Сегодня все говорят о цифровой экономике. Свои планы роста связывают с ней и предприятия, и целые государства. И хотя доля ИТ в российском ВВП составляет лишь 3%, не может не радовать, что о технологиях заговорили многие руководители – от директоров небольших магазинов до министров. Они понимают: успех нынешних предприятий во многом зависит от синергии ИТ и бизнеса.

Согласно оценкам IDC, которые были озвучены на форуме «Платформы цифрового бизнеса», проведенном корпорацией Microsoft в Москве, вклад новых технологий в рост мировой экономики до 2025 года составит около 30%. В России ситуация не будет сильно отличаться, и, если все делать правильно, эффект не заставит себя ждать.

«Цифровая экономика ближе, чем можно подумать. 2018 год станет переломным в отношении компаний к цифровой трансформации», — заявила Елена Семеновская, директор по исследованиям IDC. Дело главным образом в том, что компании, идущие по пути цифровизации и создающие вокруг себя экосистему, гораздо более привлекательны для инвесторов. Нужна платформа, направленная на взаимодействие вовне, – открытая, поддерживающая создание инновационных продуктов. Все компании, инвестирующие сейчас в ИТ, должны серьезно задуматься об этом.

По мнению Семеновской, у половины российских компаний имеется понимание, куда двигаться, но в целом надо признать, что это разрозненные цифровые инициативы. Их предстоит в ближайшее время объединить и масштабировать. Компании должны или создавать свои экосистемы, или быть готовыми взаимодействовать с чужими. Необходимо осознать изменения в отношениях с клиентами, в разработке новых продуктов, во внутренних процессах.

«Благодаря технологиям мы все сильно меняемся. Я перестал быть директором по ИТ и занялся своей основной работой – возглавил департамент анализа данных», — подчеркнул Владимир Соловьев, директор департамента анализа данных, принятия решений и финансовых технологий Финансового университета при Правительстве РФ. Когда в 2012 году количество студентов университета выросло с 18 тыс. до 90 тыс., нужно было обеспечить соответствующее масштабирование практически без роста ИТ-бюджета, и облака стали помощником. Однако сейчас их эффект измеряется уже не бюджетом, а временем выхода новых продуктов на рынок. Университет трансформировался, перестав считать основной деятельностью образование и науку.

«Сейчас перед нами стоят проекты создания интеллектуальных систем в области машинного обучения, обработки больших данных, Интернета вещей. В этой работе участвуют и студенты, а образование старается поспевать за реальной деятельностью», — отметил Соловьев. Технологии уже не просто обеспечивают основную деятельность, они встроены в нее, а основным процессом стало создание продуктов, ориентированных на предоставление интеллектуальных сервисов – и прежде всего, внешним заказчикам.

Суета вокруг криптовалюты против трансформации

Цифровая трансформация – хайп, или же в цифровизацию действительно стоит вкладывать деньги? Владислав Мартынов, советник Ethereum Foundation, уверен, что ответ прост: конечно стоит. К примеру, те отечественные компании, которые в 1990-х стали первыми экспериментировать с уникальной новинкой, ERP, получили преимущества, через несколько лет заняли лидерские позиции. Остальные в тяжелые времена либо вовсе ушли с рынка, либо серьезно просели. Когда наступило время облачных сервисов, произошло примерно то же самое: пионеры получили преимущества, остальные пытаются их догнать.

Сейчас, помимо больших данных и искусственного интеллекта, одной из таких прорывных технологий является блокчейн. По мнению Мартынова, им обязательно надо заниматься, если компания хочет сохранить свои позиции на рынке лет через пять. Если не делать этого, через некоторое время будет уже поздно – ниши на рынке будут заняты. Сейчас, как на Диком Западе, все несутся с флажками и стремятся захватить свой кусок земли.

На заре Интернета самым простым и популярным сценарием его использования стала электронная почта. Остальные сервисы, захватившие мир, появились позже. В блокчейне на сегодняшний день основные сценарии – средство платежа (криптовалюта) и привлечение средств (ICO). Однако число сценариев будет быстро расти, так как технология имеет ряд уникальных характеристик, минимизирующих роль посредника. А сегодня в любой экосистеме очень многое держится именно на посредниках.

Как признает Мартынов, сейчас очевидна нехватка знаний. Наблюдается суета вокруг решений, где видны легкие деньги, а это майнинг и торговля криптовалютой. Это отвлекает внимание талантов и вообще дезориентирует людей, уводя от блокчейна к криптовалютам. В результате люди меньше смотрят на возможности трансформации бизнеса.

«Если ваше решение выполняет чисто посреднические функции – блокчейн придет и заберет у вас бизнес», — заявил Константин Гольдштейн, главный технический евангелист Microsoft по блокчейну. Он спрогнозировал в 2018 году наплыв коммерческих решений на базе блокчейна, хотя и не уверен, что рынок готов к вступлению в мир смарт-контрактов.

Сегодня проблемы со скоростью, масштабируемостью и ценой транзакций сдерживают проникновение блокчейна в различные аспекты бизнеса и в целом тормозят массовое применение в приложениях. Как только эти проблемы будут решены, появится большое количество прикладных решений в самых разных направлениях бизнеса.

Его работа — смотреть «сверху» на происходящее в мире ИТ, анализировать, делать выводы и на их основании давать советы крупнейшим корпорациям и интервью специализированным изданиям. Ради интервью мы и встретились в московском офисе компании.

- Какие наиболее интересные и перспективные инструменты экономического анализа появились в последние годы?

Я бы разделил ответ на две части. Во-первых, появились новые источники данных, во-вторых — новые инструменты для анализа, позволяющие извлечь практический смысл из этих данных. Говоря о «новых» источниках, я не имею в виду что-то совершенно новое. В мире не так много того, что можно было бы назвать совершенно новым. Все, что мы видим вокруг, — продукты эволюции, последовательного улучшения. Постепенное улучшение систем сбора информации состояло в том, что все больше и больше устройств оказывались подключенными». Сначала это были компьютер, ноутбук и смартфон. Потом — дом. Сейчас, в рамках концепции Интернета вещей, подключенным может быть трактор. Благодаря тому, что все подключено, мы получили новые источники данных: геоданные, видео, трекинг пользовательского поведения.

Огромный источник информации — социальные сети. Двадцать лет назад вы не знали, где сейчас ваши дети. Сейчас вы это точно знаете, потому, что они «чекинятся» в Facebook. Пользуются смартфоном, и их можно отследить по положению аппарата. Мы начинаем собирать эти данные и искать для них эффективное применение.

В Thomson Reuters мы присваиваем так называемый идентификатор Perm ID каждому объекту — компании, топ-менеджеру, фабрике. После этого мы можем начинать искать связи и зависимости между ними. Находить шаблоны, которые можно использовать. Это самое интересное из того, чему мы научились.

Мы берем данные со спутников и можем видеть, как растет зерно на полях. Анализируя снимки, понимаем состояние посевов и способны очень точно предсказать урожай. Владея такой информацией, можем уверенно торговать фьючерсами на бирже, зная, что будет с ценами, за неделю до выхода официальной статистики. Но на этом мы не остановимся. Существуют целые индустрии, которые зависят от цены на зерно. Например, производители кондитерских изделий. Колебания цен на муку влияют на стоимость их акций. Зная заранее, какой будет цена на муку, мы можем предсказать движения их котировок.

Аналитики используют данные со спутников, чтобы подсчитать число машин на парковке. В прошлом году в это время парковка была заполнена на 75%, в этом — на 90%. Еще до того как ретейлер отчитался о продажах, мы уже знаем, что покупателей было больше. Выросли ли у них продажи? Возможно, нет. Но, скорее всего, да. Зная, кто является основным поставщиком этого ретейлера, производители одежды или производители компьютеров, можно предположить, что мы увидим в их финансовых отчетах.

- Новые данные позволяют предвидеть движение рынков?

Время — это один показатель. Второй — точность. Сам по себе каждый источник информации не слишком точен. Но объединяя их, мы можем добиться более высокой точности прогнозов. Анализируя данные, мы сможем предсказать, какими будут результаты финансовых отчетов компании. Эти предсказания не могут быть точнее самих отчетов. Когда мы соберем разные источники и учтем их все, то сможем еще до публикации официальных отчетов получать более полную и подробную картину. Чем больше индикаторов используется, тем точнее оценка.

Вернемся к нашему магазину. Мы судим о его продажах, подсчитывая число машин на парковке. Но ничто не мешает нам использовать социальные сети. Учесть, как покупатели реагируют на цены и уровень сервиса у этого ретейлера. Что изменилось по сравнению с прошлым годом? Стало больше положительных отзывов или отрицательных? Огромный объем данных, но к ним надо относиться с осторожностью. Возможно, число положительных отзывов в Twitter возросло, потому что увеличилось число пользователей этой социальной сети. Чтобы учесть это, данные надо нормализировать.

Мы берем данные с парковок, данные Facebook, данные Twitter и, например, информацию сотовых операторов. Мобильные операторы могут сказать, сколько смартфонов в определенный момент находилось в определенном месте. Было ли в этом году смартфонов в магазине больше, чем в прошлом. Если да, связано ли это с увеличением рынка смартфонов? Вряд ли, если мы говорим о развитых странах, где рынок смартфонов близок к насыщению. Значит, в магазине было больше покупателей.

- Больше людей и устройств, подключенных к Интернету, — больше данных. Драматически больше. Появились ли у вас новые инструменты для работы с новыми объемами информации?

Мы используем новые платформы для работы с Большими Данными. Возможно, главное изменение, которое мы наблюдаем в ИТ, — развитие публичных облачных сервисов. Amazon Web Services, Microsoft Azure, Alibaba AliCloud, Google Cloud — большая четверка провайдеров облачных сервисов.

Раньше, если вы хотели заниматься статистическим анализом, надо было создавать ИТ-подразделение, устанавливать компьютеры, покупать софт. Только организационные вопросы занимали месяцы. Сегодня вы идете на сайт Google, и, если вам нужна тысяча серверов, через несколько минут у вас есть тысяча. Одно нажатие кнопки — и на этих серверах сконфигурировано нужное ПО: статистический анализ, машинное обучение, работа с базами данных — что угодно. Можно заказать тысячу серверов на уикенд, провести нужный анализ и отключить серверы, заплатив только за два дня. Все это быстро, удобно и эффективно с точки зрения финансов. Решениям для статистического анализа больше 30 лет. Но благодаря облачным сервисам они стали доступны широкому кругу потребителей.

- Кто будет заниматься этим анализом, люди или искусственный интеллект? Где граница между тем, что должен делать человек, и тем, что можно передать роботу?

Все больше процессов можно автоматизировать. У Google есть решение, которое самостоятельно анализирует данные, ищет и находит связи между параметрами, делает на этой основе предсказания. Но нам все еще нужны люди: аналитик должен решить, с какими данными работать, какие параметры оптимизировать, а когда работа закончена, ему предстоит интерпретировать результаты.

Мой друг, профессор Дэвид Лайнвебер из Университета Беркли, много лет назад опубликовал статью «Stupid data miner tricks» («Тупые приемы для работы с данными»). Со своими студентами он проанализировал большой массив статистических данных и обнаружил, что самый точный индикатор поведения промышленного индекса Доу-Джонса — уровень производства сливочного масла в Бангладеш. Конечно, эта корреляция — всего лишь совпадение. Мораль этой истории такова: нельзя позволить машинам самостоятельно принимать решения. Требуется человек, чтобы оценить результат машинного анализа и определить, есть ли в нем какой-то смысл. Иначе мы окажемся в ситуации, когда будем предсказывать индекс Доу-Джонса исходя из производства сливочного масла в Бангладеш.

- Уменьшится ли в обозримом будущем число сотрудников Thomson Reuters, занятых анализом данных? Заберет ли их рабочие места искусственный интеллект?

Сложно говорить об одной конкретной компании. Даже если это компания, в которой я работаю. Но в целом я не верю, что в обозримом будущем мы увидим настоящий искусственный интеллект. Прогресс, который мы наблюдаем в данной области, не направлен на создание универсального интеллекта, такого же, как у человека. Создаются очень специфические решения, которые повторяют очень специфические возможности человеческого разума. Но это не ведет к созданию универсального разума. Программы научились очень неплохо переводить тексты с одного языка на другой. Почти как человек. Но когда человек переводит текст с английского на русский, он опирается не только на знание синтаксиса и грамматики, но и на свое понимание текста. Машинный перевод — перевод статистический. Искусственный интеллект обнаруживает шаблон в англоязычном тексте и подбирает наиболее статистически достоверный аналогичный шаблон на русском. На большой статистике такой перевод будет достаточно точным. Но он никогда не будет совсем точным.

В основе машинного обучения лежат нейронные сети. Мы говорим: «Машина распознала образ». На самом деле она ничего не распознала, а подобрала статистически достоверную корреляцию между шаблонами. Такой алгоритм относительно несложно обмануть. Машины до сих пор часто ошибаются. Восьмилетний ребенок легко отличит собаку от кошки, а машине это не всегда удается. Компьютер может играть в шахматы, но программа-шахматист не может переводить тексты. С каждым годом мы получаем все более совершенные инструменты. Но это по-прежнему инструменты, требующие присутствия человека.

Я не вижу будущего, в котором машины полностью заменят человека. Но на определенных операциях такая замена неизбежна. В свое время трактор заменил десятки людей, занятых в сельском хозяйстве. Но кто-то по-прежнему должен управлять трактором.

- Но таких «управляющих» гораздо меньше, чем крестьян, на смену которым пришел трактор. А на смену ему идет умный трактор...

Безусловно. Производительность труда растет. Есть всего две силы, позволяющие экономике расти: увеличение населения и повышение производительности труда. Чем выше производительность труда, тем больше времени человек может посвятить иным, более продуктивным и интересным занятиям. Именно это мы сейчас наблюдаем. Искусственный интеллект берет на себя все больший объем рутинных операций.

- Вы консультируете руководство крупных компаний по вопросам внедрения и использования новых информационных технологий?

Это часть нашей деятельности.

- Есть ли конфликт между принципиально новыми инструментами, которые появились в последние годы и «старым», иногда буквально старым составом топ-менеджмента? Как он разрешается?

Финансовый рынок, да и не только он, становится все более зависимым от информационных технологий. Менеджер на любом уровне корпоративной иерархии должен хорошо разбираться в современных технологиях, понимать их возможности и ограничения. Крупные организации отдают себе отчет в том, что менеджеры более молодого поколения обладают лучшим пониманием информационных технологий и могут принимать решения и давать рекомендации в областях, связанных с ИТ. С другой стороны, руководители, с которыми я знаком, прикладывают серьезные усилия к тому, чтобы оставаться на уровне современных требований. Они постоянно учатся. В современной экономике это обязательное требование для любого менеджера, претендующего на лидерские позиции, — постоянно следить за изменениями в информационных технологиях.

- Что вы думаете о криптовалютах? Готовы ли вы рекомендовать своим клиентам использовать их как инструмент для расчетов или инвестиций?

Я бы не советовал инвестировать в криптовалюты. Но не нужно путать инвестиции с трейдингом. Когда вы инвестируете, вы вкладываете деньги в некий инструмент, рассчитывая, что стоимость этих активов возрастет. Трейдинг — более спекулятивное занятие. Высокая волатильность криптовалют делает их привлекательным объектом для трейдинга. На этом можно заработать.

Что касается общего отношения к криптовалютам, я не считаю их чем-то принципиально новым. Баллы и карты лояльности магазинов, мили для часто летающих пассажиров авиакомпании — все это существует много лет. Фактически ваши мили за перелеты — это цифровая валюта. «Фиатные» деньги, те, которые выпускают и контролируют государства, также могут быть цифровыми. Бумажные рубли или доллары, которые лежат у вас в кошельке, лишь малая часть общей денежной массы. Я думаю, у криптовалют есть будущее, но в этом будущем за криптовалютами будет стоять государство. Когда я смотрю на чисто цифровые валюты вроде биткоина (это мое личное мнение, а не официальная позиция Thomson Reuters), я вижу спекулятивный рынок, на котором надувается пузырь, напоминающий тюльпанную лихорадку в Голландии. Пытаюсь понять, в чем ценность биткоина, и не нахожу ее.

- Как и у доллара?

За спиной у доллара стоит государство, собирающее налоги, которые вы обязаны платить. Государство готово принимать ваши доллары или рубли как платежное средство. Это обеспечивает валюте ценность. Конечно, она сильно зависит от стабильности государства. Мы знаем немало примеров гиперинфляции. Но чисто цифровая валюта вообще ничем не обеспечена. Скажем, мили ценны настолько, насколько хорошо чувствует себя авиакомпания, которая их начислила. Но в случае с биткоином, за которым никто не стоит, вся его ценность в готовности другого человека принять биткоин как платежный инструмент. Это очень нестабильный фактор.

- Мы обсудили новые технологии и новые подходы к старым. Дадут ли они прирост производительности труда в глобальном масштабе? Много пишут о том, что стремительное развитие ИТ не привело к росту производительности. Возможно, это случится, когда мы начнем предсказывать урожайность по данным со спутника?

Современные ИТ теоретически должны сделать людей более продуктивными. Но макроэкономические индикаторы этого не показывают. Я вижу для этого несколько причин. Традиционные способы измерения производительности не в состоянии зафиксировать изменения. Мы знаем, как измерить подушевой ВВП. Но как оценить изменения качества жизни? Положим, мы измеряем инфляцию и сравниваем стоимость стандартной корзины продуктов. Но содержание этой корзины может меняться. Экономическая статистика не очень хороша в оценке таких нюансов.

Еще один возможный аспект — переход к новому экономическому укладу, который происходит во всем мире. От индустриальной экономики к экономике информационной. Цифровая экономика — это игра, в которой победитель получает все. Если вы написали удачное ПО, вы можете продать его неограниченным числом копий. Продажи удачной модели автомобиля всегда были ограничены возможностями фабрики или логистики. Сто лет назад, если вы были лучшим певцом в своей деревне, вы могли что-то заработать, выступая на праздниках. В каждой деревне был свой «лучший певец». Сейчас «лучший певец», получив доступ к цифровым каналам распространения, продает миллионы треков; «второй» и «третий» продают на порядки меньше. Эта асимметрия приводит к тому, что авторы лучшего софта, фильма или музыки получают гигантские экономические преимущества. Но таких людей очень мало. Мы все смотрим один и тот же фильм и слушаем одну и ту же музыку. За границами «большого успеха» остаются огромные пласты населения. Среди оставшихся многие не имеют работы или заняты не на полный рабочий день. Их производительность очень низкая, если не нулевая. Усреднив производительность труда, мы получим очень небольшой прирост. В реальности мы имеем огромный рост производительности в одних областях и нулевой в других. Тот случай, когда среднее вводит в заблуждение. Средний домашний любимец должен быть наполовину кошкой, наполовину собакой. Но в природе не существует полукошек.

- Получается, цифровое неравенство растет с такой же скоростью, с какой и цифровые технологии?

Да. Некоторые винят в этом политиков. Я думаю, это неизбежное следствие перехода к цифровой экономике.

DataOps (акроним от data и operations) — это новая методология, предполагающая совместную работу объединенных команд разработки и эксплуатации ИТ-систем (DevOps), инженеров по подготовке данных (data engineer) и исследователей данных (data scientist) для создания инструментов, процессов и организационных структур, необходимых предприятию, опирающемуся в работе на данные.

«Сегодня, помимо тенденции разработки с опорой на принципы DevOps, набирает силу новая, связанная с тем, что и в системы, и в сами процессы разработки внедряются элементы анализа данных. Поэтому в группе DevOps должен быть специалист соответствующего профиля», — объясняет Тед Даннинг, главный архитектор приложений компании mapR Technologies.

Принципы DataOps

Подобно DevOps, DataOps опирается на принципы скорой (agile) разработки. В рамках DataOps приоритетами являются непрерывная доставка аналитических знаний и ориентация на удовлетворенность клиента.

Группы DataOps выдают аналитику, имеющую практическую ценность, которая измеряется пользой от предоставляемых знаний. Группы DataOps готовы работать в условиях постоянного изменения потребностей клиента и всегда стремятся их учитывать. Такие группы обычно представляют собой коллективы, самоорганизующиеся для достижения определенных целей и отдающие предпочтение стабильности и масштабируемости команды и процессов, а не «трудовым рекордам».

Одна из главных задач группы DataOps — обеспечивать оркестровку данных, инструментов, кода и сред в масштабах всего проекта. Аналитические конвейеры работают по аналогии с линиями бережливого производства; при этом для DataOps большое значение имеет воспроизводимость результатов.

Для чего годится DataOps

DataOps — подход, направленный на поддержку процессов машинного обучения. «Например, исследователи данных, работая по схеме DataOps, могут более продуктивно взаимодействовать с инженерами ПО в процессе передачи отделу эксплуатации моделей для развертывания, — говорит Эллен Фридман, ведущий технолог mapR. — Но DataOps не ограничивается машинным обучением. Этот подход полезен для любых работ, связанных с анализом данных, так как он облегчает использование преимуществ, предоставляемых распределенными платформами управления данными».

Кроме того, DataOps хорошо сочетается с архитектурами на основе микросервисов.

DataOps на практике

Новые технологии требуют от предприятий перемен, способностей работать с большими объемами данных и оперативно реагировать на события.

Традиционные изолированные друг от друга отделы — слишком негибкие и медлительные для организаций, осваивающих работу с Большими Данными и проходящих через цифровую трансформацию. Именно в таких ситуациях способны помочь принципы DataOps.

Методология DevOps, напомним, сближает разработчиков и специалистов по эксплуатации ПО, помогает лучше согласовать разработку с целями бизнеса, сократить циклы выпуска и увеличить частоту развертываний. Главная характерная черта DevOps — кросс-функциональные группы, включающие специалистов по эксплуатации, программной инженерии, разработке архитектуры, планированию и управлению продуктами. DataOps добавляет к этому перечню исследователей данных и специалистов по их подготовке, дополнительно улучшая взаимодействие между соответствующими участниками.

Эксперты подчеркивают: чтобы группа DataOps стала максимально эффективной, в ней должны быть специалисты по исследованию данных.

От традиционного принципа организации работы, когда аналитики изолированы от разработчиков, необходимо отказываться: реальная координация возможна лишь при тесном взаимодействии, вплоть до совместного выслушивания жалоб заказчиков. Исследователи данных должны проходить те же процедуры отбора в команду, что и разработчики, вместе с ними рассматривать комментарии пользователей и рекомендовать решения проблем.

При этом не требуется, чтобы специалисты в области Data Science работали в группе DataOps на постоянной основе: обычно исследователя данных включают в команду на определенное время, впоследствии он может перейти в другую команду, а его роль в группе берет на себя другой участник, например инженер по подготовке данных, иными словами, происходит постоянная ротация.

Как сформировать команду DataOps

Для создания команды DataOps не обязательно нанимать новых специалистов. Во многих организациях уже есть костях группы DataOps — участники имеющихся команд DevOps. Следующий этап — выбрать проекты, сопряженные с разработкой механизмов анализа больших объемов данных, и найти специалиста, имеющего опыт исследования данных. Это может быть инженер по подготовке данных, а не обязательно специалист в области Data Science.

После того как составлен список навыков, необходимых для реализации проекта, далеко не всегда будет нужда нанимать новых специалистов. Нередко профессионалы необходимой квалификации в компании уже есть, нужны лишь некоторые кадровые перестановки. При этом главное — улучшить взаимодействие между специалистами с разными наборами навыков, обеспечив более эффективное использование их рабочего времени и опыта.

В крупномасштабных проектах какие-то роли DataOps могут быть распределены между несколькими участниками. Часто встречается и ситуация, когда один специалист берет на себя более одной роли. Например, член команды может иметь и навыки эксплуатации, и навыки программной инженерии, а участники с опытом разработки могут дополнительно иметь квалификацию инженеров по подготовке данных. Часто соответствующий опыт есть и у исследователей данных. Реже всего встречается совмещение навыков исследования данных и эксплуатации ПО.

Важно, что участники команды DataOps объединены общей целью — полностью обеспечить функциональность вверенных им сервисов, связанную с данными.

Когда речь идет об инженерных командах, достаточно бывает четко обозначить цели, после чего, видя общую цель, группа самоорганизуется для решения поставленной задачи. В командах DataOps ситуация сложнее, поскольку разные участники рассматривают задачу с разных точек зрения. Например, специалисты по эксплуатации будут беспокоиться о надежности, о том, чтобы отклик обязательно поступал в течение определенного времени. Исследователи данных в свою очередь фокусируются на обеспечении точности поступающих ответов. Но когда все участники стремятся решить общую задачу и готовы к компромиссам, выстроить необходимую организационную структуру будет достаточно просто, заключает Даннинг.

Роботы-консультанты в будущем могут знать потребности клиентов лучше их самих, считает первый зампред ЦБ Сергей Швецов. Произойдет это благодаря анализу Больших Данных, который поможет лучше понять потребности людей, передает его слова РБК. Боты также, по его мнению, станут персональными помощниками из-за машинного обучения: робот будет принадлежать конкретному человеку и развиваться вместе с ним. Спустя несколько лет он станет «вторым я» клиента, спрогнозировал Швецов.

Ранее зампред опасался, что компьютерные системы инвестиционного консультирования могут принести проблемы: по его мнению, игроки могли давать одинаковые советы большому числу людей. «Когда много игроков с одной инвестиционной проблемой, это катастрофа», цитировало его издание. Сейчас Швецов считает, что дигитализация приведет к тому, что стоимость услуг финансовых консультантов снизится и участникам рынка будет выгодно работать со счетами клиентов не только, например, на 100 тыс. долл., но и на 100 долл.

Однако компьютерные технологии хороши в условиях финансовой стабильности, отметил первый зампред ЦБ. По его словам, никто не знает, как они сработают в условиях финансовой дестабилизации.

Hewlett Packard Enterprise и «Крок» представили в Москве концепцию Memory Driven Computing, технологии и решения для реализации которой разрабатывают специалисты HPE.

Совершенствующиеся технологии компьютерной памяти становятся решающим фактором при создании высокопроизводительных вычислительных систем. Память долгое время развивалась «в тени» микропроцессоров, приближающихся к пределам возможностей закона Мура, теперь же она выходит на первый план (см. «Как преуспеть в условиях экономики изобилия памяти?», «Открытые системы. СУБД», 24 февраля 2016).

«В рамках проекта The Machine в HPE стремятся создать технологии, решения и архитектуры, предоставляющие всем процессорам вычислительных комплексов равноправный доступ к огромному массиву энергонезависимой разделяемой памяти, которая способна устранить существующий сегодня разрыв между традиционной оперативной памятью и системами хранения данных», — пояснил Мартин Мозер, директор по гибридным ИТ-продажам HPE в странах Центральной и Восточной Европы, Ближнего Востока и Африки, который является послом проекта The Machine.

Основными компонентами систем Memory-Driven Computing, по словам Мозера, являются: быстродействующая постоянная память (fast persistent memory); высокопроизводительная коммутационная структура (fast memory fabric), обеспечивающая передачу данных между узлами компьютерных систем с использованием фотонных коммуникаций; вычисления, ориентированные на задачи (task-specific processing); новое программное обеспечение, позволяющее радикально упростить программирование и создавать приложения, к которым невозможно приступить сегодня.

Два года назад было объявлено об альянсе HPE и SanDisk для создания памяти Storage Class Memory; за основу были взяты разработки HPE в области мемристоров и энергонезависимых решений SanDisk. Эта память рассчитана как на системы Memory-Driving Computing, так и на корпоративные твердотельные накопители. Теперь появились сообщения о сотрудничестве HPE и Western Digital.

Весной 2017-го был представлен прототип The Machine, созданный в лаборатории HPE в Форт-Коллинзе (штат Колорадо). Хотя в нем нет мемристоров, поскольку на выпуск их коммерческих модификаций требуется длительное время, разработчикам удалось устранить некоторые проблемы современных серверов, узким местом которых является оперативная память (см. «HPE демонстрирует The Machine без мемристоров», Computerworld Россия, 15 июня 2017).

Отличительная особенность прототипа – общая разделяемая память объемом в 160 Тбайт, что существенно больше, чем оперативная память современных серверов, включая HPE Superdome X.

Эта память, подчеркнул Мозер, распределяется между 40 вычислительными узлами на базе 32-ядерных ARM-процессоров компании Cavium. Узлы расположены в четырех шасси серверов Apollo 6000, связанных свербыстродействующими каналами межсоединений. «Оптические линии связи, включая новые фотонные модули X1, введены в действие и работают», — отметил Мозер.

В межсоединениях используется одна из первых реализаций технологи Gen-Z, которая разрабатывается консорциумом, насчитывающим почти 50 компаний (в их числе AMD, ARM, Dell EMC, HPE, IBM, Red Hat, VMware и даже российское Yadro). Консорциум призван создать универсальный протокол доступа к данным, который способен устранить проблемы взаимодействия процессоров и оперативной памяти и который может работать с широким спектром носителей, используемых для создания памяти.

Прототип The Machine не является готовым продуктом — он демонстрирует направление разработок HPE. Эти разработки должны принести свои плоды в таких областях, как Интернет вещей, машинное обучение, искусственный интеллект, где требуются новые модели вычислений.

Эндрю Уилер, заместитель директора лаборатории в Форт-Коллинзе, заявил в ходе прямого видеовключения, что программа исследований не предусматривает создания конкретной системы, а направлена на разработку ряда новейших технологий. Чтобы обеспечить их дальнейшее развитие и распространение, подчеркнул он, очень важно добиться признания этих технологий всей ИТ-индустрией.

Уилер полагает, что благодаря новому поколению компьютерной архитектуры в перспективе можно будет практически безгранично масштабировать вычислительные ресурсы и наращивать производительность для обработки огромных объемов данных.

«Если наша технология будет успешной, то, несмотря на политическую риторику, она все равно попадет на российский рынок», — заявил Уилер.

В HPE подчеркивают, что технологические идеи, заложенные в концепции Memory Driven Computing, уже используются в продуктах компании, например в серверах Superdome Flex, которые будут доступны в следующем году, в серверах ProLiant Gen10 и некоторых моделях ProLiant Gen9.

В рамках выставки Hi-Tech Building и Integrated Systems Russia 2017 прошла конференция «Digital музей. Инновационные технологии для музейных и выставочных пространств». В основном на ней присутствовали представители музеев. Они делились с коллегами опытом, рассказывали об аудиовизуальных и мультимедийных решениях в своих организациях. Самыми интересными были те выступления, в которых говорилось о технологиях и тенденциях, полезных для всего музейного сообщества.

Заместитель директора ГИВЦ Минкультуры Тимур Алейников представил платформу дополненной реальности для музеев Artefact. По его словам, сейчас смартфон конкурирует с музеем за внимание посетителя. Чтобы сделать его своим союзником, и было создано мобильное приложение Artefact. Наведя камеру смартфона на экспонат, посетитель видит либо интерактивные точки, на которые можно нажимать и получать информацию, либо дополнительные изображения, например показывающие, какими были эти произведения искусства до реставрации, и пр. Таким образом, считает Алейников, устройство не отвлекает, а работает как канал коммуникации между посетителем и музеем, волекает, обучает через равлечение, дает быстрый доступ к интересной информации и визуализирует ее.

Бесплатное для музеев, приложение доступно в App Store, Google Play и на ar.culture.ru. Чтобы подключиться, музею следут подать соответствующую заявку, получить приглашение по электронной почте и войти в систему. Далее нужно загрузить фото экспоната в хорошем качестве и протестировать его распознавание смартфоном, разместить активные точки, сверстать статью. Дополнительно загружаются другие изображения произведения искусства и переводы статьи на английский язык. Использовать технологию дополненной реальности можно применительно как к отдельным музейным экспонатам, так и к целым залам и выставкам.

К Artefact уже подключились около 20 музеев, в их числе Вологодский государственный музей-заповедник, музей-заповедник «Петергоф», Тульский музей оружия, Нижегородский государственный музей, ГМИИ им. А. С. Пушкина и др.

Заместитель генерального директора Политехнического музея Михаил Яковенко посвятил свое выступление использованию в управлении организацией Больших Данных. Однако, по его наблюдениям, музеи не спешат взять на вооружение такой инструмент, хотя он несет много возможностей. Так, полезной может быть статистика по билетно-кассовым системам, протоколы обмена данными, счетчики на входе и видеоналитика. В перспективе возможно также использование машинного зрения и искуственного интеллекта. По словам Яковенко, у музеев есть, в отличие от бизнеса, большой плюс – отсутствие жесткой конкуренции, они вполне могли бы объединяться, сотрудничать, использовать чужой опыт и исследования. Пока же каждый музей стремится изобрести свой велосипед.

Заведующий отделом фототехнологической работы государственного музейно-выставочного центра «Росфото» Алексей Тихонов рассказал о едином информационном пространстве музея и открывающихся новых возможностях доступа к цифровым музейным объектам. Репозиторий – главный элемент такого пространства, он аккумулирует в себе оцифрованные документы, фотографии и пр. Цифровая инфраструктура выстраивается вокруг него исследователями этих материалов: научными сотрудниками, хранителями, кураторами, создающими какие-либо проекты. Таким образом, все сотрудники музея вовлекаются в общую работу. К репозиторию могут иметь доступ сторонние кураторы и исследователи и даже посетители музея. Оцифрованные документы выкладываются в Интернет — если музей готов к подобной открытости. Кроме того, с помощью репозитория возможно и межмузейное взаимодействие, когда музеи делятся друг с другом своими данными.

Куратор проектов отдела по работе с музеями памяти Анна Кондратьева и руководитель проектной группы по мультимедиатехнологиям Государственного музея истории ГУЛАГа Иван Биченко поделились схожей концепцией развития цифровой инфраструктуры — только не пространства, а народной памяти на примере своего музея. Сначала, как рассказали выступающие, собирается и организовывается информация, затем она аккумулируется в знания, транслируемые музеем. Так, данные о жертвах репрессий структурируются в информацию по пунктам «место», «персона», «явление» с указанием различных сохраненных материалов о них (фотографиии, документы, личные вещи). Вместе со свидетельствами (например, интервью очевидцев) эта информация формирует сеть знаний, к которой имеют доступ работающие с нею эксперты. Сеть транслируется посетителям.

На основе такой схемы возможно межмузейное взаимодействие и в итоге создание всеобщей сети знаний. Однако, отметили выступающие, создать «мировой музей» совсем не просто.

Компания Splunk, вот уже 14 лет занимающаяся Большими Данными, сделала себе имя в мире управления ИТ-операциями. Когда-то ее основатели Эрик Свон и Роб Дас решили создать некое подобие Google для корпоративных ИТ; сбор и индексация машинных данных из системных журналов обеспечили возможность поиска сведений о функционировании информационных систем. Но нынешний генеральный директор компании заявляет, что сегодня она больше известна своими решениями в области информационной безопасности. Каким же образом Splunk пришла к этому?

Выступая на организованной компанией конференции. conf2017 в Вашингтоне, ее генеральный директор Дуг Меррит заявил, что на данный момент Splunk следует считать «поставщиком специализированных решений безопасности».

И действительно, компания уже давно погрузилась в бизнес, связанный с анализом в этой области. «Начав с ИТ-операций, в конечном итоге мы пришли к безопасности», – заметил Меррит.

Действительно, люди, занимающиеся обеспечением ИТ-операциями, делились своим опытом работы со средствами Splunk со своими коллегами из подразделения информационной безопасности, поскольку считали, что доступные им информационные потоки представляют немалую ценность для тех, кто должен выявлять потенциально вредоносную активность в сетях и различных корпоративных прикладных системах.

«Вскоре стало ясно, что, взяв эти данные и дополнив их данными из межсетевого экрана, можно значительно глубже проникнуть в суть происходящего», – пояснил Меррит.

Чтобы помочь клиентам извлечь максимум из своих операционных данных, в Splunk решили обратиться к машинному обучению.

Активное смещение в область поставки средств информационной безопасности началось после того, как предшественник Меррита, Годфри Салливан, образовал внутри компании «рыночные группы», в результате чего одна из них сосредоточилась на ИТ-операциях, а другая – на безопасности. Затем Меррит добавил еще и рыночную группу Интернета вещей.

Так или иначе, теперь Splunk больше известна как поставщик решений безопасности. Инструментальные панели, предлагаемые компанией, оказывают неоценимую помощь аналитикам, обрабатывая системные данные со скоростью, близкой к реальному времени.

«Если взглянуть на квартальные отчеты, то, как правило, 40-50% продаж приходится на направление ИТ-операций и 40-50% — на направление безопасности, – отметил Меррит. – Причем никаких закономерностей в изменениях этого соотношения не наблюдается».

Интересное замечание со стороны генерального директора компании, которая специализируется на выявлении закономерностей в сложных наборах данных.

Теперь, когда Splunk так глубоко погрузилась в сферу информационной безопасности, что собираются делать здесь для укрепления конкурентоспособности своих предложений?

По словам руководителя направления безопасности Splunk Монзи Мерзы, приоритеты корпоративных клиентов в наибольшей степени меняет облако. «У нас есть много клиентов, которые хотят видеть все свои информационные системы в облаке и предпринимают для этого очень серьезные шаги», – подчеркнул он.

Пользователей систем безопасности Splunk Мерза делит на две группы: с высоким и низким уровнем зрелости. Запросы к Splunk у двух этих групп заметно отличаются.

«Клиенты с высоким уровнем зрелости и большим опытом работы с инструментами безопасности, например федеральные учреждения или крупные финансовые организации, хотят получить платформу, поскольку уже обладают необходимыми навыками и компетенциями и намерены использовать свои возможности по максимуму, – пояснил Мерза. – Мы построили платформу в соответствии с их пожеланиями. На другой стороне находятся те, кто еще только начинает свой путь в сфере безопасности. Таким клиентам нужны консультационные услуги, рекомендации и решения. Нельзя сказать, что команды с высоким уровнем зрелости не хотят получить решения, но решения эти они все равно будут настраивать и адаптировать».

Одним из ключевых событий на. conf2017 стала презентация Enterprise Security Content Updates via Splunkbase – нового сервиса подписки для клиентов Splunk ES.

«Идея заключается в том, что мы хотим предоставлять аналитику (например, анализ угроз), которую клиенты могли бы использовать на практике, – пояснил Мерза. – Причем эта информация должна быть действенной, а не фигурировать лишь в отчетах. Возьмем типичный пример программы-вымогателя. Мы знаем, какие домены при этом задействованы и как они генерируются специальным алгоритмом. Известно, что для защиты от атак подобного рода необходимо устранить определенную уязвимость в операционной системе, а для долгосрочного обеспечения функционирования вашей среды нужно делать хорошие резервные копии. Таким образом, зная все конкретные элементы, мы делаем защиту от угрозы по-настоящему действенной».

Одной из главных тем конференции «Защита персональных данных» стала практика работы с «большими пользовательскими данными» — массивами персональной информации, которые сейчас собирают все, кто может: операторы мобильной связи, создатели интернет-сервисов, разработчики мобильных приложений и т. д.

Эти данные Александр Жаров, глава Роскомнадзора, назвал топливом экономических процессов нового цифрового уклада. К 2025 году в Китае, по оценкам McKinsey, озвученным Жаровым, почти четверть (22%) роста внутреннего валового продукта будет связано с предложением таргетированных цифровых услуг, в США экономический эффект от цифровизации аналитики оценили в 1,6-2,2 трлн долл., а в России — в 4,1-8,9 трлн руб. (от 19 до 34% общего ожидаемого роста валового продукта).

Однако дело в том, что персональные данные каждого человека защищены законом 152-ФЗ, а вот работа с их массивами находится в законодательной «серой зоне» (см. «BIG DATA 2017: как обрабатывать большие, но персональные данные», Computerworld Россия, 5 апреля 2017). Жаров говорил о необходимости проработать регулирующие акты в этой сфере — создать соответствующий понятийный аппарат, установить режимы работы с большими персональными данными, выработать правила для рынка услуг.

При этом надо пройти, как обычно, между Сциллой и Харибдой — чрезмерное регулирование плохо скажется на рынке услуг, недостаточное — приведет к нарушению прав граждан. Большую роль может сыграть, по мнению главы Роскомнадзора, саморегулирование отрасли. Подвижки в этом направлении есть: созданием закона «о себе» занялись производители компьютерных игр.

И такие действия с их стороны весьма предусмотрительны: среди игроков изрядный процент детей, а обеспечению их прав на приватность, как полагает Жаров, надо уделить особое внимание. В частности, надо запретить биометрическую идентификацию несовершеннолетних: биометрические данные сдаешь раз в жизни (в этом, собственно, их преимущество), и человек должен делать это сам, в сознательном возрасте.

Кроме того, Жаров считает, что нужно законодательно закрепить использование специальных «детских» SIM-карт, заводимых с разрешения их родителей или других законных представителей. Сейчас карты в телефонах зарегистрованы на родителей и представителей и, соответственно, рассматриваются операторами и владельцами сервисов как обычные, «взрослые». На «детскую» же карту можно наложить, например, ограничения по части использования.

Международная составляющая

Кроме неопределенности с правовым положением больших персональных данных внутри страны, есть и трансграничные проблемы, обусловленные разностью подходов к регулированию их оборота в различных юрисдикциях.

В США с 2016 года законодательство, по словам Игоря Ашманова, генерального директора компании «Ашманов и партнеры» разрешает продавать накопленные данные без всяких ограничений, а в Еврсоюзе в мае 2018 года вступит в силу «Регламент по защите персональных данных» более строгий, чем соответствующее российское законодательство. Причем, как отметил Игорь Щеголев, помощник президента РФ, изначально в Европе укоряли нас за излишнюю «жесткость», но, по его мнению, такова тенденция. И пользователь станет не только источником, но и распорядителем своих данных.

С Евросоюзом ведутся работы по гармонизации законодательства. Пока, по словам Жарова, еврорегламент должен учитываться российскими операторами только при обработке персональных данных европейских граждан на территории ЕС, при работе на территории нашей страны они должны руководствоваться нашими законами. Какое-то обсуждение применения Регламента в России возможно, только когда накопится некоторый опыт его правоприменения и будет заключен соответствующий международный договор.

С американскими компаниями Роскомнадзор пока с переменным успехом ведет борьбу за перенос персональных данных россиян на российские серверы. Вопрос о том, как регулировать работу с большими персональными данными, пока вообще не ставится.

Политика и экономика

Между тем торговля большими пользовательскими данными, как полагает Ашманов, вопрос не только экономический (отметим, что стоимость набора данных — 10-20 долл., в зависимости от его содержимого), но и политический. Принципиальная особенность больших данных вообще в том, что они «больше, чем их составляющие»: их изучение может дать информацию, которую отдельные составляющие не содержат. В случае с большими персональными данными ситуация осложняется тем, что, кроме данных о себе, которые пользователи отдают в явном виде и сколько-нибудь сознательно, масса информации передается «попутно».

Как неоднократно отмечалось на конференции, проблема еще и в том, что российский (да и любой другой) пользователь подписывает пользовательские соглашения не читая, разрешая сервисам и приложениям распоряжаться любой информацией по их усмотрению. Сервисы и приложения же в массе своей норовят получить доступ ко всему, что есть в смартфоне. Даже если это приложение типа «фонарика». На этом фоне то, что фитнес-трекер передает в неведомую даль информацию о физическом состоянии и распорядке дня своего владельца, кажется совершенно естественным.

Соответственно, как заявил Ашманов, связав внешне независимые данные, можно узнать о любом человеке если не все, то многое. И предложить ему не только контекстную рекламу, но и создать вокруг него «информационный пузырь», меняющий его взгляд на мир. А распорядок дня, график перемещений и физическое состояние официального лица и вовсе могут дать больше развединформации, чем традиционные методы шпионажа.

Национализировать осторожно коммерциализировать

Решением, по мнению Ашманова, может стать «национализация» больших персональных данных — пользователь своими данными распорядиться (запретить собирать или использовать) все равно не сможет; сборщики и агрегаторы ими владеют не вполне законно

Взять на себя регулирование их оборота должно государство — создать честный рынок, вложиться в его развитие, заниматься просвещением пользователей, созданием площадок, с помощью которых пользователи смогут управлять своими большими персональными данными.

Коммерческий сектор, со своей стороны, должен прекратить попытки их приватизировать, а вместо этого принять отраслевые этические кодексы по работе с ними, разработать стандарты информирования пользователей и государства об обороте больших персональных данных.

В частности, необходимо создать государственный стандарт пользовательского соглашения — иначе пользователь по-прежнему будет «не глядя» соглашаться на все предложенные условия использования его данных. Если же сервис будет вынужден прописывать в явном виде больше полномочий на работу с пользовательскими данными, чем предусматривает госстандарт, может, кто и задумается.