Sorry, this entry is only available in Russian. For the sake of viewer convenience, the content is shown below in the alternative language. You may click the link to switch the active language.
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.
Фото: DR
Автор: Дмитрий Блинов