Машинное обучение

Меняются технические характеристики автомобилей, способы использования и обслуживания транспортных средств, а программные системы на основе искусственного интеллекта позволяют изменить и сам процесс купли-продажи железных коней. Компания CarPrice предлагает сервис оперативной продажи автомобиля по текущей реальной рыночной цене, складывающейся в ходе аукциона с участием десятков тысяч дилерских центров со всей страны. Юрий Буйлов, руководитель отдела разработки компании, рассказал о применении машинного обучения в информационной системе поддержки автомобильного аукциона и сопутствующих сервисах.

На практической конференции «Технологии машинного обучения 2018», которую издательство «Открытые системы» проведет 25 сентября, он раскроет свои секреты использования нейронных сетей и расскажет о том, какие преимущества в работе дают дилерским центрам и продавцам автомобилей сервисы на базе глубинного обучения.

- В каком направлении идет развитие CarPrice и какую роль будут играть инновационные технологии в достижении поставленных целей?

Юрий Буйлов, руководитель отдела разработки компании CarPrice

CarPrice находится на стыке онлайн- и офлайн-сервисов: автовладельцы приезжают в наши пункты обслуживания, там при помощи мобильного приложения осуществляется осмотр их автомобилей, после чего виртуальный образ машины выставляется на площадке онлайн-аукциона, где в реальном времени проходят торги за лот дилеров со всей страны (до 2 тыс. человек ежедневно). Ясно, что для развития бизнеса и повышения качества клиентского сервиса компания находится в состоянии непрерывной цифровой трансформации.

Ежедневно через сервисы онлайн-аукциона проходит огромный массив данных: порядка 500 характеристик состояния каждого автомобиля, сведения о его владельце (возраст, уровень доходов, местоположение и пр.). Регулярная аналитика данных и машинное обучение – неотъемлемая часть всех бизнес-процессов компании, позволяющие провести максимально подробный осмотр и определить точную рыночную стоимость каждого автомобиля.

- Как меняется вторичный автомобильный рынок под влиянием инноваций?

Рынок становится более цивилизованным и прозрачным. Практически вся информация по автомобилям оперативно оцифровывается: история владения и обслуживания, пробег, участие в ДТП, ремонты и т. п. Налаживается обмен этой информацией между сервисами, дилерами и вендорами, что открывает новые возможности как для продавцов, так и для покупателей.

- Чего ожидают клиенты? Какие технологии помогают выявить и удовлетворить их потребности?

Исторически основным фактором при продаже авто была цена, но сегодня потребности клиентов меняются, все больше внимания обращается на комфорт, безопасность. Существенную роль играет и оперативность продажи, особенно в мегаполисах. Для построения моделей машинного обучения мы научились использовать накопленные данные по уже проведенным аукционам, аналитику рынка и запросы дилеров и поэтому можем максимально быстро предложить рыночную цену автомобиля независимо от времени суток, дня недели или текущей активности дилеров.

- Какие новые технологии применяются в сервисах покупки и продажи автомобилей?

Системы машинного обучения позволяют во время осмотра выдать список типичных повреждений, характерных для автомобиля конкретной модели и возраста. Благодаря этому минимизируются риски, связанные с качеством предпродажной экспертизы.

- Для чего используются нейронные сети?

В первую очередь мы нацелены на решение внутренних задач компании – например, предсказание динамики ликвидности автомобилей по маркам и моделям исходя из индексов цен. Система работает и по внешним задачам: мы стремимся предложить нашим клиентам-продавцам максимальную стоимость автомобиля, а покупателям-дилерам – автомобили, профильные для их бизнеса.

- Каковы особенности использования нейронных сетей в современных программно-аппаратных конфигурациях?

Сейчас в современных системах широко распространены микросервисные архитектуры, что дает свободу применения различных технологий, языков программирования и баз данных, упрощает масштабирование и развертывание ПО. Однако неоднородность данных, вариативность форматов и скорость изменения усложняют сбор и подготовку данных для машинного обучения. Кроме того, возникают сложности при перестройке уже обученной модели, если она начинает выдавать плохие результаты.

- Какие преимущества получают продавцы, дилерские центры и клиенты от работы с сервисами на базе глубинного обучения?

Автовладелец-продавец – скорость, комфорт и выгодную цену. Покупатель-дилер – юридическую защищенность, гарантию качества и прогноз развития собственного бизнеса. Сегодня, кстати, мы готовим к запуску новый проект, предоставляющий расширенную аналитику для понимания рыночной ситуации, динамики ликвидности автомобиля конкретной модели с прогнозом на два года. Это может быть полезно не только дилерам, лизинговым и страховым компаниям, но и частным клиентам.

- О чем вы собираетесь рассказать участникам конференции «Технологии машинного обучения – 2018» и о чем сами хотели бы услышать?

Считается, что внедрение технологий машинного обучения – достаточно дорогое удовольствие ввиду требований к инфраструктуре и квалификации кадров, а потому доступно только крупным ИТ-компаниям. Но это не всегда так. Возможности собственных разработок, а также опыт других компаний позволяют сегодня сформулировать задачи для машинного обучения и решить их с минимальными затратами. Поэтому возможность обменяться опытом практического применения технологий машинного обучения – одна из основных причин участвовать в данной конференции.

Какие прикладные задачи крупные торговые сети научились решать с помощью машинного обучения? Валерий Бабушкин, начальник управления развития данных X5 Retail Group, руководитель группы аналитики компании «Яндекс» и приглашенный преподаватель НИУ «Высшая школа экономики», рассказал об этом журналу «Директор информационной службы» (CIO.ru). Больше по этой теме можно будет узнать из его доклада на практической конференции «Технологии машинного обучения 2018» (организатор «Открытые системы», Москва, 25 сентября 2018 год).

- Что заставляет ретейлеров браться за технологии машинного обучения?

Когда есть огромный бизнес с оборотом 1,6 трлн руб. (оценка на 2018 год), свыше 250 тыс. сотрудников, более 13 тыс. магазинов (на 30 июня 2018 года. – Прим. ред.), очень остро встает вопрос оптимизации. Даже 0,5% от такого оборота превращается в дополнительные 8 млрд руб. в год. В следующем году вырастаем еще на 20%, и тогда добавка составит 10 млрд руб. А если можно оптимизировать 1%? А 2%?

Машинное обучение непосредственно решает задачи оптимизации. Например, мы ищем минимум функции потерь. Возможно, это звучит немного пугающе, но фактически речь идет о простой аппроксимации какой-то функции.

Математический аппарат машинного обучения не нов, линейной регрессии более ста лет, а первая статья о нейронных сетях и персептроне написана Фрэнком Розенблаттом еще в 1960-х годах.

- Но обучать нейросети на бизнес-данных начали не так уж давно...

Валерий Бабушкин: «Нет никакого искусственного интеллекта, если не считать таковым выполнение какой-то задачи в автоматическом режиме. Есть математические алгоритмы решения строго определенных прикладных задач»

Нейросети – одна из областей машинного обучения. С их помощью решают прикладные задачи, связанные с видео, аудио и текстами. Нейросети работают лучше, чем классические методы, а что касается качества задач видео и аудио – на порядок лучше, чем все, что было до них.

Это уже не первая «весна» нейронных сетей, а третья. Предыдущий расцвет был в 1980-х годах, а первый – в 1960-х, когда многослойный персептрон должен был находить на фотографиях грузовики и танки. С чем связан их ренессанс? Наконец появились достаточные мощности, чтобы их использовать, и достаточное количество размеченных данных. Но энтузиасты занимались нейросетями и раньше. Сегодня же это стало более распространено благодаря тому, что в глобальном мире новую информацию можно получать практически мгновенно.

- Но в первую и вторую волну это были всего лишь интересные эксперименты, а теперь нейросети обещает стать базовой технологией для любого бизнеса.

Да, это стало доступно, потому что сейчас мощный компьютер – это смешные деньги для крупной компании.

- Какие задачи торговые сети уже решают с помощью искусственного интеллекта и почему именно эти задачи?

«Искусственный интеллект» – термин модный, но некорректный. Нет никакого искусственного интеллекта, если, конечно, не считать таковым выполнение какой-то задачи в автоматическом режиме. Есть некие математические алгоритмы решения строго определенных прикладных задач – если задать условия и предоставить данные, на которых они смогут «учиться». Да, применяя заранее заданные правила, они сами обнаруживают закономерности и, условно, их «выучивают». Но нет искусственного интеллекта, который самообучается, это очень большое преувеличение.

- Так какие именно задачи решаете вы?

Мы должны предсказывать на месяц вперед, какой будет спрос на каждый из 8 тыс. товаров в каждом из 13 тыс. магазинов – 104 млн прогнозов. Нам нужно понять, как правильно проводить промоакции, как товары влияют друг на друга, когда продажи одного товара растут в ущерб продажам другого, похожего, и т. д.

Еще одна задача – оптимизация ремонтов. В каждом магазине стоят холодильники с датчиками. Холодильники обычно не ломаются внезапно, процесс деградации можно отследить и построить модель, которая на основании поступающих с датчиков данных будет подсказывать, какой холодильник вскоре выйдет из строя. Это позволит отремонтировать его заранее и заодно выбрать оптимальный маршрут для ремонтной бригады.

Следующая задача связана с размещением товаров на полке. В магазин привозят не только те 50 пачек сока, которые помещаются на полку, а больше. Когда товар на полке заканчивается, клиент проходит мимо, хотя на складе товар есть. Но можно поставить камеру, которая будет определять количество товара на полке и, когда его остается мало, сигнализировать о необходимости пополнить полку. Это задача компьютерного зрения, и в решении используются уже упомянутые нейросети.

Кроме того, планируем решать классическую задачу HR-аналитики, которая стоит перед всеми компаниями, где много людей и большая текучка. Когда человек увольняется – это всегда расходы, и чем больше компания, тем больше затрат. Поэтому все стремятся снизить текучку. Если человек увольняется, значит, его что-то не устраивает. Если он увольняется спустя два месяца после своего прихода в компанию, значит, при приеме где-то была совершена ошибка. Процесс подбора под конкретные задачи людей, которым долго будет комфортно работать в компании, тоже можно оптимизировать. Эта задача стоит и в других странах, и в других отраслях, и ее можно довольно успешно решать с помощью машинного обучения, помогая миллионам людей найти то место, где им будет комфортно и приятно работать длительное время.

- Под каждую из задач разрабатывается отдельное ИТ-решение или они строятся на одной платформе?

Обычно по методологии Scrum создается кросс-функциональная команда, куда входят разработчики, аналитики, исследователи данных, инженеры по данным, инженеры машинного обучения под руководством «владельца продукта», отвечающего за конечный продукт. Они работают совместно, используя различные языки программирования.

Как создаваемый ими продукт реализуется технологически, зависит от конкретной бизнес-задачи. И задача, где надо получить результат через 8 миллисекунд, очень сильно отличается от задачи, где результат можно получить через две недели. Скажем, предсказывая, каким будет розничный оборот магазина через год, чтобы понимать, стоит ли открывать магазин в конкретной точке или нет, мы можем выдать результат через неделю, но результат нужен максимально точный. А если разрабатывается рекомендательная система для магазина «Перекресток Онлайн», то результат нужен очень быстро, потому что когда человек положил товар в корзину, ему тотчас же надо рекомендовать. Это абсолютно разные платформы и разные реализации.

Поэтому нет единой платформы, но есть единый стек ИТ-инструментов, и на разных частях этого стека строятся конкретные продукты. С точки зрения оргструктуры функция разработки ИТ-продуктов для работы с данными в X5 отдана отдельной дирекции, которая принимает «заказы» от других подразделений.

- Достаточно ли уже накопленного опыта в области машинного обучения для результативного решения перечисленных задач? Или это пока все же экспериментальная площадка?

Всё перечисленное активно работает. Проект с компьютерным зрением – это, скорее, «пилот». Сделать что-то в одном магазине несложно, сложно масштабировать это на 13 тыс. магазинов, это уже инженерная задача. Пока компьютерное зрение охватывает 20-30 магазинов, но, думаю, вскоре станет реальностью для всей сети.

Ну а такие задачи, как предсказание спроса, уже решаются в производственном режиме.

- И можно уже говорить о результатах?

Результат – то, что X5 растет на 20% в год. Влияние отдельных шагов очень сложно вычленить, всё вносит свой вклад. Но мы проводили пилотный проект по моделям лояльности и зафиксировали увеличение трафика на 4%. Это фантастически много!

- Что мешает развивать технологии машинного обучения в ретейле?

Мы занимаемся все-таки не развитием технологий, мы не исследователи. Мы решаем прикладные задачи, характерные для нашей отрасли.

Когда есть много данных из разных источников, возникает проблема интеграции и качества данных. Это самая большая проблема. Особенно если компания проходила через слияния или приобретала другие компании, у которых были свои системы хранения и свои стандарты.

- И как вы ее решаете?

Есть специальные службы. Например, отдел ЕTL (extraction transformation loading) занимается извлечением, трансформацией и загрузкой данных, управление мастер-данных чистит данные, приводит их в божеский вид и тоже загружает. Исходные данные могут быть повреждены, загрязнены, они могут оцифровываться или вноситься вручную с ошибками.

Только в нашей дирекции без малого сорок специалистов пишут скрипты для очистки данных. Это постоянный и трудоемкий процесс, тяжелая работа, она, безусловно, удлиняет сроки реализации любых проектов. Но если у вас нет хороших чистых данных, на этом можно завершать работу: как говорится, «мусор на входе – мусор на выходе».

Какую компанию ни возьми, 80% времени исследователь данных тратит на работу с данными, а не с алгоритмами. И на вопрос «Как улучшить алгоритм?» стандартный ответ такой: «Нужно больше данных».

- О чем вы собираетесь рассказать участникам конференции?

Я с удовольствием расскажу про uplift-модели (модели прогнозирования воздействия), это очень интересная тематика. Представьте, что у нас есть m клиентов и n воздействий, которые мы можем оказать на каждого из них. Например, послать SMS со скидкой на 100, 200 или 300 руб. – уже три воздействия. Мы хотим максимизировать покупки клиента, поэтому прислали ему SMS со скидкой на сыр, и он его купил. Казалось бы, это хорошо. Но если он купил бы его и без SMS, то получается, что мы зря потратили деньги на скидку. Если же он не купил, результат тоже не очень хороший, ведь рассылка SMS десяткам миллионов покупателей – это расходы. Третий вариант: без сообщения он бы не купил, а благодаря сообщению купил – это успех. И четвертый вариант, когда мы послали SMS, а клиент говорит: «Как же вы мне надоели, все время отвлекаете, никогда больше в ваш магазин не приду». Это самый плохой результат.

Проблема в том, что у нас нет параллельных вселенных, в которых мы могли бы одному и тому же человеку прислать SMS и не прислать SMS, чтобы посмотреть, как лучше. Но есть ряд математических методов, которые позволяют такую проблему решать. Как это сделать, я и буду рассказывать.

Компании вынуждены становиться все более интеллектуальными, встраивая аналитические инструменты в процессы принятия решений и делая анализ данных неотъемлемой составляющей управления. Во многом в этом и заключается смысл цифровой трансформации. Дмитрий Рубин, директор департамента систем автоматизации ИТ и процессов обслуживания компании Naumen, рассказывает об управленческих проблемах на пути к цифровой трансформации, пользе сервисного подхода в этом процессе и своих взглядах на место искусственного интеллекта в цифровом будущем предприятий.

- Как вы считаете, каковы основные проблемы бизнеса на пути к цифровой трансформации?

Сначала необходимо определиться с самим термином «цифровая трансформация», или «цифровая революция». В моем понимании это переосмысление всех составляющих бизнеса с точки зрения возможностей, предоставляемых современными технологиями. Именно технологии выступают инструментом для достижения целей: оперативно реагировать на запросы рынка, адаптироваться к меняющимся экономическим условиям, минимизировать риски и издержки.

Проблем на пути к цифровым преобразованиям несколько. В первую очередь — нежелание менять привычный уклад. Иногда оно связано со страхом перед новым и неизведанным, иногда – с уверенностью, что можно обойтись без изменений. Но следует понимать, что даже лидеры рынка рискуют потерять позиции, если не будут адаптироваться к новым условиям.

Не менее существенной проблемой является экономическая целесообразность цифрового преобразования. Изменения требуют финансовых вложений, а бизнесу важно понимать, за счет чего он станет больше зарабатывать или меньше тратить. В то время как далеко не каждый проект трансформации имеет четкое экономическое обоснование, подкрепленное статистическими данными. Остается либо прибегнуть к детальному анализу всех составляющих проекта, либо полагаться на веру в лидера. Найти такого лидера от бизнеса со знанием ИТ – задача крайне важная. Зачастую первые лица компаний не имеют достаточных знаний, а ИТ-директору не под силу совершить цифровую трансформацию в одиночку. Решить проблему может диалог между ИТ и бизнесом.

Даже в тех компаниях, где понимают необходимость преобразований, не всегда есть четкий алгоритм действий. Специфика российского рынка такова, что на нем не так много компаний с абсолютно одинаковыми бизнес-процессами. Универсальной схемы цифровой трансформации нет. Важно не бросаться оптимизировать все и сразу, а сконцентрироваться, расставить приоритеты исходя из насущных проблем компании.

- Какова роль ИТ в решении всех этих проблем?

ИТ выступают основным советником бизнеса на пути к трансформации. Именно ИТ нередко демонстрируют эффективность новых технологий на собственном примере, становясь драйвером трансформации в рамках всего бизнеса.

Генеральные директора все больше проявляют интерес к технологиям и преимуществам, которые эти технологии несут бизнесу, а ИТ-директора становятся полноценными партнерами в управлении компанией. При этом ИТ нередко берут на себя обучающие функции для снижения порога входа в цифровую эру для сотрудников, помогая им адаптироваться в новых условиях.

Хорошим примером сотрудничества и передачи опыта ИТ в бизнес является использование идей сервисного подхода и автоматизации процессов взаимодействия сервисных служб на базе единой сервисной цифровой платформы. ITSM-практика доказала свою эффективность в управлении ИТ, а теперь уверенно демонстрирует ее в управлении бизнес-процессами.

- Что может получить бизнес от перехода на сервисную модель и зачем на нее переходить?

Одни из критериев эффективности процессов трансформации – оптимизация процессов, сокращение затрат и повышение удовлетворенности клиентов. Все это можно обеспечить благодаря внедрению сервисного подхода. Доказательством тому служат более 400 успешно реализованных проектов на базе Naumen Service Desk. Так, компания «Новапорт», одна из крупнейших сетей региональных аэропортов России, повысила контроль и качество обслуживания в восьми аэропортах. Благодаря автоматизации процессов сервисного обслуживания удалось на 50% повысить оперативность обработки запросов и на 15% уменьшить количество инцидентов. В дальнейшем решение планируется использовать за рамками ИТ – для автоматизации заявок в Общем центре обслуживания.

Переход на сервисную модель взаимодействия на базе цифровой платформы может быть одним из первых шагов в цифровой трансформации. Многие наши заказчики уже прошли этот путь и развиваются дальше.

- Согласны ли вы с тем, что четвертая технологическая революция строится на машинном обучении и искусственном интеллекте?

Несомненно, триада «люди-процессы-технологии» дополнилась четвертым компонентом – данными. Они служат новым источником знаний для автоматизированных систем и процессов, их использование открывает поистине большие возможности в части оптимизации деятельности компании. Данные являются базисом для систем искусственного интеллекта. Чем данных больше, чем они лучше сегментированы и структурированы, тем большую пользу можно от них получать для решения прикладных задач. В связи с этим позиция директоров по данным (Chief Data Officer, CDO) в компаниях уже нередко становится обязательной наряду с СЕО и СIO.

- Ранее компания Naumen заявила о создании линейки решений Naumen Service Management Intelligent Automation (SMIA) и создании Центра интеллектуальной автоматизации. Чем обусловлено развитие данного направления?

Наша компания является ведущим российским производителем ПО для управления сервисными процессами и объединенными центрами обслуживания. Мы много инвестируем в развитие наших продуктов, и одно из основных направлений инвестиций сейчас – разработка решений на основе технологий больших данных и машинного обучения. В ходе цифровой революции востребованность этих технологий со стороны заказчиков будет неуклонно расти. Именно это стало толчком для создания Центра компетенций по интеллектуальной автоматизации и линейки SMIA. Naumen Service Management Intelligent Automation может внедряться на универсальных платформах для построения решений по автоматизации бизнес-процессов, интеллектуального мониторинга и анализа экосистемы предприятия – Naumen Service&Data Platforms. Сюда входят универсальная платформа для автоматизации бизнес-процессов Naumen Service Management Platform и платформа для построения систем интеллектуального мониторинга и анализа экосистемы предприятия Naumen Data Aggregation Platform.

Уже сейчас у нас есть решения для интеллектуальной классификации, приоритизации и маршрутизации обращений, поступающих от пользователей и клиентов, что позволяет фактически упразднить первую линию обслуживания и сократить как минимум до 20% время на решение запросов.

Алгоритмы предиктивной аналитики позволяют интеллектуально обнаруживать и предотвращать от 30% инцидентов в инфраструктуре еще до их возникновения, благодаря чему снижаются затраты на эксплуатацию оборудования. Интеллектуальные чат-боты, умные базы знаний и системы генерации и распознавания речи предоставляют возможность строить комплексные роботизированные системы эксплуатации и клиентского обслуживания.

Мы также уделяем особое внимание фундаменту интеллектуальных систем – управлению и работе с данными. Технологии искусственного интеллекта призваны кардинально изменить подход к управлению данными. Предприятиям необходимо оптимизировать свои процессы, если они хотят успешно использовать большие данные и средства анализа, чтобы улучшить клиентское восприятие, достичь бизнес-целей, получить конкурентные преимущества и в конечном итоге занять лидирующие позиции на рынке. Мы готовы предоставить для этого гибкие инструменты, помогающие собирать данные, анализировать их и управлять ими.

- Какие отрасли наиболее готовы к использованию технологий искусственного интеллекта?

К ним проявляют интерес отрасли с максимальной конкуренцией, где компании находятся на передовой использования инновационных решений в целях получения конкурентных преимуществ: электронная торговля, финансовый сектор, ИТ и телеком. Не отстает и госсектор – этому способствует принятая программа «Цифровая экономика Российской Федерации на 2017-2030 годы», в которой основное внимание уделяется развитию цифровых технологий, в том числе базирующихся на больших данных, искусственном интеллекте и робототехнике.

Особое место искусственному интеллекту отводится в промышленности. Эксперты прогнозируют, что рынок ИИ в отечественной промышленности к 2021 году достигнет 380 млн долл. Здесь он используется пока в большей степени для увеличения срока службы промышленного оборудования и повышения эффективности его обслуживания.

- Насколько внедрение технологий искусственного интеллекта оправданно экономически и насколько оно организационно сложно?

Технологии на базе искусственного интеллекта призваны заменить человеческий труд, снизить затраты на операционные процессы. С одной стороны, обосновать экономический эффект от внедрения таких технологий довольно просто. С другой, очень многое зависит от базиса внедрения – состояния данных. Из-за этого эффективность внедрения может очень сильно различаться, что подчас дискредитирует и проекты, и саму технологию. Именно поэтому необходимо привлекать компетентных исполнителей, которые смогут организовать правильные процессы работы с данными, отслеживать их качество и полноценность, чтобы в конечном счете получать пользу от внедрения и применения ИИ. Только в этом случае гарантирован возврат инвестиций. Скажу, что все реализованные на сегодня проекты на базе решений Naumen SMIA сопровождались конкретными бизнес-результатами – в частности, снизились затраты на операционные процессы до 50% и выросла скорость принятия решений до 70%.

Конечно, все хотят верить в некую магию и в то, что внедрение технологий на основе ИИ быстро решит их проблемы. Мы видим свою задачу не только в том, чтобы разрабатывать и внедрять технологии, но и в том, чтобы обеспечить эффект от их использования у каждого заказчика.

- По вашим прогнозам, когда ждать массового использования технологий ИИ и машинного обучения?

Технологии ИИ и машинного обучения сейчас переживают настоящий информационный бум. Ожидания от них, как и от любых инновационных решений, могут быть весьма завышены на первоначальном этапе. Следует понимать, что результаты сильно зависят от ИТ-зрелости компании, базиса данных, формулировки целей и, конечно же, компетенций исполнителей. В ближайшие два года мы будем наблюдать рост количества проектов по внедрению искусственного интеллекта. Как прогнозируют в IDC, к 2019 году примерно 40% проектов цифровой трансформации, реализуемых в компаниях, будут использовать ИИ-сервисы. Через три года искусственный интеллект станет реальным инструментом для решения практических задач. Мы стремимся работать на опережение, развивая компетенции для выполнения проектов на базе прорывных технологий.

Компании отдают на аутсорсинг все разновидности ИТ- и бизнес-функций, в том числе и стратегические. Все чаще передается «на сторону» и сфера аналитики данных – одно из наиболее конкурентоспособных технологических направлений.

Для аутсорсинга нанимают поставщика услуг, который анализирует предоставляемые ему данные. Исследования показывают, что спрос на услуги подобного рода находится на подъеме.

В отчете, опубликованном в 2017 году консультационной компанией Hexa Research, указывается, что с 2016 по 2024 год мировой рынок аутсорсинга анализа данных будет ежегодно расти более чем на 30%, а к концу этого периода объем продаж превысит 6 млрд долл.

Как утверждается в отчете, растущая осведомленность о преимуществах анализа данных становится ключевой движущей силой развития рынка. Бизнес постепенно осознает важность анализа в повышении доходов и влиянии на выбор потребителей. А между тем далеко не каждая организация обладает знаниями и ресурсами, необходимыми для эффективного анализа данных.

Нехватка аналитиков данных препятствует развитию конкурентоспособного анализа и порождает дополнительный спрос на аналитические услуги. В отчете Hexa все виды анализа подразделяются на три основных типа: прогнозный, предписывающий и описательный. Сейчас основная доля на рынке принадлежит описательному анализу. В дальнейшем ожидается существенный рост объемов предписывающего анализа, потребность в котором испытывают многие организации.

Что же касается самого аутсорсинга, он подразделяется на офшорный и оншорный.

«Облачные технологии упрощают доступ к данным в тех регионах мира, где рабочая сила более дешевая, поэтому может произойти сокращение расходов на текущее управление алгоритмами, – указала научный директор направления облачных технологий и ИТ-сервисов исследовательской компании 451 Research Кэти Ринг. – Технологии машинного обучения обещают дальнейшее снижение затрат в этой области. При этом офшорные источники имеет смысл выбирать главным образом для проектирования систем управления данными, нежели непосредственно для анализа».

«В условиях, когда ведущая роль в обработке отводится машинам, преимущества офшорных услуг постепенно будут нивелироваться, – добавила партнер консультационной фирмы EY в области глобального анализа Беатрис Санс-Саис. – Какой аутсорсинг будет выбран, не столь важно, гораздо большую значимость в достижении наилучших результатов имеет совместная работа людей и машин».

Передавать анализ данных на аутсорсинг имеет смысл только для определенных видов аналитики. Наряду с потенциальными преимуществами здесь есть и риски. Перечислим, в чем можно проиграть, а в чем выиграть, передав анализ данных на аутсорсинг.

Преимущество: доступ к нужным дефицитным навыкам

Не секрет, что многие ИТ-специальности сегодня в дефиците. Это в полной мере относится к облачным вычислениям, передовым методам анализа, большим данным, озерам данных и науке о данных. Аутсорсинговые компании могут смягчить образовавшийся дефицит, предложив клиентам свои услуги в указанных областях.

«В условиях продолжающегося роста объемов данных рассчитывать на то, что традиционные ЦОДы помогут с этим справиться, уже не приходится, – заметила Ринг. – Рост потребностей в управлении большими данными в облаке способствует дальнейшему развитию Amazon Web Services, Microsoft Azure и Google Cloud Platform».

Организациям нужны платформы управления облаком, позволяющие создавать озера больших данных, управлять загрузкой данных и осуществлять их передачу с индивидуальных консолей. Но если за такую работу берется команда, не обладающая соответствующими навыками, то и дело возникают осложнения. Прибегнув к аутсорсингу, организации получают доступ к необходимым знаниям.

Недостаток: риск выбрать не того провайдера

Неверный выбор поставщика услуг грозит неприятностями в любом виде аутсорсинга, и анализ данных не является исключением.

«Выбор поставщика услуг может превратиться в сложную задачу, – указала Элисон Клоуз, возглавляющая в компании International Data Corp. направление исследований финансов и бухгалтерского учета, BPaaS и аналитических сервисов. – В первую очередь внимание следует обращать на стоимость предлагаемых услуг, однако не менее важны культурные предпочтения и расстановка команд. Компании сегодня хотят тесного стратегического партнерства, при котором выделяемые ресурсы соответствуют объему повседневных операций, коммуникационные каналы эффективны и получение требуемых бизнес-результатов гарантируется».

Преимущество: отраслевой опыт

Некоторые функции анализа данных являются универсальными, другие же специфичны для определенных секторов – например, для отрасли здравоохранения или финансовых услуг. Наличие аутсорсингового партнера, обладающего глубокими отраслевыми знаниями, превращается в этом случае в серьезное конкурентное преимущество.

«Поставщики, отточившие свои экспертные знания в сфере розничной торговли, могут предложить специальные аналитические услуги: анализ ценности клиентского жизненного цикла, анализ истории продаж, анализ рентабельности или анализ рыночной корзины, – отметила Клоуз. – Они могут также предоставить эталонные данные и параметры, позволяющие сравнивать результаты предприятия с отраслевыми стандартами и показателями других отраслевых игроков. Все это может стать конкурентным преимуществом».

Недостаток: поиск компромисса между ценностями и затратами

После создания прогнозной модели и преобразования ее внешним поставщиком услуг в продукт, необходимо организовать сопровождение в течение требуемого периода. Это предполагает настройку и видоизменение правил алгоритма, чтобы обеспечить сохранение значимости получаемых результатов.

«Данные постоянно меняются, и применяемая модель не должна деградировать, – пояснила Ринг. – Однако постоянные обновления требуют затрат, которые могут превысить затраты на составление отчетов бизнес-анализа внутренней ИТ-службой».

При этом стоимость услуг аутсорсинга может стать проблемой, особенно в крупных организациях со сложными операционными моделями.

Преимущество: простота масштабируемости и быстрый путь к зрелому анализу

Помимо возможности приобрести навыки анализа данных, аутсорсинговые услуги могут помочь организации быстро выстроить аналитическую инфраструктуру, создать которую своими силами весьма затруднительно или вообще невозможно.

«Анализ данных стал естественной составляющей при ведении бизнеса и сегодня представляет собой нечто большее, чем совокупность хранилищ данных и бизнес-анализа, – указал директор Gartner по исследованиям данных и их анализу Йорген Гейзенберг. – Однако предприятие не всегда в состоянии справиться своими силами с тем уровнем масштабируемости и сложности, который требуется. Чаще всего организации обращаются за внешней поддержкой при отсутствии внутренних ресурсов, позволяющих удовлетворить растущий спрос».

Еще одним фактором может стать стремление сократить затраты при приобретении аналитических услуг, поскольку их поставщики зачастую используют уже имеющиеся у них аналитические ресурсы — фреймворки и ускорители.

«Использование технических наработок провайдера, будь то организация хранилища данных, автоматизация и внедрение роботизированных процессов или применение облачных инструментов, может стать большим плюсом, – добавила Клоуз. – Передача анализа данных поставщику услуг аутсорсинга способствует переходу на такие инновационные решения, которые в настоящее время предприятием даже и не рассматриваются».

Недостаток: потеря контроля над хранением данных и аналитическими моделями

Любой аутсорсинг предполагает отказ от чего-либо, выполняемого своими силами (например, от контроля), а иногда даже от собственных сотрудников. При аутсорсинге анализа одной из главных приносимых жертв могут стать аналитические модели.

«Клиент обычно предоставляет поставщику услуг свои данные, а тот, в свою очередь, возвращает ему ответы на интересующие его вопросы, – пояснила Ринг. – При такой модели клиент не владеет ни логикой, ни алгоритмами. В его распоряжении остаются лишь данные и полученные рекомендации. Моделей, подходов, фреймворков и конфигураций он лишен».

У компаний, передающих анализ данных на аутсорсинг, могут возникнуть вопросы и в отношении хранения их данных. Действительно ли это хранение организовано наилучшим образом? Есть ли в ЦОДе провайдера выделенная среда для вашего предприятия? Или же все данные находятся в «разделяемой» среде публичного облака?

Преимущество: постоянное обеспечение законодательных требований к защите данных

По мере роста объемов данных в процессе управления ими и их анализа организация подвергается риску не соблюсти нормативные требования, установленные регуляторами.

Разница между политиками управления и безопасности в различных источниках данных порождает дополнительные трудности при переходе к аудиту в озерах данных.

«После вступления в силу требований к защите персональных данных и правил General Data Protection Regulation (GDPR) потребность в простом аудите может дополнительно подстегнуть поиски внешнего аутсорсингового партнера», – подчеркнула Ринг.

Недостаток: необходимость иметь стратегию управления данными

Для дальнейшей демократизации данных внутри организации директору по данным нужна общекорпоративная стратегия сбора, управления и обмена данными.

Уровни управления и анализа на условиях самообслуживания должны быть спроектированы правильно, с тем чтобы поддерживать различные сценарии использования. Вот почему роль директора по данным приобретает такое важное значение.

«В конечном итоге директор по данным отвечает за организацию взаимодействия бизнеса и ИТ в процессе управления данными, – пояснила Ринг. – Если в организации, передающей анализ данных на аутсорсинг, директора по данным нет, ее успехи, скорее всего, окажутся весьма скромными».

Преимущество: рост потенциальной ценности данных

Как уже отмечалось, данные – это новая валюта для бизнеса, и в их анализе заложен большой потенциал для получения конкурентных преимуществ.

«С переходом на машинную обработку данных потенциал данных и их анализа существенно изменился, – указала Саис. – Как и в любом цифровом бизнесе, мы сталкиваемся с дезинтермедиацией, в результате чего ценности остаются на двух сторонах бизнеса: на стороне данных, а также на стороне бизнес-анализа и поддержки принятия решений».

Следовательно, возможным преимуществом аутсорсинга становится возможность укрепить рынок данных и построить альтернативные бизнес-модели с независимой третьей стороной, которая управляет хранением данных множества организаций и продвигает концепцию анонимной и безопасной платформы обмена данными.

Недостаток: потенциальные конфликты

Подписывая аутсорсинговые соглашения, все рассчитывают на то, что взаимоотношения между сторонами будут развиваться гладко. Но могут возникнуть вопросы, которые поставят под угрозу гармонию этих взаимоотношений. Такая вероятность особенно велика, если в компаниях не озаботились тщательным изучением заключаемых договоров.

«При аутсорсинге анализа данных организации зачастую забывают о ключевых условиях, связанных с разрывом договора, управлением данными, правами на интеллектуальную собственность, ответственностью, основными параметрами и соглашениями об уровне сервиса, ценовой моделью, а также привлечением дополнительных ресурсов и увеличением затрат, – пояснил Гейзенберг. – Все это приводит к потенциальным конфликтам как в ходе взаимодействия, так и после его завершения».

– Bob Violino. The pros and cons of outsourcing data analytics. CIO. JUN 12, 2018

Мало какие технологии могут сравниться с искусственным интеллектом и машинным обучением по уделяемому им сегодня вниманию. Некоторые предприятия уже используют для привлечения клиентов и поддержания деловых операций технологию, моделирующую человеческий разум. По прогнозам Gartner, в ближайшие годы эта тенденция будет только усиливаться, а к 2020 году искусственный интеллект и машинное обучение войдут в число пяти ведущих приоритетов для 30% ИТ-директоров.

Первоначальные опасения по поводу того, что боты появятся на каждом рабочем месте, немного ослабели. Скорее всего, люди и машины будут работать вместе. «Однако пока предприятия не справляются с переподготовкой сотрудников, чьи рабочие места, по всей вероятности, будут автоматизированы», – отметил технический директор и директор по инновациям компании Accenture Пол Догерти, выпустивший недавно книгу «Human + Machine: Reimagining Work in the Age of AI» («Человек плюс машина: переосмысление работы в эпоху искусственного интеллекта») о глобальном влиянии искусственного интеллекта на рабочую силу.

Опрос руководителей 1,5 тыс. компаний показал, что 65% из них признают неготовность своих работников к пришествию искусственного интеллекта. Вместе с тем только 3% отметили, что увеличили интенсивность обучения, чтобы соответствовать современным тенденциям.

«Это огромный провал, – признал Догерти на саммите ИТ-директоров Forbes. – Мы все считаем, что это не наша проблема, вместо того чтобы продумывать, как подготовить людей к предстоящим переменам».

В любом случае автоматизация с помощью искусственного интеллекта, машинного обучения и ботов неуклонно расширяется. ИТ-директора выстраивают новые технологии искусственного интеллекта и машинного обучения и даже регистрируют патенты на них. Некоторые руководители ИТ-служб поделились своими сценариями использования машинного обучения.

Прогнозы цифровых пессимистов

Развивающиеся цифровые технологии меняют парадигму рабочей силы. Accenture тоже не застрахована от этих перемен. В консультационной компании, где работают 450 тыс. сотрудников, уже автоматизировано около 23 тыс. должностей, а освободившийся персонал переводится на другие участки. Ожидается, что процесс перераспределения ролей будет только нарастать.

Чтобы помочь сотрудникам, в Accenture выпустили бета-версию приложения на основе машинного обучения, которое сканирует резюме и выдает прогноз, насколько быстро рабочее место сотрудника потеряет свою актуальность.

Приложение оценивает профессиональные навыки сотрудника и анализирует риски потенциальной ненужности его роли. Программа, например, может прийти к выводу, что должность сотрудника потеряет свою актуальность через полтора года по причине замены ее искусственным интеллектом или вследствие какой-то иной автоматизации.

Впрочем, приложению присущ не только цифровой пессимизм. Оно принимает во внимание также навыки коллективной работы и может порекомендовать какую-то смежную должность, которая в ближайшем будущем сохранится в компании.

Совет. ИТ-руководители обязаны взять на себя ответственность за корпоративные стратегии искусственного интеллекта и совместно с основными заинтересованными лицами в службе управления персоналом и других бизнес-подразделениях обеспечить консенсус и сохранение преемственности. ИТ-директор должен быстро выявлять и устранять в алгоритмах искусственного интеллекта ошибки, которые могут иметь все более неприятные последствия по мере расширяющегося применения решений на предприятии. «Организации нужен ответственный искусственный интеллект», – подчеркнул Догерти.

Упрощение прогнозирования обслуживания

«Машинное обучение является основным компонентом цифровой стратегии компании Lennox International с оборотом в 4 млрд долл., которая использует программное обеспечение Databricks Spark для анализа информации о выпускаемых предприятием системах отопления и кондиционирования», – сообщил ИТ-директор Lennox Сунил Бондалапати. Мониторинг функционирования машин в реальном времени помогает компании прогнозировать их сбои и заранее рассылать своим многочисленным клиентам (начиная от домовладельцев и заканчивая крупными торговыми центрами) соответствующие уведомления.

«На основе анализа имеющихся данных Databricks прогнозирует выход оборудования из строя с точностью 90%, – добавил Бондалапати. – Раньше Lennox прогнозировала отказы машин другими методами, связываясь с дилерами. Частые ложные тревоги вызывали раздражение и у клиентов, и в самой компании. Мы привыкли к тому, что прогнозирование сбоев оборудования порождает негативную реакцию».

До перехода на Databricks в компании успели опробовать множество аналитических инструментов, каждый из них использовался для моделирования отдельных сценариев, связанных, например, с цепочками поставок или с Интернетом вещей. Databricks предлагает единую платформу, которая позволяет управлять сотнями терабайт информации, поступающей из сотен баз данных. Система работает в среде Microsoft Azure, поэтому Lennox не нужно заниматься ее поддержкой.

Команда Бондалапати работает над созданием моделей потоков данных совместно с бизнес-подразделениями. Программное обеспечение Spark переносит данные и обеспечивает необходимое понимание как для персонала ИТ-службы, так и для сотрудников бизнес-подразделений.

Совет. ИТ-директор должен принимать самое активное участие во внедрении нового инструмента, особенно когда это критически важно для работы. Бондалапати, к примеру, предстояло оценить правильность предлагаемой концепции при анализе 10 млрд записей данных. «Мы действовали с большой осторожностью, но результат стал для нас настоящим откровением», – заметил он.

Алгоритмы для корпоративных поездок

В начале своей работы на посту технического и ИТ-директора компании American Express Global Business Travel Дэвид Томпсон занимался внедрением технологий автоматизации роботизированных процессов (RPA) и машинного обучения.

Томпсон использовал систему RPA для автоматизации процесса отмены авиаперелетов и возврата билетов. Под его руководством разрабатывались алгоритмы машинного обучения, помогающие клиентам находить наиболее дешевые авиабилеты и гостиничные номера, сравнивая корпоративные отраслевые тарифы. Прежде эту работу выполняли сразу несколько сотрудников.

В конечном итоге эти сотрудники были переведены на другое место и стали заниматься более полезной работой. По словам Томпсона, внедренная технология повышает степень удовлетворенности клиентов и приносит более высокие доходы.

Совет. Обсуждение вопросов автоматизации – нелегкое дело, поскольку люди боятся за свои рабочие места. Но ИТ-директор должен быть решительным и честным, если хочет установить доверительные отношения с бизнес-подразделениями. «Лично себя я вижу в роли проводника технологий в бизнесе, – заметил Томпсон. – Помощника в использовании технологий и процессов, помогающих решать деловые задачи».

Искусственный интеллект как инструмент для бизнеса и продвижения продуктов

«Компания Adobe Systems использует машинное обучение для анализа заявок, поступающих в службу поддержки, для выявления предпосылок, приводящих к системным ошибкам, и для их устранения еще до того, как они станут реальной причиной существенных простоев», – сообщила ИТ-директор Adobe Синтия Стоддард.

Если система регистрирует события, которые могут привести к предполагаемому сбою, она стремится устранить их причины.

Инструмент HAAS (healing-as-a-service) обнаруживает и устраняет сбои интеграции с системой ERP Adobe и выявляет ошибки в данных, используемых различными аналитическими системами компании. Раньше такие ошибки устранялись вручную, на это требовалось примерно 30 минут. После внедрения HAAS время на исправление ошибок сократилось до 1 минуты. За последние несколько месяцев компания сэкономила 330 часов при ликвидации сбоев. Используя отчеты, в которых подробно описано все происходящее, инженеры Adobe вносят исправления уже на постоянной основе.

«Если вы знаете, что и как нужно исправить, значит, это можно автоматизировать», – указала Стоддард. Команда, занимающаяся созданием средств диагностики на основе машинного обучения, была сформирована в компании в 2017 году.

В ноябре 2016 года компания представила Sensei – технологию искусственного интеллекта, применяющуюся в продуктах Adobe для создания и публикации документов, а также для анализа и отслеживания производительности мобильных и веб-приложений.

Совет. Использование машинного обучения для идентификации шаблонов является основным условием для самовосстановления. «Если известно, как все было исправлено, можно разместить компонент для самовосстановления и исключить из схемы человека», – пояснила Стоддард.

Связывание базы данных медицинских устройств с помощью машинного обучения

«Компания Hearst Business Media, к активам которой относятся лекарственная база данных производителя программного обеспечения First Databank и кредитное рейтинговое агентство Fitch Ratings, использует машинное обучения для связывания баз данных медицинских устройств в целях упрощения доступа клиентов к информации», – сообщил старший вице-президент Hearst Business Media по разработке программного обеспечения Марк Урмахер.

По словам Урмахера, возглавляющего небольшую команду исследователей данных в центре искусственного интеллекта, Hearst создает собственные алгоритмы машинного обучения и использует программное обеспечение Google TensorFlow для обучения моделей на основе наборов данных компании. «Мы стараемся искать альтернативные решения и использовать инструменты с открытым кодом», – пояснил он.

Ключом к успешному применению в Hearst машинного обучения стал обобщающий подход. «Одним из невероятно ценных применений машинного обучения, с нашей точки зрения, стал обобщающий подход к унификации разрозненных баз данных, – указал Урмахер. – К примеру, Fitch нужно понимать особенности юридических лиц, а First Databank необходимо идентифицировать лекарства, которые могут быть произведены в любой стране мира».

Искусственный интеллект в исследовании ценных бумаг

«Поставщик паевых инвестиционных фондов, институциональных инвестиционных стратегий и пенсионных услуг Putnam Investments считает искусственный интеллект и машинное обучение важным инструментом, который помогает аналитикам улучшить охват ценных бумаг», – указал ИТ-директор компании Сумед Мехта.

Аналитики тесно сотрудничают с исследователями данных, формулируя тезисы, помогающие почерпнуть больше полезной информации из больших объемов данных. Putnam работает также над алгоритмами, призванными выдавать важные рекомендации с точки зрения перспектив продаж.

«Искусственный интеллект и машинное обучение – чрезвычайно мощная прорывная и трансформирующая сила, способствующая повышению производительности и эффективности бизнеса», – указал Мехта.

Опираясь на инженеров-программистов, исследователей данных, аналитиков и поставщиков, Мехта по существу с нуля создал центр передового опыта по применению искусственного интеллекта и машинного обучения, который поддерживает бизнес-подразделения. Его деловым партнерам эти наработки помогают добиться лучших результатов в автоматизации.

Работы в области искусственного интеллекта и машинного обучения являются частью более широкой цифровой трансформации Putnam, которая предусматривает модернизацию ИТ-инфраструктуры на основе облачных технологий и единой платформы для ведения бизнеса.

Совет. Организациям не следует торопиться. Нужно правильно определиться с ожиданиями, не забывая, что реализация первых нескольких идей скорее породит новые вопросы, чем даст ответы на уже имеющиеся. «Для искусственного интеллекта понятия эврики не существует, – пояснил Мехта. – Это не тот случай, когда ваш алгоритм внезапно дает какое-то новое понимание».

Оптимизация налогообложения с помощью искусственного интеллекта

Под руководством директора по данным Ашока Шриваставы разработчик программного обеспечения Intuit ускоряет внедрение искусственного интеллекта и машинного обучения.

«Intuit использует ресурсы Amazon Web Services, чтобы улучшить понимание и обработку естественного языка чатботом QuickBooks Assistant», – сообщил Шривастава, занимавшийся ранее построением платформы Больших Данных Verizon. Важной задачей становится проведение пользователей через сотни классификаций, из которых QuickВooks черпает информацию.

«В QuickBooks мы имеем дело с более чем миллиардом транзакций и можем оптимизировать классификацию с высокой точностью», – добавил Шривастава.

Сервис TurboTax использует искусственный интеллект, чтобы помочь пользователям получить максимальное возмещение, пошагово проводя их через процедуры вычета и позволяя сэкономить до 40% времени при подготовке налоговой декларации и выборке необходимых документов.

Для ускорения масштабирования компания использует машинное обучение и облачные технологии AWS.

Совет. К созданию надежных алгоритмов нужно привлекать талантливых инженеров и поручать им решение реальных бизнес-задач. Сегодня Шривастава, которому довелось поработать в Исследовательском центре Эймса NASA, принимает на работу инженеров, которые способны использовать технологии машинного обучения и искусственного интеллекта для достижения корпоративных целей.

Прогноз производительности на основе исторических данных

Будучи ИТ-директором компании Riverbed Technology, поставляющей программное обеспечение для повышения производительности территориально распределенных сетей, Рик Хеллебрехт столкнулся с уникальными вызовами. В целях совершенствования бизнес-анализа в компании проверяется возможность использования машинного обучения для обработки данных, поступающих из различных источников цепочки поставок.

«Мы хотим применять машинное обучение для обработки большего объема данных, чем обычно», – пояснил Хеллебрехт.

Riverbed, к примеру, могла бы объединить информацию о заказах и другие данные системы ERP с историческими данными о погоде и других факторах с целью поиска закономерностей, помогающих прогнозировать производительность. «Мы хотим добиться большей предсказуемости рисков, связанных с распределением мощностей и нашей способностью обрабатывать заказы клиентов», – отметил Хеллебрехт.

Кроме того планируется использовать машинное обучение для автоматической настройки конфигурации систем в целях повышения их производительности и отражения киберугроз. Хеллебрехт намерен создать единое озеро данных, из которого можно было бы черпать бизнес-идеи.

Совет. Разумная стратегия применения машинного обучения и искусственного интеллекта подразумевает осторожный подход. Хеллебрехт внимательно изучает доступные инструменты и технологии, включая IBM Watson.

Улучшение понимания клиентов банками

Подобно многим другим крупным банкам, U.S. Bank успел собрать огромные объемы клиентских данных. И, как и большинство других банков, без особого успеха пытался извлечь из этих данных полезную для себя информацию. Главный аналитик U.S. Bank Билл Хоффман постарался изменить ситуацию. В последние несколько месяцев он использует технологию искусственного интеллекта и машинного обучения Einstein компании Salesforce.com для более персонализированного обслуживания представителей малого бизнеса, предприятий оптовой торговли, коммерческих организаций и коммерческих банков.

Например, если клиент искал на сайте U.S. Bank информацию об ипотечных кредитах, то при следующем визите его сопровождает агент клиентской службы. Программное обеспечение, проанализировав данные о клиенте, порекомендует агентам сделать звонок перспективному клиенту в четверг с 10 до 12 часов, потому что в это время он с большой долей вероятности возьмет трубку. Einstein может поместить в календарь агента напоминание о том, что в четверг ему следует сделать звонок.

Многие организации стремятся проводить комплексный анализ данных о клиентах и предлагать им подходящие услуги в нужный момент. «От мира, в котором описывалось, что произошло или происходит, мы переходим к миру, ориентированному на то, что произойдет или должно произойти, – пояснил Хоффман. – Главное – быть на шаг впереди, предвосхищая потребности наших клиентов и предлагая им удобный канал для взаимодействия».

Совет. Беря на вооружение искусственный интеллект и машинное обучение, применяйте тестовый подход и проявляйте терпение. Будьте готовы масштабировать то, что доказало свою работоспособность. «Клиент всегда должен быть в центре вашего внимания, – подчеркнул Хоффман. – Спросите себя: какую пользу мы можем ему принести?».

Избавление от рутинного труда и повышение продуктивности работы

Президент компании Mastercard по операциям и технологиям Эд Маклафлин утверждает, что машинное обучение «наполняет собой все, что мы делаем».

В Mastercard машинное обучение используется для автоматизации так называемых рутинных задач – повторяющейся работы, выполняемой вручную. Таким образом, люди освобождаются для дел, которые повышают общую производительность и приносят дополнительные ценности. «Ясно, что мы достигли уровня технического развития, при котором есть четкий инвестиционный сценарий для автоматизации выполнения задач на рабочем месте», – указал Маклафлин.

Инструменты машинного обучения используются в Mastercard для более эффективного управления изменениями в экосистеме продуктов и услуг компании.

Машинное обучение помогает понять, какие инструменты являются практически безрисковыми, а какие требуется дополнительно изучать. Кроме всего прочего, Mastercard использует машинное обучение для выявления в своей системе аномалий, свидетельствующих о попытках хакеров получить к ней доступ. При обнаружении подозрительного поведения срабатывают выключатели, которые блокируют сеть. «У нас имеются системы, которые отслеживают выполняемые транзакции и изменяют их в случае необходимости, одновременно анализируя следующую транзакцию, отправленную на выполнение», – пояснил Маклафлин.

Совет. По мнению Маклафлина, искусственный интеллект и машинное обучение – лишь один из компонентов обширного инструментария обработчика платежей. На рынке появляются все новые и новые инструменты, но ИТ-директору не стоит полагаться на то, что они волшебным образом помогут справиться со всеми существующими проблемами.

– Clint Boulton. 10 machine learning success stories: An inside look. CIO. May 31, 2018

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

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

Миф №1. Машинное обучение – это искусственный интеллект

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

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

Миф №2. Все данные полезны

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

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

Миф №3. Вам всегда нужны большие объемы данных

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

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

Миф №4. Систему машинного обучения может построить любой

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

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

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

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

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

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

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

Миф №6. Методы автономного обучения готовы к рабочему применению

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

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

Миф №7. Системы машинного обучения непредвзяты

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

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

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

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

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

Миф №8. Машинное обучение используется только для благих целей

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

Миф №9. Машинное обучение заменит людей

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

С вашим приходом образовалось специализированное подразделение?

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

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

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

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

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

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

А опыт из других отраслей здесь вообще может быть востребован?

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

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

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

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

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

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

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

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

Какова численность команды, работающей над задачами?

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

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

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

А какую из этих историй проще продать бизнесу?

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

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

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

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

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

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

Какой-либо из проектов уже позволил превзойти этот уровень?

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

Что это за проекты?

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

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

Насколько могут быть полезными для производственных задач внешние источники данных?

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

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

А если говорить о непроизводственных задачах?

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

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

Как вы видите свою роль в развитии компании?

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

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

Ford покупает Argo AI

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

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

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

Hewlett Packard Enterprise покупает Nimble Storage

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

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

Google покупает бизнес смартфонов HTC Pixel

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

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

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

Cisco Systems покупает Broadsoft и AppDynamics

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

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

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

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

Verizon покупает Yahoo

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

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

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

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

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

Amazon.com покупает Whole Foods

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

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

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

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

Intel покупает Mobileye

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

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

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

Toshiba продает бизнес памяти консорциуму, в состав которого входит Apple

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

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

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

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

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

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

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

Broadcom предлагает за Qualcomm 110 млрд долл.

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

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

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

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

Если данные называют «новой нефтью», то умение «очистить» их и превратить в действенную интеллектуальную силу можно считать ключом к реализации заложенного в них потенциала. В стремлении повысить эффективность бизнеса и найти новые способы обслуживания клиентов ИТ-руководители оперируют инструментами прогнозного анализа, внедряют алгоритмы машинного обучения и занимаются тестированием других решений в «боевых» условиях.

Прекрасно понимая, что, добившись сокращения затрат и роста доходов, они смогут повысить свою роль в глазах высшего руководства и совета директоров, ИТ-директора стараются сейчас уделять технологиям, поддерживающим науку о данных, больше внимания. К концу лета 2017 года мировой оборот средств бизнес-анализа и управления большими данными, по оценкам IDC, увеличился по сравнению с 2016 годом на 12,4% и достиг 150,8 млрд долл. Ожидается, что по итогам года коммерческие закупки оборудования, программного обеспечения и услуг, направленных на поддержку больших данных и средств их анализа, превысят 210 млрд долл. По словам аналитика IDC Дэна Вессета, решения анализа больших данных становятся ключевым условием цифровой трансформации различных отраслей и бизнес-процессов по всему миру.

Однако у этих гигантских расходов есть и обратная сторона: эффективность большинства проектов анализа данных не поддается измерению. Унаследованные системы и бюрократия бизнес-структур приводят к разобщенности данных и ухудшению их качества. А ИТ-директора вынуждены думать о том, как восполнить дефицит специалистов, которые нужны для манипулирования данными и проникновения в их суть. Битва за таланты идет ожесточенная, и, несмотря на рост числа университетских аналитических программ, пока не удается быстро удовлетворить потребность в квалифицированных кандидатах.

Тем не менее на конференции CIO100 Symposium, где лучшие руководители ИТ-служб получали награды за свою деятельность, было представлено немало примеров успешной реализации проектов анализа данных. Наиболее успешные ИТ-директора делились извлеченными уроками и полезными советами со своими коллегами.

Merck: Внедрение системы анализа данных

Компания MSD (Merck&Co), превратившаяся в глобальную фармацевтическую организацию с оборотом в 40 млрд долл. и представленная уже в 140 странах мира, активно искала способы более эффективного использования данных, собираемых ее системой ERP и основными средствами автоматизации производства и управления запасами. Но, поскольку у инженеров Merck от 60 до 80% времени уходило на получение доступа к данным и их обработку, об оперативном достижении бизнес-целей речи уже не шло.

Как призналась руководитель производственной ИТ-службы компании Мишель Алессандро, данные в качестве жизнеспособного, постоянного и ценного актива не рассматривались. В компании хотели сформировать культуру, благодаря которой удавалось бы тратить меньше времени на перемещение данных и получение отчетности, а основное внимание уделять использованию собранной информации и получению важных для бизнеса выводов.

В результате в MSD была создана система хранения данных MANTIS (Manufacturing and Analytics Intelligence), которая включала в себя размещаемые в оперативной памяти базы данных и инструменты с открытым исходным кодом, обрабатывавшие структурированные и неструктурированные данные, в том числе текст, видео и информацию социальных медиа. Важно отметить, что система проектировалась таким образом, чтобы бизнес-аналитики, не имеющие хорошей технической подготовки, могли легко просматривать данные с помощью программ визуализации. В то же время у ученых по данным была возможность получать доступ к информации, задействуя сложные инструменты имитации и моделирования. Система MANTIS помогла компании сократить время и затраты на реализацию аналитических проектов на 40%. Немаловажно также то, что на 30% сократилось среднее время, затрачиваемое на выполнение новых заказов, и на 50% уменьшились расходы на хранение запасов.

Извлеченные уроки. Ключом к успеху стала реализация аналитического проекта на заводе в Юго-Восточной Азии, где удалось добиться наибольшей окупаемости. Успешное использование здесь MANTIS послужило примером и для других регионов. Кроме того, в компании поняли, что не стоит пытаться откусить больше, чем сумеешь прожевать. С экспериментами в области искусственного интеллекта и машинного обучения для анализа затрат на производственные процессы в компании явно перестарались. И дело здесь было не в недостаточной поддержке со стороны руководства или в отсутствии перспектив. В MSD просто не смогли заставить все это работать.

Dr. Pepper Snapple Group: Машинное обучение и контекстная релевантность

На протяжении многих лет сотрудники продающих подразделений Dr. Pepper Snapple Group, пытаясь проторить дорогу к крупным розничным сетям наподобие Wal-Mart и Target, носили с собой толстые папки с клиентскими данными и информацией о продажах и торговых предложениях. Сегодня вместо толстых папок они берут с собой планшет iPad, в котором содержатся все необходимые сведения о магазинах, которые следует посетить, об актуальных предложениях для розницы и о других важнейших параметрах. Как отметил ИТ-директор Dr. Pepper Snapple Group Том Фарра, новые решения помогли приемщикам заказов стать интеллектуальными торговыми представителями, вооруженными всей необходимой для работы информацией.

Платформа MyDPS оснащена средствами машинного обучения и другими аналитическими инструментами для выдачи рекомендаций и формирования ежедневных оперативных заданий, которые отображаются на экране сразу после запуска приложения. Сотрудники видят, в какой степени их работа соответствует ожиданиям, как выполняются планы, где наблюдается отставание и каким образом можно скорректировать выбранный курс.

Извлеченные уроки. Чтобы проверить выдвинутую концепцию MyDPS, Фарра установил соответствующее программное обеспечение в четырех филиалах и предложил руководству через некоторое время посетить их. Выяснилось, что благодаря использованию MyDPS продажи выросли на 50%. После этого проекту окончательно был дан зеленый свет. «Система приносила результат и выдавала все, что требовалось для успешных продаж, – пояснил Фарра. – Однако важно не только обеспечить проекту поддержку со стороны руководства, но и сформулировать желаемые цели и следить за их достижением».

Bechtel: Прорыв в области больших данных

Эксперты утверждают, что прирост производительности в строительной отрасли в результате доработки договоров, повышения квалификации сотрудников и более качественного выполнения работ на местах может достигать 50-60%. Компания Bechtel, соорудившая плотину Гувера, проложившая тоннель под Ла-Маншем и построившая другие уникальные сооружения, уже извлекает полезную информацию из данных, которые были собраны в различных областях ее бизнеса.

На встрече с коллегами из Wal-Mart, Boeing и Lockheed Martin ИТ-директор Bechtel Кэрол Цирхоффер попыталась получить представление о том, куда следует двигаться дальше. Компания уже создала ЦОД с озером данных общим объемом в 5 петабайт и приступила к проверке предложенной концепции. Использование технологии распознавания фотографий для классификации и пометки снимков в интересах клиентов помогло ей сэкономить 2 млн долл. Инструменты обработки естественного языка применяются при разборе претензий, предложений и договоров. На оценку и формирование планов ранее уходили дни и недели, а теперь требуется всего несколько часов. Аналитические средства используются в Bechtel и для удержания персонала – например, делается прогноз причин, по которым сотрудники могут оставить компанию. В компании также убеждены в том, что уже в ближайшее время ей удастся добиться серьезного повышения производительности труда.

Извлеченные уроки. Разобщенность данных и их низкое качество становятся дополнительными препятствиями в работе. Несмотря на то что Bechtel может анализировать большие объемы данных, качество этих данных необходимо повышать. «Нам нужен прорыв, благодаря которому удалось бы объединить разрозненные на сегодняшний день данные», – подчеркнула Цирхоффер.

RRD: Машинное обучение открывает путь к новому бизнесу

Несколько лет назад компания RRD, работающая в сфере маркетинговых коммуникаций и носившая ранее название R.H. Donnelley, открыла логистическое подразделение, которое первоначально занималось доставкой ее печатных материалов корпоративным клиентам и конечным потребителям. Со временем новое подразделение расширилось и стало осуществлять доставку самой разной продукции партнеров, начиная от стиральных машин и заканчивая кормом для собак. В конечном итоге оборот его достиг миллиарда долларов. В чем заключалась проблема? В поиске оптимальных тарифов на доставку в мире, где безусловными лидерами являлись FedEx и UPS.

Погодные условия, география, перевозчики и политический климат – все это оказывает влияние на стоимость услуг. «Необходимость прогнозировать переменные факторы заставила нас обратиться к машинному обучению и аналитике», – указал ИТ-директор RRD Кен О'Брайен. Набрав персонал и установив контакты с университетами, помогавшими в разработке алгоритмов, компания протестировала тысячи сценариев на 700 маршрутах, после чего точность прогнозов по уровню загрузки на ближайшие семь дней достигла 99%. Проект окупился менее чем за год, и сегодня бизнес, связанный с грузоперевозками, растет. Ожидается, что по итогам 2017 года бизнес заказных грузоперевозок вырастет с 4 млн долл. до 16 млн долл. Рост оборота составит 12 млн долл.

Извлеченные уроки. Новые проекты требуют высокой самоотдачи, и О'Брайен признает, что некоторые его коллеги из бизнес-подразделений на разных этапах реализации готовы были сдаться. Бизнес не привык доверять технологиям в тех процессах, которые ранее выполнялись главным образом на основе догадок и ощущений. Компании RRD удалось сформировать среду взаимодействия, в которой бизнес-подразделения и ИТ-служба рука об руку идут к достижению конечного результата.

Monsanto: Планирование посевной кампании с помощью машинного обучения

Не секрет, что фермеров мучает извечный вопрос: что, где, когда и сколько сажать? Гигант сельхозиндустрии Monsanto использует науку о данных для выдачи рекомендаций по проведению посевной кампании. Математические и статистические модели помогают определять наилучшее время и место для высаживания мужских и женских растений в целях оптимизации урожая и использования посевных площадей. «Алгоритмы машинного обучения обрабатывают 90 млрд источников данных всего за несколько дней, а не за недели и месяцы», – сообщил директор глобального аналитического ИТ-центра Monsanto Адриан Картье. В чем заключается выгода для бизнеса? В 2016 году Monsanto сэкономила 6 млн долл. и сократила площади посева на 4%.

Извлеченные уроки. Ключевым для Monsanto стало сотрудничество ИТ-службы с подразделениями, обслуживающими каналы поставок. «Экспертные знания наших коллег в области сельского хозяйства и цепочек поставок, объединенные с нашими знаниями математики и статистики, позволили существенно повысить эффективность работы компании, – указал Картье. – А появившиеся новые лидеры и энтузиасты в сфере цепочек поставок помогли организовать здоровое противодействие скептикам».

Pitt Ohio: Успех прогнозного анализа

«Отрасль грузоперевозок столкнулась сегодня с так называемым синдромом Amazon», – отметил ИТ-директор компании Pitt Ohio Скотт Салливан. Его компания с оборотом в 700 млн долл. привыкла забирать грузы и доставлять их клиентам на следующий день. Но, видя перед собой пример Amazon, клиенты все чаще хотят доставку в тот же день. И ожидают более подробной информации о доставляемых посылках.

Используя исторические данные, средства прогнозного анализа и алгоритмы, рассчитывающие в реальном времени вес груза, расстояние до конечной точки маршрута и другие параметры, Pitt Ohio может рассчитать время доставки с 99-процентной точностью. Компания надеется, что ей удастся увеличить оборот за счет повторных заказов (оцениваемых на сумму в 50 тыс. долл. в год) и снизить риски потери клиентов (составляющие, по ее оценкам, 60 тыс. долл. в год).

Извлеченные уроки. Проектом предусматривалось привлечение маркетологов, подразделения продаж и ИТ-службы. Все они проверяли и перепроверяли результаты, с тем чтобы гарантировать достижение поставленных целей. «У вас в четырех стенах находится множество самых разных данных, – подчеркнул Салливан. – Внедряйте инновации и ищите новые способы их использования».

– Clint Boulton.6 data analytics success stories: An inside look. CIO. September 5, 2017