ИТ-портал компании «Инфосистемы Джет»

Машинное обучение - научная фантастика и реальная работа

Машинное обучение - научная фантастика и реальная работа

Для меня сегодняшний день — это точка пересечения двух различных историй из двух совершенно разных миров.

Одна история из числа привычных на работе. Мы больше двух десятилетий занимаемся интеграцией данных, построением хранилищ, созданием на их базе систем поддержки решений, аналитики и т.д. В этой истории есть кейсы, истории успеха, перерасход трудозатрат на контрактах, а также поиск технологических новинок как в плане решений и технологий, так и в плане менеджмента, подходов к организации проектов. Сейчас, когда ИТ становятся все ближе к Core business у наших заказчиков и они все больше наращивают ИТ-компетенции, необходимо очень быстро бежать вперед, чтобы не отстать от них, чтобы наши технические и консалтинговые компетенции были передовыми и востребованными.

Другая история берет начало в прочитанных в детстве книгах: 3 закона робототехники, Массачусетская машина и великое кодирование, — если вы понимаете, о чем я. И эта история так же стремительно развивается. В школьные годы я обыгрывал в шахматы максимально мощный доступный мне компьютер с самой сильной программой из числа доступных мне. А сегодня мои шансы в игре с компьютером в шахматы или в го равны нулю. Мои дочери обижаются на Алису от Яндекса, когда в разговорах та особенно им дерзит. И из каждого утюга я слышу про самую хайповую тему современности (не считая блокчейна, конечно): искусственный интеллект, «озера данных» и машинное обучение.

И эти два мира стремительно объединяются.

Почему сегодня

Причина объединения этих миров банальна и традиционна — экономическая целесообразность.

Два-три года назад мы только решили выделить машинное обучение и работу с Большими данными как направление стратегического развития. Когда мы приходили к заказчику и рассказывали про перспективный набор решений, встречали нас холодно, и я чувствовал себя торговцем «нанотехнологиями» или гербалайфом. Сейчас же, оперируя набором успешных кейсов, я чувствую себя на порядок увереннее.

Причем еще 5 лет назад те же самые кейсы не сошлись бы. Раньше было дороже железо, слабее математика, меньше данных. Если по итогам внедрения машинного обучения 5 лет назад можно было заработать, условно, 100 рублей, а потратить на проект нужно было 150, проект не стартовал. Теперь же потратить нужно 80, заработать можно 120, а «железо» продолжает дешеветь, и математика стремительно развиваться. Так что объединение фантастики и практики — прямое следствие научно-технического прогресса и стремления к экономической эффективности.

Неизбежность изменений

В одном проекте по предотвращению брака на промышленном производстве мы работали с 1200 параметров, из них более 800 существенно влияли на то, уйдет итоговое изделие в брак или нет. Это химические и массовые характеристики, температура, скорость элементов производственного процесса, показания приборов и настройки станков. Причем не было такого, что 5–10 параметров влияли сильно, а остальные слабо. Понятно, что ни в одной человеческой голове увязать между собой сложно взаимозависящие 800 параметров в точную модель невозможно. Семидесятилетний мастер, основываясь на интуиции, меняет какие-то 3 настройки, и брак пропадает, но объяснить свое поведение он не может: пример обучения многолетней практикой биологической нейросети в мозгу мастера. Но доверие к такой нейросети и интуиции — не самое надежное основание для бизнеса.

При этом число доступных данных во всех областях растет. На продажи пива в магазине влияет прогноз погоды, итоги вчерашнего матча, дизайн упаковки, выкладка на полке, расположение в торговом зале, час, день, курс доллара, тематика самых обсуждаемых топиков в соцсетях и 100 тысяч других параметров. Сейчас все эти данные оцифровываются и доступны для анализа. Тот, кто их анализирует, более экономически эффективен. Значит, анализировать их будут все, кто выживет в конкурентной борьбе. Человек становится все более неэффективным с ростом доступных для анализа данных и типов данных, даже человек, вооруженный самыми современными формулами и средствами визуализации. А значит, все, кто выживет, будет учить и использовать машину, пускать ее во все новые области традиционной человеческой деятельности.



Как попасть в завтра

При этом для конкретного бизнеса в движении к цифровому завтра всегда есть риск остаться только в мире научной фантастики и футурологов, хайпа и пресс-релизов.

Взять исторические данные, провести с ними хакатон, выложить по его итогам фотки в Инстаграм, а пресс-релиз на корпоративный сайт, научились все. Довести проект до промышленной эксплуатации — уже не все. Провести комплексное изменение компании и выстроить конвейер перестройки бизнес-процессов с учетом открывшихся возможностей — единицы. А конвейер на самом деле — самое главное. Если менять по одному процессу в год, изменяться можно вечно. Особенно учитывая, что у взятого отдельного бизнес-процесса можно увеличить эффективность на считанные проценты. Мы, как мне кажется, за годы экспериментов на себе и сотрудничества с нашими партнерами попали в число этих единиц.

Вызовы окружают нас со всех сторон. Технические вызовы: в онлайн-режиме не уронить производственную базу, откуда в модель валятся данные, все оттестировать, интеграция и изменения систем, с которыми интегрироваться. Проектные вызовы — на стыке желаемого и возможного сформулировать постановку задачи, определить критерии успеха, выстроить постоянное взаимодействие с бизнес-заказчиком в ежедневном формате. Организационные задачи — нужно выделить деньги на новое направление и не потратить их впустую, нужно подготовить инфраструктуру под новые возможности, нужно, собственно, менять организацию, и в рамках этого конвейера перестройки бизнес-процессов нужен кто-то, кто будет за все это отвечать. Вещи, на первый взгляд, банальные, но сюрпризов в таком большом деле масса.



Например, сейчас все говорят о важности постоянного контакта с бизнес-заказчиком. Мы сами сделали уже, наверное, сотни проектов в логике Agile, но, как оказалось, еженедельного контакта с бизнес-заказчиком для успеха катастрофически недостаточно. Практика нас научила, что во многих проектах специфика такова, что Data Scientist и бизнес-заказчик должны общаться ежедневно, работать вместе. Это важно для той же точной настройки модели, максимально корректной интерпретации ее результатов, особенно промежуточных неудач и аномалий, где нужна экспертиза в предмете, причем не общая, которую мы уже накопили в ряде отраслей, таких как ритейл, промышленность, банки и т.п., а конкретная, именно по данному бизнесу. На стартовых проектах мы уверенно планировали еженедельные встречи, так как их обычно хватает. А на многих проектах, даже когда заказчик и исполнитель работают в одной компании, так сейчас и происходит, и часто приводит к конечному неуспеху.

Здесь должен бы следовать логичный вывод: лучшего партнера для построения конвейера изменений и движения по нему, чем мы, с конкретными успешными кейсами и решениями, опытом управления изменений, вам не найти. Но не знаю, не вырежет ли редактор такую саморекламу.



Вернуться к списку статей
Оставьте комментарий
Мы не публикуем комментарии: не содержащие полезной информации или слишком краткие; написанные ПРОПИСНЫМИ буквами; содержащие ненормативную лексику или оскорбления.
О журнале

Журнал Jet Info регулярно издается с 1995 года.

Узнать больше »
Подписаться на Jet Info

Хотите узнавать о новых номерах.

Заполните форму »
Контакты

Тел: +7 (495) 411-76-01
Email: journal@jet.su