Машинное обучение и революция в бизнесе
Сегодня машинное обучение, основанное на сборе и анализе данных, и искусственный интеллект, как его логичное продолжение, – уже не атрибут фантастических романов и фильмов, а работающая технология, которая решает все больше задач в самых разных отраслях.
Утверждение о том, что будущее за информацией, напомнило мне знаменитую сцену из фильма «Выпускник», вышедшего на экраны в 1967 году. Некий бизнесмен трогает за пуговицу Бенджамена, выпускника колледжа (его играл Дастин Хоффман), и произносит всего одно слово: «Пластмассы». Так он напутствует молодого человека в начале его карьеры. Интересно, если бы эту сцену написали несколько десятилетий спустя, не сказал бы тот бизнесмен иначе: «Информация»?!
«Дорога в будущее», Билл Гейтс
Данные и паттерны поведения
Чем современный мир отличается от того мира, который существовал всего четверть века назад, и который многие из нас еще хорошо помнят? В основе этих отличий – компьютеризация всех процессов, вследствие которой непрерывно порождаются и сохраняются огромные объемы данных.
Эти данные собирают самые разные организации – розничные сети, финансовые компании, промышленные гиганты, интернет-поисковики, социальные медиа – чтобы найти им применение и использовать для создания новых продуктов и сервисов. Технология машинного обучения позволяет взять все эти сложные и необъятные данные и описать их при помощи сравнительно простой модели, доступной для внедрения в современных бизнес-системах.
Например, аудитория розничной сети, торгующей через супермаркеты и Интернет – это миллионы покупателей, ежедневно приобретающие тысячи продуктов и при этом создающие огромные базы транзакций. Теория машинного обучения предполагает, что в этих данных можно найти конечное количество «паттернов» – шаблонов покупательского поведения. Обычный еженедельный поход в магазин – один стандартный, узнаваемый паттерн, планирование дружеской вечеринки – другой паттерн, рождение ребенка – еще один паттерн, и все их можно объяснить некими основополагающими факторами и их взаимодействиями. Осталось задействовать машинное обучение – и перспективам такой розничной сети можно будет только позавидовать...
Разумеется, не все так просто, но не обязательно сразу начинать с такой сложнейшей системы, как продуктовая розница.
Рекомендательная система — за три месяца
Еще до появления машинного обучения в его современном понимании получили распространение программируемые экспертные системы. Концепция этих программ была в целом разработана еще в 1970-х гг., период активного использования пришелся на последнюю четверть 20 века. В 1980-е гг. экспертные системы были достаточно популярны в США и Европе, а в Японии существовал свой проект экспертных систем и искусственного интеллекта – Fifth Generation Computer Systems. Но несмотря на широкий интерес, такие системы не получили широкого распространения, потому что базы знаний для них по тем временам приходилось создавать вручную. Кроме того, классические экспертные системы использовали логику – сначала четкую («правда–ложь»), затем так называемую нечеткую, более близкую к реальной жизни – но все же недостаточно близкую.
Более перспективным методом оказалось присущее современным системам машинного обучения использование теории вероятности. Такие системы не нужно программировать – они обучаются по ходу работы (компьютерные ученые называют этот способ обучения «обучением на прецедентах»).
Интереснейшим с точки зрения сегодняшних реалий способом применения машинного обучения является решение задачи адекватной оценки уровня заработной платы. Поскольку рынок меняется очень быстро, появляются новые профессии, возникает спрос на новых специалистов, система, которая адекватно оценивает рыночную стоимость специалиста в соответствии с его резюме, самостоятельно обучаясь в процессе работы, должна быть крайне востребована в отрасли трудоустройства. Подобный инструмент был несколько лет назад реализован компанией Glassdoor (США), и лишь недавно о разработке аналогичной системы объявила российская компания SuperJob.
В последние десять лет агентство SuperJob стало широко известно благодаря своему проекту «Зарплатомер» – ежемесячному справочнику, в котором публиковались актуальные индексы и вилки заработных плат по верхней десятке рейтинга должностей в разных отраслях. Но обладая крупнейшей в России базой данных резюме специалистов (более 17 млн резюме) и предложений работодателей (более 60 тыс. вакансий в сутки), компания могла пойти дальше – и она сделала это.
Сегодня точность аналитики критична для кадровых служб. Если специалист по кадрам ошибется на две тысячи рублей в оценке зарплаты тысячи кассиров розничной сети, то ошибка со знаком «плюс» приведет к ежемесячным миллионным перерасходам на ФОТ, а из-за ошибки со знаком «минус» персонал просто уйдет к конкурентам.
И вот, совместно с Microsoft компания SuperJob всего за три месяца разрабатывает систему, построенную на технологии машинного обучения, которая позволяет анализировать колоссальную базу резюме SuperJob и предсказывать уровень заработной платы по выбранной профессии или должности. Обрабатывая в ежедневном режиме большие массивы данных резюме, система учится находить значения, соответствующие критериям, заложенным в алгоритм оценки, сопоставлять их и определять уровень заработной платы, соответствующий конкретному резюме.
В конце февраля SuperJob планирует сделать официальный релиз сервиса и не только использовать его для собственных целей, но и предлагать корпоративным клиентам в качестве интеллектуального сервиса. Это решит как вопрос с отбором кандидатов по той части базы резюме, которая не содержит данных по уровню зарплаты, так и проблему поиска сотрудников с учетом региональных, рыночных и других факторов. Возможно применение этого решения и для массового пользователя – представьте, соискатель заполняет резюме и видит, как изменяется его рыночная стоимость, когда он вводит информацию о рабочем стаже, образовании, знании иностранных языков и т.п.
В процессе разработки системы специалисты Microsoft вывели закономерность – для каждого уровня заработной платы существует свой набор важных параметров. Например, такие параметры, как разрыв в стаже, место жительства, возраст, пол – имеют значение для вакансий и позиций с уровнем ежемесячной зарплаты ниже 100 тыс. р. А для зарплат выше 100 тыс. р. включаются другие параметры – уровень образования, возможность переезда, количество языков.
Новое качество банковского обслуживания — за два месяца
Когда-то данные, генерируемые компьютерами, считались просто побочным продуктом информационных технологий, и их сохраняли только потому, что так было нужно. И только в 21 веке эти огромные объемы данных наконец-то сами стали источником информации.
Вернемся к нашему – пока гипотетическому – примеру розничной сети, которая внедрит у себя машинное обучение в полном объеме. Ежедневно она продает тысячи товаров миллионам покупателей. Детали каждой транзакции – дата, имя покупателя, купленные товары и их стоимость, сумма чека и т. п. – сохраняются в базе данных компании. Постепенно этих данных становится очень много. Как их можно использовать?
Когда-нибудь магазины смогут с большой степенью достоверности знать, что именно захочет купить данный покупатель – они научатся находить закономерности покупательского поведения и будут в соответствии с ними делать прогнозы. Тогда они смогут существенно оптимизировать свою деятельность, и их продажи и прибыли вырастут – во многом благодаря росту удовлетворенности клиентов. Точно предсказать покупательское поведение, скорее всего, не удастся никогда, но вполне реально создать его работающие модели, выявляя паттерны и используя их для прогнозов.
Специалисты называют этот процесс «data mining» – интеллектуальный анализ данных или добыча данных. Это один из видов машинного обучения – компьютер обучается, извлекая паттерны из данных и делая обобщения. Машинное обучение на основе способности к обобщению – следующий шаг после обучения на основе прецедентов. Такое обучение уже сродни человеческому обучению – оно позволяет извлекать знания.
И если до продуктовой розницы с искусственным интеллектом нам еще далеко, то в банковской деятельности – сравнительно несложном и при этом крайне высоко автоматизированном виде розницы – перспективы машинного обучения можно считать гораздо более близкими. По данным исследования SoftServe, 62% организаций (из них большинство финансовых) к 2018 году будут использовать машинное обучение для разработки новых подходов к маркетингу, продажам, скорингу и т.д. А кировскому банку «Хлынов» анализ данных уже сегодня позволяет оптимизировать обслуживание банкоматов.
Для эффективного управления остатками в банкоматах нужно точно знать, где, когда и на какие суммы загружать банкоматы. Чтобы выяснить это, нужно проанализировать множество факторов, определяющих клиентское поведение – их местоположение, режим их работы, дни зачисления зарплаты и т.д. Машинное обучение позволило уйти от субъективного человеческого фактора, считает Александр Втюрин, заместитель председателя правления банка «Хлынов». «Человек всегда перестраховывается, – говорит он. – Скажем, в банкомат достаточно загрузить на неделю 3 млн рублей, но на всякий случай загрузят с запасом – 7 млн». По подсчетам аналитиков банка, это приводило к заморозке около 25% наличных средств клиентов.
Внедрение аналитических сервисов для решения этой проблемы заняло всего два месяца. Банк выбрал механизмы предиктивной аналитики, поставляемые вместе с облаком Microsoft Azure. Все необходимые данные были агрегированы в корпоративном хранилище на базе Microsoft SQL Server. Проект не потребовал значительных инвестиций и быстро дал осязаемый результат – теперь банк оценивает объем средств, «замороженных» в банкоматах, примерно в 15% наличных средств клиентов. Высвободившиеся средства банк может использовать, например, для кредитования.
Александр Втюрин считает, что в будущем большинство банковских процессов будут управляться с помощью искусственного интеллекта. Это поможет предлагать потребителю максимально персонализированные услуги, проверять финансовую состоятельность малого и среднего бизнеса и т.д.
Rolls-Royce экономит своим клиентам миллионы долларов
Интернет вещей (IoT) – т.е. сеть физических предметов («вещей»), в которые встроены коммуникационные технологии и сенсоры для контроля заданных параметров – идеальная концепция для контроля серьезнейших промышленных мощностей. Представьте, что при помощи IoT удастся глобально понизить затраты на топливо всего на один процент – экономия составит триллионы долларов. Повсеместное внедрение IoT в промышленности, или «промышленный интернет», станет началом новой экономики, измеряемой в десятках триллионов долларов.
Агентство McKinsey & Company считает, что обширные сети датчиков позволили бы получать гораздо больше информации добывающим компаниям. Внедрение IoT во всех отраслях произвело бы переворот – розничным сетям было бы гораздо легче понять покупательское поведение, производители могли бы ежесекундно знать все о состоянии своего оборудования, а клиники – эффективнее лечить больных.
Именно благодаря промышленному интернету компания по производству авиационных двигателей Rolls-Royce теперь может не продавать клиентам свои двигатели, а предлагать им сервисный контракт, в рамках которого оплачиваются только часы эксплуатации – и при этом гарантировать работу двигателей и полностью вести их эксплуатацию, начиная с плановых ТО. Благодаря этой бизнес-стратегии компания стала заключать более крупные контракты и формировать более устойчивую производственную программу, ее бизнес стал более предсказуемым, и он растет как в сегменте продаж собственных запасных частей, так и в сервисных сегментах рынка, оборот от которых для Rolls-Royce превышает оборот от сегмента оборудования более чем в четыре раза.
Сейчас Rolls-Royce предоставляет в эксплуатацию более 13 тыс. двигателей для коммерческих самолетов по всему миру, а также комплексные услуги по техническому обслуживанию воздушных судов. Это позволило компании накопить огромный опыт и собрать большой массив данных авиационного оборудования. Совершенствуя свой клиентский сервис, компания Rolls-Royce создала решение на базе интеллектуальных сервисов машинного обучения и IoT облака Microsoft Azure. Решение отслеживает и анализирует массивы данных, поступающих с датчиков, установленных в самолетах.
В соответствии с собранной информацией и созданными ранее прогнозами сервис Rolls-Royce предлагает рекомендации и выделяет, какие именно факторы оказывают наибольшее влияние на расход топлива, как основного источника расходов. Кроме того, решение предупреждает о неэффективной работе того или иного элемента двигателя и рекомендует его замену или обслуживание – а если срок обслуживания детали подходит к концу, но она работает достаточно стабильно, предлагает отложить процедуру. Это позволяет не только провести ремонт вовремя, но и исключить внеплановые ремонты. Известна история о том, как во время одного из перелетов пилот заподозрил неисправность двигателя и должен был согласно инструкции совершить аварийную посадку для диагностики двигателя, но сервисный центр Rolls-Royce, считав с датчиков текущие данные о состоянии двигателей, рекомендовал продолжать полет, чем сэкономил авиакомпании не менее миллиона долларов. «Благодаря развивающимся технологиям и впечатляющей предиктивной аналитике мы помогаем нашим клиентам реализовывать новые возможности», – говорит Ник Фаррант, старший вице-президент Rolls-Royce.
Датчики, датчики, датчики
Сегодня все больше типов производственных активов получают возможность передавать информацию о себе с помощью датчиков. Производитель, отслеживая метрики, планирует действия, связанные с капитальными и текущими ремонтами оборудования, его обслуживанием, принимает решения о модернизации. Использование технологий обработки «больших данных», бизнес-аналитики и IoT, привносящих в промышленные инсталляции интеллект и коммуникационные возможности, позволяющие ежесекундно отслеживать ситуацию и сообщать о необходимости обслуживания оборудования до наступления сбоя, требует внедрения сложного аналитического программного обеспечения, принимающего информацию от промышленных датчиков, обрабатывающего ее как «большие данные» и поддерживающего постоянную связь с производителем в реальном масштабе времени. Это подразумевает присутствие в сервисной бизнес-модели «третьей стороны» – поставщика высокотехнологичных услуг.
Самая классическая модель для IoT-бизнеса – «Business-to-Business». Она работает так – разработчик или группа разработчиков предлагают корпоративному клиенту IoT-решение. Заказчик должен самостоятельно внедрить у себя технологию или приобрести соответствующую услугу у системного интегратора или другой сервисной компании. Предприятие-покупатель является и пользователем решения. Классические примеры внедрения модели относятся к нефтяному бизнесу, ЖКХ, а также сектору систем видеонаблюдения и безопасности. Относительно новым примером внедрения этой же модели может служить «умный дом».
В модели непрямого распространения технологий «Business-to-Business-to-Consumer» корпоративный сервис-провайдер закупает все необходимое для создания IoT-решения и выпускает его, после чего он может поставлять решение конечным пользователям или предприятиям. Эта модель – фактический сегодняшний стандарт распространения IoT-решений ввиду их серьезной технической сложности. Типичные применения этой модели – мониторинг транспорта, упреждающее обслуживание, решения для видеонаблюдения и безопасности, управление грузами.
В магазине — тоже IoT
И все же, какой будет умная продуктовая розница? Возможно – такой, как первый умный минимаркет Amazon Go. Правда, о технических подробностях реализации сервиса Amazon «Just Walk Out Shopping» пока известно не слишком много – в официальном описании системы упоминаются компьютерное зрение, машинное обучение и Интернет вещей. Система использует сеть из сенсоров, расположенных по всему магазину. Алгоритмы ИИ определяют в реальном времени, куда именно смотрит каждый посетитель – даже в толпе, и считывают этикетки – даже те, что частично не видны. Забрав свои покупки, клиенты Amazon Go просто выходят из магазина через турникеты, а средства автоматически списываются с их пользовательского счета Amazon.
Что дальше?
Конечная цель развития искусственного интеллекта – полная автоматизация всех промышленных процессов и бизнес-решений – возможно, никогда не будет достигнута. Но даже те перспективы развития машинного обучения, которые не кажутся фантастическими, сулят изменение существующих бизнес-отношений.
Уже сегодня авиакомпании используют динамическую модель регулирования цен в зависимости от повышения и понижения спроса в реальном масштабе времени, но в мире IoT и искусственного интеллекта появятся на порядки более развитые модели. В перспективе это приведет к серьезнейшим последствиям. Промышленный интернет и машинное обучение помогают глубже понимать принципы использования и потребления – в перспективе можно будет широко использовать схемы оплаты по факту потребления и гибкие модели стоимости.
Машинное обучение уже доказало свою жизнеспособность – оно решает все больше задач в самых разных областях. Машинное обучение – один из способов создания искусственного интеллекта. По мере развития технологий сфера применения интеллектуальных систем с машинным обучением будут расти – и чем дальше, тем сложнее будут задачи, решаемые при помощи интеллектуального анализа данных.
