RAIF-2019: Bring AI to life
Репортажи Репортажи

Лучшие практики внедрения искусственного интеллекта и Machine Learning (ML) для оптимизации бизнес-процессов.

Главная>Репортажи>RAIF-2019: Bring AI to life
Репортажи

RAIF-2019: Bring AI to life

Дата публикации:
15.11.2019
Посетителей:
96
Просмотров:
108
Время просмотра:
2.3
22–23 октября 2019 г. в рамках международного форума «Открытые инновации» состоялся третий практический бизнес-форум RAIF (The Russian Artificial Intelligence Forum). Организатором мероприятия стала ИТ-компания «Инфосистемы Джет», реализовавшая несколько десятков проектов по искусственному интеллекту (AI).

 

За 2 дня перед участниками форума выступили более 50 спикеров из российских и зарубежных компаний, которые в формате докладов и дискуссий обсудили сложности цифровой трансформации и поделились опытом применения искусственного интеллекта и Machine Learning (ML) для оптимизации бизнес-процессов.

 

Как довести ML-проекты до эксплуатации

 

Несмотря на то что искусственный интеллект — тема очень популярная, доля успешных внедрений на российском рынке пока катастрофически мала — 5% (по результатам исследования «Инфосистемы Джет», в 2019 г. этот показатель может увеличиться до 7%).

 

Причины такого небольшого количества проектов кроются в отсутствии необходимой инфраструктуры, преобладании консервативных корпоративных процессов, наличии ошибок в оценке стоимости разработки и сроков, в отсутствии квалифицированных кадров. Об этих и других сложностях внедрения рассказали спикеры пленарной сессии «Bring AI to life: как довести ML-проекты до успешной эксплуатации». Ее открыл доклад Владимира Молодых, директора по разработке и внедрению ПО компании «Инфосистемы Джет», посвященный аспектам реализации AI-проектов. «Успехом я в первую очередь называю выход в промышленную эксплуатацию, повышение качества сервиса и заработанные или сэкономленные деньги», — отметил он.

 

Владимир рассказал о сложностях, с которыми чаще всего сталкиваются специалисты «Инфосистемы Джет» на проектах по внедрению искусственного интеллекта. Прежде всего это отсутствие качественных данных. «Мы часто говорим: чтобы AI и ML работали, данные должны быть качественными. Но за этим лежит еще один глубокий пласт: процессы должны быть построены таким образом, чтобы те, кто эти данные вносит, не имели возможности их фальсифицировать, — подчеркнул эксперт. — Иначе эффективно применять AI не удастся, так как модель будет строиться и обучаться на заведомо ложных данных».

Еще одним тормозящим фактором является то, что разработкой и внедрением AI-проектов обычно занимается небольшая группа программистов, которую возглавляет Chief Data Officer (CDO). Но для того чтобы подобные проекты состоялись, необходимо участие широкого спектра специалистов: представителей инфраструктуры, подразделений информационной и физической безопасности, а также юристов, бухгалтеров и, конечно, бизнеса.

 

«Рассчитывать на то, что небольшая команда во главе с CDO полноценно внедрит AI, нельзя. Для этого вся компания, начиная с руководства, должна быть нацелена на то, чтобы жить в новой реальности. Chief Data Officer не может в одиночку изменить процессы ни в информационной безопасности, ни на производстве», — отметил Владимир.

4 фактора успешной реализации AI-проектов:

  1. Грамотная постановка задачи. Результат должен быть измерим, достижим и необходим бизнесу.
  2. Качественные данные. Для анализа в компании должны быть собраны все возможные данные.
  3. Правильно организованное хранение данных. Хранение должно сопровождаться мониторингом, чтобы предотвратить «гниение» данных. К тому же оно должно быть достаточно гибким, так как структура данных постоянно меняется.
  4. Командная работа. Необходима совместная работа дата-сайентистов с бизнес-экспертами и специалистами из других подразделений.

Внедрение невозможно без обучения ИИ-модели, ведь данные неизбежно будут меняться. Владимир подчеркнул: «Жизнь меняется, и данные точно изменятся: появятся другие товары в товарной матрице, в банке начнут выдавать кредиты по обновленным условиям, приедет новый станок. Если каждый раз после покупки нового станка нужно будет перевнедрять AI-систему, искусственный интеллект просто не будет работать».

 

Поэтому еще на этапе планирования проектная команда должна предусмотреть механизмы доработки AI-решения после его вывода в промышленную эксплуатацию.

Как искусственный интеллект помогает добывать нефть, калий и металл

Организаторы RAIF сделали акцент на практике. И этот подход оправдал себя. Больше всего участников набирали секции с выступлениями представителей промышленности, которые делились опытом внедрений AI и ML, рассказывали о препятствиях, с которыми сталкивались их компании при переходе от пилотных проектов к продуктиву.

О проблемах, связанных с качеством данных, говорил каждый спикер, в том числе Павел Вахнин, вице-президент по информационным технологиям и автоматизации процессов лесопромышленного холдинга Segezha Group. Так, реализуя проект по применению ML для предсказания вероятности разрыва бумажного полотна, они столкнулись с тем, что данные были неполными. Решение включает цифрового двойника бумагоделательной машины, интерфейс пользователя и терминал доступа к оперативной информации. Система не только посылает на пульт оператора сигналы, предупреждающие об обрыве, но и указывает на его потенциальную причину, что позволяет оперативно устранять технические неполадки. Решение предсказывает вероятность разрыва полотна с точностью 95%. До внедрения системы в месяц происходило до 100 обрывов с 30-минутным перерывом на перезапуск оборудования, что приводило к большим финансовым потерям.

 

Вторым фактором, усложняющим внедрение инноваций, зачастую является специфика компании. Об этом говорил Анджей Аршавский, директор по анализу данных и моделированию «Газпром нефти». На примере своей компании он рассказал о нюансах оцифровки добычи нефти. Так, до сих пор на 100% невозможно смоделировать вид недр и нефтеносных пластов. В этом случае помогает использование цифровых двойников.

 

В этом разрезе интересен опыт компании «Уралкалий», о котором рассказал на пленарной сессии Кирилл Алифанов, директор по информационным технологиям. «Одна из наиболее сложных наших систем — это цифровой двойник подземного комплекса, представляющий собой единое информационное пространство, в котором работают машины и технологи. Геологи в реальном времени видят, как идет работа под землей, и корректируют действия технологов. Это повышает эффективность добычи и обеспечивает безопасность на рудниках», — отметил Кирилл.

«Уралкалий» — один из крупнейших производителей калийных удобрений. Доля компании в их мировом производстве достигает 20%, протяженность активных подземных выработок составляет 1500 километров.

В штате компании 20 000 человек, 8000 из них работают под землей на травмоопасном производстве, поэтому обеспечение безопасности является одной из приоритетных задач. Для ее решения была внедрена система позиционирования, построенная с применением технологий машинного обучения. Она позволяет отслеживать расположение людей и техники под землей.

 

Сейчас в компании идет внедрение системы, которая в автоматическом режиме будет глушить двигатель машины при сокращении расстояния между опасным оборудованием и сотрудником до значения, при котором может возникнуть угроза жизни и здоровью.

 

Кирилл обозначил основную проблему, стоящую сейчас перед ИТ-директорами, — выбрать из предложений, которые есть на рынке, именно то, которое действительно сработает для их отрасли. «Основную технологическую проблему я вижу в том, что те, кто выводит технологии на рынок, не обладают знаниями специфики бизнес-процессов, а без этого что-то менять невозможно. Я уверен, что все мы были бы намного успешнее, если бы в этом подходе что-то поменялось», — подчеркнул он.

 

Третий немаловажный фактор, влияющий на внедрение ML и AI, — необходимость согласованных действий разных подразделений компании и отсутствия внутренней конкуренции. Зачастую складывается следующая ситуация: во внедрение вовлечены специалисты из разных подразделений с различными KPI, в том числе противоречащими друг другу.

Анджей Аршавский отметил: «Очень важно сделать так, чтобы в рамках проекта по цифровизации KPI были выровнены, чтобы они не противоречили друг другу. Тогда профит от внедрения AI-решений возрастет на порядок».

 

Для качественной реализации ML-проектов в компании должно быть сформировано ядро команды — специалисты, отвечающие за внедрение на всех его этапах, от идеи до воплощения. По ходу реализации люди могут меняться, но ядро команды должно сохраняться.

 

О человеческом факторе в своем докладе говорил и Анатолий Насонов, CIO «Абинского ЭлектроМеталлургического завода». Перед тем как приступить к внедрению ML для оптимизации промышленных процессов, ИТ-подразделение провело большую просветительскую работу с коллегами-металлургами, так как отношение к цифровизации у них было резко отрицательное.

 

«Самая большая трудность — разговорить технологов и руководителей цехов, — рассказал Анатолий. — Если ИТ-специалисты говорят с ними на одном языке, это существенно повышает шансы на успех». В качестве примера он привел опыт коллег из компании «Инфосистемы Джет», которые взяли в свой штат металлурга для повышения качества реализации ML-проектов в этой отрасли.

 

При производстве стали ошибка стоит очень дорого. Главная цель внедрения ML на заводе — оптимизация работы сталеваров и снижение количества их ошибок. В результате были оптимизированы режимы работы энергопотребляющего оборудования, минимизированы расходы ферросплавов и металлолома, из которого на заводе получают 400 марок стали.

 

Анатолий не назвал конкретные цифры, но заверил, что экономический эффект от внедрения был ощутимым

Государство и цифровизация

Госорганизации тоже понимают необходимость цифровой трансформации, но, к сожалению, сильно отстают от промышленников — некоторые из них еще не прошли стадию автоматизации. О трудностях, с которыми сталкивается государство на этом пути, рассказала Мария Шклярук, академический директор программы повышения квалификации «Руководитель цифровой трансформации» ВШГУ РАНХиГС, генеральный директор Центра перспективных управленческих решений.

 

На сегодняшний день цифровая трансформация в государственном управлении имеет два вектора: создание цифровых платформ в ведущих отраслях и сферах жизнедеятельности, а также внедрение суперсервисов для оказания госуслуг гражданам.

Суперсервисы — комплексы государственных услуг, сгруппированные по типичным жизненным ситуациям. Это следующий шаг развития электронных услуг.

Суперсервис — флагманский проект государственного управления, который должен качественно изменить способ оказания госуслуг. «Как только суперсервисы станут массовыми, начнет накапливаться огромное количество данных, в первую очередь о нас как о гражданах. Они будут фиксироваться в нашем цифровом профиле», — прокомментировала Мария.

 

По ее словам, цифровой профиль не станет цифровым двойником человека, скорее, он будет источником данных для государства о потребностях и изменениях в жизни у того или иного гражданина. Другое направление, способное изменить государственное управление, — появление цифровых платформ. Их создание позволит накопить такой объем данных, который трансформирует представление о социально-экономических процессах. Сейчас, принимая решение, госслужащие зачастую опираются на данные Росстата годичной давности. Но когда данные начнут поступать в режиме реального времени, представители госорганов смогут наблюдать за тем, как принятое ими решение влияет на жизнь граждан, что называется, здесь и сейчас.

Инфраструктура и ПО для запуска и отладки ИИ-моделей

Когда речь заходит о внедрении AI-решений, вокруг инфраструктуры разворачиваются горячие споры: на каком ПО и железе это делать, должны ли они быть только отечественными или без зарубежных вендоров не обойтись?

 

На RAIF этой теме была посвящена отдельная секция, которую открыл Александр Краснов, директор по продуктам и услугам Департамента вычислительных комплексов, сервиса и аутсорсинга компании «Инфосистемы Джет». «Современная инфраструктура тоже “живет” в коде, ее нужно тестировать, верифицировать, ею необходимо грамотно управлять», — отметил он. Эксперт обозначил трех богатырей в ИТ любой крупной компании: разработку, безопасность и эксплуатацию. Чтобы по максимуму использовать современные инструменты разработки и тестирования, необходимо объединить усилия их всех.

В своем выступлении, посвященном DevSecOps, он призвал внедрять системный подход к ИТ и отметил, что на Западе компании повсеместно переходят к микросервисной архитектуре. На отечественном рынке в силу его специфики это пока невозможно, поэтому ИТ-специалисты вынуждены использовать оркестраторы для балансировки нагрузки, обеспечения масштабируемости и повышения отказоустойчивости инфраструктуры.

 

С экспертом согласился Александр Алехин, Chief technology officer Leroy Merlin. «Наша компания сейчас находится в процессе трансформации. С одной стороны, у нас много legacy-систем, с другой — мы уже используем современный подход к разработке. В идеальной картине мира нужно строить системы с новой архитектурой, инфраструктурой и культурой разработки», — сказал Александр.

 

По его словам, главная задача ИТ-подразделения — предоставить командам разработчиков технологическую платформу и инструментарий для оптимизации рутинных операций.

 

Об автоматизации разработки говорил и Дмитрий Никитин, исполнительный директор по аналитике данных Сбербанка. Он рассказал о том, какие инструменты позволяют в минимальные сроки разрабатывать ML-модели и выводить их в продуктив, в том числе о роли в этом процессе быстрого прототипирования и автоматической генерации кода. «Для запуска ML-решения еще на этапе его разработки нужно позаботиться о выделении необходимой инфраструктуры», — подчеркнул он.

Информационная безопасность

Преимущества, которые дают AI и ML, несут в себе и угрозы. Этой теме была посвящена пленарная сессия «ML и Big Data: новые возможности и дыры корпоративной безопасности». Ее ведущий Андрей Янкин, директор Центра информационной безопасности компании «Инфосистемы Джет», отметил, что данные остаются очень привлекательной целью для злоумышленников. Главными объектами атаки на сегодняшний день являются телеметрия, финансовые транзакции и записи о клиентах.

 

По данным компании QIWI, каждый день в мире появляется 5 новых уязвимостей. Для эффективной борьбы с ними необходимы высокая скорость реакции и верная оценка угрозы: от какой именно уязвимости нужно защищаться немедленно.

 

Все спикеры, выступающие на RAIF, говорили о том, что информационная безопасность должна участвовать в разработке и что чем раньше ИБ-специалисты подключаются к этому процессу, тем лучше. Владимир Молодых подчеркнул: «Нельзя забывать об информационной безопасности: все старые вызовы сохранились, а новые технологии лишь пополняют этот список угроз».

 

При этом данные могут быть эффективным инструментом для борьбы с киберпреступниками. Это демонстрирует кейс, представленный Лидией Храмовой, Team Lead Data Scientist QIWI. Дата-сайентисты компании создали инструмент, помогающий ИБ-специалистам быстро оценить, от чего стоит защищаться в первую очередь. Это ценно, поскольку некоторые угрозы могут быть недооценены. Разработанная дата-сайентистами программа, используя теорию графов, разбивает все существующие уязвимости из открытой базы Vulner на классы и оценивает, насколько они значимы.

Заключение

Многие компании уже тестируют AI и ML, при этом количество внедрений пока катастрофически мало. Несомненно, внимание к данной теме в ближайшие годы не ослабеет. Но компании, которые задумаются о внедрении этих технологий, должны быть готовы к целому ряду проблем — от отсутствия необходимых данных и инфраструктуры до неприятия нововведений со стороны персонала. При этом, как показали рассмотренные на RAIF кейсы, проблемы представителей разных отраслей довольно похожи. Остается выработать общерыночные стандарты их решения

Уведомления об обновлении тем – в вашей почте

Реализация ИИ-проектов в нефтегазовом секторе

Почему ИИ лучше всех в мире играет в шахматы, но не готов заменить менеджмент на производстве?

«Для компаний с большими объемами бурения скважин создание Центра управления бурением дает практически мгновенный эффект»

В конце декабря 2015 года завершился проект создания мультидисциплинарного Центра сопровождения бурения (ЦСБ). Проект создания ЦСБ был инициирован «Газпром нефтью» для оптимизации и повышения эффективности процесса бурения скважин.

Вы сможете решать сетевые проблемы до того, как их обнаружат ваши пользователи

Каким компаниям нужен проактивный мониторинг сети? Чем проприетарные системы мониторинга отличаются от решений open source? Как выбрать решение?

"Мы не классический банковский продукт, мы стремимся быть удобным потребительским сервисом"

Лидер проекта «Совесть» Олег Ряженов-Симс объясняет, чем этот продукт отличается от кредитных карт и POS-кредитов и как можно заработать на «Совести».

Будущее уже здесь: как поставить искусственный интеллект на службу маркетологу

Как машинное обучение помогает выполнить KPI маркетолога? Какие преимущества поведенческого анализа может использовать бизнес?

Быть на одной волне с бизнесом

Чего ждет бизнес от информационной безопасности? Кто мой заказчик, и каких результатов он ожидает от моей деятельности?

Спасибо!
Вы подписались на обновления наших статей
Предложить
авторский материал





    Спасибо!
    Вы подписались на обновления наших статей
    Подписаться
    на тему







      Спасибо!
      Вы подписались на обновления наших статей
      Оформить
      подписку на журнал







        Спасибо!
        Вы подписались на обновления наших статей
        Оформить
        подписку на новости







          Спасибо!
          Вы подписались на обновления наших статей
          Задать вопрос
          редактору








            Оставить заявку

            Мы всегда рады ответить на любые Ваши вопросы

            * Обязательные поля для заполнения

            Спасибо!

            Благодарим за обращение. Ваша заявка принята

            Наш специалист свяжется с Вами в течение рабочего дня