Технологии искусственного интеллекта, машинного обучения, Интернета вещей сейчас у всех на слуху. О них много говорят, даже на самом высоком государственном уровне, а их внедрение сулит золотые горы. Но насколько оправданы такие высокие ожидания? Какие тут есть подводные камни? Как их преодолеть на пути к успеху? На что следует обратить внимание в первую очередь?

Ответить на эти вопросы помогают консалтинговые компании, в частности AnalyticsHub, которая была создана при участии компании MERLION и специализируется в области аналитики и управления данными. На сентябрьском форуме MERLION IT Solutions Summit своим опытом поделились Ангелина Гуркина, генеральный директор компании AnalyticsHub, и Игорь Колодкин, директор центра компетенции компании AnalyticsHub.

Для решения каких практических задач бизнеса в наибольшей степени пригодятся технологии искусственного интеллекта, Интернета вещей и аналитики больших данных?

Ангелина Гуркина: Список таких задач обширный. Прежде всего, это оценка эффективности деятельности, моделирование бизнес-процессов, эффективное использование ресурсов, предиктивная аналитика для обеспечения безопасности на транспорте, клиентская аналитика для изучения предпочтений людей и многое другое. Другими словами, это все те области, где требуется решать одну главную и универсальную задачу — поддерживать принятие правильных стратегических и тактических решений на основе данных на уровне как организации, так и отдельного человека.

Сейчас многие говорят, что данные — это новая нефть. Но как их использовать? От аналитики ждут чудес. Но нужно понимать, что это прежде всего работа. От того, насколько четко поставлена задача, зависит, какую технологию следует применять. Спектр технологий огромен, и мы выступаем в роли дирижера, который управляет разными инструментами, чтобы помочь руководству решить определенную задачу.

В каких отраслях все эти основанные на данных технологии сейчас наиболее востребованы?

Игорь Колодкин: Известно, что инновационные технологии сначала врываются в отрасли, связанные с массовым потребителем, который обеспечивает быстрое тиражирование и огромные прибыли их создателям. В нашем случае это ритейл и банки, которые первыми освоили и оценили преимущества клиентской аналитики, сегментации и кластеризации многомиллионной клиентской базы, прогнозирования поведения потребителей, опережающего продвижения им последующих предложений. Кроме того, технологии на базе искусственного интеллекта помогают выявлять мошенничество и создавать виртуальных помощников.

Примеру последовали другие финансовые институты, включая инвестиционные и страховые компании, успешно использующие алгоритмическую торговлю на фондовых рынках, а также государственные органы, осуществляющие интеллектуальный финансовый надзор и регулирование.

Из реального сектора можно выделить электроэнергетику, где многие страны, включая Россию, успешно реализуют программы управления спросом и прогнозирования энергопотребления на основе нейронных сетей, а также транспорт, где уже вовсю используются автомобили, скоростные поезда и самолеты, работающие под надзором продвинутых систем диагностики и обслуживания по техническому состоянию.

А. Г.: Нельзя забывать и о национальном проекте «Цифровая экономика», который дает возможность опробовать передовые технологии, чтобы понять, каким образом граждане могут быть вовлечены в госуправление. Спектр госуслуг постоянно расширяется, но он должен расти не хаотично, а строиться на предпочтениях людей. Для этого используется клиентская аналитика, моделирование и прогнозирование того, что, к примеру, будет, если в конкретном муниципалитете воплотится в жизнь какая-то услуга или решение, и как это сделать.

Фискальные органы также заинтересованы в том, чтобы контрольно-надзорная деятельность была более «умной», а обращения к гражданам — более адресные и эффективные. На мой взгляд, российский госсектор не просто обладает потенциальными возможностями для применения аналитики, но и достаточно сильно продвинулся в этой области.

Какие проблемы затрудняют использование искусственного интеллекта, машинного обучения и больших данных?

А. Г.: Основные проблемы связаны с завышенными ожиданиями руководства компаний от использования этих технологий и недостаточной цифровой культурой в организациях. Кроме того, получение эффекта даже от самых продвинутых и адаптивных технологических решений затрудняет отсутствие внимания к качеству данных, к управлению данными и к аналитике данных.

Очень важна компетенция сотрудников. Наш опыт показывает, что технологии технологиями, но главное — это цифровая культура в организации, которая должна быть тщательно продуманной и реализованной сквозным путем.

Так, еще несколько лет назад профессия Data Scientist, т. е. исследователь данных, была почти неизвестна. А сейчас в организациях все больше говорят о необходимости создавать у себя такие компетенции, чтобы решать аналитические задачи бизнес-подразделений собственными ресурсами. И это не просто эксперименты, есть конкретные примеры.

И. К.: В России уже сформировалось экспертное сообщество Data Scientist. Это люди, которые имеют математическое образование, плотно работают с заказчиками и получают от них индустриальный опыт. Более того, появился тренд Civil Data Scientist, который подразумевает превращение специалистов предприятий в так называемых гражданских исследователей данных. В результате данная профессия становится более массовой, а поскольку эти люди ближе к бизнесу, им проще доносить до руководства преимущества аналитики.

А. Г.: Но есть и проблемы. Руководители и владельцы предприятий уже осознают, что внутренние ресурсы — это ценный актив и они сами могут решить многие задачи. Но этого недостаточно. Еще нужна правильная партнерская схема, компетентное использование стека технологий и сквозная цифровая культура на предприятии. Ведь точечно можно решать многие задачи. Но если на уровне организации нет продуманной стратегии работы с данными, все может ограничиться энтузиазмом отдельных людей или подразделений.

Как обстоят дела с такой стратегией? У многих ли она имеется?

И. К.: Есть продвинутые организации, например, в банковском секторе, в нефтегазе, которые имеют стратегию работы с данными. Но таких меньшинство — порядка 20%. А большинство компаний испытывает недостаток базовых знаний, потому что управление данными — это сложная и специфическая область. Здесь очень важно заложить правильную основу на уровне стратегии. Я имею в виду массовое обучение, ранжированное по группам — для руководителей высшего звена, среднего и вышеупомянутых Civil Data Scientist. Обучение позволит выявить таких гражданских исследователей данных и тем самым решить кадровую проблему. Людям интересно, когда их привлекают к новым технологическим задачам. Для них это карьерный рост.

Что вы можете предложить для решения перечисленных выше проблем?

А. Г.: Мировая практика показывает, что одно из необходимых условий ‒ формирование в компании новой цифровой ментальности и корпоративной культуры работы с данными. Это, безусловно, непростая организационно-техническая задача, часто требующая специальной программы комплексных преобразований с обязательным учетом текущего уровня зрелости организации в вопросах аналитики данных.

Мы сотрудничаем в этом направлении с компанией AlphaZetta — глобальной сетью цифрового консалтинга, объединяющей экспертов из 45 стран. Как правило, на начальном этапе преобразований критическим фактором успеха является цикл стратегических семинаров для руководителей высшего и среднего звена и углубленных тренингов для бизнес-аналитиков и исследователей данных. Цель обучения — передача базовых знаний и профессиональных навыков работы с большими данными с применением математического арсенала, включая методы искусственного интеллекта, машинного и глубокого обучения. На последующих этапах мы содействуем заказчикам в разработке и реализации стратегий в области аналитики и управления данными.

На что организации должны обратить внимание, чтобы извлечь прибыль из ИИ и аналитики больших данных? Ведь все это требует инвестиций.

И. К.: Самое сложное — это выбор стратегии. Сейчас все говорят о цифровой трансформации. Но любая трансформация предполагает изменения, а люди не любят изменений. Поэтому здесь требуется многоэтапный подход, начиная с задач высокого уровня, а к технологиям следует подходить потом, уже понимая требования. Согласно мировому опыту, именно такой организационный подход «сверху вниз», как правило, решает многие проблемы, а выбор конкретных платформ и инструментов аналитики становится обычной технико-коммерческой задачей.

А. Г.: Технологический стек — это скорее вторичная вещь. И здесь не нужно гнаться за самыми передовыми технологиями. Важно, чтобы задачи соответствовали уровню инфраструктуры.

Но аналитика это не только инфраструктура. Сейчас центр тяжести смещается от технологий в сторону организационных изменений. Потому что это целая серия стратегических и консультативных вопросов, решить которые совершенно необходимо. Можно закупить самые передовые технологии, набрать исследователей данных, сделать интересные экспериментальные решения, но они могут оказаться бесполезными с точки зрения развития компании. Здесь важен цельный подход, а не точечный или экспериментальный. Потому что аналитика сейчас активно переходит от экспериментов к практическому применению.

Есть ли методики оценки эффективности проектов внедрения технологий ИИ, Интернета вещей и больших данных ?

И. К.: Безусловно, есть и оценки, и прогнозы из различных независимых зарубежных и отечественных источников, как на уровне отдельных проектов, так и на макроуровне. Откровенно говоря, некоторые из них нам представляются слишком оптимистичными. Мы предпочитаем более реальные оценки повышения эффективности бизнеса или производства, сделанные по результатам внедрения перечисленных технологий в конкретной предметной области.

Например, мы наблюдали, как обслуживают поезда «Ласточка». В течение дня поезд заезжает в депо минут на сорок, с него быстро снимаются необходимые показания и принимается решения, пускать его на маршрут или нет. При обнаружении признаков возможного возникновения неисправности, например, отказа кондиционера в одном из вагонов, причина оперативно устраняется. РЖД уже использует такой подход в сотрудничестве с Siemens. Но в нашей стране ведутся и собственные разработки, направленные на создание беспилотных локомотивов с применением искусственного интеллекта. На МЦК уже тестируют беспилотные «Ласточки».

А. Г.: Такого рода упреждающие технологии обеспечивают и безопасность, и более эффективное использование ресурсов, и сокращение простоев. Так, внедрение методов предиктивной аналитики и обслуживания по техническому состоянию «тяжелых» активов, таких как самолеты, вертолеты, поезда, карьерные самосвалы или турбины электростанций, обеспечивает прирост выручки на 10–15%, уменьшение затрат на техобслуживание и ремонты до 15%, сокращение простоев основных средств на 10%, либо сопоставимый рост боевой мощи, если речь идет об армии и флоте. Компаниям это дает огромные практические результаты с точки зрения повышения выручки.

Но важна не только финансовая отдача. Так, технологии Интернета вещей и искусственного интеллекта сейчас служат для повышения уровня безопасности работников. Особенно это актуально для производственных, металлургических и добывающих предприятий, на которых трудятся тысячи людей. В качестве примера могу привести каски, снабженные устройствами, постоянно передающими местоположение работника и другие его данные. В крупных корпорациях такими касками снабжены 300-400 тыс. человек. В результате почти все находится под контролем, и уровень аварийности снижается очень сильно. Это — важный момент, который имеет большое социальное значение.

СПЕЦПРОЕКТ КОМПАНИИ MERLION