По словам помощника президента Игоря Щеголева, разрабатываемый закон направлен не на введение запрета на подобную практику, а на увеличение у  людей возможностей управлять информацией, которая используется операторами, передает РБК. Щеголев также отметил, что с развитием Промышленного интернета и Интернета вещей объем данных, по которым можно вычислить человека, будет расти.

В ноябре 2016 года руководитель Роскомнадзора Александр Жаров рассказал, что рабочая группа по вопросам развития Интернета при Администрации президента РФ начала работу над законопроектом, регламентирующим обращение с  данными пользователей. Впервые об этом заговорили в июне прошлого года. По мнению Жарова, к этой категории можно отнести почти всю информацию о геолокации, биометрии и поведении людей на сайтах. Она требует регулирования, считает глава ведомства.

При этом инновационные компании видят большие данные как один из ключевых факторов своего роста, отмечают в издании. Например, в феврале этого года «МегаФон» купила 15,2% Mail.Ru Group. Одним из аргументов заключения сделки в том числе называлась возможность одной компании использовать большие данные другой.

Компания Cisco Systems закрыла сделку по приобретению за 3,7 млрд долл. разработчика аналитических приложений AppDynamics. Это позволит гиганту сетевой отрасли увеличить доходы и расширить свою стратегию в области программного обеспечения.

Соглашение о покупке было подписано 24 января, буквально за несколько дней до планировавшегося AppDynamics первичного размещения на фондовой бирже. Компания со штатом в 1250 сотрудников, которой исполнилось девять лет, стала уже 17-м приобретением Cisco с того момента, как пост ее генерального директора в 2015 году занял Чак Роббинс.

«AppDynamics – нечто особенное по целому ряду причин, – указал в своем блоге старший вице-президент и директор Cisco по выработке стратегии Хилтон Романски. – Прежде всего это наше крупнейшее приобретение с тех пор, как 22 месяца назад во главе Cisco встала новая команда. К моменту своего IPO в AppDynamics могли претендовать на звание самой быстрорастущей публичной компании на рынке корпоративного программного обеспечения. Мы ожидаем, что AppDynamics сыграет важную роль в плане нашей цифровой трансформации, а также в деле формирования базы клиентов и партнеров. Сочетание ее аналитических средств с нашей глобальной экспансией поможет нам закрепить успехи AppDynamics и расширить предложение программного обеспечения, которое считается ключевой областью для инвестиций и дальнейшего развития Cisco».

За последний год оборот AppDynamics вырос в полтора раза, причем по итогам трех кварталов, последний из которых завершился 31 октября 2016 года, 75% продаж приходилось на услуги подписки.

«Мы рады сообщить о намерении приобрести компанию AppDynamics, которая поможет нам реализовать стратегию по предоставлению клиентам средств глубокого анализа в их ЦОД, сети и приложения, – говорил в феврале Роббинс. – Благодаря новым приложениям и доступу к интеллектуальным сетям клиенты получают дополнительные преимущества для бизнеса. Объединив аналитику инфраструктуры, сети и системы безопасности Cisco с аналитикой приложений AppDynamics, мы откроем перед клиентами беспрецедентные возможности для повышения эффективности их деятельности».

По словам старшего вице-президента Cisco Ровена Троллопа, генеральный директор AppDynamics Дэвид Вадхвани продолжит руководить ее работой в роли главы нового направления в подразделении Интернета вещей и приложений Cisco.

«Cisco готова сохранить за AppDynamics необходимую для ведения бизнеса автономию, которой мы располагали всегда, – сообщил в своем блоге Вадхвани. – Мы продолжим инвестировать в нашу культуру инноваций, делая ставку на успех клиентов и нашу замечательную команду менеджеров по продажам и аналитиков. Сочетание этих факторов позволило нам стать одним из самых быстрорастущих разработчиков программного обеспечения в мире, и мы верим, что репутация и мощь Cisco будут способствовать нашему дальнейшему росту».

Сделка между Cisco и AppDynamics нашла отражение и в блоге аналитика компании ZK Research Зевса Керравалы. Как он пишет, взаимодополняющая природа AppDynamics и Cisco обусловлена еще и тем, что Cisco интерпретирует пользовательский опыт через призму сети «снизу вверх», тогда как AppDynamics придерживается взгляда «сверху вниз». Вместе две эти компании образуют мощную силу, которая должна обеспечить ряд принципиально новых возможностей.

• Сквозное представление ИТ-инфраструктуры, в том числе облачной, сетевой, вычислительной, инфраструктуры устройств, безопасности и приложений, благодаря чему Cisco сможет осуществлять мониторинг каждого уровня стека приложений.
• Корреляция информации в различных областях для лучшего понимания эффективности приложений и выявления зависимостей инфраструктуры для быстрого обнаружения проблем.
• Проведение анализа с помощью средств машинного обучения, позволяющих находить причины неоптимальной работы и прогнозировать возникновение проблем, что даст возможность ИТ-службе своевременно проводить упреждающие мероприятия.
• Автоматическое устранение неисправностей путем привязки к решениям Cisco в области SDN и движение в сторону автономной, самовосстанавливающейся сети.

В феврале компания «Инфосистемы Джет» представила на рынке свою очередную разработку – систему противодействия мошенничеству Jet Detective, основанную на технологиях больших данных, искусственного интеллекта и машинного обучения. О том, насколько актуально данное решение и в каких еще областях помимо антифрода оно может найти применение, рассказывает Евгений Колесников, руководитель направления «Большие данные и машинное обучение» Центра программных решений «Инфосистемы Джет».

- Почему запуск платформы Jet Detective состоялся именно сейчас? Для этого созрели какие-то особые предпосылки на рынке или внутри компании?

Предпосылки созрели и внутри компании, и на рынке. Уже два года назад мы стали замечать активный рост запросов заказчиков на решения, связанные с применением больших данных, машинного обучения. И в 2016 году был пик интереса к ним. Мы получили просто вал запросов на эти темы. Предприятия понимают, зачем им нужны эти технологии и как их использовать в своих интересах. Также мы заметили, что значительным спросом стали пользоваться решения с применением методов математического моделирования, помогающие противодействовать мошенничеству. Мы уже накопили мощную экспертизу в этих областях — наш центр информационной безопасности более десяти лет внедряет системы противодействия мошенничеству.

Сегодня ситуация такова, что большинство систем сфокусировано на выполнении узкого круга задач. Например, для борьбы с фродом в системах дистанционного банковского обслуживания применяются одни решения, а для борьбы с карточным фродом или внутренним мошенничеством – совсем другие. Этот «зоопарк» – типичное явление в инфраструктуре заказчиков. В какой-то момент мы поняли, что потребности рынка, а также наша внутренняя экспертиза и наличие у нас необходимых инвестиционных ресурсов сошлись в одной точке, из которой и стала развиваться система Jet Detective. Участвуя в конкурсах и делая соответствующие проекты, мы убедились, что у нас действительно достаточно сил, ресурсов и знаний, чтобы создать свою собственную платформу по противодействию мошенничеству.

- Чем вызван повышенный интерес к решениям, основанным на технологиях Больших данных, искусственного интеллекта и машинного обучения? Почему заказчики ими заинтересовались?

Прежде всего потому, что перечисленные технологии достигли определенного уровня зрелости. Однако будем честными: они пока еще не самые зрелые из имеющихся на рынке. По некоторым параметрам тот же Apache Hive сегодня в силу своих природных ограничений и относительной молодости не может тягаться с решениями Oracle. А вот экосистема Hadoop уже действительно может эффективно использоваться крупными игроками для широкого спектра приложений. Она быстро расширяется, но с ней нужно уметь правильно работать. Сегодня найти хорошего специалиста в области машинного обучения и больших данных сложно, но все же возможно. Это второй фактор, определяющий волну спроса на данные технологии. В отрасли уже работает достаточно практикующих математиков, инженеров. Уточню: не бывших научных сотрудников, а именно практиков, которые могут применить математические знания в интересах бизнеса с помощью ИТ. Но главное, что эти инновационные подходы уже на деле доказали бизнесу свою экономическую эффективность. Сначала в сфере маркетинга, а потом в других областях, таких как идентификация, распознавание голоса, безопасность. Например, сейчас мы без математиков уже не встречаемся с заказчиками наших систем информационной безопасности – это просто бессмысленно. Заказчик теперь приводит на встречу своих экспертов, и нам необходимо вести с ними диалог на одном языке – на языке математики.

- Вы позиционируете Jet Detective как платформу для развертывания решения по борьбе с фродом, а не как конечный продукт. Почему вы не стали делать коробочное решение?

Все «коробочные» продукты при внедрении еще полгода-год дорабатываются на площадке заказчика. И очень распространена практика, когда у вендора существуют отдельные ветки разработки специфических решений под конкретного клиента. То есть каждый заказчик в итоге получает свой уникальный продукт. Если говорить о системах, предназначенных для решения бизнес-задач, то всегда подразумевается комплексное решение, внедрением которого обычно занимается интегратор во взаимодействии с вендором. Понимая все эти особенности, мы сделали Jet Detective не коробочным продуктом, а платформой, очень гибкой, с определенным набором функций, посредством которых мы можем решать конкретные бизнес-задачи организаций. Наша система открыта и прозрачна: она построена так, чтобы заказчик мог самостоятельно вносить в нее нужные изменения, исходя из того, как именно осуществляется противодействие мошенничеству и в плане управления потоками данных, и на уровне математического моделирования.

- Коллеги из «Инфосистемы Джет» утверждают, что, в отличие от альтернативных систем, Jet Detective очень быстро и точно выявляет фрод благодаря технологиям больших данных, машинного обучения и искусственного интеллекта. Разве разработчики антифрода из других компаний не используют те же технологии? Благодаря чему ваша система эффективнее остальных?

Она эффективнее потому, что решает сразу комплекс проблем и задач. Системы же конкурентов нацелены на определенные ниши. Поэтому типична ситуация, когда предприятию приходится задействовать десяток узконаправленных решений, обеспечивающих информационную безопасность. И обычно они работают независимо, то есть ничего не знают друг о друге, поскольку построены разными командами разработчиков и опираются на различные технологии. Мы же, когда приступили к созданию Jet Detective, сразу решили сделать систему универсальной и полностью абстрагировать ее от любых бизнес-сущностей, таких как клиенты, карты или финансовые счета. Для нас это просто объекты, и мы анализируем все происходящее с ними. Такой подход потребовал определенного переосмысления, потому что гораздо проще привязать аналитические алгоритмы к конкретным сущностям. Это, казалось бы, позволяет быстрее и проще сужать границы исследования. Но мы исходили из того, что система должна уметь обрабатывать любой поток выходящих данных. В идеале она должна уметь обрабатывать совместно все имеющиеся потоки – мы называем это кросс-канальным анализом. Рассматривая атомарные события, выявить фрод сложнее. Jet Detective – это высокоточная система именно потому, что она позволяет комплексно посмотреть на ситуацию с мошенничеством: во всех бизнес-приложениях предприятия, с учетом действий всех его сотрудников и даже с учетом изменений, которые вносятся в саму систему антифрода.

- Могут ли разработки, на которых основана Jet Detective, быть полезными корпоративным заказчикам в других областях, не связанных с противодействием мошенничеству?

Наша платформа довольно универсальна и может найти применение не только в банковской сфере, но также в ретейле или в промышленности. У нас уже планируется несколько пилотов на производстве, один из них – на сталелитейном заводе, где тоже идет борьба за эффективность бизнеса, только здесь речь не о противодействии мошенничеству, а о снижении брака. Производственный брак – это событие, которому предшествуют другие зафиксированные события или процессы. Отследив всю такую цепочку, можно выявить наиболее вероятные причины брака – например, изменение давления в клетях печей при выплавке стали, а также банальное воровство каких-то материалов. Все это система позволяет проанализировать и выдать заключение: на появление брака, вероятнее всего, влияет совокупность таких-то определенных событий или параметров. По сути, платформа Jet Detective может быть полезной для контроля поведения любых объектов, независимо от отраслевой принадлежности предприятия.

- Каким вы видите развитие представленной системы?

Поскольку мы говорим о платформенном решении, нас прежде всего интересует его выход в смежные области. Это, например, банковский скоринг кредитных заявок для частного и корпоративного сегментов. Также мы рассчитываем адаптировать Jet Detective для применения в промышленном секторе, где система сможет обеспечить анализ производственных процессов, поиск причин отклонений в том или ином потоке технических данных, чтобы выявить самые разные проблемы предприятий. Потенциал платформы может раскрыться и в деле выявления доходов, полученных преступным путем. Сегодня системы Anti Money Laundering сближаются с системами антифрода, так как позиция регулятора становится все жестче в противодействии отмыванию денег. Мы учитываем все эти факторы и продолжаем обогащать платформу новыми возможностями, стремясь расширить сферу ее применения.

Самый свежий пример оптимизации дорожного движения на основе Больших Данных — запуск новой сети маршрутов «Магистраль» в октябре 2016 года.

«Магистраль» была создана на основе изучения информации, поступавшей из трех десятков источников, общий объем собранных данных составил около одного терабайта. К разработке новой маршрутной сети центра Москвы Департамент транспорта привлек ведущих российских и международных экспертов. При планировании новых маршрутов учитывались плотность населения, концентрация рабочих мест, пассажиропотоки станций метро и существовавших ранее маршрутов. Новая сеть обеспечила регулярным сообщением все крупные улицы центра столицы.

В результате запуска новых маршрутов почти на треть больше жителей выбирают наземный транспорт для поездок по центру Москвы и прилегающим районам.

А всего с момента запуска «Магистрали» она обслужила 60 млн пассажиров. В рабочие дни ежедневный пассажиропоток увеличился до 500 тыс. человек.

Компания Teradata представила Kylo — платформу управления озером данных с открытым кодом. Задача проекта, как объясняют в компании, — помочь организациям с преодолением трудностей при создании озера данных, в частности, связанных с нехваткой специалистов по разработке и администрированию, с освоением и внедрением оптимальных методов руководства и ограниченным использованием «озера».

Kylo сопровождается лицензией Apache 2.0. В самой Teradata собираются предлагать услуги по внедрению и сопровождению платформы. Kylo создана на базе разработок дочернего предприятия Teradata — Think Big Analytics, появившихся, в свою очередь, в ходе осуществления более 150 проектов, связанных с созданием озер данных для компаний из рейтинга Fortune 1000. В составе платформы используются проекты Apache Hadoop, Spark и NiFi.

По данным Teradata, в среднем на создание озера данных — хранилища всего цифрового контента организации в оригинальном формате с возможностью поиска и анализа — уходит слишком много времени, по 6-12 месяцев; к тому же приходится тратиться на разработку механизмов переноса данных. Как утверждают в компании, Kylo можно внедрить быстрее, и программирование не потребуется, так как платформа имеет удобный интерфейс автоматизированного переноса данных в озеро.

Текущая версия аналитической платформы «Полиматика 5.0», разработанной отечественной компанией «Полиматика Рус», включает в себя понятные и эффективные инструменты анализа, интерактивные ситуационные панели и средства прогнозирования. Генеральный директор компании Роман Раевский (его доклад услышат участники форума BIG DATA 2017, который издательство «Открытые системы» проведет 29 марта. — Прим. ред.) рассказал Computerworld Россия о том, как системе удается завоевывать симпатии пользователей.

– Как с течением времени меняется отношение к Большим Данным?

Изначально термин «Большие Данные» был весьма размыт и имел сильный налет маркетинга, а сейчас происходит его уточнение. Если речь идет о множестве разнообразных простых данных, то говорят об «озерах»; если имеют в виду много слабосвязанных источников данных, то это Hadoop и т. п. Однако как ни структурируй, техническая задача по сбору и обработке данных не исчезнет, как не исчезнет главная проблема – необходимость осознания того, что же можно извлечь из огромных массивов сведений, оценки их непротиворечивости. И здесь, вопреки некоторым утверждениям, человек незаменим как на входе, так и на выходе аналитической системы.

Сегодня на волне эйфории от огромных вычислительных мощностей и практически неограниченной памяти много надежд связывают с искусственным интеллектом и машинным обучением. В 1994 году я учился в аспирантуре под руководством профессора, получившего Госпремию за разработку системы наведения, отличавшей настоящий танк от, например, его макета. Система работала на многослойных нейросетях и ей достаточно было 64 Кбайт памяти для точности распознавания образа в 85%. Современные системы распознавания на базе дорогих графических процессоров недалеко ушли от этого показателя, а порой оказываются глупее отечественной системы почти тридцатилетней давности, хотя их оперативная память измеряется терабайтами. Искусственный интеллект полезен для ограниченного количества конкретных, четко формализованных задач, которые человеку решать лень: распознавание лиц из их бесчисленного множества, реагирование на изменение телеметрии от датчиков Интернета вещей, беспилотные автомобили и пр.

– Каким должен быть идеальный инструмент аналитика?

Простым — несмотря на то, что все заказчики считают себя носителями уникальных и самых сложных задач. «Полиматика 5.0» пришла на смену нашему предыдущему продукту, С.М.А.Р.Т, в котором было три типа нейросетей, генетические алгоритмы, нечеткая логика и другие умные навороты; однако оказалось, что многие функции оставались невостребованными – большинству пользователей вполне хватает средств работы с кубами (по транзакциям, статьям расходов и пр.) или с кластерами, срезов по данным и инструментов визуализации. У идеальной системы должна быть одна кнопка, вся математика скрыта, а пользователям достаточно лишь выбрать нужный режим обработки. Благодаря простоте и отсутствию громоздких настроек можно будет не тратить время на освоение многочисленных функций, а быстро проверять свои гипотезы по анализу данных.

– Каковы главные особенности платформы, отличающие ее от других решений бизнес-аналитики?

«Полиматика 5.0» гарантирует пользователям полное аналитическое самообслуживание, не ограничивая их творчество, а предоставляя максимум свободы при проверке своих идей, поиске скрытых закономерностей, неэффективностей или мошеннических схем. Настоящий аналитик постоянно задает новые вопросы, ищет, как на одном объекте получить несколько уточняющих срезов. Имея в своем распоряжении инструмент оперативной работы, а не классическую умную систему бизнес-аналитики, курсы по настройке которой занимают недели, он обретает свободу. Часы работы аналитика превращаются в минуты, это оказывает и психологическое влияние – благодаря возможности проверить сразу множество гипотез и рабочих версий можно увидеть картину в целом. Главное — сформулировать, что именно интересует аналитика. Ведь от сотрудников банка требуется приносить прибыль путем предоставления новых продуктов, услуг, мгновенного решения вопроса о выдаче кредита. Если же заниматься настройками системы бизнес-аналитики, то тогда надо говорить не о банкирах, а о настройщиках, например, продуктов от SAS, SAP или Teradata. Конечно, в западных продуктах, в которые вложены миллиарды, больше прикладной функциональности, но концептуально «Полиматика» за счет скорости проверки нескольких вариантов по упрощенной схеме позволяет решать аналогичные задачи.

Изначально в систему заложено, что уровень образования пользователей меняется, и не в лучшую сторону, по сравнению с классическим научным образованием периода СССР, поэтому в большинстве случаев нет необходимости ставить пользователя перед выбором, например, метода кластеризации динамических объектов. Благодаря отсутствию избыточных шагов и непрерывной аналитической обработке больших массивов данных осуществляется постоянная поддержка процессов принятия решений.

– «Полиматика» справляется с аналитической обработкой данных разных предприятий: от региональной розничной сети до промышленного предприятия федерального значения. Как достигается масштабирование?

В один сервер стандартной архитектуры сегодня есть возможность установить до 1 Тбайт оперативной памяти, куда помещается куб из 5 млрд записей; их на этом сервере можно просчитывать за один проход. Большое число пользователей можно обслужить, разместив копии куба на дополнительных серверах. До уровня 5 млрд записей в оперативной аналитике наши клиенты еще только начали дотягиваться, но в случае, если куб не умещается на одном сервере, мы предлагаем технологию распределенного куба, когда происходит его разбивка по разным элементам одной размерности, например помесячно. Кстати, эта технология позволила нам предложить решение для Ассоциации независимых аптек: прежняя система Microsoft SQL Server Analysis Services уже не справлялась с объемами данных, и подключение дополнительных физических ресурсов не помогало.

- Среди ваших клиентов такие разные организации, как Пенсионный фонд, «Эконика», Mary Kay, «Бинбанк», «Славнефть», ФНС и другие. Как удается поддерживать свои решения, учитывая очень небольшую численность сотрудников компании?

Кроме перечисленных, среди наших клиентов есть и федеральные ведомства, отвечающие в том числе и за национальную безопасность, занимающиеся аналитикой с целью прогнозирования и предотвращения нерегулярных явлений в жизни общества путем обработки разнообразных источников данных, включая содержимое сайтов, интернет-изданий, оперативные сводки и пр. Конечно, ресурсов на поддержку, разработку и другую деятельность, например сертификацию пятой версии системы во ФСТЭК, не всегда хватает. Однако новых сотрудников мы нанимаем только тогда, когда другие варианты, скажем мотивирование имеющихся работников, уже не помогают. Как правило, новому сотруднику требуется примерно девять месяцев на вхождение в курс дела, к тому же в это время он отвлекает разработчиков от основной работы, и тогда замедляются бизнес-процессы. Для организации поддержки у нас имеются более десяти партнеров первой линии, они выполняют работы по запросам клиентов, используя API к системе «Полиматика», а есть прямые, референсные клиенты, которых мы курируем сами, решая их задачи в первую очередь.

– Какие из проектов вам запомнились больше всего?

В каждой организации всегда есть проблемы с обработкой данных, например когда из-за особенностей внутренней отчетности нельзя увидеть партии товаров на складе или когда имеются бизнес-процессы, не попадающие в поле зрения руководства. Учитывая, что в «Полиматике» нет жестких настроек, а вся аналитика выполняется на исходном массиве данных, появляется реальная возможность найти то, что раньше терялось. Интересны проекты, связанные с решением либо организационных, либо психологических задач. Например, в «Славнефти» к «Полиматике 4.0» сразу подключились все пользователи, 150 человек, и они же оказались первопроходцами следующей версии системы, что прошло не совсем безболезненно. В ПФР, где прежде основным инструментом была система Cognos, преобладали психологические проблемы: «непривычный интерфейс», «цвета не те» и т. п., которые, впрочем, на фоне предоставленной в «Полиматике 5.0» возможности работы с кубами почти неограниченного размера сами собой исчезли. В «Бинбанке» в результате множества приобретений других банков образовался зоопарк аналитических систем — почти полный спектр ПО данного класса, и, когда подразделения, работающие на «Полиматике», приносят наибольшую прибыль, руководство начинает задумываться о целесообразности применения прочих систем.