В рамках празднования пятнадцатилетнего юбилея Московской школы управления СКОЛКОВО состоялась дискуссия, посвященная использованию технологий управления данными и предсказательного моделирования в бизнесе. Генеральный директор BSSG Юрий Клочко, руководитель, основатель и CEO компании Cyberphysics Сергей Николаев, руководитель департамента больших данных и продвинутой аналитики ритейл-сети «Лента» Павел Мягких и руководитель отдела взаимодействия с бизнесом компании Borealis AI Александр Скотт обсудили, возможно ли компании выжить в современном мире без использования больших данных.
Неизбежность автоматизации
Тенденция к автоматизации труда сопровождает человечество со времен изобретения каменных наконечников и палки-копалки. В определенном смысле человек эволюционировал именно благодаря стремлению облегчить себе жизнь с помощью различных приспособлений и механизмов. Формирующийся новый технологический уклад значительно усиливает эту тенденцию. Благодаря большим данным и искусственному интеллекту автоматизации впервые подвергаются не только конкретные механические задачи, но и процесс принятия решений.
Павел Мягких отметил, что в рамках внедрения цифровых технологий в бизнес стоит выделять два направления автоматизации: автоматизацию процессов и автоматизацию решений. Первая предполагает внедрение различных информационных систем и уже реализована абсолютным большинством компаний. Грубо говоря, сегодня трудно представить крупную BTC-фирму, которая не использует в своей работе аналитику данных и цифровых платформ. Подобная компания была бы практически обречена на проигрыш своим конкурентам. В свою очередь, автоматизация решений затрагивает функционал менеджеров. Специалисты по большим данным обучают модели как помогать сотрудникам в принятии решений, так и принимать их вместо сотрудников.
Этот процесс, который также называют гиперавтоматизацией, пока не принял такого масштаба как автоматизация процессов. Тем не менее, по мнению Мягких, повсеместное внедрение подобных технологий — лишь вопрос времени. Как показывает практика, автоматизация решений работает и позволяет компаниям значительно повышать свою маржинальность. Фирмы, которые внедряют данные технологии, получают преимущество на рынке, а значит, их конкуренты неизбежно будут следовать в их фарватере, чтобы не отстать.
Скотт подчеркнул, что в банковской сфере сегодня невозможно выжить без использования больших данных и предикативной аналитики. Без них невозможно предложить клиенту оптимальный набор услуг и обеспечить качественный клиентский опыт. Задача банка сегодня — предоставлять пользователю те продукты, которые нужны тогда, когда они нужны. Это особенно критично для нового поколения клиентов, не мыслящего себя без цифровых сервисов. Участники дискуссии добавили, что знание своего клиента необходимо для всех компаний ВТС-сектора вне зависимости от специализации.
Не обойтись без предикативной аналитики и в вопросах борьбы с мошенничеством. Поскольку для банков показатель надежности — один из ключевых, необходимо иметь возможность определять потенциальные «тонкие места» и ликвидировать их раньше, чем ими успеют воспользоваться злоумышленники.
Человеческий фактор и фабрики без людей
Хотя промышленность исторически была в авангарде автоматизации, новая технологическая революция переместила ее, скорее, в арьергард. Технологии искусственного интеллекта начали внедряться здесь позже, чем в ВТС-секторе, и до сих пор существует довольно много заводов, работающих по старинке. Тем не менее, все больше компаний обращаются к специалистам по большим данным для оптимизации работы своих предприятий.
По словам Николаева, перед управлением данными в промышленности стоят две ключевые задачи. Первая заключается в том, чтобы минимизировать риск внезапного выхода из строя большого и дорогостоящего оборудования, такого как турбина. Методы предсказательного моделирования могут помочь рассчитать износ и предупредить о предстоящей поломке. Таким образом, вместо дорогого и экстренного ремонта можно обойтись относительно дешевым и плановым.
Вторая задача — это онлайн-оптимизация режимов процессов производства. С помощью анализа данных можно настроить гибкие режимы, подстраивающиеся под ситуацию. Это особенно актуально для непрерывных производств в таких отраслях, как металлургия, химия и нефтехимия. Происходящие в них процессы очень динамичны, в то время как классические автоматизированные системы управления детерменистические. Поэтому необходимы модели, которые смогут оперативно учитывать постоянно меняющиеся условия. Они позволят увеличить выпуск продукции или уменьшить процент брака.
Человек принципиально не способен справиться с подобной задачей, поскольку для этого специалисту пришлось бы круглосуточно отслеживать сотни различных показателей. Это применимо и к производству в целом: ни один технолог или инженер не знает всех аспектов работы завода, он является специалистом по своему участку. Современный подход предполагает, что все данные о работе фабрики стекаются в единый хаб, где искусственный интеллект обрабатывает их и позволяет видеть картину в целом.
Уже сегодня в наиболее развитых странах существуют так называемые фабрики без людей. В перспективе подобные высокоавтоматизированные производства станут стандартом, в том числе и в России. Соответственно, трансформируется роль инженера, он будет не столько специалистом по части производственных процессов, столько автором моделей по дистанционному управлению оборудованием и заводом в целом.
Технологически внедрение подобных решений во многих отраслях возможно уже сегодня, однако существует ряд психологических и управленческих барьеров. Топ-менеджмент предприятий нередко понимает, что в современном мире нельзя выжить без управления данными, однако инженеры и технологи очень скептически относятся к тому, что математическая модель может распланировать производственные процессы лучше, чем человек. Потребуется время для того, чтобы преодолеть подобную инерцию мышления.
В будущем промышленные компании будут конкурировать в том числе и в сфере использования математических моделей. Сегодня это уже можно наблюдать в авиастроении: сокращение цикла разработки значительно повышает конкурентоспособность компании. Использование больших данных все больше проникает и в такие традиционные отрасли промышленности, как добывающая и обрабатывающая. При этом, в отличие от ВТС-сферы, производство меньше зависит от людей и больше от законов физики. В перспективе это позволит предприятиям продавать хорошо настроенные модели другим заводам, которым потребуется лишь адаптировать ее к своим условиям.
Барьеры на пути Big data
В заключительной части дискуссии участники обсудили риски, которые несет использование больших данных. Скотт отметил, что зачастую качество доступных данных оставляет желать лучшего. Нередко в них содержатся существенные искажения, и их слепое использование может привести к несправедливым и дискриминирующим выводам предикативной аналитики. Хотя сами математические модели не могут быть неэтичными, они могут унаследовать неэтичные аспекты из датасета. Подобные риски необходимо учитывать на этапе проектирования, чтобы избежать штрафов регулятора и репутационных издержек.
Мягких подчеркнул, что сегодня бесполезно бороться с внедрением искусственного интеллекта — нейросети уже все про нас знают, и наши данные используются в аналитике. В то же время нет абсолютно защищенных систем, и это создает существенные риски с точки зрения недобросовестного использования. По мнению спикера, манипуляции с общественным мнением, обменом информацией, политическими процессами при помощи больших данных гораздо опаснее, чем пресловутые роботы-убийцы.
Эксперты также обсудили этические аспекты использования искусственного интеллекта в медицине и в пассажирских перевозках. Несмотря на то, что статистика доказывает эффективность применения нейросетей, в этих сферах существует ряд психологических барьеров, которые человечество пока не преодолело. В медицине дополнительным сдерживающим фактором внедрения искусственного интеллекта также является ограниченная доступность данных.
Спикеры сошлись во мнении, что психологические факторы и качество данных тормозят применение математических моделей также и в других отраслях. При этом эти два аспекта находятся в связке, поскольку данные генерируются в том числе людьми, которые со скепсисом относятся к технологиям.
