У меня есть для читателей две новости. Первая — хорошая: корпоративная цифровая трансформация активно накапливает позитивный опыт, набирает портфель лайфхаков и успешных кейсов, что, правда, лишает ее ореола исключительности и некоторого героизма. Но есть и вторая новость: дальнейшее движение по пути цифровой трансформации неминуемо приведет к необходимости очень серьезных перемен в самих подходах к выполнению ИТ-проектов. И тут без некоторого героизма обойтись не удастся.
Давайте вспомним нашумевшие в конце прошлого года основные тренды развития технологий, которые, по мнению аналитиков Gartner, значительно изменят общество и бизнес в течение следующих пяти — десяти лет.
Ключевые технологические драйверы цифровой трансформации
В среднесрочной перспективе для будущего корпоративных информационных систем наибольшее значение имеют два тренда, очерченные Gartner: компонуемые (или композитные — Composite) архитектуры и так называемый формирующий искусственный интеллект (formative AI).
Компонуемые/композитные ИТ-архитектуры для бизнеса. Тренд перехода к компонуемым архитектуры обусловлен растущими потребностями бизнеса в гораздо более гибких ИТ — с точки зрения как бизнес-процессов, так и управления данными.
Особенно явственно эту потребность проявила пандемия: стало очевидно, что традиционные бизнес-модели, ориентированные на жестко прописанную стратегию достижения конкретных бизнес-результатов, плохо работают в современном мире, где требуется принимать бизнес-решения в условиях значительной неопределенности. А это значит, что ПО, поддерживающее бизнес-процессы, должно иметь весьма гибкую архитектуру, которой соответствует столь же гибкая структура данных.
Такая повышенная маневренность может быть достигнута за счет модульности бизнес-функций. Причем, устойчивость всей системы бизнес-функций обеспечивается, с одной стороны, за счет автономности отдельных «атомарных» бизнес-блоков. А, с другой стороны, за счет возможностей их оркестровки (перекомпоновки). Причем, эта оркестровка осуществляется исходя из критерия максимальной эффективности в изменившихся условиях. Сегодня в русле этих представлений развиваются различные модели открытых платформенных решений. Однако полномасштабная реализация композитного подхода к корпоративному ПО, очевидно, ставит новые вызовы перед ИТ-инфраструктурой предприятия.
Формирующий искусственный интеллект (ИИ). Развитие корпоративных структур данных находится сегодня под давлением новых технологий. В частности, ИТ-инфраструктуры вынуждены модернизироваться для того, чтобы поддерживать ресурсоемкие приложения машинного обучения. Формирующий ИИ отражает еще одно направление изменений в управлении данными — способность самих данных динамически меняться с целью наилучшей адаптации к меняющейся ситуации или для автоматического порождения новых данных.
Один пример такого рода — использование генетических алгоритмов для задач робототехники: современные робототехнические системы с помощью таких технологий умеют гибко и оперативно адаптироваться к изменяющимся параметрам внешней среды. Кроме того, сегодня технологии экспериментируют с порождающими моделями ИИ, способными генерировать новые данные, достаточно близкие, в смысле тех или иных критериев, к уже имеющимся данным. Наиболее известные примеры такого рода — порождение новых рукописных цифр, очень похожих на те, которые представлены в исходных данных, генерация изображения лица или интерьера, очень похожего на исходное изображение, но с некоторыми изменениями, генерация аудио — речи, очень похожей на речь конкретного человека.
Очевидно, что эти технологии, которые находятся сегодня в стадии активного развития, находят применение как в развлекательных сервисах (сгенерировать новую фотографию с милым котиком, представить фото человека в новом виде), так и, к сожалению, мошеннических. Для последних придуман специальный термин — deepfake, обозначающий применение алгоритмов глубокого обучения для создания реалистичных аудио и видеозаписей людей.
В связи с указанными технологическими трендами возникает главный практический вопрос: как реализовать на практике композитную архитектуру, в том числе с поддержкой формирующего ИИ? Ответ на этот вопрос — тоже вызов. Он заключается в том, что для достижения нужной гибкости, как в процессах, так и обработке данных, особенно в условиях автоматизации процессов, необходима очень тесная интеграция данных и бизнес-процессов, вплоть до их синхронизации в точках оркестровки/перекомпоновки. Чтобы достичь этого, необходимо шагнуть за рамки традиционной парадигмы обработки данных.
От управления данными — к управлению знаниями
Три главных символа ИТ сегодняшнего дня связаны с обработкой больших данных: базы данных NoSQL, аналитика больших данных, машинное обучение. Хайп вокруг данных, включая броские лозунги типа «Данные — это кровь цифровой экономики», фокусируют внимание ИТ-отделов и бизнеса на, вообще говоря, служебных вопросах хранения, очистки, валидизации и т. п. корпоративных данных. Даже ценность данных стала измеряться в стоимости корпоративных систем хранения данных, хранилищ и озер данных. Однако сфокусированность на управлении большими объемами данных не обеспечивает той гибкости, которая требуется композитной ИТ-поддержке бизнеса: слишком длительными оказываются этапы анализа текущей ситуации, принятия бизнес-решений, планирования модернизации ИТ-систем и практической реализации.
Современные средства ускорения разработки ПО, как программные, так и организационные — типа Agile, дают возможность лишь немного снизить остроту проблемы: вместо классического «водопадного» ИТ-проекта длительностью в год-полтора — несколько месяцев. Однако радикального перехода к модернизации бизнеса буквально в реальном времени достичь не удастся, так как традиционные способы управления данными не способны обеспечить необходимую скорость реакции на внешние вызовы.
Не случайно сегодня в центре внимания многих отраслей оказалась тема корпоративных справочников, мастер-данных и прочих методов, позволяющих снизить риск использования неверных данных, а также дублирования данных. Так, в промышленности мощным стимулом для развития таких подходов стали цифровые двойники производственных объектов и процессов.
Идея стандартизации терминологии, используемой в рамках одной организации, не просто носится в воздухе, она стала потребностью: перед корпоративными аналитиками она открывает широчайшие перспективы — легко сопоставлять данные из самых разных источников, бизнес-пользователи сумеют найти общий язык с ИТ-отделом, что многократно ускорит внесение нужных изменений в ИТ-системы, а ИТ-отделы получат новые мощные инструменты для автоматизации рабочих процессов в компании.
Речь идет о семантических технологиях, и сегодня в сфере ИТ определился лидер в формальных методах описаний различных предметных областей — онтологии. Этот математический аппарат предоставляет возможность создать единое описание всех объектов, свойств и отношений, которые охватывают все бизнес-процессы и аспекты бизнеса компании. Фактически с помощью языка описаний онтологий создается семантический «виртуальный двойник» реального бизнеса, то есть цифровая копия бизнеса на уровне понятий, точнее, знаний — в смысле математического термина «обработка знаний».
Стоит упомянуть два важных аспекта онтологических моделей. Во-первых, они легко поддаются модернизации: можно начать работу с ними с минимальной модели и постепенно наращивать ее с течением времени. Также легко можно вносить изменения в модель с целью адаптации к изменившимся бизнес-параметрам.
Во-вторых, эти подходы имеют солидную историю развития в своей нише ИИ — (математические методы описания предметной области), имеется международный стандарт — OWL (Ontology Web Language), язык описания онтологий для семантической Всемирной паутины Semantic Web. Стандартизация — это мощный фактор, способствующий успешному тиражированию тех или иных информационных технологий.
Управление данными для информационных систем, основанных на знаниях
Переход к созданию информационных систем, основанных на знаниях, требует пересмотра традиционных подходов к управлению данными. В определенной мере этот тренд реализуется в форме перехода от классических реляционных баз данных (БД) к NoSQL СУБД. Однако этого мало — требуется еще один шаг, обеспечивающий интеграцию и синхронизацию базы корпоративных данных с онтологической моделью корпоративных знаний. Это требование сужает список кандидатов до фактически единственной технологии графовой БД, так как именно этот тип баз данных обеспечивает совместное хранение не только самих данных, но и отношений между ними, то есть семантические атрибуты. Таким образом, графовая БД естественным образом интегрирует онтологическую модель бизнеса с данными.
Кроме того, использование графовой модели данных радикально расширяет возможности и гибкость системы по сравнению с традиционными реляционными моделями. Например, в реляционной БД нельзя построить запрос, который позволит по названию бизнес-объекта и имени сотрудника найти процесс, в котором участвуют конкретный сотрудник и указанный бизнес-объект. В графовой БД для этого достаточно одного запроса. Добавление атрибута в процесс в традиционных СУБД требует остановки системы, а в случае графовой БД значение каждого атрибута хранится отдельно от других и реконфигурирования базы данных не требуется. В этом случае атрибут добавляется практически мгновенно, не требуя участия программистов.
Еще более заметны преимущества графовой БД при обработке сложных запросов: все данные доступны одновременно, и система собирает все необходимые сведения одним запросом, причем поиск происходит быстро вне зависимости от объема накопленных данных. Более того, в графовой базе данных легко реализуется обработка косвенных связей, что в реляционной СУБД вообще невозможно.
Таким образом, графовые базы данных, синхронизированные с онтологической моделью бизнеса, обеспечивают высокую производительность модификации базы знаний с соответствующей обработкой данных в режиме практически реального времени. То есть реализуются главные принципы функционирования цифрового композитного бизнеса наступающего будущего.
Следует отметить, что опыт применения онтологических моделей в реальном бизнесе достаточно обширен. Пример хорошо проработанного инструмента — онтология Process Specification Language (PSL), которая предназначена для автоматического обмена информацией о процессах, происходящих в различных производственных приложениях: планирование производства, электронный документооборот, управление проектами и т. д. Она утверждена в качестве международного стандарта ISO 18629.
Если главная цель PSL — предоставлять общее семантическое описание для целей интеграции разных производственных приложений, то Manufacturing Service Description Language (MSDL) — это язык онтологий для описания производства. Она включает пять уровней абстракции: поставщики, магазины, станочное оборудование, комплектующие и процессы.
Сбер в рамках своей целевой архитектуры управления данными применяет единую интегрированную модель данных, которую в компании называют «Единый Семантический Слой» (ЕСС). Задача этого слоя — отделить потребителя от «сырых» данных и предоставить доступ к интегрированным, непротиворечивым и качественным данным ЕСС, что позволит исключить дублирование работ различных подразделений банка по data-интеграции. При этом Сбер уже вплотную занялся решением проблемы задержек в реакции ИТ-приложений на изменения данных, поступающих из разных источников. В решении этой задачи компания рассчитывает на возможности сверхбольших графовых моделей, причем разрабатываются средства анализа графовых данных с миллиардами связей в интерактивном режиме.
Перспективность использования онтологических моделей увидели поставщики корпоративных систем управления бизнес-процессами: этот формализм обеспечивает действительно очень гибкий и интуитивно понятный механизм для описания бизнес-процессов любой сложности и, что критически важно, их изменений. Фактически речь идет о создании цифровых двойников бизнес-объектов любой сложности с учетом их эффективного участия в цифровых бизнес-процессах компании. При этом онтологии с графовой базой данных играют роль базиса для реализации Low-code инструментов процессного управления, ориентированных не на ИТ-специалистов, а сотрудников компании. Это означает, что такой базис обеспечивает возможности внутренней ИТ-разработки и адаптации под нужды бизнеса принципиально нового уровня.
Например, такой подход реализовала компания «Сургутнефтегаз». Ринат Гимранов, начальник управления информационных технологий «Сургутнефтегаза» говорит, что с помощью таких средств в компании реализуется стратегия органического роста: ИТ-система растет вместе с изменяющимися требованиями внутренних бизнес-заказчиков, причем развивают ее именно сотрудники бизнес-подразделений, а не ИТ-отдел.
Таким образом, аналитики Gartner в своем исследовании не просто говорят о наиболее значительных технологических трендах развития ИТ. Они предупреждают о том, что наступает время полномасштабных цифровых двойников бизнеса, а цифровая трансформация при этом прокладывает «маршрут» создания точного виртуального отражения мира реального бизнеса. Думать о путях решения предстоящей масштабной задачи нужно уже сегодня, чтобы успеть сесть в поезд этой трансформации, а не остаться на перроне устаревших подходов к информатизации бизнеса.
