22 июня 2022 года в Москве состоялась конференция от TAdviser, посвященная технологиям искусственного интеллекта. На ней выступили представители банков, консалтинговых компаний, государственных органов, вендоров. Спикеры поделились опытом применения искусственного интеллекта для улучшения бизнес-процессов, обсудили понятийный аппарат, нормативное регулирование и многие другие вопросы.

Мероприятие посетили представители таких организаций, как «Транснефть-Технологии», «Ингосстрах», «Русская Арматура», префектура Зеленоградского АО города Москвы, ОКБ «Кристалл», Национальная ассоциация цифровой экономики, Минюст России, Институт цифровой медицины Сеченовского университета, ГКУ Тверской области «Центр информационных технологий» и других. Вел конференцию Семен Буденный, старший научный сотрудник Института искусственного интеллекта AIRI.

Из болота в озерцо — работаем с данными

Валерий Сохоров, заместитель директора департамента цифровой трансформации, Счетная палата РФ, посвятил свое выступление работе с данными, являющимися базисом для работы с ИИ-сервисами. Он рассказал о текущем состоянии цифровой платформы СП РФ, охарактеризовав его как переходное от болота данных к озеру данных. Говорил спикер и о внедрении системы управления данными, реализуемом с прошлого года.

Основная цель будущей системы управления — создать единое окно доступа к информационным системам и данным для самостоятельной работы инспектора, с возможностью умного поиска. На сегодня обеспечена загрузка данных по 48 наборам данных, сообщил Валерий Сохоров.

Валерий Сохоров, заместитель директора департамента цифровой трансформации, Счетная палата РФ

Мы исходим из того, что прежде чем работать с высокоинтеллектуальными сервисами, нужно добыть данные, правильно их обработать, создать соответствующую инфраструктуру, — отметил докладчик. — С этой целью мы внедряем систему управления данными, чтобы превратить болото данных в прозрачное озеро, удобное для работы инспекторов. Мы идем к тому, чтобы инспектор мог пояснить представителю объекта аудита, какие данные ему нужно иметь на своей стороне — актуальные, значимые.

Формирование культуры работы с данными у инспекторского состава, чтобы инспектор понимал, какие данные понадобятся при аудите, и чтобы была обеспечена юридическая значимость и актуальность тих данных — вот одна из целей, которую стремятся достичь специалисты департамента цифровой трансформации. Также планируется формирование постоянных витрин данных для проведения внешнего аудита и минимизация времени на доступ к данным и их обработку.

В завершение спикер назвал четыре основных ведомства, с которыми ведется работа с целью получения данных: Минфин России, Росстат, Федеральное Казначейство, Росимущество/Росреестр.

Т — это Tinkoff

Руководитель платформы речевой аналитики компании «Тинькофф» — Артур Самигуллин рассказал о продукте собственной разработки - Речевой аналитики от Тинькофф (Tinkoff Quality Management, TQM), предназначенном для контроля качества работы сотрудников банка, их обучения и мотивации. Колл-центр является основным ресурсом обслуживания клиентов банка, пояснил он. До внедрения платформы TQM служба контроля качества прослушивала лишь 1% диалогов сотрудников и клиентов, на основании которых выставлялось 8-9 оценок в месяц.

Артур Самигуллин, руководитель платформы речевой аналитики, «Тинькофф»

Было решено изменить подходы к контролю качества при помощи собственной ИТ-разработки с использованием элементов технологии искусственного интеллекта. Сначала были построены модели оценки качества диалога, потом созданы рабочие интерфейсы, и затем реализовано внедрение непосредственно в рабочие процессы сотрудника.

Первой была создана так называемая «сентимент-модель» с целью различения нейтральных и негативных диалогов. Она используется для:

• контроля качества — в звонках с негативом сотрудник в 65% случаев допускает ошибки;
• мотивации операторов — определяется, насколько хорошо оператор сглаживает негатив;
• повышения качества обслуживания.

На платформе TQM реализован семантический поиск, используемый при анализе вопросов. Когда выяснилось, что 10% вопросов встречаются в 90% диалогов, удалось сократить объем обучающих материалов более чем в два раза, в результате чего скорость обучения сотрудников выросла в 2,5 раза, аконверсия увеличилась на 20%.

Внедрение ML-оценок с их сегментацией (лишние уточнения, затягивание диалога, игнорирование вопроса клиента и др.) позволили оптимизировать процесс контроля качества, улучшить мотивацию и обучение.

Наше решение улучшает рабочие процессы колл-центра, «прокачивает» сотрудников. В результате внедрения платформы TQM у нас сократился срок выхода сотрудника на целевые показатели с 12 до 9 месяцев, планируем уменьшить это время до 6 месяцев, — комментирует Артур Самигуллин.

Сервисный интеллект

Юрий Карев, начальник управления процессов и стандартов моделирования и машинного обучения департамента анализа данных и моделирования, ВТБ, остановился на практике и методах работы своего управления — подразделения, создающего ИИ-продукты как сервисы для любых подразделений банка.

Он рассказал о том, как в банке пришли к сервисной модели (MLOps), как выстраивается производство ИИ-сервисов, осуществляется их встраивание в общую схему банковского производства. В ходе доклада спикер, в частности, рассмотрел жизненный цикл модели ИИ-сервиса, указав на его схожесть с жизненным циклом ПО, а также отметив принципиальные различия. Так, например, цикл MLOps также предполагает сбор данных, применение алгоритмов, их тестирование и выбор лучшего алгоритма, но при этом на вход модели поступают не только данные, но и ожидаемые результаты ее работы.

Юрий Карев, начальник управления процессов и стандартов моделирования и машинного обучения департамента анализа данных и моделирования, ВТБ

Выводы, озвученные спикером в завершение выступления:

• продуктом, создающим ценность для бизнеса, является не только модель ИИ, но и технологическое решение по ее применению в бизнес-процессе;
• сервисная модель (MLOps) появляется в ответ на рост интереса к ИИ;
• ключевые цели MLOps для решения возрастающего потока задач — это сокращение time to market, повышение эффективности команд, масштабируемость;
• сервисная модель (MLOps) определяет ключевые компетенции, участвующие в разработке моделей и типовой процесс взаимодействия между ними;
• инструментарий для моделирования работает в связке с CI/CD инфраструктурой, адаптированной для внедрения моделей.

ML-проекты должны быть последовательными. Сначала мы оцениваем степень зрелости бизнеса в плане понимания специфики искусственного интеллекта, потом договариваемся, как искусственный интеллект будет использоваться непосредственно в бизнес-процессах, и затем создаем пилотную модель для проверки исходной гипотезы, — поделился Юрий Карев.

Цифровизация в группе компаний «УралХим» стартовала с небольших проектов, рассказал Алексей Бондаренко, руководитель отдела цифровых инноваций. Базовое недоверие к инновациям присутствует всегда, отметил он, и сопротивление изменениям со стороны персонала есть в любой сфере. После реализации ряда пилотных проектов и получения конкретных экономических эффектов, здесь перешли к наращиванию экспертизы.

Алексей Бондаренко, руководитель отдела цифровых инноваций, «УралХим»

Ключевая цель использования искусственного интеллекта — переход к управлению на основе данных. В этом отношении мы не претендуем на уникальность: очевидно, что только принятие решений на основе проверенных данных позволяет максимально эффективно управлять бизнесом, — уверен Алексей Бондаренко.

На производстве «УралХим» уже реализованы следующие проекты:

• система помощника оператора установки БГС с выдачей рекомендаций в графическом формате — стабилизация производственного процесса, увеличение выработки продукции;
• советчик для диспетчера — эффект по сокращению количества остановов конвейера и комбайнов из-за переполнения бункера;
• цифровой двойник оборудования — заблаговременное оповещение о вероятности поломок;
• система компьютерного зрения для идентификации текущего состояния процесса флотации.

Помимо всего перечисленного, была внедрена корпоративная платформа данных с облачной составляющей, позволяющая решать широкий круг задач. Еще один результат работы выразился в том, что в компании создана школа аналитиков данных с целью реализации корпоративной программы обучения, повышения уровня культуры работы с данными сотрудников — как из бизнеса, так и из производства. Все вместе это позволяет реализовывать многие сервисы самостоятельно.

Держим клиентов в банках

Михаил Попов, основатель TalkBank, поделился мыслями и опытом использования машинного обучения и чат-ботов в целях выстраивания новой модели взаимоотношений с клиентами, их удержания в банках, страховых компаниях. Он полагает, что использование мобильных приложений для общения с клиентом не является надежным каналом, поэтому многие банки переходят для обслуживания клиентов в Telegram, которым клиенту не нужно учиться пользоваться.

Михаил Попов, основатель TalkBank

В TalkBank построили омниканальную платформу с бесшовным интерфейсом, в числе ее преимуществ:

• привычный для клиента интерфейс;
• бесшовный переход из канала в канал — можно начать диалог в Telegram, а потом перейти в WhatsApp — робот помнит клиента;
• чат-бот заменяет штат консультантов и отвечает на вопросы моментально 24/7;
• дешевле приложения;
• чат-бот всегда дружелюбен, сделает рассылки, предложит скидки.

Платформа TalkBank построена на базе лоукода, а проектная команда способна запустить для партнера проект за 2-4 месяца, при том, что раньше на такое уходило год-полтора.

В завершении доклада спикер рассказал о реализованном проекте для «МТС Банка», где более 80% запросов пользователей обрабатывается роботом, остальные 20% закрываются первой линией поддержки. Сам «МТС Банк» напрямую с клиентом не общается. Результаты проекта: конверсия выпуска карт в чат-боте — 17,5%, доля активных карт — 32%.

Машинное обучение — это там, где машина думает за человека, — напомнил Михаил Попов. — Если брать цепочку наших процессов, где используется машинное обучение, это распознавание данных документов в видеопотоке, контроль поведения пользователя внутри системы на наличие мошенничества, категоризация клиентов в плане перспективности, предсказание вероятности ухода клиента из сервиса, какие услуги можно продать клиенту дополнительно, распознавание речи, чтобы робот корректно отвечал и была максимальная конверсия.

С обозначения основных ИТ-тенденций в финансовой отрасли начал свой доклад Ярослав Кабаков, директор по стратегии, «Финам». По его мнению, развитие цифровых технологий во многом меняет финансовую отрасль. Такие технологии, как облачные вычисления, большие данные и робототехника оказывают существенное влияние на банковскую отрасль и финансовый сектор. Машинное обучение и ИИ внедряются в процессы управления финансами, а цифровые технологии лежат в основе всех взаимодействий с клиентами.

Ярослав Кабаков, директор по стратегии, «Финам»

Будущее финансового и банковского секторов очень быстро обретает форму: от приложений для просмотра котировок и мобильного банкинга до полноценной торговой системы и виртуальных помощников. Спикер констатировал кратный рост на рынке инвестиционных продуктов, отметив, что в компании внимательно следят за «Сбером», являющимся лидером финансовой отрасли, и признал, что «Финам» тоже двигается в направлении сервисов и продуктового подхода. В компании порядка 250 различных продуктов, при создании которых отталкивались от удовлетворенности клиента и активно использовали машинное обучение. В результате менеджер может предложить то, чего клиенту не хватает в текущий момент: информационные, обучающие, инвестиционные продукты, стратегию по защите инвестиций.

Ярослав Кабаков отметил большой прогресс в плане роста эффективности клиентской базы, хотя не умолчал и о некоторых проблемах в использовании технологии ИИ.

Если говорить про использование искусственного интеллекта у нас, то мы много экспериментировали с чат-ботами, смотрели различного рода автоматизацию колл-центров, но, скажу честно, мало что приживается, — поделился он. — Ты автоматизируешь процесс, но если продуктов много, возникает и много проблем. Мы пошли от клиентской базы. Одни клиенты торгуют хорошо, пользуются большим количеством сервисов, есть плохо торгующие, и мы начали смотреть на использование искусственного интеллекта с точки зрения удовлетворенности.

Искусственный интеллект как конкурентное преимущество

Адель Валиуллин, исполнительный директор департамента анализа данных и моделирования, «Газпромбанк», в ходе выступления остановился и на теоретических аспектах ИИ, и на сугубо практических — например, на том, как выбрать проект для применения ИИ. Области использования ИИ, выделенные докладчиком: поисковые системы, кредитный скоринг, система рекомендаций на развлекательных порталах, борьба с мошенничеством, предсказание поломок оборудования и др.

Изменения под воздействием ИИ будут происходить во всех областях, отметил он и обозначил сходство искусственного интеллекта с наукой: и там, и там большая доля провальных проектов, поскольку, согласно данным международных исследовательских компаний, до 85% проектов с ИИ вообще не реализуется. Отличия ИИ-проектов от традиционной ИТ-разработки проявляется, в первую очередь, в отсутствии быстрой обратной связи от пользователей.

Адель Валиуллин, исполнительный директор департамента анализа данных и моделирования, «Газпромбанк»

Многие воспринимают искусственный интеллект как сверхразум, но это из области фантастики, как бы общий ИИ, — объясняет Адель Валиуллин. — Мы же имеем дело с узким толкованием искусственного интеллекта, когда он используется для решения задач в определенной области: технологии семантического поиска, беспилотный транспорт, распознавание лиц.

На этапе выбора бизнес-процесса для запуска ИИ-проектов следует руководствоваться тремя критериями: экономический эффект, регулярность процесса и наличие данных, их корректность и непротиворечивость. При этом главный критерий — это экономический эффект, который можно достичь либо генерацией дополнительной прибыли, либо сокращением издержек. Выводы, сделанные спикером в конце выступления:

• изменения — единственная константа нашего времени;
• технологии ближе, чем можно представить, и не следует бояться их использовать;
• искусственный интеллект — это конкурентное преимущество.

Олег Савин, архитектор, Unilever RUS, рассказал о человекоподобном интеллекте на основе фрактально-когнитивной модели, при этом затронув очень широкий пласт вопросов концептуально-методического характера:

• подходы к исследованию человеческого интеллекта (нейробиологический, кибернетический, междисциплинарный);
• функциональные характеристики человеческого интеллекта (наличие знаний о предметной области, целостность восприятия и др.);
• фрактально-когнитивная модель как ядро системы с человеко-подобным интеллектом;
• архитектура информационной системы на основе фрактально-когнитивной модели.

Олег Савин, архитектор, Unilever RUS

Во времена моей студенческой юности я посещал факультативный цикл лекций по искусственному интеллекту, — вспомнил по ходу выступления Олег Савин. — Однажды профессора, читавшего лекцию, спросили, может ли он объяснить, что такое искусственный интеллект условному «человеку с улицы». Профессор ответил, что может. Представьте, сказал он, что в вашу голову летит кирпич. Увидеть кирпич — это восприятие. Понимание, что будет больно, если попадет, — это знание. Увернуться от кирпича — ловкость. Получить кирпичом по голове — судьба. А интеллект — это умение предвидеть траекторию кирпича и увернуться от него, используя ловкость, чтобы не попало по голове.

В завершающей части доклада Олег Савин оценил сложности от внедрения информационно-аналитической системы с человекоподобным интеллектом. В их числе высокие риски проектирования, создания и развертывания такой системы, неочевидный эффект от реализации и проблема с возвратом инвестиций.

ИИ работает быстрее

Евангелист платформы ML Space компании Cloud (бывш. Sbercloud), Отари Меликишвили, сообщил, что бизнес компании как облачного провайдера вырос за последние годы в два раза, и что в облаке Cloud представлены аналоги любых сервисов, имеющихся у крупнейших зарубежных провайдеров.

Отари Меликишвили, евангелист платформы ML Space, Cloud

Затем спикер перешел к тематике искусственного интеллекта, напомнив участникам мероприятия о стоп-факторах внедрения ИИ-продуктов согласно данным опроса, проведенного TAdviser:

• дороговизна разработки (32%);
• непонимание окупаемости (20%);
• отсутствие экспертизы, квалифицированных специалистов в ИИ (17%);
• длительный срок вывода ИИ-продуктов на рынок (17%).

Перечислив варианты разработки ИИ-продуктов — собственная разработка, аутсорсинг, использование готовых сервисов из облака (SaaS) и проведение чемпионата — Отари Меликишвили рассмотрел достоинства и недостатки каждого из подходов, отметив при этом, что для разработки эффективно использовать автоматизацию на базе платформы ML Space. Преимущества использования ML-платформ:

• упрощенный цикл ML-разработки;
• быстрое обучение;
• скорость и быстрое развертывание;
• сокращение затрат на команду.

Платформа ML Space имеет полный функционал для создания ИИ-сервисов, заверил спикер, причем как в облаке, так и на площадке заказчика. Решение умеет работать с любым «железом» на основе процессоров x86, используются суперкомпьютеры Christofari и Chrictofari Neo.

Длительный вывод на рынок искусственного интеллекта связан с тем, что машинное обучение — это всегда история, связанная с вероятностями, с долгими итерациями, которая не обязательно увенчается успехом. Скорее всего, уложиться в запланированное время не получится, — отметил Отари Меликишвили. — При этом не все понимают, что ML-разработка — это всегда дополнительная, интеллектуальная функция к имеющемуся продукту, не стоит рассматривать ИИ как самостоятельный большой проект.

Исполнительный директор технологической практики, «Технологии доверия» (бывшая компания PWC), Артем Семенихин поделился результатами исследования на основе опроса более тысячи компаний. Выводов два: ИИ и машинное обучение — это все еще сложно, а большая часть рынка пока пребывает на ранней стадии изучения/внедрения ИИ (Early Adopters).

Артем Семенихин, исполнительный директор технологической практики, «Технологии доверия»

Спикер показал неравномерность развития рынка цифровизации данных в разрезе индустрий. Банки, финтех, ритейлеры, интернет-компании собирают данные в цифровом виде «исторически аккуратнее». В меньшей степени научились правильно работать с данными нефтегазовая отрасль, металлургия, промышленность. Вместе с тем, тренд на использование цифровых данных и искусственного интеллекта, по оценке Артема Семенихина, «кристально чист», поскольку на рынке наблюдается постоянный рост инвестиций в ИИ, усиления ожиданий от этой технологии в связи с ковидом, а также «эффект маховика», когда ИИ становится мейнстримом для всего бизнеса;

Остановившись на таких рисках искусственного интеллекта как этичность, справедливость принимаемых решений, необходимость предотвращения манипуляций и соблюдения требований регуляторов, спикер перечислил пять перспективных направлений развития ИИ:

• управление рисками, предотвращение фрода и кибер-угроз;
• повышение этичности, интерпретируемости ИИ;
• повышение качества принимаемых решений для сотрудников организаций;
• многосценарный анализ на основе симуляционного моделирования;
• автоматизации рутинных задач.

Искусственный интеллект как технология ищет и находит все больше сегментов, где он может побеждать. Если еще несколько лет назад искусственным интеллектом считался чат-бот Алиса или умные колонки, то сейчас идет завоевание новых зон применения: логистические, сценарные задачи, системы моделирования и так далее. Искусственный интеллект становится стратегическим советником, — заявил Артем Семенихин.

Илья Петухов, руководитель проектов по развитию ИИ-продуктов, DIRECTUM, рассказал про автоматизацию рутинных операций на базе интеллектуального продукта Ario One, предназначенного для обработки любой текстовой информации. В качестве примера рутинной операции спикер выбрал работу с входящими письмами, когда на обработку одного документа затрачивается порядка 50 минут (регистрация, вынесение резолюции, исполнение решения, подготовка и отправка ответа), а суммарная стоимость такой обработки находится на уровне 400 руб.

Илья Петухов, руководитель проектов по развитию ИИ-продуктов, DIRECTUM

Использования Ario One, по оценке Ильи Петухова, снижает среднее время обработки документа до 3 минут, сокращает трудозатраты на 45%, экономит организации порядка 1 млн. р. в год. Ario One — самостоятельный, полностью готовый продукт, подчеркнул докладчик. Среди функционала предобработка и распознавание текстового слоя; классификация документов по виду, типу и другим разрезам; извлечение реквизитов, проверка комплектности, сверка; верификация; экспорт данных в целевую систему.

Благодаря автоматизации обработки входящих документов в компании время прохождения рутинных этапов снижается минимум в два раза, — рассказал Илья Петухов. — Автоматизируются этапы заведения карточки, занесения в журнал регистрации, связки основного документа с приложениями, назначения ответственного, подготовки проекта резолюции, ответа на основании шаблона. В результате экономится время руководителя, который получает как бы три кнопки: зеленую — «подписать», красную — «вернуть» и еще одну — «наказать ответственного».

В ходе доклада спикер подтвердил импортонезависимость решения, внесенного в Реестр, и привел результаты внедрений продукта Ario One в «Объединенной двигателестроительной корпорации» и правительстве Удмуртии. Продукт на рынке с марта 2018 года, общее количество внедрений — более 45 проектов.

Выступление Тимофея Захаренко, менеджера по развитию бизнеса Selectel, было посвящено сервисам компании Selectel — провайдера инфраструктуры и платформенных сервисов, способных помочь в эффективном решении любых ИТ-задач, в том числе — из области искусственного интеллекта.

Спикер перечислил множество сфер применения вычислительных кластеров, в частности: распознавание лиц и компьютерное зрение, распознавание и синтез речи, работа рекомендательных систем, создание новых лекарств, потоковый анализ больших данных, построение цифровых моделей для моделирования реальных процессов.

Тимофей Захаренко, менеджер по развитию бизнеса, Selectel

Для решения различных задач в этих областях компания предлагает конструктор суперкомпьютера, при помощи которого можно собрать кастомизированный высокопроизводительный кластер для машинного обучения и ИИ-разработок. Тимофей Захаренко подробно рассказал о возможных конфигурациях суперкомпьютера на аппаратном уровне: на базе графических карт Nvidia, процессоров Intel и AMD и др.

Далее спикер перешел к платформенным сервисам Selectel, рассказав о ML-платформе и платформе для работы с данными Data Platform. ML-платформа Selectel представляет собой готовый комплекс решений, основанный на технологиях открытого кода и предназначенный для создания ML/AI разработок. В состав платформы входят: Managed Kubernetes, GPU (Tesla A100, Tesla RTX A5000, Tesla RTX A2000), ClearML и хранилище Selectel S3. Платформа для работы с данными Data Platform позволяет развернуть с нуля инфраструктуру для хранения и обработки данных, модернизировать существующую инфраструктуру и перевести ее в облако, передать задачи обслуживания инфраструктуры и дата-инжиниринга профессионалам.

Почему выгодно арендовать вычислительные мощности на базе высокопроизводительного кластера? Потому что так вы закрываете все вопросы, связанные с дополнительными затратами на электроэнергию, на поиски специалистов и их зарплату. Если же компании не выгодно иметь большие операционные затраты, мы предлагаем промежуточный вариант — финансовый лизинг, который будет отражаться в капитальных затратах, — рассказал Тимофей Захаренко.

В перерыве и по завершении конференции участники общались в неформальной обстановке, а также имели возможность ознакомиться с решениями и услугами ИТ-поставщиков на стендах, развернутых в холле мероприятия.

Информация о партнерах конференции

Cloud — облачный провайдер сервисов по модели «инфраструктура как сервис» (IaaS) и «платформа как сервис» (PaaS) и услуг по автоматизации машинного обучения (ML) для физических лиц, бизнеса, государственных учреждений и корпораций. Предлагаем 60+ облачных сервисов, виртуальный ЦОД, платформу для ML-разработки полного цикла на базе двух суперкомпьютеров Christofari и Christofari Neo с суммарной мощностью 1700+ GPU.

С помощью провайдера можно масштабировать IT-инфраструктуру, создать резервные копии данных и бизнес-приложений, организовать среду разработки и тестирования, хранить, обрабатывать и анализировать большие данные, использовать технологии машинного обучения.

Cloud соблюдает требования ФЗ №152 «О персональных данных» и обеспечивает безопасность персональных данных в соответствии с приказом ФСТЭК России №21 на уровне УЗ-1. Дата-центры уровня Tier III расположены в России.

Тинькофф — финансовая онлайн-экосистема, выстроенная вокруг потребностей клиента.

Все сервисы Тинькофф доступны через мобильные приложения и сайт Tinkoff.ru. Тинькофф не имеет отделений: сеть собственных представителей позволяет доставлять продукты компании в любой регион страны в кратчайшие сроки, а клиенты обслуживаются через онлайн-каналы и контакт-центр. Тинькофф реализует стратегию AI Banking, что позволяет во всех коммуникациях Тинькофф использовать технологии искусственного интеллекта и машинного обучения.

Голосовой помощник Олег обрабатывает более 40% обращений клиентов в чатах без участия сотрудников банка, а в контакт-центре решает вопрос клиента в среднем за 40 секунд.

Все продукты и большинство внутренних ИТ-систем Тинькофф разработаны самой компанией. 80% сотрудников штаб-квартиры — ИТ-специалисты.

«Технологии Доверия» (www.tedo.ru) предоставляет аудиторские и консультационные услуги компаниям разных отраслей. В офисах «Технологий Доверия» в Москве, Санкт-Петербурге, Екатеринбурге, Казани, Новосибирске, Ростове-на-Дону, Краснодаре, Воронеже, Владикавказе, Перми и Нижнем Новгороде работают 3 700 специалистов. Мы используем свои знания, богатый опыт и творческий подход для разработки практических советов и решений, открывающих новые перспективы для бизнеса.