Самое интересное

Эпоха доткомов запомнилась как время излишеств, экспериментов, завышенной самооценки и эксцентричных капризов в технологической отрасли. Технологии с тех пор «повзрослели», а вот некоторые должности с причудливыми названиями по-прежнему существуют, и не только в индустрии ИТ. Взять хотя бы невнятного «директора по прогрессу», или вызывающего умиление «главного рассказчика», или откровенно странного «главного чародея». Возможно, присутствие слова «chief», указывающего на принадлежность к топ-менеджменту, делает владельца такой должности счастливым, однако наличие подобных должностей не всегда лучшее решение для бизнеса. Пройдемся по самым странным позициям, встречающимся в штатных расписаниях технологических и других компаний.

Директор по рациональному природопользованию (chief sustainability officer)

К природопользованию необходимо подходить ответственно — спору нет, но, по мнению экспертов, эта должность не «верхнеуровневая», а вспомогательная, как и посты директора по данным, инновациям, закупкам, работе с клиентами и соблюдению нормативных требований.

Основные элементы бизнеса — это создание и выпуск продуктов и услуг, маркетинг и продажи, организация деятельности и управление капиталом. Поэтому круг топ-менеджеров стоит ограничить генеральным директором, директором по операциям, директором по маркетингу, финансовым директором и директором кадровой службы. В идеале высший уровень руководства не должен превышать семь человек. А когда их становится больше — например, добавляется главный по рациональному природопользованию, то это уже не совсем рационально.

Директор по хлопотам (chief worry officer)

На самом деле должности с таким названием нет, но им можно обозначить всех топ-менеджеров со слишком узким кругом обязанностей, вроде директора по рискам или директора по выручке.

Руководители на подобных должностях обычно отвечают за деятельность в узкой области. Но, будучи причисленными к топ-менеджменту, со временем они могут перетянуть одеяло на себя и сбить компанию с пути, определяемого ее основной миссией. С одной стороны, плюрализм мнений первых лиц компании необходим, с другой — все должны двигаться к единой цели, работая над минимизацией рисков, барьеров и любых угроз основному бизнесу, причем эти задачи не должны быть возложены на плечи только какого-то одного руководителя.

Директор по счастью (chief happiness officer)

Бывают должности, название которых можно толковать столь широко, что соответствующий круг обязанностей теряет четкие очертания. Типичный пример — «директор по счастью». Такую должность завели в ряде стартапов, и там она играет роль своеобразного «талисмана». Обычно человек на этом посту призван служить образцом для подражания — воплощением принципов и культуры компании, которые он должен пропагандировать по всей организации. Теоретически в этом нет ничего плохого, но «навешивание» столь крупной и важной задачи на одного человека освобождает остальных топ-менеджеров от ответственности за нее, хотя в реальности они должны решать ее сообща.

Директор по инклюзивности (chief inclusion officer)

Директор по инклюзивности — еще один пример «директоров по хлопотам». Обычно его основная сфера ответственности — забота о соблюдении принципов этнического и культурного разнообразия, которые опять же должны быть не отдельной задачей, а общекорпоративным делом. Во многих компаниях вводят еще одного «главного», потому что искренне стремятся к инклюзивности, хотя это и не лучший способ ее обеспечить. Лучше воздержаться от создания «модной» должности и просто пропагандировать образ мышления, в рамках которого инклюзивность является нормой. Это потребует участия других сотрудников помимо топ-менеджмента — по схеме, аналогичной принципу представления интересов работников в правлении компании, принятому в Германии и некоторых других странах.

Главный рассказчик (chief storyteller)

Должность с таким названием появилась в 2010 году в Microsoft. В обязанности занявшего ее Стива Клейтона входили публичные уточнения и разъяснения клиентам действий корпорации. Это может быть значимым для компании, но не совсем ясно, какие именно руководящие обязанности выполняет такой топ-менеджер. Подобные должности обычно появляются в компании, когда некая функция приобретает особую важность для ее выживания. Примеры: в Wells Fargo и Uber был введен пост директора по этике после ряда скандалов, чтобы продемонстрировать рынку, акционерам, широкой публике и правлению, что в компании работают над решением проблемы.

Директор по корпоративной атмосфере (chief experience officer)

Само собой разумеется, что наличие слова «chief» в названии должности не делает занимающего ее человека автоматически участником высшего руководства. Эта должность может называться по-разному: «директор по первым впечатлениям», «директор по работе с посетителями», «директор по комфорту сотрудников», «директор по культуре», «главный евангелист культурных ценностей» и т. д. Но по своим задачам такой руководитель фактически не отличаются от секретаря в приемной.

Возможно, слово «директор» в названии вакансии просто используют как приманку, чтобы привлечь более ценных кандидатов. Но вряд ли это действенный метод, ведь если в вакансии что-то выглядит не слишком понятным, соискатель просто проигнорирует такое объявление.

Директор по вечеринкам (chief party officer)

Иногда название должности просто отражает разлад, который творится в организации. Например, в одной компании был «директор по вечеринкам». Фактически же это был менеджер по операциям, и его дополнительной обязанностью было проведение мероприятий, направленных на повышение морального духа работников, — так называемых проектов большого позитива. На одном таком мероприятии занимались тем, что разбрызгивали краску на стены в офисах, чтобы они не казались слишком унылыми. Почему-то наряду с этими «веселыми проектами» в обязанности «директора по вечеринкам» входило проведение собраний, посвященных обязательному дресс-коду, и учений по пожарной безопасности.

Главный чародей

Историю об этой должности рассказала маркетолог. По словам рассказчицы, она недолго работала на компанию, оказавшуюся фальшивкой. «Главный чародей» был ее основателем и, собственно, главным мошенником. Он обманом убедил инвестора вложить 17 млн долл. в несуществующий ИТ-продукт, о котором рассказывал на конференциях по всему миру. Дочь инвестора получила в компании должность «директора по улыбкам и мечтам».

Компания в итоге лопнула, после того как инвесторы все же выяснили, что продукт вымышленный. Примечательно, что чудаческие названия должностей никого не смутили, поскольку подобные чудачества — обычная «фишка» Кремниевой долины.

Директор по вкусам (chief flavor officer)

И наконец, есть должности со словом «chief», которые не обозначают никакой роли в высшем руководстве, да и какой-либо вообще конкретной роли в организации. Такие должности — что-то вроде почетных университетских степеней.

Пример: компания — производитель напитков Bai наградила Джастина Тимберлейка за его инвестиции должностью «директора по вкусам». Тратит ли он свое время на то, чтобы контролировать, какие вкусоароматические добавки используются в продукции Bai? Журнал Fortune цитирует главу компании Бена Вейсса: «Джастин обладает колоссальным творческим потенциалом. Его действительно волнует качество наших напитков, и в вопросах маркетинга и обновления вкусов у него есть мнение, к которому стоит прислушаться». Другими словами, Джастин Тимберлейк не курирует вкусы напитков Bai.

— Josh Fruhlinger. 9 chiefs you don't need in the C-suite. CIO. October 26, 2018

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

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

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

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

Сосредоточьтесь на конкретных проблемах

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

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

Учитывайте пределы возможностей ИИ

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

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

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

Прислушивайтесь к пользователям и заказчикам

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

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

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

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

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

Используйте знания в области своей специализации

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

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

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

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

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

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

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

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

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

Тестирование в реальных условиях — необходимость

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

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

Не забывайте, что ИИ — это «черный ящик»

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

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

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

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

Используйте понятные показатели

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

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

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

Развивайте сотрудников

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

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

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

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

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

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

Руководители ИТ-служб уже устали от цифровых преобразований, и не только потому, что под таковыми в большинстве случаев подразумевается практически любая ИТ-модернизация. Как выясняется, ИТ-директора рассчитывают в перспективе на поддержку трансформации со стороны генерального директора и совета директоров, которые не склонны к долгому ожиданию в эпоху стремительных прорывов.

Многие компании — достаточно вспомнить хотя бы General Electric — при реализации проектов цифровой трансформации в масштабе всего предприятия потерпели неудачу. По словам аналитика Forrester Research Аллена Бонда, сложившаяся тенденция сохранится и в 2019 году. Будучи убежденным в том, что цифровая трансформация потребует очередных сдвигов в технологиях, навыках и культуре, способствующих построению новых бизнес-моделей, Бонд считает, что подход Большого взрыва, несмотря на развернувшуюся вокруг него шумиху, не даст ответов на накопившиеся вопросы.

«От цифровой трансформации, построенной по принципу большой метлы, уже ощущается некоторая усталость, — заметил он. — Возникает потребность в технологических лидерах и руководителях электронного бизнеса, предпочитающих не столь тотальные перемены. Руководство предприятий выражает сегодня готовность к прорыву, но все должно быть сделано быстро и иметь практическую направленность».

В интервью для CIO.com Бонд высказал пять основных прогнозов в отношении цифровой трансформации в 2019 году и указал, каким образом ИТ-директорам следует адаптироваться к происходящим изменениям.

1. Превращение цифровой трансформации в специализированные инновации

Компании и дальше будут трансформироваться, но более итерационными, умеренными темпами. Полутора- или двухлетние инновационные циклы придут на смену 5–7-летнему долгострою. В качестве примера Бонд привел компанию Adidas, экспериментирующую с обувью, распечатываемой на 3D-принтере, и Office Depot, тестирующую в своих магазинах сервисы цифрового маркетинга. Можно вспомнить также внедрение Metlife программного обеспечения искусственного интеллекта и развертывание Synchrony чат-бота. Оба эти проекта были призваны улучшить обслуживание технически подкованных потребителей.

В 2019 году в компаниях появится новый параметр окупаемости — «окупаемость инноваций» с ранжированием цифровых технологий в соответствии с той выгодой, которую они приносят компании. Ожидается, что цифровым показателям эффективности будет отводиться все более важная роль. Для трансформации нужно время, она должна состоять из небольших, управляемых порций инноваций, которые сулят ощутимую выгоду.

Бонд рекомендует: Ищите быстрые победы, накладывайте их друг на друга и дайте цифровым лидерам возможность выстраивать новые конструкции поверх уже имеющихся. Этот способ предполагает последовательное выполнение отдельных этапов, каждый из которых должен окупаться.

2. Окупаемость операционной эффективности

«Более пристальное внимание к рационализации операций дополняется ослабеванием энергичности цифровой трансформации и связанной с ней риторики, — заметил Бонд. — В 2019 году компании ускорят ориентацию на цифровые операции, улучшающие конечный результат для клиентов и обеспечивающие эффективность».

Хотя ориентированная на клиентов трансформация по-прежнему останется нацеленной на рост валового дохода, руководители ИТ-служб начнут уделять больше внимания рентабельности. Они будут прикрывать честолюбивые проекты руководства, сосредоточиваясь на самообслуживании там, где это возможно. «Результат важен, особенно если он выразится в эффективности, удовлетворении клиентов и оптимизации затрат», — указал Бонд.

Бонд рекомендует: ИТ-директорам следует ограничить разрастание громоздких приложений, предлагаемых в качестве сервиса и способствующих легализации теневых ИТ. В конечном итоге компании нуждаются в приложениях, обеспечивающих вовлечение клиентов. Наступает благоприятный момент для проведения инвентаризации, и, если сервисы SaaS не приносят выгоды, ИТ-директору следует их отключить.

3. Время управлять продуктами

В 2018 году ИТ-директора все чаще говорят о переходе от управления проектами к управлению продуктами с поддержкой концепции «всё в качестве услуги» (everything-as-a-service, XaaS) и с растущей ориентацией на поддержку и упрощение схем клиентского перехода.

С учетом продолжающейся ориентации ИТ-директоров на клиентов в 2019 году можно ждать появления должностей, ориентированных на продукты, в том числе цифровых дизайнеров, менеджеров по продуктам и «менеджеров по восприятию». Компании должны нанимать менеджеров по продуктам, которые поддерживали бы связь между службами маркетинга и ИТ, занимались бы урегулированием споров и поиском новых путей выхода на рынки.

Бонд рекомендует: Главное, чтобы менеджер по продуктам не слишком увлекался инженерными вопросами в ущерб маркетингу, с тем чтобы «глас клиента» не был утерян, поскольку это может навредить компании. Если управление продуктами очень тесно связано с инженерными вопросами, установить на рынке партнерские отношения будет значительно сложнее.

4. Развитие платформ B2B и электронной коммерции

Корпоративному сектору давно известно, что благодаря распространению API и облачных технологий экономика становится платформенно-ориентированной. Приобретение компанией Salesforce.com специализирующейся на API MuleSoft служит подтверждением этой тенденции. Компании намерены удвоить нынешний масштаб платформ. «Помимо рассмотрения цифровых точек соприкосновения в качестве потребительских каналов, компании будут стремиться повысить эффективность взаимодействия с поставщиками и дистрибьюторами, дистрибьюторы же будут использовать свои рыночные данные и ноу-хау в качестве страховки против дезинтермедиации», — указал Бонд.

Бонд рекомендует: Разрабатывая стратегию платформы, прекратите относиться к данным как к «государственным секретам», вместо того чтобы делиться ими с дистрибьюторами и поставщиками. Ведь они могут стать для вас отличными партнерами в части обмена данными. Если же такого партнерства не получается, продолжайте работать с ними, проявляя гибкость.

5. Интеграция в цифровой стек искусственного интеллекта

Популярность искусственного интеллекта сегодня неоспорима. Фактически каждое предприятие изучает соответствующие средства, начиная от интеллектуальной автоматизации и виртуальных помощников и заканчивая анализом мошеннических операций. Но по мере того как поставщики все теснее вплетают искусственный интеллект в свой технологический стек, у ИТ-директоров исчезает потребность в экспериментах, сдерживаемых давлением со стороны предприятий.

В качестве примера Бонд привел технологию искусственного интеллекта Adobe Sensei, упрощающую проведение маркетинговых кампаний, а также систему IBM Watson, находящую применение в самых разных областях, начиная от здравоохранения и заканчивая прогнозированием погоды. «Повлиять на назойливую рекламу мы не можем, но она исчезнет сама собой по мере ужесточения финансирования, — заметил Бонд. — А средства искусственного интеллекта будут все активнее интегрироваться в цифровые процессы и инструменты». В качестве примеров можно привести выдачу рекомендаций с помощью искусственного интеллекта, управление контентом и системы планирования цепочек поставок.

Бонд рекомендует: Игнорируйте шумиху и нацеливайтесь на быстрый результат. В 2019 году руководителям цифровых проектов следует поддерживать тесные связи со своими коллегами из операционных и маркетинговых подразделений, продолжая автоматизировать внутренние процессы и рационализировать работу команд, непосредственно взаимодействующих с клиентами.

Призыв к ускорению и итерационным инновациям полностью согласуется с идеей Бонда уменьшать масштабы цифровой трансформации.

«Речь идет об использовании гибких методологий и проектного мышления, стимулирующего положительные перемены, — добавил Бонд. — В 2019 году нам следует сосредоточиться на цифровом опыте обслуживания клиентов, используя технологии и партнеров для создания краткосрочных выгод, которые помогут нам удовлетворить свои долгосрочные амбиции».

— Clint Boulton. 5 digital transformation trends for 2019. CIO. NOV 7, 2018

Эффективность гибких методик в последнее время все меньше подвергается сомнению — иногда внезапно оказывается, что самые разные компании своими собственными путями приходят к Agile. Причем зачастую это происходит естественным образом, в процессе решения возникающих бизнес-проблем и без привлечения консультантов. Общими у таких историй становятся организация «правильных» процессов и культурная трансформация компаний, в буквальном смысле начинающих жить по принципам Agile.

«У нас постоянно идут новые проекты, и в компании до сих пор существует дух стартапа. По моему мнению, нашего взрывного роста никогда не произошло бы, если бы мы не пришли к заветам, заложенным в Agile», — рассказал Андрей Ревяшко, ИТ-директор интернет-магазина Wildberries, на конференции «Agile, DevOps, ITSM 2018», организованной издательством «Открытые системы». Масштабы роста магазина впечатляют: сейчас Wildberries обрабатывает в среднем 240 тыс. заказов в день, то есть более одного заказа в секунду.

«Период полураспада» и «задачи-пустышки»

Любая история успеха начинается с необходимости пройти через боль, чтобы в итоге родилось нечто полезное. До недавнего времени в компании Wildberries существовал традиционный монолитный ИТ-отдел. Бизнес с ним работал через единое окно заказа: приходил со своей проблемой или задачей, потенциально сулящей дополнительную прибыль или экономию. И порой неожиданно натыкался на узаконенное средство отказа под названием «Техническое задание».

«В любой компании есть бизнес-департаменты, от которых исходит множество задач — иногда действительно серьезных, а иногда “пустышек”. Из таких задач обязательно скапливается очередь. Как известно, с хорошими разработчиками на рынке серьезные проблемы, практически все компании вынуждены работать в условиях дефицита ресурсов, поэтому потребности бизнеса приходится пропускать через серьезный фильтр», — говорит Ревяшко. И у ИТ-отдела существует легальный способ отсрочить реализацию проекта, потребовав техническое задание, которое обычно либо отсутствует, либо не закончено. Проходят недели, а иногда месяцы, прежде чем заказчик вернется в ИТ-отдел с полноценным техническим заданием.

В лучшем случае компания теряет потенциальные выгоды. В худшем — за прошедшее время в ИТ-системах произойдут изменения и техническое задание придется переделывать. Айтишники распустились, и в недрах ИТ-департамента даже родилось шутливое понятие «период полураспада задачи», отражающее весьма циничное отношение к бизнесу.

«Справедливости ради надо отметить, что сама ситуация зачастую провоцировала обе стороны на не совсем честные действия», — признает Ревяшко. Например, новому руководителю департамента надо было заслужить доверие руководства, показать, что он достоин этого места, заработать политические очки. Как ему быстрее всего этого добиться? Например, через реализацию «суперпроектов». Новый руководитель загорался идеей, которая, по его задумке, должна была принести огромный эффект. Но такие идеи не всегда продуманны, а основания, на которых они строятся, зачастую ложны. Это приводило к появлению тех самых задач-пустышек, которые вклинивались в и без того немаленькую очередь проектов. Но — самое главное — в случае успеха проекта лавры получал его инициатор, а в случае неудачи виноватым всегда выставлялся ИТ-отдел, который что-то реализовал не так.

«У нас такую проблему удалось решить с помощью тюнинга подхода Agile. Руководителю — генератору идей в подчинение выделяются все необходимые для реализации проекта специалисты, и ответственность за результат лежит на нем», — говорит Ревяшко. И эта практика начала приживаться, попутно стало убавляться число задач-пустышек. В конечном итоге это привело к тому, что в каждом департаменте появился свой небольшой ИТ-отдел. И вопрос о приоритетности решаемых им задач ложится на плечи главы этого департамента — того, кто понимает, в каком направлении ведется работа, и отвечает за нее. Фактически он становится владельцем создаваемых продуктов.

«У бизнеса появился в руках ИТ-инструмент, позволяющий адекватно реагировать на вызовы времени. Важно, чтобы дух стартаперства продолжал сохраняться в департаментах и бизнес не был скован по рукам и ногам. На своем опыте мы убедились, что выделение каждому департаменту своего ИТ-отдела действительно работает», — считает Ревяшко.

Логика, воля и эмоции

Разумеется, в ходе столь радикальных структурных изменений пришлось столкнуться с рядом проблем. ИТ-специалисты — люди специфические. Когда их ставят перед тем фактом, что они будут работать на конкретное подразделение, имеющее своего руководителя, может возникнуть масса протестов, в том числе порожденных личными мотивами. Уволить специалиста, особенно дефицитного, можно далеко не всегда. Как же быть с людьми, не способными или не желающими встать на путь Agile?

«Мы решили присмотреться к опыту NASA, в свое время заказавшего исследование, призванное помочь собрать группу астронавтов, неконфликтных по отношению друг к другу. Согласно данной методологии, в каждом человеке заложено примерно 16 функций. Их соотношение четко говорит о поведении людей и их совместимости», — утверждает Ревяшко. Подобный подход можно применять и в обычных компаниях при подборе сотрудников, чтобы собрать крепкую команду, которая не подводит бизнес, имеет взаимопонимание с ним, а ее участники не конфликтуют между собой. Однако выделение в человеке 16 функций приводит к появлению более 700 психотипов. Это тяжело: при всей мощи этой методологии, порог вхождения в нее очень высок.

Однако существует модель психолога Александра Афанасьева, более простая в применении. Его работа «Синтаксис любви» была направлена на выяснение причин конфликтов внутри семей. Созданная модель подразумевает выделение в человеке всего четырех функций, которые определяют, как человек смотрит на мир и реагирует на окружающие его вызовы. И она подразумевает всего 24 психотипа. Ее-то и взяли на вооружение, чтобы вывести эффективность команд разработки на качественно новый уровень.

Согласно Афанасьеву, в каждом человеке в различных пропорциях сочетаются четыре элемента, или функции: физика (тело), эмоция (душа, чувство), воля (дух, сила характера), логика (интеллект). От степени развитости этих функций зависит характер человека, его вкусы и склонности, а также его совместимость с другими людьми. При этом первые две функции у каждого человека выделяются как «сильные», вторые две — как «слабые». Первая функция всегда в какой-то степени гипертрофирована, избыточна; вторая функция — здоровая, третья — болевая, а четвертая — малозначащая.

Посредством тестирования выявляется, в каких соотношениях находятся эти функции у человека. Они предопределяют склонность человека к тому или иному виду работ или, например, восприятие им конфликтной ситуации и поведение в ней.

Конечно же, для ИТ-специалиста типичен определенный психотип. Почему в обществе сложился стереотип замкнутого айтишника-молчуна? Потому что у большинства ИТ-специалистов логика находится на первом месте, они считают себя умнее других. Если же логика находится на втором месте, такой человек уже готов к диалогу. Кроме того, в этом случае человеку приносит удовольствие не сам результат, а процесс его достижения.

«Исследование, проведенное в команде Wildberries, показало, что подавляющее большинство ИТ-специалистов можно отнести к категории ЛВФЭ и ЛВЭФ, и мы ориентируемся именно на них», — подчеркивает Ревяшко. Конечно, людей, не соответствующих этому портрету, уже не переделать, но зато можно более эффективно их использовать с учетом сильных и слабых сторон. Кроме того, когда происходит набор новых сотрудников, а тем более молодежи с целью дальнейшего взращивания, есть хорошая возможность определить, состоится ли человек как айтишник или нет.

Если же говорить об управляющем составе, то психотип складывается совершенно иной: на первом месте воля, на втором логика. Находясь «не на своем месте» — в нижней части корпоративной иерархии, такие люди часто попадают в категорию «звездных» сотрудников, которые склонны конфликтовать с остальными, негативно влияя на атмосферу в коллективе. Подобных «генераторов идей» лучше выделять в отдельную лабораторию. Для взаимодействия же с бизнес-заказчиками очень хорошо подходят люди, у которых воля находится на третьем месте. Они способны услышать руководителей, оставить их довольными и успешно передать требования остальным сотрудникам, которые без негативных мыслей воспримут поставленную задачу и доведут ее до конца.

Тем не менее не стоит забывать и о роли эмоций. Если эмоция доминирует, то такой человек является романтиком — он вовсе не айтишник. Однако сотрудник с логикой на первом месте и эмоцией на втором может оказаться весьма ценным: он всегда будет привносить в коллектив дух стартаперства. Человек же с эмоцией на третьем месте не сможет поддержать других и будет трудно воспринимать команду — это тоже следует учитывать при формировании коллектива.

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

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

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

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

В русле тенденций

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

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

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

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

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

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

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

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

Будущее уже сейчас

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

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

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

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

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

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

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

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

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

Управление данными

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

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

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

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

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

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

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

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

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

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

Как не проиграть?

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

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

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

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

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

«Все бегут, летят и скачут…»

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

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

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

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

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

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

Не дожидаясь милости от нацпроектов

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

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

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

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

Выбирая курс на ИИ

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

Павел Растопшин, управляющий директор компании «Цифра»

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

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

Для многих остается открытым вопрос, могут ли agile-методики и производство существовать вместе. Виталий Сухарев, лидер agile-трансформации функции маркетинга «Северстали», работает в компании уже 10 лет. Он начинал слесарем парогазотурбинного оборудования и прошел длинный путь, став лидером трансформации целой функции. Его первое погружение в тему Agile произошло несколько лет назад на одной из профильных конференций и принесло огромное количество энергии и позитива.

Сейчас «Северсталь» выпускает 11 млн тонн стали в год, работу этой огромной махины поддерживают 50 тыс. человек. Герман Греф как-то сказал, что изменить крупную компанию не менее сложно, чем заставить слона танцевать. Однако времена теперь таковы, что меняться приходится всем: нынешние условия требуют другой скорости, новых подходов к ведению бизнеса.

«В 2016 году явственно возникла проблема с разработкой новых видов продукции. Посмотрев вокруг, мы увидели, что были очень медленными — не только по сравнению с зарубежными компаниями, но даже с российскими конкурентами», — говорит Сухарев. Наиболее проблемным был показатель time to market — новые продукты выводились на рынок очень долго, в среднем 2–2,5 года, и иногда к моменту своего появления часть из них оказывались ненужными. Видя все это, люди сильно разочаровывались в своей работе, теряли веру в себя. С этим надо было что-то делать. Еще один нюанс — это критичность ошибок: в металлургии они обходятся очень дорого, так как минимальная партия нового товара составляет 350 тонн.

В попытках ускорить процессы разработки менеджмент компании стал присматриваться к альтернативным подходам, и один из них — Scrum — привлек наибольшее внимание. Однако требовалось его серьезно адаптировать к производственным реалиям.

Период адаптации

«Что такое инкрементально-итеративный подход и что он может дать разработке новых видов продуктов? Ведь понятно, что за две недели не удастся вывести на рынок частично готовое новое изделие и затем достраивать его, — говорит Сухарев. — А вот существенно сократить путь, ведущий к появлению нового продукта, совершенно точно можно. И каждые две недели корректировать направление своего движения тоже можно».

«В основе методик Agile лежит самоорганизация. Она сродни капризному цветку, которому для жизни требуются определенные условия и уход», Виталий Сухарев, лидер agile-трансформации функции маркетинга «Северстали»

В 2016 году в «Северстали» было запущено два пилотных проекта по разработке продукта в новом формате. Взяв за основу методику Scrum, собрали две небольшие кросс-функциональные команды по четыре-пять человек в каждой, в их работе использовались все типичные атрибуты: спринты, стендапы, обзоры, скрам-мастера. Сразу стало заметно, что работа пошла лучше, хотя люди были задействованы в проектах всего на 20–30%. Но даже эти первые эксперименты дали заметный эффект, и разработка ускорилась в 2–3 раза. Немаловажно, что новые методы взаимодействия оценили и сами участники команд. Как следствие, 2017 год ознаменовался резким ростом таких проектов: появилось около 25 команд.

«На проблемы, существовавшие на первых этапах, не обращали внимания из-за эйфории. Тем не менее впоследствии они сильно проявились, и основная из них — снижение управляемости», — отмечает Сухарев. Когда команд стало много, началась путаница, исчезла прозрачность, стало непонятно, в каких направлениях идет «движуха». Второй блок проблем — дискомфорт, обусловленный участием сотрудников в нескольких командах. Люди были вынуждены по несколько раз посещать стендапы, планирования, обзоры. В 2018 году было решено переконфигурировать работу команд, организовав их в виде потоков создания ценности (value stream). Запустить работу первой такой команды очень помогли эксперты ScrumTrek.

Командная игра

В результате реорганизации получилось продуктовое подразделение, включающее пять продуктовых направлений. Каждое из них объединилось вокруг определенной технологической цепочки и поддерживается кросс-функциональными командами. Каждая команда состоит из различных специалистов: разработчика технологий, маркетолога, продавца, специалиста технической поддержки и т. п. По мере необходимости в команды добавляются и другие специалисты. Причем люди в команды выделены на полное время.

«Мы поняли, что базовых элементов, существующих в Scrum, явно недостаточно, чтобы подразделение функционировало успешно. Были необходимы структурные изменения», — подчеркивает Сухарев. Первым таким изменением стала замена индивидуальных целей на цели командные. Тем самым был устранен ряд внутренних противоречий между участниками команд. Кроме того, все команды теперь размещены в одном помещении — офисе открытого типа (open space). У них появилась возможность удобно общаться, быстро договариваться, обмениваться практиками и решениями проблем. Изменился формат отчетности: были определены общие демодни, когда все команды представляют результаты своей работы коллегам, руководителям и прочим заинтересованным лицам. По-другому стали проходить и сами встречи: если раньше люди сидели за столами с компьютерами, то теперь все участники стоят и в ходе презентаций различных команд перемещаются по комнате.

Следующий блок, подвергшийся изменениям, — система оценок. Участники команд стали сами оценивать друг друга, а прежде этим занимались руководители подразделений. Очевидно, что после перехода сотрудника из подразделения в скрам-команду его линейный руководитель вряд ли сможет адекватно оценить его. «Также стало понятно, что Agile набирает обороты, и надо готовить собственные программы обучения. Недавно мы открыли свою школу скрам-мастеров», — говорит Сухарев.

Спринты для топ-менеджмента

Помимо разработчиков новой продукции, в компании появились две дополнительные команды поддержки — команда метаскрам и команда общей трансформации. Дело в том, что если команды будут сами заниматься еще и изменениями, то на работу по продуктам у них не останется времени. Команда из топ-руководителей, названная метаскрам, — важный с точки зрения скорости работы инструмент. Ее задача — решать проблемы, требующие вмешательства на более высоком уровне. Она также работает с элементами Scrum и личным примером мотивирует подчиненных на новые свершения.

Не менее важно, что команды разработчиков входят в состав одного подразделения, у которого единая цель, и каждая группа работает на «общий котел». Да, команды относительно автономны, но они действуют согласованно, как единый организм. Но стоит отметить, что появление новых ролей, изменение взаимоотношений и работы в команде были болезненными — сотрудникам во время перемен точно пришлось непросто.

Наконец, при создании любых инноваций требуется вписаться в регламенты, которые никто не собирается отменять. ««Северсталь» — огромный и довольно опасный производственный объект, во главу угла здесь поставлена безопасность: нормативы, правила и жесткий контроль. А мы выступаем проводниками новых идей, ратуем за креатив и свободу. Очевидно, что контроль и свобода находятся на разных чашах весов», — признает Сухарев. Кроме того, люди, которые проработали на предприятии 10–15 лет, не могут измениться в одночасье. На первых порах встречи команд иногда превращались в нечто «более привычное»: скрам-отчеты, нарезание задач, спрос за результат и корректирующую обратную связь.

Взращивая самоорганизацию

«Некоторое время назад, когда я был скрам-мастером в одной из команд, мне пришлось уехать в командировку. Я попросил коллегу провести планирование спринта и был очень удивлен, когда узнал, что одна из участниц команд сама вызвалась провести планирование», — вспоминает Сухарев. Мы часто считаем самоорганизацию чем-то неосязаемым и недостижимым. А она иногда проявляется самым неожиданным образом.

«Часть вопросов свелась к попытке понять, что же такое на самом деле Agile. Для себя мы уяснили, что в основе этих методик лежит самоорганизация. Она сродни капризному цветку, которому для жизни требуются определенные условия и уход», — продолжает Сухарев.

Чтобы «взрастить» самоорганизацию, можно порекомендовать следующее. Во-первых, командам нужна единая, объединяющая и вдохновляющая цель. Эта цель должна быть актуальной для каждого участника. Да, иногда непросто найти то, что «драйвит» всех, но без этого обойтись не удастся.

Второй фактор — самостоятельность: надо дать командам возможность самостоятельно достигать поставленных целей. И если команды готовы брать на себя ответственность, то не менее важна готовность начальства ее делегировать. На этом этапе формируется культура доверия. Да, отдавать бразды правления страшно, потому что ответственность за окончательный результат все-таки остается на руководстве. Чтобы минимизировать страх, нужна максимальная прозрачность работы. Именно непрозрачность всегда порождает недоверие.

Еще один важный шаг — определение границ самостоятельности, понятных и для команд, и для управленцев. Команде, как и ребенку, надо научиться ходить, говорить, читать и писать, и уже потом может идти речь о более сложных действиях. Поэтому надо договариваться о границах и постепенно их расширять. С ростом успехов команды растет и доверие, а с ним — расширяются границы.

Эти пять шагов ведут к появлению в команде ростков самоорганизации. За ними в дальнейшем придется так же бережно ухаживать.

«Несмотря на все наши ошибки и проблемы, мы видим, что место для Agile в производстве есть», — резюмирует Сухарев. Сейчас показатель времени создания новых продуктов сократился вдвое — до 1–1,5 года, а их число достигло 70. Но самое главное — стало понятно, что есть огромные возможности для дальнейших улучшений.

Ведущие компании внедряют средства искусственного интеллекта и машинного обучения, стремясь изменить принципы взаимодействия с клиентами, укрепить отношения с ними, обрести конкурентоспособность и повысить выручку.

Стержнем преобразований стали новые технологии — чат-боты, системы выдачи рекомендаций, механизмы составления персонализированных сообщений, инструменты интеллектуального таргетинга рекламы и средства распознавания образов. По прогнозу Gartner, доход предприятий, полученный благодаря средствам ИИ, вырастет к 2022 году по сравнению с нынешним втрое и достигнет 3,9 трлн долл., причем главным источником роста станет улучшение клиентского обслуживания.

ИИ привлекает внимание как бизнеса, так и ИТ-руководителей, поскольку сулит перспективы увеличить приток клиентов и способствовать их удержанию. Как показал опрос, проведенный Salesforce Research среди 3500 руководителей по маркетингу, в 51% компаний уже используют ИИ и более чем в четверти собираются провести внедрения в ближайшие два года.

Опишем, как в компаниях используют ИИ для улучшения взаимоотношений с клиентами и увеличения их численности.

Чат-боты

Автоматизированный агент, виртуальный помощник или чат-бот — самое типичное применение ИИ для взаимодействия с клиентом. Соответствующие технологии еще только-только начали развиваться, но на первой линии клиентской поддержки в компаниях ими успешно пользуются.

На сайты издательства Pearson Education, выпускающего учебные пособия, ежедневно заходит более 2 млн пользователей, и в среднем по 15 тыс. из них каждый день обращаются в службу поддержки, а в канун начала учебного года число обратившихся существенно возрастает.

В апреле прошлого года в Pearson решено было внедрить чат-ботов, которые бы помогали пользователям, столкнувшимся со сложностями при доступе к материалам и проблемами с системами просмотра, восстановлением паролей и т. п.

Чтобы справиться с сезонным увеличением числа обращений в службу поддержки, издательство расширило сотрудничество с компанией Salesforce и стало пользоваться ее чат-платформой Einstein. Как сообщают в Pearson, пилотное внедрение удалось провести всего за шесть недель.

Результат превзошел ожидания. Более 60% из 63 тыс. запросов о помощи в связи с проблемами доступа, просмотра и сброса паролей были отработаны чат-ботами. Остальные 40% были переадресованы людям, причем эти переадресованные проблемы удалось решить на 20% быстрее, поскольку чат-бот уже собрал значительную часть необходимых сведений. Накопленные данные по обращениям в Pearson планируют использовать для улучшения результативности работы чат-ботов.

Благодаря внедрению, и пользователям, и отделу ИТ удалось сэкономить очень много времени; в канун начала учебного года компании пришлось оплачивать труд меньшего, чем прежде, количества сотрудников службы поддержки.

Сейчас, в ходе подготовки к следующему всплеску обращений, ожидаемому в январе, идет работа по увеличению количества вопросов, на которые способны отвечать боты. Есть планы использовать чат-ботов в процессах продаж — например, для проверки лицензий преподавателей и предоставления сведений о статусе заказа.

Издательство рекомендует другим участникам отрасли заняться исследованием вариантов применения чат-ботов. Для этого потребуется анализ обращений, успешно отработанных людьми, — нужно выбрать самых результативных агентов и поручить им обучение чат-ботов.

Как свидетельствуют данные опроса, проведенного Constellation Research, сегодня уже в 50% компаний используют ИИ для клиентского обслуживания — в пилотных проектах или в рабочем режиме. Однако некоторые организации решили подождать, пока технологии чат-ботов станут более совершенными. Такие «ожидающие» верят, что у чат-ботов есть будущее, однако не удовлетворены эффективностью их работы или придерживаются мнения, что клиентам больше нравится общаться с живыми людьми.

Когда-нибудь чат-боты станут настолько развитыми, что отличить их от реальных людей будет невозможно, но пока не стоит рассчитывать на то, что автоматизированная система сможет заменить целый отдел. В Constellation Research отмечают, что польза от возможности переложить на чат-ботов нагрузку несомненна: люди получат больше времени на решение более сложных клиентских проблем.

Системы выдачи рекомендаций

В компании Bluestem Brands, владеющей несколькими онлайн-магазинами, пока воздерживаются от внедрения чат-ботов, но с успехом применяют ИИ для выдачи рекомендаций по покупкам.

Чтобы понять, что конкретно покупатель ищет в рамках очередного сеанса посещения онлайн-магазина, нужно учитывать не только историю прошлых заходов, но и контекст, в том числе раздел, где находится пользователь. Для лучшего анализа контекста можно использовать историю поиска, выполнявшегося другими пользователями.

В Bluestem экспериментируют с системой рекомендаций уже пять лет, и вот уже три года она применяется в рабочем режиме. В компании отмечают, что в связи с постоянными изменениями на рынке конкретные показатели улучшений назвать трудно, но эффективность каждой модификации системы ИИ можно оценить путем тестов.

В Bluestem проводят тесты на 10% аудитории сайта: половина покупателей взаимодействует с текущей версией системы, выполняя роль контрольной группы, а половина — с новой. Испытания заканчиваются, когда конверсия в контрольной группе достигает того же уровня, что и у 90% не участвующих в тестировании, после чего ИТ-руководитель оценивает эффективность нововведения. Обычно прибавка небольшая: уровень конверсии увеличивается примерно на четверть процента, — но такие улучшения вносятся постоянно, и обычно одновременно проводится по два-три тестирования.

По мере развития системы в компании изучают и другие факторы, способные повлиять на поведение покупателя. Например, те, кто проводят выходные не в родном штате, ведут себя при совершении онлайн-покупок иначе, чем дома, отмечают в Bluestem.

ИИ также планируется использовать для персонализации онлайн-витрин, чтобы сведения о товарах отображались для каждого покупателя в той форме, которую он предпочитает. Например, определенные характеристики товара могут быть для кого-то более важными, и их надо отображать на странице более заметно.

Персонализация сообщений

Компания Adorama, продающая электронику, использует ИИ для выдачи рекомендаций уже два года, но с наибольшим эффектом персонализация проявилась в маркетинговых сообщениях электронной почты, которые составляются при участии системы машинного обучения. По словам представителей компании, система помогает экономить.

Раньше заголовок письма в Adorama составлял копирайтер, а сейчас этим занимается компьютер. Рассылку персонализированных сообщений для Adorama организует сторонний поставщик услуг — такой договор был заключен, чтобы избежать найма собственных аналитиков и разработчиков на Python.

Компания размещает на своих сайтах счетчики посещений, передающие статистику поставщику услуг, предоставляет ему доступ к каталогу товаров Adorama и тестирует нововведения — обычно весь процесс занимает 40–50 часов.

Однако в Adorama предостерегают от поспешных внедрений ИИ, рекомендуя подходить к освоению новшества разумно и осмотрительно. Следует определиться, какую конкретно задачу требуется решить, выяснить, подходит ли для этого ИИ и будет ли такая система самой действенной и экономически эффективной.

Например, в случае персонализированных сообщений технология ИИ компании Persado помогла Adorama увеличить число переходов по ссылкам, что привело к увеличению оборота на 50–70%. В Persado обучают систему, используя предыдущие сообщения компании-клиента. При подготовке новой маркетинговой кампании сообщения составляются по аналогии с самыми успешными из прошлых рассылок. По прошествии некоторого времени оценивается, насколько кампании, проведенные с помощью ИИ, повлияли на уровень заинтересованности и число отписавшихся.

Но, как подчеркивают в Persado, люди по-прежнему участвуют в процессе. Во-первых, именно они составляют первоначальный текст нового сообщения, которое затем персонализируется с помощью ИИ для каждого конкретного покупателя. Во-вторых, люди проверяют составленное компьютером сообщение и выполняют окончательное редактирование.

Таргетинг рекламы

Использование ИИ в рекламном деле — еще одно важное направление усилий в компаниях, стремящихся изменить принципы взаимодействия с клиентами.

В Procter & Gamble, например, целый отдел специалистов data scientist экспериментирует с применениями ИИ, одной из главных областей стала реклама. В компании применяется программируемая платформа, распознающая покупателя, оценивающая его пожелания, выбирающая бренд для рекламного объявления и рассчитывающая затраты на размещение, и всё это — меньше чем за секунду. Как поясняют специалисты Procter & Gamble, речь идет о крупномасштабной модели высокой точности, работающей в режиме реального времени.

По сравнению с предыдущей «широковещательной» моделью новая гораздо экономичнее. Как признаются в компании, интеллектуальный таргетинг позволяет расходовать рекламный бюджет гораздо разумнее, а сами рекламные объявления стали гораздо более релевантными в глазах пользователей.

В P&G самостоятельно разрабатывают системы ИИ, используя инструменты с открытым кодом и коммерческие продукты. За последние три года стратегия компании в области освоения ИИ расширилась, появились новые группы разработчиков в США, Европе, Китае и Сингапуре. При этом в компании не рекомендуют бездумно внедрять новшества, в частности чат-ботов. Как полагают в P&G, боты способны помочь улучшить обслуживание покупателей, однако несовершенный бот, допускающий ошибки, может ухудшить впечатления клиентов.

Распознавание образов и видео

Обработка изображений — еще одна область, в которой ИИ помогает менять обслуживание клиентов. Один из примеров — онлайн-магазин мебели Wayfair.

В компании начали внедрять ИИ еще несколько лет тому назад, чтобы с большей эффективностью покупать рекламные пространства на сайтах социальных сетей, в поисковых системах и на телевидении. А вскоре в компании заинтересовались возможностями применения технологий компьютерного зрения с учетом специфики бизнеса по продаже мебели и бытовых принадлежностей.

Товары такого рода трудно отыскивать по ключевым словам, отмечают в компании. Если вам нужен коврик или диван, сложно подобрать точные слова, которые бы описывали именно то, что вам требуется. На сайте Wayfair покупателям не нужно перебирать весь колоссальный каталог товаров, предлагаемых магазином, — система персонализации демонстрирует каждому пользователю наиболее подходящие для него продукты.

ИИ используется в Wayfair, чтобы рекомендовать внешне похожие друг на друга товары. Кроме того, покупатель может загрузить сделанный им снимок какого-либо предмета, например кофейного столика, и получить рекомендации подобных товаров из каталога компании. Система может предложить товары, отвечающие определенному стилю, например «модерн», «современный» или «индустриальный», а также «догадаться», как лучше всего представить товар покупателю — скажем, отобразить предмет на белом фоне или в домашней обстановке, снятым сбоку или спереди.

В дальнейшем ИИ планируется использовать, чтобы помогать покупателям менять домашний интерьер. Например, клиент может продемонстрировать системе комнату, указав, что хочет сделать ее более современной. Над такой возможностью работа пока только идет, объясняют в Wayfair. В компании надеются стать пионером в этой области — пока что ни у кого нет системы, способной оценить процентное соотношение стилей в домашней обстановке.

Механизмы обработки изображения являются основой технологий виртуальной, дополненной и смешанной реальности, с которыми тоже экспериментируют в компании. В Wayfair полагают, что инвестировать в них определенно стоит. В августе в партнерстве с разработчиками шлема дополненной реальности Magic Leap компания запустила систему шопинга для его пользователей, а в октябре — приложение для дизайна интерьеров и планирования обстановки помещений.

В P&G тоже используют ИИ в системах распознавания образов и видео. В компании создан автоматизированный консультант по товарам для ухода за кожей бренда Olay, система анализирует снимок лица, присланный покупателем через приложение или сайт, и рекомендует подходящие продукты. По словам представителей P&G, для анализа изображений применяется система глубинного обучения, которая обеспечивает предельную точность персонализации взаимодействия, упрощает его и способствует повторным покупкам благодаря повышению лояльности к бренду.

Кроме того, в P&G применяют систему распознавания образов, чтобы оптимальнее размещать товары на полках в обычных магазинах. Изучаются возможности использования ИИ для анализа видео. Как подчеркивают в компании, очень важно знать, как именно используются товары. В рамках проекта с разрешения покупателей ведется съемка их действий — например, того, как они пользуются швабрами, моющими средствами и т. п. Ручная обработка больших объемов подобных видеозаписей затруднительна, а компьютер справится гораздо эффективнее, интерпретируя происходящее в кадре даже точнее, чем люди.

«Матрица» искусственного интеллекта

Как отмечают в Wayfair, хотя сейчас ИИ в основном применяется точечно для решения определенных задач по улучшению обслуживания, все они взаимосвязаны. Например, система назначения расценок влияет на маркетинг, а маркетинговые системы оказывают влияние на прогнозирование спроса. Такие прогнозы, в свою очередь, могут влиять на промоакции и наоборот. По оценке специалистов, системы можно будет комбинировать и оптимизировать их взаимодействие.

С учетом того, что data science и алгоритмические методы сегодня нередко применяются по всей организации, а не только в отдельных ключевых функциональных областях, инженерия ПО фактически становится стержнем предприятия, а наука о данных — его жизненной силой.

— Maria Korolov. 5 ways AI is transforming customer experience. CIO. October 23, 2018

Аналитики сходятся во мнении, что рынок вступил в стадию формирования экосистем, в рамках которых все действующие лица будут получать удобные и взаимовыгодные сервисы. Финтех эту стадию уже практически прошел, а остальным направлениям предстоит преодолеть этот путь. Логичным продолжателем пути пионеров становится HR-сфера, включая поиск и подбор сотрудников.

В «Севергрупп» сформирована концепция развития человека, объединяющая технологии в области поиска работы и сотрудников и управления персоналом (HR Tech), образования и повышения квалификации (Ed-Tech) и самозанятости. Речь идет о компании TalentTech: в рамках ее экосистемы будет работать «единое окно» как для компаний, так и для кандидатов. С ее помощью бизнес сможет находить подходящих специалистов, а люди получат понимание, в каком направлении имеет смысл развиваться, какие навыки необходимы, где учиться, куда устраиваться. Sever.AI — один из продуктов этой будущей экосистемы, который отвечает за область рекрутмента на базе искусственного интеллекта и машинного обучения. Над этим проектом сейчас работают чуть больше 20 человек. Рассказывает о проекте Азат Шамсутдинов, директор по цифровым технологиям Sever.AI, — номинант на премию CDO Award, учрежденную проектом CIO.ru и издательством «Открытые системы».

— Что в самых общих чертах представляет собой проект Sever.AI?

Sever.AI состоит из трех основных блоков: поиск и оценка резюме кандидатов; коммуникация (звонок, SMS, электронная почта или чат), чтобы узнать об интересе к вакансии; проведение и оценка видеоинтервью. Прежде всего мы хотим помочь компаниям и HR-специалистам: автоматизировать рутинные, механические процессы в области рекрутмента и организовать быстрый поиск качественных кандидатов. Наша платформа позволяет одновременно и получить доступ ко всем релевантным кандидатам на рынке, и возможность сосредоточиться только на самых подходящих из них — благодаря оценке «подходимости» для конкретной вакансии в конкретную компанию.

Как это работает. Специалист по найму заходит в систему, дает описание вакансии как на сайте для поиска работы (требования, обязанности, местоположение и т. п.), а дальше начинает свою работу платформа Sever.AI. Сначала она находит резюме подходящих под вакансию кандидатов. Каждое резюме получает балл, определяющий его соответствие вакансии. Система интеллектуальна: скажем, если в описании вакансии указано требование «знание Excel», а человек пишет о «знании MS Office», робот поймет, что кандидат подходит по параметру «знание Excel». Наши эксперименты показали, что робот оценивает резюме объективнее, чем человек. Робот, в отличие от человека, не устает, у него не бывает плохого самочувствия или скверного настроения, поэтому он сильно выигрывает, к тому же его работу без проблем можно масштабировать, добавив мощности аппаратного обеспечения.

Результат первого этапа работы — выборка релевантных кандидатов. После робот взаимодействует с выбранными кандидатами — узнает, насколько интересна им вакансия. Общение происходит по телефону, по электронной почте, посредством SMS и мессенджеров. В ходе разговора кандидат может задавать уточняющие вопросы, используя в том числе сленг. Например, вопрос в чате «з/п скок?» робот поймет вполне правильно. Если кандидат подтверждает интерес к вакансии, его приглашают на видеоинтервью — вопросы выводятся на экран, время на подготовку и ответ ограничено.

Затем Sever.AI просматривает видео с ответами, анализируя те же три основных источника информации, что и человек: изображение (внешнее поведение кандидата), звук (его речь, тембр) и текст (содержание ответов). Например, по видеоряду система анализирует изменение микровыражений лица в зависимости от вопросов, считывает реакцию человека. По звуку можно отследить изменение тембра голоса, темп речи и множество других параметров. Смысл сказанного анализируется после перевода речи в текст. В зависимости от вакансии система взвешивает все перечисленные параметры, агрегирует их и выставляет еще одну оценку кандидату. И здесь важно, что по видеоинтервью уже можно определить, насколько человек соответствует не только вакансии, но и профилю компании.

Как Sever.AI видит кандидата

В итоге получается три оценки: по резюме, по коммуникации и по видеоинтервью. Лишь после этого к процесcу подключается живой человек, уже на этапе, когда имеется релевантная выборка кандидатов, заинтересованных в вакансии и подходящих по профилю. Он проводит традиционные очные интервью и принимает окончательное решение. Конечно, человек всегда может вмешаться на любом этапе. Например, просмотреть найденных кандидатов и пригласить на видеоинтервью или даже на очную встречу, если соискатель очень понравится.

— Подобные проекты в первую очередь фокусируются на рутинных задачах HR. Их проще реализовать или они действительно важнее для компаний?

В первую очередь это потребности клиентов. На рутинные задачи крупные компании тратят очень большие ресурсы, особенно это касается массовых позиций с высокой текучестью. Рекрутерам вполне можно облегчить жизнь, сделать так, чтобы они занимались более полезными для компании делами, а не рутиной, просматривая однотипные резюме, задавая одинаковые вопросы и получая схожие ответы. Эту работу вполне можно переложить на роботов.

— Какое влияние окажут подобные сервисы на развитие HR-служб?

Сейчас от HR-специалистов требуется достаточно быстро находить кандидатов, и время закрытия позиции (time to hire) имеет в их работе все большее значение. У многих компаний есть вакансии, не закрываемые годами, недоукомплектованные подразделения. Кроме того, текучесть персонала в последние годы возросла: люди все активнее переходят из одной компании в другую. В России добавляется еще один фактор: демографическая яма 90-х годов. Поэтому повышается потребность в решениях, которые позволяют как можно быстрее находить нужных специалистов.

Как показывает практика, в среднем HR-специалисты приблизительно половину своего рабочего времени тратят именно на поиск кандидатов. Отдав рутину машине, они смогут сконцентрироваться на гораздо более важной задаче — удержании сотрудников. Наконец, появится возможность для более интеллектуального подхода к HR: имея больше исходных данных, можно проанализировать, какие из принятых кандидатов дольше и лучше работали. Удастся вывести всю работу кадровых отделов на качественно иной уровень.

— Sever.AI изначально задумывался как внутренний проект «Северстали», призванный обслуживать внутренние кадровые потребности этой гигантской структуры?

Sever.AI звонит кандидату

Это совсем не так, проект изначально был независимым стартапом. Название не имело никакого отношения к «Северстали», его придумали под впечатлением от сериала «Игра престолов». Именно оттуда рабочее название, связанное с «Севером»: Sever.AI — для российского рынка и North.AI — для зарубежного. Лишь некоторое время спустя произошла сделка с «Севергрупп», ставшей стратегическим инвестором компании.

— Почему робот при просмотре и анализе анкет эффективнее лишь в несколько раз, а не в десятки и сотни раз? Очевидно же, что в такой работе компьютер имеет огромное преимущество перед человеком — «аналоговым» существом.

Действительно, компьютер несопоставимо быстрее человека. Отчасти наше преуменьшение обусловлено тем, что неподготовленный клиент может посчитать неправдоподобным слишком пугающий разрыв в эффективности между человеком и роботом. Кроме того, у некоторых HR может возникнуть страх того, что компьютер способен полностью исключить человека из этого процесса. На самом деле это вовсе не так.

Наши пилотные проекты показывают, что кадровая проблема связана не только с дефицитом кадров, но и со сложностями в поиске именно релевантных для компании кандидатов. Дело в том, что один и тот же кандидат на одну и ту же должность может одной компании подойти, а другой — нет, причем по каким-то внутренним установкам: корпоративной культуре или другим факторам. В результате компании тратят на поиск неоправданно много времени. Чтобы поправить положение, можно нанять больше специалистов по подбору персонала или пытаться использовать новые технологии. Второй вариант перспективнее, так как для бизнеса в ближайшие 10 лет демографическая ситуация не улучшится.

— Уйти от человеческого фактора — это здорово. Но как же опыт и интуиция? Не окажется, что бездушный компьютер пропустит то, что заметил бы опытный кадровик?

На первых этапах работы с кандидатом робот видит ровно то же, что и рекрутер. Именно поэтому люди подключаются лишь на последнем этапе взаимодействия, когда уже имеет смысл применять опыт и интуицию. И, как бы нам ни хотелось верить в обратное, наш опыт показывает, что на первых этапах — при оценке текста резюме и ответов на вопросы видеоинтервью — робот объективнее человека, на него не влияют внешние факторы.

— Почему речь идет именно про массовые позиции? Ведь нанять «правильного» топ-менеджера экономически гораздо выгоднее, чем тысячи кассиров.

Тут все просто. Топ-менеджер оценивается на совсем другом уровне, такая оценка требует более глубокого анализа его опыта, а этот опыт выявляется при личном общении. К тому же роботов надо на чем-то обучать, а данных о топ-менеджерах на рынке явно недостаточно. А значит, ошибка робота-рекрутера в оценках кандидатов топ-уровня будет очень велика.

Однако наше решение вполне можно использовать не только при подборе массового персонала, но и в поиске более квалифицированных специалистов — например, программистов или менеджеров среднего звена. На таких вакансиях роботы будут отрабатывать довольно хорошо. Кстати, совсем недавно мы, отчасти в качестве эксперимента, нашли себе разработчика с помощью Sever.AI.

— Каковы основные проблемы, возникающие в ходе работы над проектом?

Учитывая масштабы «Севергрупп», с данными больших проблем нет — в одной «Северстали» работает более 50 тыс. человек, можно и обучаться на этих данных, и использовать их для оценки качества модели.

В первую очередь проблемой становится соответствие ожиданиям клиентов. Часто они хотят получить готовое работающее решение и не желают включаться в работу по его созданию. А ведь робота нужно сперва обучить, настроить, и все эти процедуры должны проходить с участием заказчиков, требуется понять их внутреннюю кухню. Поэтому приходится объяснять клиентам, что их участие в проекте все-таки необходимо.

Есть две модели подготовки роботов к оценке резюме. Выбранная модель влияет, с одной стороны, на время старта и степень вовлеченности клиента, а с другой — на точность и качество результата. По первой («обучение с учителем») мы отправляем определенное число анкет рекрутерам заказчиков и просим оценить их, обучая робота на их разметке. По второй модели роботу не нужно обучаться на разметке, он анализирует внешние факторы — например, пытается понять, что написано в вакансии, сканирует сторонние сайты, изучает похожие вакансии, усваивает терминологию. Он понимает рынок — видит, какие вакансии появляются, какие уходят, как изменяется портрет того или иного специалиста. Кстати, машина обучается быстрее живого рекрутера. Для обучения с учителем требуются сотни анкет, во втором случае речь идет о десятках тысяч.

Для оценки коммуникации с кандидатами робот учится на различных текстах, книгах и фильмах. Для работы с видеоинтервью система обучается на сотрудниках клиента: они записывают интервью, и робот отсматривает записи. На этом этапе появляется «портрет сотрудника компании», и робот пытается найти людей, соответствующих такому портрету, — тем самым удается добиться не только соответствия требованиям интервью, но и культуре компании.

— О каких объемах данных идет речь?

Сейчас это терабайты. Для работы с социальными сетями понадобятся совершенно другие ресурсы и подходы.

— На каких решениях построена инфраструктура для работы с данными?

Для хранения больших данных у нас используется Hadoop, для обработки данных — Spark, для обработки потоковых данных — Spark Streaming. При дальнейшей обработке применяем разные инструменты, в том числе проприетарные — Tableau, Power BI. Можем использовать внешние базы SQL для тех проектов, где нет больших данных и нужны быстрые доступность и обработка.

Все зависит от потребности и оптимальности. Если за счет коммерческого продукта мы добьемся большей эффективности, то использовать будем его. Если же без особых потерь можно использовать продукты open source, то ориентируемся на них.

— В чем основные проблемы управления данными?

У нас главная проблема — тоже кадровая: трудно найти подходящего человека, который будет отвечать за определенную область, например за хранение или обработку данных. Рынок специалистов крайне узок, их очень мало.

Вторая проблема — динамика рынка. Создавая модели, мы сначала хотели пойти путем обучения на исторических данных — например, имеющихся у клиентов данных о кандидатах. Однако вакансии очень быстро устаревают, требования к сотрудникам постоянно меняются, поэтому модели очень плохо обучались.

Кроме того, данные у всех HR-департаментов разные и их качество далеко от идеала. Люди редко задумываются, что их данные когда-либо могут понадобиться для анализа, и хранят их в виде картинок, текста, почтовых сообщений — в абсолютно разрозненном виде. Далеко не в каждой компании можно сформировать цельную картину для обучения модели.

— В итоге исторические данные стали абсолютно ненужными?

От обучения на исторических данных пришлось полностью отказаться. Но я все-таки верю, что из них тоже можно извлечь ценность, когда поставлены другие цели. Если компания захочет увидеть эволюцию какой-либо позиции — изменение рынка, чтобы спрогнозировать будущее, то без исторических данных не обойтись.

— Какие методы машинного обучения используются в рамках проекта?

Применяются практически все, ведь приходится использовать все виды данных: текст, аудио, видео, картинки. В первую очередь всё, связанное с нейросетями, а также последние наработки по тематическому моделированию, которое неплохо развито в России. Ну и стандартные алгоритмы, которые всеми используются.

— Сейчас решение охватывает всю подготовительную часть работы при рекрутинге. А каковы планы его дальнейшего развития?

Со временем станет все сложнее найти хороших кандидатов на работных сайтах. Важно будет отлавливать соискателей не в момент создания и публикации резюме, а гораздо раньше — когда они только задумались о возможной смене работы и подали соответствующие сигналы. Поэтому в перспективе мы начнем плотнее работать с соцсетями и поисковиками, возможно, с банками и онлайн-ретейлерами — теми, у кого будут такие данные.

Кроме того, планируется доработка той части, которая связана с набором кандидатов: где их взять, откуда пригнать трафик, чем заинтересовать. Потом будем добавлять тесты на профессиональные навыки, возможно в игровой форме. Это позволит минимизировать ошибки. Ведь резюме можно написать очень привлекательное, и даже есть профессиональные услуги в этой области. Из-за этого существует поток нерелевантных кандидатов. Чтобы снизить долю людей, которые ошибочно попадают на стадию видеоинтервью, их когнитивные навыки можно проверить путем тестов.

Далее пойдем в сторону онбординга — адаптации сотрудников, их подбора под определенную команду, а также оценки их лояльности, вероятности увольнения и способов удержания.

— Каких результатов позволяет добиться решение и каким образом?

Робот не субъективен. Кроме того, в поиске подходящих кандидатов по резюме в среднем он эффективнее рекрутера на 20%. Сейчас 9 из 10 найденных роботом кандидатов являются подходящими. Рекрутер же предлагает 6–7 подходящих человек из 10.

Пилоты показали ускорение времени закрытия позиций почти вдвое. Если говорить о бюджетах, то многое зависит от массовости вакансий. В крупных компаниях и при работе с позициями высокой текучести экономия на процессах рекрутмента может составлять до 90%.

Например, в пилотном проекте с розничным банком при показателе текучести 128% экономия за год использования сервиса составила 50%. При больших масштабах и больших показателях текучки персонала эффект будет еще заметнее.

— Каковы сейчас результаты у компаний, которые уже являются вашими клиентами?

В одну из крупнейших российских нефтехимических компаний мы полностью внедрили все разработанные блоки, решение было запущено летом. В этом проекте любопытнее всего показатель конверсии. Как выяснилось, кандидаты охотно разговаривают с роботом — конверсия из найденных кандидатов в отклик составляет около 60%. Более того, с роботом многие общаются охотнее, чем с человеком, потому что могут задать ему вопросы, которые стесняются озвучивать рекрутеру. В результате до этапа видеоинтервью доходит около 20% кандидатов. И это очень хороший показатель — нормой считается 5%. Добиться такого результата получается в том числе благодаря непрерывному взаимодействию с кандидатом, общению с ним. Например, живой рекрутер может забыть напомнить о запланированном собеседовании, а вот автоматизированная система не забудет. Как это ни печально, зачастую робот может обеспечить более «человеческое» отношение к кандидату.

— Способны ли технологии искусственного интеллекта полностью автоматизировать функцию HR и в какой последовательности это будет происходить?

В целом развитие технологий HR накладывается на одну важную вещь — положение самого HR внутри компании. Еще 20 лет назад вышла первая статья про то, что HR, как и ИТ, должен перерасти обслуживающую функцию и превратиться в бизнес-партнера. Ведь, несмотря на огромную важность для бизнеса, HR-директора часто занимают в корпоративной иерархии не самую сильную позицию. И вопрос не только в высоте положения, но и в том, насколько реально они вовлекаются в процессы формирования стратегии компании.

Поэтому развитие HR-технологий будет зависеть от того, насколько компании будут следовать тренду роста значимости HR и насколько сам HR будет готов брать на себя ответственность за управление такими проектами. В сфере HR сейчас вообще довольно низкий уровень проникновения технологий по сравнению с другими бизнес-функциями. Во многом по причине того, что бизнес изначально недостаточно серьезно воспринимал эту сферу и лишь сейчас здесь начинается волна внедрения современных систем. Насколько мы сможем продвинуть технологии и где будет пролегать граница между человеком и роботом, зависит от готовности самих HR уйти от аналогового мира к более эффективным решениям.

— Искусственный интеллект начинает захватывать мир с тех направлений, в которых сотрудники полноценно используют в работе лишь одну свою когнитивную функцию — например, с контакт-центров. Насколько перспективен с этой точки зрения HR?

Разумеется, для нас голос, в отличие от контакт-центра, — не единственный и не главный источник информации. Однако именно тот факт, что робот может оценить кандидата объективно с самых различных точек зрения, делает его в данном процессе более эффективным по сравнению с человеком. Но важно отметить, что, во-первых, рекрутмент — лишь отдельная и весьма обособленная часть HR-процесса. Она исторически более проработана — известна, понятна и хорошо описана. Во-вторых, мы решаем лишь часть задач процесса рекрутмента.

— Не может ли оказаться, что в остальном работа HR слишком «человеческая» и не очень поддается передаче ИИ?

Мы не являемся оголтелыми энтузиастами и прекрасно понимаем, что есть определенные границы. Полностью убрать из процессов человека пока невозможно и неэффективно. Однако применение простейших CRM-подходов к работе с кандидатами и минимальная аналитика показывают, что «человечность» этой сферы преувеличена. Мы видим на своих продуктах, что тандем человека и технологий оказывается в разы эффективнее.

— А клиенты сами готовы к таким переменам?

По большей части готовы. Действительно, часто компании, создавшие инновационное решение, сталкиваются с тем, что рынок не готов воспринять новые идеи. Лет пять назад нас бы не поняли.

HR-департамент одной из телекоммуникационных компаний на встречу с нами неожиданно пригласил своих инженеров по данным — видимо, чтобы «вывести шарлатанов на чистую воду». Нам удалось найти общий язык, эти специалисты оценили правдоподобность наших обещаний. Такое бывает. Однако чаще всего технологический уровень компаний, составляющих нашу целевую аудиторию, вполне адекватен. До середины прошлого года многими нашими коллегами была проделана большая работа по обучению рынка. И конечно, наличие реальной бизнес-боли значительно повышает скорость «созревания» заказчиков.

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

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

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

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

1. Машинное обучение — неотъемлемая часть CRM

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

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

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

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

2. Всесторонний обзор клиентуры с помощью данных

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

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

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

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

3. Интеграция CRM с системами операционных отделов

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

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

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

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

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

4. Локальные CRM-системы — пора отказываться

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

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

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

5. Впечатления клиента — превыше всего

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

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

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

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

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