Исследование: Проникновение решений на базе искусственного интеллекта в российских компаниях

Основная статья: Искусственный интеллект (ИИ, Artificial intelligence, AI)

Глобальная динамика инвестиций и проектов с использованием ИИ

По прогнозу PricewaterhouseCoopers (PwC) ускоренное развитие и проникновение ИИ обеспечат к 2030 году увеличение мирового ВВП на 14%. Глобальный институт McKinsey ожидает, что около 70% компаний внедрят как минимум один тип технологии искусственного интеллекта к 2030 году. В 2020 году, как показал опрос Gartner, более 50% респондентов-CIO планируют развернуть ИИ в своих компаниях – на 14% больше, чем по итогам аналогичного опроса годом ранее.

В исследовании, проведенном New Vantage Partners, главные специалисты по работе с данными и решениями ИИ отмечают негативные последствия отказа от инвестиций в такие проекты, так как новые игроки могут получить с помощью этих технологий конкуретные преимущества для прорывного роста. В этой связи 88% респондентов считают сегодня необходимым инвестировать в большие данные и ИИ-решения, и лишь 5% ориентируются на снижение затрат в этом направлении. 92% опрошенных руководителей видят позитивные эффекты от ИИ-проектов в новых трансформационных возможностях и высокой динамике развития бизнеса.

В исследовании BCG и MIT Sloan Management Review, 9 из 10 респондентов согласны с тем, что ИИ представляет новые бизнес-возможности для их компаний. В то же время, 37% из них отмечают риски таких проектов. О сложностях в реализации инициатив в области больших данных и искусственного интеллекта говорят и 77% руководителей компаний из разных стран, опрошенных SAS.Как DevOps-сервис помогает «разгрузить» высоконагруженные системы BPMSoft 2.1 т

Примеры использования ИИ в глобальной практике:

• Royal Bank of Scotland: интеллектуальный анализ текста для работы с жалобами клиентов.
• Honda: прогнозирование спроса на запчасти и оптимизация затрат на логистику.
• Lockheed Martin: отслеживание рабочего состояния самолетов, предикативные ремонты.
• Amazon: отслеживание выбора покупок и списание оплаты с помощью умных тележек.
• Стэнфордский университет: прогнозирование лесных пожаров.
• Singapore Aquaculture: мониторинг здоровья рыб на плавучей ферме.

Как показало глобальное исследование Microsoft «Бизнес-лидеры в эпоху ИИ» (Business Leaders in the Age of AI), российские руководители сегодня используют возможности ИИ для бизнеса активнее, чем их коллеги за рубежом. В опросе участвовали 800 топ-менеджеров крупных компаний из Франции, Германии, Италии, Нидерландов, России, Швейцарии, Великобритании, США (выборка – 100 респондентов на страну). В среднем по миру ИИ внедряют 22,3% компаний, а в России – 30% (для сравнения, во Франции – 10%). Российские директора продемонстрировали и более высокую готовность к развитию новых навыков в области ИИ: 90% выразили желание получить профессиональную поддержку для более эффективной работы с этой технологией (в мире - 67,3%).

Среди основных приоритетов использования ИИ российские респонденты Microsoft указали постановку правильных целей (32%), разработку бизнес-идей (26%), определение новых возможностей рынка (25%) и принятие решений (23%). Бизнес привлекает сама возможность трансформировать работу в самых разных направлениях с помощью ИИ, вовлекая инновационные технологии и экспертизу.

Опрос TAdviser: внедрение решений с использованием ИИ в российских компаниях

* Выборка. Было опрошено 100 компаний (крупный и верхний сегмент среднего бизнеса) из более 10 отраслей экономики (финансы, телеком, промышленность, ритейл, госсектор и др.).

* Методика. Методика опроса разработана совместно с экспертами ПАО Ростелеком.

Российский рынок искусственного интеллекта за последние два года стал более зрелым, и сегодня решения ИИ - в фокусе внимания крупного бизнеса и государственных организаций. Их популяризации способствовало технологическое развитие, а также накапливаемый опыт успешных проектов ИИ у крупных игроков-первопроходцев (Сбербанк, ВТБ, X5 Group, Магнит, Газпром нефть и др.). Именно эти компании являются крупнейшими держателями ИТ-бюджетов и обладают сформированной высокопроизводительной инфраструктурой, не ограничивающей запуск нагруженных ИИ-проектов. Реализуемые ими инициативы за последнее время демонстрируют возможности по улучшению процессов с помощью ИИ.

Компании из разных отраслей экономики сегодня сталкиваются с необходимостью трансформации, обусловленной проникновением цифровых технологий и ростом объемов данных. Конкурентное преимущество здесь могут обеспечить интеллектуальные алгоритмы – как в части увеличения дохода, так и в части оптимизации издержек. К настоящему моменту российский бизнес уже достаточно хорошо понимает преимущества применения ИИ - для повышения производительности труда и качества обслуживания клиентов, создания новых продуктов и пр.

Специфика использования ИИ-решений для внутренних задач

По данным TAdviser на конец 2020 года более 85% крупных российских организаций (включая ведущие операционную деятельность в России зарубежные предприятия) используют, в том или ином объеме, ИИ-решения для оптимизации внутренних бизнес-процессов. Эти организации представляют в основном финансовый сектор, телеком, ритейл, ИТ, промышленность и нефтегаз.

Уровень использования ИИ-решений компаниями для задач оптимизации

Компании, которые пока не используют ИИ-решения, ссылаются главным образом на непонимание возможных эффектов от них (42%), а также на низкую рентабельность таких проектов (41%). Преимущественно это компании, представляющие верхний сегмент среднего бизнеса, располагающие меньшими финансовыми возможностями (в сравнении с цифровыми «чемпионами»), из промышленности, ИТ, банков и ритейла. В то же время более 60% организаций из этой группы респондентов подтверждают свои планы запуска ИИ-инициатив в ближайшем периоде.

Причины отказа от использования ИИ-решений

С учетом высокой сложности ИИ-проектов, их требовательности не только к инфраструктуре, но и к экспертизе, большинство компаний (54%), даже разрабатывая ИИ-решения самостоятельно, прибегают к закупке интеллектуальных продуктов у внешних игроков. В первую очередь внутреннюю разработку развивают и усиливают крупные компании – в сегментах телекома, ритейла, финансов и промышленности.

Александр Ефимов, заместитель директора по развитию бизнеса SAS Россия (САС Институт)/СНГ:

Основная сфера применения ИИ в российских организациях - во-первых, это всё, что связано с обслуживанием клиента: интерактивные помощники по выбору товара или услуги, голосовые помощники, чат-боты. Из того, что остается за кадром, не видимым для конечных пользователей, сейчас эволюционируют системы клиентской аналитики, стали применяться самообучающиеся модели, которые учитывают изменения в структуре потребностей клиента. Во-вторых, это активное развитие систем противодействия мошенничествам, рост которых спровоцировала пандемия. Компаниям в разных отраслях, не только в банках, нужно отвечать на этот вызов. В-третьих, это развитие цифровых двойников во множестве индустрий – от производства фармацевтических препаратов и добывающих предприятий до сельского хозяйства и капитального строительства. Подробнее...

Подходы к разработке/приобретению ИИ-решений для внутренних задач

Как правило, компании-заказчики ориентируются на лучшие практики и наиболее технологически зрелые решения. В случае не ограничиваемого выбора большинство респондентов (80%) приобретают продукты как российских, так и зарубежных поставщиков. Ограничены в закупке зарубежных решений сегодня могут быть организации госсектора, а также владельцы критической инфраструктуры – в энергетике, нефтегазе, промышленности; в том числе, компании, попадающие под санкционные риски.

Подходы к приобретению ИИ-решений

При разработке продуктов или обучении алгоритмов компании-респонденты применяют достаточно широкий спектр данных. Подавляющее большинство использует в решениях, ориентированных на задачи внутренней оптимизации, те данные, которые возникают в результате их операционной деятельности (83%). Ввиду того, что часто технологии ИИ востребованы в процессах, направленных на трансформацию клиентского обслуживания, около 80% респондентов (в том числе, представляющих банки, ритейл и телеком) отмечают, что используют данные клиентов своих компаний. Более половины подтверждают задействование внешних данных, в том числе, партнеров или поставщиков, а также данных из открытых источников (в транспортной сфере, ритейле, в меньшей степени – в промышленности).

Данные, используемые для разработки ИИ решений и обучения алгоритмов

Около трети опрошенных компаний затрудняются с оценкой эффектов от внедрения ИИ-решений, либо еще не проводили ее – в случае недавно стартовавших проектов. Эти эффекты могут быть выражены как в росте выручки, так и в сокращении расходов. Пока лишь 3% таких компаний фиксируют эффект в размере более 10 млрд руб.

Евгений Колесников, руководитель Центра машинного обучения «Инфосистемы Джет»:

Искусственный интеллект решает конкретные задачи бизнеса, показывая хорошие результаты: -5 % себестоимости товара на производстве, +15 % эффективности рекламной кампании и т.д. Бизнес идет туда, где есть деньги, поэтому сейчас компании, которые могут себе это позволить, делают внедрения ИИ. Это дает им конкурентные преимущества, которые сыграют в ближайшем будущем решающую роль. Подробнее...

Совокупный эффект от внедрения ИИ-решений у компаний-респондентов TAdviser составил по итогам 2019 года около 60 млрд руб. (более 27 млрд руб. составил дополнительный доход и более 31 млрд руб. – полученная экономия).

При этом озвучиваемая респондентами оценка в большинстве случаев (79%) носит оценочный (субъективный) характер. Лишь 18% компаний располагает официальной оценкой ИИ-проектов, проведенной их внутренними финансовыми службами (как правило, они же согласовывают и запуск подобных инициатив). В первую очередь это свойственно телеком-операторам и промышленным компаниям.

Оценка эффекта от внедрения ИИ-решений для компаний в 2019

Более 50% опрошенных компаний впервые получили эффекты от ИИ-решений в 2018-2019 гг., тогда же стартовала и национальная программа «Цифровая экономика РФ», многие инициативы которой связаны с увеличением проникновения ИИ в деятельности предприятий и государства. Отмечается некоторый прирост компаний, получивших первые эффекты в 2019 году, относительно 2018 года.

Количество компаний, впервые получивших финансовые эффекты от внедрения технологий ИИ (% от опрошенных, по годам)

Более 90% респондентов не ожидают сокращения эффектов от внедрения ИИ на фоне пандемии по итогам 2020 г. Многие эксперты делают обратный прогноз, предполагая, что изменения в экономике и переход все большего количества процессов онлайн будут только стимулировать спрос на аналитические решения и алгоритмы для оптимизации процессов и повышения эффективности бизнеса. А применение таких технологий, как биометрия на основе ИИ, поможет сократить количество контактов и обеспечить использование дополнительных факторов защиты (например, распознавание голоса) на удаленных каналах обслуживания. Уменьшение же эффектов от ИИ возможно будет скорее в случае снижения каких-либо ключевых показателей – например, размера аудитории, количества сотрудников в офисах (для эффекта от распознавания лиц в системах видеонаблюдения) и т.д.

Денис Афанасьев, директор центра компетенций больших данных и искусственного интеллекта ЛАНИТ, генеральный директор компании CleverDATA

Высоким спросом сегодня пользуются аналитические модели анализа временных рядов на базе нейронных сетей. Большое количество задач связано именно с таким типом данных, в основанном с анализом показаний различных датчиков и информации IoT. Популярность набирают графовые алгоритмы, особенно в задачах, связанных с анализом взаимодействия людей. Хотим отметить кейсы по предиктивному мониторингу промышленного оборудования. Наши специалисты разработали комплексный подход для идентификации аномальных режимов работы электрогенерирующих турбин, которые позволяют снизить время простоя оборудования и повысить его эффективность. Подробнее...

Прогноз сокращения эффектов от ИИ в связи с пандемией 2020

93% респондентов утверждают, что их компании не сокращали рабочие места из-за внедрения ИИ. Ряд экспертов отмечают, что на текущем этапе развития технологии позволяют эффективно перераспределить рутинные и сложные задачи, передавать часть из них машинным алгоритмам, стимулируя сотрудников развивать новые профессиональные навыки (в том числе, работы с ИИ). В случае же компаний-разработчиков ИТ-решений - по мере усиления ИИ-практики штат сотрудников, наоборот, расширялся, либо расширяется в настоящий момент.

Размер внутренних команд, которые реализуют ИИ-проекты, варьируется от 10-30 до 70-100 и более человек – в зависимости от размера компании, ее финансовых показателей, от того, как долго она занимается развитием внутренней разработки и конкретно - ИИ-решений, а также в зависимости от того, разрабатывает ли она их для продажи на внешнем рынке. Самые крупные команды сосредоточены в больших структурах, много лет последовательно наращивавших свои ИТ-отделы – в финансовой сфере, ритейле или промышленности.

Практика применения ИИ в российских компаниях: кейсы

Наиболее активно внедряют и используют решения с искусственным интеллектом российские банки, телеком компании, ритейл, нефтегаз и промышленность. Как показал опрос TAdviser, в случае компаний В2С сегмента наиболее используемым типом решений на базе ИИ являются виртуальные помощники или чат-боты (для обслуживания клиентов), а также предиктивная аналитика для задач персонализации предложения или сервиса.

Помимо этого, телеком-операторы запускают ИИ для снижения оттока, прогнозирования нагрузок на сеть и выявления мошенничеств. Ритейл использует возможности ИИ для повышения качества взаимодействия с клиентами, товарных рекомендаций, оптимизации складской логистики.

Александр Долгов, заместитель генерального директора ПГК по информационным технологиям:

Используя модели машинного обучения (наибольшую точность показали модели машинного обучения, основанные на методе GBDT - Gradient Boosted Decision Trees), уже сегодня мы с высокой точностью прогнозируем время вагонов в пути. Планируем использовать этот опыт в различных цифровых продуктах компании. Например, в ближайшее время интегрировать прогнозную ML-модель в B2B-систему «Личный кабинет клиента ПГК». Рассчитываем, что это поможет клиентам повысить качество планирования грузовых операций на станциях и, как следствие, сократить простои вагонов и оптимизировать их производственный цикл в целом. Подробнее...

Банки, взаимодействующие как с В2С, так и с В2В клиентами, используют инструменты, ускорящие принятие решений (например, в скоринге), рекомендательные сервисы (например, рекомендации банковских продуктов с использованием знаний о клиенте из социальных сетей, рекомендации контрагентов на основе В2В связей клиентов, робоэдвайзинг в онлайн-трейдинге), а также технологии распознавания образов для повышения безопасности (например, биометрия).

Илья Щиров, руководитель развития канала чатов Райффайзенбанка:

Автоматизация канала чатов – одно из направлений применения технологий ИИ в банке. В 2020 году мы запустили собственную бот-платформу, которая объединяет чат-бот для работы с тестовыми обращениями, а также голосового ассистента для автоматизации входящей линии (голосовой IVR, понимающий свободную речь). Платформа отвечает за «интеллект» ассистента, логику ответов. Подробнее...

Промышленные предприятия и ТЭК используют рекомендательные системы, с диагностикой нетипичного поведения оборудования и прогнозированием его выхода из строя, предсказанием риска поломок и исчерпания ресурса техники на основе мониторинга текущих процессов, рекомендациями по оптимизации (например, в управлении тепловыми режимами), превентивным ремонтам и пр.

Алексей Винниченко, руководитель центра аналитики, СИБУР Диджитал:

СИБУР несколько лет развивает направление продвинутой аналитики. Мы собираем и изучаем параметры технологических режимов на производстве: температуру, давление, количество сырья – и данные для бизнес-процессов: котировки на продукцию, биржевые сводки, внешние рыночные факторы. Сбор данных происходит на базе ML-платформы в центре аналитики СИБУР Диджитал. На основе анализа данных мы создаём самообучающиеся рекомендательные системы и системы поддержки принятия решений. Цифровые инструменты продвинутой аналитики помогают прогнозировать внеплановые остановы, оптимизировать технологические режимы для снижения издержек, повышать качество и увеличивать объёмы выпускаемой продукции, прогнозировать стоимость продукции на основных рынках. Подробнее...

Илья Арсентьев, директор по информационным технологиям Pony Express:

В крупных логистических компаниях искусственный интеллект может использоваться во всех процессах, связанных с огромными объемами данных и ориентированных на большое количество обслуживаемых клиентов. В Pony Express искусственный интеллект применяется для распознавания и стандартизации адресов доставки, автоматического планирования оптимальной сети курьерских маршрутов, для обслуживания клиентов и анализа качества работы операторов в контакт-центре. Подробнее...

Помимо отраслевой специфики, есть своего рода универсальные ИИ-решения, которые используются с целью повышения эффективности документооборота, решения задач бухгалтерии, юридического отдела, HR или Service Desk.

Разработка ИИ-решений «на продажу»

30% опрошенных TAdviser компаний занимается разработкой ИИ-решений для продажи сторонним организациям. Помимо собственно ИТ-компаний, в их число входят также телеком-операторы, отдельные банки, интернет-ритейлеры и промышленные компании.

Около 70% таких поставщиков специализируются на рекомендательных системах и системах поддержки принятия решений; более 50% - на технологиях компьютерного зрения и 48% - на обработке естественного языка. В данной выборке чуть более трети специализируются на решениях в области распознавания речи.

Субтехнологии, используемые в ИИ-продуктах

Компании сохраняют традиционную закрытость в отношении показателей выручки от продаж ИИ-решений. В ряде случаев это обусловлено тем, что ИИ поставляется в составе комплексных проектов, и сложно выделить из общей стоимости только эту часть.

У 50% респондентов выручка от ИИ-решений в в 2019 году составляла до 100 млн руб. Совокупный показатель продаж составил около 6 млрд руб.

Выручка от продаж ИИ-решений по итогам 2019

Более трети опрошенных компаний запустили продажу ИИ-решений на внешний рынок до 2017 года. При этом еще почти половина стратовали с новыми продуктами в 2018-2019 гг. Эффект низкой базы объясняет то, что у почти 70% по итогам 2019 года зафиксирован рост выручки более чем на 10%.

Доля компаний, запустивших продажу ИИ-решений (% от опрошенных, по годам)

90% опрошенных компаний подтверждают, что планируют выводить на рынок новые решения в 2021 году. В то же время среди тех респондентов, которые пока не разрабатывают ИИ-решения, 10% планируют запустить процесс их создания и выведения на рынок.

Планы запуска разработки собственных ИИ-решений в 2021-2022

Отсутствие интереса к собственной разработке ИИ-решений более 50% компаний объясняют отсутствием такой необходимости – организации сфокусированы на своих традиционных сферах деятельности и источниках дохода, не видя в ИИ весомого расширения для своего товарного предложения. Более трети сдерживают на этом пути высокая стоимость разработки.

Причины отказа от разработки собственных ИИ-решений

Выводы

По данным исследования TAdviser уровень проникновения ИИ-решений в российских компаниях ежегодно растет. Более 85% опрошенных компаний из разных отраслей в 2020 году уже используют, либо пилотируют технологии ИИ для оптимизации внутренних бизнес-процессов. Планируют внедрение таких решений в ближайшие 2 года еще 9% респондентов.

Сдерживающими факторами для использования ИИ-решений остаются непонимание эффектов от них для бизнеса (как правило, не очень крупного) и предполагаемая низкая рентабельность таких проектов.

В силу сохраняющегося дефицита экспертизы в области ИИ на российском рынке компании компенсируют недостающие внутри компетенции закупкой решений на базе ИИ у внешних поставщиков. Этот же подход позволяет сокращать time-to-market разрабатываемых ИИ-продуктов или сервисов. В большинстве случаев закупаются решения как российской, так и зарубежной разработки.

Эффекты от внедрения ИИ-решений могут быть выражены как в росте выручки/дополнительном доходе, так и в сокращении расходов. Совокупно этот показатель составил по итогам 2019 года свыше 59 млрд руб., исходя из экспертных оценок респондентов. Лишь у 18% компаний есть данные об эффектах, подтвержденные внутренними финансовыми службами.

Более 90% респондентов TAdviser не ожидают сокращения эффектов от внедрения ИИ на фоне пандемии по итогам 2020 г.

30% опрошенных TAdviser компаний ведут разработку ИИ-решений для продажи сторонним организациям на внешнем рынке. Из них 90% подтверждают, что представят новые решения в 2021 году. Среди тех респондентов, которые пока не разрабатывают ИИ-решения, 10% планируют также запустить этот процесс.

Полная версия исследования "Эффекты от внедрения решений на базе искусственного интеллекта в российских компаниях" доступна здесь.

Мнения экспертов

Илья Арсентьев, директор по информационным технологиям Pony Express

В крупных логистических компаниях искусственный интеллект может использоваться во всех процессах, связанных с огромными объемами данных и ориентированных на большое количество обслуживаемых клиентов. В Pony Express искусственный интеллект применяется для распознавания и стандартизации адресов доставки, автоматического планирования оптимальной сети курьерских маршрутов, для обслуживания клиентов и анализа качества работы операторов в контакт-центре. Мы используем облачные сервисы верификации и стандартизации адресов клиентов, алгоритмы построения оптимальных курьерских маршрутов, системы распознавания речи и построенные на их основе цифровые ассистенты для общения с клиентами. Также готовим к запуску систему речевой аналитики. Очень высоко оцениваем эффективность ИИ проектов. Без инструментов искусственного интеллекта мы не смогли бы поддерживать высокое качество доставки при наших объемах и территории обслуживания. Самый интересный и технологически «нагруженный» кейс – это внедрение алгоритмов динамической маршрутизации, повышающих эффективность планирования маршрутов на «последней миле» и увеличивающих производительность труда водителей-курьеров. Решение обеспечило качественную синхронизацию мобильных курьерских отделений (МКО) с водителями на районных маршрутах. По предварительным оценкам, технология поможет оптимизировать затраты на логистику в компании до 25% и повысить производительность труда курьеров до 20%. Кроме того, сервис позволит анализировать качество работы и своевременность доставки груза. Готовимся к внедрению сервиса речевой аналитики в ноябре этого года. Обучаемая система будет распознавать и анализировать по большому количеству параметров общение сотрудников контакт-центра с клиентом, выявлять отклонения по качеству обслуживания, предоставлять аналитику, необходимую для управления эффективностью контакт-центра.

Илья Щиров, руководитель развития канала чатов Райффайзенбанка

Автоматизация канала чатов – одно из направлений применения технологий ИИ в банке. В 2020 году мы запустили собственную бот-платформу, которая объединяет чат-бот для работы с тестовыми обращениями, а также голосового ассистента для автоматизации входящей линии (голосовой IVR, понимающий свободную речь). Платформа отвечает за «интеллект» ассистента, логику ответов. Все компоненты разработки, machine-learning-ядро, распознающее смысл обращений, инструменты администрирования, отчетности, все интеграции (включая разработку чата в мобильном приложении) реализованы внутренней командой банка. В разработке бот-платформы применяется новейший стек технологий, на базе микросервисной архитектуры. Это позволило с начала года бесшовно увеличить нагрузку на решение в 8 раз. Благодаря гибкому подходу к разработке можно оперативно вносить изменения не только в настраиваемые блоки, но и в бэкэнд приложения - благодаря чему, к примеру, был создан специальный "аварийный режим" бота. Это позволило справиться с повышением нагрузки в период пандемии и полностью автоматизировать в пиковые моменты до 50% обращений. Бот в текстовом канале выполняет объём работы, соответствующий более чем 3400 человеко-часам. С учетом эффекта от сокращения расходов на инфраструктуру (ввиду активного роста доли текстового канала и своих разработок), стоимость одного контакта с клиентом в канале чатов сократилась в 2 раза только за 2020 год. Активное развитие функций чат-бота позволяет моментально реагировать на более чем 90% диалогов и 30% из них закрывать без участия оператора. Клиенты получают ответ моментально даже в часы пиковой нагрузки. Система оценок бота ничем не отличается от оценки оператора, что позволяет избегать негативных эффектов, сопровождающих автоматизацию клиентской коммуникации. В начале периода изоляции количество обращений в контакт-центр выросло на 30% по сравнению с докарантинным периодом. В апреле через чаты было закрыто 40% обращений, при этом бот принял участие в 46% всех обращений, из них каждое третье было завершено полностью автоматически, без привлечения оператора. В конце сентября завершили пилот голосового помощника в контакт-центре на основе бот-платформы. В ходе пилота голосовой помощник обрабатывал примерно 3-5% обращений на входящей линии. До конца 2020 года он охватит до 50% обращений, а в 2021 станет первым контактом для всех обращений. За счёт интеграции с различными системами банка расти будет и количество доступных боту тематик вопросов.

Александр Ефимов, заместитель директора по развитию бизнеса SAS Россия/СНГ

Основная сфера применения ИИ в российских организациях - во-первых, это всё, что связано с обслуживанием клиента: интерактивные помощники по выбору товара или услуги, голосовые помощники, чат-боты. Из того, что остается за кадром, не видимым для конечных пользователей, сейчас эволюционируют системы клиентской аналитики, стали применяться самообучающиеся модели, которые учитывают изменения в структуре потребностей клиента. Во-вторых, это активное развитие систем противодействия мошенничествам, рост которых спровоцировала пандемия. Компаниям в разных отраслях, не только в банках, нужно отвечать на этот вызов. В-третьих, это развитие цифровых двойников во множестве индустрий – от производства фармацевтических препаратов и добывающих предприятий до сельского хозяйства и капитального строительства. О массовом применении ИИ говорить пока рано. Это пока не мейнстрим. Хотя восприятие этих технологий уже довольно зрелое. Прошел хайп и период отрезвления, пришло понимание, какие ожидания от ИИ адекватны и что пока не достижимо. Традиционно в авангарде по реализации проектов ИИ - банки, за ними идут ритейл и страхование. В числе лидеров можно назвать Сбербанк, Банк ВТБ, Почта Банк, страховую компанию ВСК, X5 Retail. Еще до внедрения решения мы просчитываем бизнес-кейс, смотрим потенциальную отдачу по оптимистичному, негативному и реалистичному прогнозам. В большинстве случаев речь идет о деньгах в цифрах – выручке или экономии, но часто это могут быть и качественные показатели, которые тоже нужно измерить. Например, скорость доступа к информации, количество задействованных в бизнес-процессе сотрудников или скорость формирования индивидуального предложения клиенту. Из нашей практики, в сфере ИИ сегодня наиболее востребованы решения для управления кредитными рисками или для скоринга страхователей на этапе оформления полиса. Цифровые двойники оборудования, которые помогают формировать оптимальные режимы работы оборудования и прогнозировать поломки. Решения для кросс-канального противодействия мошенничеству. Системы компьютерного зрения для контроля качества продукции на производстве и для контроля технологического процесса. В целом востребована наша платформа SAS Viya, так как она поддерживает запуск моделей ИИ на разных языках программирования, в том числе на Open Source. Из наших последних ИИ-проектов можно выделить скоринг на этапе предстраховой проверки в Страховом доме ВСК; кросс-канальный антифрод в Почта Банке и ВТБ. Платформу SAS Viya внедряет «Утконос». Есть кейс по цифровому двойнику оборудования в золотодобыче (на золотодобывающем ГОК) и закрытые проекты по компьютерному зрению на промышленных комбинатах. Постоянно развиваем направления нейросетей, компьютерного зрения, анализа естественных языков - ищем новые способы применения технологий ИИ. Пандемия показала, какую роль имеет машинное обучение в построении отношений с покупателями, в управлении рисками, в управлении запасами на складе. Бум на рынке инвестиций показал важность антифрода в сфере брокерского обслуживания. Для всего этого нужны технологии. Компания SAS тратит на новые исследования и разработки четверть своей выручки и является признанным лидером не только в сегменте продвинутой аналитики, но и в сегменте ИИ-платформ.

Алексей Винниченко, руководитель центра аналитики, СИБУР Диджитал

Искусственный интеллект – достаточно широкое понятие, которое зачастую используется избыточно, когда речь идёт о новых современных технологиях. СИБУР использует ряд инструментов с элементами искусственного интеллекта. Они делают выводы на основе анализа данных, самообучаются, выполняют рутинную алгоритмизируемую работу и помогают сотрудникам в принятии более качественных и точных решений. СИБУР несколько лет развивает направление продвинутой аналитики. Мы собираем и изучаем параметры технологических режимов на производстве: температуру, давление, количество сырья – и данные для бизнес-процессов: котировки на продукцию, биржевые сводки, внешние рыночные факторы. Сбор данных происходит на базе ML-платформы в центре аналитики СИБУР Диджитал. На основе анализа данных мы создаём самообучающиеся рекомендательные системы и системы поддержки принятия решений. Цифровые инструменты продвинутой аналитики помогают прогнозировать внеплановые остановы, оптимизировать технологические режимы для снижения издержек, повышать качество и увеличивать объёмы выпускаемой продукции, прогнозировать стоимость продукции на основных рынках. Модели анализируют текущий технологический режим и выдают рекомендации в зависимости от задачи. В нашем случае искусственный интеллект не заменяет собой сотрудника, но помогает ему принять наиболее эффективное решение. Несколько примеров: система поддержки принятия решений на производстве бутадиена в Тобольске рекомендует оптимальные параметры режима в текущих условиях, что позволяет производить дополнительно 1200 тонн бутадиена в год. Предиктивное обслуживание экструдера производства полипропилена в Тобольске исключает аварийные остановы и снижает количество некондиционных марок примерно на 1500 тонн в год. На установке полимеризации пропилена в Томске модель даёт рекомендации по параметрам технологического режима для поддержания стабильности показателя текучести расплава (ПТР) порошка полипропилена, повышения качества выходного продукта. Основные рычаги применения технологии – повышение операционной эффективности, повышение качества производимых продуктов. Совокупный экономический эффект от рекомендательных моделей и продуктов продвинутой аналитики приближается к 2 млрд рублей.

Александр Семенов, владелец продукта, Индустрия 4.0, СИБУР Диджитал

Программно-аппаратные решения позволяют алгоритмизировать рутинные или физически тяжёлые процедуры. Например, роботизированный комплекс, интегрированный в линию производства БОПП-пленки на томском предприятии, обеспечивает контроль геометрии и качества выпускаемой продукции – рулонов БОПП-пленок – а также выполняет финальную подготовку продукции перед отгрузкой ее клиентам. Ранее мы сталкивались с ситуациями, когда ширина рулона БОПП-пленки после резки не соответствовала требуемым значениям, учетчик-маркировщик визуально не мог видеть ошибку и после отгрузки возникала проблема на производстве наших клиентов. В некоторых случаях партию приходилось возвращать и поставлять заново. С помощью роботизированного комплекса, который контролирует геометрию рулонов БОПП-пленки, такие ситуации исключены, а потери минимизированы. Комплекс работает с 79 видами БОПП-пленки и рулонами шириной от 30 см до 2,5 м, обрабатывает 1 рулон в минуту или 1440 рулонов в сутки, автоматически контролирует геометрию рулонов, замеряет их вес и диаметр. В случае успешно пройденного контроля робот маркирует продукцию. Оператор подключается к процессу только в случае выявления роботом брака.

Вадим Щемелинин, владелец продукта по видеоаналитике, СИБУР Диджитал

Системы видеоаналитики – это набор инструментов, которые позволяют автоматически контролировать качество продукции, соблюдение правил охраны труда и промышленной безопасности, минимизировать внеплановые остановки производства, собирать данные для средств продвинутой аналитики и прогнозов. Технически это видеокамеры, системы видеонаблюдения и специализированное программное обеспечение, которое включает математические модели, обученные на разных ситуациях и умеющие их детектировать и классифицировать. Для службы безопасности - это контроль нарушения периметра и контроль прохода на предприятие. На производстве подобная система может определять критичные события в технологическом процессе и принимать решения по самостоятельным действиям (например, отбраковка некондиционной продукции) или предупреждать оператора установки о риске возникновения отклонения от штатного производственного процесса. Например, в Тобольске и Томске на производствах полипропилена у нас работают вибросита. Камеры определяют образование агломератов и сигнализируют оператору. У этого инструмента двойной эффект: он не только позволяет выпускать полипропилен более высокого качества, но и предотвращает забивки и внеплановые ремонты оборудования. В Воронеже на производстве каучуков система видеоналитики контролирует наличие забивок оборудования и детектирует образование пара. В Томске с помощью видеоаналитики на компрессоре контролируют уровень масла для предотвращения его останова, кроме этого, система связана с пожарной сигнализацией и работает по принципу «чёрного экрана». Это существенно облегчает операторам задачу по осуществлению контроля. Сотруднику больше не транслируется поток со всех камер сразу, а автоматически выводится лишь та картинка, на которой что-то происходит.

Александр Долгов, заместитель генерального директора ПГК по информационным технологиям

Цифровую трансформацию бизнеса сложно представить без внедрения передовых технологий в области искусственного интеллекта. За последнее время алгоритмы машинного обучения шагнули далеко вперед, и сегодня в ПГК их используют для решения операционных и производственных задач. Основные эффекты от внедрения ИИ-систем – повышение качества и оперативности принимаемых решений и прогнозов по эффективному использованию парка. Это наилучшие показатели порожнего пробега с одной стороны, и качественное исполнение заказов клиентов (On-Time In-Full) с другой стороны. Помимо этого, таким образом мы сокращаем ручной труд, оптимизируем производственный цикл вагонов, повышаем экспертизу в области ИИ и цифровую зрелость компании. Используя модели машинного обучения (наибольшую точность показали модели машинного обучения, основанные на методе GBDT - Gradient Boosted Decision Trees), уже сегодня мы с высокой точностью прогнозируем время вагонов в пути. Планируем использовать этот опыт в различных цифровых продуктах компании. Например, в ближайшее время интегрировать прогнозную ML-модель в B2B-систему «Личный кабинет клиента ПГК». Рассчитываем, что это поможет клиентам повысить качество планирования грузовых операций на станциях и, как следствие, сократить простои вагонов и оптимизировать их производственный цикл в целом. В скором времени системы машинного обучения, над которыми сейчас работаем в ПГК, будут помогать более эффективно заадресовывать вагоны, прогнозировать скорость движения, время простоев вагонов, износ гребня колеса, балансировать распределение парка и моделировать грузовую работу на станциях.

Дмитрий Смирнов, управляющий директор по анализу данных в департаменте внедрения инноваций и изменений Росбанка

Основные цели внедрения ИИ-систем – это повышение эффективности бизнес-подразделений и сокращение издержек поддерживающих. Для бизнес-подразделений наиболее существенные эффекты от ИИ достигаются в процессах, связанных с кредитованием. Для поддерживающих подразделений - в процессах, где участвует большое количество массового персонала, задействованного в выполнении рутинных операций. Мы руководствуемся в выборе задач на ожидаемый эффект от внедрения. Те процессы, где ожидаемый эффект максимальный среди всего пула инициатив, для нас приоритетны. Ожидаемый эффект мы обычно оцениваем в ходе пилота. Наибольшие финансовые эффекты связанны с процессами кредитования и продаж кредитных продуктов. Измерение любого эффекта, связанного с ИИ, занимает время на сбор необходимой для оценки статистики. Для некоторых процессов, направленных на улучшение качества клиентского обслуживания, затруднительно оценивать финансовые эффекты – в таких случаях мы ориентируемся на изменение удовлетворенности клиентов. Мы фокусируемся на инициативах, связанных с развитием систем поддержки принятия решений, рекомендательных системах и обработке естественного языка. ИИ инициативы, связанные с когнитивными функциями, имеют для нас меньший приоритет. Также мы готовы рассматривать сторонние решения.

Евгений Колесников, руководитель Центра машинного обучения «Инфосистемы Джет»

Искусственный интеллект решает конкретные задачи бизнеса, показывая хорошие результаты: -5 % себестоимости товара на производстве, +15 % эффективности рекламной кампании и т.д. Бизнес идет туда, где есть деньги, поэтому сейчас компании, которые могут себе это позволить, делают внедрения ИИ. Это дает им конкурентные преимущества, которые сыграют в ближайшем будущем решающую роль. Сравнивая текущую ситуацию с тем, что было пять лет назад, можно сказать, что она сильно изменилась. Раньше к нам нередко обращались с запросом просто внедрить ИИ, не представляя, где именно и зачем. Тогда мы довольно глубоко исследовали все ключевые процессы в компании и разбирались, каким образом можно выжать из технологии максимум пользы для бизнеса. Сейчас подход уже другой. Заказчики поняли, как получать прибыль с помощью ИИ, — они сами изучают возможности, и чаще всего приходят с готовым пониманием, какую задачу надо решить. Изменились и конкурсы. Несколько лет назад для победы было достаточно иметь дата-сайентиста. Сейчас же компании формулируют очень четкие критерии, требуют определенный опыт и наличие инструментария. По-прежнему внедрения ИИ в основном происходят там, где достаточно данных, высокая конкуренция и есть бюджет на внедрения. Это банковский сектор, ритейл, промышленность, на которые приходится наибольшее число проектов. Наиболее активно на рынке выглядят Северсталь, Сибур, НЛМК, Сегежа. Они не первый год вкладывают деньги в разработку, входят в область автоматизации и машинного обучения, делают интересные проекты. Наиболее востребована наша экспертиза и умение делать проекты в промышленности. Сложность работы здесь составляют непрерывные процессы производства, и мы умеем работать в этой специфике. Кроме того, на любом производстве источником данных часто служат датчики, которые стоят на агрегатах, а они работают не очень стабильно. Например, машину вывели в сервисное обслуживание, зацепили ключом датчик, и он начал показывать другой результат. Потом машину возвращают и могут нигде не учесть возможную некорректность данных. А для любого проекта в области машинного обучения это критически важно. Поэтому мы написали специальное программное обеспечение, чтобы отрабатывать такие сложные задачи, и создали библиотеки, которые сейчас помогают нам работать с промышленным оборудованием. Мы постоянно поддерживаем нашу квалификацию, сейчас развиваемся в направлении сокращения показателя Time to Market (срок от начала проекта до ввода в эксплуатацию), — это для нас приоритетное направление. Проект по внедрению занимает от шести до девяти месяцев, и мы хотим уменьшить эти показатели при сохранении качества работы. Мы стремимся к тому, чтобы минимизировать время, за которое мы изучаем процесс, разрабатываем модель и внедряем ее на производство с помощью сплава нашей экспертизы с новейшими методиками разработки.

Денис Афанасьев, директор центра компетенций больших данных и искусственного интеллекта ЛАНИТ, генеральный директор компании CleverDATA

Высоким спросом сегодня пользуются аналитические модели анализа временных рядов на базе нейронных сетей. Большое количество задач связано именно с таким типом данных, в основанном с анализом показаний различных датчиков и информации IoT. Популярность набирают графовые алгоритмы, особенно в задачах, связанных с анализом взаимодействия людей. Хотим отметить кейсы по предиктивному мониторингу промышленного оборудования. Наши специалисты разработали комплексный подход для идентификации аномальных режимов работы электрогенерирующих турбин, которые позволяют снизить время простоя оборудования и повысить его эффективность. Сейчас мы активно развиваем решения для автоматизации промышленного сектора, так как набольшую активность в части ИИ-проектов проявляют именно промышленные производственные группы: например, «Северсталь», «Газпром». Они позже других секторов начали заниматься этой темой, хотя именно в промышленности искусственный интеллект имеет наибольший потенциал экономической эффективности. Компании этого рынка не обладают собственными ИТ-подразделениями, которые успели создать крупные банки, хотя, в целом, уровень инженерной подготовки промышленников гораздо выше.

Дмитрий Луковкин, директор по международным продажам решений ИИ компании Цифра

«Цифра» разработала решение Zyfra Production Shipment & Planning (PSP), которое дает возможность нефтяным компаниям и операторам морских терминалов оперативно оптимизировать производственное планирование и отгрузку продукции для максимизации прибыли и снижения потерь. Недавнее резкое снижение цены на нефть привело к затовариванию хранилищ сырой нефти и нефтепродуктов, а также нарушению графика отгрузок сырья и продуктов заказчикам, что выливается в десятки миллионы долларов штрафов и недополученной прибыли. Высокая волатильность нефтяного рынка требует оперативной перестройки цепочек поставок как на стороне производителей, так и на стороне потребителей нефти и нефтепродуктов. Наше внедрение PSP в крупной нефтедобывающей компании позволило сократить количество штрафов за просрочку доставки в четыре раза, что соответствовало 1% себестоимости продукта, а также сократить перепроизводство, высвободить и задействовать в производстве складские мощности. Каждый план пересчитывается за 50 секунд, составляется ежедневный план на 30 дней вперёд, каждые 10 дней осуществляется планирование на 90 дней вперёд. «Цифра» разработала программно-аппаратный комплекс «Умный экскаватор» на основе искусственного интеллекта. При помощи компьютерного зрения система контролирует состояния зубьев ковша экскаватора и определяет размер кусков горной массы (гранулометрический состав), полученных в забое при ведении буровзрывных работ. Внедрение «умного экскаватора» крупной горнодобывающей компанией России позволило ей предотвращать попадание негабарита в дробилку, которое приводит к простою механизма и повышению потребления электроэнергии. Кроме того, мониторинг состояния зубьев позволил планировать их своевременную замену, что уменьшило количество поломок и время простоя экскаватора. Снизилась вероятность поломки дробильно-сортировочного комплекса из-за попадания в него зубьев. Ремонт и простой комплекса приводит к значительным финансовым потерям. Использование системы позволило снять с оператора сразу несколько задач, в том числе необходимость следить за тем, чтобы негабарит не попадал в ковш экскаватора, а также за поломками и изношенностью зубьев, и таким образом уменьшить нагрузку на специалистов, которые и без того работают в тяжелых физических условиях. Далее мы планируем развивать решения на базе ИИ в сторону большей интеграции с традиционными продуктами компании за счет использования платформы промышленного интернета вещей ZIoT. А также в сторону совместной разработки и апробации решений с крупными промышленными компаниями. Для оценки эффектов от ИИ проекта у заказчиков мы используем Value chain analyses (анализ цепочки создания стоимости), ROI, OEE (Overall Equipment Effectiveness или общая эффективность оборудования), финансовый анализ.

Иван Попков, руководитель направления прикладных решений для промышленности ИТ-компании Крок

Все больше наших клиентов в нефтегазе и нефтехимии, металлургии, энергетике применяют компьютерное зрение в задачах контроля производственных процессов. Например, одна из компаний применяет компьютерное зрение, чтобы анализировать состав керна для подбора оптимальных параметров бурения. Другая компания следит за проблемами на конвейерной ленте, предотвращая забивку оборудования. Задачи охраны труда и промбезопасности продолжают оставаться приоритетными в разных отраслях промышленности. С помощью видеоаналитики компании следят за правильностью применения средств индивидуальной защиты на работниках, контролируют доступ в опасные зоны, анализируют состояние водителей, выявляют огонь, задымление, прорыв трубопровода и другие опасные ситуации, которые могут привести к травматизму и авариям. Девелоперы применяют CV для измерения объема выполненных работ и объема отгруженных материалов, а также контролирует количество персонала на стройке. Из новых запросов, которые начали поступать во время пандемии - бесконтактное распознавание лиц и температуры с помощью видеокамер. Операторы платежных систем проявляют интерес к технологиям для бесконтактной оплаты услуг по лицу. Все чаще компании стали применять CV, как третий контур безопасности, для распознавания лиц сотрудников, которые удаленно работают с критическими системами. Мы предоставляем услуги по заказной разработке и развиваем собственные продукты, в том числе промышленную платформу «Цифровой рабочий». Это интеграционная платформа, которая объединяет системы глобального и локального позиционирования, обработки данных c носимых устройств, видеонаблюдения, видеоаналитики, контроля и управления доступом (СКУД).

Виктор Смирнов, руководитель направления «Цифровые процессы» ИТ-компании КРОК

Мы видим заметный рост интереса к технологиям ИИ и компьютерного зрения (видеоаналитика). Причем, если для коммерческих заказчиков применение ИИ стало нормой – продукты на базе этих технологий широко применяются как для сокращения внутренних расходов, таких как системы принятия решений, роботизация отдельных процессов (например, HR или колл-центров, автоматизации процессов ПБиОТ), так и для поиска новых ниш или роста выручки в текущих (например, анализ данных сотовых операторов и данных банков для формирования более персонализированного маркетингового предложения), то для государственных заказчиков – это пока поле для экспериментов. Однако уже в следующем году мы ожидаем старт ряда крупных инициатив по этой теме в госсекторе.