Глава 18. Основные тренды будущего

Впоследней главе мы остановимся на основных трендах будущего

вобласти управления данными. Важно отметить, что это не визионерский взгляд, а квинтэссенция того, о чем мы говорили на страницах нашей книги. Но перечисления последних трендов мало, мы пошли чуть дальше – рассказав об основных тенденциях (наука о данных, искусственный интеллект, машинное обучение и интернет вещей), мы покажем на ряде примеров, как управление данными влияет на вполне конкретные области человеческой жизнедеятельности – медицину, логистику, транспорт, сельское хозяйство, природопользование, промышленность, жилищно-коммунальное хозяйство. Таким образом, из «космоса» (дальние перспективы) мы вернемся назад в «атмосферу» (что будет использоваться в самое ближайшее время).

18.1.Основные тренды на ближайшую перспективу

Сейчас много внимания уделяется искусственному интеллекту (ИИ), причем в различных его проявлениях – от роботизации до машинного зрения и автоматизированного принятия решений. Ученые много лет пытаются научить машины «думать, как люди», в результате чего возникло машинное обучение, основанное на огромных массивах данных, которые нужно «должным образом подать и приготовить» для машины/алгоритма, чтобы она обучалась, а потом «подавать» еще, чтобы скорректировать ее работу и т. д. Это отдельная быстроразвивающаяся область, где сейчас особое внимание уделяется вопросам стабильности и адаптации алгоритмов машинного обучения к внезапным изменениям потоков данных, к возможным ошибкам данных или же нетипичным ситуациям, т. е. таким, к которым машину «не приучили». За примерами далеко ходить не надо – пандемия COVID-19 изменила многие устои, к которым мы привыкли (а значит, так и обучили машинные алгоритмы). Появилось большое количество отраслей, которые начали свою коренную перестройку. Об этих отраслях мы подробнее расскажем чуть дальше. И здесь снова мы видим возрастающую роль данных – все уходит в онлайн, все больше

сфер пытаются автоматизировать и роботизировать, чтобы избежать человеческого участия, все больше появляется массивов данных, доступных для различного анализа.

Интересный технологический тренд – распределенное хранение данных и параллельные вычисления. Все эти возрастающие массивы информации необходимо хранить, а вычислений становится больше. Понятно, что традиционные ИТ-гиганты выпускают больше дисков и систем хранения данных, способных вмещать все больше данных, а также еще более производительные процессоры, которыми наполняют мощные сервера. Но эта гонка не может продолжаться бесконечно. А как же все купленное три-пять лет назад? У многих из нас остались старые компьютеры и смартфоны. Именно здесь и сейчас наука серьезно занимается вопросами о том, как разместить данные децентрализованно и соединить их в нужный момент (здесь роль метаданных и управления ими особенно важна для распределенных хранилищ), как использовать простаивающие вычислительные мощности для необходимых вычислений и какие из них могут быть распараллелены с учетом нахождения данных для этих вычислений. Прослеживается четкая синергия с машинным обучением.

18.1.1. Дальнейшее развитие науки о данных

О науке о данных мы уже говорили. Это наука о методах анализа данных и извлечения из них ценной информации, знаний. Она тесно переплетена с такими областями как машинное обучение, наука о мышлении (cognitive science) и, конечно, с технологиями работы с большими данными. В свою очередь, большие данные – это огромные объемы неструктурированной информации: например, метеоданные за какой-то период, статистика запросов в поисковых системах, результаты спортивных состязаний, базы данных геномов микроорганизмов и многое другое. Для работы с такими данными используют математическую статистику и методы машинного обучения. Итог работы ученого по данным– прогнозная модель, некий программный алгоритм, который находит оптимальное решение поставленной задачи. Стоит отметить, что незаменимый помощник ученого по данным – специалист по машинному обучению, который выбирает архитектуру и обучающие алгоритмы.

В науке о данных слились воедино консервативные стратегические подходы, предметный анализ, приемы поиска шаблонов и аномалий данных, а также те алгоритмы поиска совпадений, нормализации, которые упоминались на страницах этой книги.

Наука о данных будет все больше использоваться в самых разных направлениях бизнеса. Приведем несколько примеров ее использования на практике. Для задач маркетинга эти технологии могут прогнозировать спрос на услуги компании. Для транспортных компаний – использоваться для выстраивания оптимального маршрута. Для производства – прогнозировать сроки выхода из строя оборудования и обнаружение дефектов продукции. В ИТ-сфере специалист в области науки о данных может разрабатывать ботов, поисковые алгоритмы, системы искусственного интеллекта. В сельском хозяйстве алгоритмы дают прогноз по урожаю, подбирают оптимальные системы землепользования. В страховом бизнесе – оценивают вероятность страхового случая. В медицине появляется все больше приборов, ставящих диагноз на основании данных, например, программа может указать поврежденные органы на рентгеновских снимках. Прогнозы погоды, которыми пользуемся, и те готовятся с помощью науки о данных.

Можно выделить три основных типа концепций, с которыми работает наука о данных[548]:

1.Представления о том, как наука о данных вписывается в организацию и конкурентную среду, включая способы привлечения, структурирования и развития команд, занимающихся наукой о данных; способы осмысления того, как наука о данных ведет к конкурентному преимуществу; и тактические концепции успешного выполнения проектов.

2.Общие способы анализа данных. Они помогают в определении соответствующих данных и рассматривают соответствующие методы. Эти концепции включают в себя процесс интеллектуального анализа данных, а также набор различных высокоуровневых задач интеллектуального анализа данных.

3.Общие представления о реальном извлечении знаний из данных, лежащие в основе огромного массива задач науки о данных и их алгоритмов.

Фундаментальное понятие здесь – сходство двух объектов, описываемых данными. Способность определять сходство лежит в основе различных конкретных задач. Ее можно использовать, например, для поиска клиентов, похожих на данного клиента. Все это составляет основу нескольких алгоритмов прогнозирования, которые оценивают целевое значение, такое как ожидаемое использование ресурсов клиентом или вероятность того, что клиент ответит на предложение.

Сходство также составляет основу поиска информации, при котором извлекаются документы или веб-страницы, соответствующие поисковому запросу. Наконец, именно это понятие лежит в основе нескольких общих алгоритмов рекомендаций. Грубо говоря, когда мы посещаем интернет-магазин в поисках товаров и он рекомендует нам «посмотреть что-то еще», – это наука о данных в действии.

компьютеров, Dell и Compaq, в 1990-е годы. К середине 1990-х Compaq

была лидером американского рынка, но потеряла все, вовремя не отреагировав на угрозу со стороны Dell, которая использовала технологии науки о данных и получила важнейшие конкурентные преимущества. Речь идет о введении веб-сервиса по кастомизации компьютера, исходя из личных предпочтений заказчика. Compaq не смогла ответить еще и потому, что у нее была другая бизнес-стратегия продаж. В то время как Dell продавала PC напрямую через интернет, Compaq отгружала компьютеры через розничные магазины. И когда Compaq попыталась скопировать веб-стратегию Dell, она столкнулась с жесткой реакцией от своих розничных продавцов, потому что модель продаж не подходила для этой стратегии. Compaq вынесла из этой ситуации жесткий урок, который заключается в том, что на этапе понимания бизнеса нам необходимо тщательно подумать о том, как данные и наука о данных могут обеспечить ценность в контексте нашей бизнес-стратегии, а также будут ли они делать то же самое в контексте стратегий наших конкурентов. Через какое-то время Compaq стало лихорадить, некогда процветающий бренд купил другой конкурент, Hewlett-Packard, и вскоре после этого компания исчезла с рынка.

Есть и другой громкий пример – противостояние Amazon и Borders. Когда-то обе сети конкурировали в области книжных продаж, но введение Amazon персонализированных рекомендаций отправило Borders на покой. О компании сейчас никто даже не вспомнит, а детище Джеффа Безоса – одна из крупнейших ИТ-компаний в мире.

18.1.2.Огромный скачок в области искусственного интеллекта

имашинного обучения

Технологии искусственного интеллекта (ИИ) – это важнейший инструмент работы с данными. Именно искусственный интеллект позволяет преобразовывать огромный объем данных в различные сервисы и продукты, быстрота, удобство и качество которых в первую очередь зависят от объема и качества используемых данных и применяемых технологий искусственного интеллекта.

Если обратиться к истокам ИИ, то первые упоминания о нем относятся к 1950-м годам, когда ученые продемонстрировали начальные версии работы искусственных нейронных сетей. К сожалению, после первых успехов исследования в этой области

довольно быстро остановились, в первую очередь их-за недостаточности данных и вычислительных ограничений аппаратного обеспечения того времени.

В дальнейшем исследование ИИ шло эволюционным путем. Сначала речь шла о создании решений на основе правил, затем – на принципах нейронных сетей. В основе нейронных сетей также лежали простейшие правила, которые задают направление движения «мысли системы». В отличие от экспертных систем, нейронные сети обучаются не на правилах, а на текстовых входных и выходных данных, имитирующих правила обучения человеческого мозга. Решения на основе правил базировались на опросе экспертов, а их ответы составляли суть решений, называемых также экспертными, логику которых можно описать правилом «если-то». У экспертных систем существует несколько слабых мест, главное из которых – невозможность эффективного использования этого метода при существенном расширении задач и предметных областей.

Когда исследуемые системы стали сложнее, правила стали складываться в конечные автоматы, т. е. последовательности применения правил в зависимости от исхода предыдущего шага. Именно тогда появились нейронные сети. Исследователи-сторонники нейронных сетей не задают правил, основанных на ответах экспертов. Нейронные сети – это шаг в сторону имитации работы человеческого мозга, т. е. это метод использования огромного массива образцов картинок, звуков, математических решений, видеофрагментов для самостоятельного определения закономерностей загруженных данных, используя правила обучения человеческого мозга. В качестве примера можно привести обучение ребенка, когда он видит впервые в жизни какой-то предмет или животное и родители дают определение или другими словами отвечают на вопрос «Что это?». В дальнейшем ребенок, столкнувшись с этим предметом, уже знает из ответов родителей, что это такое, и в процессе взросления получает все больше описательной информации об этом предмете и самостоятельно оценивает увиденное/услышанное, делает определенные выводы и принимает самостоятельные решения.

При этом основу развития технологий искусственного интеллекта сейчас составляют данные, их объемы и качество. Чем выше значения этих параметров, тем более эффективные алгоритмы они позволяют создать, независимо от направлений деятельности этих решений. Преимущество в технологиях ИИ получат те страны и компании, у которых формируется наибольший объем данных, которые из количества переходят в качество. ИТ-гиганты многие годы накапливают данные пользователей и их активности – как в онлайн-платформах (различные транзакции, приобретаемые услуги и товары, их характеристики, история поисков, загруженные и просмотренные фотографии, видео, комментарии и лайки и прочие активности), так и данные из реальной жизни (банковские транзакции, использование различных финансовых и страховых сервисов, посещение ресторанов, фитнес-клубов, и данные о разнообразных пристрастиях, данные о путешествиях и многих других данных, собираемых бизнесом не только о пользователях, но и о членах их семей, друзьях и коллегах). Все это позволяет собрать полноценную картину повседневной жизни граждан и бизнеса.

По мнению Кай-Фу Ли, «полный переход к повсеместному использованию искусственного интеллекта займет некоторое время и будет состоять из четырех волн – т. е. этапов внедрения искусственного интеллекта. Первым мир покорит ИИ интернета, затем ИИ для бизнеса, потом наступит черед ИИ восприятия и автономного ИИ. На каждом из этих этапов ИИ будет захватывать новые области нашей повседневной жизни»[551].

Внастоящее время ИИ интернета и для бизнеса уже ощущается во многих сферах нашей жизни. Мы получаем различные советы от поисковых систем, видим на страницах браузеров рекламу и описание интересующих нас товаров и услуг, зачастую расположенных рядом с нашим домом и офисом, читаем новости, подобранные с учетом наших интересов. Все это настолько органично вошло в нашу жизнь, что без этого сложно представить использование интернета современным человеком.

Всвою очередь ИИ для бизнеса уже стал неотъемлемой частью многих бизнес-процессов, заменяя собой многие алгоритмы работы организации, автоматически формируя и проверяя документы, оценивая заемщиков, планируя маркетинговые акции и эффекты от их

проведения, формируя тарифные планы и экономические результаты их возможного внедрения, диагностируя болезни и рекомендации по лечению, оценивая результаты различных фармакологических исследований и возможностей распространения тех или иных болезней,

имногое другое.

ИИвосприятия фактически переводит в цифровой вид окружающий нас мир; все, что человек слышит, читает, воспринимает. Все это уже в большинстве своем оцифровано, и благодаря дальнейшему развитию технологий этот объем цифровой информации будет кратно возрастать с каждым годом, учитывая широкое распространение датчиков, камер, и других устройств. Все данные, поступающие с огромного количества телефонов, телевизоров, автомобилей, камер наблюдения, различных приложений, постоянно анализируются и формируются в кластеры, позволяющие строить цифровую среду с небывалой скоростью и качеством, неотличимым, а где-то превосходящим наш физический мир, делая цифровой мир комфортнее и обогащая его все новыми возможностями.

Автономный ИИ – венец развития цифрового мира. Он обеспечит интеграцию достижений предыдущих трех волн, на основе огромного массива собранных данных и мгновенной обработки текущей информации со всевозможных устройств. Автономный ИИ кардинально изменит мир, к которому мы привыкли. Отдельные решения уже становятся частью нашей жизни, это касается прежде всего транспортной среды (беспилотные автомобили), различные технологии розничной торговли (беспилотные кассы и вендинговые аппараты), логистики и складского обслуживания (беспилотные погрузочные и сортировочные машины), сельскохозяйственная техника, грузовые автоперевозки и многие другие решения.

В настоящий момент на рынке решений ИИ доминируют Google, Amazon, Microsoft, Baidu, Alibaba и Tencent. Все они, кроме Baidu,

входят в десятку крупнейших компаний мира по рыночной капитализации, что указывает на беспрецедентный рост капитализаций компаний, работающих в области ИИ, отношение к единому направлению со стороны инвесторов и перспективность дальнейшего развития и монетизации технологий. Эти компании аккумулируют гигантские суммы в исследования ИИ. А если учитывать накопленные ими гигантские объемы данных в самых разнообразных сферах и, как

следствие, привлечение лучших специалистов, то станет понятно, что эти компании фактически недосягаемы для других игроков рынка. Кроме того, с каждым днем внедряются все новые технологии, количество и качество данных растут, что создает еще больший задел. Как мы говорили ранее, для дальнейшего развития технологий ИИ самое важное – это объемы и качество данных, что позволяет на их основе проводить новые исследования и создавать инновационные продукты.

Основными направлениями применения ИИ становятся различные отрасли бизнеса, которые накладывают свои требования к применяемым технологиям. Например, машинное обучение, о котором пойдет речь далее, развивается в машинное зрение, которое широко используется в телемедицине и автостроении. Другое применение находят ИИ технологии в предиктивной аналитике, где ранее были исключительно статистические методы. Технологии интернета вещей, о которых пойдет речь далее, также базируются на ИИ, особенно в т. н. индустриальном интернете вещей (IIoT).

Существуют три классических модели внедрения технологий ИИ для компаний.

1.Новые форматы сбора и информации о клиентах/продуктах/ сервисах и возможностях взаимодействия с ними.

2.Возможность предложения новых продуктов/сервисах.

3.Совершенствование бизнес-процессов и автоматизация производства.

Если говорить об управлении данными, то важно отметить, что информация из одного источника должна обогащать данные, полученные из другого. Это, в свою очередь, ведет к синергии, но также может приводить и к конфликтам данных и созданию ошибок. Например, при объединении данных огромной размерности могут наступить фатальные последствия из-за невозможности внесения исправлений в больших масштабах.

Машинное обучение – одна из областей ИИ, которая состоит из методов, позволяющих компьютерам принимать решения на основе данных и реализовывать приложения ИИ. Фактически, машинное обучение – класс методов ИИ, который ориентирован на создание систем, которые обучаются (т. е. совершенствуют свою