По словам эксперта по искусственному интеллекту, профессора Университета Нового Южного Уэльса и руководителя исследовательской группы Data61 (CSIRO) Тоби Уолша, ИТ-директорам необходимо избавиться от навеянной голливудскими фильмами боязни того, что машины завоюют весь мир, а дни человека уже сочтены.

«Мы еще очень далеки от создания машин, которые могли бы сравниться с человеческим мозгом, – заявил он в ходе своего выступления на конференции CIO Summit. – Мы можем разрабатывать машины, способные решать определенные узкие задачи (и они решают эти задачи на сверхчеловеческом уровне), но пройдет еще, наверное, 50 или 100 лет, прежде чем нам удастся наладить выпуск машин, обладающих всеми возможностями человека. И мы, конечно, не создаем машины, у которых есть собственные сознание, чувства и желания. Они делают в точности то, что им скажут. И это действительно серьезный недостаток – компьютеры воспринимают все слишком буквально. На планете есть масса насущных проблем (изменение климата, например), которые требуют первоочередного внимания и поиска решений, прежде чем мы начнем задумываться об экзистенциальной угрозе со стороны искусственного интеллекта».

Тем не менее, Уолш рад тому, что эта тема стала предметом обсуждения в сообществе ИТ-директоров и находит отражение в их стратегических бизнес-планах.

«Искусственный интеллект сегодня – любимая тема всех и каждого, – подчеркнул он. – Это и моя любимая тема еще с юных лет. В детстве я читал много научной фантастики и мечтал о будущем засилье компьютеров умнее человека и роботов. Похоже, что будущее это наступило довольно быстро, и можно лишь приветствовать, что некоторые из вас воплощают в жизнь мечту, которая появилась у меня в свое время после чтения книг Артура Кларка и Айзека Азимова».

Четыре ключевые тенденции

Уолш назвал несколько причин, объясняющих прогресс искусственного интеллекта, который происходит сегодня и будет происходить в перспективе.

«Искусственный интеллект определенным образом начинает проникать в нашу жизнь, – указал он. – В чем-то это хорошо, а в чем-то плохо. Но почему это происходит именно сегодня? Не десять лет назад и не еще через десять лет? Ответ следует искать в четырех экспоненциальных тенденциях. Первой из них является закон Мура, который фактически уже исчерпал себя из-за технических проблем, связанных с физическими квантовыми ограничениями. В Intel официально объявили о том, что не в состоянии удваивать число транзисторов через каждые два года. Меня не беспокоит то, что это станет сдерживающим фактором. Конструкторы чипов за последние 20 лет изрядно обленились. По сути, они продолжают уменьшать в размерах архитектуру x86. В конструкции процессоров практически не было революционных инноваций. Одной из немногих, пожалуй, является DPU (data processing unit). Специализированное оборудование обещает немало интересного при решении конкретных задач (в том числе машинного обучения), что позволит получить более высокую вычислительную мощность при том же количестве транзисторов. И несмотря на то, что с технической точки зрения закон Мура мертв, есть достаточное количество инноваций, которые готовы предоставить нам постоянно растущую вычислительную мощность».

Второй тенденцией является непрерывно растущий объем данных. «Компании начинают понимать, что одним из наиболее важных ресурсов в бизнесе становятся имеющиеся у них данные – об операциях, о клиентах, – отметил Уолш. – Объем доступных данных удвоился, и это очень полезно для искусственного интеллекта, поскольку многое из того, что мы делаем сегодня, особенно в области машинного обучения, основано на данных. Но есть одно ограничение, которое стоит отметить применительно к искусственному интеллекту. Машины обучаются невероятно медленно в отличие от людей, которым иногда достаточно всего одного примера. Машинам и современным средствам машинного обучения для обучения нужны сотни тысяч, а иногда и миллионы примеров. Отрадно, что данные эти собираются регулярно, и зачастую у нас уже есть наборы данных, из которых можно извлечь эти примеры».

Третья тенденция – прогресс на алгоритмическом фронте. «В последние несколько лет, с появлением глубинного обучения, во многих случаях мы видим экспоненциальные улучшения производительности подобных алгоритмов», – подчеркнул Уолш.

Четвертая тенденция связана с вкладываемыми в эту область деньгами. «Посмотрите на объем венчурного капитала, поступающего в эту сферу, – заметил Уолш. – На активность в этой области – число людей, число компаний, число стартапов. Все эти цифры за последние пару лет удвоились. Бросьте четыре этих компонента в одну кастрюлю, и вы получите рецепт для достижения значительного прогресса».

Но несмотря на прогресс Уолш предупредил, что предстоит пройти еще долгий путь, прежде чем отрасль сможет выпускать машины, выполняющие широкий круг задач, подвластных человеку.

«Мы можем создавать узкоспециализированных роботов, – отметил он. – Готовы обучать их решению конкретных узких задач наподобие игры в Го, интерпретации рентгеновских снимков или диагностики глазных заболеваний. Мы способны на многое, но еще больше сделать не можем, и перед нами сегодня стоят многочисленные и очень серьезные вызовы».

С учетом существующих ограничений искусственный интеллект сегодня в состоянии решать задачи, которые требуют моментальной реакции.

«Вы можете распознавать лица в мгновение ока, и мы способны научить этому компьютеры, – указал Уолш. – Да, их можно этому научить, но следует быть очень осторожным, потому что компьютерам присущи те же самые предубеждения, что и нам. Итак, что же будут делать машины? Конечная цель заключается в том, чтобы охватить так называемые 4D – dirty, dull, difficult, dangerous (грязная, скучная, сложная и опасная работа. — Прим. перев.). Все, от чего хотелось бы освободить человека. И в этом смысле можно только порадоваться тому, что у нас есть машины, способные взять на себя решение таких задач».

Уже сегодня некоторые из этих задач предусматривают увеличение объемов автоматизации и привлечение искусственного интеллекта. Хорошим примером практического использования искусственного интеллекта являются чатботы.

«Все это начинает проникать в нашу жизнь, а мы даже не подозреваем об этом, – подчеркнул Уолш. – Искусственный интеллект – это нечто гораздо большее, чем просто машинное обучение. Искусственный интеллект помогает компьютерам принимать решения, которые принимает человек. И делать это гораздо более тщательным, систематическим и оптимальным образом».

Технологии искусственного интеллекта довольно быстро преодолели дистанцию от «про них говорят» до «их используют». На конференции «Технологии машинного обучения», организованной издательством «Открытые системы», было представлено около дюжины работающих проектов в самых разных областях.

«Райффайзенбанк» использует машинное обучение для оптимизации процесса обслуживания сети банкоматов — предсказания спроса на выдачу наличных в банкомате (на основании как исторических даннх за три года, так и текущих), оптимизации процесса инкассации («лишние» деньги будут лежать в банкомате мертвым грузом, а их отсутствие приведет к простою устройства и недовольству клиентов банка). Горизонт ежедневно обновляемого прогноза — 14 дней.

Компания Rubbles представила Customer Insight — инструмент создания персональных предложений для клиентов розничных банков, которые основаны на анализе их трат, как текущих («Вы часто ходите в кино — сэкономьте, купите абонемент»), так и будущих («Вы собираетесь в отпуск в Европу? В прошлый раз расплачиваясь с рублевой карты вы потратили лишних 12 тысяч»). Для этого необходимо правильно определять события в жизни клиента и оптимальную частоту обращения к нему. Но зато правильно обученная система, подсказывающая клиенту, где и на чем он сможет сэкономить, надежно привяжет последнего к банку. Если не напугает излишней осведомленностью о его личной жизни.

Бизнес CarPrice состоит в продаже автомобилей клиентов дилерам на онлайн-аукционах. Дилеров у сервиса около 40 тыс.; для того, чтобы не рассылать всем им предложения обо всех имеющихся автомобилях (в день осматривается около 500 машин, по каждой собирается 500 параметров и делается 150 фотографий повреждений), компания при помощи средств машинного обучения выбирает из общего списка тех дилеров, которые должны заинтересоваться машиной. Критериев много — интересуется ли дилер данной маркой, данной ценовой категорией, комплектацией и т. д. А 15 самым перспективным дилерам рассылается персональное оповещение — push-уведомление или, если оно не прошло, через SMS. Как результат — на аукционах, использующих механизм приглашения, удается продать машины дороже; лишь каждый десятый победитель интернет-аукциона был оповещен о нем в офлайне.

«Яндекс.Такси» использует средства машинного обучения для выдачи прогнозов по многим производственных вопросах. Например, предсказывает вероятность того, что конкретный водитель уйдет из сервиса (среди примет этого — маленький средний чек и большое количество жалоб). И дает рекомендации, кому из постоянных клиентов предложить перейти на машины бизнес-класса. Затраты компании — «один аналитик на полставки и 10% рабочего времени одного менеджера». Прототип был создан за неделю и две недели дорабатывался.

Компания Worki спенциализируется на поиске линейного персонала для различных сфер бизнеса. Первоначально информационная лента с перечислением вакансий была «просто лентой» с простым механизмом рекомендаций, однако в Worki решили, что использование данных о соискателях и работодателях сможет повысить ее эффективность.

Сейчас алгоритм построения ленты на базе средств машинного обучения использует около 140 переменных — данных и о соискателе и работодателе. Количество откликов увеличилось на 17%, появилась возможность выдавать обеим сторона процесса более релевантные рекомендации, и даже предлагать рекрутерам конкретных кандидатов.

Рост количества откликов от кандидатов, помимо прочего, уменьшает отток компаний, размещающих вакансии, а, стало быть, и траты на привлечение новых клиентов из числа работодателей.

Глубинная аналитика может применяться и там, где целевая аудитория для продукта составляет 200-500 человек, такую задачу приходится решать в «индустрии красоты». Покупки в этой сфере часто делаются под насроение, поэтому кроме решения обычной задачи — выбора оптимальных каналов коммуницирования и частоты коммуникаций, необходимо подбирать еще и наилучшее время для отправки сообщений. Как утверждают в CleverData, это возможно, при грамотном подходе к рассылкам количество открывших письмо растет на 70%, конверсия (доля купивших) — на 83%, повторные продажи в целом — в 3,5 раза.

В целом складывается впечатление, что технологии искусственного интеллекта из стадии повышенных ожиданий на кривой Gartner почти сразу перешли на стадию «совершенствования и адаптации» и даже плато продуктивности, быстро миновав впадину разочарования (возможно, зато, крайне глубокую у тех, кто ждал немедленного пришествия «Скайнета»). И дальнейшему продвижению «вглубь и вширь» мешает лишь отсутствие необходимого количества релевантных размеченных данных, пригодных для организации машинного обучения. Ну и, конечно, неизбежный кадровый вопрос.

На ключевых московских мероприятиях по управлению ИТ, прошедших на протяжении последнего года, — осенних конференциях itSMF России и весенних форумах ITMF издательства «Открытые системы» — значительное внимание привлекли выступления Романа Журавлева, работающего сейчас в Лондоне в штаб-квартире компании Axelos (владелец библиотеки ITIL, представляющей собой свод знаний по управлению ИТ-сервисами). Axelos ведет работу по подготовке крупного обновления ITIL, и российское профессиональное сообщество имеет уникальную возможность получить самые актуальные сведения об этом процессе из первых рук.

На конференции, проведенной в конце сентября Ассоциацией организаций и специалистов в сфере управления ИТ – itSMF России, Журавлев сообщил, что первая книга ITIL 4 (такое название получает новая версия) и первые учебные курсы и сертификационные экзамены будут доступны уже в начале 2019 года. Являясь одним из руководителей процесса обновления, Журавлев рассказал о том, по каким основным направлениям оно происходит.

В частности, ведется работа над тем, чтобы язык и объем свода знаний стали более доступными. «Мы хотим достучаться в том числе до нового поколения ИТ-менеджеров», — отметил Журавлев. Делается акцент на то, что ITIL – не эталонная модель, а набор инструментов, с помощью которого компания может организовать управление своим ИТ-департаментом и другими сервисными подразделениями, чтобы они соответствовали задачам изменения бизнеса в цифровых реалиях. В новой версии обещаны целостный подход к описанию жизненного цикла сервисов (без пробелов, которыми грешит текущее изложение) и равное внимание всем основным компонентам управления сервисами – людям, процессам, партнерам и продуктам. Фактически ITIL 4 уходит от привычной для сервис-менеджеров процессной модели, провозглашая комплексную модель управления ИТ, в которой одинаковое значение имеют все составляющие.

Кроме того, в новой версии будут даны практические рекомендации по применению актуальных технологий (например, искусственного интеллекта) в процессах управления. Журавлев также сообщил, что c выходом ITIL 4 планируется изменить подход к обновлению свода знаний: вместо редких масштабных релизов будут проводиться регулярные изменения, отражающие развитие дисциплины управления сервисами и происходящие в постоянном взаимодействии с сообществом, как это было в процессе подготовки новой версии.

Изменится и модель сертификации, но для тех, кто уже прошел обучение и сдал экзамены по предыдущей версии ITIL, процесс перехода к новым «знакам отличия» болезненным не станет – их текущие заслуги будут учтены.

Помощь ДРУГа

Примером того, как надо использовать ITIL (а не «внедрять», от чего настойчиво предостерегает Журавлев) в качестве мощного инструмента для достижения практических целей, стал проект создания Единой сервисной организации в Сбербанке – победитель конкурса «ITSM-проект года», итоги которого itSMF России традиционно подводит на своей конференции.

Проект длился почти пять лет и затронул весь банк, но, как отметили организаторы конкурса, «главный приз вручен не за масштаб, а, в первую очередь, за глубокое использование подхода ITSM за рамками ИТ и перевод практически всех обеспечивающих видов деятельности на сервисные принципы».

Как рассказал старший вице-президент Сбербанка Теймур Штернлиб, стимулом к реализации этого проекта стало осознание того факта, что между бизнес-процессами банка, которые активно модернизировались, и процессами обеспечивающих подразделений (снабжение, недвижимость, эксплуатация оборудования, информационная безопасность, управление персоналом, ИТ и др.) образовался серьезный разрыв. Цели ставились вполне определенные: добиться существенной экономии в предоставлении сервисов, сделать сервисные подразделения клиентоориентированными, обеспечить высокое качество сервисов, соблюдая при этом баланс с их экономической эффективностью, повысить управляемость обеспечивающих процессов. Главной же целью – «мечтой», как подчеркнул Штернлиб, — было создание самоуправляющейся, самосовершенствующейся единой сервисной организации.

В Сбербанке считают, что мечта во многом оказалась воплощена в жизнь, а ключевые планы проекта по затратам и качеству даже перевыполнены: например, реальная экономия в год превысила 96 млрд руб. вместо запланированных 66,9 млрд. На единых принципах управления сервисами по ITIL трансформировано 16 обеспечивающих подразделений, услугами которых пользуется около 300 тыс. сотрудников – весь персонал Сбербанка. Управление всей сервисной деятельностью сосредоточено во вновь созданном департаменте распределенных услуг с «говорящей» аббревиатурой ДРУГ. При этом основной идеологией изменений стало то, подчеркнул Штернлиб, что услуга теперь рассматривается как ценность, которую сервисная организация несет своим клиентам, и исходя из этого определяется суть услуги, оценивается ее качество, измеряется доступность.

«У банков огромные возможности и очень много данных, но большинство до сих пор не научились с ними ничего делать. За клиентами тянется длинный шлейф данных, но пока в большинстве случаев он пропадает зря», — признал Антон Рудь, вице-президент «МИнБанк», в ходе форума Data Talks 2018, проведенного компанией Navicon в конце сентября.

На прошлогоднем форуме активно обсуждалась тема искусственного интеллекта, и выяснилось, что в большинстве случаев интерес компаний скорее теоретический. Главной темой нынешнего мероприятия стала не менее хайповая цифровизация бизнеса, и здесь действия компаний носят более практический характер, хотя каждый по-прежнему подразумевает под цифровизацией что-то свое.

«Мы начали все оцифровывать, в том числе процессы работы с сотрудниками и клиентами. Большие данные, Интернет вещей, цифровые каналы – не заниматься этим нельзя», — продолжил Рудь. Причина, по его словам, очень проста: «захотели больше денег». Будущее финансовых сервисов очевидно: банк в телефоне и люди в телефоне, и они по сути уже встретились. Ключевым моментом, по мнению Рудя, станут массовые продажи машин и квартир через электронные каналы – именно это радикально должно изменить банковский сектор.

«Компания становится цифровой, если у нее хотя бы 10% продаж происходят через цифровые каналы», — таково мнение Дениса Яклакова, заместителя генерального директора «Сбербанк Лизинг». Еще два года назад компания занималась продажей самолетов и вагонов, а сейчас стала универсальной и поставила цель охватить мелкий бизнес. Её клиентам нужны две вещи: скорость и сервис, они видят это вокруг и хотят того же от лизинговой компании. Если раньше для работы вполне хватало возможностей Excel, то теперь приходится использовать более современные инструменты и каналы продаж. «Помогает то, что мы находимся на орбите Сбербанка, поэтому многие технологии имеем в готовом виде. Но надо отметить, что многие заказчики сами не рвутся ‘в цифру’», — подчеркнул Яклаков.

Однако без искусственного интеллекта в обсуждениях тоже не обошлось.

«Человеческий интеллект всегда был двигателем прогресса, а сейчас становится тормозом. Именно поэтому и растет популярность искусственного интеллекта – человеку все сильнее нужны помощники», — отметил Илья Народицкий, директор по развитию международного бизнеса Navicon. Однако важно понимать, что искусственный интеллект к реальному интеллекту отношения не имеет – это технология, которая способна самообучаться, не более того. Исследование IBM выявило три архетипа предприятий: 27% — инноваторы, собирающиеся строить новый бизнес, адаптируясь под потребности заказчика. У них очень большой ИТ-бюджет, и они ведут огромную работу по перестройке своих процессов. 36% компаний относятся к консерваторам, они считают себя стабильными и желают сохранить нынешнее положение вещей. 37% можно причислить к «практикам», имеющим амбиции быть инноваторами, но не имеющим для этого достаточных ресурсов. Тем не менее они активно используют в принятии решений данные и обсуждают, куда идти дальше.

Самая многочисленная публика собралась в секции, посвященной эффективному использованию данных для маркетинга и продаж.

«Главная проблема — выявить задачи, которые можно делегировать роботам. Хотят многие, но не все знают, как это сделать», — заявил Евгений Голубицкий, руководитель продуктов департамента инноваций Navicon. Выяснилось, что 14% задач маркетинга можно отдать автоматизированному инструменту. В целом же по компаниям доля таких задач составляет примерно 20% — именно столько корпоративных процессов выполняются и повторяются по определенному алгоритму.

По мнению Голубицкого, процесс можно считать готовым к роботизации (Robotic Process Automation, RPA), если он описан, управляем и прост. В целом RPA применима во всех отделах компании: в бухгалтерии (проверка договоров), закупки (заведение новых поставщиков), HR (первичный отсев кандидатов). Если же говорить про маркетинг, то три наиболее частых процесса, передаваемых обычно роботам, — это сбор данных из писем и с сайтов, проверка собранной информации и ввод информации в системы.

«Очень часто роботизируются те процессы, про которые стыдно признаться коллегам, что они до сих пор выполняются вручную», — иронизировал Голубицкий.

Роман Баранов, директор по развитию бизнеса Navicon, рассказал об определении оптимального времени и канала общения с клиентом. Часто коммуникация происходит не вовремя и из-за этого оказывается смазанной даже в случае полностью лояльного клиента.

Надо понимать, что голосовой канал – самый дорогой и для компании, и для клиента, поэтому его следует использовать только там, где это оправданно. Кроме того, он наиболее критичен к выбранному времени. Однако и с более дешевыми цифровыми каналами можно тоже сильно не угадать.

По словам Баранова, подход Best time & channel гораздо полезнее для компании, чем Next best offer (выбор оптимального предложения для каждого клиента), который сильно разрекламирован, но не очень хорошо работает. В идеале нужны наборы «клиент-канал-время», а окончательное решение о коммуникации должно приниматься, исходя из маркетингового плана, бюджета и рейтинга клиентов. Для анализа можно использовать логи предыдущих телефонных звонков, бизнес-результаты общения с клиентами из CRM, статистику по доставке и откликам на SMS. Как минимум компании надо «слышать» своих клиентов – то есть собирать историю взаимодействия с ними с целью дальнейшей оптимизации, и понимать их потребности.

«Какова разница между информатизацией и цифровизацией? Создается впечатление, что речь идет о том же продукте, только в другой обертке – и это нормальная западная практика: нагнетание хайпа, чтобы убедить руководство компаний инвестировать в определенные направления», — заявил Ринат Гимранов, начальник управления информационных технологий «Сургутнефтегаза», на пресс-конференции в рамках Третьего международного топливно-энергетического саммита. По его словам, в «Сургутнефтегазе» нет бюджета «на цифровизацию»: продолжается плановое развитие информационных систем. Конечно, второй закон диалектики никто не отменял. Информатизация все глубже заходит в бизнес-процессы, и достижение того знакового момента, когда бизнес-процессы уже не могут обойтись без ИТ, вероятно, и можно считать цифровизацией. В этом состоит ключевое отличие нынешнего состояния многих компаний от ситуации 10-15-летней давности, когда многие бизнес-процессы могли спокойно обойтись без информационных систем.

«От слова ‘цифровизация’ опухли уши. И до тех пор, пока правительство говорит о строительстве цифровой экономики, а чиновникам всех рангов необходимо отчитываться об успехах, ситуация вряд ли изменится», — признал Гимранов. Надо отметить, что инновационность и использование цифровых технологий для «Сургутнефтегаза» далеко не новая тема, просто проекты оказались серьезно растянутыми во времени. Например, цифровое месторождение было создано уже 10 лет назад, что-то из популярных на рынке новшеств лишь планируется к использованию, а что-то и вовсе будет проигнорировано. Тем не менее, в операционной деятельности компании и принятии управленческих решений ожидаются радикальные изменения. В целом, по оценкам Гимранова, «песня цифровизации только начинается».

Один из проектов «Сургутнефтегаза», находящихся сейчас на слуху – внедрение инфороботов. «Мы хотим роботизировать процессы, которые в достаточной степени детерминированы, и исключить участие в них человека, чтобы головы освободились для более творческой, интеллектуальной деятельности», — отметил Гимранов. При этом вряд ли эффект от роботизации будет исчисляться десятками процентов экономии, — за долгие годы многое уже оптимизировано. Хотя стоит отметить, что даже 10% в масштабах нефтегазовой компании – это очень много, при том что затраты на изменения относительно невелики. Если говорить о других направлениях, то компания развивает онтологические системы. Это позволит ИТ-решениям быть более гибкими и лучше отвечать потребностям бизнеса.

«Большая часть наших клиентов подходит к процессу цифровизации с помощью небольших, точечных проектов, берясь за конкретную задачу и фокусируясь на ней, будь то предиктивные ремонты, смарт-контракты, цифровые двойники оборудования или позиционирование персонала», — поделилась наблюдениями Наталия Парменова, глава SAP СНГ. Такой подход позволяет запускать много небольших пилотных проектов, достаточно быстро оценивать их смысл и ценность для бизнеса и принимать решение об их дальнейшем масштабировании. С организационной точки зрения площадкой для такого пилотирования многие выбирают формат инновационной лаборатории, когда компания выделяет (или нанимает) несколько сотрудников, которые фокусируются исключительно на поиске инновационных цифровых сценариев. Эта скоростная модель приносит лучшие результаты.

«Главная причина того, что решения SAP очень активно используются российским бизнесом, несмотря на их дороговизну, говорит лишь о том, что они действительно несут в себе существенные возможности», — констатировал Гимранов. Как известно, инвестиционные проекты оцениваются не по стоимости, а по эффективности – то есть соотношению выгод и затрат. Именно с этой точки зрения решения SAP оправдывают себя: достигнутые результаты гораздо выше, чем понесенные затраты. А знаменитые гигантские бюджеты на внедрение SAP, по мнению Гимранова, зачастую появляются от чрезмерного увлечения бизнес-консалтингом и неумелости внедренцев. Если накапливать экспертизу и с умом реализовывать проекты, ведя последовательную политику во взаимоотношениях с поставщиками, то бюджет удается держать в разумных рамках.

Большинство проектов, представленных на практической конференции «Технологии машинного обучения 2018» , проведенной 25 сентября издательством «Открытые системы», были реализованы крупнейшими предприятиями или владельцами уникальных бизнесов, такими как Сбербанк, «Яндекс», CarPrice, S7, X5 Retail Group и т.п.

Между тем, использование средств машинного обучения уже вполне целесообразно и для решения «обычных» задач. Так, компания ICL Services представила на конференции систему автоматической классификации инцидентов, поступающих в службу ИТ-поддержки федеральной сети ресторанов. Название сети Дмитрий Каштанов, руководитель направления бизнес-услуг и услуг по приложениям ICL Services (а также Chief Digital Officer компании), не привел. Однако известно, что у ICL Services есть ряд крупных проектов в области продуктового ретейла и можно предположить, что внедрение средств машинного обучения стало развитием одного из них.

Система частично выполняет функции первой линии поддержки — она анализирует поступающие запросы пользователей, которые жалуются на то, что что-то пошло не так. Запрос составляется на естественном языке, но с использованием классификатора проблем, состоящего из более чем 450 классов. Если робот считает, что он понял суть проблемы (это происходит приблизительно в 40% случаев), то он или назначает задание сотруднику второй линии, или передает запрос агенту с предложением своей версии произошедшего. Агент, получив рекомендации, соглашается или не соглашается с мнением робота и также передает запрос на вторую линию.

В среднем из двухсот ресторанов, обслуживаемых системой, в месяц приходит более 7 тыс. запросов. «Свою» часть работы робот делает за 22 секунды, тогда как у «живой» первой линии это занимало несколько минут. Первоначально роботу доверяли лишь составление рекомендаций, в последние три месяца — и самостоятельное назначение сотрудников, ответственных за обработку заявки. Из 40% заявок, по которым робот принял решение в последний месяц, в 16% случаев он сделал самостоятельное назначение, в 22% случаев — выдал верную рекомендацию и всего в 2% случаев — ошибся.

Computerworld Россия поговорил с Каштановым о проекте, его текущих позможностях и планах по развитию.

- Упоминавшиеся семь тысяч запросов в месяц приходят по всем каналам или через систему?

Всего, но через систему поступает около 6,5 тысяч, подавляющее большинство.

- Какова пиковая нагрузка?

Около 500 запросов в день.

- Робот принимает решение за 22 секунды, он столько «думает» над заявкой?

Это медианное время между моментом, когда запрос был зарегистрирован в системе, и моментом, когда робот принял по нему решение — передал в тот или иной отдел службы поддержки. Часть этого времени уходит на то, чтобы робот заметил заявку, — он опрашивает систему на предмет появления новых запросов приблизительно раз в 15 секунд.

- Система принимает во внимание должность пользователя?

Отчасти. Должность определяется из справочников, а система на основании проанализированных при обучении данных определяет по каким услугам или проблемам человек в такой должности может обращаться, по каким — нет. Например, различает сотрудников бэк-офиса и фронт-офиса. Скажем, работник бухгалтерии не будет задавать вопросы по работе касс, а кассир — по финансовой системе.

- Реагирует ли робот на всплеск однотипных запросов — например, если из одного ресторана поступит много запросов одновременно, или из разных — но на одну и ту же тему?

На текущий момент такие механизмы не используются, пока работает нейронная сеть, которая анализирует каждый запрос в отдельности.

- И ее возможностей хватает?

Да. Это в конкурсах побеждают сложные модели; в одном из них, насколько я помню, выиграла команда, которая создала решение, использующее 113 различных алгоритмов. Но на практике нет смысла гнаться за процентами правильных решений любой ценой. Надо понять, при какой точности решение будет наиболее эффективно в эксплуатации и недорого в поддержке, насколько оправданно дальнейшее усложнение, окупится ли оно, или же повышение стоимости эксплуатации «съест» прибавку в точности.

- Какой может быть, хотя бы приблизительный, критерий того, что дальнейшее улучшение неэффективно?

Любая система должна окупаться. Допустим, мы хотим вернуть инвестиции в нее за год или около того, а не за десять лет. Исходя из этого и определяем, есть ли смысл совершенствовать систему дальше.

- Сложно ли переобучить систему для работы в других областях? И насколько она масштабируема?

Сама методология универсальна и может использоваться во многих сферах. Где-то она может работать лучше, чем в ИТ, где-то хуже.

У нас сейчас запросы разбиты на 450 с лишним классов. Если их будет больше, скажем, тысяча, то робот окажется еще эффективнее, поскольку человек столько классов просто не запомнит и не сможет различать ситуации, особенно пограничные.

По количеству запросов в день мы далеки от предела возможностей. По количеству классов — тоже, просто на большем количестве классов дольше обучаться для достижения приемлемого результата, иначе сложно будет выявить возможные нюансы. И данных тоже понадобится больше, их может просто не быть у заказчика в необходимом количестве.

В данном проекте нам первичный набор данных предоставили быстро, но их было недостаточно. Нам пришлось «копать» вглубь, чтобы иметь возможность, например, использовать контекст запроса клиента.

Когда данные готовы, само обучение модели занимает минуты, поскольку используются текстовые записи. Если бы использовались изображения, то процесс обучения шел бы в сто раз дольше.

Анализ изображений — одно из возможных направлений развития системы. Часто к запросам в техподдержку прикрепляют скриншоты, и были случаи, когда сотрудники поддержки выражали недовольство по поводу того, что запрос прислали именно в их группу, «ведь по скриншоту же видно, что проблема совсем в другом!»

Сейчас мы исследуем, какой эффект может быть достигнут за счет анализа изображений. Если прогресс будет невелик, сосредоточимся на совершенствовании работы с текстом. Но если выяснится, что анализ скриншотов значительно повышает долю правильных решений, то продолжим эту работу.

В ИТ-индустрии модные словечки быстро сменяют друг друга, и термин DevOps рассматривается многими в качестве очередного кандидата на эту роль.

Вместе с тем концепция DevOps известна уже достаточное время, а стремительный рост ее популярности начался еще в 2016 году.

Многие полагают, что DevOps – уже нечто большее, чем просто модное словечко, вобравшее в себя передовой опыт ведения бизнес-операций.

Вобрав в себя термины «development» (разработка) и «operations» (эксплуатация), DevOps представляет собой симбиоз двух сфер деятельности ИТ-персонала, которые традиционно рассматривались в изоляции друг от друга.

DevOps объединяет их для обеспечения стабильности изменений и оптимизации процесса поставки программного обеспечения.

DevOps оказывает влияние на взаимодействие, автоматизацию и рабочую культуру, объединяя рабочие процессы и группы исполнителей.

Чтобы внедрить культуру DevOps в организации, нужно быть готовым к радикальным переменам и полной самоотдаче.

Только после этого можно ощутить преимущества быстрого и автоматизированного подхода к организации ИТ и бизнес-операций, учитывающего существующие взаимосвязи.

Приведем ряд рекомендаций, которые упростят внедрение культуры DevOps.

Внедрение DevOps – очень масштабная инициатива, и вам придется обосновать свое решение перед генеральным директором и советом директоров.

Необходимо собрать доказательства, подкрепляющие ваше предложение, и продемонстрировать потенциальные преимущества, которые принесет культура DevOps.

Нужно разработать стратегию уменьшения рисков и максимизации выгод от внедрения.

Наилучшей стратегией здесь будет принятие ориентированного на пользователя подхода, которые согласуется с общими бизнес-целями.

В конечном итоге ценность технологии определяется теми преимуществами, которые она приносит клиенту.

Если в вашей организации ощущается сопротивление переменам, имеет смысл придерживаться подхода «сделай сам» и попытаться применить концепцию DevOps к какому-то небольшому конкретному проекту. Возможно, результаты его начнут говорить сами за себя, и убедить руководство вам будет гораздо проще.

Переосмысление процессов

В ходе эксплуатации и разработки формируются глубоко укоренившиеся системы и цели. Объединение внутри организации усилий специалистов в различных областях помогает выстраивать жизнеспособную стратегию внесения изменений, которые в противном случае могут выглядеть пугающе.

Переосмысление методов работы с использованием нового подхода DevOps позволяет оценить его потенциал при реализации экспериментальных проектов и заложить прочный фундамент для дальнейшего распространения DevOps в масштабах всей организации.

Интеграция, интеграция, интеграция!

Объединение усилий подразделений, занимающихся разработкой и эксплуатацией, – сложная задача, для успешного решения которой нужны открытые коммуникации и прозрачность.

Формирование у команд общих целей поможет преодолеть разобщенность и ощутить дух взаимодействия, имеющий фундаментальное значение для менталитета DevOps.

Непрерывная интеграция и доставка программных систем (Continuous Integration and Continuous Delivery, CI/CD) являются основными составляющими стратегии DevOps. Развертывание и интеграция нового программного обеспечения в бизнес-подразделениях происходят непрерывно. Благодаря CI/CD разработчики получают возможность объединять рабочие задания и продукты в одном репозитории.

Главное преимущество заключается в том, что благодаря совместным усилиям развертывание программного обеспечения происходит быстрее, вопросы решаются оперативнее, а ошибки выявить проще.

Внедрение программного обеспечения для автоматизации поможет персоналу сосредоточиться на более важных составляющих разработки, тестирования и поддержания надлежащего качества, тратя при этом меньше времени на выполнение более трудоемких задач.

Обратная связь на каждом этапе

Рассматривая DevOps главным образом в качестве культурного сдвига, а не чего-то еще, важно устанавливать на каждом из этапов обратную связь.

Это поможет определить все слабые места и области, которым потребуется более серьезная поддержка, чем ожидалось.

Использование при внедрении DevOps взвешенного подхода предполагает, что все рабочие процессы, от проектирования и тестирования до выпуска готового продукта, будут своевременно проконтролированы и завершены.

Попросите руководителей групп и подразделений еженедельно или ежемесячно предоставлять отчеты, которые помогут убедиться, что все идет по плану, и организовать обмен ценной информацией.

Обмен информацией будет способствовать повышению эффективности реализации проекта в целом.

Подход «быстрых неудач»

В ходе внедрения DevOps перед тем, кто встал на этот путь, неизбежно будут вставать различные вопросы, требующие решения. В конце концов, в организации происходят масштабные культурные изменения и смена стратегии.

Принимая концепцию «быстрых неудач», можно извлечь из них максимум пользы, учась на собственных ошибках.

Лучше совершить ошибку на раннем этапе, с тем чтобы не повторять ее в будущем.

Выравнивание иерархии

Культура DevOps складывается из взаимодействия и преодоления традиционной разобщенности команд, поэтому имеет смысл внести коррективы и в организационную структуру.

Впрочем, одними лишь регламентированными процедурами дело тут не ограничивается. Нужно поощрять развитие культуры общения, устраивать открытые встречи, на которых люди смогут обсуждать насущные вопросы и высказывать свои идеи.

Необходимо устранять любые физические барьеры, мешающие взаимодействию. Это подразумевает организацию открытого офисного пространства с перестановкой столов.

Инвестиции в ChatOps

Многие предприятия территориально распределены, поэтому целесообразно инвестировать в сервис мгновенного обмена сообщениями.

Более того, внедрение подобного инструментария означает, что вы сможете в любую секунду связаться с нужным человеком и оперативно начать работу над любым вопросом, который вас волнует. Это особенно ценно в ситуациях, не терпящих отлагательств.

Культура DevOps предполагает объединение двух дисциплин и нескольких команд, а надежная система взаимодействия значительно улучшит выполнение операций и будет способствовать формированию атмосферы товарищества в коллективе.

Директор по коммуникациям и международным отношениям Redis Business Class Любовь Смирнова представила исследование, посвященное тенденциям российского розничного рынка, и обзор поведения потребителей «Ритейл-барометр» (орфография названия сохранена. — Прим. ред.). В первой половине 2018 года отечественная экономика продемонстрировала очень скромный рост. По данным исследования, ожидания потребителей не очень оптимистичны, что приводит к изменениям в расходах – покупки сокращаются, в приоритете оказываются дешевые товары. Ретейлеры рассчитывают на операционную эффективность, квалификацию персонала и развитие ИТ внутри компании, а также уделяют больше внимания лояльности клиентов и привлечению нового трафика.

Тенденции в развитии интернет-технологий остаются положительными: только 2% опрошенных сокращают инвестиции в них. Смирнова также отметила, что российские ретейлеры более открыты к новшествам, чем иностранные, и часто внедряют их быстрее зарубежных коллег.

Директор по маркетингу и операциям Microsoft в России Дмитрий Марченко выделил три главных тенденции в развитии ретейла. Это интеллектуальный маркетинг (динамичное ценообразование, роботы-консультанты, предложения на основе геолокации), вовлечение потребителя и цифровизация операций (автоматическая система настройки задач, автоматизированная экономия энергии). Также опираясь на результаты «Ритейл-барометра», он сообщил, что 70% потребителей отмечают важность технологий для формирования клиентского опыта, но в то же время готовы платить за скорость и удобство сервиса, добиться которых можно благодаря интеграции цифровых технологий.

Руководитель направления нейроисследований Nielsen в России Олег Волостригов добавил в обсуждение немного теории и напомнил о двух системах восприятия информации мозгом человека. Первая система – быстрая, бессознательная, во многом интуитивная и автоматическая, эмоциональная. Формирует первое впечатление. Вторая — медленная, сознательная, обдуманная, рациональная, логическая. Именно к ней обращаются маркетологи в своих исследованиях. Интересно, что пользователи на самом деле чаще всего при выборе продуктов задействуют первую систему и совершают покупки импульсивно. Следовательно, данные маркетологов нельзя считать до конца релевантными.

Используя первую систему, легче воздействовать на потребителей, делает вывод Волостригов. Их нужно вовлекать при помощи эмоционального общения и специальных предложений и упрощать информацию, делая ее понятной.

Региональный директор Microsoft по индустриальным стратегическим технологиям для ретейла Михаил Черномордиков считает, что ретейлеры ищут золотую середину между традиционным и онлайн-форматом торговли. Сравнивая развитие России и зарубежных стран, он отметил, что наша страна некоторые мировые тенденции не догоняет, а едва ли не возглавляет. Так, он рассказал, что в Европе интернет-доступ в целом и заказ такси онлайн стоят дороже и работают медленнее, чем у нас. В России привычка к онлайн-сервисам возникает быстрее, поэтому сервисы и услуги имеют большие перспективы. Например, доставка, востребованность которой подтверждается большим количеством рекламы в Сети.

На вопрос, влияет ли внедрение технологий на то, что покупают пользователи, эксперты сошлись во мнении, что в целом не влияет. Так, директор по стратегии и инновациям X5 Retail Group Виталий Порубов ответил, что потребитель, пришедший за чем-то определенным, вряд ли изменит свой запрос, но приобрести что-то вдобавок может.

Нейросетям доверяют все более сложные и ответственные задачи — от определения надежности заемщиков до выявления новообразований на рентгеновских снимках. В каких-то случаях они лишь подсказывают человеку наиболее вероятное правильное решение, в каких-то — принимают решение единолично. О том, как происходит обучение, какие у нейросетей есть ограничения и как автоматизировать процессы их создания и обучения на практической конференции «Технологии машинного обучения 2018» расскажет Дмитрий Бабаев, исследователь в Лаборатории искусственного интеллекта Сбербанка России.

- Чем занимается ваша лаборатория?

Исследованиями в области машинного обучения в применении к нейросетям. Например, мы можем решать типичную задачу для финансовой сферы — создать нейронную сеть, способную прогнозировать, исходя из имеющихся данных, будет ли данный клиент возвращать кредит. По его кредитной истории, истории покупок, даже по тому, как он пользуется мобильной связью — если он дал согласие нам на использование этих его данных для получения кредита.

У нас есть массивы данных о людях, которые выплатили кредит, и о тех, которые не выплатили. Нейросеть учится на этих данных. У нее есть правильные ответы и она пытается построить такую модель, которая лучшим образом им соответствует. И на основе модели выдает рекомендации.

- Как она это делает?

Нейросеть как черный ящик — на входе «правильные» данные, на выходе — рекомендации.

Можно только догадываться, почему нейросеть принимает те или иные решения. Например, она может учитывать, что человек имеет склонность потратить всю зарплату в первую неделю после получки, а потом использует кредитную карточку, и большую часть новой зарплаты использует для погашения кредита. А оставшееся, опять же, спускает за неделю. То есть его поведение на грани дефолта, он не умеет тратить деньги правильно.

Но порой данные неоднозначны. Если, к примеру, человек в рабочие дни ночью в барах тратит деньги, то он ведет опасный с точки зрения кредитора образ жизни. Но зато, может быть, это означает, что у него много друзей, и он кредит выплатит, заняв у них. Или вообще у него работа такая…

- Эти данные не устаревают? Допустим, в одной экономической ситуации какое-то поведение было нормальным, прогулял зарплату — новую дадут, а в нынешних условиях ее могут задержать и кредит вернуть не удастся...

Теоретически проблема есть, но практически обычно модели получаются довольно устойчивыми к устареванию, потому что они используют большие промежутки времени наблюдения за людьми, причем из разных областей деятельности.

Окончательного ответа на этот вопрос нет, но в каждом конкретном случае мы можем измерить величину ошибки. Возьмем данные людей, скажем, до 2014 года и построим модель на них. А потом возьмем данные 2017 года и построим модель на них. И посмотрим, насколько точно модель угадывает в том и другом случае. Это позволит понять, насколько устаревание данных, изменение экономической ситуации влияет на точность модели.

- У нас на конференциях всегда выступают и скептики. Я разговаривал с одним из них, и он сказал, что большая проблема в том, что искусственный интеллект можно обмануть, если приблизительно знаешь, как работают алгоритмы. Вы не сталкивались с тем, что люди выстраивают формально идеальную кредитную историю?

В принципе такое было возможно, но лишь в тех случаях, когда в банках использовались недостаточно интеллектуальные модели. Их действительно можно было обмануть, распространенный способ — при отсутствии кредитной истории брать небольшой кредит, «на чайник», быстро его погасить, и так много раз.

Но с этим давно научились бороться: и модели стали сложнее, и кроме того, поведенческие факторы практически нельзя подделать. Надо менять образ жизни. Например, перестать пить в барах. С другой стороны, если человек приучил себя поступать настолько правильно, что с точки зрения машины он является хорошим заемщиком, то, может, он и стал другим человеком.

- Благостная картинка. Неужели нет проблем?

Есть, конечно. Для использования сложных алгоритмов нужно много данных. Если мы, например, захотим сделать систему определения надежности юридических лиц, то у нас остро встанет проблема их нехватки — юрлиц меньше, чем физических, кредитов они берут меньше, и дефолтов по кредитам у них меньше. Особенно остра нехватка данных по средним и крупным предприятиям. Создать нейросеть не удастся, но можно использовать другие подходы машинного обучения.

Есть проблема и с кадрами, с людьми, которые умеют работать с нейросетями.

- С чем связан дефицит кадров? Нейросетям не один десяток лет...

Да, занимаются ими довольно давно, но долгое время результатов не было. Из-за этого в 1990-х и начале 2000-х интерес к ним упал. Но в 2010-х появилось глубинное обучение и удалось показать полное превосходство нейросетей в задачах распознавания изображений. И после этого интерес к ним вернулся. Но это были уже другие нейросети, и они требовали других специалистов.

- Современные нейросети – это только подсказчики, или им уже можно доверить принимать решения самостоятельно?

В зависимости от ситуации. Если нейросеть распознает рентгеновские снимки, то это скорее подсказчик, потому что решение о том, болен человек или нет — очень ответственное. И в данном случае нужен врач, который возьмет на себя окончательное решение, ответственность за диагноз.

Но если брать относительно недорогие в плане последствий случаи, где речь не идет о жизни и смерти, например — выдачу массовых кредитов, которых в одном Сбербанке выдается несколько тысяч в день, то волей-неволей приходится доверять машине. Как минимум там, где она достаточно уверена в принятии решения. Иначе придется для обработки данных для решений в сопоставимом объеме держать огромный штат сотрудников. Да и ошибаются сети на отлаженных задачах реже, чем люди.

- Что вы хотите рассказать на конференции и что хотите услышать от других?

Мне интересны все исследования в этой области, а также работающие кейсы в плане применения нейросетей в разных отраслях. А сам хочу рассказать как раз о проблемах, которые мы обнаружили при применении нейросетей, об их ограничениях и о том, как можно эти ограничения обходить. В частности — о том, как бороться с нехваткой специалистов в области создания нейросетей. Ведь при проектировании нейросети нужно принять много решений о том, как она будет устроена. И этот процесс тоже можно частично автоматизировать.

- Следующий шаг — нейросети, которые сами проектируют другие нейросети?

Такие проекты есть. И про них я тоже расскажу.

Первый андроид «Маруся» заработал 6 сентября в московском «Коламбусе». Робот встречает гостей у входа в торговый центр и перемещается на первом этаже. «Маруся» за шесть месяцев была разработана компанией «Альфа Роботикс», которая интегрировала в конструкцию модуль оплаты и доработала необходимое ПО, позволяющее роботу общаться с покупателями, предлагать блюда «Теремка», оформлять заказы и выдавать чеки. Справедливости ради надо отметить, что андроид вовсе не заменяет кассира, поскольку располагается не в самом кафе, а на первом этаже торгового центра. «Маруся», скорее, привлекает внимание посетителей уже на входе в здание, развлекает их и, выполняя простейшие действия по стимулированию продаж, способствует увеличению потока клиентов в «Теремок». Никого пока не сократят, обещают в компании.

Как рассказал основатель и управляющий сети ресторанов «Теремок» Михаил Гончаров, сделать робота только для промоушена показалось скучным, поэтому решили совместить заказы и развлечения. Хотелось создать «нечто не виданное доселе и достаточно дешевое», продолжает генеральный директор компании «Альфа Роботикс» Владимир Венеров. По его словам, изначально задумывалось, что для расположения к себе людей робот должен быть антропоморфным (высотой не более 160 см, чтобы не подавлять), уметь жестикулировать, автономно передвигаться, распознавать лица и речь, обладать приятными голосом и внешним видом. Такой «Маруся» и получилась. Технически она реализована с использованием технологий машинного обучения. «Маруся» пока не всегда точно отвечает на вопросы, но уже излагает, например, законы робототехники и законы Ньютона. Обучается она в облаке, самостоятельно и с помощью человека.

В рамках пилотного проекта «Теремок» будет пристально анализировать результаты работы андроида. В случае успеха в среднесрочной перспективе компания планирует разместить подобные конструкции во многих кафе. По словам Гончарова, роботы уже широко используются на промышленных предприятиях, вторая волна роботизации затронет сферу обслуживания — ретейл и ресторанный бизнес. «Теремок» хочет одним из первых овладеть новыми технологиями, которые позволяют человеку не делать нудную, грязную или опасную работу. Кроме того, робот не устает и не раздражается.

Приготовлением еды «Маруся» заниматься не будет: сейчас это экономически не выгодно. Не станет «Маруся» и провожать посетителей до столиков. «Альфа Роботикс» уже столкнулась с повышенным интересом людей к андроиду, что не позволяет роботу нормально дойти до места. К слову, роботы этой модели были задействованы и в других проектам, например, в российском и немецком сериалах, российском и израильском театрах. Их можно настроить на семь разных языков.

Срок службы «Маруси» составляет семь лет. На ее создание потребовались миллионы рублей, но в «Теремке» надеются, что они окупятся.