На ежегодной выставке Computex, прошедшей в Тайбэе, топ-менеджеры компании Nvidia напомнили о том, что ее графические процессоры — не только для ускорения игр. Представленные типовые конструкции вычислительных узлов для высокопроизводительных вычислений основаны на готовящемся к выпуску графическом процессоре Nvidia Grace и «суперчипах» Grace Hopper, которые появятся в следующем году. Grace — это центральный процессор архитектуры ARM, первый такой чип Nvidia для серверного рынка, а Hopper — GPU нового поколения.

Всего суперчипов два: Grace, состоящий из двух центральных процессоров, и Grace Hopper, включающий центральный и графический процессоры. В обоих случаях компоненты суперчипа соединены высокоскоростным интерфейсом NVLink-C2C.

В Nvidia анонсировали четыре типовых конструкции узлов с суперчипами для разных групп задач: машинное обучение, инференс и высокопроизводительные вычисления; суперкомпьютерные нагрузки; работа с цифровыми двойниками; облачная обработка графики и игры.

В компании также объявили о том, что ее новые флагманские графические процессоры для серверов Ampere 100 будут охлаждаться водой. Такое решение принято, чтобы повысить компактность платы PCIe, на которой размещен чип: блок жидкостного охлаждения гораздо тоньше, чем радиатор и вентилятор, высота которых превышает 7 см. Выход Ampere 100 ожидается в третьем квартале, а в следующем году появится преемник этого ускорителя, чип H100 на базе Hopper, который тоже будет охлаждаться водой. Благодаря компактности в серверы можно будет устанавливать по две платы PCIe, а не по одной, сообщили в компании. К тому же, судя по тестам, ускорители расходуют на 30% меньше электроэнергии по сравнению с охлаждаемыми воздухом.

Кроме того, в Nvidia похвалились популярностью решений на платформе Jetson AGX Origin для периферийных и встроенных систем. Платформа, ориентированная на задачи искусственного интеллекта, представляет собой одноплатный компьютер с центральным процессором, имеющим 12 ядер ARM Cortex-A78AE, и графическим чипом Ampere A100. В связи с повышением спроса в Nvidia пообещали в этом году еще четыре типовые конструкции на базе Jetson с разными конфигурациями памяти.

Компания Broadcom готовит сделку по приобретению поставщика облачных сервисов и виртуализации VMware, хотя, судя по публикациям, в ближайшее время подписание соответствующего соглашения маловероятно.

Рыночная капитализация VMware составляет около 40 млрд долл., при этом предлагаемая цена покупки пока не разглашается. Если соглашение в конечном итоге будет достигнуто, оно станет очередной вехой в длинной череде приобретений Broadcom, которая в значительной степени состоит из многочисленных весьма крупных покупок.

В ноябре 2016 года Broadcom приобрела производителя сетевых коммутаторов Brocade почти за 6 млрд долл., в ноябре 2018-го – разработчика программных средств безопасности CA Technologies за 19 млрд долл., а в августе 2019-го – подразделение корпоративной безопасности Symantec более чем за 10 млрд долл.

Но самое громкое потенциальное приобретение Broadcom было заблокировано в 2017 году администрацией бывшего президента Трампа из-за опасений, связанных с национальной безопасностью. Тогда компания пыталась купить еще одного производителя чипов Qualcomm за колоссальные 117 млрд долл.

По мнению аналитиков Bloomberg, Broadcom придется предложить существенную премию к текущей цене акций, чтобы склонить VMware к сделке. В настоящее время 40% акций VMware по-прежнему принадлежат Майклу Деллу, главе ее бывшей материнской компании Dell Technologies. В ноябре 2021 года VMware отделилась от Dell. Теперь, когда стало известно, что она может быть продана, возможно появление и других потенциальных покупателей.

С учетом средней премии к рыночной цене акций, которая выплачивалась в последние несколько лет компаниям, разрабатывающим программное обеспечение, покупка VMware может стать одной из самых дорогих в истории.

В январе нынешнего года совет директоров VMware отклонил предложение от частной инвестиционной компании TRC Capital. Сделка предполагала продажу TRC 0,24% акций компании, находящихся в обращении, по цене ниже рыночной.

19 мая состоялась церемония награждения лауреатов конкурса на соискание премии Data Award 2022, организованного издательством «Открытые системы» и порталом «Директор информационной службы». Награды (ранее премия была известна как CDO Award) нашли своих героев уже в четвертый раз. В этом году победителей определяли в восьми номинациях, а кроме того, партнеры церемонии специальными призами отметили номинантов, которые немного не дотянули до победы.

Важно сказать, что награды Data Award практически во всех номинациях стали корпоративными, то есть присуждались не конкретным персонам, а компаниям. Вместе с тем на конкурсе впервые появились групповые заявки. Извлечение ценности из данных было признано «командным видом спорта», что и сместило фокус премии на работу с данными, а также отразилось в изменении названия.

В нынешнем году произошел трехкратный рост числа участников: в оргкомитет поступило почти 90 заявок, и организаторы были вынуждены серьезно повысить планку — ужесточить требования к проектам. В итоге к участию было допущено 60 заявок, а до финиша добрались 49 претендентов. Как и в прошлые годы, участников оценивал экспертный совет, состоящий из хорошо известных специалистов, которые вносят большой вклад в развитие отрасли данных в России.

В появившейся лишь в нынешнем году номинации «За создание цифровой экосистемы» заслуженную награду получила компания «Орлан», создающая единую экосистему российского строительного рынка. Решение призвано сделать строительный рынок полностью прозрачным, что в том числе позволит избавиться от нечистоплотных игроков и посредников. Систему начали внедрять в столичном регионе, а затем она была масштабирована и сейчас охватывает Северо-Западный регион и Татарстан. Кроме того, система используется в проекте «Новый город — 2025», который реализуется под Владивостоком. К 2025 году планируется оцифровать весь российский строительный рынок: охватить всех участников и создать полный функционал по заказу строительных материалов и реализации товаров и услуг, реализуемый через личный кабинет.

В номинации «За создание новой бизнес-модели, основанной на данных» лауреатом стала компания «К-Скай», трансформировавшая монетизацию медицинского проекта Webiomed. Компания отказалась от предоставления своих решений медицинским учреждениям и органам здравоохранения по модели подписки, взамен получив право использовать в научных целях данные, появляющиеся в системе. Теперь основной бизнес компании заключается в проведении исследований на основе накопленных данных. В 2021 году выручка проекта увеличилась в пять раз.

Победа в номинации «За обеспечение качества данных» присуждена компании Tele2 за создание полноценной экосистемы работы с данными. В качестве отмеченных заслуг Tele2 можно назвать не только выстраивание процессов управления данными, внедрение системы управления их качеством и построение каталога данных, но и «демократизацию» данных. Массовый перевод сотрудников на BI-инструменты самообслуживания, ставший возможным в результате наведения порядка в данных, позволил ускорить решение бизнес-задач.

В номинации «За достижения в подготовке специалистов по управлению данными» победила компания DIS Group с программой евангелизации подходов к управлению данными. В 2021 году обучение в тренинг-центре компании прошли более 500 человек (из них свыше половины — по направлению Data Governance), более 3 тыс. человек приняли участие в форумах и вебинарах. DIS Group в течение нескольких лет предпринимает большие усилия в области подготовки кадров для работы с данными и популяризации подходов data-driven в бизнес-сообществе, что и было отмечено экспертами.

Номинация «За повышение эффективности бизнеса» традиционно является самой массовой в рамках конкурса Data Award. За победу в ней сражаются многие «тяжеловесы» рынка, и наибольшие шансы имеют те, кто готов озвучить конкретные бизнес-эффекты от внедрения. В нынешнем году на присуждение премии в этой номинации подали заявки 14 участников, а лауреатом с огромным перевесом стала «Северсталь», представившая проект оптимизации работы листопрокатного стана 5000 с помощью машинного обучения. Фактически речь идет о создании «цифрового цеха» путем использования научных принципов и подходов для реализации полностью автоматизированного управления промышленными агрегатами. Достигнутый результат превзошел ожидания: производство выросло на 5%. За три квартала 2021 года было выпущено более 20 тыс. тонн дополнительной готовой продукции на сумму около 1 млрд руб.

В номинации «За реализацию инновационной идеи» экспертный совет премии отметил самарскую компанию «Смартс», разработавшую систему акустического мониторинга автодорог. Система на базе распределенного акустического сенсора позволяет контролировать ситуацию на участках дороги протяженностью до 100 км без подключения к энергетической инфраструктуре и с высокой точностью позиционирования событий на карте. Решение способно распознавать дорожные события и визуализировать на картах обстановку, выявляя превышение и внеплановое снижение скорости, съезд автомобиля на обочину, движение пешеходов и тяжелой техники, а также проведение дорожных работ. На данный момент в режиме реального времени стали «слышны» 240 км автомобильных дорог Самарской области.

В номинации «За реализацию социально значимых инициатив на основе данных» победила АНО «Цифровой регион» из Рязани с проектом оптимизации размещения экипажей скорой помощи, позволившим заметно повысить скорость реагирования медиков на вызовы. Каждая сэкономленная минута может спасти чью-то жизнь, и поэтому этот несложный с технической точки зрения проект нашел большой отклик у экспертного совета.

С самого первого сезона учредители премии присуждают приз «За вклад в популяризацию профессии», которым отмечают персональный вклад человека или усилия компании по продвижению подходов по управлению данными в бизнес-сообщество. В этом году лауреатов было двое: Яна Коваленко, директор проектов Центра цифрового развития АСИ, и Борис Рабинович, CDO «Сбера».

Партнер церемонии компания «Технологии Доверия» (российская команда PricewaterhouseCoopers) учредила специальную номинацию «За применение данных для повышения производительности труда». Приз получила компания «Полюс» за внедрение технологии Process Mining, позволившей оптимизировать бухгалтерские процессы. Лауреаты премии Data Award получили подарки от компании «АктивБизнесКонсалт», а участников церемонии поприветствовал генеральный директор АБК Дмитрий Теплицкий. Компания «Юнидата» подарила всем участникам книгу «Ценность ваших данных», авторами которой стали ее специалисты. Кроме того, компания Naumen своим призом отметила «Россельхозбанк» с экосистемой «Своё село», Ассоциация больших данных — проект «Велогород.online», а Агентство стратегических инициатив — Администрацию Нижнего Новгорода, представившую платформу управления городом «Лобачевский».

В рамках проходящей на Тайване выставки Computex топ-менеджеры AMD сообщили ряд новых подробностей о процессоре Ryzen 7000, который будет выполнен на базе новой архитектуры Zen 4 и потребует установки в новый сокет AM4. Чип был анонсирован еще в январе, а теперь стало известно, что его выпуск намечен на осень.

«Горькую пилюлю» перехода на новый сокет представители AMD подсластили сообщением о том, что сборщики компьютеров на Ryzen 7000 смогут устанавливать на него те же кулеры, что и на процессоры для сокетов AM4. При этом в компании добавили, что максимальные требования по теплоотводу у процессоров новой линейки составят 170 Вт. Можно отметить, что в AMD для указания таких требований пользуются собственным показателем Package Power Tracking вместо более общепринятого Thermal Design Power.

Раскрыты возможности ввода-вывода чипа — 24 канала PCI Express 5.0, до четырех портов HDMI 2.1 и DisplayPort 2. Вместе с процессором выйдут три чипсета для него, один из которых — с «лучшими из лучших возможностями разгона», как сообщили в AMD.

Что касается общей производительности, по словам генерального директора AMD Лизы Су, можно рассчитывать на 15-процентное ускорение однопоточных задач по сравнению с предыдущим поколением. Глава компании также пообещала увеличение числа инструкций, выполняемых за такт, и тактовую частоту «сильно выше 5 ГГц», подтвердив это демонстрацией работы опытной модели Ryzen 7000 на 5,5 ГГц при выполнении игры Ghostwire: Tokyo. Кроме того, было показано, как чип выполняет рендеринг проекта в системе Blender на 31% быстрее, чем процессор-конкурент, предположительно, Intel Core.

Дополнительно в AMD рассказали, что в Ryzen 7000 появятся новые инструкции для систем дополненной реальности и нейронных сетей, и о разработке технологии Smart Access Storage, которая должна значительно ускорить время загрузки игр.

Архитектура Zen 4 развивает наработки процессора Ryzen 6000 Mobile, который сегодня используется в целом ряде ноутбуков, включая Alienware m17 R5 Ryzen Edition. Летом также появится выполненный на Ryzen игровой ноутбук Corsair Voyager, адаптированный для стриминга, — он будет оснащен специальной сенсорной панелью с настраиваемыми кнопками. Помимо этого в AMD сообщили, что архитектуру Ryzen планируется адаптировать для Mendocino, нового процессора для бюджетных ноутбуков с длительным временем работы от батареи.

Компанию SAP Systemanalyse und Programmentwicklung 1 апреля 1972 года основала пятерка бывших сотрудников IBM. Среди них хорошо известен Хассо Платтнер, долгое время стоявший у руля SAP и до сих пор влияющий на руководящие решения в качестве председателя наблюдательного совета.

Сегодня немецкий гигант разработки программного обеспечения все еще играет в мировой премьер-лиге, имея возможность похвалиться даже более долгой историей, чем Microsoft, основанная в 1975 году, и Oracle, которая появилась в 1977-м. Бизнес SAP по-прежнему стабилен, хотя рост по сравнению с прежними годами резко замедлился: в 2021-м выручка и прибыль увеличилась лишь на 2%, тогда как конкуренты вроде Microsoft и Salesforce достигли двузначного роста. В предыдущие десятилетия SAP росла беспрецедентными темпами, которые падали лишь в периоды мировых кризисов — в 2003 году, когда лопнул пузырь доткомов, в 2009-м во время глобального экономического кризиса и в 2020-м в связи с пандемией. По сравнению с 2000 годом годовая выручка SAP выросла больше, чем вчетверо, штат — с 24 тыс. до 107 тыс. сотрудников. В Европе среди разработчиков ПО у компании нет равных — ближайшие соперники немецкая Software AG и французская Dassault Systemes сильно отстают по доходам. На мировом рынке, однако, гиганты во главе с Microsoft оставили SAP позади.

С началом третьего тысячелетия стало ясно, что структура ПО в будущем изменится — нужно новое поколение бизнес-приложений, модульных, гибких и доступных через Интернет. В SAP запустили масштабный проект Vienna, в рамках которого предполагалось превратить весь портфель ПО компании в модульный конструктор, но из-за разногласий в среде высшего руководства цели достигнуть не удалось. Представленное в 2007-м году компонуемое ERP-решение для предприятий малого и среднего размера Business ByDesign, на разрабоку которого были потрачены миллиарды, в итоге потерпело неудачу.

Следующей попыткой стал новый флагманский продукт SAP, база данных с обработкой в памяти HANA, призванная сбросить с систем SAP груз зависимости от СУБД Oracle и IBM. Она также стала основой облачного пакета продуктов S/4HANA, представленного в 2015-м году в качестве преемника Business Suite.

В первые десятилетия истории SAP разработка ее продуктов шла спокойными размеренными темпами. В 1980-х развивалось ПО SAP R/2 для мейнфреймов, в 1990-х — клиент-серверная система R/3. Все эти годы компанией руководили основатели — Дитмар Хопп с 1988-го по 1997, затем до 2003-го — Хассо Платнер. Его сменил Хеннинг Кагерманн, а в 2009-м у руля SAP встал экс-глава отдела продаж Лео Апотекер, который резко поднял плату за сопровождение, из-за чего начался отток клиентов, и Апотекеру пришлось уйти меньше, чем через год. В то время SAP впервые возглавил американец, специалист по маркетингу Билл Макдермот.

С приходом Макдермота SAP стала покупать одного разработчика облачных систем за другим, потратив на приобретения в период с 2011-го по 2018 год больше 26 млрд долл. Многие руководители поглощенных стартапов были вынуждены уйти — из-за конфликта культуры с разработчиками традиционных систем SAP, привыкших действовать с немецкой методичностью. Как следствие, SAP до сих пор работает над интеграцией многих облачных покупок — они все еще, словно спутники, независимо обращаются вокруг ядра ПО компании.

Само это ядро, между тем, претерпело масштабные изменения: его основой стали решения S/4HANA, которые по выбору пользователя могут работать локально или в облаке, как общедоступном, так и частном. Но многие клиенты, вложившие огромные средства в Business Suite и другие традиционные решения SAP, не спешат осваивать новшества, и подавляющее большинство предпочитает выполнять системы SAP в собственных центрах обработки данных. Инициативы SAP, призванные облегчить для клиентов перенос ПО в облако, сильно ситуацию не улучшают, как и неясность относительно отличий разных вариантов развертывания S/4HANA.

При этом проект собственного облака SAP в свое время потерпел неудачу, так как компания не располагала ресурсами гипермасштабников вроде AWS, Google и Microsoft, и сегодня SAP предлагает свои решения в их облаках.

В 2019-м в компанию пришла команда новых менеджеров во главе с 39-летним Кристианом Клейном, самым молодым генеральным директором SAP за всю ее историю. С тех пор, однако, в руководстве продолжается перетряска — часть членов новой команды была заменена, продолжается уход старой гвардии.

В этой ситуации молодым непросто — Клейну нужно, с одной стороны, оседлать волну цифровой трансформации, с другой эффективно реорганизовать имеющийся портфель. Пользователи SAP годами требуют улучшенной интеграции различных ее продуктов и приведения данных к единым стандартам. Клейн обещает выполнить эти пожелания, с самого начала работы подчеркивая важность поддержания хороших отношений с клиентами. Новый руководитель, в частности, обещает вернуть дух былых дней SAP, когда программисты компании разрабатывали новые продукты вместе с клиентами в их собственных центрах обработки данных. Преимуществом SAP на шестом десятке лет ее существования остается то, что многие клиенты зависят от ее программного обеспечения и потому сохраняют терпение и лояльность.

Длительное время у геймеров, самостоятельно собиравших свои компьютеры, успехом пользовались лишь графические платы Nvidia GeForce, так как ускорители AMD Radeon уступали им по энергоэффективности, производительности и программным возможностям. Пользуясь своим господством, Nvidia постоянно повышала цену видеоадаптеров. Ее ускорители серии RTX 20 стали поддерживать трассировку лучей и масштабирование изображений с использованием искусственного интеллекта, но существенного улучшения производительности в играх не обеспечивали. Эта ситуация сохранялась до тех пор, пока AMD не выпустила видеоадаптеры с архитектурой RDNA и RDNA 2 — они стали реальной альтернативой продукции Nvidia.

Однако в условиях конкуренции всего двух игроков рост цен продолжался, причем еще до начала дефицита видеопроцессоров. AMD, которая изначально зарабатывала очки, предлагая более дешевые альтернативы адаптерам Nvidia, на ускорители RX 6000 назначила цены не ниже, чем у соперника. Что касается производительности, сложилась ситуация, когда нынешние графические платы, стоящие в США порядка 200 долл., работают не быстрее, чем видеоадаптеры, которые предлагались по той же цене еще в 2016 году.

Именно в таких условиях на сцене появились графические платы Intel Arc — пока только для ноутбуков, но уже летом ожидается выход дискретных видеоадаптеров Intel для настольных систем. Эти ускорители рассчитаны на отображение игр в разрешении 1080p с настройками уровня сложности графики от «среднего» до «высокого». То есть пока что Arc не может сравниться c RTX 3090 Ti, но ряд факторов уже играют в пользу Intel, в том числе то, что ноутбуков продается куда больше, чем настольных систем. К тому же Intel может обойти проблемы, из-за которых имеет место нынешний дефицит поставок видеочипов, и предложить дополнительные возможности Arc, доступные только при использовании с ее собственными процессорами Core.

Ускорители Arc интегрируются с центральными процессорами Intel с помощью ее технологии Deep Link. Ноутбуки на платформе Intel Evo с видеоадаптерами Arc могут динамически распределять мощность между центральным и графическим процессором, кодировать видео на невероятной скорости, ускорять задачи искусственного интеллекта (например, улучшать вид старых фотографий), сохранять фрагменты игрового процесса в форме видео и повышать частоту кадров за счет аппаратного масштабирования с использованием искусственного интеллекта.

Можно также отметить, что видеочипы Intel, встроенные в ее центральные процессоры, — лидеры по масштабам использования среди всех графических адаптеров, поэтому многие популярные приложения для работы с графикой и видео, в том числе Adobe Premiere, уже поддерживают некоторые элементы Deep Link.

Что касается ноутбуков с дискретной графической подсистемой, самое популярное сочетание на сегодня — это устройства с процессором Intel и графическим ускорителем Nvidia. Так что выпустив Arc с функциями, которые смогут работать только в паре с чипом Core, Intel сделала сильный ход, создающий угрозу господству Nvidia в сегменте мобильных ПК.

До появления настольных вариантов Arc давать какие-либо оценки рано, но если в Intel всерьез настроены отвоевать долю рынка геймерских графических ускорителей, то сложившаяся за последние годы ситуация, когда новейшие игровые технологии на ПК были доступны лишь энтузиастам с толстым кошельком, может, наконец, пошатнуться.

Графические чипы, изначально созданные в качестве ускорителей для игр, со временем развились в серверные процессоры для систем высокопроизводительных вычислений и искусственного интеллекта. Они используются в суперкомпьютерах, финансовом моделировании, обработке медицинских изображений и даже могут заменять центральные процессоры в задачах, для которых тем не хватает быстродействия; существуют, к примеру, реляционные СУБД, работающие на GPU.

К двум ведущим производителям серверных графических процессоров, Nvidia и AMD, вскоре присоединится Intel. До этого она уже дважды предпринимала попытки предложить собственный GPU, но оба раза безуспешно.

В Nvidia объявили о текущих планах относительно GPU, анонсировав архитектуру Hopper, которая обеспечит в 3–6 раз более высокую производительность по сравнению с предыдущей Ampere. Сообщается, что быстродействие графического чипа Hopper H100 при работе с 64-разрядными числами (FP64) составит 60 TFLOPS. Этот GPU можно будет использовать на сервере отдельно в составе платы PCI Express или в паре со специальным центральным процессором Grace архитектуры ARM, который в Nvidia планируют выпустить в 2023 году.

Для Hopper в компании также доработали память LPDDR5, обеспечив поддержку кода коррекции ошибок и удвоив пропускную способность по сравнению с обычной DDR5. Вместе с Hopper анонсирована технология межсоединений NVLink 4, которая позволяет напрямую связать два GPU, чтобы они смогли обмениваться данными на скорости, впятеро большей, чем у шины PCIe Gen5. Поставки Hopper планируется начать в третьем квартале.

Поскольку партнер Nvidia, крупнейший в мире контрактный производитель микросхем, компания TSMC продолжает испытывать дефицит производственных мощностей, в Nvidia допустили возможность сотрудничества с Intel, у которой есть свои полупроводниковые заводы в США и других странах, но отмечено, что такая сделка может быть заключена не скоро, возможно, лишь через несколько лет.

AMD, в свою очередь, с первого квартала поставляет Instinct MI250 — линейку серверных ускорителей вычислений на базе GPU, значительно более быстрых по сравнению с предыдущей серией MI100. Быстродействие MI250 в режиме FP64 достигает 47,9 TFLOPS.

Интерес к Instinct может быть подогрет благодаря успеху серверных центральных процессоров AMD Epyc, которого компания добилась за последнее время. На сегодня Instinct уже применяется в суперкомпьютере Окриджской национальной лаборатории, который отличается высоким быстродействием при довольно компактных размерах. Для той же организации целиком на основе продукции AMD строится экзафлопсный суперкомпьютер Frontier, который введут в эксплуатацию в этом году.

Что касается Intel, которой долгое время не удавалось привлечь внимание к своим GPU, не считая видеочипы базового уровня, встроенные в центральные процессоры, сегодня она предлагает линейку дискретных графических ускорителей Intel Xe, а также готовит серверный вариант такого GPU под кодовым именем Ponte Vecchio. Его быстродействие в режиме FP64 составит 45 TFLOPS. При этом в Intel сообщают о широчайших возможностях масштабирования Ponte Vecchio.

Кроме того, в Intel работают над oneAPI — платформой разработки программного обеспечения, которая при компиляции автоматически будет выбирать самый подходящий тип процессора среди выпускаемых Intel, к числу которых относятся чипы x86, графические процессоры, программируемые матрицы FPGA и ускорители задач искусственного интеллекта. Таким образом, разработчику не придется самостоятельно выбирать определенный процессор и писать код конкретно для него. В составе платформы также будут предусмотрены готовые библиотеки и функции для задач, касающихся аналитики, связи, работы с видео и нейронными сетями. OneAPI избавит от необходимости использования разных инструментов, библиотек и языков программирования — бизнес-логику можно будет писать на Data Parallel C++ (DPC++), диалекте C++ с открытым кодом, специально предназначенном для параллельной обработки данных и создания ПО для гетерогенных систем.

Как архитектуры данных влияют на эффективность бизнеса, как обеспечить сохранность инвестиций, развивая прежние архитектуры и технологии работы с данными и к чему готовиться тем, кто отвечает за управление данными, рассказывает Алексей Сидоров, главный евангелист и директор по управлению данными компании Denodo.

— Эпоха больших данных качественно изменила набор требований к архитектурам данных. Какие из архитектур считаются сегодня наиболее эффективными и перспективными, а какие переходят в разряд устаревших?

Полагаю, будет неверно утверждать, что какие-то архитектуры в эпоху больших данных безнадежно устарели. Архитектуры реляционных хранилищ данных были разработаны для решения вполне определенных задач, и они по-прежнему востребованы. Бурно развиваются и архитектуры на базе Hadoop, есть целый спектр новых инструментов, которые помогают, например, строить графовые базы данных, хранилища документов, базы данных, обрабатываемые в оперативной памяти (in-memory), и пр. Все эти архитектуры и инструменты также имеют право на существование, поскольку позволяют решать отдельные классы задач.

Технология виртуализации данных обладает очень важным преимуществом по сравнению с ними: она дает уникальный шанс раз и навсегда избавиться от «черных ящиков» данных, с которыми ИТ-отрасль пытается бороться уже четверть века. Только объединив данные виртуально, без их физического перемещения, мы сможем использовать все прежние наработки в области данных (хранилища, озера данных и другие инструменты), предоставляя пользователям единую точку доступа для подготовки аналитики и отчетности, не требующую создания какого-то нового уровня физической абстракции.

— Многие крупные организации уже вложили большие средства в прежние архитектуры данных. Не приведет ли промедление с их обновлением к проблемам в бизнесе?

Проблемы в бизнесе уже наблюдаются. В частности, заказчики рассказывают о том, что, используя прежние технологии, они столкнулись с проблемами, связанными с масштабированием. В ходе беседы выясняется, что, например, они собирают данные в одно большое озеро данных, при этом не всегда ясно понимая, с какой целью.

Подход, основанный на идее сначала собрать все данные, а затем думать, что с ними делать, чреват многочисленными проблемами. Организация и ее ИТ-специалисты должны четко понимать, какие данные требуются для решения тех или иных бизнес-задач. Кроме того, необходимо понять, откуда эти данные можно получить — из каких внутренних систем организации или внешних. Обеспечить интеграцию данных из множества источников легче всего, используя платформу виртуализации данных. Применяя другие варианты, организации придется снова и снова собирать данные, копировать их в централизованное озеро, хранилище или облако — это дорого и неэффективно.

— Какими возможностями располагают организации, чтобы перейти на более современные архитектуры данных, инвестируя в них разумные деньги и по возможности не отказываясь от прежних разработок?

Мы никогда не призывали отказываться от прежних наработок в области данных. Все ранее внедренные технологии озер и хранилищ данных, в том числе реализованные с использованием массивно-параллельных вычислений на базе кластеров Hadoop, вполне успешно решают свои задачи, поэтому инвестиции в них должны сохраняться.

По мере накопления новых объемов данных, возникновения новых типов данных, с которыми традиционные технологии обработки данных справляются недостаточно эффективно, и появления новых бизнес-задач, требующих обработки данных в реальном времени, необходимо вносить изменения в архитектуры — это позволит успешно адаптироваться к происходящим изменениям. Объединение данных с помощью их виртуализации — пожалуй, самый простой подход к решению сегодняшних проблем в области управления данными.

— Что нужно предпринять организациям, чтобы их архитектуры данных соответствовали потребностям их бизнеса и не превращались в закрытый от посторонних глаз «черный ящик» и в «черную дыру» для инвестиций?

Это одна из основных проблем управления данными. Были времена, когда организациям нравились технологии одного известного вендора реляционных СУБД, и очень многие опирались именно на них. Потом началось всеобщее увлечение идеями, которые реализовал другой вендор, и все дружно осваивали его технологии и создавали на их основе хранилища данных. С наступлением «золотой лихорадки» вокруг больших данных многие бросились внедрять Hadoop и озера данных.

В первую очередь организации необходимо понять, для чего она собирает данные, какие бизнес-задачи она рассчитывает с их помощью решать и какая информация для этого ей будет действительно полезна. Если важна монетизация данных, надо использовать один подход и вполне определенные наборы данных. Если нужно строить модели предиктивного анализа, то потребуются другие данные и другая их архитектура. И так далее.

Подход «сверху вниз» сегодня становится преобладающим в науке о данных. Организации не могут идти «снизу вверх» — сначала накапливать какие-то данные, а затем пытаться найти им применение. Надо действовать наоборот: от бизнес-задач — к данным.

— В каких случаях разумно использовать архитектуру Data Mesh? Насколько сложно ее реализовать и какие выгоды можно в этом случае получить?

Если говорить о коммерческих организациях, то здесь эта архитектура успешно внедряется при условии, что ИТ-подразделение находит поддержку со стороны бизнеса и есть возможность выстроить необходимое организационное окружение. Дело в том, что, с точки зрения технологий, эта архитектура не привносит новых элементов. Она предлагает другое, пожалуй, даже более ценное — эффективный подход к выстраиванию управления данными внутри организации. В рамках этого подхода создается децентрализованная команда по управлению данными и определяются роли внутри нее: кто отвечает за финансовые данные, кто — за маркетинговые, кто — за данные других департаментов и предметных областей, кто отвечает за сбор данных, как эти данные должны аккумулироваться и пр. Кроме того, проводится кропотливая техническая работа по описанию всех доменов данных: какие именно данные нужны, откуда их можно получить и как их объединить в «золотой» домен. Наконец, придется задействовать и административный ресурс, чтобы определить, что и в каком объеме организация получает в результате внедрения архитектуры с точки зрения качества данных, их управляемости, доступности, какие области ответственности организация делегирует поставщикам данных.

Отдельного изучения заслуживает применение архитектуры Data Mesh в госсекторе — на уровне обмена данными между министерствами и ведомствами. Этот подход встраивается сюда совершенно естественно, поскольку, как правило, эти структуры не хотят отдавать свои данные, предоставлять возможность их копирования вовне. Чтобы повлиять на них, конечно, понадобится рабочая группа или межведомственная комиссия, имеющая полномочия требовать предоставления нужных данных нужного качества в том виде и формате, которые необходимы, и обладающая рычагами влияния на эти министерства и ведомства. Если удастся выстроить организационные аспекты Data Mesh, то эта архитектура будет очень эффективно работать в масштабах государства. Перед страной при этом открываются фантастические возможности в области анализа данных и прогнозирования на благо общества.

— Когда полезно применять архитектуру логических графов знаний (Logical Knowledge Graph)? Какое окружение — технологическое, процессное, организационное — требуется, чтобы эта архитектура работала эффективно?

На мой взгляд, эта архитектура, по сути, является очередным шагом эволюции управления основными данными (Master Data Management, MDM). Граф знаний — это «золотая» запись с базовой информацией о некоей сущности (клиенте, автомобиле, объекте недвижимости и пр.), соединенной с другими подобными записями посредством семантических связей. Такая взаимосвязанность открывает широкие возможности для проведения глубокого анализа и глубокой предиктивной аналитики. Это достаточно молодая, стремительно развивающаяся область. Тем не менее, уже есть интересные успешные примеры того, какие фантастические результаты можно получить, объединив данные из различных доменов с помощью семантических графов. Это несколько другой подход по сравнению с теми, что мы видели раньше, он основан на других идеях, видении и инструментарии. Реализовать его достаточно быстро и с относительно невысокими затратами можно, используя платформу виртуализации данных — она позволит очень гибко менять представление данных из различных источников и доменов.

— Каковы, на Ваш взгляд, дальнейшие перспективы развития архитектур больших данных?

Всё идет к тому, что скоро придется управлять данными, которые распределены и географически, и технологически, и с точки зрения владения ими. В ближайшие три-пять лет организациям предстоит научиться управлять данными, не собирая их в едином хранилище. Данные, скорее всего, будут находиться в разных средах, разных местах и у разных владельцев. Только если мы научимся управлять данными и объединять их (а физически сделать это становится уже практически невозможно), мы сможем решать задачи, которые встанут перед следующим поколением архитектур больших данных.

В рамках традиционного форума BIG DATA&AI 2022, проведенного издательством «Открытые системы», большое внимание участников вызвала сессия «Большая практика. Новый отсчет». Докладчики поделились опытом работы в новых условиях и рассказали об используемых инструментах. (Также о форуме см. статьи «BIG DATA&AI 2022: лучше вместе» и «BIG DATA&AI 2022: подходы и инструменты», «Компьютерный мир», 27 апреля 2022.)

«Обстоятельства сильно меняются, перед нами стоят серьезные вызовы. Data science в период кризисов перестает работать, включаются принципы ручного управления», — признал Тигран Саркисов, директор по работе с данными X5 Group, рассказавший об управлении данными в условиях меняющейся реальности. В X5 много интеллектуальных сервисов, охватывающих практически все направления: транспорт, логистику, маркетинг, чековую аналитику, цепочки поставок, ценообразование и т. п. Над ними работают более 50 продуктовых команд.

В начале года в X5 планировали совершенствовать дата-продукты, в том числе сокращать время их вывода на рынок, а также развивать культуру, основанную на данных, тиражировать self-service-аналитику, повышать стабильность платформы и снижать стоимость работы с данными. Однако проекты, связанные с клиентским путем, с конца февраля потеряли актуальность: гораздо важнее стала скорость принятия решений. «Если раньше приходилось тратить ресурсы на продвижение BI-инструментов, проводя демодни и обучая пользователей, то сейчас мы видим ажиотажный интерес к современной аналитике и резкий рост запросов на работу с ней — наблюдается кратный рост пользователей», — отметил Саркисов. Это направление очень эффективно, особенно сейчас. И вдвойне актуальными стали обеспечение непрерывности бизнеса и оптимизация затрат.

Александр Гусев, директор по развитию Webiomed и эксперт ЦНИИОИЗ Минздрава РФ по искусственному интеллекту, рассказал о том, что происходит с искусственным интеллектом в сфере здравоохранения. По его словам, несмотря на то что Указ Президента РФ № 490 «О развитии искусственного интеллекта в России», выпущенный еще в 2019 году, ставит целью ускоренное развитие искусственного интеллекта и определяет здравоохранение как одно из приоритетных направлений, реальность не соответствует ожиданиям. Во многом это связано с тем, что львиная доля финансирования проектов идет от государства, а частные инвесторы в эту область почти не заходят. К применению искусственного интеллекта в медицине отношение очень настороженное: высокие риски, непонятные бизнес-модели, неочевидный возврат инвестиций.

«Многие направления медицины полностью цифровизованы: данные есть, и их много. Мы сидим на огромных объемах данных. Однако вытащить их из организаций с целью проведения исследований или создания ML-продуктов практически невозможно», — констатировал Гусев.

Главная проблема для разработчиков интеллектуальных решений в медицине — именно раздобыть данные. И это при том, что государство с 2011 года инвестировало в ИТ в здравоохранении достаточно крупные средства — более 130 млрд руб., а по уровню внедрения информационных систем отечественная медицина сейчас уступает разве что американской. Еще одна огромная проблема заключается в том, что, несмотря на кажущийся огромным размер рынка, денег на нем практически нет.

Александр Гусев: «Многие направления медицины полностью цифровизованы: данные есть и их много. Мы сидим на огромных объемах данных. Однако вытащить их из организаций с целью проведения исследований или создания ML-продуктов практически невозможно»

«Мы выживаем на грантах и не учимся зарабатывать на продуктах — это формирует нехорошую внутреннюю ситуацию: вряд ли в такой обстановке можно принести много пользы», — считает Гусев.

По наблюдению Ивана Кровякова, менеджера по развитию бизнеса Data Platform Yandex.Cloud, большинство компаний, начинающих путь в мир машинного обучения, концентрируются именно на технических вопросах: где взять «правильную» инфраструктуру, какие выбрать технологии, где взять данные и компетенции. Однако по мере их созревания становится понятно, что бизнес-ценность в значительной степени находится в процессной составляющей: как готовить данные, как разрабатывать модели, внедрять и переобучать их. Это имеет не меньшее значение, чем сами технологии. Поэтому важно сделать так, чтобы специалисты фокусировались не на вопросах «Что?» и «Где?», а на вопросе «Как?». Кровяков проиллюстрировал этот подход на примере проекта, реализованного в УБРиР.

Как известно, от 70% до 90% данных, с которыми приходится работать компаниям, являются неструктурированными. Это документация, внутренняя переписка, обращения от клиентов, взаимодействие с партнерами, отзывы в соцсетях, записи контакт-центров. Такие сведения необходимо анализировать. Дмитрий Гольцов, заместитель директора по коммерческой деятельности компании «Мегапьютер Интеллидженс», рассказал о возможностях платформы PolyAnalyst — системы «три в одном». Она включает инструменты, которые компании обычно приобретают по отдельности, а затем тратят значительные усилия на их интеграцию: систему ETL для извлечения, трансформации и загрузки данных, систему интеллектуального анализа данных и средства BI. По словам Гольцова, с использованием платформы точность извлечения фактической информации из неструктурированного текста в отдельных проектах превышает 90%.

«Газпром нефть» на протяжении последних трех лет активно вкладывается как в инструменты управления данными, так и в разработку решений на основе искусственного интеллекта. Эти направления действительно позволили повысить качество управления компанией, что уже доказано на практике.

«Самое главное, что на основе данных можно управлять компанией гораздо эффективнее, чем при традиционных подходах», — подчеркнул Анджей Аршавский, руководитель центра монетизации данных «Газпром нефти». По его словам, главной задачей было внедрение решений на основе ИИ по всей цепочке создания добавленной стоимости. Добыча и переработка нефти — очень технологичный процесс, и использование математических моделей при разведке и планировании разработки месторождений способно давать огромный эффект. В ходе своего выступления Аршавский уделил особое внимание решениям на основе искусственного интеллекта, использующимся в промышленном контуре.

Дмитрий Шведов: «Перед нами стоит цель — стать data-driven-компанией, то есть принимать решения не с помощью интуиции, а на основе данных»

«Перед нами стоит цель — стать data-driven-компанией, то есть принимать решения не с помощью интуиции, а на основе данных», — заявил Дмитрий Шведов, CDO «Уралхима». В компании изначально понимали, что ресурсов ИТ-департамента всегда будет недостаточно, поэтому сразу начали двигаться в сторону использования инструментов самообслуживания: бизнес должен сам готовить себе данные и затем визуализировать их.

За 2021 год компания сделала большой скачок: ей многое дала платформа данных. Как отмечает Шведов, сейчас бизнес уже прекрасно понимает, что такое «корпоративное хранилище данных», и уверенно произносит аббревиатуру КХД.

За год в «Уралхиме» начали работать шесть продуктовых команд, две из них действуют полностью самостоятельно, разрабатывая для себя отчетность. Однако важно эти команды развивать, внедряя институты владения данными и сервисами. Для этого в нынешнем году планируется создать центр компетенций, основной задачей которого станет управление продуктовыми командами и выставление им целей по развитию сервисов.

Беспрецедентный кризис вызвал резкую смену приоритетов. Кардинально изменилась и повестка ежегодного форума, отражая самые насущные проблемы, волнующие профессиональное сообщество в условиях неопределенности, санкций и болезненного расставания с иностранными поставщиками платформенных решений. Благодаря партнерам форума, его участники из первых уст узнали о возможностях доступных на российском рынке технологий для управления на основе данных. (Также о форуме см. «BIG DATA&AI 2022: лучше вместе», «Компьютерный мир», 27 апреля 2022.)

Хранилища данных

В компании «Дататех», в которой на основе отечественного ПО с открытым кодом внедряют решения управления данными, создали фреймворк для автоматизации построения хранилищ данных. Этот набор методик и готовых инструментов содержит в том числе пакетные решения, а также стандарты моделирования и разработки.

«Мы ориентировались на DevSecOps как на стандарт разработки и использовали микросервисную архитектуру, методологию Data Vault 2.0 и MPP-архитектуру на основе решения Arenadata DB», — пояснил Павел Бабурин, директор по стратегическим проектам «Дататех».

Решения компании обеспечивают извлечение данных из различных источников, их приведение к единой логической модели в соответствии с методологией Data Vault 2.0, загрузку в хранилище и формирование детальных данных согласно требованиям бизнес-модели, а также построение прикладных витрин данных для бизнес-задач и предоставление к ним доступа пользователей и информационных систем.

Специалисты «Дататех» называют фреймворк готовым продуктом. Фактически это облачный сервис, который был создан в процессе реализации проекта для одного из крупных банков. В компании намерены предлагать такую комплексную методологию банкам, которым необходимо произвести срочную миграцию данных в условиях импортозамещения.

Хотя многие проекты хранилищ данных завершены успешно, существуют проблемы, способные привести к провалам или неполной реализации потенциала работы хранилищ больших данных, отметил Александр Волынский, технический менеджер продукта ML Platform компании VK Cloud Solutions.

Исходя из опыта компании и ее заказчиков, одной из важнейших проблем он считает недостаточное качество данных в условиях значительного числа территориально распределенных источников, разделения зон ответственности и ограниченных возможностей команды инженеров по данным, обслуживающих центральное хранилище.

Чтобы обеспечить надлежащий уровень качества, предлагается отнести данные к основным продуктам деятельности каждого их источника, организовать распределенное владение ими и создать единый для всех слой сервисов доставки и обеспечения качества данных. В компании разработаны методы оценки эффективности хранилищ данных, мотивации команды инженеров по данным, выбора облачных или традиционных локальных решений для организации хранилищ.

Волынский утверждает, что при облачном подходе к работе с данными кластер Kubernetes может быть развернут и поддерживаться в облаке даже сотрудником, не являющимся специалистом по использованию этой платформы.

C ростом объемов и разнообразия типов источников данных все более актуальной становится организация централизованного управления доступом к ним. При внедрении ролевой модели доступа в одном из крупнейших российских банков, специалисты компании Denodo использовали возможности своей платформы, к которой подключаются все источники данных, а также технологию виртуализации данных, позволяющую ограничивать параметры видимости отдельных наборов, строк и столбцов данных и применять алгоритмы динамического маскирования данных.

«Сложность проекта заключалась в огромном количестве правил доступа, общее число которых достигало полутора тысяч. А кроме того, следовало учесть до семи десятков ролей и столько же привилегий «поверх» всех ролей», — рассказал Иван Кириленков, технический директор Denodo.

Чтобы справиться с этой проблемой, на основе корпоративного каталога данных сформировали полную матрицу доступа с применением набора автоматических скриптов, а также реализовали автоматическую синхронизацию ролей, тегов, правил и других объектов. Использование единой платформы работы с данными позволило сделать управление доступом проще и эффективнее.

В «Сбере» создали методологию для обеспечения регулярной доставки потребителям данных из сотен источников. К ее основным принципам относятся: исключение непродуманной загрузки озера данных; постоянное отслеживание изменений данных из различных источников, технологий их использования, применяемых инструментов; внедрение средств контроля технического и бизнес-качества данных в рамках единой корпоративной модели данных. «Реализация этих положений поможет построить озеро данных и не превратить его в болото», — полагает Лариса Ихсанова, управляющий директор и руководитель управления загрузки данных «Сбера».

Платформы

Сегодня, когда данные являются основой цифровой трансформации, появляются новые модели бизнеса и «умные» приложения, предоставляющие возможность изменять организационную структуру предприятий, считают в компании «Диасофт».

Созданная в этой компании экосистема решений для цифровой трансформации включает платформу Digital Q.AIML на базе методологии MLOps (Machine Learning Operations), предназначенной для оптимизации жизненного цикла машинного обучения.

В конвейер жизненного цикла платформы Digital Q.AIML входят фабрика обучения моделей, автоматизированный конвейер их развертывания и монитор жизни моделей. Последовательность работ при решении типовых задач для платформы включает, помимо прочего, предварительную обработку данных, выбор подходящей модели обучения и предоставление доступа к обученной модели как к сервису.

«Для выпуска моделей и упаковки их в сервисы мы пишем собственные Docker-файлы и запускаем их в публикацию в существующей сборке сервисов», — пояснил Антон Шебалкин, архитектор платформы Digital Q.AiMl.

Платформы «Диасофт» позволяют извлекать из озер данных массивы информации, анализировать их и использовать для создания новых приложений, основанных на методах глубокого машинного обучения.

Платформа быстрой бизнес-аналитики Luxms BI, которую разработали в группе компаний Luxms, — это инструментарий современных цифровых организаций, предоставляющий в реальном времени сведения, необходимые для принятия решений. Одна из особенностей Luxms BI — дата-центричная архитектура, обеспечивающая высокое быстродействие за счет приближения бизнес-логики к данным: сервер приложений Luxms BI размещен внутри базы данных. Кроме того, в зависимости от востребованности данных, используется их разделение на слои, для которых система бизнес-аналитики использует различные технологии обработки.

Сергей Шестаков: одна из особенностей Luxms BI — дата-центричная архитектура, обеспечивающая высокое быстродействие за счет приближения бизнес-логики к данным: сервер приложений размещен внутри базы данных

В конце апреля выходит версия Luxms BI v8. По словам Дмитрия Дорофеева, главного архитектора Luxms, в ней реализованы пожелания заказчиков в части самообслуживания. Инструменты Self Service предоставляют пользователям свободу действий с данными, в том числе возможность выполнять подключение к источникам, делать загрузку, подготавливать визуализацию и осуществлять ряд других функций (программирование для этого не требуется). Вместе с тем в новой версии улучшен функционал самообслуживания как для инструментария построения витрин, отчетов и анализа данных Self Service BI, так и для области ETL — Self Service ETL (Data Boring). Специалисты Luxms считают, что функционал Self-Service сопоставим с таковым у лучших зарубежных BI-решений.

Компания EasyData развивает семейство кросс-платформенных программных продуктов EasyPortal для автоматизации процессов работы с файловыми системами, реляционными СУБД, хранилищами данных, платформами Big Data.

«Платформа EasyPortal охватывает большую часть задач проектов хранилищ данных и предоставляет готовое решение для разработки проектов и управления выполнением задач на технической инфраструктуре промышленной среды», — утверждает Владимир Баранов, генеральный директор EasyData.

К компонентам платформы относятся: GETL — предметно-ориентированный язык для формирования шаблонов обработки данных; EasyLoader — инструмент выполнения разработанных задач в процессе промышленной эксплуатации с использованием готовых шаблонов для захвата и обработки данных; EasyScheduler — визуальное средство управления запуском консольных приложений на удаленных серверах; EasyPortal WebServer — интерфейс для командной работы над проектами.

По данным компании, ее программные продукты задействованы в ряде крупных проектов российских организаций в качестве ETL/ELT-платформ¸ управляющих потоками данных до десятков терабайт в сутки в хранилищах данных объемом в сотни терабайт. EasyData предлагает свое ПО для замещения решений таких зарубежных производителей, как IBM, Informatica, Oracle, SAS, и ряда других.

Основное направление деятельности компании «БИТ» — разработка цифровой платформы «Управление в пространстве» и прикладных решений на ее основе. Эта российская аналитическая платформа с подходом low-code к обработке и представлению данных относится к рекомендательным системам и интеллектуальным продуктам для поддержки принятия решений.

Цифровая платформа, созданная в БИТ, автоматизирует трехмерный картографический мониторинг, динамическое моделирование, сценарное и целевое прогнозирование; реализует цифровые модели территорий на основе больших данных и геоинформационных технологий; готовит управленческие решения на базе новых ассоциаций в процессе обработки данных в быстро меняющихся условиях; осуществляет визуальное конструирование аналитических приложений.

«Мы работаем с агрегированными большими данными, используем их для поддержки деятельности территориально распределенных организаций, в том числе органов власти, которые должны принимать решения на местах», — рассказал Алексей Завьялов, директор по продукту БИТ. Среди основных отличий от других BI-решений в БИТ называют генерацию рекомендаций и целевого управления на их основе.

Прикладные решения

В компании «Нейроспектр» используют модульную архитектуру, чтобы ускорить разработку приборов для сбора больших наборов данных, применяемых для контроля качества выпускаемой продукции методами компьютерного зрения и искусственного интеллекта.

По словам Алины Радаевой, руководителя проектов по разработке роботизированных систем, в работе дефектоскопов задействованы алгоритмы компьютерного зрения и глубокие сверточные нейронные сети, которые дополняются простыми персептронами или нейросетями. В настоящее время несколько дефектоскопов установлено в Китае. В перспективе планируется реализовать управление качеством производства, используя семейство дефектоскопов с единой информационной базой, обеспечивающих аналитику производственных процессов, в том числе формирование истории жизненных циклов выпускаемых деталей.

Никита Андреянов: основанные на данных подходы обладают рядом существенных преимуществ: выявление сложных инцидентов; определение проблемных мест в ИБ-инфраструктуре; планирование модернизации и развития ИБ-систем; анализ работы ИБ-департаментов и повышение ее эффективности

Процессы и решения, основанные на анализе больших объемов данных, способны значительно повысить эффективность комплексов информационной безопасности, убеждены в компании Crosstech Solutions Group.

Никита Андреянов, технический директор Crosstech Solutions, видит в основанных на данных подходах ряд существенных преимуществ: выявление сложных инцидентов с помощью ретроспективного анализа и обнаружения аномалий в поведенческой активности; определение проблемных мест в ИБ-инфраструктуре, планирование модернизации и развития ИБ-систем; анализ работы ИБ-департаментов и повышение ее эффективности.