Самое интересное

Одна из насущных проблем в командах, разрабатывающих программные продукты, — борьба за эффективность. Обсуждая эту проблему, часто говорят: «хотим повысить эффективность наших команд» или «ожидаем эффективности от коллег и партнеров». Однако в большинстве случаев разговоры об эффективности — это только желание максимально ускорить поставку готового продукта. Но действительно ли скорость — именно то, что нужно бизнесу в данный момент? Да и могут ли agile-подходы обеспечить требуемую скорость?

«Где-то на полпути гибких методик в Россию появилось мнение, что agile — это про скорость. Но это совсем не так», — считает Павел Капусткин, руководитель проектов компании HeadHunter. Свыше 20 лет он управляет командами разработки и с 2007 года применяет agile-подходы в организации работы различных компаний, помогая разработчикам и заказчикам программного обеспечения достигать желаемых результатов.

В agile-команде разработчик постоянно задействован в различных видах активности, не связанной с написанием кода. Agile облагает его множеством «налогов» в виде встреч, ревизий кода, инженерной и коммуникативной деятельности.

«Agile нужен не для того, чтобы писать код быстрее, а чтобы делать больше полезного. Делать в целом меньше, но лучше», — говорит Капусткин.

Стремление сделать побыстрее зачастую заводит команду в тупик. Продуктовая команда эффективна ровно настолько, насколько она в состоянии поставлять бизнес-ценности. И тут очень важен баланс между показателями «достаточно хорошо, чтобы пользоваться» (good enough) и «время вывода на рынок» (time to market). Эти два параметра имеют смысл только в связке друг с другом, то есть разработчики должны сделать софт в максимально сжатые сроки, не потеряв по дороге общий смысл. «Если мы выдаем по три функции в неделю, c вероятностью 90% ни одна из них не несет реальной ценности», — уверен Капусткин.

Продуктовая команда — это не просто люди, которые пишут, верстают и тестируют код, это совокупность экспертизы, иногда неожиданно глубокой, и использовать ее только для написания программного кода не очень разумно, полагает он. С помощью этой коллективной экспертизы можно продуцировать значительно больше ценности для бизнеса, обогащая продукт. Через культивирование в командах осознанности и продуктовых компетенций можно существенно повысить вовлеченность сотрудников и, как следствие, эффективность.

Каким образом повысить эффективность разработки путем изменения уровня осознанности в команде, Капусткин расскажет на конференции «Agile, DevOps, ITSM — инструменты и опыт реальных проектов цифровой трансформации», которую издательство «Открытые системы» проведет 23 октября 2018 года. Год за годом Капусткин дотошно протоколирует свою работу с командами и систематизирует свои наблюдения. В результате на свет появилась четырехуровневая модель, с которой познакомятся участники конференции.

Четыре шага к эффективности

Каждая agile-команда проходит через четыре этапа развития осознанности, каждый этап характеризуется совершенно разными целями, компетенциями, мотивацией и степенью вовлеченности сотрудников. Причем уровни осознанности слабо коррелируют, а иногда и вовсе не связаны с технической экспертизой команды. Имея примерно одинаковые исходные характеристики, команды, находящиеся на разных этапах развития, показывают совершенно разную эффективность, и уровень их технической подготовки играет второстепенную роль.

Под осознанностью понимается степень адекватности восприятия человеком или группой своего места в системе координат компании и продукта, своей роли и влияния, правильности понимания целей и задач команды, а также корреляции личных целей с целями команды и компании в целом. Самый верхний уровень подразумевает полное понимание и принятие целей компании и полноценное участие команды в трансформации всей компании в целом.

Как понять, на каком этапе команда находится сейчас? Чего от нее можно ожидать, а чего — не стоит? В чем ей можно и нужно помочь на этом пути, а в чем лучше не мешать? Об этом участники конференции узнают из доклада Капусткина «Эффективная разработка без магии и ГМО». От участников конференции докладчик, в свою очередь, рассчитывает получить обратную связь в виде вопросов и критики, которые позволят ему дальше развивать свой подход.

Диапазон применимости

Даже те компании, где давно практикуют гибкие подходы, сильно различаются по организационной структуре и культуре, уровню зрелости менеджмента, пониманию agile и возможностей его использования в бизнесе, а также по уровню имплементации.

«В большинстве организаций agile начинается на уровне команд разработки и там же заканчивается», — говорит Капусткин. Уже на уровне департаментов царит классический менеджмент с его бюджетами, планированием, диаграммами Ганта и совершенно негибкой структурой.

На верхнем уровне управления эффективность оценивают, как правило, по выполнению финансовых показателей. Но где-то умеют сопоставлять результаты работы продуктовых команд с финансовыми показателями, а где-то царит метод «палец-пол-потолок». Cистемный подход и подход «цели и ключевые результаты» (objectives & key results, OKR) в качестве альтернативы классическим KPI на практике встречается нечасто.

В редких случаях agile-практики получается применить на стратегическом уровне. Но при любом организационном ландшафте на уровне команд разработки можно договориться о подходах к оценке эффективности.

Спектр способов, использующихся для оценки эффективности разработки, может быть широк даже в границах одной компании. Там, где есть множество команд разработки с разными задачами, могут сосуществовать три-четыре подхода к оценке их эффективности.

Максимально эффективно подход, нацеленный на повышение осознанности, работает при создании не слишком больших продуктов, которые делаются двумя, максимум тремя командами. Чем больше число команд, тем сложнее перенести на них данную модель, поскольку добиться понимания продукта у ста человек и зажечь их одной целью гораздо сложнее, чем у двух десятков.

Кроме того, для cервисных команд и заказной разработки фокусы могут различаться достаточно сильно. В обслуживании внутренних заказчиков важны концентрация на SLA и качестве сервиса, умение быстро прорабатывать мелкие задачи и улучшать систему, избегая при этом революционных изменений.

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

Внутренние резервы

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

Гонка корпоративных вооружений

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

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

Источники силы, слабости и угроз

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

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

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

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

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

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

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

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

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

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

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

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

Лабораторная работа

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

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

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

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

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

В поиске конкурентных преимуществ: от ИТ к РТ

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

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

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

Самым знаменитым художником инфографики, пожалуй, можно назвать французского инженера Шарля Жозефа Минара, жившего в XVIII–XIX веках. В 1869 году он наглядно изобразил хронологию вторжения Наполеона в Россию, объединив сразу несколько наборов данных: сведения о численности войск в разное время, направлении их движения, температуре воздуха и особенностях местности. График Минара по сей день считают одной из лучших статистических иллюстраций среди когда-либо созданных (см. «Первопроходцы инфографики»).

Если бы Минар жил в наши дни, возможно, он преуспел бы как Data artist (иллюстратор данных или художник инфографики). Сегодня такие специалисты помогают сблизить ИТ-службу и бизнес, превращая терабайты сырой информации в наглядные образы, доступные для быстрого понимания бизнес-руководителями и помогающие им оперативнее принимать решения, повышая шансы на успех. Расскажем, кто такой Data artist, и для чего он нужен.

Должность и обязанности

Учитывая современную тенденцию принимать решения на основе данных, можно утверждать, что роль иллюстратора данных становится все более важной. Необходимость лучше «понимать» данные обусловила появление профессии специалиста по исследованию и анализу данных (data scientist), однако между «технарями»-аналитиками и бизнес-лидерами по-прежнему сохраняется пропасть непонимания. Потому-то и понадобилась новая специальность, объединяющая технические знания аналитика и творческие способности художника-дизайнера.

Когда развитие искусственного интеллекта, больших данных, машинного обучения и принципов принятия решений на основе данных уже шло полным ходом, на предприятиях начали активнее использовать инфографику для пояснения статистических сведений. Однако инфографика статична — ввиду непрерывного поступления новых данных смысл изображения может полностью измениться. Кроме того, представители мира бизнеса не всегда понимают технический язык, на котором говорят аналитики. Сегодня иллюстраторы данных устраняют этот пробел, представляя техническую информацию в доступной для понимания форме.

Для чего нанимают

Data artist помогает компании получить конкурентное преимущество, улучшая способность руководства быстро принимать полезные для бизнеса решения. Он создает интерактивные визуализации, с помощью которых бизнес-лидеры и ИТ-руководители получают возможность анализировать альтернативы и пристальнее исследовать данные, фокусируясь на важнейших областях.

Сегодня уже любой компании доступны CRM-системы и другие технологии, так что обойти конкурентов, просто внедрив их, не удастся. Важно то, как использовать новшества: лучших результатов добьются компании, способные быстрее принимать оптимальные решения на основе данных, для чего требуются более быстрые способы их изучения. Создаваемые иллюстраторами данных инструменты для анализа данных в реальном времени позволяют экспериментировать с вариантами развития событий, мгновенно видя последствия и понимая, как действовать для получения лучших бизнес-результатов.

Data artist способен улучшать не только операционные и финансовые показатели бизнеса. Работая в отрасли здравоохранения, такие специалисты могут повысить результативность лечения пациентов. Разумеется, в том, что касается репрезентации данных, у медиков иные потребности, чем у представителей бизнеса. Но если в медицинской организации работает человек, способный представить данные по пациентам в форме, доступной для понимания врачами, то они, несомненно, смогут принимать более правильные решения.

Навыки

Иллюстратору данных нужно обладать редким сочетанием умений: это и программирование, и исследование данных, и талант художника. Опыт в области компьютерной науки и программирования нужен для наглядного отображения данных, знания в области статистических методов — для выявления и правильного форматирования нужных данных, а художественные способности — для превращения данных в простые для понимания образы.

При этом обязательны все перечисленные навыки. Один из основных языков программирования, используемых на этой должности, — JavaScript. Для создания специализированных визуализаций применяются также различные инструменты с открытым кодом. А поскольку работа идет в тесном сотрудничестве с аналитиками, необходима грамотность в области статистики. Требуются также познания в педагогической психологии, в том числе об особенностях восприятия и понимания наглядной информации человеком.

Заработная плата

Описанное выше сочетание навыков — настолько редкое, что фактически иллюстраторы данных сами могут диктовать размер оплаты их труда. Знающих JavaScript найти легко, но аналитиков, могущих писать на этом языке, отыскать уже сложнее. А когда при этом нужны еще и художественные способности, круг кандидатов резко сужается. Есть сведения, что в Кремниевой долине специалисты этого класса даже на младших должностях могут получать до 400 тыс. долл. в год.

Кто может стать Data artist

Найти столь редкое сочетание навыков трудно, но можно поискать специалистов, способных обучиться новой профессии. Например, это могут быть люди с талантом художника — их можно научить необходимой технической части. Нередко требуемый набор навыков, который остается только дополнить, есть у разработчиков игр.

По мнению экспертов, художественные способности в качестве начальных обязательны, так как приобрести их путем обучения нельзя, в отличие от технических навыков в области анализа и обработки данных. Помимо разработчиков игр, неплохими кандидатами будут специалисты в области дизайна пользовательских интерфейсов.

Со временем, вероятно, многие ИТ-специалисты смогут добавить строчку «Data artist» в свое резюме. С ростом числа представителей этой профессии в компаниях и появлением платформ визуализации данных в составе аналитических решений даже бизнес-пользователи смогут освоить навыки статистического дизайна на любительском уровне. Более того, средства анализа и визуализации данных появляются сегодня в составе приложений самого разного назначения, а значит, и круг пользователей, создающих наглядные репрезентации данных в рамках своих служебных обязанностей, будет расти.

— Sharon Florentine. What is a data artist? A role for drawing IT and business together. CIO. September 19, 2018

О подходе к расстановке приоритетов в задачах, выработанном в компании «М.Видео и Эльдорадо», можно узнать на конференции «Agile, DevOps, ITSM — инструменты и опыт реальных проектов цифровой трансформации», которую издательство «Открытые системы» проведет 23 октября 2018 года. Опыту ретейлера будет посвящен доклад, подготовленный руководителем продуктового офиса «М.Видео и Эльдорадо» Ириной Марчевой. Доклад называется «Дюжина разгневанных заказчиков: как расставить приоритеты?». А пока Марчева рассказала, что привело к появлению такого подхода.

- В какой момент ИТ-подразделения из утилитарного инфраструктурного обеспечения превратились в ценнейший бизнес-ресурс? Когда и почему это произошло в вашей компании?

«Очень важно найти и соблюсти баланс интересов дирекций и выработать прозрачный подход, который позволит всем понимать, почему ИТ-департамент сейчас выполняет именно эту задачу, а не какую-то другую», Ирина Марчева, руководитель продуктового офиса компании «М.Видео и Эльдорадо»

Думаю, это произошло, когда компания поставила себе цель стать «номером один» в ретейле и поняла, что без информационных технологий быть лидером невозможно. Все бизнес-функции направлены на то, чтобы предоставлять нашим клиентам сервис лучше, быстрее, качественнее. И все это зависит от ИТ. Мы даже шутим между собой, что стали больше похожи на ИТ-компанию, которая занимается в том числе и розничными продажами. Помните фразу из книги Льюиса Кэролла «Алиса в Зазеркалье»? «Нужно бежать со всех ног, чтобы только оставаться на месте, а чтобы куда-то попасть, надо бежать как минимум вдвое быстрее!» Вот и бежим.

- Почему этот ресурс дефицитен? Компания же может нанять больше ИТ-специалистов?

Эффективность — в балансе. ИТ — очень дорогой ресурс, и наём большого количества разработчиков не означает, что они принесут большую ценность компании. У нас ведь нет задачи реализовать все идеи, которые приходят в голову бизнес-пользователям. По принципу Парето, 20% действий дают 80% результата, и наоборот. Мы всегда ищем баланс ИТ-ресурсов и бизнес-идей.

- Что именно стало предметом конкуренции и в чем она выражается?

И время, и люди, и специфический опыт этих людей. Взятый на работу специалист не начнет приносить пользу компании на следующий день. Должно пройти время, пока он обучится и погрузится в специфику бизнеса, в его контекст, в архитектуру решений. В ИТ это занимает немало времени, что и делает ресурс действительно ценным и дорогим.

У каждого подразделения компании есть собственные бизнес-цели и KPI, и между департаментами происходят «продуктивные конфликты», когда, например, для одной и той же промоакции ставятся конкурирующие цели: для маркетинга — увеличение оборота, а для коммерческой дирекции — удержание маржи. На этом «конфликте» рождаются наилучшие и самые ценные решения. В области ИТ каждое бизнес-подразделение тоже стремится к своим целям, при этом обращаясь к одним и тем же ресурсам. Поэтому важно найти и соблюсти баланс интересов и выработать прозрачный подход, который позволит понимать, почему ИТ-департамент сейчас выполняет именно эту задачу, а не другую.

Только в центральном офисе объединенной компании (бренды «М.Видео» и «Эльдорадо») сейчас работают около 1,5 тыс. человек. Почти у каждого есть свои цели, и все обращаются к одному ресурсу. Эту проблему мы и постарались решить.

Сначала продуктовое управление просчитывает, какую ценность задача несет для компании, какая цель ставится и есть ли иное эффективное решение. Потому что иногда сотрудники приходят с конкретным требованием вроде «хочу красную кнопку в левом верхнем углу сайта», но не могут точно сказать, какой бизнес-эффект это принесет. Продуктовый офис, понимая конечную цель, предлагает более эффективное и менее ресурсоемкое решение. Мы взвешиваем задачу, изучаем, какой у нее бизнес-кейс и насколько она сложна в разработке. На основе консолидированной оценки принимается решение о том, что делать в первую очередь. Только потом задача уходит в ИТ-департамент.

- Означает ли конкуренция за ИТ-ресурс, что компания перешла на новый уровень цифровой трансформации, что выросла креативность бизнес-подразделений? Или это что-то другое?

Здесь несколько факторов. Во-первых, у нас действительно работают активные и творческие люди, которые хотят максимально улучшить опыт взаимодействия наших клиентов с компанией. Им не все равно. Таких людей у нас много. Второй фактор — правильно выстроенные цели и модели целеполагания в компании. Сегодня нельзя дать новый опыт клиентам, быть конкурентным, не привлекая ИТ, без этой ключевой функции невозможно даже осуществлять продажи.

Еще одна причина — высокая интегрированность бизнес-процессов внутри компании. Чем крупнее и старше компания, тем более сложные и интегрированные процессы в ней возникают. На стыке нескольких функций рождаются новые роли и направления, как это было в свое время с «продуктологами» (Product Owner) и руководителями по цифровой трансформации (Chiеf Digital Officer, CDO). Уже понятно, что нельзя управлять в вакууме просто маркетингом, логистикой или ИТ, новые сложные интегрированные процессы требуют иного подхода.

Компания растет, процессы усложняются, вызывая перестройку в ИТ и… борьбу за ресурсы.

Мы, 20 «больших начальников», собирались в одной комнате и пытались понять, какие задачи надо решить в первую очередь. Могли три часа сидеть, но в результате решения принимались по принципу, у кого больше напор: кто громче кричит, сильнее стучит кулаком по столу или называет имена руководителей более высокого ранга. В какой-то момент стало понятно, что дальше так продолжаться не может. Представляете, сколько денег теряет компания, когда весь топ-менеджмент часами сидит в одной комнате, вместо того чтобы решать глобальные задачи?

Поэтому важно было найти понятные принципы приоритизации и договориться, чтобы они были для всех прозрачны. Это была совместная командная работа ИТ, бизнеса и проектного офиса. За основу мы взяли модель Weighted Shortest Job First (WSJF) и принцип вычисляемых значений работ, когда в приоритете оказывается задача, приносящая максимальную ценность компании и при этом стоящая меньше всего в реализации. Иными словами, если выбирать между одной задачей с возможным получением прибыли 10 руб. и двумя задачами с прибылью по 5 руб., но которые можно решить быстрее, надо брать в реализацию последние. Поскольку следует учитывать не только затраченное время и возможный доход, который компания потенциально могла бы получить, но и «упущенную выгоду», то есть ту выгоду, которую компания не получит, если задача не будет внедрена уже сейчас. Мы не просто взяли этот принцип, а разработали собственную методологию, позволяющую оптимально принимать решения именно в нашей компании. Модель послужила фундаментом, который мы потом нарастили с учетом внутренних особенностей компании.

- Аgile-подход предполагает, что ресурсы, необходимые для создания продукта, стягиваются в команды на нужный срок. Помогает ли это сгладить остроту конкуренции за ИТ или усугубляет проблему?

У нас есть ключевые направления, которые развиваются всегда, — например, электронная коммерция, мобильность. Эти команды работают по Agile постоянно. Кроме того, в прошлом году мы запустили пилот: временно собрали под определенные направления бизнеса кросс-функциональне команды, названные Value Stream, которые в дальнейшем могут стать постоянными. Тем самым мы попытались сгладить конкуренцию, потому что продуктовые комитеты и скоринговая модель позволяют сделать процесс прозрачнее, хотя и не решают всех проблем. И это помогло снизить остроту проблемы, так как Value Stream — выделенные команды и за ресурсы не конкурируют другие функциональные бизнес-подразделения. В текущем году эксперимент расширили: теперь у нас две кросс-функциональные команды. Но мы планируем выделять специальные команды только на те области, где необходимо сфокусироваться на данный момент.

- Как влияет конкуренция за ИТ-ресурсы на процессы управления ИТ — ITSM?

Между бизнесом и ИТ, между продуктологами и ИТ-менеджментом вопросы, кто за что отвечает и кто чем управляет, стоят очень остро. Мы договариваемся, кто чем занимается, и параллельно эти правила описываем. Стараемся работать итерационно, не стали писать сразу множество регламентов, а пробуем, смотрим, какие возникают проблемы, и фиксируем решения в договоренностях. Это эволюционный путь. Думаю, он никогда не закончится, так как все время появляются новые вводные и новые вопросы. Для нас главное — не застревать в «высеченных в камне» регламентах. Мы не делаем процессы под регламенты, а выстраиваем регламенты под процессы. Если процесс меняется и ясно, что так будет эффективнее, то меняем регламент. То есть «пляшем» от эффективности взаимодействия.

При слиянии двух брендов это взаимодействие довольно сложное, мы постепенно учимся работать друг с другом и потихоньку идем к тому, чтобы стать agile-компанией. Но даже на уровне ИТ не все команды работают по гибкой методике, у нас смешанная модель. Часть команд работает по классической «водопадной» модели, а по agile запускаются новые проекты.

В этом году нам исполняется 25 лет. Я вижу, что более молодые компании сразу запускаются по гибким методикам и уже не представляют, как можно работать иначе. Но большим компаниям приходится сильно трансформироваться, и одномоментно это сделать невозможно.

- В чем изюминка вашего подхода к приоритизации задач?

Мы определили для себя модель, которая нам нравится, и постоянно ее улучшаем. Как любая модель, она имеет свои плюсы и минусы, и мы все время настроены на ее изменение. Это важно — быть готовым к изменениям.

Модель основана на бизнес-кейсах и математике, однако бывают такие задачи, ценность которых трудно посчитать, хотя интуиция подсказывает, что их надо решать. Например, «счастье» клиента — это абстракция, хотя, конечно, понятно, что «счастливый» клиент будет чаще у нас покупать. Изюминка в том, что, когда задача презентуется, мы проводим голосование, в нем участвуют представители каждой дирекции. Сочетание фактических данных и мнений экспертов дает прекрасную синергию: все учтено, прозрачно, люди понимают, на основе чего они принимают решения, и это очень здорово работает.

- Каких результатов вы добились с помощью этого подхода?

Компания совершенно точно сэкономила немало денег, так как топ-менеджеры перестали тратить много времени на встречи и «драться» за ресурсы, доказывая, почему та или иная задача важнее. Сейчас есть понятный бизнес-ритм проведения продуктовых комитетов, ясно, к какому моменту задача должна быть подготовлена. Это 100-процентная прозрачность и время, освободившееся для прямых дел. Плюс повысилась наша зрелость, мы стали считать бизнес-кейсы по задачам, валидировать и отслеживать результаты их выполнения. Все это — благодаря скоринговой модели.

- О чем вы расскажете участникам конференции и о чем вам было бы интересно услышать?

В своем выступлении я поделюсь конкретной практикой, которую можно применить, расскажу, что и как мы сделали и во что это вылилось в итоге. Люди, которые придут на конференцию и послушают мой доклад, уйдут по сути с готовой моделью, которую можно принести в свою компанию, адаптировать под себя и применять к конкретным кейсам.

А мне лично интересно, как устроен портфель продуктов в других компаниях и как компания определяла для себя, что есть продукт. Общего понимания этого понятия пока нет.

Мнения об Agile до сих пор разнятся: одни считают эти методики «серебряной пулей», другие же заявляют о полной их бесполезности. В рамках конференции «Ночь на Ивана Купалу», организованной клубом ИТ-директоров «я-ИТ-ы», Михаил Кудашев, руководитель компании «Реалайз» (выделившееся ИТ-подразделение производителя ювелирных изделий SOKOLOV), рассказал о своем опыте использования гибких методик. Он полагает, что каждая команда должна идти своим путем — эффективный Agile у каждого свой и зависит от мировоззрения человека. В штате «Реалайз» 80 сотрудников, объединенных в семь команд: шесть команд работают по Scrum и одна — по Kanban. Кудашев рассказал о становлении в компании гибких методик, поиске взаимопонимания с бизнесом и пользе открытых зарплат.

— Зачем потребовался переход к Agile, какие были проблемы?

Проблем было несколько. Мы работаем с компаниями, которые производят и продают ювелирные изделия SOKOLOV, сейчас выделились в отдельную ИТ-компанию и пробуем автоматизировать все направления: производственный блок, оптовую дистрибуцию, партнерские продажи, маркетинг и трейд-маркетинг — получается несколько крупных областей.

Источник: sokolov.ru/sokolov-life/production/

В какой-то момент мы поняли, что нам не хватает сплоченности. Компания быстро разрасталась. Когда мы оценили свое состояние по кривой Адизеса (рождение — юность — расцвет — стабильность — бюрократия — смерть), то увидели, что многие наши процессы сильно забюрократизированы. Последствия очевидны: штат растет, не очень понятно, кто чем занимается. Мы постарались до бизнеса донести идею о том, что Agile — объединение бизнеса с ИТ в команды и их разделение по разным областям — поможет компании оздоровиться и вернуть былую скорость.

Найти правильный ориентир нам очень помог визит в Сбербанк. Мы посетили их Agile Home, посмотрели на него своими глазами. И хотя нас не везде пустили, многое нам действительно понравилось. И тогда было принято решение идти тем же путем.

Роль Сбербанка в этой истории действительно велика. В 2015 году я начал говорить о необходимости перемен, но меня не слышали. И вот годом позже, когда Герман Греф дважды громко произнес слово Agile, ситуация изменилась. В 2017 году мы уже запустили первый пилот. Наша команда по автоматизации производственных процессов работает уже больше года, остальные появились чуть позже. То, что Греф на широкой публике употребил слово Agile, не только вывело его из разряда чуть ли не ругательных, но и повлияло на восприятие этих идей бизнесом.

Раньше на все рассказы о преимуществах гибких методик бизнес отвечал что-то вроде: сделай нам CRM и живи сам по Agile. Однако со временем люди поняли, что дело не в системе, которая им нужна, а в подходе — тесном взаимодействии и коммуникациях между ИТ и бизнесом, в изменении мышления. Многое должно измениться: всегда должна быть обратная связь, не должны замалчиваться проблемы. Собрать кросс-функциональную команду тоже непросто, учитывая то, что мы находимся в регионе.

— Вероятно, на практике все оказалось сложнее.

Старт проекта внутри ИТ был сделан «по книжкам». Мы наступали на грабли в течение полугода, внедряя различные гибкие механики — стендапы, планерки и т. п., и наконец поняли, что самостоятельно нам это не осилить. Пришлось привлекать консультантов ScrumTrek. Они согласились провести у нас аудит и предложили пилот по запуску. После бесед с бизнес-руководителями, плотного общения с ИТ-специалистами, а также оценки того, что уже было сделано, они указали направления, которые стоит подтянуть.

Мы собрались вместе с первыми лицами компании и попытались выстроить карту создания ценности всего цикла разработки. Просидели полдня, жутко переругались, толком ничего не добились. Тем не менее это взаимодействие показалось руководству перспективным и позволило принять решение о реализации пилотного проекта.

В качестве пилотного направления выступил производственный блок. В течение трех дней для ключевых заказчиков разработок была организована сессия с отрывом от основной деятельности. В ее ходе была проведена просветительская работа: теория, а также игры, позволяющие участникам понять, почему сложно делать прогнозные оценки, почему не работают технические задания, почему заказчик никогда не знает, чего он хочет. Попробовали разработать видение продукта — нашей внутренней ERP, пытались расставить по приоритетам огромный список накопившихся задач. Мы объясняли людям, почему часто приходится говорить «нет», зачем нужны приоритеты, как определять ценность для бизнеса.

Поскольку у нас появились все необходимые инструменты, уже буквально на следующий день стартовала новая Agile-команда, на сегодняшний день она отработала 40 двухнедельных спринтов. Это до сих пор одна из лучших наших команд.

Мы поняли, что пилот «выстрелил», стали выделять другие области и формировать команды для них. Так, следом возникла команда автоматизации продаж, обслуживающая процессы от поступления готовой продукции на склад до отгрузки оптовому партнеру. Другая команда обслуживает обучающий портал для продавцов. Команды также сформированы для маркетинга, интернет-продаж, поддержки B2B-каталога и личного кабинета партнеров.

Позже выделилась сервисная команда, которая работает чисто по Kanban. Она охватывает все вспомогательные подразделения: общепит, автосервис, строительство, управление персоналом.

— Очень часто идеи в процессе реализации трансформируются. Насколько сильно отличалась первая идея от того, что в итоге было внедрено?

Не скажу, чтобы отличалась сильно. Все-таки, когда берется тот или иной фреймворк (например, Scrum), у него есть обязательные процессы. Однако он не ограничивает вас в дополнительных. У нас даже есть команды, которые по-разному ведут оценку: кто-то работает в пользовательских историях, кто-то дробит их на технические составляющие. В командах разные скрам-мастера, и они организуют работу по-разному. Причесать всех под одну гребенку не получается, да это и не нужно. Некоторые наиболее важные ИТ-показатели мы стараемся транслировать на все команды (например, время вывода продукта на рынок), а бизнес-метрики везде свои в зависимости от обслуживаемого направления. Очень многое зависит и от владельца продукта. Кстати, их поиск и воспитание — отдельная история.

— Эти различия в работе — вынужденная мера или осознанный шаг?

Вы же знаете: строительные инструменты стандартные, а вот то, что сделано с их помощью, может быть очень разным — всё зависит от того, в чьи руки эти инструменты попадают.

Команды включают от 5 до 10 человек. Это живые люди, они неодинаковые. Мы не можем всех заставить ходить строем. Есть особенности и в людях, и в продуктах, и в аудитории, на которую мы работаем.

— Как изначально воспринимался проект внутри ИТ и как он воспринимался бизнесом? Ведь любые изменения порождают сопротивление…

В ИТ он был принят «на ура», и еще на стадии пилота мы постарались зацепиться за людей, близких нам по духу. Проект на производстве показал, что используемые практики вполне жизнеспособны, а дальше все зависит от людей. Не все команды выжили — были и такие, которые приходилось расформировывать и переформировывать. И мы, естественно, натыкались на сопротивление со стороны бизнеса. Учим, объясняем, проводим внутренние тренинги, показываем достигнутые результаты — доказываем, что это работает. Таким образом, обращаем все больше людей в нашу веру. Инициативные, небезразличные люди начинают активно участвовать в нашей жизни, вливаются в ряды самых близких заказчиков.

Надо не подавлять сопротивление, а демонстрировать успешность продвигаемого подхода.

— Что требовалось изменить, где были самые серьезные барьеры?

Первоначально ИТ-команда была территориально оторвана от бизнеса, поэтому требовалось всех людей собрать в одном месте и обеспечить их непрерывное взаимодействие. Распределенная команда — не наша история, в такой команде очень сложно выстроить взаимодействие. Мы были ограничены в площадях. Пришлось переехать, разделиться на команды, посадив ИТ-специалистов вместе с теми бизнес-пользователями, с которыми необходимо непосредственное взаимодействие. Так убирается множество проволочек, писем, совещаний.

Вторая сложность — поиск владельцев продукта. Даже когда удавалось найти грамотного человека, требовалось освободить его от всех остальных задач и сделать так, чтобы он именно «владел продуктом», чтобы 80% своего времени он мог посвятить разбору задач, общению с заинтересованными лицами, осознанию потребностей бизнес-заказчиков и переводу языка бизнеса в понятные программистам термины.

Следующая сложность — максимальное вовлечение заинтересованных лиц. У людей свои графики, многим совершенно неинтересно посещать раз в две недели собрания и смотреть, что для них сделали. Из-за этого команда не получает своевременную обратную связь, не знает о проблемах, которые можно устранить на ранней стадии. Мы чуть ли не насильно приводили людей на такие собрания, уверяя, что это нужно в первую очередь им. И постепенно они вовлекались.

Наконец, большая проблема — внешние бюрократические проволочки. Если в команде есть кросс-функциональные специалисты и мы наделяем их достаточной властью, чтобы они самостоятельно принимали решения, то весь «остальной мир», который работает не так быстро, становится большой помехой.

— Как Agile стыкуется с другими популярными подходами — гибким графиком и удаленной работой? Складывается впечатление, что это противонаправленные тенденции.

Не всегда людей можно физически усадить в один офис. Однако именно от их совместной работы получается максимальная отдача. Если люди распределены, то нельзя сказать, что Agile неприменим вовсе. У меня есть удаленные сотрудники, находящиеся в разных странах. В этом случае как минимум необходим ежедневный стендап по видеосвязи, к которому подключаются все удаленные сотрудники. У нас на стенах висят скрам- и канбан-доски в аналоговом исполнении, а для удаленных специалистов приходится использовать систему управления, позволяющую всем видеть, что происходит с задачами. Это может быть Jira или Trello. Мы, например, используем Kaiten.

Кроме того, удаленных сотрудников все равно иногда приходится собирать вместе. У нас есть ежеквартальное мероприятие под названием «Большая кросс-командная ретроспектива». В его ходе мы смотрим на кросс-командные задачи, формулируем договоренности и даем обещания на последующие шесть спринтов. Кроме того, мы собираемся вместе, чтобы управлять своими проблемами. Наконец, такие встречи приносят удовольствие и повышают командный дух — мы общаемся, понимаем, что работаем на общую цель.

— Agile требует высочайшего профессионализма сотрудников, их мотивированности и ориентированности на результат. Где взять столько героев и что делать с остальными сотрудниками?

Учить. Мы столкнулись с проблемой мотивации и решили сделать информацию о зарплате сотрудников открытой для всех. Выяснилось, что эти зарплаты не всегда справедливы.

Мы посмотрели на модель Spotify и адаптировали ее для наших целей, назвав «чаптеры» гильдиями и введя в них разряды («грейды»). Сейчас у нас четыре гильдии: разработка фронт-энд, PHP-разработка, 1С-разработка и тестирование. В каждом блоке до 14 разрядов, от которых, в числе прочего, зависит зарплата. На каждом из них необходимо владеть определенными навыками, и не только техническими. Начиная с определенного разряда, играют роль и личные качества (soft skills): насколько человек помогает другим командам, сколько занятий проводит.

Внутри гильдий проводится обучение, благодаря чему подтягивается уровень недавно пришедших сотрудников. Мы принимаем много молодых сотрудников практически с нулевым профильным образованием, предлагая базовый оклад и давая возможность за несколько месяцев схватить азы в ИТ. Если он «взлетает», то становится членом команды.

— Чего реально удалось достичь, каковы результаты?

Результаты есть, но перевести их в цифровые показатели довольно сложно. Два главных показателя — сокращение времени выполнения задач (lead time) и сокращение времени вывода продукции на рынок (time to market). Это очень важно, поскольку раньше у нас задачи могли находиться в очереди и по 500 дней. Еще один значимый показатель — производительность. У каждой команды он свой, но мы смотрим, растет он или нет. Наконец, есть бизнес-метрики, привязанные к каждой команде, — выручка, количество пользователей, количество заказов, конверсия.

Мы видим, что у наших сотрудников хороший уровень владения декомпозицией. Если раньше команда выполняла отдельные задания за 9–12 дней, то сейчас этот срок сократился до 3–4 дней. Задача каждого спринта — отдать заказчику «подарочек», тот функционал, с которым можно работать. Таким образом мы смотрим, эффективна команда или нет.

— В целом ожидания оправдались?

Да, оправдались, хотя большой объем работы еще предстоит проделать. Не все направления запущены — мы собираем новичков, кого-то выделяем из других команд и формируем новые продуктовые команды. Таким образом мы масштабируемся.

Не разнятся ли оценки такой «аджайлизации» со стороны ИТ и бизнеса? Подобные ситуации нередки…

Абсолютно верно. Вы же знаете: можно показать, что компания одновременно и рентабельна, и убыточна — все зависит от личности аналитика. Здесь имеют значение субъективные впечатления: доволен ли бизнес произошедшими изменениями или нет. Если бизнес недоволен, значит, зря все это затеяли или что-то идет не так. Если бизнес доволен, надо искать пути дальнейших улучшений. К счастью, в нашем случае бизнес доволен.

— Были ли неожиданные результаты, на которые не рассчитывали изначально?

Были примеры неожиданного роста людей. Например, один из рядовых сотрудников очень быстро стал сначала скрам-мастером, а затем через полгода — владельцем продукта. Будучи очень грамотным аналитически, он боялся общаться с людьми. Преодолев боязнь общения с бизнесом, он сделал скачок вверх.

Однако случалось и так, что нам приходилось расформировывать команды. Основная причина заключалась в том, что показатели эффективности руководителей бизнеса шли вразрез с тем, что делала команда. Возможно, в этом была моя вина как руководителя. Когда проблема обнаружилась, было уже поздно: производительность упала, а на ретроспективе выяснилось, что народ «убит».

— Каким вам видится будущее?

Будем масштабироваться и расширяться в теме Agile, у нас есть еще непокрытые с этой точки зрения области. Сейчас мы всерьез занялись обучением своих сотрудников. Кроме того, у нас имеются собственные проекты, которые мы пытаемся продвигать.

Не так уж много компаний создали ключевую для своей деятельности ИТ-инфраструктуру и перевозят ее 21 раз в году в различные места. Именно такова жизнь команды «Формулы-1», которую само руководство сравнивает с бродячим цирком. При этом важно обеспечить бесперебойный доступ всех участников команды к данным, имеющим крайне важное значение для успеха и достигающим впечатляющих объемов.

Чем больше команда полагается на технологии, тем сильнее зависит именно от партнеров, а не от простых поставщиков. Используя продукты следующего поколения, можно надеяться, что удастся превзойти остальных, - Зои Чилтон, глава по техническим партнерствам Aston Martin Red Bull Racing

Aston Martin Red Bull Racing уже 14 сезонов участвует в гонках. Команда постоянно меняется, и это означает огромные технологические вызовы: приходится постоянно изучать новые технологии, оценивать новые поколения решений, сервисов, приложений. И в первую очередь требуется гибкость во всех ее проявлениях.

Для 800 сотрудников, составляющих команду, это не работа, а образ жизни. Благодаря именно такому подходу удалось, войдя в этот спорт относительно недавно, потеснить признанных игроков.

«Часто приходится слышать вопрос: что производитель напитков делает в автогонках? В ответ скажу, что это было интересно — войти в спорт, который всегда считался закрытым и элитарным. Мы хотели отличаться от других, нам важно быть инновационными и с точки зрения маркетинга, и с точки зрения эффективности бизнеса», — говорит Зои Чилтон, глава по техническим партнерствам Aston Martin Red Bull Racing.

Когда в 2010 году команда впервые стала победителем Кубка конструкторов, все были удивлены. Однако четыре триумфальных года подряд показали, что успех не случаен.

Командная работа

«Мы хотим сделать мир «Формулы-1» увлекательнее, показать, что это намного больше, чем просто гонки. Например, на Гран-при Мексики в прошлом году мы раскрасили пилотов в традициях Halloween и поддерживаем участие наших «боевых» болидов в любых мероприятиях вне трассы. Однако, как и в любом другом бизнесе, у нас есть результаты и показатели эффективности — это наша основная цель», — подчеркивает Чилтон. Конечно, важнейшим показателем является количество очков, которые набирает команда. Фактически он показывает, сколько денег потребуется на цели НИОКР в следующем году.

Надо понимать, что победа в Кубке конструкторов — это не заслуга отдельно взятых пилотов, а успех целой команды. Все ее участники должны слаженно работать. Дело в том, что пилоты далеко не самостоятельны в поведении на трассе, они должны следовать разработанной и утвержденной стратегии гонки. Тем не менее нужно признать, что двое пилотов Aston Martin Red Bull Racing — Макс Ферстаппен и Даниэль Риккардо — проделали очень успешную работу за последние несколько лет, они замечательно дополняют друг друга, ладят вне трассы, что создает хорошую атмосферу в коллективе. В последние несколько сезонов, несмотря на очень серьезные изменения в регламенте, результаты команды на трассе оставались весьма убедительными.

«Пилоты по сути являются двумя клиентами, для которых создается изделие — гоночная машина. И на этих двух клиентов работает команда из 800 самых разных специалистов, которые должны действовать как единый организм. Командная работа для нас очень важна, и для этого нужно обеспечить взаимодействие всех специалистов», — говорит Чилтон.

Некоторые ключевые сотрудники команды, включая многих инженеров-строителей, задействованы во всех гонках без исключения, а это 21 гонка в год. Они отсутствуют на заводе практически половину рабочего времени, и поэтому необходимо обеспечить для всех них возможность выполнения текущих задач удаленно и гарантировать высокое качество ИТ-сервисов. Выходом стало использование технологий виртуализации. Уже десять лет команда работает с решениями Citrix. Более того, в прошлом году Citrix стала ее официальным партнером по инновациям. Конечно, эпоха стационарных больших рабочих станций на базе Windows и Linux давно прошла. Тем не менее на то, чтобы оценить предложения поставщиков и навсегда отказаться от мощных компьютеров под столами, понадобилось определенное время.

«Со многими компаниями мы работали не один год, прежде чем установили с ними партнерские отношения. Чем больше команда полагается на технологии, тем сильнее зависит именно от партнеров, а не от простых поставщиков. Если вы покупаете то же, что и все остальные, то и производите то, что производят другие. Используя же продукты следующего поколения, можно надеяться, что вы сможете превзойти остальных», — уверена Чилтон. Подобное партнерство организовано также с Siemens (в компании используется САПР MX, а также PLM-система Team Centre) и Ansys — поставщиком решений в области гидрогазодинамики. Очень плотная работа ведется и с другими вендорами, входящими в экосистему команды, — Dassault Systemes, IBM, SAP и др.

Пилоты по сути являются двумя клиентами, для которых создается изделие — гоночная машина. На этих двух клиентов работает команда из 800 самых разных специалистов, и все они должны действовать как единый организм.

Тесные партнерские отношения открывают возможность воплотить в жизнь некоторые довольно радикальные сценарии использования продуктов, которые выгодны как заказчикам, так и разработчикам. Например, во время движения болида по трассе возникают предельные рабочие нагрузки, в будущем находящие отражение в расширении функциональных возможностей продуктов.

«Мы держим друзей поближе и подвергаем их решения испытаниям с очень большими нагрузками, иногда просто с ужасными. Наши инженеры очень хорошо умеют «ломать» системы, проверяя их на прочность, им это по-настоящему нравится», — признает Чилтон. Такова специфика гоночной команды — бросать вызов ограничениям, испытывать новое, работать на грани возможного.

Два ЦОДа и маленький контейнер

Для понимания общего положения дел следует учесть и весьма непростые логистические реалии. По Европе путешествовать относительно несложно, больше трудностей возникает, когда происходят выезды в Россию, США и Бразилию, азиатские страны, Австралию. На каждую гонку нужно перевозить около 45 тонн оборудования, и здесь вполне уместно сравнение с бродячим цирком. А еще добавляются 60 человек обслуживающего персонала, это инженеры, механики, специалисты, техники — все, от кого зависит состояние и динамика болида, и еще несколько человек из менеджмента. В каждой локации важно наличие сетевого подключения, поэтому команда сотрудничает с компанией AT&T, которая способна обеспечить точку выхода в сеть на каждой гонке.

Aston Martin Red Bull Racing владеет двумя большими ЦОДами, в них «крутится» примерно 6 Пбайт данных. Эти центры расположены в Великобритании, где и работают большинство специалистов команды. Передвижной ЦОД намного меньше, он построен на базе гиперконверконвергентной платформы HPE SimpliVity.

«Нам приходится использовать мобильный ЦОД в довольно неблагоприятных условиях: мы включаем, выключаем и перевозим его каждый уик-энд, поэтому пришлось сделать его очень надежным и прочным. Мы не можем позволить постоянное присутствие на трассе ИТ-специалиста, а значит, после включения ЦОД должен гарантированно работать!» — говорит Чилтон. По регламенту, численность каждой команды на трассе ограничена 60 специалистами. Постоянное присутствие выделенного «айтишника» означает потерю инженера по эксплуатации, механика или другого эксперта, который может принести реальную пользу во время гонки.

30 тысяч изменений в год

Крайне примечательный момент, влияющий на роль анализа данных в успехе команды, — разнообразие трасс, на которых проходят гонки. Трассы не похожи друг на друга, у каждой свои особенности и характеристики: форма, высота над уровнем моря, окружающая температура, — и все это приходится учитывать. Поэтому с точки зрения бизнеса задача состоит не просто в том, чтобы построить два болида, но еще и в том, чтобы приспособить их для каждой конкретной трассы. То есть машины перестраиваются 21 раз в год.

Например, в Базеле весьма скоростная и сложная трасса с длинными кругами, на ней довольно сильно изнашиваются шины, так что приходится многое продумывать в конструкции болида, адаптировать его аэродинамику к скоростным участкам трассы и находить золотую середину между скоростью на прямых участках и прижимной силой. В итальянском Монце, наоборот, всего шесть поворотов и на 90% круга можно давать полный газ, насколько хватит смелости. В этом случае нет нужды искать сложные компромиссы.

«В общем, нам приходится продумывать изменения для каждой трассы. Это доставляет много проблем заводу, потому что необходимо модернизировать и изготавливать детали к следующей гонке, и перед нами постоянно встает вопрос изучения и создания новой машины в кратчайшие сроки», — констатирует Чилтон.

Вдобавок на всех участников «Формулы-1» давят регламенты, они влияют на процесс разработки. В каждом сезоне правила могут очень сильно различаться. Так, в 2017 году вступили в силу изменения аэродинамического регламента для болидов, изменились формы самих болидов и шин, которые использовались на протяжении десятилетия. Модернизировался ряд фундаментальных принципов построения и проектирования болида, в целом машины стали гораздо крупнее. Пришлось проектировать новые станки для механического цеха, так как имевшиеся не годились для изготовления более прочных и объемных деталей.

«У нас было всего шесть месяцев с момента утверждения регламента на то, чтобы создать новую машину и выпустить ее на трассу. Мы приступили к созданию болида фактически с нуля, затем пришлось пройти процессы проверки, строительства, внутренних испытаний в лаборатории. Постарались выполнить как можно больше испытаний в виртуальной среде, прежде чем приступить к физическим испытаниям: это быстрее и дешевле», — говорит Чилтон.

Каждый раз, когда проводится замена детали болида по окончании ее срока службы, ее заменяют не аналогом, а чем-то лучшим — новая должна быть эффективнее или легче, надежнее. Требуется постоянное совершенствование.

Выходит, что каждый сезон команде приходится начинать почти с нуля: благодаря собранным данным всегда удается узнать что-то новое, меняющее подходы к построению болида. При этом после создания машины остается всего восемь дней до начала сезона на ее испытания, за это время приходится собирать как можно больше данных, в первую очередь аэродинамических. Процесс проверки конструкции должен проходить невероятно быстро.

Помимо восьми дней перед сезоном, у команды есть еще три часа практики в каждый гоночный уик-энд, и в принципе этим ограничивается все время на сбор данных.

«Каждый раз, когда колеса болида касаются покрытия трассы, мы изучаем его, собираем данные, получаем важные сведения, которые отправляем на завод для включения в процесс проектирования», — отмечает Чилтон. За сезон — с первого прохода до конца года — в болид вносится около 30 тыс. изменений. Это составляет более 1 тыс. проектных решений каждую неделю, и сюда не относится разработка нового болида на следующий сезон.

Обеспечить данными

Одной из проблем на пути решения ключевых задач команды являются очень большие объемы графических данных. Сотни пользователей работают в САПР, осуществляя трехмерное моделирование деталей с очень большим объемом графических операций. Группа компьютерного моделирования накладывает на болиды очень сложные сетки, а затем получает на их основе видео очень высокого разрешения — зачастую это файлы объемом в несколько терабайтов. Оценка динамики автомобилей также сопряжена с очень большими требованиями... Как обеспечить пользователю бесперебойный обмен данными вне зависимости от его местонахождения и избежать при этом покупки мощнейших рабочих станций?

Другое узкое место — сбор больших данных на трассе: собирая показания датчиков болида, команда получает каждый уик-энд около 400 Гбайт. Нужно обрабатывать их быстро, анализировать и принимать стратегические решения в реальном времени. Критическое значение приобретает время реакции. Несмотря на наличие скоростного сетевого соединения, иногда приходится часть обработки делать на трассе, вместо того чтобы отправлять все данные в Великобританию и дожидаться их доставки в штаб-квартиру и результатов анализа. Приходится создавать распределенную инфраструктуру и обеспечивать ее надежность и связность.

Транспортировка инфраструктуры обходится крайне дорого, именно поэтому вынужденным компромиссом становится наличие небольшого мобильного ЦОДа и ноутбуков. При этом инженеры должны иметь возможность работать везде — в вестибюлях аэропортов, в гостиницах, где нельзя задействовать Wi-Fi, поскольку это небезопасно. Использование средств виртуализации становится неизбежным.

Некоторые пользователи САПР в конструкторском бюро, возможно, не так много путешествуют, но, благодаря очень мощной виртуальной машине на базе ЦОДа, они могут работать не только со своих рабочих станций, но и из любых мест на заводе. Кроме того, удалось организовать централизованное хранение файлов, значительно повысив производительность, удобство и безопасность. В результате некоторые сотрудники добровольно сдали ноутбуки и рабочие станции со словами «Они нам больше не нужны».

Нил Бейли, руководитель ИТ-подразделения Aston Martin Red Bull Racing, использует решения Citrix для управления значительной частью инфраструктуры. Он имеет доступ к ней со своего телефона.

Когда стратегия решает

Хорошим примером очень динамичного гоночного уик-энда, показавшего, что анализ данных на лету и мгновенная реакция на события приносят результат, стал Гран-при Китая, состоявшийся в апреле нынешнего года. Началось все печально: на третьей практике у Риккардо произошел отказ двигателя. У механиков было чуть больше двух часов, чтобы устранить неисправность: разобрать болид, полностью снять и заменить двигатель и трансмиссию и вернуть машину на трассу до завершения первого квалификационного заезда. С трудом эту задачу удалось решить. Результаты квалификации также были не слишком хорошими — пилоты оказались лишь на пятом и шестом местах.

Командная работа имеет очень важное значение, как и обеспечение взаимодействия всех специалистов

«Мы пытались просчитать, каким образом ведут себя шины у других команд, и выяснили, что имеем преимущество. Поэтому, находясь не на лучших стартовых позициях, решили использовать элемент неожиданности и начать гонку на сверхмягких шинах, которые способны обеспечить лучший старт, с расчетом, что у нас они продержатся достаточно долго», — вспоминает Чилтон. Это нетипичный подход, однако полученные в течение того уик-энда данные показывали, что сверхмягкие шины держатся довольно неплохо. Цель заключалась в том, чтобы безопасно пройти первый круг и в первые минуты постараться обойти нескольких конкурентов. Ферстаппену действительно удалось обойти двух соперников, так что старт гонки удался. Более того, данные оперативного отдела показали, что идущие впереди пилоты испытывали проблемы с шинами. Позднее их радиопереговоры подтвердили то, что благодаря получаемым данным стало очевидным гораздо раньше.

На 18-м круге был совершен двойной пит-стоп — также довольно необычный ход: обычно пилоты заходят на замену резины с разницей хотя бы в круг, чтобы у команды механиков было время восстановиться. Это дало возможность не отстать от обоих идущих впереди болидов, а также не подпустить к себе соперников, идущих позади.

Примерно через 15 кругов, когда подходило время следующего пит-стопа, произошла авария и на трассе появилась машина безопасности. Два шедших впереди болида — Себастьяна Феттеля из Ferrari и Валттери Боттаса из Mercedes — уже прошли заезд на пит-лейн. Еще один рискованный двойной пит-стоп в этот период, когда все соперники едут на минимальной скорости, позволил сэкономить около 15 секунд, возобновить гонку уже на свежих комплектах шин и сразу атаковать остальные болиды. «Это была фантастическая возможность с точки зрения стратегии, и у нас было около шести секунд на принятие решения», — говорит Чилтон.

После того как машина безопасности ушла с трассы, Риккардо провел несколько удачных атак и смог прийти к финишу первым. Ферстаппен оказался лишь на пятом месте из-за двух ошибок при обгонах и полученного 10-секундного штрафа. По мнению экспертов, без допущенных ошибок победителем гонки был бы именно он.

Этот результат был достигнут за счет всестороннего анализа, выполненного в течение того уик-энда, и работы инженеров в Великобритании, предложивших рекомендации и стратегические решения, а также верно предсказавших поведение машин на трассе. Все это было основано на данных и способности команды эффективно их использовать.

Когда команда побеждает в гонке, не думайте, что это лишь заслуга пилота. Учитывайте, что за кулисами сотни человек решали сложнейшие задачи, внося свой вклад в успех.

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

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

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

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

Разработка стратегии AIOps

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

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

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

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

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

Предложения вендоров

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

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

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

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

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

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

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

Что дальше?

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

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

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

«Иногда качество гораздо важнее цены» — примерно так можно описать бизнес-модель Научно-исследовательского и проектного института карбамида (НИИК), занимающегося проектированием и строительством заводов. Именно такой подход помогает получать контракты у зарубежных заказчиков и чувствовать себя уверенно. Однако непрерывно растущие требования рынка к гибкости и качеству услуг заставляют предприятие меняться — все больше становиться ИТ-компанией. В институте не только идет программа трансформации, но и сформирован специальный проектный офис. Иван Смирнов, директор по информационным технологиям НИИК, рассказывает о причинах и следствиях цифровой трансформации в компании и ее влиянии на бизнес.

- Зачем предприятию потребовалась трансформация, почему не жилось по-старому?

Все идет от бизнеса, и правила рынка как раз и диктуют принципиально новые бизнес-процессы. Даже такие организации, как Главгосэкспертиза, уже готовы принимать документацию в электронном виде, и постепенно бумажный документооборот даже в нашей сфере сходит на нет. Все наши документы, знания, данные и работы будут существовать исключительно в цифровом виде, мы полностью откажемся от вороха бумаг.

- Как давно пришли к этому пониманию? Когда программа трансформации была запущена и какие этапы включает?

Иван Смирнов: «С появлением трехмерного проектирования, когда люди одновременно работают над единой цифровой моделью предприятия, они работают совершенно по-другому. Нет бумажной волокиты, отслеживание всех коллизий происходит в реальном времени, все сотрудники, задействованные в проекте, работают без лишней передачи заданий и понимают, что делают».

До сих пор бытует ошибочное мнение, что трансформация началась еще в 90-е годы, когда кульманы стали заменять на компьютеры и использовать первые программы проектирования. Но тогда ничего кардинально не поменялось и все бизнес-процессы остались прежними. Лет восемь назад, когда мы начали создавать промышленный комплекс АМК в Менделеевске, впервые встал вопрос о том, что надо меняться. Вопрос был не только в том, что документация должна выпускаться «в цифре», но и в явных пережитках прошлого, мешающих работе, — «амбарных книгах» при согласовании и выдаче заданий, когда происходили потери документов, оригиналов с синими подписями. Пришли к выводу, что с этим надо что-то делать, искать программные решения, уходить от той заскорузлости, которая шла за нами на протяжении 66 лет существования предприятия.

Мы — одно из первых российских предприятий, занимающееся проектированием, строительством и поставкой заводов под ключ. Это довольно сложный и трудоемкий процесс. До сих пор мы растем и продолжаем меняться. Постепенно приходим к тому, что нужно избавляться от ручного управления, что нужны новые системы.

Как таковая программа трансформации предприятия появилась около четырех лет назад, и мы уже точно представляем, куда движемся. Первая ее стадия — система инженерного документооборота, и это главное, над чем сейчас продолжаем работу. Далее идут система ERP, система договорного документооборота, планирование (оно уже внедрено), трехмерное проектирование — довольно большой пласт работ.

- То есть появление программы трансформации не было связано с бумом на рынке, когда все стали говорить про цифровизацию?

Надо сказать, что у нас это произошло с опережением рынка на год-два. Когда у многих начались активные разговоры, у нас уже шла работа. Когда только начались разговоры о публичных и частных облаках, мы уже использовали облачные сервисы. У нас получается несколько опережать тренды, озвучиваемые на конференциях.

- С чем это связано? В организации есть евангелисты с видением будущего?

Во-первых, нам приходится довольно много взаимодействовать с иностранными лицензиарами — европейскими и японскими компаниями. Видя, как работают коллеги за рубежом, мы начинаем понимать собственные недостатки. Очень важно, когда есть пример для подражания. Компания вкладывает много средств в технологии, причем не просто в ИТ, а именно в интеллектуальность работы с информацией.

- Наверняка реализуемые проекты оцениваются. Каких результатов удалось добиться, чем вы можете гордиться?

Первое и главное — система трехмерного проектирования. Это действительно очень проблемный момент, влияющий на скорость и качество работ: когда люди проектируют в 2D, идет постепенное проектирование от генплана и выше. Трехмерное же проектирование позволяет всем смежным отделам вести работу одновременно. Мы применяем весьма дорогостоящую систему Aveva — практически полное вертикальное решение, используемое всеми службами проектирования. Когда все службы имеют дело с единой базой и происходит сквозное проектирование, работа становится гораздо качественнее. А для нас качество выполнения работ — одно из основных конкурентных преимуществ.

Кроме того, можно упомянуть внедрение системы инженерного документооборота. Здесь важную роль играет уход от «файловых помоек» к нормальному электронному архиву. Это предотвращает потери документов.

- На что это повлияло с точки зрения бизнеса?

Наши позиции на рынке заметно усилились, причем именно благодаря качеству документации. Стали выигрывать больше тендеров, стали иметь возможность поднимать цены за работу. Наши услуги не дешевые, потому что мы предлагаем высочайшее качество. Во многом мы имеем возможность диктовать свои правила.

- Наиболее радикально трансформация проявляется, когда заметно влияет на бизнес, вплоть до изменения бизнес-модели. Что это означает в ваших реалиях?

Основная работа института — проектирование. С появлением трехмерного проектирования, когда люди одновременно работают над единой цифровой моделью предприятия, они работают совершенно по-другому. Нет бумажной волокиты, отслеживание всех коллизий происходит в реальном времени, все сотрудники, задействованные в проекте, работают без лишней передачи заданий и понимают, что делают. Это на самом деле огромное изменение, совершенно новая методология. Сейчас мы разрабатываем правила и регламенты ведения этой новой методологии проектирования. Новая методология сама по себе означает трансформацию компании.

Раньше, чтобы найти ответ на вопрос, почему мы спроектировали именно так, приходилось тратить часы, а теперь достаточно считанных секунд. Возможно, изменения и незаметны извне, но они огромны.

- Выделенная программа трансформации, наличие проектного офиса — очень серьезный подход, который пока используется не везде. Что подвигло к этому?

Проектные офисы у нас вообще повсеместно используются, это стандартный подход. Что касается трансформации, то у нас довольно большая служба ИТ, и я имею право выделять самых лучших и заинтересованных людей в команды, занимающиеся нововведениями. Как показывает практика, именно проектные офисы позволяют наиболее оперативно решать задачи в условиях горизонтального планирования.

- Выделение самых светлых голов под эти проекты не бьет по остальным задачам?

Это не идет в ущерб остальной работе, полностью остальные задачи не снимаются. Но, разумеется, мы договариваемся о компенсации дополнительных усилий.

Иногда происходит замещение новыми кадрами. Например, когда я для внедрения системы инженерного документооборота взял из одной проектной группы лучшего сотрудника, чтобы он 50% своего времени уделял проекту, то компенсировал его студентом. Основные процессы не пострадали, а я приобрёл 50% рабочего времени высококлассного сотрудника, который был и айтишником, и проектировщиком.

- Значимым трендом становится появление в крупных компаниях «цифровых» директоров — CDO. Зачастую это говорит о серьезности подхода. Почему у вас обошлось без этого?

Подозреваю, что мои обязанности во многом совпадают с обязанностями цифровых директоров в тех больших компаниях, имеющих много денег. Мы — полностью частный бизнес, и тратиться на лишнюю должность не считаем возможным. Есть я, и у меня внутри службы ИТ есть ряд помощников, среди которых можно распределить новые роли.

Вопрос правильного распределения ролей действительно важен. Например, ИТ-директору очень сложно совмещать свою роль и руководство службой ИБ. Это действительно должны быть два разных человека, которым придется между собой «воевать». В случае CIO и CDO все не столь очевидно. Мы эти обязанности возложили на одного из начальников отдела и неплохо взаимодействуем, временами меняясь ими. Например, когда мы внедряли ITIL, я был настроен консервативно, а коллега выступал в роли инноватора — CDO.

- Цели трансформации — как быстрые, так и долгосрочные — могут быть различными: повышение эффективности работы, максимально быстрое извлечение прибыли, эффективность коммуникаций, конкурентоспособность, новые бизнес-модели. Что из перечисленного все-таки является наиболее важным для вас?

Эти эффекты невозможно разделять, они связаны между собой. Мы трансформируемся постоянно, и нельзя сказать, что мы были гусеницей, а стали бабочкой. Идет постоянный клубок изменений, трансформаций. Та гибкость, которую приобрела наша компания, позволяет нам работать с такими странами, как Индия, Катар, Иран, и одновременно с Японией и европейскими заказчиками. Как вы знаете, подходы к бизнесу в этих странах кардинально различаются. Сейчас в качестве перспективного рынка рассматривается Латинская Америка. Приходится быть очень гибкими, а это подразумевает постоянную трансформацию.

- Что для вас означает возможность выхода на новые рынки?

Цифровизация дает возможность работы в любом часовом поясе, что для нас очень важно. Мы разрабатываем документацию, и если рабочий день инженера проекта будет на 12 часов отличаться от рабочего дня нашего проектного офиса, то невозможно будет даже провести совещание без системы управления проектными данными, системы документооборота. Именно новые рынки и диктуют потребность в гибкости.

- Типична ситуация, когда изменения поддерживаются на верхнем уровне. Это понятно — без такой поддержки невозможно ничего сделать. Но многие также отмечают либо равнодушие, либо сопротивление на нижнем уровне. Как с этим бороться? Ведь именно от рядовых сотрудников в итоге зависит эффективность работы.

Все годы работы мы не только аккумулируем лучший опыт и экспертизу, но и сталкиваемся с консерватизмом сотрудников. При внедрении новых продуктов людям всегда что-то неудобно. Проблемы были всегда, и они будут только усугубляться, если людей не заставлять учиться.

Подавляющее большинство наших сотрудников — инженеры. В Mitsubishi, например, полагают, что 40% работы инженера — это обучение новому. Мы тоже должны заставлять своих пользователей учиться, в том числе учиться принимать новшества.

Но вендоры и интеграторы обязаны понимать, что их продукты должны быть удобными. Мы постоянно сталкиваемся с тем, что решения, предлагаемые на рынке, в том числе под флагом цифровой трансформации, неудобны и нелогичны. Если вместо одного-двух движений мышью требуется сделать четыре-пять, это сильно отталкивает пользователя от нового. Логика программных продуктов прорабатывается действительно плохо. Отсюда и отторжение: люди загружены сверх меры, и они не склонны осваивать новые системы. Ну а если предлагаемые решения вдобавок еще и неудобные, то сопротивление возрастает многократно.

Бороться можно с использованием административных ресурсов. И могут помочь разработчики. Но вместо этого они выставляют огромные цены за внедрение, консалтинг и обязательную техподдержку. Видя отсутствие альтернатив, компании пытаются диктовать свои правила.

- Важная часть трансформации — изменение корпоративной культуры, которая должна стать цифровой. Возможно ли решить эту проблему или надо просто ждать появления нового поколения сотрудников?

Это поколение уже пришло, «жертвы ЕГЭ» уже стучатся в дверь. Когда на государственном уровне прекратится доминирование бумажных документов, когда мы уйдем от синей подписи, от бумажного паспорта, тогда и произойдет смена культуры. Мы на пути к этому, и когда государственные, бытовые и промышленные сервисы реально перейдут в цифру, все и случится.

Надо радоваться, что портал Главгосэкспертизы для выгрузки документации очень сильно усовершенствовался за прошедший год. В прошлом году нам пришлось загружать 10 тыс. PDF-файлов по одному. Это заняло трое суток. Сейчас они научились принимать документацию пакетно.

- Каким вы видите будущее цифровой трансформации у вас?

Ответ очень прост. Мы начали с 3D-проектирования, внедряем системы управления данными и документацией. В итоге мы хотим получить сквозное «мульти-D»-проектирование и «мульти-D»-строительство завода, когда сможем отследить жизнь любого элемента любой конструкции в любой временной точке. Но это будущее станет таковым, только если программные продукты будут удобными и доступными. А наша компания готова к дальнейшей трансформации.

- Как вы видите свою роль в развитии компании?

Мы понимаем, что уже практически превратились в ИТ-бизнес. Я вижу свою роль в том, чтобы постоянно улучшать качество услуг, предоставляемых нашей компанией. Я — один из механизмов повышения качества этих услуг. Роль ИТ-руководителя уже давно стала очень близка к бизнесу. Технологии все глубже проникают в бизнес; можно сказать, что ИТ поглощают компанию. Это неизбежно по причине того, что все такие нововведения отражаются на заказчиках. Рано или поздно не производственные подразделения будут диктовать свои условия ИТ-отделу, а наоборот.

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

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

Способы машинного обучения

Обучение с учителем (Supervised learning)

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

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

Обучение без учителя (Unsupervised learning)

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

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

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

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

Обучение с частичным привлечением учителя (Semi-Supervised learning)

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

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

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

Обучение с подкреплением (Reinforcement learning)

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

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

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

Глубинное обучение (Deep learning)

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

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

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

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

Методы машинного обучения

Нейронные сети

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

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

Дерево решений

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

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

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

«Случайный лес»

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

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

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

Кластеризация

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

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

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

Поиск ассоциативных правил

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

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

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

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

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

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

General Electric на переднем крае

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

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

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

К тому же клиенты ожидали и дальнейшего снижения цен.

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

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

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

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

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

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

Многообещающая прогнозная диагностика

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

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

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

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

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

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

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

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

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

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

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

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

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

Вопрос точности

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

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

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

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

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

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

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

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

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

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

Искусственный интеллект в Lennox используется и для бухгалтерских задач.

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

Встраивание искусственного интеллекта в процесс проектирования

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

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

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

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

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

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

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

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

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

Главные ограничения искусственного интеллекта: опыт и данные

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

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

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

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

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

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

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

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