10 октября в Москве TAdviser провел конференцию, посвященную бизнес-аналитике, большим данным и искусственному интеллекту. Спикеры подчеркивали необходимость управления бизнесом на основе данных, освещали кейсы использования искусственного интеллекта, рассказывали об особенностях организации работы с данными в компаниях, описывали программные продукты, в которых заложены алгоритмы ИИ, делились опытом.

Сюда пришли представители таких организаций, как «Промсвязьбанк», Faberlic, Level Group, «Азбука Вкуса», банк «Открытие», «Газпром Нефть», Департамент информационных технологий города Москвы, Институт системного программирования, «Металлоинвест», «Ника Моторс Холдинг», «Энергосбыт», «ПочтаТех», «Ростелеком» и многих других. Модерировал конференцию Александр Чесалов, заместитель директора «Центра разработки и внедрения сильного и прикладного искусственного интеллекта».

Содержание Новые специальности для работы с ИИ И швец, и жнец — все грани ИИ Каким языком с ним говорить? Большому мозгу большие данные «Николай Иронов» и проблемы юридического характера Информация о партнерах Архив конференций Artificial Intelligence Day

Искусственный интеллект нужен и свиноферме, и «Авито»

Практикой использования технологий машинного зрения в сельскохозяйственной отрасли поделился Алексей Леонов, директор по информационным технологиям и цифровизации, «Агропромкомплектация». Компания владеет мясными брендами «Ближние горки», «Дмитрогорский продукт» и «Искренне Ваш», а кроме того является третьим по объемам производителем молока в России.

Спикер констатировал жесткую необходимость соблюдения санитарной безопасности на свинокомплексе во избежание заболеваний животных и, следовательно, больших убытков. Он пояснил, что, например, нельзя побывать на мясном заводе, а затем сразу пройти на ферму — это чревато эпидемией. С целью контроля прохода на предприятии предусмотрены специальные шлюзы с обязательной санобработкой перед проходом на территорию, а для контроля длительности и качества прохождения этой процедуры используется машинное зрение на базе российской разработки Matller.

Из других внедрений ИИ на предприятии осуществлен пилотный проект по количественной и качественной оценке производительности труда каждого сотрудника. На головах у людей надеты шапочки с QR-кодом, и машина считывает информацию, а затем анализирует, за счет чего производительность труда у одного работника выше, чему у другого. Другое решение нужно для слежения за животными: видеокамеры отмечают, активны ли свиньи, хватает ли всем места для кормления и многое другое.

Взаимодействие бизнеса и ИТ за последние пару лет стало партнерским, уверен Алексей Леонов. Для каждого направления бизнеса в составе ИТ-подразделения есть ИТ-партнер — это специалист, имеющий большой опыт автоматизации данного направления и хорошо знающий рынок. Его основные задачи: выявление потребностей бизнеса по цифровизации, управление ожиданиями, выполнение функции единого окна по развитию ИТ для конкретного направления бизнеса.

Мы пришли к выводу, что переход к цифровизации для компании означает, что цифровые сервисы должны быть доступны каждому сотруднику, — отметил Алексей Леонов. — А основное, для чего нужна цифровизация, — принятие верных решений на основании оцифрованных данных.

Опытом кабельного завода по использованию искусственного интеллекта поделился Ян Анисов, заместитель генерального директора по развитию и инновациям, «Москабельмет». Предприятие занимает в нашей стране 1 место по изготовлению транспонированных проводов, аналогов которым нет в России, и 4 место по совокупному производству продукции.

Одно из первых внедрений искусственного интеллекта на заводе состоялось в 2021 году, когда было автоматизировано взаимодействие с клиентами по заказам продукции. До этого внедрения менеджерам приходилось читать всю почтовую корреспонденцию, открывать таблицы. Номенклатура продукции завода состоит из набора цифр и букв, так что не всегда можно четко идентифицировать, чего клиент хочет, а иногда клиенты еще и ошибаются, рассказывает Ян Анисов.

По итогам внедрения эффективность работы менеджеров повысилась на 30%. Кроме того, здесь начала работу система интеллектуального планирования APS. Она нужна для автоматизированного планирования производства продукции и позволяет не только оптимально использовать ресурсы предприятия, но и минимизировать потери времени за счет наилучшей последовательности операций.

Система APS внедрена весной 2023 года. За полгода производительность труда выросла на 14%, количество удовлетворенных клиентов увеличилось на 15%. Чистая прибыль выросла на 8% и на 46% снизилось время наладки оборудования.

Наше предприятие работает на очень конкурентном рынке, поэтому пять лет назад была принята концепция цифровизации всех процессов, в том числе с использованием искусственного интеллекта, — сказал Ян Анисов. — Это повышает производительность труда, дает рост показателей чистой прибыли. По итогам 2022 года получено свыше 500 млн рублей чистой прибыли, при этом доля искусственного интеллекта в эффекте от цифровизации — на уровне 40%.

Задачи цифровизации производства решает специальная компания, созданная в составе холдинга, отметил докладчик.

Помимо уже упомянутых решений, здесь также разработаны и внедрены программно-аппаратный комплекс «Сокол», являющийся системой контроля качества и «Ордер» — это система регистрации обращений и контроля территории предприятия. Оба продукта также используют элементы ИИ. Так, например, в «Ордере» используется Face ID, производится распознавание автомобильных номеров, управление шлагбаумами. Достигнутая годовая экономия на ФОТ от внедрения данного решения составила 5 млн рублей.

Про использование искусственного интеллекта на Авито рассказал Андрей Рыбинцев, CDO, «Авито», отметив, что «Авито» — это крупнейшая в мире электронная доска объявлений. Здесь насчитывается более 200 млн объявлений и 62 млн пользователей ежемесячно. В день проверяется больше 20 млн объявлений.

Для модерации такого объема информации понадобилось бы примерно 100 тыс. человек, но благодаря алгоритмам с использованием ИИ 99% решений по публикации объявления выносятся без участия людей. В компании работают 500 экспертов, которые подключаются лишь в самых сложных случаях. «Только работа с алгоритмами, данными может помочь решать задачи на таких объемах, как наши, — сказал Андрей Рыбинцев. — Успех нашего бизнеса строится на алгоритмах и работе с данными». Больше половины всех сессий (55%) на «Авито» — это просмотр ленты рекомендаций на главной странице, а большинство сделок на площадке являются результатом советов от «Авито». В целях персонализации все действия пользователя на ресурсе логируются и анализируются, после чего ему и делаются персональные предложения.

Для обеспечения безопасности пользования ресурсом здесь ежедневно анализируется 30 млрд кликов. Это помогает не только понять поведение пользователей на площадке, найти невидимые связи между профилями, но и определить, кто ее посещает: «бот» или «не бот». Нарушителей, осуществляющих повторную регистрацию, блокируют. Спикер подчеркнул, что все ML-системы разработаны специалистами «Авито» самостоятельно на Python и Go.

Новые специальности для работы с ИИ

О связи эффективности компании и управления на основе данных (Data driven) рассказал Сергей Иванов, управляющий директор по корпоративной архитектуре и управлению данными, «Ренессанс Страхование». Он напомнил о сложности оценки эффективности обслуживающих подразделений («непродающих») и обрисовал сервис-ориентированный подход, реализуемый в компании.

Основным инструментом в этом случае становится сбалансированный SLA, включающий в себя процессные, финансовые и клиентские метрики. Докладчик отметил, что главные показатели SLA — это клиентские метрики, для правильной выработки которых нужны данные изо всех источников.

Внедрение больших данных, искусственного интеллекта связано в нашей компании с необходимостью повысить эффективность, — сказал Сергей Иванов. — Для достижения эффективности к выработке метрик для SLA необходимо привлекать бизнес.

На старте проекта, в марте текущего года, выяснилось, что внутри компании оказывается 200 услуг, поэтому было выработано 400 метрик SLA. Результатом проекта стали дашборды для каждой горизонтали бизнеса, для 9 блоков и 21 бизнес-направления на основе корпоративного wiki-портала. Важно, что этими метриками стали пользоваться все участники бизнес-процесса. Сходимость показателей теперь достигается тем, что для выработки метрик и формирования финансовой отчетности используются одни и те же источники данных. Сергей Иванов также отметил, что одновременно с внедрением SLA в компании строится хранилище, происходит очистка данных, которые и используются для выработки нужных метрик.

О применении генеративных моделей искусственного интеллекта в группе компаний «Московская Биржа» рассказал Константин Нерадовский, руководитель направления развития инновационных технологий, «Национальный Расчетный Депозитарий» (НРД). Он осветил три кейса по использованию генеративной модели ИИ. Первый из них — автоматические ответы на клиентские запросы в горячий период, когда одновременно приходит множество обращений. До внедрения нового сценария ответ на запросы мог занимать полдня.

Второй сценарий использования ИИ — генерация описания вакансии с тем, чтобы вакансия не выглядела скучной, была интересной уже на этапе прочтения, а также генерация тестов для собеседования. Общеизвестная проблема заключается в том, что тесты утекают, попадают к соискателю до собеседования, поэтому не всегда известно, действительно ли человек подготовлен или просто заучил ответы.

Третий кейс сейчас находится в начале реализации. Речь идет о генерации пользовательских интерфейсов с помощью естественного языка. Проблема, которую планируется решить в рамках этого внедрения такова: интерфейсы для BPM-процессов разрабатывают слишком медленно. Идеальный вариант выглядит так: сотрудник надиктовал то, что нужно, на естественном языке, объяснил, какой интерфейс требуется, и сразу же получил работающее решение.

Уже появились новые специальности, например, люди, умеющие сформулировать вопрос, на который GPT даст правильный ответ, — отметил Константин Нерадовский. — Большая проблема языковых моделей GPT в том, что в их распоряжении находятся только исторические данные, а оперативных данных нет. Можно сказать, что модели ничего не знают о настоящем, они знают только прошлое. Для поддержания актуальности требуется постоянно их обучать. И еще одна проблема: вы не знаете, как работает эта модель, возможна утечка данных.

Анна Ширшова, управляющий директор (lead DS), управление моделирования розничного бизнеса, департамент анализа данных и моделирования, ВТБ, рассказала о применении методов искусственного интеллекта в этом банке.

Для начала спикер обозначила общие направления развития ИИ:

• новые архитектуры компьютеров;
• представление знаний и разработка систем, основанных на знаниях;
• игры и творчество;
• разработка естественно-языковых интерфейсов;
• распознавание образов;
• интеллектуальные роботы.

Затем Анна Ширшова перешла к практике банка. Нейросети здесь используются для противодействия мошенничеству, анализа новостных событий и отзывов, в документообороте, для создания чат-ботов, классификации обращений клиентов, транзакционной аналитики и для ряда других бизнес-процессов. Например, в стадии пилотирования работает решение для дистанционной оценки повреждений автомобилей на основе изображения. Эта комплексная система включает в себя несколько независимых модулей с понятным интерфейсом. Точность оценки решения выше человеческой. Система предназначена для страховых и каршеринговых компаний, и, по оценке спикера, — единственная в своем роде на российском рынке.

В 2023 году объем венчурных инвестиций в искусственный интеллект вырос даже в сравнении с криптовалютой, и ВТБ поддерживает этот тренд практическими внедрениями, — подчеркнула Анна Ширшова. — Сначала мы пытаемся решить задачу простым методом, потом постепенно усложняем.

Однако без экспертных корректировок качество использования ИИ значительно снижается. Докладчица отметила, что ранее в качестве решения для совместной работы и базы знаний в банке использовалась Confluence, а сейчас перешли на «Сфера.Знание».

И швец, и жнец — все грани ИИ

О том, как большие данные анализируются в футбольной организации, о конкретных кейсах и применяемых инструментах рассказал Евгений Линник, руководитель офиса по управлению и работе с данными, «Российский футбольный союз». В качестве BI-системы здесь используется открытое ПО Apache Superset v.1.0, также есть телеграмм-бот, через который можно заказывать BI-отчеты прямо на почту.

Источники информации для BI-решения используются как внутренние (данные об операционной деятельности, CRM, анализ поведения пользователей на сайте), так и внешние (данные о посетителях: регион проживания, пол, возраст, потребительские интересы и данные об объектах футбола, например, трансферах). В развитии BI-решения в компании продвинулись до разработки собственных чартов на JavaScript, реализации переходов между листами отчета, фильтрации по чартам, заказных главных страниц, встраиваемых чартов.

Основные задачи на перспективу таковы:

• создание спортивных отчетов на базе SuperSet;
• переделка реализованных отчетов с учетом требований к корпоративному стилю;
• встраивание отчетов и чартов во внутренние решения и системы РФС;
• разработка чартов для карт с необходимой детализацией и возможностью перехода на нужный лист при клике на регион;
• переход на SuperSet v.3.0.

Перечислил спикер и другие задачи, стоящие перед РФС. Например, тут планируют повысить точность базового разбора матчей. Основная проблема заключается в том, что для этого на футбольном поле необходимо размещать другое видеооборудование, которое позволило бы собирать данные всех игроков. Также в РФС строится FRM-система (Fan Relationship Management), которая будет собирать данные по болельщикам. Основная цель — привлечение людей на матчи. Главная же задача на текущем этапе — сбор данных и обеспечение их качества.

В завершение Евгений Линник рассказал о цифровой платформе РФС — заказной разработке, позволяющей отслеживать работу с профессиональными футболистами и любителями на всем пути их карьеры: от первого контракта до перехода в тренерский состав. Задача-максимум — научиться определять перспективность игроков, начиная с детского возраста.

Мы не так давно стали работать с данными — всего два года, — пояснил он. — Никакой референсной модели по работе с данными на рынке найти не удалось, так что строим сами. Специализированных решений для футбола на рынке почти нет, но мы не пытаемся всю экспертизу накапливать у себя, ищем решения, опробованные на футбольных данных, в том числе и в других странах.

Антон Шарин, руководитель направления разработки сервисов, ОХК «Уралхим», описал работающие в холдинге информационные технологии для создания интеллектуальных информационных систем.

В компании работает больше 20 цифровых моделей, на базе которых, в числе прочего, созданы советчики АСУ ТП, маршрутизаторы технической службы поддержки, реализовано извлечение котировок, обработка геоданных, прогнозирование корпоративных показателей. Докладчик подчеркнул, что большинство моделей встроены в потоки данных, они активно взаимодействуют по API с микросервисами, работают и с хранилищами данных.

Антон Шарин также перечислил характеристики платформы данных «Уралхима»:

• процессы MLOps;
• Infrastructure as a Code;
• гибридная инфраструктура;
• рабочее место для ML-инженера;
• интеграция потоков данных.

У нас много потоков данных и корпоративной тайны, поэтому пришлось решать вопросы на базе своей платформы данных, чтобы не было вопросов в плане безопасности. Вычислительные ресурсы для ML-моделей используем как внутренние, так и облачные, поскольку внутренних недостаточно, особенно — для дообучения моделей, — отметил выступающий.

С несколько неожиданным докладом про особенности использования искусственного интеллекта в медицине выступил Илья Тархов, руководитель направления эндоскопия, «Р-Фарм». Компания представляет в России бренд Fujifilm, который эволюционировал от изготовления фотопленки до производства оборудования и использования искусственного интеллекта в медицинских целях.

Илья Тархов отметил, что для исследования каждой части организма: толстой кишки, желудка и так далее — необходимо использовать свои технологии искусственного интеллекта. Далее он рассказал о CAD EYE — медицинском программно-аппаратном решении для исследования толстой кишки: со звуковой сигнализацией, с возможностью получения характеристики — доброкачественное или злокачественное образование найдено, и со шкалой, показывающей врачу степень уверенности системы в результате диагноза.

«С целью регистрации в России продукт CAD EYE был опробован на российском населении — 300 кейсов», — дополнил картину Илья Тархов. В настоящее время также идут разработки по созданию ПО для диагностики желудка, которое будет загружаться на то же оборудование.

Елена Жегулина, руководитель направления (Team Lead) BI&ML, Tom Tailor Russia, рассмотрела сервисы самообслуживания в аналитической сфере. Она напомнила аудитории, что Tom Tailor — это бренд в области одежды. Несколько лет назад в компании стали разрабатывать корпоративное хранилище. Начинали с проведения вводных встреч с сотрудниками, на которых обсуждались практические стороны работы с данными. Основной посыл: посмотрите в интернете, попробуйте сделать сами, а если не получится, то сделаем вместе.

На следующем этапе стали строить сложные модели. В результате здесь появилась мультиплатформенная аналитика, встроенные в системы коммуникации дашборды.

Мы ориентированы на развитие наших людей. Для этого требовалось дать аналитику как удобный и понятный инструмент для применения своих данных, — отметила Елена Жегулина. — Два года назад у нас было два энтузиаста, а сейчас 75% отделов вовлечены в создание дашбордов, и в трех отделах развивается наставничество.

Докладчица рассказала также об использовании машинного обучения с целью изучения поведения клиентов: частоты покупок, потраченных сумм, локации. В итоге клиентов распределили по 11 кластерам: от «чемпионов» до «оттока» — и поняли, что у каждого кластера свои особенности и потребности, поэтому нецелесообразно предлагать всем одно и то же.

После создания соответствующих кластеров в CRM-системе увидели перетекание клиентов из одного кластера в другой. Затем в компании стали пробовать гипотезы, запустили целевую смс-рассылку, получили высокую конверсию в покупки, причем конверсия была наибольшей после рассылки по трем наилучшим кластерам.

Каким языком с ним говорить?

О том, какие проблемы можно решить с помощью бота с искусственным интеллектом Easy Report рассказал Юрий Ефаров, генеральный директор, Sapiens solutions. Он обозначил функции искусственного интеллекта в бизнес-аналитике и исследовании больших данных. Таких функций может быть три. Предписательная — автопоиск скрытых закономерностей для последующего составления аналитических записок, предложения решений. Предсказательная — автоподбор статистических моделей. Описывающая — интеллектуальный поиск по данным, взаимодействие естественным языком.

Проблемы, озвученные докладчиком, таковы: есть сложности с масштабированием BI-платформ, а отчетность используется неэффективно. Эти проблемы снимаются при помощи сервиса Easy Report 2.0, который может использоваться как облачный сервис или устанавливаться на площадке заказчика. Он обладает следующими свойствами:

• доступность и простота (аналитика доступна в мессенджере);
• любые источники данных (база данных, CRM, ERP);
• удобная политика лицензирования;
• не требуется разработка отчетов.

Продукт обеспечивает простой и быстрый доступ к данным для большого количества пользователей, предоставляет отчетность для сотрудников и менеджеров, создает интеллектуальные рассылки.

Скорость изменений отчетности с Easy Report становится мгновенной, пользователи чаще работают с данными, поскольку мессенджером пользоваться им удобнее, — выделил преимущества использования бота Юрий Ефаров.

В заключение он рассказал о нескольких внедрениях бота. Так, в девелоперской компании «Самолет» после внедрения сервиса сократилось время ответа на вопросы клиентов, улучшился пользовательский опыт для всех сотрудников компании, выросла культура данных, возникла экономия бюджета.

О том, что такое обработка естественного языка (NLP, Natural Language Processing) и как она работает в BI, рассказал Игорь Пантелеев, технический директор, Easy Report. Использование обработки естественного языка для доступа к данным обеспечивает быстрый и простой интерфейс, самообслуживание при построении отчета, упрощает работу.

Игорь Пантелеев полагает, что использование большой внешней языковой модели chatGPT нецелесообразно, поскольку это дорого.

Ставить chatGPT в цепочку автоматической обработки данных, использовать большую языковую модель как внешний сервис на текущий момент развития нецелесообразно, — сказал он. — Внешний chatGPT тяжело поставить на своей площадке, дорого дообучать, есть вопросы и к качеству генерации SQL-запросов.

Лучше создать собственную небольшую языковую модель. Но чтобы NLP эффективно заработало, необходимо упростить задачи искусственного интеллекта. Именно так и работает Easy Report. С его помощью успешно решаются такие проблемы, как работа со сленгом, неоднозначность контекста, сложность запросов. Для работы с отчетом достаточно диалога в мессенджере. ИИ-модели помогают с выбором модели данных, также здесь доступен механизм push-уведомлений, осуществляется экспорт в популярные форматы данных.

Спикер привел примеры задач оптимизации с помощью NLP в бизнес-аналитике:

• поиск информации по каталогу данных;
• поиск информации по клиенту;
• просмотр операционной отчетности по ежедневному выполнению плана в магазинах;
• просмотр показателей и KPI департамента;
• рассылка ежедневных отчетов перед совещаниями.

Большому мозгу большие данные

О продукте CedrusData для обработки больших данных и его возможностях при использовании в аналитической платформе предприятия рассказал Владимир Озеров, генеральный директор, Querify Labs. Он перечислил общие проблемы платформ для хранения и обработки данных:

• озеро данных на основе устаревающего стека технологий Hadoop;
• корпоративное хранилище данных — дороговизна, дублирование данных;
• витрины — специализированные продукты, использующие ограниченный набор технологий;
• разрозненные интерфейсы, ограниченные возможности расширяемости.

Поддержание и развитие таких платформ трудоемко и дорого, а сложности нарастают при увеличении количества пользователей. Докладчик предложил следующее решение проблемы. Внутри платформ данных повторяются одни и те же действия по перемещению данных из одних систем в другие, и эти действия можно делегировать в отдельную сущность на базе CedrusData.

CedrusData — это распределенный SQL-движок на основе свободного проекта Trino для обработки больших данных из различных источников. Движок обеспечивает единый интерфейс доступа ко всем данным организации, эффективную работу озера данных. Он имеет высокую производительность, эластичную масштабируемость в облаке и на площадке клиента. Возможные области применения — интерактивный анализ данных поверх озер данных при помощи SQL, интеграция данных из разных источников.

CedrusData — это коммерческий форк Trino, развиваемый компанией Querify Labs, — пояснил Владимир Озеров. — Он содержит критические улучшения производительности и безопасности, а также расширенные возможности интеграции. Продукт состоит в Реестре российского ПО. Мы обеспечиваем помощь при его внедрении и поддержке.

Возможности лоукод-системы PolyAnalyst представил участникам конференции Дмитрий Гольцов, заместитель генерального директора, «Мегапьютер». Раньше основные задачи бизнес-анализа решались ИТ-специалистами, но сегодня актуальна демократизация работы с аналитикой, то есть делегирование возможности работы с данными бизнес-пользователям (self-service аналитика), что и выполняется при помощи лоукод-системы PolyAnalyst.

Три функциональных принципа платформы PolyAnalyst таковы:

• лоукод-подход — визуальное программирование реализуется через графический интерфейс;
• сквозная аналитика — как можно больше инструментов должно быть в плане загрузки-выгрузки данных, их исследования (Data Mining) и собственно бизнес-аналитики;
• внешняя и внутренняя интеграция аналитики.

Платформа позволяет бизнес-пользователям проводить аналитические исследования данных, оперативно проверять концепции. В подтверждение этого факта докладчик привел несколько кейсов. Так, три года назад PolyAnalyst внедрили в Счетной палате РФ, за счет чего достигнуто сокращение временных затрат в сотни человеко-часов: произошла замена ручного труда на анализ данных решениями на базе PolyAnalyst. Сейчас специалисты Счетной палаты самостоятельно написали 12 собственных аналитических решений для анализа данных. В их числе, например, анализ 10 тыс. расходных обязательств в части ссылок на нормативно-правовые акты.

«В платформе PolyAnalyst имеется встроенный интерпретатор, так что если лоукода не хватает, можно и программировать, имеется также встроенный планировщик», — отметил Дмитрий Гольцов. Выступающий также признал, что основные пользователи PolyAnalyst — это представители крупного бизнеса и федеральные органы власти, поэтому цены на лицензии «недемократичные», но недавно в этом плане пошли навстречу запросам и занялись адаптацией платформы для регионов.

Обзор кейсов внедрения искусственного интеллекта в разных отраслях на основе разработок компании «Сбер Бизнес Софт» представил слушателям Егор Сивков, исполнительный директор, «Сбербанк». Для начала он дал определение искусственного интеллекта — это способность имитировать когнитивные функции человека и получать при выполнении конкретных задач результаты, сопоставимые с результатами интеллектуальной деятельности человека.

«Эффективность модели искусственного интеллекта необходимо оценивать в сравнении с текущей эффективностью, а не в абсолютных значениях (90% или 95%)» — подчеркнул Егор Сивков и перечислил блоки задач, для решения которых подходит ИИ:

• классические временные ряды и машинное обучение (вернет ли заемщик кредит, стоимость акций через год и так далее);
• генеративные модели — взаимодействие на естественном языке;
• рекомендательные системы;
• компьютерное зрение.

Выступающий выделил два направления применения искусственного интеллекта: классификацию данных (сегментации клиентской базы и др.) и прогнозирование — а также обозначил барьеры для развития искусственного интеллекта. Среди них отсутствие данных, потребность в узких специалистах, локальность проекта, сжатые сроки исполнения, отсутствие опыта, отсутствие переиспользования функционала, идей, завышенная стоимость решения.

Егор Сивков призвал обращать внимание на решения, представленные на рынке, а также рассказал о нескольких внедрениях на основе разработок» Сбер Бизнес Софт». Так, с помощью системы видеоконтроля и аналитики в сети алкогольной продукции удалось резко снизить воровство. Еще один кейс — прогнозирование спроса на производимую агрокомплексом скоропортящуюся продукцию, что привело к снижению затрат на списание, улучшению оборачиваемости.

Про аналитические решения — продукты компании, работающие в русле импортозамещения, рассказал Эдуард Федечкин, эксперт по системам бизнес-аналитики, «Терн». «Искусственный интеллект необходим для того, чтобы помогать человеку, а не наоборот», — напомнил Эдуард Федечкин. Он представил участникам конференции систему поддержки принятия решений «ТернАналитика» и цифровую аналитическую платформу «ТернЮниверс».

«ТернАналитика» помогает искать информацию как во внутренних системах, так и во внешних источниках. Решаемые системой задачи:

• проверка деловой репутации, благонадежности, финансовой устойчивости, факторов риска контрагента;
• поиск связей между компаниями, учредителями и руководителями, сервис по построению «корпоративной семьи» со структурными, дочерними организациями и корневыми владельцами;
• автоматизированное формирование аналитических заключений в пакетном режиме;
• анализ рынка по данным из открытых источников, увеличение доли рынка;
• поиск надежных поставщиков и платежеспособных покупателей;
• возможность самостоятельного персонализированного аналитического исследования информации сотрудниками компании.

Цифровая аналитическая платформа «ТернЮниверс», в числе прочего, обеспечивает возможность миграции с BusinessObject. Оба продукта включены в Реестр российского ПО, подчеркнул спикер.

«Николай Иронов» и проблемы юридического характера

Опытом обучения нейросетей в облаке HPC PARK и практикой создания «цифрового дизайнера логотипов» поделились Андрей Селихов, директор по продажам провайдера, HPC PARK, и Никита Деменков, руководитель партнерской программы ironov.ai, «Студия Артемия Лебедева».

Андрей Селихов рассказал, что в 2021 году компания запустила собственное облако HPC-Park с веб-интерфейсом для обучения нейронных сетей. Готовые докер-контейнеры сделаны на собственных фреймворках, а основной задачей было создание GPU-сервиса по аналогии с Amazon.

Мы проходим с заказчиком весь путь от тестирования до внедрения и масштабирования нейросети, — отметил Андрей Селихов. — Сначала клиент готовит данные, загружает на нашу платформу, далее происходит сборка фреймворка и обучение нейронной сети.

В ходе презентации спикер продемонстрировал работу на платформе HPC PARK в режиме реального времени. Зрители увидели создание контейнера с диском определенного объема, GPU-ускорителем, выбором тарифного плана для расчетов за использованные вычислительные ресурсы. И все это посредством выполнения простых действий в веб-интерфейсе.

Никита Деменков рассказал про «Николая Иронова» — нейросеть для создания логотипов. Выяснилось, что можно создать такого цифрового дизайнера, который выполняет реальные бизнес-задания.

Мы автоматизировали верстку, шаблонизаторы, а потом задумались: как бы нам автоматизировать самого дизайнера. Коллеги из HPC Park предоставили нам мощности для разработки Николая Иронова — это дизайнер-нейросеть, предназначение которой создавать логотипы за несколько секунд, — рассказал докладчик.

Он тоже продемонстрировал в реальном времени, как именно работает сервис, создавая логотип по заданию клиента. Никита Деменков подчеркнул, что «Николай Иронов» может генерировать множество логотипов. По ходу работы можно менять цвета, шрифт, композицию, увидеть, как логотип будет выглядеть на пакетах, кофейных чашках, визитных карточек и даже на ракете. За три года промышленной эксплуатации у «Николая Иронова» появилась дополнительная функция — создание рекламных слоганов. Так что теперь это не только дизайнер, но и копирайтер.

На кадровой проблеме создания, внедрения и поддержки передовых ИИ-систем остановился в своем выступлении Глеб Шуклин, координатор стратегического комитета и R&D, «Ассоциация больших данных». Дефицит ИТ-специалистов только нарастает. Докладчик привел подтверждающую статистику: в 2019 дефицит составлял порядка 15 тыс. чел., в 2022 — 100 тыс. чел., в 2023 — 115 тыс. чел. Прогноз на 2024 составляет 130 тыс. чел., а в целом по отрасли ИТ нехватка кадров к 2027 году может выйти на уровень 2 млн человек.

Собственная разработка ИТ-продуктов предпочтительней для средних и крупных компаний, но для этого нужны опытные специалисты. «Кадры — важная составляющая цифровой экономики, в любом контексте, — сказал Глеб Шуклин. — Крупные компании решают проблему дефицита кадров концептуально — создают под себя кафедры, университеты, готовят специалистов и берут их к себе». Он отметил, что особенно не хватает творческих специалистов — владельцев продуктов, способных довести систему от производства до целевого покупателя на рынке.

Спикер представил слушателям коммерческий образовательный продукт «Ассоциации» — обучающий курс «Владелец продукта на данных», рассчитанный на пять месяцев. Докладчик подробнее остановился на содержании курса, который включает продуктовый, технический, экономический и ряд других разделов.

Экономичный подход к внедрению ИИ-решений посредством проверки гипотез на предварительном этапе предложил Дмитрий Тимаков, руководитель направления предиктивной аналитики, НОРБИТ. Прежде чем делать большое внедрение решения на основе искусственного интеллекта, следует проверять его целесообразность, используя два подхода: проверку гипотезы и создание прототипа на базе лоукод-платформы.

На этапе создания и проверки гипотезы фиксируются и визуализируются бизнес-процессы заказчика, изучается связь между источниками данных, включая источники данных из внешнего мира, способные повлиять на прогнозируемый признак. Затем создается гипотеза. Например, вероятность успешной сделки (допустим, купит клиент квартиру или нет) и принимается решение, где это будет внедряться. Также оценивается вероятная прибыль, минимальное качество модели, при котором модель будет приносить пользу.

Второй подход — быстрое прототипирование на базе лоукод-подхода. Преимущества использования лоукод-платформы для внедрения ИИ-решений таковы: упрощенная разработка, быстрая и гибкая настройка. Опытные специалисты тут не нужны. Спикер пояснил применение лоукод-подхода на примере работы группы поддержки.

Скоринг клиентов, сделок, рекомендательные модели, прогнозирование продаж, сегментация клиентской базы, прогноз оттока клиентов и сотрудников — типовые задачи, которые решаются в большинстве проектов по искусственному интеллекту, — отметил Дмитрий Тимаков. — Но даже в случае типовой задачи успех зависит от достаточности данных.

На проблемах размытости юридической ответственности искусственного интеллекта остановилась в своем докладе Елена Федорук, президент «Ассоциации юристов онлайн-бизнеса». Она сообщила, что сами интернет-ресурсы уже не всегда контролируют работу своих алгоритмов, и зачастую на вопрос, почему запрещена та или иная публикация ответ один — «это алгоритмы». Доходит даже до абсурда: искусственный интеллект, реализованный в алгоритме, может заблокировать за выдуманное нарушение авторских прав или за якобы неприличное изображение — например, футболку телесного цвета.

Елена Федорук сказала, что в последнее время получил распространение подход «а давайте»: правами искусственный интеллект наделим, а ответственности он нести не будет. Спикер считает, что такой подход неприемлем. Она предложила вариативность состава юридической ответственности, то есть отвечать должен кто-либо из «4П»: программист, производитель, правообладатель, пользователь — или все вместе.

Права — это отношения между людьми, — подчеркнула Елена Федорук, — И ответственность должны нести все, кто имеет отношение к созданию или эксплуатации искусственного интеллекта.

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

Easy Report - это российское BI-решение основанное на NLP технологиях, которое присылает бизнес-аналитику прямо в мессенджер пользователя.

• Easy Report подключается к любым источникам данных, в том числе к другим BI-системам
• Понимает запросы на простом языке (благодаря технологии NLP)
• Не требует длительной разработки отчетов и дашбордов.

Easy Report используют крупнейшие компании из таких отраслей, как ретейл,девелопмент, FMCG и др, чтобы мгновенно доставлять пользователям запрошенные данные.

Чтобы получить необходимую информацию, достаточно открыть мессенджер и отправить запрос в простой форме. В ответ Easy Report почти мгновенно пришлет данные, представленные в удобной форме - графика, таблицы, схемы и т.д. Это удобный инструмент для бизнес-пользователей (топ-менеджеров, РОПов, сотрудников и и.д.) Кроме того, он снижает нагрузку с аналитиков, так как делает простые отчеты вместо них. Easy Report был разработан компанией Sapiens solutions, которая с 2012 года реализует проекты, связанные с корпоративными хранилищами данных и системами отчетности (Arenadata, Greenplum, Clickhouse, Apache Superset, SAP и др.)

Компания входит в топ-7 крупнейших поставщиков BI-решений по версии Tadviser.

Сайт Easy Report - https://easyreport.ai/

• 13-ая конференция Big Data и BI Day
• 12-ая конференция Big Data и BI Day
• Artificial Intelligence Day 2022
• 11-ая конференция Big Data и BI Day
• 10-ая конференция Big Data и BI Day
• 9-ая конференция Big Data и BI Day
• 8-ая конференция Big Data и BI Day
• Системы искусственного интеллекта 2020
• 7-ая конференция Big Data и BI Day
• 6-ая конференция Big Data и BI Day
• Системы искусственного интеллекта 2019
• 5-ая конференция Big Data и BI Day
• 4-ая конференция Big Data и BI Day
• 3-ия конференция Big Data и BI Day
• 2-ая конференция Big Data и BI Day
• 1-ая конференция Big Data и BI Day