Составляющие успеха

«По разным оценкам, процент успешных проектов с применением искусственного интеллекта (AI) или машинного обучения (ML) варьируется от 5 до 15%. Cогласитесь, звучит не очень впечатляюще, особенно учитывая, что в целом в ИТ-отрасли этот показатель доходит до 80% в зависимости от специфики и способов измерения. Среди тех случаев, когда проекты начинают с пилотных проектов, ситуация получше. Согласно опросам, около половины из них выходят в промышленную эксплуатацию. Вопрос в том, что идет не так в оставшейся половине», — задал тон конференции Владимир Рыбаков, руководитель направления Data Science компании WaveAccess.

Статистика успешности проектов

По мнению докладчика, часть специалистов путают понятия: пилотный проект и MVP. Первое — доказательство правильности концепции и возможности реализовать идею. А MVP — продукт с минимально возможной функциональностью, необходимый всего лишь для проверки жизнеспособности и конкурентоспособности решения в условиях реальных бизнес-процессов, а также для формирования оценки и плана работ для полномасштабного решения.

Владимир Рыбаков объясняет разницу: «Надо понимать, что работа с искусственным интеллектом и с данными в целом является крайне сложно детерминируемым процессом, проще говоря — эту работу очень тяжело планировать. Ситуации, когда можно заранее с уверенностью сказать хотя бы о решаемости задачи в целом не так уж часты, не говоря уже о том, чтобы пообещать какую-то точность. Но бизнес ведь так не работает: есть конкретная проблема, которую надо решить, и, нередко, в рамках ограниченного бюджета. Поэтому пилоты очень часто воспринимаются как MVP, что, мягко говоря, неверно».

Свои слова спикер проиллюстрировал результатами реальных пилотов в сфере медицины и транспортной логистики. Полученный опыт, по его словам, говорит о том, что на этапе пилота важно уже знать области бизнеса с потенциалом для улучшения, иметь необходимые ресурсы, а также иметь рассчитанный план по возврату инвестиций (ROI). Если этого всего нет, лучше всего поставить пилот на паузу или отложить его и совместно проработать все эти аспекты, понять зачем нужен ML и как он будет окупаться. Все это станет основой для успешной реализации проекта.

Денис Касимов, генеральный директор компании Factory5, в презентации «От пилота до промышленной эксплуатации на примере проекта в АО “ОДК-Авиадвигатель” на базе решений F5», продолжил поднятую тему и рассказал о том, как от задумки проекта через пилот удалось дойти до финала — этапа промышленной эксплуатации.

«Есть две вещи, о которых не сказал предыдущий докладчик. Во-первых, это компетенции, т.е. опыт, полученный командами и заказчика, и исполнителя. Во-вторых, это желание добиться поставленного результата. Что касается компетенций, то их наработать можно исключительно на практике, не раз наступив на заботливо разложенные грабли. В этой связи, пилот крайне важен как в плане получения опыта, так и для проверки мотивации участников проекта. Немаловажно и наличие реальной бизнес-потребности заказчика», — уверен Денис Касимов.

На старте работ представители «ОДК-Авиадвигатель» так описали свою потребность: «Мы уже несколько лет собирали и анализировали информацию о техническом состоянии оборудования. Однако наши специалисты часто сталкивались с барьерами и трудностями: данных много, они разрознены, анализ чаще всего производился вручную и занимал много времени. Поэтому предприятию был нужен инструмент, который автоматизировал бы часть работ, связанных с аналитикой данных».

Этап 0. PoC —проверка гипотезы и работоспособности ПО

Денис Касимов вспоминает: «Нулевым этапом реализации комплексного проекта стал Proof of Concept — проверка гипотезы и работоспособности ПО. Это тот самый период, когда заказчик еще хорошо не знает исполнителя, но готов к началу совместной работы. Мы гордимся тем, что на нулевой этап ушел всего лишь месяц. Дальше шесть месяцев шло полнофункциональное внедрение. Сейчас мы находимся между вторым и третьим этапом, когда внедряются решения для автоматизации ТОиР перед полной сдачей проекта».

Зачем в итоге «ОДК-Авиадвигатель» искусственный интеллект? Он нужен для выявления аномалий и инцидентов в оборудовании по данным телеметрии с целью прогнозирования оптимальных сроков ремонта дорогостоящих агрегатов. Сейчас подключено к решению более 30 машин, но по стране их работает более 1 тыс.

«Сильный» ИИ vs «слабый» ИИ

Михаил Неверов, директор по анализу данных компании X5 Group, рассказал, почему машинное обучение оказалось полезным для офлайн-ритейла: «Несколько тысячелетий развития ритейла привели к пониманию того, что без прогнозирования спроса невозможно обеспечить наличие товара на полках в нужный момент. При этом отрасль в свое время столкнулась с отсутствием готовых концепций и подходов к решению этой и других проблем».

История ИИ в X5 Group началась в 2019 г. с попыток внедрить компьютерное зрение для автоматизированного мониторинга заполненности полок в магазинах. Проект закончился «так себе» по причине ограниченности зоны видимости камер и постоянного выхода их из строя из-за воздействия человеческого фактора. Были сделаны выводы. Во-первых, внедрение любых технологий требует длительной адаптации к «полевым условиям». А, во-вторых, High-end технологии часто будут уступать более простым решениям в случае «низкой базы».

Применение ИИ в сфере офлайн-торговли

Следующий проект был инициализирован в области автоматизации закупок. Вывод из пилота был таков: «Офлайн-ритейл оптимизировался очень долгое время за счет внутренних ресурсов, и внедрение ИИ может оказать отрицательный эффект на старте. Люди и так понимают, что происходит, поэтому их необходимо мотивировать. Но при всем при этом, данные почти не заменяют людей, принимающих решения, потому что данные не ответят, если вопрос не был задан».

Что будет дальше? Михаил Неверов полагает: «Нас ожидает коллаборация ИИ с человеком. За счет полученной синергии можно будет находить проблемные точки, которые реально требуют разрешения. А их немало».

Выступавшая следом Дарья Тюльпа, ведущий эксперт по цифровым технологиям компании ТВЭЛ, входящей в Росатом, призналась, что не договаривалась с предыдущим докладчиком. Но она логически продолжила в презентации «Достижим ли сильный ИИ в промышленности?» начатую им мысль. Может быть все дело в том, что в X5 Group применялся «слабый» ИИ. И как добиться того, чтобы ИИ стал «сильным»? А он вообще нужен человечеству, как биологическому виду?

Где в промышленности нужен ИИ? Во-первых, в тех областях, где не справляется человек: вредное химическое производство, работа в условиях вечной мерзлоты или повышенной радиации. Во-вторых, там, где «натуральный интеллект» применим, но малоэффективен: предсказание критически важных неисправностей, обработка большого количества информации и пр.

Поэтому в ТВЭЛ реализованы в первую очередь те проекты, где требуется интеллектуальная обработка информации — «Атомбот. Закупки»: система автоматизации закупочных процедур.

«Атомбот. Закупки». Архитектура решения

Что дальше? А дальше те области, где «сильный» ИИ мог бы проявить свои преимущества — предсказательные возможности, например, применительно к производству ядерного топлива. А что может случиться дальше?

Дарья Тюльпа привела цитату известного футуролога Джеймса Бэррата: «Первый ИИ должен быть безопасен, чтобы передать человеческие ценности преемникам человечества». Иными словами, человечество со все ускоряющимся темпом движется к точке сингулярности, где придется решать: идет ли человек дальше в развитии AI либо делает паузу?

НЛМК уходит в AI

Следующие два доклада сделали представители группы НЛМК. Первым выступил Александр Котиков, руководитель отдела Data Science прокатного производства. По его словам, как оказалось, в прогнозировании концентрации алюминия в ванне горячего оцинкования есть место для искусственного интеллекта.

Задачи бизнеса к разработчикам рекомендательного сервиса

Задача, которую поставил бизнес разработчикам: модель должна уметь в нужное время выбрать слиток с подходящей концентрацией металла. Это нужно сделать, потому что процентное содержание алюминия в ванне горячего цинкования постоянно меняется, а для стабилизации концентрации добавляют новые слитки. В итоге возникла потребность в разработке рекомендательного сервиса для стабилизации концентрации алюминия, который в итоге включил в себя real-time прогнозную модель, сервис оптимизации загрузки слитков и электронный журнал.

«Для разработки моделей, их обучения и тестирования, нашей командой по цифровизации была создана DSML-платформа — кластер из виртуальных машин на базе Docker Swarm. Ее пользователям достаточно авторизоваться, и они получают сразу большой объем ресурсов для разработки как в интерактивном режиме, так и развернуть у себя на компьютере локальный образ системы. Поскольку платформа интегрирована со множеством источников данных производства, никаких дополнительных интеграций не требуется», — пояснил Александр Котиков.

Использование рекомендательной системы позволило за счет оптимизации производственного процесса снизить расход цинка на 46,4 тонн в год, а также повысить качество оцинкованного проката.

Тимур Марков, главный full stack разработчик Стойленского ГОКа, входящего в группу НЛМК, начал сразу с экономического эффекта: 15 цифровых решений на СГОКе уже дали экономию более 500 млн рублей. За счет чего?

«Мы не делаем “цифру” ради “цифры”, тратя ресурсы и внимание на “хайповые” технологии, идем от реальных проблем и задач. “Цифра” — инструмент достижения целей. Изменения, связанные с цифровизацией, носят системный характер и изменяют процессы на всех уровнях компании», — описал свой подход Тимур Марков.

В своем выступлении спикер перечислил технологии, которые применяются для контроля заполняемости думпкаров и самосвалов, определения гранулометрического состава дробленой руды и контроля состояния обжиговых тележек. Для достижения поставленных целей были использованы цифровые двойники объектов для проектирования монтажных схем и тренировки алгоритмов, а также применены разные типы видеокамер для точности распознавания и вычислений.

Ответственность при использовании ИИ

Сергей Алешкин, Head of Data Science страховой компании СОГАЗ, выступил с докладом «ИИ в страховании в 2022: как модели машинного обучения помогают продавать страховые продукты?».

По словам эксперта, объем рынка ИИ в России в 2021 г. составил 552 млрд. рублей и имеет значительный потенциал роста. При этом на этапе пилотных проектов находится примерно 11% от всех внедрений, что еще раз подчеркивает особую роль пилотов при работе с искусственным интеллектом.

AI в страховании в России

По словам эксперта, основных типов задач ML в страховании две: обучение «без учителя» и «с учителем». В первом случае речь идет о предстраховом скорринге (выделение из множества всех клиентов наиболее убыточного сегмента), целевом маркетинге (разбиение множества всех клиентов на кластеры для выявления типичных представителей основных клиентских групп), а также кросс-продажах (выявление сочетаний товаров, часто встречающихся вместе в покупках клиентов разных групп). Учитель нужен ML для тарификации (оценка прогнозируемого убытка по полису на основе анализа имеющегося портфеля), предстрахового скорринга (выявление потенциальных мошенников), а также в кросс-продажах (выявление клиентов с высоким уровнем спроса на выбранный тип продукта).

Сергей Алешкин дал совет: «Внедрение ИИ необходимо начинать с направления, по которым оно может принести максимально быстрый эффект. Реальная бизнес-выгода с понятным сроком окупаемости повышает доверие к ИИ в компании».

В число его советов вошли еще несколько пунктов. Во-первых, необходимо строить быстрые прототипы моделей: в среднем из 10 подготовленных моделей «взлетает» только 1-2. Во-вторых, в начале внедрения ИИ в компании лучше использовать легко интерпретируемые модели. Это снизит «модельный риск», т. к. позволит проверить на ранней стадии правильность оценки моделью факторов, влияющих на целевой показатель. И, наконец, требуется на постоянной основе отслеживать качественные метрики используемых моделей ИИ.

Что касается непосредственно СОГАЗ, то спикер рассказал о таких проектах, как модели «Прогноз успешности агента» и «Поиск разочаровавшихся агентов».

Далее Людмила Гонтарь, руководитель Центра Компетенций ФРЦЭ, руководитель направления GR Корпорации «Синергия», РГАИС, ICANN, а также Валерия Логушина, эксперт «Сколково», приглашенный эксперт Совета по цифровизации ТПП РФ, юрист ВТБ, в совместном докладе «Искусственный интеллект в телемедицине: проекты и особенности цифровых экосистем на ИИ» подняли несколько актуальных тем.

Людмила Гонтарь обратила внимание зала: «Если мы ранее не очень понимали, как связан регенеративный ИИ с регенеративной функцией человека, то сейчас это вопрос уже не встает».

Спикер подробно осветила аспекты применения ИИ в медицине, состояние нормативной базы в целом и особенности ее стыковки с отраслевыми направлениями, в особенности в такой отрасли, как радиология. Особый интерес вызвала такая тема, как триггеры доверия к ИИ как медиков, так и их пациентов.

«На что нужно обратить внимание, если вы разрабатываете законы в данной сфере? Необходимо смотреть на безопасность решения. Необходимо информировать пользователей о том, что решение включено. Данные для обучения ИИ необходимо собирать корректно, сочетая нормы законодательства о персональных данных и требования к точности диагностики. А самое главное — думайте об ответственности при использовании ИИ», — резюмировала доклад Валерия Логушина.

В финале конференции состоялась презентация «ИИ — повышаем эффективность инвестиционной компании» от Ярослава Кабакова, директора по стратегии ИК «Финам»: «ML и AI все больше внедряются в процессы управления финансами, а цифровые технологии лежат в основе всех взаимодействий с клиентами. Будущее финансового и банковского секторов очень быстро обретает форму: от приложений для просмотра котировок и мобильного банкинга до полноценной торговой системы и виртуальных помощников».

В «Финам» выстроена целая экосистема дополняющих друг друга сервисов на базе ИИ, в том числе «Индекс счастья клиента». Это удалось сделать, помимо всего прочего, после проведения больше 10 различных пилотов и экспериментов по разным группам от 3 до 70 тыс. чел. Кроме того, собрана модель из более 70 параметров, для которой найдены зависимости и аномалии поведения каждого клиента, а таже составлены правила математического описания данной персоны.

ИИ-сервисы в ИК «Финам»

Что в итоге? Инвестиционная отрасль отличается огромным числом продуктов, только в каталоге ИК «Финам» их более 200 штук. Клиенты компании отличаются друг от друга риск-аппетитом, длительностью горизонта планирования, суммами, квалификацией и т.д. Обычные методы их информирования все больше напоминают бесконечный поток спама. Побороть эту волну можно только путем подбора индивидуальных предложений за счет работы ИИ. Внедренные проекты сократили их число до 1,8 млн рекомендаций в неделю.