18 Декабря 2017 13:00 18 Дек 2017 13:00 |

Поделиться

Почему бизнес боится внедрять технологии машинного обучения

CNews: Чем, по вашему мнению, обусловлен такой активный интерес к технологиям искусственного интеллекта?

Евгений Ягнятинский: Все это существует уже достаточно давно. И термин, и технологии появились лет 30 назад. Но за последние пять лет произошла заметная популяризация на фоне значительного удешевления вычислительных мощностей и появления большого количества бесплатных решений – Google, Facebook, Microsoft безвозмездно выкладывают свои открытые API. Нужно быть очень ленивым, чтобы этим не воспользоваться.

CNews: Тем не менее, многие эксперты полагают, что современные технологии ИИ и машинного обучения находятся на очень ранних стадиях развития. Так ли это?

Евгений Ягнятинский: В принципе, я согласен с тем, что существующие решения для сложных задачи пока сыроваты. Но, с моей точки зрения, те простые решения, которые готовы к внедрению уже сегодня, работают хорошо. Да, разумеется, можно ожидать от этих технологий большего, но их можно эффективно использовать уже сейчас, получать результаты и развивать навыки в этой области.

CNews: Говоря о не очень сложных задачах – часто «искусственным интеллектом» называют любой относительно сложный алгоритм, анализирующий большие объемы данных и выдающий пользователю определенный ответ. Насколько это верно?

Евгений Ягнятинский: Я воздержусь от комментариев по терминологии, это, скорее, из области «религиозных» споров. Самые простые вещи, которые в себя включают машинное обучение и ИИ – это хорошие статистические алгоритмы, которые позволяют классифицировать объекты на группы по набору параметров, без привлечения четких правил, сформулированных человеком. А решений, которые с этими задачами адекватно справляются, действительно много. Да, конечно, можно углубляться в нейронные сети, алгоритмы глубинного обучения, которые на научном уровне привлекают многие замечательные умы и еще многое нам покажут. Однако я предпочитаю практический подход – используем сегодня то, что дает приемлемый результат, и учимся.

CNews: Искусственный интеллект помогает принимать решения или способен принимать их за человека?

Евгений Ягнятинский: Решение решению рознь. Приведу пример решения, где машинное обучение справляется хорошо. Мы работаем с крупными торговыми сетями, у нас много разных продуктовых линеек, и есть набор различных маркетинговых механик и акций. Мы сажаем человека из отдела продаж, передаем ему всю информацию по прошлым акциям и просим принять решение, какие акции, в каких магазинах и с какими продуктами будут наиболее эффективны.

Ту же самую задачу мы можем запустить в алгоритм, который будет классифицировать акции на те, которые сработали и на те, которые не сработали, выдавая для каждой категории набор характерных параметров. Решения такого плана можно возложить на алгоритм.

Но если это будут какие-то многомиллионные инвестиционные решения, например, вывод на рынок совершенно нового продукта, в отсутствие какой бы то ни было базы знаний на эту тему, я бы пока не рискнул доверяться алгоритмам в решениях, а пока только в помощи с анализом вариантов. А в будущем поживем – увидим.

CNews: Чаще всего искусственный интеллект обсуждается в контексте предсказательной аналитики, прогнозирования поведения пользователей. Какие еще классы задач нуждаются в подобных решениях?

Евгений Ягнятинский: C помощью алгоритмов машинного обучения мы также решаем задачи интеграции бизнес-процессов – своих внутренних или с партнерами. В этом случае бизнес-задача сводится к классификации, но немного другим способом. Поэтому все равно несложные алгоритмы помогают.

Нам приходится сопоставлять наш продуктовый каталог с теми данными, которые мы получаем от различных агентств, например, Nielsen. Или с данными, которые нам передают партнеры ритейлеры – информация из торговых точек о продажах и товарных запасах. Одни и те же продукты могут быть закодированы в сторонних данных по-разному. Пропуская эти данные через алгоритмы машинного обучения, мы можем из разных описаний определять одинаковые продукты. Обычно из 15 атрибутов товара, которые присылает нам в описаниях Nielsen, нам достаточно 3–4, чтобы с вероятностью 99% выяснить, об одном и том же продукте идет речь или нет.

Раньше этим занимался отдел администраторов. Сейчас это запускается в алгоритм машинного обучения, и у нас нераспознанными остаются всего 1–2% наименований.

CNews: Что еще у вас работает из подобных решений?

Евгений Ягнятинский: Еще один пример, достаточно свежий. У нас очень большой масштаб логистических и финансовых процессов, которые мы обслуживаем на платформе SAP. Это тысячи заданий, связанных с принятием и обработкой заказов, планированием производства, отгрузок, выставления финансовых документов. Любая системная ошибка или замедление в исполнении задач на уровне системы приведет к сбою в цепочке реализации договоренностей с нашими торговыми партнерами. Большой штат специалистов вынужден отслеживать эти процессы, чтобы вовремя реагировать и избежать потерь. Оказалось, что машинное обучение справляется с такой задачей очень хорошо. Алгоритмы в состоянии переварить миллионы сигналов внутри SAP, отслеживать тысячи параметров характеризующих «здоровье» исполняемых задач и научиться определять ситуации, которые с большой долей вероятности закончатся сбоем. Уже на втором месяце обкатки такого решения мы были в состоянии «предвидеть» сбои в работе системы на ближайшие 24 часа с вероятностью более 95%, что позволяет перенаправить внимание людей с мониторинга всего происходящего на оперативное реагирование, прежде чем сбой случится. Это и проще, и лучше с точки зрения бизнес-процесса.

CNews: Насколько внедрение технологий ИИ трудоемко, оправдано экономически и организационно сложно?

Евгений Ягнятинский: С точки зрения экономической оправданности мы смотрим, чтобы у этого был какой-то выхлоп. Если положительного результата нет, то дальше пилота решение не пойдет. Мы смотрим на экономическую выгоду самого решения, но принимаем во внимание и то, как это будет поддерживаться, какие есть риски, что решение может сломаться. И если оно вдруг сломается, как мы будем работать? В прошлом у нас были болезненные ситуации, когда мы внедряли технологию, людей перенаправляли на другие участки работы, и вдруг решение выходило из строя. А люди, которые знали, как решать задачу прежним способом, были уже недоступны. Когда мы смотрим на совокупную стоимость владения, мы обязательно принимаем во внимание эти ситуации.

По стоимости мы на данный момент концентрируемся на несложных в реализации и проверенных на опыте вещах. На тех, которые не дают непредсказуемых ответов. Мы выбираем недорогие решения. Некоторые из них бесплатны – не надо покупать лицензию и гигантские вычислительные мощности. Конечно, они не выходят полностью бесплатными, потому что нужно посадить какого-то человека, который будет этим заниматься. У машины должен быть супервайзер.

Евгений Ягнятинский: Простые решения, которые готовы к внедрению уже сегодня, работают хорошо. Можно ожидать от них большего, но можно эффективно использовать их уже сейчас

Из решений, которые мы покупаем за деньги, как правило, это те, в которых мы видим большую перспективу масштабирования. Например, у нас сейчас есть решения для определения склонности к покупке на основании тех данных, что у нас есть – карт лояльности, других источников. Эти алгоритмы чуть более сложные, мы готовы за них платить. Но у нас там сразу есть переложение на какие-то большие цифры, например, на рекламу. Не секрет, что рекламные бюджеты у нас довольно большие и их надо правильно тратить.

CNews: Вы разрабатываете решения своими силами или ваши партнеры тоже участвуют в разработке?

Евгений Ягнятинский: У нас нет других вариантов, кроме как работать вместе – нам нужны данные о продажах, данные о действиях покупателей. Мы активно убеждаем ритейлеров сотрудничать. Если мы прячем друг от друга какие-то данные, в долгосрочной перспективе никто от этого не выиграет. Сбор данных – это расходы, которые в нашей индустрии оправданы, только если информация используется для увеличения продаж. А чтобы продавать, нужно наилучшим образом удовлетворять спрос и потребности. И в конечном итоге делать это лучше вместе, ведь наш потребитель – это покупатель ритейлера. Наш подход таков, что пока потребитель не купил что-то и не воспользовался этим дома, то, по большому счету, никто ничего не продал – только продуктовые запасы переместили с места на место. По счастью, у нас выстроены хорошие, открытые отношения с рядом крупных ритейлеров, которые видят перспективу в том, чтобы делиться с нами данными, которые они получают в точках продаж, или информацией по картам лояльности. Например, над проектом по определению склонности к покупке мы работаем с одним большим ритейлером, у которого есть и то, и другое.

У нас есть свой внутренний штат сотрудников, которые работают с данными. Мы видим это как стратегический актив, поэтому на более сложные задачи направляем своих людей, иногда привлекаем извне, от партнеров, чтобы попробовать какие-то новые алгоритмы или технологические решения, в которых у нас нет опыта. Когда же мы входим в большой проект, то всегда стараемся построить умения внутренней команды. Все очень быстро меняется, и мы видим большой плюс в том, что мы строим экспертизу внутри, чтобы быть готовыми к тому, что когда технология завтра может поменяться, мы уже будем знать методы работы с ней.

CNews: Что-то из популярных решений вы внедряете, распознавание образов, например?

Евгений Ягнятинский: Мы пробуем применить на практике распознавание образов. Работаем с несколькими стартапами и пробуем пользоваться открытыми источниками. Для нас сейчас эти решения направлены на полку, на выкладку товаров. Но, скажем, там не все так радужно. И не столько с точки зрения алгоритмов. Для хорошей фотографии полки нужно хорошее освещение, правильный угол и кадрирование. Но как только для создания оптимальных условий съемки требуется отправить в магазин специального человека, стоимость такого решения сразу возрастает, а масштабируемость оказывается под вопросом. В товарах народного потребления маржинальность продукции не такая большая, и подобные решения «в лоб», которые работают, например, для табака или алкоголя, для нас не масштабируются за разумные деньги.

А те решения, которые мы на сегодняшний день пробуем обкатать, построены на скорости передачи информации из магазина и принятии оперативных решений на основании той информации. Если мы можем продавать больше в магазине, то это становится интересно. А если это просто чтобы заменить одного человека на другого – значимой выгоды нет.

CNews: Насколько реальны прогнозы о том, что в ближайшие 5–10 лет искусственный интеллект вытеснит с рынка людей целого ряда профессий, в том числе на производстве, в сфере торговли?

Евгений Ягнятинский: В каждом драматичном прогнозе есть доля правды. Я думаю, однозначно, есть высокий риск в отношении простых задач, не требующих высокой квалификации исполнителя. Их решение будет возложено на технологии ИИ и машинного обучения. Но здесь не нужно далеко ходить. Можно обратиться к истории и вспомнить, что произошло с телефонистками, с работниками конвейеров.

Все движется в этом направлении. Очень много споров о том, случится это через год или через двадцать лет, случится это на 80% или на 35% – время покажет. С точки зрения компании мы смотрим на это следующим образом: перспективы нашего развития и на российском рынке, и на глобальном – очень большие. Потому что есть большое количество людей, которые никогда не пользовались нашими продуктами. Мы понимаем, что не сможем убедить каждого пользоваться каждым, но потенциал развития компании весьма высок. Даже на тех рынках, где мы работаем достаточно давно, появляются новые ниши, новые потребительский спрос. Классическая бизнес-модель «возьми рекламу на телевидении, пусти ее по всем каналам после программы новостей и убедись, что в каждом большом магазине есть достаточно товара» постепенно превратилась в нечто гораздо более сложное. Есть множество медийных каналов, в которых нам нужно присутствовать. Есть множество каналов ритейла, в которых нам нужно быть. И задача определить, где мы должны быть с точки зрения потребительской осведомленности, где мы должны быть с сточки зрения доступности продуктов, усложнилась в разы. Новые технологии должны помочь более эффективно решать математические сложности этой модели, а люди будут более эффективно делать то, что они делают – общаться с другими людьми, разбираться, почему люди принимают конкретные решения. Это нужно для того, чтобы мы могли найти своего потребителя, произвести для него правильный продукт и удовлетворить его насущные потребности.

CNews: На ваш взгляд, ощущается ли доверие к технологиям ИИ в целом, по рынку? Или он пока воспринимается с опаской, как диковинка?

Евгений Ягнятинский: То, что я вижу – пока доверия мало. Многие экспериментируют, но пока еще не готовы внедрять технологии в большом объеме из-за высоких рисков.

Решения появляются очень быстро и так же быстро развиваются. Мы, конечно, можем подождать, пока станут доступны более зрелые технологии, но требуется время, чтобы понять, как они работают, что хорошего можно с ними сделать. Если мы найдем решение какой-то своей бизнес-задачи, мы будем в числе первых, кто этому научится.

Обычно боятся операционных рисков. Да, машина может ошибаться. Часто люди рассуждают так: «Человека я могу наказать, если он сделает ошибку, с людьми я могу работать. А влиять на машину я не могу. Если она ошибется – виноватым окажусь я, вся ответственность ляжет на мои плечи».

CNews: Когда ждать массового использования технологий ИИ и машинного обучения? Какие системы он собой заменит, как это повлияет на рынок ИТ-решений?

Евгений Ягнятинский: Мне кажется, что внедрение и использование алгоритмов машинного обучения на уровне виртуальных ассистентов в ближайшие годы будет довольно сильно распространено. И я сильно удивлюсь, если, по крайней мере, большие компании не будут этим пользоваться. Рыночные реалии и дозревание технологий приведут к тому, что компании вынуждены будут этим воспользоваться, чтобы снижать расходы.

С точки зрения российского рынка у меня есть надежда, что мы можем опередить другие страны по двум причинам. Во-первых, я вижу большое количество стартапов, которые что-то в этих областях пробуют делать. Я вижу большое количество студентов и маленьких фирм, которые учатся работе с данными и инвестируют в услуги в этой области. Во-вторых, есть благоприятная среда с точки зрения быстрого внедрения новых технологий. Возьмем чат-боты, например. У них не много общего с машинным обучением, хотя некоторые чат-боты используют такие алгоритмы для более сложного общения. Но они уже широко используются компаниями. Когда я смотрю на другие страны, где наша компания работает, там подобные технологии до сих пор кажутся новым, непривычным и непонятным, рискованным. Я надеюсь, в России это поможет легче принять машинное обучение и ИИ в массовых решениях в ближайшем будущем.

С точки зрения тех, кто предоставляет подобные услуги, мне кажется, что это очень простой рынок, он не требует большого капитала и невообразимых ноу-хау. И даже те ноу-хау, которые существуют, очень часто публикуются открыто. Я думаю, что, если большие игроки начнут этим пользоваться, это создаст очень хорошую среду для того, чтобы и маленькие компании пробовали, входили на рынок, предоставляли свои услуги. То, что мне кажется очень важным – это правильное контекстное понимание ниш, где эта технология что-то может делать. Когда технологии подешевеют, для тех, кто разбирается в нише и динамике работы, решения будут более понятными. Это создает возможность и рабочие места в ИТ-индустрии для предприимчивых людей.

Мария Сысойкина

Поделиться

Подписаться на новости Короткая ссылка