Трудовой Кодекс РФ с комментариями ТК РФ, бесплатные консультации юристов
Мы живем во время хаотичной автоматизации бизнеса. Как технологии машинного обучения могут упорядочить этот процесс?
Сегодня искусственный интеллект применяется в совершенно разных сферах, включая реализацию потребностей бизнеса (обучение, медицина, сфера обслуживания), однако отдельных решений, призванных настроить анализ сквозных показателей, оценивающих работу нескольких отделов и их взаимосвязь (в том числе, неявную) – фактически нет.
Самый близкий аналог ИТ-решения подобного плана– это программы бизнес-аналитики, или BI-системы, но они прежде всего нацелены на конструирование отчетов и моделей с использованием инструментария промежуточного семантического слоя, требуя внимания высококвалифицированных специалистов для своей настройки и развития. Методология их внедрения часто подразумевает длительную настройку и ввод в эксплуатацию, которая подчас переходит за все разумные границы. Ситуация, когда при запуске BI-системы в промышленную эксплуатацию уже имеется объемный список дополнительных «хотелок» — это, скорее, правило, чем исключение. Тем не менее, фрагментарно – в рамках каждого отдела – всегда существует своя система показателей, и одной из важнейших задач сквозной системы анализа является связывание таких частных индикаторов через понятные, прозрачные алгоритмы и формулы.
Искусственному интеллекту не нужны формулы и алгоритмы – в этом есть его серьезное преимущество перед классическими системами. Он может достаточно легко, базируясь лишь на статистике, выполнять мониторинг показателей и индикаторов, определяя неявные связи и зависимости, влияющие на работу целой компании. ИИ может выступать как приложением и дополнением к BI-системам, так и работать самостоятельно, интегрируясь в любую корпоративную информационную систему на уровне выходных данных. Он может взять на себя не только функцию анализа, но и прогнозирования будущих проблем и даже санации бизнеса.
Если говорить о параллелях, то для бизнеса до сих пор нет решения на базе AI аналогичного IBM Watson в медицине, когда сканируется весь организм, и выявляются неочевидные факторы, влияющие на здоровье. Или же инструментов, похожих на ИИ-программы кредитного скоринга, оценивающие потенциального кредитора по неочевидным факторам, просчитывая риски банка.
Признаем, что мы живем во время хаотичной автоматизации бизнеса, которая чаще всего идет по двум сценариям: предельная централизация ИТ-решений в компании, и предельная их децентрализация.
Первый сценарий предполагает, что бизнес выбирает глобальное ИТ-решение для учета и контроля всех процессов, но в большинстве случаев полученное в результате внедрения решение неповоротливо, негибко, и дорого обходится компании на уровне стоимости владения. Чаще всего, решение о централизованной автоматизации принимается на самом высоком уровне с целью получить максимальную отдачу – «ведь это одна платформа и лучшие практики, работающие в одном информационном пространстве». Обычно, впоследствии вокруг такого продукта появляется множество систем-сателлитов, решающих часть задач.
Централизованное решение может внедряться компанией по разным причинам: кто- то хочет увеличить капитализацию бизнеса, внедряя известные ИТ-продукты от мировых гигантов и повышая привлекательность в глазах инвесторов и акционеров. Кто-то хочет решить проблему разобщенности бизнес-процессов. Однако, на сегодняшний день нет ни одного централизованного решения, которое позволяло бы полнофункционально автоматизировать конкретные бизнес-процессы и задачи, как это получается при использовании отдельно взятых, специализированных продуктов. Кроме того, рано или поздно в компании появляется понимание, что единый продукт или платформа вовсе не означает единую систему отчетов и показателей, на базе которых можно было бы принимать взвешенные решения.
Работая по второму сценарию, компания выбирает целый ряд небольших отраслевых решений (например, автоматизация склада, бухгалтерия и т.д.), которые внедряются последовательно («исторически»), обычно плохо или сложно между собой скоординированы, дублируют функционал друг друга, и не могут дать собственнику бизнеса однозначной и полной картины происходящего. На выходе – «карточный домик» из разных систем управления и учета, где достаточно тронуть одну из частей, и он рискует развалиться. Такая картина характерна для компаний, работающих в производственном секторе. Происходит чаще всего так: ставится система управления торговлей, система управления производством, PDM-система, MES-система, WMS для склада (компания автора, LogistiX, предоставляет решения в сфере автоматизации склада — Forbes), вводятся единые стандарты технологической документации. На определенном этапе, компания «выравнивает» процессы и связь между системами, и получает работоспособную ИТ-инфраструктуру. Однако, имея разные системы, рано или поздно возникает вопрос их связи на уровне подсистемы анализа данных, чтобы иметь возможность оценивать работу нескольких отделов сразу. Вот здесь и возникает большой (и часто совершенно нерентабельный) проект разработки универсальной отчетности и сквозных показателей.
Оба сценария приводят к возникновению потребности в дополнительной системе отчетности или продукте для анализа и прогнозирования значений показателей, но при этом мало где можно найти «лучшие практики», которые помогли бы предприятию, активно развивающемуся в условиях высококонкурентного рынка. Особенность заключается в том, что именно в попытке обогнать конкурентов формируются уникальные особенности бизнес-процессов, которые трансформируются в конкурентные преимущества.
Тем не менее, в определенный момент времени руководство понимает, что реакция на идентификацию проблемы, поиск причины и ее устранение занимают слишком много времени и требуют вовлечения множества разнопрофильных специалистов. На некоторых предприятиях этим занимаются целые команды, образованные внутри каждого подразделения или отдела, обеспечивая должный уровень гибкости и эффективности.
Тот период, когда наличие проблемы уже понятно для руководства, но рабочие команды её не осознали («К пуговицам и рукавам же претензий нет..?»), является самым важным: капитан видит в бинокль скалу, и может сбавить скорость и поменять курс, пока та не оказалась слишком близко. В данном случае очень важно иметь тот самый «бинокль», роль которого часто выполняет какая-либо система отчетности, KPI, BI-подсистема, либо некое аналитическое приложение. «Скалами» же являются изначально неизвестные внешние и внутренние факторы: конкретные реализации процессов и их исполнители, поставщики и клиенты, и другие, порой очень неявные, и непредусмотренные в имеющемся инструментарии для ситуационного анализа. Теперь представьте, что у «бинокля» есть множество сменных трафаретов, меняя которые можно определить препятствие: скала, земля, айсберг… Примерно так и работает большинство аналитических подсистем. Универсальных трафаретов нет, и компании вынуждены проходить свой путь проб и ошибок, чтобы их сформировать, и выдать управленцам готовые шаблоны для оценки ситуации.
На мой взгляд, технологии искусственного интеллекта открывают перед бизнесом огромные преимущества по формированию экспертных систем нового поколения: обучение одной такой системы для конкретного предприятия позволяет не только получить своевременную реакцию на изменение условий, но и получить сведения о влиянии на тот или иной результат совершенно разнородных факторов.
