользуясь результатами анализа, сотрудники работают успешнее. И у них высвобождается время на выполнение важных обязанностей, таких как взаимодействие с клиентами».

Цифровые ассистенты спешат на помощь

Сегодня попросить Alexa или Siri внести молоко в список покупок или уменьшить температуру на термостате — обычное дело. Цифровые ассистенты стали помогать сотрудникам Лаборатории реактивного движения (Jet Propulsion Library, JPL) НАСА находить ответы на непростые вопросы и выполнять рутинные офисные задачи — благодаря осуществляемой в космическом агентстве инициативе по оптимизации рабочих процессов.

Цифровые ассистенты стали очередным этапом проекта Advanced Digital Research Explorer, в ходе которого создается платформа контекстного анализа, помогающая сотрудникам быстро находить ответы в петабайтах документов, баз знаний, видеозаписей и т. п. Цифровые ассистенты, реагирующие на устные команды, позволяют всем работникам лаборатории, от ученых до администраторов, взаимодействовать с системой более естественным образом, говорит Джеймс Риналди, ИТ-директор организации. «Традиционные интерфейсы взаимодействия с компьютерами уходят в прошлое, — считает он. — Мы придерживаемся принципа «если вы можете пользоваться чем-то дома, то сможете и на работе» — человеку комфортнее взаимодействовать с привычными вещами».

Работа над прототипом была начата в 2017 году. Для быстрого поиска, фильтрации и обобщения информации требовалось создать цифровых ассистентов, которым можно отдавать команды устно, путем набора текста, а также с помощью касаний и жестов. За все годы существования НАСА в лаборатории накопились петабайты документов, видеозаписей, изображений и экспериментальных данных в исходных форматах, разбросанных по многочисленным хранилищам, из-за чего ученым приходилось тратить слишком много времени на поиск необходимого для работы. Цифровые ассистенты призваны помогать сотрудникам быстро получать нужные ответы и тем самым значительно ускорять исследования.

«Уже в прошлом году мы продемонстрировали возможность «найти иголку в стоге сена» с помощью традиционного и голосового пользовательского интерфейсов и автоматизировали массу процедур, — отмечает Риналди. — Сегодня мы хотим, чтобы цифровые ассистенты выполняли больше типовых задач». По его словам, система Acquisition Digital Assistant, общение с которой происходит устно через диалогового бота, выдает ответы по результатам обработки 100 тыс. документов в девять раз быстрее, чем при традиционном поиске с набором запроса.

Новые цифровые ассистенты, способные обращаться как к внешним, так и к внутренним источникам информации, используют облако AWS и интерфейс Alexa, чтобы облегчить сотрудникам выполнение широкого круга заданий. Например, Alexa можно попросить перечислить самые масштабные попытки хакерских вторжений в системы, а ассистент RoomBot найдет конференц-зал, который будет свободен в указанное время.

По признанию Ринальди, этот бот стал настоящим «хитом»: сотрудники лаборатории, а их насчитывается около 6 тыс., тратили более двух часов в неделю на поиск свободных конференц-залов, а потом еще несколько часов — на настройку оборудования перед совещанием. Голосовой ассистент не только помогает найти конференц-зал за считанные секунды, но и по команде сам настраивает системы аудио-, видео- и веб-конференций с помощью технологий Интернета вещей. По подсчетам, благодаря новшествам время простоев конференц-залов сократилось на 30%.

Помимо масштабируемых технологий, проектная группа применяет итеративную скоростную разработку платформы, опираясь на методы agile и на исходящие от самих пользователей идеи новых сценариев применения. Кроме того, в рамках сотрудничества с Amazon в НАСА добились доработки решения Alexa for Business, благодаря которой упростились масштабные развертывания колонок Echo и чатботов.

Проект внедрения цифровых ассистентов в JPL только начался. Риналди убежден, что они будут особенно полезными для новых сотрудников, которые с их помощью смогут получать доступ к нужной информации и сервисам: «Цифровые помощники облегчают работу в многозадачном режиме, да и общаться с ними сотрудникам нравится».

— Beth Stackpole. Redefining work in the digital age.CIO. August 22, 2018