Илья Ким: Цифровая трансформация: аппетит приходит во время еды

Илья Ким имеет большой опыт работы в ИТ. Много лет руководил проектами в крупных системных интеграторах, внедрял решения полного цикла для государственного сектора и корпоративного рынка: среди них инфраструктура «Электронного правительства», проект «Безопасный город» в Уфе, инфраструктура для универсиады в Казани, ситуационно-кризисный центр «Росатома», цифровизация горнодобывающего предприятия и большого кол-центра. Затем создавал гибридные дата-центры, организовывая эксплуатацию и размещение в них информационных систем, решал задачи информационной безопасности. Сегодня он в собственной компании занимается аналитикой данных, инструментами блокчейн и искусственным интеллектом.

Ранее в статье, посвященной цифровизации бизнеса, Илья назвал несколько зрелых технологий, готовых к реальному применению прямо сейчас, перечислил сложности внедрения и способы снижения рисков. Учитывая актуальность темы, мы решили раскрыть ее глубже и задали эксперту ряд дополнительных вопросов.

Облака давно используются во многих отраслях бизнеса. Но в последнее время все чаще упоминается Advanced Cloud Computing как единая концепция, и вы обозначили ее в своей статье. Почему, на ваш взгляд, возникла потребность в «продвинутом» облаке?

Advanced Cloud Computing – это эволюция обычного облака. Если традиционное облако используется для хранения данных, то в Advanced Cloud Computing можно, например, арендовать облачные мощности с сертификатом PCI DSS или с аттестатом на соответствие уровню защиты      для обработки персональных данных. Также это могут быть гибридные конструкции, когда часть инфраструктуры расположена локально, а часть – у коммерческих облачных провайдеров. Возможен больший уровень абстракции, например при внедрении контейнерных решений, когда пользователю предоставляется набор стандартных блоков, достаточно абстрагированных от инфраструктуры и даже от операционных систем. То есть по сути это изменение характеристик самой инфраструктуры. Кроме того, Advanced Cloud Computing предполагает предоставление сформированных высокоуровневых облачных сервисов. Пользователю не нужно проходить классический путь формирования системной части сервиса – покупать инфраструктуру, инсталлировать      на нее платформу, софт, вместо этого он получает всё необходимое по модели SaaS. Например, таким образом можно развернуть системы обучения нейросетей. Или «Интернет вещей», когда к облаку подключаются реальные устройства, сенсоры, датчики и  т. д.. Помимо этого, для работы с большими данными обычно нужна своя инфраструктура с уникальными характеристиками, которая поставляется на заказ с определенным сроком ожидания и значительным ценником. А облако дает возможность сразу организовать необходимую инфраструктуру в нужном объеме для быстрого запуска проектов Big Data.

Для проектов с Big Data характерны объем, скорость и вариативность. При этом имеется большой входящий поток информации, необходимость структурированного хранения и, наконец, множество различных форматов. На что в первую очередь обращать внимание при реализации такого проекта? Как обойти узкие места?

За счет различных форматов Big Data и получается неструктурированность. Поэтому прежде всего нужно обращать внимание на результаты проекта, которых хочется достичь. То есть сформулировать цели и требования к проекту, а затем выбрать методики обработки информации для достижения этих целей. Это могут быть искусственный интеллект, машинное обучение, потоковый анализ. Выбрать то, что даст результат в обозримом будущем и уложится в плановые сроки проекта. Необходимо определить масштаб и объем данных, которые будут собираться. После того как определены цели, задачи, инструменты, методы анализа, сроки и объемы, начинается следующий этап. В это время выбираем платформу. Готовых платформ – десятки, можно найти под любые потребности. Затем определяем место хранения: у себя или в облаке в зависимости от критичности данных, внутренних политик и близости к системам анализа. И наконец, обязательное требование к проекту –  защита данных. Чтобы они не утекли наружу и чтобы их нельзя было использовать против компании.

Вы активно занимаетесь сегодня технологиями искусственного интеллекта. Его области можно перечислять долго, при этом их количество непрерывно растет. Но у каждой медали есть и обратная сторона. Какие риски влечет за собой внедрение систем с ИИ и как их минимизировать?

Это в первую очередь несанкционированный доступ к каким-то конфиденциальным данным, на которых ИИ обучался. Несовершенство алгоритмов, несоответствующие средства защиты, проблемы с разграничением доступа, отсутствие шифрования могут дать доступ злоумышленникам к чувствительным данным, которым ИИ обладает. Любой инструмент может использоваться как во благо, так и во зло. Хакеры вполне освоили инструменты искусственного интеллекта в своей деятельности. Кроме того, есть еще риск принятия ошибочных решений, основанных на искаженных или неполных данных. Особенно это чувствительно для управления физическими объектами в реальном мире, что может угрожать жизни и здоровью людей. Возможны и этические проблемы, например если ИИ при обучении берет дискриминационные данные. Тогда он будет продолжать дискриминацию. Популярна тема, что внедрение ИИ приведет к сокращению рабочих мест, из-за того что рутинные операции будут отданы роботам. Хотя я считаю, что в этом случае люди смогут заниматься более творческой деятельностью. Еще один риск – использование инструментов влияния для манипуляций и пропаганды. Робот способен завалить пропагандой так, что человек просто не сможет фильтровать информацию. Причем эту информацию искусственный интеллект сам же и будет генерировать. Так что есть технические, этические и социальные проблемы. Но это не отменяет пользу, которую он может принести. Для того чтобы избежать большинства проблем, нужно просто о них не забывать и при создании интеллектуальных информационных систем их учитывать. Необходима нормативно-правовая документация, регулирующая использование ИИ-решений: классификация, допуск к управлению объектами и т. д. Эта документация должна также включать проверку на этическую корректность обучения ИИ. Считаю, что при плавном внедрении можно значительно снизить риски его использования.

Поговорим про кейсы. Расскажите о своем опыте внедрений с искусственным интеллектом.

Могу привести в качестве примера проект внедрения кол-центра, где было использовано решение, которое распознает эмоции человека при общении с оператором. В зависимости от этих эмоций оператору выдаются подсказки, позволяющие более корректно и продуктивно общаться, уменьшая, таким образом, долю негативных отзывов, и сократить время разговора. Кроме того, был сделан тренажер, где операторы учились общаться с людьми, пребывающими в разном эмоциональном состоянии. Данная система помогла уменьшить также выгорание самих сотрудников кол-центра, так как они были уже подготовлены к разным ситуациям.

Другой проект – использование систем ИИ в информационной безопасности в крупной компании с 15 миллионами клиентов, которая предоставляла цифровые сервисы для 300 информационных систем, и она же была оператором дата-центров, где эти ИС находились. Имелись критически важные данные, которые надо было защищать, и персональные данные пользователей. Плюс надо было обеспечить круглосуточную доступность всех сервисов. В этой компании мы внедряли систему ИБ по модели ZERO Trust, создавали SOC, который анализировал угрозы и подсказывал операторам, как на них реагировать. Можно сказать, что в SOC использовались Big Data, так как количество защищаемых объектов превышало 500 тысяч. Из них 400 тысяч – персональные компьютеры, а это в принципе объект с низкой гигиеной ИБ: несвоевременное обновление антивирусных баз, флешки, которые до этого где только не были, пароли, записанные на бумажке и приклеенные к монитору, и т. д. Вручную физически невозможно было обработать ежесекундный поток сообщений о нарушениях кибербезопасности с такого количества «грязных» объектов.      Именно с помощью искусственного интеллекта мы смогли, во-первых,      отфильтровать значимые сообщения об угрозах от потока «спама» о низкой гигиене ИБ и, во-вторых, внедрить базовый уровень гигиены ИБ, а после локализации и типизации пользовательских активностей были внедрены организационные меры для повышения уровня защищенности.      Количество событий, которые стали доходить      до оператора, было сведено к минимуму. И речь шла только о значимых событиях, которые нельзя купировать. Искусственный интеллект проводил анализ всех уровней, начиная с физических и заканчивая прикладными, анализ корневой проблемы, наглядно и быстро предоставлял информацию  дежурной смене, чтобы та могла максимально эффективно реагировать на инциденты     .

Еще один пример из реального сектора экономики. На горнодобывающем предприятии мы внедряли комплексную систему управления предприятием, которая охватывала открытую добычу, добычу в шахтах, а также лаборатории, обогатительные фабрики, продажи и отгрузку – полный цикл производства. Цифровизация повысила точность  в производстве продукции требуемого качества и объема, скорость обработки заявок и отправки продукции заказчикам. На транспортных средствах были установлены модули с датчиками и интегрированными «цифровыми советчиками», которые обеспечивали двусторонний обмен информацией с системой управления трафиком на карьере, работавшей на основе ИИ и предиктивной аналитики, что помогало значительно сократить расход топлива, увеличить ходимость шин и практически исключить холостые пробеги. А система детектирования людей, находившихся в карьере, позволяла избежать наезда на них.

Какие проекты, на ваш взгляд, наиболее сложны при внедрении?

Те, в которых участвует много сущностей. Это могут быть физические объекты, конечные устройства, это персонал, который будет работать по-новому, это количество процессов, которые нужно оцифровать. Другая группа сложных внедрений –  проекты оцифровки комплексных процессов, которые происходят в реальном времени и которые в проекте цифровизации необходимо пересматривать и трансформировать. Сначала нужно понять, какие процессы в компании происходят и как возможно их оптимизировать, не разрушив живой бизнес. Зачастую надо строить параллельную систему, отрисовывая процессы, заносить их в систему, а потом пересматривать и пересогласовывать, а это значительные проектно-организационные сложности. Технологических сложностей значительно меньше, и в основном они связаны с интеграцией какого-то наследуемого оборудования на устаревших производственных мощностях.

В статье по цифровой трансформации вы уже объяснили, зачем она нужна бизнесу. Но по факту уровень цифры в компаниях очень разный. Сколько компаний можно назвать в России цифровыми?

Мне кажется, все компании в той или иной мере уже цифровизировались, поскольку любой бизнес, переживший ковид, смог обеспечить жизнеспособность при физической недоступности своих сотрудников в офисе, предоставив им удаленные рабочие места, а это уже по меньшей мере базовая цифровизация. Поэтому практически все компании готовы к цифровизации и, скорее, думают, какой следующий шаг им сделать в этом направлении. Исследования российских информационных агентств, Высшей школы экономики говорят о том, что в России порядка 15% компаний имеют высокий уровень цифровизации, 70% – средний и процентов 15 – низкий уровень. Так что Россия входит в топ-10 стран по этому показателю в мире.

А как определить уровень цифровизации компании и что нужно для его повышения? Выбирать технологии?

В первую очередь нужно смотреть на компанию, технологии сами по себе результатов не дадут. Есть конкретный бизнес, у которого есть какая-то зрелость в определенной сфере. Какие-то процессы у этого бизнеса уже цифровизированы, какие-то – нет. Даже если взять два бизнеса, работающих в одной сфере и имеющих условно равный уровень зрелости, все равно фактические проблемы каждого будут зависеть от специфики и будут отличаться, поэтому наибольший эффект даст применение тех технологий, которые решат эти проблемы прямо сейчас. Скажем, кому-то надо повышать продажи, используя датамайнинг и анализируя процессы продаж, а у кого-то высокая травматичность на производстве – ему нужно выстроить цифровое обучение сотрудников, повысить эффективность обучения технике безопасности. Для оценки результатов надо брать живой кейс конкретного бизнеса и оценивать его.

Каков порядок действий дальше?

Как я уже сказал, нужно посмотреть на существующий бизнес, понять, что у него болит, и выбрать технологии, способные быстро закрыть текущие проблемы. Например, обучение технике безопасности: цифровизация этой сферы не требует больших затрат, сама информация, которой сотрудников нужно обучить, уже сформирована, есть в открытом доступе и даже существуют сервисы, которые оцифровали данную информацию и создали модель обучения, – нужно просто купить готовое решение и внедрить его на предприятии. Во вторую очередь имеет смысл применять технологии, которые нельзя купить «коробочно», а нужно обогащать данными, специфичными для бизнеса. То есть нужно будет собрать данные внутри компании, а затем уже взять готовую технологию и интегрировать туда эти данные, например по роботизации процессов или аналитике данных. Собираем данные для Big Data и дальше выстраиваем процесс их анализа в зависимости от задач компании: для повышения эффективности производства, для увеличения продаж, для конкурентного анализа и т. д. И в третью очередь имеет смысл реализовать долгоиграющие проекты, требующие предварительных исследований или трансформации процессов при внедрении, то есть решения, которые применяются в тяжелых отраслях экономики: в индустриальном производстве, при разработке месторождений, в обрабатывающей промышленности. Например, при создании цифровых двойников предприятий – на их основе можно будет виртуально тестировать и запускать процессы, что позволит сэкономить время, бюджет и повысит безопасность. При выполнении работ на данном производстве цифровой двойник даст возможность предварительно протестировать процессы на виртуальной модели и выбрать оптимальные варианты, которые затем реализовать «в физике». Итого три очереди: первая – лечим, что болит сейчас, коробочными решениями; вторая – коробочные решения, обогащенные специфичными данными, которые на выходе дадут аналитику проблем; и третья – долгосрочные проекты, связанные с трансформацией существующих процессов или проектированием новых процессов, требующих достаточно кропотливой аналитической и архитектурной работы.

Во многих компаниях цифровизация осложняется неготовностью руководства к изменениям. Какие аргументы может привести ИТ-директор, чтобы продемонстрировать плюсы цифры?

Здесь достаточно стандартная ситуация. Руководство не готово к изменениям, когда оно не понимает, зачем их проводить, если и так всё работает и бизнес пока на плаву. Это стандартный подход руководителей. В этом случае ИТ-директору нужно понять, какие насущные проблемы существуют, наложить на эти проблемы возможные решения цифровизации и помочь бизнесу увидеть новые возможности. У компаний всегда есть проблемы, а ИТ-директор сможет показать, как эти проблемы решить и какой конкретно будет результат. А дальше аппетит придет во время еды: руководство увидит живой эффект от цифровизации и само начнет генерить идеи новых проектов. Главное – изменить видение руководства.