Качество данных заложено в самой концептуальной основе цифровой организации, поэтому проблемы качества так или иначе затрагиваются на всех мероприятиях, посвященных цифровизации. Но только одно из них целиком и полностью сфокусировано на решении этих проблем — конференция «Качество данных — 2021. Стратегия, инструменты, практика» издательства «Открытые системы». Сотни практиков из разных отраслей искали и нашли на этой конференции ответы на вопрос «Что делать?», а более опытные профессионалы делились с коллегами своими находками. «Если вы не знаете, что делать, инструменты вам не помогут», — напомнил Олег Гиацинтов, технический директор DIS Group, раскрывая преимущества комплексного подхода к управлению качеством данных. По его мнению, программный продукт не должен навязывать организации подход к управлению качеством. C необычного ракурса предложил взглянуть на качество данных Александр Константинов, директор по маркетингу компании «Юнидата», в которой DQ недавно оформили как отдельный продукт на собственной платформе управления данными. А в компании «Инлексис» разработали решение на основе искусственного интеллекта, которое автоматически исследует «поведение данных» и уведомляет об аномалиях. В корпоративном секторе уже накопилось внушительное количество интересных проектов с фокусом на качестве данных. Есть чей опыт изучать и на кого равняться. (О конференции см. также в статье «Качество данных — это про людей».)

Советы начинающим и не только

Один из самых ценных бонусов практических конференций — рекомендации тех, кто уже успел пройти долгий путь, который остальным еще только предстоит. «Если вы в начале пути, подумайте сразу о функции директора по данным, обязательно организуйте подразделение по управлению данными, иначе никто вам качество не наладит», — подчеркнула Любовь Кайдалова, руководитель направления по качеству данных компании «Газпром нефть». По ее мнению, для начала нужно выбрать данные, критичные для бизнеса, а мастер-данные всегда являются критичными. Кроме того, важно идентифицировать потребителей, которые знают, чего хотят от данных, и с которыми можно работать продуктивно. Чтобы заинтересовать тех, кто еще не вовлечен, необходимо делать результаты работы по качеству данных публичными, проводитьдемонстрационные дни.

Любовь Кайдалова: «Если вы в начале пути, подумайте сразу о функции директора по данным, обязательно организуйте подразделение по управлению данными, иначе никто вам качество не наладит»

Для связи потребителей данных со всеми остальными функциями, в компании «Газпром нефть» ввели роль дата-партнера. Дата-партнеры консолидируют работу по управлению данными в корпоративных программах цифровизации. Они подчиняются руководителям программ, собирают сведения о потребности в данных, организуют поиск ресурсов и следят за соблюдением стандартов качества всеми участниками процесса. «Развивайте компетенции аналитиков в предметной области бизнеса и обучайте сотрудников работе с процессами и инструментами», — советует Кайдалова.

Начинать внедрение процессов управления качеством данных следует с более зрелого бизнеса. В этой сфере необходимо найти поддержку — «евангелистов». На первых порах не рекомендуется тратить силы на декомпозицию в описании процессов, потому что это очень трудоемко, но мало меняет положение дел. «Наши KPI сфокусированы на оценке «здоровья данных», охвата данных проверками и эффективности проблем-менеджмента», — сообщила Кайдалова. Она рекомендовала также использовать международные индустриальные стандарты управления данными и требования к качеству, а кроме того, не забывать про цикл Деминга, постоянно совершенствуя процессы и данные.

Фокус — на чистоту

Как показывает практика, управление качеством данных может стать одним из путей к клиенту. В компании «Росгосстрах», которая в этом году отметит столетний юбилей, накопился огромный объем неструктурированных данных о клиентах. Ее актуальная клиентская база насчитывала 120 млн записей о физических и юридических лицах, а дополнив ее историческими данными, специалисты получили более миллиарда сущностей. Но низкое качество контактной информации сводило на нет эффективность любой маркетинговой стратегии.

Тогда в «Росгосстрахе» пересмотрели подход к хранению и обработке данных, сместив фокус на их чистоту и обогащение. В компании начали внедрять систему управления клиентскими данными (Customer Data Integration, CDI) российского разработчика HF Labs — «Единый клиент», и к настоящему моменту ее удалось развить до полноценной системы управления качеством данных.

Однако внедрение CDI-системы стало только первым шагом. «Невозможно реализовать принцип «знай своего клиента», ограничиваясь только техническим решением, — констатировала Екатерина Гордиенко, руководитель подразделения по управлению качеством клиентских данных «Росгосстраха». — Процесс работы с качеством данных многогранный, непрерывный и — главное — циклический. После выявления и устранения источника проблем можно начинать все сначала, и вслед за первыми крупными «ямами» пойдут мелкие, но не менее критичные для бизнеса».

Чтобы перейти от работы с договорами к работе с клиентами, пришлось с нуля выстраивать все процессы получения данных о клиентах. Для этого потребовалось упростить ввод данных за счет интеграции c целевыми системами и запуска модуля подсказок, упростить поиск, а также проверять данные при сохранении на наличие дублей, чтобы некачественная информация не попадала в систему управления мастер-данными (Master Data Management, MDM).

По итогам проекта были созданы методические документы и сформулирована политика управления корпоративными данными, определены владельцы различных категорий данных, разработана система KPI по качеству данных. Прибавилось три десятка новых правил, которые позволили на 22% сократить число потенциальных дублей. На следующем шаге планируется сформировать стандарты качества клиентских данных.

Рост качества коммуникативных данных привел к снижению количества неэффективных коммуникаций, что не замедлило сказаться на результативности маркетинговых кампаний.

SLA для госданных

В госсекторе, где требуется куда больший масштаб преобразований, ситуация c внедрением менеджмента качества данных развивается медленнее, чем в корпоративном, но тем не менее подвижки есть.

О статусе работ по созданию единой платформы национальной системы управления данными (НСУД) и ее роли в повышении качества государственных данных рассказала в стратегическом блоке конференции Наталья Гвоздева, советник министра цифрового развития РФ. По ее словам, Минцифры приступает к практической эксплуатации НСУД: на 2021 год запланирован ряд пилотных проектов, но основной разбор данных региональных и муниципальных органов исполнительной власти предстоит в следующем году.

Сейчас органы власти активно заполняют модели НСУД, и к апрелю планируется получить единую базу атрибутов, которая даст понимание того, какими данными располагают органы власти. До сих пор такого единого хранилища не было — соответственно, отсутствовало представление об актуальной структуре данных различных ведомств. Наиболее ясно описана и представлена на сегодняшний день структура данных Федеральной службы государственной статистики, ежегодно обрабатывающей порядка 25 млрд единиц информации. С целевой моделью данных для цифровой аналитической платформы Росстата, разработанной НИИ «Восход», участники конференции познакомились непосредственно из выступлений ее создателей и пользователей.

К лету должна появится «карта», которая поможет ориентироваться и искать данные и в других государственных информационных системах. Те, кто описывает данные, должны обязательно указать порядок проверки и контроля качества данных. Но в перспективе предполагается перейти к другой практике, когда требования к качеству данных устанавливает потребитель.

«Главная ценность НСУД для госорганов — возможность быстро понять, где находятся нужные данные и как их получить», — подчеркнула Гвоздева. Чтобы обеспечить быстрый доступ к данным, во всех органах власти внедряются витрины данных — прежде всего для предоставления госуслуг в режиме онлайн. В 2020 году создано 6 ведомственных витрин данных, разработаны типовые рекомендации по управлению качеством данных и 167 дата-сетов рекомендованы к размещению в витринах данных государственных органов власти. Помимо прочего, в НСУД формируется реестр всех ведомственных нормативных актов, которые регулируют структуру данных в информационных системах.

В ближайшее время появится SLA для государственных данных. В Минцифры готовят приказ, устанавливающий порядок управления качеством государственных данных с использованием единой информационной платформы НСУД. Этот документ будет регламентировать работу витрин данных и обяжет органы власти устранять инциденты в установленные сроки.

Пока качество данных в государственных информационных системах оставляет желать лучшего, главным образом потому, что качество собираемых первичных данных далеко не всегда проверяется. И чтобы ввести контроль качества данных при их сборе от физических и юридических лиц, придется прибегнуть к нормативному регулированию.

Даже в разгар пандемии в Москве не прекращается работа над ключевыми проектами цифровизации здравоохранения. Компьютерное зрение и искусственный интеллект уже несколько месяцев применяют для выявления коронавирусной пневмонии на КТ, а описание снимков врачи могут вводить в электронную карту голосом. Теперь начался качественно новый этап развития медицинской системы столицы — цифровой помощник, позволяющий точнее ставить предварительные диагнозы, появился у врачей во всех во всех взрослых поликлиниках города. Основанная на технологиях искусственного интеллекта система анализирует жалобы пациента в режиме онлайн и предлагает три варианта предварительного диагноза, перечни исследований для их подтверждения и списки специалистов, консультации которых понадобятся для лечения.

Инструмент постановки предварительного диагноза, который с октября заработал во всех 45 взрослых поликлиниках Москвы, — это один из компонентов системы поддержки принятия врачебных решений (СППВР), разработанной Сбером.

Система базируется на Единой медицинской информационно-аналитической системе (ЕМИАС) и представляет собой набор цифровых инструментов, помогающих врачу принимать решения на всех этапах ведения пациента — сбора анамнеза, постановки предварительного диагноза, выбора диагностических исследований, лекарственной терапии, схемы лечения и других. Цифровые инструменты создавались в соответствии с клиническими протоколами по заболеваниям, разработанными специалистами Департамента здравоохранения Москвы вместе с федеральными экспертами. К настоящему времени подготовлено 87 протоколов по наиболее часто встречающимся заболеваниям.

Инструмент №1: постановка предварительных диагнозов

После осмотра врач заносит в электронную медкарту информацию о жалобах пациента и симптомах заболевания. Искусственный интеллект обрабатывает эти данные в режиме онлайн и предлагает врачу три наиболее вероятных предварительных диагноза из 265 стандартных групп. Врач может выбрать один из предложенных ему предварительных диагнозов либо поставить собственный.

Тестирование пилотной модели системы завершилось в середине текущего года, и с октября она работает на постоянной основе. Ожидается, что использование этого инструмента повысит точность диагностики и сократит число ошибочных диагнозов. Благодаря встроенным механизмам самообучения решение будет постоянно совершенствоваться. До конца 2021 года в систему планируется ввести описания нескольких десятков самых распространенных болезней, которые искусственный интеллект может диагностировать с точностью более 90%, сообщил президент Сбера Герман Греф.

Примерно через год инструмент постановки предварительных диагнозов может быть предложен регионам, где не хватает квалифицированных специалистов. Кроме того, система будет включать обучающий функционал для молодых врачей, которые недавно окончили вузы, и тех, кому сложно обратиться за помощью к коллегам.

Инструмент № 2: пакетные назначения

После постановки предварительного диагноза СППВР предлагает врачу пакетные назначения — стандартный перечень инструментальных и лабораторных исследований, а также консультаций профильных специалистов, необходимых пациенту. Заложенные в систему 54 набора назначений для первичной диагностики заболеваний охватывают до 90% причин обращений в поликлинику.

Критерии необходимости дополнительных назначений видны доктору во время работы. По своему усмотрению он может расширить перечень назначений или убрать из него ненужные анализы.

Вместе с назначениями пациент получит памятку о правилах подготовки к исследованиям. А в дальнейшем система проконтролирует, чтобы исследования были проведены в установленный срок.

Инструмент пакетных назначений был запущен в городских поликлиниках в сентябре и за первый месяц работы врачи сделали с его помощью свыше 37 тыс. назначений, в большинстве своем связанных с ОРВИ. Внедрение этого инструмента позволило в 10 раз сократить среднее время назначения диагностических исследований — с двух минут 37 секунд до 15 секунд.

Инструмент № …

До конца текущего года планируется внедрить еще несколько компонентов СППВР. Так, система умного осмотра подскажет врачу, на что нужно обратить внимание в зависимости от жалоб пациента. Справочник жалоб структурирован по характеристикам, которые разделены по заболеваниям на общие, основные и дополнительные. Он содержит более 600 значений, верифицированных ведущими медицинскими специалистами. Цифровой гид по совместимости лекарственных препаратов проанализирует взаимодействие назначаемых пациенту лекарств, а также сформирует для больного памятку по их приему. В числе дополнительных инструментов, которые уже апробируются на практике, — анкета пациента в электронной медкарте. Ее предлагается заполнить заранее, чтобы врач мог использовать эти данные на приеме.

Используемые в СППВР протоколы, справочники и алгоритмы будут постоянно пополнять наименованиями новых препаратов и методов лечения.

«Это даст колоссальный эффект — повысится качество диагностики, точность окончательного диагноза, уровень лечения и дальнейшего сопровождения пациента», — уверен мэр города Сергей Собянин. Он подчеркнул, что в основе новой системы лежат мнения лучших врачей и экспертов страны. «Технологии искусственного интеллекта базируются на большом количестве данных. Искусственный интеллект — это вишенка на торте. Только чтобы эту вишенку положить, нужно сначала испечь торт. В Москве этот торт если еще не испечен, то находится на стадии очень высокой готовности», — добавил Греф.

В феврале 2020 года в столице стартовал эксперимент по использованию технологий искусственного интеллекта для анализа медицинских изображений. Ежедневно в Москве проводят около 13,5 тыс. лучевых исследований на 1,2 тыс. аппаратов, подключенных к Единому радиологическому информационному сервису. С помощью искусственного интеллекта проанализировано более 800 тыс. исследований по четырем направлениям — выявлению признаков COVID-19, выявлению рака легкого, исследованию патологий легких и выявлению рака молочных желез. Кроме того, ранее начатый пилотный проект по применению голосового ввода заключений в поликлинических отделениях лучевой диагностики признан успешным. За год с помощью этой технологии подготовлено более 25 тыс. протоколов рентгенологических исследований. Теперь голосовой ввод внедряют в остальных поликлиниках города.

Таким образом, использование искусственного интеллекта вполне может превратиться из экспериментальной технологии в стандарт работы московских поликлиник в самом ближайшем будущем.

Важность управления данными сегодня доказывать не надо — интерес к этой сфере давно уже не теоретический, а вполне утилитарный. С накоплением критической массы ошибок, в фокусе общего внимания закономерно оказалась проблема качества данных, избежать столкновения с которой не удалось никому. На конференции «Качество данных 2020», организованной издательством «Открытые системы», около 200 профессионалов в области управления данными собрались, чтобы рассмотреть эту тему со всех сторон, разложив «по полочкам» терминологию, варианты стратегии, удачный проектный опыт и актуальные инструменты.

Больше данных — меньше доверия?

В крупных информационных системах корпоративного уровня число источников данных может достигать нескольких сотен, а количество наборов данных — исчисляться десятками тысяч. «Три кита, на которых покоится «здание» качества данных,— полнота, актуальность и корректность, — напомнил Алексей Незнанов, доцент Департамента анализа данных и искусственного интеллекта НИУ ВШЭ. — И когда мы пытаемся разобраться с ними, то получаем огромное количество характеристик, метрик и стандартов».

Согласно исследованиям DIS Group, в 2019 году 33% крупных российских компаний внедряли Data Governance в надежде не только обеспечить прозрачность данных, удобный доступ к ним и возможность отслеживания взаимосвязей между ними, но и унифицировать терминологию, зафиксировать правила и метрики качества данных.

Сакраментальное изречение из мира ИТ «мусор на входе — мусор на выходе» в эпоху цифровизации заиграло новыми красками. «Мусороворот» напрямую влияет на исполнение операций в организации, уровень анализа и принимаемых решений, а также на качество публикаций в СМИ об организации. «Дешевле изначально обеспечивать нужное качество данных, чем потом разгребать последствия, которые возникают из-за дефектов данных»,— уверен Валерий Артемьев, консультант управления методологического и организационного обеспечения в департаменте статистики и управления данными Банка России. Из-за проблем такого рода, по некоторым оценкам, теряется до 15% прибыли компаний. Он также обозначил дилемму, названную им «принципом неопределенности Гейзенберга для управления качеством данных»: мы всегда можем получить либо достоверные, но не совсем актуальные данные, либо актуальные, но не очень достоверные.

Опрос, проведенный компанией Informatica в 2017 году, показал что главные проблемы для директоров по данным — непонимание данных и их качества, из чего следует невозможность доверять данным и основываться на них, принимая решения. Олег Гиацинтов, технический директор DIS Group, призвал подходить к управлению данными разумно. «Раньше мы делали много проектов по очистке клиентских или продуктовых данных, приведению их в порядок, — отметил он. — А сейчас активно занимаемся процессами понимания данных. Надо ли их вообще чистить? Бывают ситуации, когда вы не можете что-либо улучшить».

Такая разная зрелость

Уровни зрелости российских компаний в вопросах управления качеством данных сильно разнятся. С одной стороны, есть те, кто уже прошел длинный путь и может служить своего рода маяком для других. Например, в сбытовом блоке «Газпром нефти», где давно переросли уровень бизнес-аналитики и выстроили систему управления данными на платформе Informatica, специальная группа сотрудников сейчас занимается только качеством данных. «Без требований к качеству данных ни одна задача не принимается в работу», — подчеркнул Иван Черницын, руководитель центра аналитических решений Дирекции региональных продаж «Газпром нефти». За полтора года после запуска системы число бизнес-заказчиков дирекции, разрабатывающей аналитические приложения, удвоилось.

С другой стороны, зачастую бизнес по-прежнему несет потери из-за плохих справочников. В одних компаниях нет службы нормативно-справочной информации, в других — единого классификатора, в третьих управление данными ведется в ERP-системах. «Весь пул вопросов, которые мы решали 20 лет назад, остался», — констатировала Алла Токарева, руководитель направления НСИ группы консультирования в области закупок и цепочек поставок компании KPMG.

В то же время крупный бизнес все чаще подходит к решению проблем основательно, начиная со снабжения. На примере проекта в компании «Алроса» Токарева рассказала о роли качественной нормативно-справочной информации для материально-технического обеспечения бизнеса. В результате реализованных KPMG проектов по трансформации МТО фиксируется улучшение оборачиваемости или снижение запасов в среднем на 10-15% за два-три года. И реструктуризация НСИ вносит существенный вклад в этот эффект.

В компании Leroy Merlin проблему качества данных рассматривают в контексте обеспечения безопасности поставок. Совместно с технологическим партнером IDX ретейлер запустил автоматические проверки двух видов: проверка достоверности данных в документах водителей с целью обеспечить безопасность перевозок и проверка данных потенциальных сотрудников новых подразделений, чтобы исключить риски, связанные с их благонадежностью.

Это несравнимое качество

В отличие от корпоративных систем, в государственных информационных системах невозможно проверить качество всего массива данных, можно лишь оценить конкретные наборы данных, получаемые через Систему межведомственного электронного взаимодействия. «Сейчас объективная ситуация с качеством данных по стране неизвестна, нет никакой возможности его оценить и как-то на него повлиять», — отметил Сергей Сергиенко, руководитель направления «Национальная система управления данных (НСУД)» в НИИ «Восход». По его словам, НСУД, создание которой предусмотрено к 2021 году в программе «Цифровая экономика», позволит существенно упростить сопоставление данных в больших массивах.

Сравнивать данные об одних и тех же объектах, которые находятся в разных системах-источниках, — непростая задача. Как это делать с помощью инструментов контроля качества данных на основе технологий онтологического моделирования и правил логического вывода, рассказал Сергей Горшков, директор компании «ТриниДата». Сначала с помощью редактора онтологий создается модель предметной области. Редактор правил ввода-вывода встроен в платформу «Архиграф.СУЗ», где также содержатся инструменты поиска, извлечения объектов и сравнения их свойств. А основу для выполнения необходимых для этого алгоритмов предоставляет платформа «Архиграф.MDM», которая предоставляет программные интерфейсы для работы с данными, извлекаемыми из внешних систем, компонент для выполнения логических правил и универсальный API доступа к данным.

Руслан Трачук, технический директор компании «Юнидата», поделился выводами по итогам проектов создания прикладных высоконагруженных федеральных информационных систем. Один из таких проектов — разработка подсистемы обеспечения качества данных Росреестра. Задачей этой подсистемы является выявление ошибок в Едином государственном реестре недвижимости, который содержит 300 млн записей, проверяемых на соответствие 120 правилам. «Современный нагруженный прикладной проект требует совмещения в одном решении нескольких инструментов управления данными. Одного — недостаточно, — отметил Трачук. — И степень их интеграции существенно влияет на эффект синергии».

Также докладчики ознакомили участников конференции с тем, как заботятся о качестве данных в «Росатоме», МТС и других компаниях, оперирующих большими информационными массивами, а также рассказали о том, как применяют профилирование для управления качеством данных в Счетной палате и как удается использовать технологии искусственного интеллекта в условиях отсутствия качественных данных.

Ступень к аналитике

Без наведения порядка в используемых данных получать столь желанную для топ-менеджеров аналитику невозможно. «Перед тем как приступать к решению аналитической задачи, мы первым делом обязательно проводим аудит данных, начиная с простого профилирования, и оцениваем процессы», — подчеркнул Михаил Александров, руководитель практики платформных решений «SAS Россия/СНГ», представляя разработанные этой компанией инструменты управления качеством данных.

Выстроив систему управления данными, необходимо вовлекать бизнес-сотрудников в ее развитие. «Сегодня важны не озера данных, а четко работающий конвейер данных — процесс, который можно улучшать и дополнять, в том числе самому бизнесу», — полагает Максим Аннюк, отвечающий за развитие направления «Цифровой бизнес» в компании Hitachi Vantara. Он познакомил слушателей с методологией DataOps, помогающей повысить качество и сократить цикл подготовки аналитики, а также поделился опытом применения этой методологии внутри самой Hitachi Vantara.

Иван Черницын: «Без требований к качеству данных ни одна задача не принимается в работу» Настольная книга «Юнидата» презентовала на конференции «Качество данных 2020» руководство «DAMA-DMBOK: Свод знаний по управлению данными», подготовленное к изданию на русском языке при непосредственном участии компании. DMBOK позиционируется в качестве настольной книги для всех сотрудников, деятельность которых имеет отношение к управлению данными. Рекомендовал книгу участникам конференции и Иван Черницын из «Газпром нефти», чей доклад получил у слушателей самые высокие оценки.

«Грязные» данные грозят похоронить любой проект, основанный на аналитике. Но в подавляющем большинстве проектов управлению качеством данных сегодня уделяется катастрофически мало внимания. На конференции «Качество данных 2020», которую издательство «Открытые системы» проведет 5 февраля, недостаток знаний в этой области восполнит, в частности, Алексей Незнанов, доцент департамента анализа данных и искусственного интеллекта НИУ ВШЭ.

- Что такое качество данных?

Это комплексная характеристика, которую присваивают наборам и источникам данных, чтобы более-менее адекватно их сравнивать и использовать для конкретных целей. Это область серьезных исследований, где наработан глоссарий, тезаурусы и, главное, для типичных применений в бизнесе есть готовые метрики и популярные инструменты. Качество всегда контекстно зависимо и целезависимо. Характеристики качества для наборов данных и источников, откуда можно черпать новые данные, сильно разнятся.

- Какие существуют градации качества?

Существует только градация отдельных показателей, так как различные показатели могут быть противоречивыми. В большинстве моделей качества данных основными аспектами являются полнота, непротиворечивость (целостность) и актуальность. В каждом аспекте выделяют до 20 параметров. Например, для полноты примером параметра является объем данных, для актуальности — дата последнего обновления, для непротиворечивости — процент доказанных ошибок оператора.

- При каких условиях возможна очистка данных?

Условия зависят от уровня агрегирования и этапа анализа. На уровне первичных данных достаточно нормальных систем ввода (с проверкой и контролем ошибок) и аудита первичного ввода. Но аудит желателен двухэтапный — сначала выборочная проверка отдельных записей, а потом «аудит аудита».

Дальше начинаются проблемы. Нужен доступ ко всем элементам данных, значит, возникает вопрос о правах доступа к персональным данным, ноу-хау и другим «секретам». Особенно печальна ситуация с персональными данными, потому что повсеместное применение защищенных хранилищ персональных данных, к которым несколько организаций имеют доступ и возможность автоматически восстанавливать привязку данных, в России пока остается только мечтой.

На следующем уровне проблема связана с правильностью вычисления агрегирующих функций — среднего, медианы, экстремумов, перцентилей, квантилей. В ходе каждой из попыток что-то вычислить нужно контролировать, что происходит с характеристиками качества, особенно с точки зрения учета выбросов. Отсюда растущая популярность робастной статистики, методы которой менее чувствительны к выбросам и ошибкам. И это при том, что мы еще не касаемся временных рядов, цензурирования данных и т.п.

Наконец, при гармонизации нескольких наборов данных возможность очистка зависит от наличия и качества справочников, достаточности метаданных, качества схем.

- Каковы основные методы повышения качества данных?

Самый главный способ повышения качества — постоянный контроль за данными. Нужно, чтобы отслеживание мельчайших характеристик качества данных происходило через маленькие промежутки времени между проверками. Но это сложно и дорого, поэтому обычно чем-то пренебрегают и начинают по отдельности оценивать достаточность, непротиворечивость и корректность, причем только в ключевых точках. При этом обычно предпочитают аудит данных и выборочные проверки.

В юридических документах, особенно в судебных решениях, где цена ошибки очень высока, приходится проводить специальный аудит и кросс-проверку по результатам. Некоторые компании следят за качеством своих юридических документов, пытаются связывать их с мастер-данными и оценивать качество этих связей. А другие просто их накапливают, и непонятно, насколько они корректны.

Сотрудникам нужна мотивация для того чтобы обеспечивать повышение качества данных. У нас же во многих областях мотивация со знаком минус: выгодно делать данные плохого качества. Например, в медицинских записях о манипуляциях с пациентами около 30% ошибок — это ошибки намеренные, поэтому качество большинства наших клинических данных, по мнению экспертного сообщества, никуда не годится.

- Можно ли сказать, что какой-то из методов эффективнее других?

Нет. Иногда нужен контроль ввода, иногда многоступенчатый аудит, поскольку аудиторы первого уровня сами готовы внести неправильные данные. В некоторых случаях очень хорошо работают методы автоматического аудита, потому что есть метаданные, онтологии, глоссарии. А иногда ничего этого нет. Поэтому надо обязательно смотреть сначала на то, какова цель, а потом на контекст.

Люди, принимающие решения о разработке аналитической системы, должны сформулировать требования к качеству данных. Затем качество реальных данных проверяют на соответствие корпоративной политике качества данных и определяют, что необходимо сделать, чтобы достичь удовлетворительного качества.

- А насколько в российских компаниях распространена политика качества данных?

Обычно такая политика, а также управление качеством данных появляются сразу после того, как проваливается первый проект по внедрению сквозной аналитики. Поняв, что аналитика не работает из-за плохих данных, начинают в авральном порядке работать с их качеством. Через пару лет в хороших организациях организуются соответствующие службы и начинают управлять качеством — в первую очередь мастер-данных. Ну а в плохих организациях добиваются решения частной задачи и снова «проваливаются» с качеством в целом.

- На какие «грабли» в этой области наступают регулярно?

Список «граблей» начинается с нежелания изучать первоисточники. В ГОСТах (начиная с ГОСТ 56214 и 56215) есть вменяемая терминология и вполне рабочая методология, и именно ее применяют основные поставщики решений для работы с качеством данных. Разное понимание терминов, используемых в работе с данными, приводит к тому, что на верхнем уровне принятия решений начинается сумбур.

Следующая стандартная ошибка — несоответствие уровня качества данных конкретным задачам. Очень часто либо задают слишком высокий уровень и не достигают его, либо, наоборот, устанавливают чересчур низкий уровень, и тогда не работают системы аналитики.

Яркий пример — сочетание друг с другом наборов данных с разными характеристиками качества, так что после гармонизации вообще невозможно ничего сказать о качестве полученного набора данных. Причем в этот момент ему очень часто присваивают характеристики качества наобум. Чтобы оценить изменение качества при слиянии данных и выстраивании иерархических связей, следует использовать специальные методы и привлекать экспертов.

- Эксперт по качеству данных — кто это?

Есть три вида экспертов. Первый — специалисты по статистике, второй — эксперты в конкретной предметной области, работающие с данными в этой области. И третий — специалисты по методологии анализа и обработки данных, таких экспертов приходится привлекать, если нужна проверка своих действий, либо если штатный специалист не справляется со сложными проблемами. Для крупной организации грех не иметь своего специалиста по настройке системы управления качеством данных.

Адекватный директор по данным в первую очередь добьется принятия политик: сначала по управлению данными, а потом по управлению качеством данных — как ее части.

- На что следует опираться при разработке политики управления качеством данных?

На цели бизнеса, текущие задачи и контекст существования организации. В основе методологии лежат стандарты, где указано, как вычисляют характеристики, какие есть метрики. Но этого мало, необходимо определиться, зачем сейчас нужны данные в организации. Может, и не нужны.

- То есть политику нельзя просто «списать» у тех, кто этот путь уже прошёл?

Списать — плохой вариант. Разве что, у кого-то работающего в той же области и с такими же бизнес-целями. Такое возможно: уже есть достаточно хорошие платные каталоги политик управления качеством.

Например, при организации сети Open Knowledge Foundation сделали руководства по управлению качеством, по оценке качества и отраслевой стандарт оценки качества источников открытых данных. Даже делаются каталоги, в которых обозначены уровни качества источников данных.

- Какие проблемы управления качеством данных еще не решены?

Главный вопрос — анализ качества больших данных. Когда из-за недостатка времени и вычислительной мощности использовать сложные методы нереально, встает вопрос, как это сделать приближенно и насколько пострадает при этом качество. Здесь много чего предложено, но стандартных решений пока нет.

Перманентно актуальная область — работа с неструктурированными данными и с текстами на естественном языке. Генерировать тексты на абсолютно любые темы стало так просто и дешево, что скоро мы будем завалены фейками — погуглите веселый сайт TalkToTransformer.

- О чем вы расскажете участникам конференции?

Моя задача показать, что качество данных — не просто серьезная область, но в ней уже многое наработано и имеются готовые решения: инструменты, которые оценивают качество данных по куче метрик, помогают аудиторам, оценивают возможные последствия гармонизации данных. Эти инструменты надо использовать, чтобы не попасть впросак с управлением данными и знаниями.

Спустя пять лет после объявления курса на импортозамещение доля отечественного программного обеспечения в государственных компаниях не превышает 10%. Об этом Илья Массух, директор Центра компетенций по импортозамещению в сфере информационно-коммуникационных технологий, сообщил на конференции информационного агентства ТАСС «Антисанкции. В чем выгода импортозамещения в сфере ИТ». Учитывая, что доля государства в экономике составляет 47%, на этом можно было бы ставить точку в оценке эффективности импортозамещения.

Тем не менее, поставленную правительством задачу довести к 2021 году долю отечественного ПО в органах власти и госкомпаниях до 50% никто не отменял. Чтобы выполнить директиву правительства, в будущем году крупнейшие госкомпании планируют направить на приобретение российских технологических продуктов и услуг более 180 млрд. руб., а Минпромторг и Минкомсвязь выдают разнообразные субсидии на эти цели. Однако в общем объеме выданных кредитов на ИТ приходится лишь 0,6% (из них 0,4% — кредиты госкорпораций). На уровне регионов средств на реализацию импортозамещения просто нет. При таком уровне доступа к финансированию настоящих прорывов в технологической сфере ждать не приходится.

В оценке неудач импортозамещения участвовавшие в конференции эксперты были практически единодушны, а перечень признанных провалов простирался от отсутствия четкого определения отечественного ПО и неэффективного расходования денежных средств и до путанных и несогласованных документов в нормативной базе программы импортозамещения.

Реестр отечественного ПО, содержащий около 6 тыс. решений (из них около 1 тыс. — от «1С»), внутренний спрос не стимулирует и эффективность его в глазах разработчиков падает. Сроки перехода на отечественное офисное ПО фактически сорваны и со следующего года Счетная палата намерена трактовать факт закупки иностранного ПО как сигнал для усиленной проверки, сообщил Массух.

Концепция миграции на отечественное ПО все еще требует тщательной проработки, так как проблемами являются не только проприетарные форматы документов хранения и обработки, но и форматы обмена данными, интеграционные шины и приложения, разработанные под конкретную версию операционной системы. Доля специального программного обеспечения, обладающего более развитиям функционалом чем отечественные аналоги, совсем невелика. Но при этом существенная часть ведомственных систем не имеет версий, совместимых с отечественными ОС, или требуют дополнительного ПО, несовместимого с российскими операционными системами.

Главной проблемой эффективного замещения иностранных решений представляется отсутствие масштабируемых отраслевых решений полностью российского происхождения. Чтобы сформировать полный технологический стек из оборудования, системного и прикладного программного обеспечения, нужна целая экосистема, складывающаяся вокруг ключевых российских вендоров и не исключающая внутреннюю конкуренцию для поддержания качества продукции. Миссию центра такой экосистемы готов выполнять «Микрон», сообщила Ольга Пестерева, заместитель генерального директора по управлению коммуникациями «Микрон».

Призрак успеха

Пытаясь найти в нынешней ситуации что-то позитивное, участники конференции выделили два основных достижения: активную кооперацию российских вендоров для закрытия потребностей заказчиков в функционале и рост российской радиоэлектронной промышленности и разработки базовых информационных технологий. Однако и это только весьма условно можно назвать успехами.

Представление о возрождении производства отечественной электроники сильно  разнится со взглядом изнутри отрасли. Российские ИКТ разрабатываются на элементной базе иностранных производителей, которые могут предлагать свои продукты по демпинговым ценам, пользуясь финансовой поддержкой своих правительств. Поэтому по цене российским вендорам состязаться с ними тяжело. А кроме ценовых, у заказчиков нет никаких стимулов закупать технику на отечественных чипах. С российскими микропроцессорами совместимы лишь единичные программные продукты, поскольку разработчиков ничто к этому не обязывает и ничего кроме лишних затрат им не сулит.

Предприятия оборонно-промышленного комплекса в процесс импортозамещения начали вовлекать только в текущем году. Неудивительно, что в прошлом году доля поставок серверов на базе отечественных процессоров «Эльбрус» не превышала ошибки измерения.

«Вложениями в цифровую экономику мы кормим иностранных производителей и наращиваем их компетенции, тем самым увеличивая разрыв, который хотим преодолеть», — подчеркнула Пестерева.

Илья Массух: «Выгода импортозамещения в том, что деньги налогоплательщиков остаются в стране»

Для сохранения и преумножения компетенций разработчикам важна работа на экспорт. «В России и Восточной Европе мы — производитель элементной базы номер один, но в мировом масштабе не видны глазу», — отметила Пестерева. Около 20% выручки «Микрон» поступает от экспорта, но это простейшие микрочипы, которые за копейки продаются в страны Азии, а возвращаются на наш рынок в дорогой брендированной аппаратуре.

Замещение 60% зарубежных технологий российскими аналогами должно обеспечить «цифровой суверенитет» — самостоятельность страны в принятии решений, касающихся ИТ. Но интересы безопасности, как это обычно случается, идут вразрез и с экономической выгодой, и с удобствами пользователей.

«Выгода импортозамещения в том, что деньги налогоплательщиков остаются в стране», — считает Массух. Но пока что ограничения закупок зарубежных решений приводят, главным образом, к увеличению потребления тех же решений как сервисов. Их еще не запретили, хотя необходимость такого запрета уже обсуждается.

Несмотря на сплошные пробуксовки импортозамещения, возврата к прежнему в этой области не предвидится. C 2024 года правительство намерено наложить запрет на создание и модернизацию информационных систем государственных органов власти на основе проприетарного кода компаний из стран, не входящих в Евразийский экономический союз.

Группа компаний «АйТеко» представила стек технологий, помогающих создавать «новую цифровую реальность», и обозначила ключевые направления развития своего бизнеса на основе этого стека. В формате экспресс-интервью десять топ-менеджеров компании рассказали о наиболее интересных тенденциях, запросах рынка и инструментах, предлагаемых клиентам для осуществления цифровых преобразований.

В число развиваемых группой направлений входят большие данные, блокчейн, искусственный интеллект, интегрированные коммуникации, заказная разработка ПО, облачные технологии, строительство с применением BIM-технологий (Building Information Modeling — «информационное моделирование сооружений»), сети 5G, а также акселерация стартапов. По многим из этих направлений интегратор предлагает собственные решения. К примеру, платформа «Цифровой алфавит» предназначена для создания отраслевых решений по управлению данными, а в корпоративном мессенджере Express совмещаются возможности мгновенного обмена сообщениями и работа с корпоративными ресурсами.

В «Инновационном центре АйТеко» не только разрабатывают программное обеспечение для финансовых и торговых организаций, но обучают разработчиков и тестировщиков, а также работают со стартапами. В 2019 году совместно с фондом «Сколково» центр впервые провел программу по поиску и развитию технологических компаний, оттолкнувшись от конкретных потребностей финансовых организаций. По итогам этой программы 28 решений от стартапов вошли в портфолио «ИЦ АйТеко».

Образованный год назад «Центр когнитивных технологий АйТеко», разрабатывающий решения на основе искусственного интеллекта, познакомил с новой системой для организации удаленной техподдержки Remote Advisor. Это приложение c технологией дополненной реальности помогает устранять проблемы, получая наглядные инструкции и подсказки по операциям с оборудованием в реальном времени. «Искусственный интеллект — это наука, которая, наконец, пришла в бизнес», — считает руководитель ЦКТ Илья Калагин. По его словам, центр уже близок к превращению из инвестиционного подразделения в окупаемое.

Создание ЦКТ — не единственное изменение структуры«АйТеко» за последнее время. Так, экспертизу всей группы по созданию ИТ-инфраструктуры, включая опыт построения распределенных ЦОДов, телекоммуникационных систем, мультимедийных решений и технологий обработки больших данных, в 2019 году сосредоточили в единой технической дирекции. Это подразделение специализируется на технологическом сопровождении и поддержке смежных проектов компаний в составе группы.

Еще одна новая бизнес-единица в составе группы — компания «Новые телеком решения», займется производством телекоммуникационного оборудования и разработкой программного обеспечения для сетей связи четвертого и пятого поколений.

Как грамотно управиться с нарастающей волной данных, перейти к дата-центричному подходу в ИТ-архитектуре и стать бизнесом, направляемым данными (data-driven)? Подсказки консультантов, методологии, вдохновляющие примеры превращений производственных компаний в поставщиков цифровых услуг, выступления экспертов по нормативному регулированию персональных данных — все это на прошедшем при полном аншлаге форуме «Управление данными 2019», организованном издательством «Открытые системы».

Подсказки от KPMG

Для тех, кто занимается проектами, связанными с искусственным интеллектом, качественные данные — постоянная головная боль. В одном из ключевых докладов форума от компании KPMG, средствам избавления от этой «боли» было отведено центральное место.

KPMG рекомендует для начала навести порядок, разобравшись в мета-данных и их сущности для бизнеса. Кроме того, монетизация данных, получение выгоды от них, должны стать частью стратегии компании на уровне ее высшего руководства. Не случайно директор по данным (Chief Data Officer, CDO) обычно подчиняется непосредственно руководителю компании, иначе запускать центры монетизации данных и кросс-функциональные команды, работающие с данными, просто невозможно.

Еще один крайне важный момент — в компаниях нередко возникают своеобразные «очаги инноваций», однако знание о том, что именно в них происходит, похоронено внутри этих маленьких команд. «Пиарьте инициативы, связанные с данными, рассказывайте о них внутри компании, рассказывайте снаружи, — призвала участников форума Алена Дробышевская, директор, руководитель направления «Умные технологии» KPMG. — Иногда бывает проще услышать что-то снаружи, чем изнутри».

Бизнесу следует быть готовым к смене бизнес-модели. Одно из самых тяжелых требований для традиционных компаний — быть открытыми для новых возможностей. Им чрезвычайно трудно воспринимать информацию как актив, который можно продавать или строить продукты на его основе. Тем не менее в компании непременно должны найтись люди, которые такие вещи придумывают.

Волшебное превращение

Компании AkzoNobel повезло — такие люди у нее были, и эффект их деятельности оказался весьма неожиданным.

Пример AkzoNobel крайне любопытен. Благодаря сбору и обработке накопленных данных производитель лаков и покрытий стал еще и разработчиком программного обеспечения, и поставщиком информационных услуг. Обрастание корпусов морских судов ракушками и водорослями со временем приводит к заметному увеличению расходов на топливо, поэтому прогнозирование этих процессов пользуется спросом у владельцев судов. Идея сбора соответствующих данных принадлежала двум ученым, начавшим эту работу еще в 1972 году. С 2009 года AkzoNobel начала собирать действительно большие данные, несмотря на отсутствие понимания, как удастся их использовать, да и удастся ли вообще. В течение нескольких лет, обновлясь каждые 15 минут, в компании копились данные о 25 тыс. судов и 8 параметрах окружающей их среды. В 2015 году на рынок вышел первый программный инструмент по предсказанию потребления топлива морскими судами. Вслед за этим у лакокрасочной компании неожиданно появился спрос на ее ИТ-инструмент предсказательной аналитики со стороны портов. Теперь AkzoNobel — поставщик информационного сервиса для судов и портов, заинтересованных в информации, помогающей предотвратить занос в акваторию порта опасной микрофлоры.

Персональная неопределенность

Несмотря на то, что персональные данные не обделены вниманием законодателей, до сих пор многое остается неясным, начиная собственно с определения персональных данных и степени, до которой их следует обезличить, чтобы получить возможность использовать в коммерческих целях.

«Есть колоссальная правовая неопределенность в вопросе, кому принадлежат персональные данные, том числе те общедоступные данные, которые сам субъект ввел в оборот, — подчеркнула Александра Орехович, директор по правовым инициативам ФРИИ. — И все вопросы очень острые». Исходя из духа закона, законодатель относит личные данные к собственности самого человека, но поскольку механизм распоряжения ими не урегулирован, человек себя собственником не чувствует.

Александра Орехович: «Сохраняется колоссальная правовая неопределенность в вопросе, кому принадлежат персональные данные»

Неудивительно, что фактический объем российского рынка данных примерно в 50 раз меньше, чем его потенциал. Но самое неприятное для бизнеса — массовое недоверие. По данным исследования Ipsos и Всемирного экономического форума, более половины пользователей готовы отозвать свои персональные данные и более не предоставлять их никому и не при каких условиях. Только 46% опрошенных готовы предоставлять персональные данные на условиях монетизации или получения преференций. Еще печальнее результат прошлогоднего опроса ВЦИОМ: 70% граждан уверены, что их данные бессовестно крадутся. По мнению Орехович, это прямое следствие правовой неопределенности и невозможности узнать, кто какие данные куда передает и с какой целью. Четкое ощущение, что данные им не принадлежат, приводит к тому, что клиенты не желают подписывать согласие на обработку персональных данных — с этой проблемой уже сегодня сталкивается малый бизнес.

Для решения этих вопросов готовится ряд поправок в действующее законодательство, в том числе по инициативе ФРИИ. «Мы считаем очень важным предоставить самому субъекту информацию о том, какие его данные обрабатываются, а также возможность их отозвать, — заявила Орехович. — Это уже существующая практика, несмотря на утверждения некоторых компаний, что это невозможно или очень дорого».

Исследование ФРИИ показало, что создание такого механизма обойдется российскому оператору персональных данных приблизительно 600 тыс. руб. — подъемная сумма, если бизнес заинтересован в вовлечении пользовательских данных в хозяйственный оборот. Это станет хорошей основой и для взаимодействия операторов, дав им возможность обогащать свои данные.

В центре ИТ-инфраструктуры

Каждая технология работы с данными эффективна в своей нише: реляционные СУБД хороши для хранения временных рядов и транзакционных данных,  базы NoSQL для неструктурированых документов, а технологии Big Data позволяют хранить большие объемы редко изменяющихся данных. «Нужно взять лучшее от каждого продукта и объединить в целостную логическую структуру, обеспечив связность, быстроту обработки, гибкое управление структурой и так далее», — говорит Сергей Горшков, директор компании «ТриниДата». По его мнению, на дата-центрический подход в построении ИТ-инфраструктуры следует переходить эволюционно. Первый шаг на этом пути — создание логической витрины данных, второй — построение хранилища данных, с которым будут работать приложения. Ключевым компонентом такой архитектуры для управления корпоративными данными являются онтологические модели, позволяющие хранить не только структуру данных, но и правила их обработки.

В мире интерес к решениям по управлению данными на основе онтологий и дисциплине «граф знаний» (Knowledge Graph) бурно растет, этот рынок стремительно развивается. В России, по словам Горшкова, тоже ожидается рост спроса на подобные решения не менее 100% в год. Онтология позволяет справится с описанием структуры данных любой степени сложности (десятков тысяч сущностей и связей между ними) и выстроить структуру данных на основе концептуальных представлений бизнес-пользователей, сделав ее интуитивно понятной.

Воплощением этой идеи стала платформа «АрхиГраф» — связующее ПО для доступа к данным, которая в совокупности с другими компонентами образует инфраструктурный слой единого корпоративного хранилища данных. «Нашей задачей было совместить мощь онтологий и лучшие существующие технологические наработки», — пояснил Горшков. «АрхиГраф» позволяет организовать логическую витрину данных для доступа к информации из унаследованных систем и построить кластер мультимодельного хранения данных, в котором начнет копится последующая информация.

На краю бизнеса

По прогнозам аналитиков, уже к 2022 году три четверти корпоративных данных будут создаваться и обрабатываться за пределами ЦОД и облаков — периферийными, или граничными (edge) решениями. Предполагается, что граничные вычисления не только освободят корпоративные сети от необходимости передавать большие объемы данных и позволят оптимизировать инфраструктуру обработки неструктурированных данных, но и существенно повлияют на решения по управлению данными.

Как сообщил технический консультант компании Atos Алексей Коваленя, некоторые консалтинговые компании предлагают свыше ста сценариев потенциального использования граничных вычислений. К примеру, первичная обработка данных «на месте» актуальна для систем компьютерного зрения, аналитики в реальном времени, а также обеспечения безопасности на границе сети. Специально для периферийных вычислений Atos выпустила в апреле 2019 года однопроцессорный сервер BullSequanna Edge с достаточно широким температурным диапазоном, в который можно поставить два дополнительных графических процессора для решения задач искусственного интеллекта. Сервер предназначен для работы вне ЦОДа, поближе к источнику данных. В компании Maersk, занимающейся морскими контейнерными перевозками, в течение трех месяцев тестировали BullSequanna Edge в комплексе с программным обеспечением Seimence Marine для Промышленного интернета. Это позволило добиться экономии топлива и улучшения экологических показателей.

Бизнес, движимый данными

Форум «Управление данными 2019» — не только концептуальные доклады и практические выступления, но и рабочая площадка для встреч с потенциальными партнерами и создания новых деловых связей. Так, Андрей Коньшин, руководитель проектов клиентского сервиса «МегаФон», пригласил к сотрудничеству и проведению пилотных проектов ИТ-компании, занимающиеся большими данными. В «МегаФоне» сегодня активно развивают инструменты на основе искусственного интеллекта: виртуальных голосовых помощников, речевую аналитику и роботов, продающих услуги.

Важнейшую роль для увеличения доли data-driven бизнеса в российской экономике будет играть наличие развитой методологии. В компании «Юнидата» завершают научное редактирование первого русского издания методологии, сформированной Международной ассоциацией по управлению данными (DAMA) — DMBOK 2.0. «Это книга, которую надо прочесть всем», — рекомендует генеральный директор «Юнидата» Сергей Кузнецов. Выход издания в свет ожидается в ноябре 2019 года.

24 сентября на форуме «Управление данными 2019» издательства «Открытые системы» выступит один из самых харизматичных экспертов в области нормативного регулирования рынка данных — директор по правовым инициативам ФРИИ Александра Орехович. В преддверии форума мы беседуем с Александрой о том, что происходит в данной сфере сейчас и чего можно ждать в ближайшем будущем.

- Какова сегодня ситуация с регулированием оборота данных?

Регулирование очень разрозненно. Цифровая экономика начинается с данных, данные нужны во всех сферах — этот постулат никем не оспаривается. У каждого типа данных своя сфера и особенности регулирования, и на практике трудно разобраться, по каким правилам эти данные можно использовать.

Если говорить о таком модном сегодня типе, как большие данные, то они никак не урегулированы. У всех, кто утверждает, что работает с большими данными, при ближайшем рассмотрении обнаруживается целый букет персональных данных. Например, при распознавании лиц в метро. То, что в кадре много лиц, из которых выхватываются, например, лица преступников, может и делает эти данные большими, но совершенно точно не дает права обрабатывать их абсолютно без правил. В каждом конкретном случае надо разбираться, какие данные используются.

Ждать того, что оборот именно больших данных будет урегулирован, не приходится. Вся мировая практика исходит из этого: никто не регулирует большие данные и не дает им определение. По сути, большие данные — это данные, персональные или не персональные, обезличенные или не обезличенные, собранные в большой массив.

Первостепенная проблема, связанная с данными, — регулирование оборота обезличенных данных. Являются ли обезличенные данные персональными? Остаются ли они в сфере действия закона о персональных данных? Многие считают, вернее хотели бы считать, что нет, хотя действующий закон не выводит обезличенные данные за периметр регулирования. С одной стороны, обезличенные данные позволяют при использовании дополнительной информации установить конкретного человека, субъекта персональных данных, а это значит, что права его могут быть нарушены и они должны быть защищены. С другой стороны, при неиспользовании дополнительной информации или в отсутствие такой информации у оператора данных такие данные теряют связь субъектом, тогда возникает вопрос: почему они остаются в сфере действия закона о персональных данных?

Логичным и правильным представляется подход изъятия данных, которые окончательно потеряли связь с субъектом персональных данных и даже при наличии дополнительной информации не дадут возможности его идентифицировать, из закона о персональных данных. То есть все, что не относится к персональным данным, может быть свободно обработано.

Это важно, к примеру, в такой новой актуальной сфере нашей жизни, как искусственный интеллект. Логичнее всего обучать искусственный интеллект на обезличенных данных. Но при этом необходимо понимать правила игры: что можно, а чего нельзя. Можем пойти по пути США, где Трамп издал указ, что системы искусственного интеллекта получают доступ к Federal Data, то есть к данным, содержащимся в государственных информационных системах.

- Процесс обезличивания в нормативных документах прописан?

В законе прописано, что обезличивание персональных данных не позволяет идентифицировать конкретного субъекта без использования дополнительной информации. То есть с использованием дополнительной информации — позволяет. Кроме того, подзаконные нормативные акты говорят, что одним из признаков обезличенных данных является их обратимость. И это — коллизия, потому что дополнительная информация, которая позволяет сделать данные обратимыми, не всегда есть и не всегда нужна. Для искусственного интеллекта, например, может быть не нужна, логично было бы использовать эти данные свободно.

В Минцифре сейчас обсуждается законопроект по обезличенным данным, где предлагается разграничить обезличенные данные и обезличенные персональные данные. По большому счету этот подход аналогичен принятому в GDPR разграничению обезличенных и анонимизированных данных. Предполагается, что обезличенные персональные данные, позволяющие сохранять связь с субъектом, будут регулироваться законом «О персональных данных», а обезличенные данные, которые потеряли связь субъектом, будут пускать в «свободное плавание». Требования к обезличиванию будут устанавливаться на уровне закона.

Процессы подготовки соответствующих законодательных инициатив сейчас объединяются; предложения Министерства цифрового развития, связи и массовых коммуникаций, Фонда «Сколково», ФРИИ интегрируются в этот законопроект.

- Как соотносится законопроект об обезличенных данных с предложенным экспертами ФРИИ проектом регулирования персональных данных?

Они нисколько не противоречат друг другу. Подготовленный ФРИИ законопроект нацелен в большей степени на предоставление субъекту возможности управлять своими персональными данными, не только и не столько обезличенными, получать информацию о том, кто какую информацию обрабатывает по категориям. Проект предусматривает возможность гибкого согласия, изменение цели обработки, отзыва данных у субъекта определенной категории и передачи своих данных от одного оператора к другому. То есть обеспечивает возможность обмена данными между операторами так, чтобы вся информация проходила через субъекта и субъект получал за это какие-то бенефиты.

- Каков статус этих законопроектов?

Пока ни один из них не внесен в Госдуму. Скорее всего, первым будет внесен проект об обезличенных данных — это поправки в закон «О персональных данных».

- По мнению экспертов, в медицине ФЗ-152 создает препятствия как для разработки систем искусственного интеллекта, так и для доступа врача к данным пациента...

Не совсем так. В медицине данные регулируются в том числе законом «Об основах охраны здоровья», который содержит положения о врачебной тайне. При этом, с одной стороны, закон «О персональных данных» говорит, что для статистических и исследовательских целей данные, если они обезличены, обрабатываются свободно, без согласия. С другой стороны, в соответствии с законом, данные о здоровье относятся к особо чувствительным, которые никак не могут быть обработаны без согласия субъекта, данного в письменной форме, предусмотрены особые меры для их защиты. На доступ к ним субъект должен дать согласие, а как же иначе?

- Руководители медицинских организаций запуганы ФЗ-152: пациент же дает согласие на обработку данных в целях лечения, а не написания алгоритмов.

Во-первых, не вижу проблемы в получении согласия на обработку данных в целях проведения научно-исследовательских работ. Во-вторых, закон о персональных данных не требует согласия на обработку персональных данных для проведения научно-исследовательских, аналитических и статистических работ в случае использования обезличенных данных.

Другое дело, не очень понятно, как развивать искусственный интеллект в условиях, когда по дороге на парламентские слушания встречаешься с пикетом против цифровизации. Огромное количество людей будет против того, чтобы их информация послужила основой для искусственного интеллекта.

- Радикально настроенных граждан немного, в основном люди либо не информированы, либо безразличны. Для искусственного интеллекта данных должно хватить?..

Да. А если начать предлагать денежные вознаграждения, будет еще интереснее. В Ernst & Young опубликовали недавно исследование, в котором медкарта каждого пациента оценивается в 100 евро: при этой цене для бизнеса будет выгодно использование данной информации.

Мы проводили опросы компаний, сколько они согласны платить за использование персональных данных. Ответы сильно варьируют в зависимости от отрасли, состава данных и цели использования. В среднем за тот состав данных, который интересен бизнесу, компании готовы платить от 16 тыс. до 60 тыс. руб. Сравнимую сумму — около 80 долл. — платит Facebook за доступ к персональным данным в рамках эксперимента.

- Это разовая плата, и дальше данные уже как бы не мои?

Ваши данные не могут перестать быть вашими, к тому же они постоянно генерируются и меняются. Компании платят клиенту за состояние «здесь и сейчас», а потом — как договорятся. Надо исходить из того, что это рынок. В любом случае насильно загонять в цифровое рабство законодательство не позволит: согласие на обработку персональных данных должно быть конкретно.

- По-моему, механизм монетизации должен быть связан с механизмом регулирования доступа. На портале госуслуг относительно просто поставить «галочку», указав, кому я разрешаю доступ к своим персональным данным. Эту возможность планируется реализовать для медицинских данных. А для остальных?

Данные из государственных информационных систем может выдавать только государство, но сомнительно, что оно будет cвязываться с механизмом монетизации. С 2019 года предоставляются метаданные из негосударственных информационных систем, например телемедицинских — сведения о том, где есть данные. Сами данные продолжают храниться в тех же информационных системах. Вот тут бизнес уже может думать о монетизации, чтобы обогащать собственные базы данных и получать больше информации о субъекте.

Например, если верить СМИ, сейчас это пробуют делать в Ассоциации больших данных: компании обмениваются данными между собой, запрашивая согласие клиента и давая ему за это какие-то бенефиты в виде услуг, бонусов. Деньгами, по-моему, еще не рассчитываются, но обмен уже происходит.

- Какие компании в наибольшей степени заинтересованы в устранении неопределенности с оборотом данных?

Телеком и все, кто хочет делать системы искусственного интеллекта. Им нужно работать с обезличенными данными и понимать правила обращения данных, которые послужат основой для искусственного интеллекта.

- Отсутствие регулирования тормозит развитие рынка данных или, наоборот, дает его участникам фору?

Смотря чем занимается компания. В непонятной ситуации ты постоянно боишься, что кто-то придет и накажет. Для больших компаний это выливается в то, что они собирают согласия на каждый чих. Крупные операторы арендуют специальные помещения, где копится неимоверное количество письменных согласий, и выделяют сотрудников, занимающихся исключительно бумажными согласиями.

А, например, компаниям, занимающимся распознаванием лиц, непонятный статус обезличенных данных действительно дает фору. Хотя принцип права на частную жизнь, заложенный в Конституции, никто не отменял.

- Вопрос в том, как это право реализуется…

Да. Кроме того, многое зависит от выбранного пути регулирования. Если бы три года назад вы спросили, тормозит ли отсутствие правового регулирования развитие телемедицины, я бы сказала: конечно тормозит! А сегодня регулирование такое, что лучше бы тормозило его отсутствие: за год 30% продуктов уходит с рынка.

На европейском рынке GDPR вызвал резкое сокращение оборота данных, и если мы примем ровно такие же правила, то развитие затормозится. Нужно думать о балансе, тогда регулирование даст четкие правила игры, понимание, что можно делать и чего нельзя. Главное, чтобы того, чего нельзя, было не слишком много...

... И не затрагивало ключевые вещи, подрубая тот корень, ради которого все задумывалось, как случилось в телемедицине, когда первичный прием онлайн фактически запретили.

Да.

- О чем вы расскажете участникам форума?

Про особенности современного регулирования данных, которые служат основой любого бизнеса и оказания услуг. О тех проблемах, с которыми может столкнуться любой субъект персональных данных или бизнес, оказывающий услуги, как может быть истолкована та или иная проблема. А также про пути их разрешения в условиях действующего законодательства и про пути разрешения в будущем на основе тех правовых инициатив, которые сегодня обсуждаются экспертным сообществом и на уровне регулятора.

Стержневыми темами IT Management Forum 2019 стали выход партнерства ИТ и бизнеса на новый уровень, а также подходы к управлению ИТ, обеспечивающие успешность цифровой трансформации. «Мы видим экспоненциальный рост интереса к цифровизации, — отметил Максим Григорьев, управляющий партнер компании Gartner. — Ежегодно количество упоминаний этой темы в деловой повестке крупных организаций удваивается». Между тем выбрать правильный курс в океане цифровизации очень непросто, поэтому поддержка профессионального сообщества ITMF оказывается весьма ценной для каждого, не исключая профильное ведомство. Форум, который издательство «Открытые системы» проводит уже в 16-й раз, собрал свыше 300 профессионалов в управлении ИТ и бизнес-партнеров из разных отраслей.

Минцифре нужна методология

Ежегодно расходы на информатизацию 72 органов власти, регулируемые Министерством цифрового развития, связи и массовых коммуникаций РФ, составляют 115-120 млрд руб. Однако управляются финансируемые ИТ-активы слабо: техническая политика по их созданию фрагментарна, регламенты по эксплуатации ИТ-систем для органов власти не определены. Между тем в ближайшие три года большинство государственных информационных систем планируется перевести в облачную инфраструктуру, построенную на базе ресурсов разных провайдеров, и перейти к сервисной модели управления процессами и услугами. Чтобы все перечисленное стало возможным, в каждом органе власти предстоит оценить зрелость процессов, провести инвентаризацию ИТ-активов и потребляемых вычислительных мощностей.

Масштабность этих задач требует от министерства новых методологических подходов, инструментария и стандартов, в создании которых не обойтись без помощи профессионального сообщества. На необязательные стандарты, в отличие от постановлений правительства, чиновники ориентируются редко. Тем не менее потребность в общих правилах очевидна. В ближайшее время планируется разработать соответствующую нормативную базу для госорганов и их ИТ-служб, сообщил Василий Слышкин, директор департамента развития архитектуры и координации информатизации Министерства цифрового развития, связи и массовых коммуникаций РФ. «Мы хотим воспользоваться вашими мозгами и опытом, чтобы сформировать в органах власти потребность в системном изменении, — с такими словами обратился он к участникам ITMF 2019. — Нам нужна общая методология управления ИТ-активами и развития компетенций».

Цифровая стратегия: что отличает лидеров?

Основными слагаемыми успеха цифровизации в Gartner называют лидерство, культуру, современную операционную модель и цифровую платформу. Лидерство обеспечивает создание новых бизнес-моделей и новых потоков ценностей. Если организация не оптимизирует существующие и не создает новые цифровые бизнес-модели или способы привлечения клиентов, то велика вероятность, что она станет жертвой происходящих на рынке преобразований. У компаний-лидеров количество цифровых процессов и продуктов вдвое больше, чем у «обычных» предприятий, указал Григорьев.

Традиционная корпоративная культура является одним из основных барьеров на пути цифровизации. Мешают также недостаток ресурсов и компетенций. Изменение корпоративной культуры — в списке новых задач ИТ-руководителя. По прогнозу Gartner, к 2021 году директора по ИТ будут наравне с директорами по управлению персоналом нести ответственность за изменение культуры. Сформированный правильный образ мышления дает ощутимый эффект: на треть сокращаются сроки реализации проектов и на четверть возрастает вероятность их успеха, а вовлеченность персонала увеличивается на 40%.

«Скорости и качества управления не хватает, чтобы соответствовать тем темпам, которые задает внешняя среда, поэтому сложные комплексные проекты делаются в консорциумах не на основе процедур, а на основе культур», — таково мнение Андря Алмазова, директора центра развития комплексных проектов НТИ, АО «РВК». По его словам, проектов, требующих формирования культуры, будет становиться все больше. В таких проектах управление ресурсами превращается в управление культурными ценностями, а привычная закрытая иерархическая проектная группа становится открытым сетецентрическим сообществом. В результате на рынок выводятся не отдельные продукты, а целая «программа продуктов», как это видно на примерах Amazon или Apple.

Алмазов представил модель метапроектов для создания и развития отраслей и системных игроков нового типа, которая обеспечивает качественно новый уровень кооперации и оперативную реакцию на стремительно меняющиеся внешние обстоятельства. В качестве примера первой реализации такой модели он привел метапроект по созданию сообщества, разрабатывающего системы поддержки принятия решений врача на основе искусственного интеллекта, которые смогут составить конкуренцию решениям мировых лидеров.

Андрей Алмазов: «Скорости и качества управления не хватает, чтобы соответствовать темпам, которые задает внешняя среда, поэтому сложные комплексные проекты делаются не на основе процедур, а на основе культур»

Еще одна очевидная тенденция — 78% лидеров применяют продуктово-ориентированный подход, и аналитики полагают, что к 2020 году три четверти руководителей всех цифровых компаний перейдут от управления проектами к управлению портфелями продуктов. По мнению Антона Боганова, директора по развитию компании Axios Systems, продукт и услуга сегодня практически неотделимы друг от друга: «Мы уже не ведем речь про совместимые архитектуры ПК и про то, что происходит у них внутри, для нас компьютер — это точка подачи сервиса».

Cтать визионерами

В ИТ-службе компании «Спортмастер» необходимость трансформации осознали несколько лет назад, когда руководством была озвучена задача кратно увеличить скорость поставки изменений в ПО и сократить тем самым время вывода продуктов на рынок. «Методология аgile не отвечала на ряд наших вопросов: как управлять архитектурой и технологиями, что делать с оргструктурой. Нам хотелось найти более комплексное решение», — рассказала Елена Ерошкина, заместитель ИТ-директора по поддержке технологического развития компании «Спортмастер».

Раньше ретейлеры могли выбирать — либо меняться самим, либо отказаться от изменений и привлечь дополнительные ресурсы. Начиная же с 2016 года в компании почувствовали угрозу изменения структуры всей отрасли, и появилась необходимость подстраивать под новые условия свои бизнес-модели и процессы. Задача-минимум — удержать свои сервисы на уровне, заданном интернет-торговлей.

Чтобы соответствовать новым вызовам и успешно работать в будущем, мало быть быстрыми и способными меняться, от сотрудников ИТ-службы требуется стать визионерами. Первое, что им предстоит сделать, — сместиться с управления ИТ-ландшафтом к управлению архитектурой предприятия и проектировать будущие инновации совместно с бизнесом. Выяснив, что узкая специализация сотрудников мешает прорабатывать решения в комплексе, в компании взяли курс на развитие мультикомпетенций. «Мы очень много учим, но этого все равно недостаточно, поэтому развиваем самообучение», — сообщила Ерошкина.

Елена Ерошкина: «Мы очень много учим, но этого все равно недостаточно, поэтому развиваем самообучение»

В «Спортмастере» организовали десять продуктовых команд, научились работать с механизмами их саморазвития, запустили «ярмарку R&D», чтобы вовлечь ИТ-сотрудников в исследования. По словам Ерошкиной, в тех областях, которые подверглись изменениям, заметно сокращается объем сопровождения и растет удовлетворенность заказчиков. «Недостаточно один раз осознать необходимость трансформации, сейчас мы регулярно уточняем курс наших изменений», — добавила она. К концу года продуктовых команд должно стать не менее 80.

Интеллектуальное управление

ИТ-служба и бизнес — сегодня не просто поставщик услуг и их потребитель, они вместе создают поток новых ценностей и их отношения становятся двунаправленными. «Формировать ценность в режиме ‘догнать и сделать добро’ невозможно, — заметил Роман Журавлев, менеджер по развитию ITSM-портфеля компании Axelos. — Это совместный процесс и в нем нет активных и пассивных участников».

«ИТ-стратегия и стратегия бизнеса сливаются», — сказал Никита Кардашин, руководитель отдела развития интеллектуальных систем компании Naumen. Он подчеркнул, что управленческие решения не должны приниматься на основании субъективных ощущений. Интеллектуальное управление подразумевает постоянное получение информации о реальном состоянии и использовании всех компонентов ИТ-инфраструктуры и реакцию на потенциальные проблемы еще до их возникновения. По его мнению, приоритетом при создании, развитии и эксплуатации услуг должно стать управление данными.

Чтобы противостоять вызовам цифровой трансформации, не разориться на приобретении ПО и найме ИТ-специалистов, нужно перейти к «умному» управлению процессами, полагает Николай Ганюшкин, президент компании «Роспартнер». Он считает, что, применяя RPA и другие интеллектуальные технологии, можно сэкономить более 20% ИТ-бюджета.

Эволюция ITIL

Обмен первыми впечатлениями об эпохальном обновлении ITIL происходил в ходе круглого стола с непосредственным участием архитекторов ITIL 4 — Маурисио Короны, директора по трансформации Service Desk Institute, специально прилетевшего в Москву для выступления на ITMF, и Романа Журавлева. «Мы долго трудились и это было непросто, так как каждый хотел привнести что-то свое, — сказал Корона. — Но результат мне нравится, и я получаю положительные отзывы от людей со всего мира».

В отличие от прежней версии, ITIL 4 включает в себя разработку, так что картина стала более целостной. В основе лежит концепция совместного создания «потоков ценности» и набор универсальных принципов. На смену процессам пришли практики, описанные в четырех измерениях: организации и люди, информация и технологии, партнеры и поставщики, потоки ценностей и процессы. Практики вынесены в отдельные документы, доступ к ним предоставляется по подписке. В числе практик есть как специфические для ИТ, так и неспецифические. Чем выше уровень модели, тем больше она подходит для неайтишников, пояснил Журавлев.

Роман Журавлев: «ITIL 4 — это не революция, а эволюция, важно обеспечить обратную совместимость с теми практиками»

«Айтишники с их ‘забетонированными' процессами по сути мешали бизнесу развиваться, и мы ждали, что ITIL 4 поможет эту ситуацию изменить», — рассказал Феликс Скворцов, руководитель направления «Управление ИТ-процессами и инфраструктурой» компании «Крок». По его мнению, развитие библиотеки идет в правильном направлении, но переключиться на новые подходы будет непросто.

Андрей Голубев, методолог ITSM из компании «Ингосстрах», обрадован, что в ITIL появились гибкие методологии, предусмотрены схема привлечения команд разработки к участию в эксплуатации продукта и устранению инцидентов.

«ITIL 4 — это не революция, а эволюция, — поясняет Журавлев. — Важно обеспечить обратную совместимость с теми практиками, которые уже прижились». Впрочем, это дает повод для критики со стороны тех, кто ждал от новой версии революционных изменений.

Кейсов о внедрении практик пока нет. Однако, как сообщил Журавлев, британские госструктуры выразили готовность к пилотированию ITIL 4, и работа с ними уже началась.

Публикация всех 34 практик начнется уже летом. В ближайшее время также планируется выпустить четыре книги ITIL 4, курсы и экзамены. Кроме того, разработчики намерены организовать постоянную публикацию дополнительных материалов и разъяснений, которые по большей части будут доступны бесплатно.

Наибольшее количество компаний, использующих инструменты на основе больших данных и искусственного интеллекта, наряду с ИТ-индустрией насчитывается в телекоммуникационной отрасли и в финансовом секторе. Кроме того, «умные» решения активно «опробывают предприятия нефтегазового сектора и металлургические заводы, ретейлеры и транспортные компании. Согласно исследованию КПМГ, в России решения на основе искусственного интеллекта тестируют или внедряют 75% телеком-операторов, 40% банков, 25% нефтегазовых компаний, 17% металлургических предприятий, 5% розничных сетей и 1% транспортных компаний. Насколько эффективны такие начинания, представители этих отраслей рассказали участникам конференции «Технологии искусственного интеллекта 2019», организованной издательством «Открытые системы». (О конференции см. также «AI2019: С чего начать внедрение искусственного интеллекта?», Computerworld Россия, 29 мая 2019.)

Более 60% крупных российских компаний используют чат-боты и системы на основе разговорного искусственного интеллекта. Операторы чаще всего задействуют такие решения для обслуживания клиентов. К 2022 году, по прогнозам Gartner, разговорный искусственный интеллект будет поддерживать 20% всего клиентского сервиса.

Большинство вопросов при обращении клиентов в контактный центр «МегаФона» решает виртуальный помощник «Елена». В дополнение к нему в компании разрабатывают чат-бот «Суфлер», помогающий оператору найти нужную информацию в базе знаний. Голосовая биометрия позволяет обслужить клиента, не тратя время на традиционную процедуру идентификации. Клиенты также могут задать вопрос чат-боту или ассистентам «Алиса» и Google Assistant — это очень перспективные каналы взаимодействия, отметил Андрей Коньшин, руководитель проектов клиентского сервиса «МегаФон» по направлению искусственного интеллекта. Роботов начали применять и в исходящих коммуникациях — для маркетинговых исследований и продажи услуг. Виртуальный оператор звонит абонентам, для которых появились персональные предложения, и с их согласия подключает услугу. Качество обслуживания по каждому обращению контролируется с помощью речевой аналитики.

Андрей Коньшин: в «МегаФоне» боты используются не только при обращении клиентов, но и в исходящих коммуникациях

Так, в «Почту России» за месяц поступает около 500 тыс. звонков, 85% из них классифицируются роботами, и 100 тыс. обращений на первой линии поддержки полностью обрабатывается роботом, без привлечения оператора. «Не пренебрегайте роботами и чат-ботами, — призвал Дмитрий Булкин, директор по развитию компании Naumen. — За прошедший год наши роботы обслужили порядка 10 млн обращений в голосовом и текстовом каналах, а к концу текущего года этот показатель достигнет 30 млн — волна нарастает».

В Мосэнергосбыте на роботов переложили функцию приема показаний счетчиков, решив проблему неравномерной месячной нагрузки операторов контакт-центров. А благодаря роботу-коллектору на 15% повысилась собираемость платежей.

В ОТП Банке виртуальный ассистент успешно классифицирует 95% обращений по 20 высокочастотным тематикам; до 40% обращений чат-бот «закрывает» полностью. Вопреки расхожему мнению о том, что общение с роботом снижает лояльность клиентов, в данном случае лояльность повысилась вдвое.

Удачных примеров изменения бизнеса с помощью искусственного интеллекта накоплено уже немало. В научно-техническом центре «Газпромнефти» внедрили интеллектуальную поисковую систему, в дирекции научно-технических программ Минобразования — систему оценки проектных заявок и проверки соответствия проектной документации техническому заданию. В Главгосэкспертизе переход на цифровую модель экспертизы проектной документации позволил существенно сократить сроки проведения работ и в разы увеличить число обрабатываемых проектов.

Одна из самых актуальных бизнес-задач для искусственного интеллекта в финансовой сфере — борьба с фродом. В «Русфинанс Банке» потери, связанные с мошенничеством, в 2014 году достигли 500 млн руб. Это вынудило банк полностью изменить подход к решению вопросов безопасности и создать аналитический антифрод-центр, использующий технологии искусственного интеллекта для раннего выявления мошенничества, снижения прямых и косвенных операционных потерь. Базовым элементом стало внедрение процессной культуры менеджмента и персонала, подчеркнул Александр Яковлев, руководивший департаментом защиты бизнеса «Русфинанс Банка». По его словам, для эффективного применения искусственного интеллекта требуются определенная зрелость процессов и уровень цифровизации, обеспечивающий среду с чистыми данными, «тогда в этом есть смысл и добавленная стоимость, а не только маркетинг». Сотрудники центра прошли обучение технологиям бережливого производства и agile-методологии, и лишь к 2017 году подошли к этапу подготовки нейронных сетей. В итоге за пять лет уровень мошенничества удалось снизить более чем в десять раз при удвоении объемов продаж и сокращении персонала на 27%.

Еще одна область, где искусственный интеллект показывает высокую эффективность, — прогнозная аналитика для управления персоналом. Кадровые службы все чаще сталкиваются с проблемой «выгорания», следствием которого становится увольнение либо резкое снижение активности сотрудников. Причем «выгоранию» подвержены, как правило, ответственные и добросовестные работники. Их уход приводит к существенным потерям из-за низкой производительности труда, негативных изменений климата в коллективе, недополученной прибыли, а также дополнительных затрат на поиск и адаптацию нового работника. Руководителями подразделений «Ростелекома» оказалось очень востребовано решение, позволяющее с высокой вероятностью предсказать момент увольнения сотрудника по «собственному желанию». Такой прогноз дает возможность уменьшить потери, вовремя приняв меры для удержания работника или заранее начав искать ему замену.

В тяжелой промышленности накопленные исторические данные позволяют эффективно применять машинное обучение, выдавая точные рекомендации операторам оборудования. В комбинации с методами классической оптимизации такие инструменты дают возможность сокращать отходы сталелитейного производства, повышать качество продукции, более рационально использовать ресурсы и выполнять требования по защите окружающей среды. «Чтобы заработать денег предприятию, мы применяли не только машинное обучение, но и знания химии и физики», — рассказал Виталий Ширяев, руководящий в Новолипецком металлургическом комбинате исследованиями в дирекции по анализу данных и моделированию. Сократив потребление природного газа за счет оптимального распределения его между котлами, предприятию удалось добиться экономии более 14 млн руб. в месяц. Никакого дополнительного оснащения для этого не потребовалось.

Виталий Ширяев: «В комбинации с методами классической оптимизации машинное обучение дает возможность сокращать отходы сталелитейного производства, повышать качество продукции, более рационально использовать ресурсы, выполнять требования по защите окружающей среды»

Горнодобывающей и сталелитейной компании «Северсталь» проекты с применением машинного обучения помогают решать множество задач, направленных на улучшение бизнес-показателей. Это предсказание выхода из строя узлов агрегатов и рекомендации по их обслуживанию, обнаружение поломок с помощью компьютерного зрения, прогнозирование дефектов стали с выявлением причин их образования, советчики по технологии при производстве чугуна, выявление очагов травматизма в цехах, поиск проблемных точек на прокатных станах для повышения их производительности, а также анализ текучести кадров.

Выступавшие подчеркивали важность тесного сотрудничества исследователей данных с технологами, глубоко погруженными в оптимизируемый процесс. «Многие проекты взлетали потому, что мы добирались до Excel-файлов на компьютерах технологов, содержащих накопленную за несколько лет очень полезную информацию, на которую они действительно ориентируются», — сообщил Борис Воcкресенский, руководитель направления Data Science в компании «Северсталь Диджитал».

Борис Воскресенский: «Мы добирались до Excel-файлов на компьютерах технологов, содержащих накопленную за несколько лет очень полезную информацию»

Здравоохранение пока не входит в число отраслевых лидеров применения искусственного интеллекта, однако именно в медицине можно увидеть самые впечатляющие примеры. В пилотных проектах, которые ассоциация «Национальная база медицинских знаний» проводит в российских регионах, технологии искусственного интеллекта позволяют выявлять факторы риска сердечно-сосудистых катастроф в разы быстрее и точнее традиционной диспансеризации, а также находить на КТ-изображениях пропущенные врачами злокачественные новообразования. Однако в этой сфере особенно остро стоит вопрос доверия к результатам работы искусственного интеллекта, и крайне важно подчеркнуть, что задача его внедрения — не вытеснить врача из процесса, а помочь расширить его возможности.

«В будущем нас ждет симбиоз людей, программных роботов и искусственного интеллекта», — отметил Александр Максимов, представляющий компанию ОТР.

Аналитики считают подобную комбинацию искусственного и естественного интеллекта наиболее перспективным вариантом применения интеллектуальных технологиий, для нее даже придумали название — «кентавры». В шахматах так называют команды «компьютер плюс человек». Предполагается, что «кентавры» смогут снять с повестки проблему доверия к искусственному интеллекту.