ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 04.12.2023
Просмотров: 306
Скачиваний: 1
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
Тенденции и управление качеством обслуживания в 5G.
Технологии 5G, скорее всего, появятся на рынке в 2020 году. Ожидается, что они значительно улучшат качество обслуживания клиентов в условиях растущего объема данных в мобильных сетях и роста количества
136
137 беспроводных устройств с разнообразными предоставляемыми услугами.
Некоторые общие тенденции, связанные с 5G, можно объяснить с точки зрения трафика между машинами и количества соединений между машинами в мобильном телефоне.
Для внедрения сетей 5G необходимо решить следующие вопросы:
− оценка влияния внедрения 5G на экономику и капитальные вложения игроков отрасли – смогут ли операторы обеспечить развитие сетей, которые станут инфраструктурой для развития цифровой экономики;
− выбор оптимальных моделей и отраслевых политик для развития сетей пятого поколения – будет ли эффективна существующая конкурентная модель развития инфраструктуры несколькими мобильными операторами, как операторы будут развивать свои сети, и как регулятор может способствовать быстрому и эффективному внедрению нового поколения мобильной связи [22].
3.2. Искусственный интеллект и неоднозначность его определения
В настоящее время не существует однозначного определения термина
«искусственный интеллект» (ИИ). Разные эксперты дают разные определения, которые могут кардинально отличаться как по трактовке термина, так и по его семантике, например:
Артем Пермяков: Под искусственным интеллектом сегодня принято понимать всю совокупность методов, с помощью которых создаются интеллектуальные системы: машинное обучение, нейронные сети, технологии распознавания естественного языка, обработки голоса, компьютерное зрение и т. д.
Дмитрий Каштанов: Согласно определению Андреаса Каплана и
Майкла Хенлейна, искусственный интеллект – это «способность системы правильно интерпретировать внешние данные, извлекать уроки из таких
137
138 данных и использовать полученные знания для достижения конкретных целей и задач при помощи гибкой адаптации».
Юрий Сирота: Однозначного понимания, что такое искусственный интеллект, до сих пор не существует. Сильный ИИ имеет самосознание, способен ощущать, формировать суждения, заниматься самоанализом. На сегодняшний день создан только слабый ИИ, который не имеет разума и ориентирован на решение прикладных задач. Он не способен функционировать без контроля человека и помогает ему в решении узкого спектра задач.
Разницу в определениях ИИ можно объяснить как отличиями в подходе к трактовке термина, так и определенной неоднозначностью к определениям его составляющих (рис. 45). Направление «машинного интеллекта» особых разногласий не вызывает. Это обусловлено тем, что оно характеризует результаты интеллектуальной деятельности без акцентирования на способах и средствах их достижения. Ситуация с
«искусственным разумом» кардинально отличается. Сравнивая определения экспертов данные выше, можно отметить, что одна часть из них в основу определения термина ставит методы и средства реализации, а другая – характеристики самого результата, вплоть до приравнивания функционирования ИИ и человеческого разума.
138
139
Рис. 45. Схема составляющих компонентов термина ИИ
Примеры практического применения искусственного интеллекта.
Наиболее популярно использование ИИ в сфере интеллектуальной автоматизации монотонных, часто повторяющихся процессов (IPA). В отличие от человека, который может совершать ошибки, робот четко следует правилам. Однако IPA не может покрыть все процессы как по экономическим, так и по техническим причинам.
Еще одно направление – интеллектуальный анализ данных с целью их дальнейшей монетизации или получения конкурентных преимуществ. Речь идет об анализе отчетности для контроля и выявления трендов, предиктивной аналитике, преобразующей данные в выводы, на основании которых затем принимаются решения, и предписательной аналитике, которая говорит о том, что нужно сделать для того, чтобы интересующие показатели достигли желаемых значений.
Дмитрий Каштанов, заместитель исполнительного директора по цифровой трансформации ICL Services, рассказал о проекте автоматизации
139
140 обращений клиентов в Service Desk с использованием робота. На первом этапе робот не мог квалифицировать около 60% поступающих обращений, выполнял около 15% и отправлял на верификацию человеку около 25%. Тем не менее, уже благодаря этому трудозатраты на обработку обращений сократились на 7%.
Для повышения точности распознавания были применены технологии машинного обучения. В процессе обучения экспертам отправлялся алгоритм принятия решения, для того, чтобы они могли внести в него правки. В результате точность распознавания удалось увеличить до 70%.
Дмитрий Романов, генеральный директор компании «Преферентум»
(ГК «Аплана») рассказал об использовании искусственного интеллекта для обработки текстовой информации (рис. 46). Разработанные компанией решения встраиваются в уже имеющиеся у заказчика системы и позволяют классифицировать документы, выделять из них любые информационные объекты, проверять документы с помощью настраиваемых шаблонов, анализировать их структуру, проводить морфологический, синтаксический, семантический анализ текста.
Рис. 46. Сферы применения ИИ в решениях компании «Преферентум»
140
141
Сергей Попов, директор департамента роботизированных систем
Naumen, рассказал о разработанной его компанией роботизированной платформе для колл-центров Erudit. Erudit способен работать с любыми – и голосовыми, и текстовыми – каналами и при помощи API интегрироваться с любыми решениями. Для решения разных задач в платформе имеются различные алгоритмы машинного обучения. Бизнес-заказчик может настраивать и управлять системой без привлечения специалистов разработчика.
Сергей Попов привел несколько примеров использования платформы
Erudit. Это виртуальный помощник в чате на сайте и в мобильном приложении в «ОТП Банке», робот-коллектор в Мосэнергосбыте, робот по приему показаний счетчиков в более чем 10 сбытовых компаниях, сервис трекинга почтовых отправлений «Почты России» и т.д.
Искусственный интеллект должен замещать человека в каждодневных рутинных процессах. Качество его работы зависит от того, какую исходную информацию готов предоставить заказчик, уверен Лев Голицын, директор департамента информационных систем управления Naumen. Он привел еще несколько примеров использования технологии. Так, прежде чем начать заниматься научными исследованиями в какой-либо области, надо понять, что уже сделано в России и за рубежом. Искусственный интеллект может помочь проанализировать имеющиеся публикации и извлечь данные из огромного числа научных документов.
Крупные компании могут использовать ИИ при подготовке новых нормативных актов для того, чтобы проверить, не противоречат ли они уже существующим, какие коррективы придется в них внести и как довести эти изменения до всех подразделений. Кроме того, ИИ может сократить период от момента инициации проекта до его старта благодаря быстрому сбору необходимой информации.
Дмитрий Черноус, заместитель директора по консалтингу ABBYY.
Сегодня компания использует в своих продуктах алгоритмы NLP, ML, DL.
141
142
Например, при интеллектуальной обработке документов на первом этапе используются сверточная нейронная сеть (CNN) и генеративно- состязательная сеть
(GAN).
Анализ структурированных и полуструктурированных документов производится при помощи машинного обучения (ML), сверточной нейронной сети (CNN) и долгой краткосрочной памяти (LSTM). Для анализа неструктурированных документов и извлечения информации применяются технологии Natural Language Processing (NLP).
Дмитрий Черноус продолжил список примеров практического использования ИИ (рис. 47). Например, при реализации проекта в МОЭК заказчику требовалось сократить трудозатраты на обработку первичной документации, упростить предоставление документов в контролирующие органы и снизить риски потери и порчи документов. В результате внедрения
«умных» решений ABBYY финансовые операции в МОЭК проходят в 3 раза быстрее, а время поиска первичных документов сократилось в среднем в 3 раза.
В ВТБ роботизация открытия счета позволила привлечь на 25% больше клиентов за счет существенного сокращения временных затрат и добиться экономии в размере около 100 млн руб. в год.
142
143
Рис. 47. Схема областей применения ИИ компании ABBYY.
Алмаз Мельников, специалист по машинному обучению «АК Барс
Цифровые технологии», рассказал о концепции диалогового банка, в рамках которой общение с клиентом происходит при помощи голосового и текстового чат-бота. Созданный его компанией виртуальный ассистент
Aimee принимает информацию их всех источников, сравнивает ее с данными о клиенте и если вопрос простой, отвечает на него сам. В противном случае, он предлагает оператору 5 вариантов ответа.
Благодаря использованию виртуального ассистента оператор вводит в
2 раза меньше символов, что позволяет существенно сэкономить время.
Кроме того, он имеет возможность отправить клиенту виджеты, например, для моментальной оплаты. Сегодня Aimee используют уже 20% операторов банка.
Александр Соколовский, директор по технологиям «Леруа Мерлен
Восток» поделился с участниками конференции идеями «умных» устройств, которые же тестируются в магазинах «Леруа Мерлен» в разных странах.
143
144
Например, в Бразилии по торговому залу передвигается робот, который следит за наличием товаров на полках и в случае необходимости сам оформляет заказ. В России проходит тестирование подобный робот, задача которого – контролировать работу продавцов и следить за тем, чтобы они были внимательны к покупателям.
Приведенные примеры практического применения технологии искусственного интеллекта позволяют сделать вывод, что в настоящее время в России активно развиваются как решения ИИ для бизнеса, так и расширяются сферы применения таких решений. Наиболее значимым сдерживающим фактором массового применения технологии можно считать экономическую целесообразность разработки и внедрения интеллектуальных систем.
Карта ИИ России. Аналитическая компания «АйПи Лаборатория» составила интерактивную карту применения технологии ИИ различными компаниями на российском рынке. Ее анализ показывает следующее.
Больше всего компаний в России занимается бизнес-аналитикой и подобными применениями в сфере B2B (54 компании). В число наиболее часто используемых сфер искусственного интеллекта также входят компьютерное зрение (применяется в том числе в беспилотных автомобилях)
— 48 компаний, а также системы здравоохранения на базе ИИ и NLP
(системы обработки естественного языка, от распознавания голоса до чат- ботов) — по 40 компаний в обеих сферах.
Заметна разница с западными рынками. Очень маленький сегмент
«Финтех» говорит о том, что мало стартапов работают в этой области, скорее в России это поле для больших банков. Очень мало компаний реально зарабатывают на юридических применениях, хотя в США это уже очень разработанное поле.
Маленькие сегменты «Промышленность» и «Логистика» при очень больших сегментах «Анализа данных» и B2B говорят о том, что мало разработчиков ИИ-технологий ориентируются на конкретное целевое
144
145 применение, а скорее позиционируют себя как разработчики технологий в широком смысле, планируя их подстраивать под конкретные запросы заказчиков.
Оценка объема рынка ИИ в России пока сильно колеблется в зависимости от методики исследований. Так, Just AI только разговорный искусственный интеллект оценивала в $9 млн в 2018 году с перспективой роста до $550 млн к 2023 году.
Тем временем становится все больше практических примеров применения ИИ, например, в HR. Робот-рекрутер может просмотреть присланные резюме, отобрать подходящие, ответить в чате на вопросы по вакансии и назначить время интервью. Голосовой бот позвонит кандидату и проведет первичное интервью. Это бизнес-процесс, который на практике применяют такие российские компании, как X5 Retail Group, «Почта-банк»,
«М.Видео», «Альфа-банк», «Вымпелком», МТС и др.
ИИ уже перешел в ту стадию зрелости, когда его технологические возможности могут решать конкретные запросы заказчиков. Согласно исследованиям, в ближайшие три года HR-руководители ожидают, что ИИ положительно повлияет на обучение и развитие (27%), управление эффективностью (26%), компенсационные выплаты/начисление заработной платы (18%) и прием на работу (13%).
145
146
Рис. 48. Стадии развития искусственного интеллекта
146
147
Рис. 49. Развитие искусственного интеллекта
147
148
3.3. Интернет вещей и его место в цифровой экономике
На теорию управления существенное влияние оказывают научные технологические достижения. Важным фактором современного развития управленческой деятельности выступают распределенные информационные технологии. Одним из подходов, реализующим распределенное управление являются сетевые системы и технологии. Одной из таких технологий и систем является технология Интернет вещей. Появление этой технологии как нового этапа глобального технологического развития связано и обусловлено динамичным внедрением информационно-коммуникационных технологий во все сферы жизни общества. Эта технология проявляется, прежде всего, в быстрорастущей цифровой экономике, опирающейся на массовое использование технологий Интернет, достижений микроэлектроники и программной инженерии. Интернет вещей и решения на их основе часто называют «умными» (smart). Сегодня они наиболее широко представлены в таких областях, как «умное производство», «умная энергетика», «умная агрокультура», «умная логистика», «умный транспорт», «умный дом»,
«умный город», «умное здравоохранение» и этот перечень, очевидно, будет только расти, охватывая все новые рыночные сегменты
Интернет вещей (Internet of Things, IoT) – концепция вычислительной сети физических объектов
(«вещей»), оснащённых встроенными технологиями для взаимодействия друг с другом или с внешней средой, рассматривающая организацию таких сетей как явление, способное перестроить экономические и общественные процессы, исключающее из части действий и операций необходимость участия человека.
Концепция сформулирована в 1999 году как осмысление перспектив широкого применения средств радиочастотной идентификации для взаимодействия физических объектов между собой и с внешним окружением.
Наполнение концепции «интернета вещей» многообразным технологическим содержанием и внедрение практических решений для её реализации начиная
148
149 с 2010-х годов считается восходящим трендом в информационных технологиях, прежде всего, благодаря повсеместному распространению беспроводных сетей, появлению облачных вычислений, развитию технологий межмашинного взаимодействия и освоению программно- конфигурируемых сетей.
В 2013 году Глобальная инициатива по стандартизации в Интернете вещей (IoT-GSI) определила IoT как «глобальную инфраструктуру для информационного общества, предоставляющую расширенные услуги путем объединения (физических и виртуальных) вещей на основе существующих и развивающихся интероперабельных информационно-коммуникационные технологий» [26] и для этих целей «вещью» является «объект физического мира (физические вещи) или информационный мир (виртуальные предметы), который может быть идентифицирован и интегрирован в коммуникационные сети» [4]. Интернет вещей позволяет объектам быть обнаруженными или контролируемыми удаленно через существующую сетевую инфраструктуру, создавая возможности для более прямой интеграции физического мира в компьютерные системы и в результате повышая эффективность, точность и экономическую выгоду в дополнение к сокращению вмешательства человека.
Интернет вещей основана на межсетевом информационном взаимодействии физических устройств, транспортных средств (также называемых «подключенными устройствами» и «интеллектуальными устройствами»), зданий и других предметов, встроенных в электронику, программное обеспечение, датчики, исполнительные механизмы и сеть, которые позволяют этим объектам собирать и обмениваться данными.
В случае, когда IoT дополняется сенсорами и приводами, эта технология становится основой более общего класса кибер- физических систем, который также включает такие технологии, как smart-сети, виртуальные электростанции, интеллектуальные дома, интеллектуальный транспорт и интеллектуальный город. Каждая вещь уникально идентифицируется через встроенную вычислительную систему и при этом
149
150 способна взаимодействовать с существующей инфраструктурой Интернета.
По оценкам экспертов, к 2020 году IoT будет состоять из 30 миллиардов объектов [6].
Сферу интернета вещей образуют разнообразные устройства и их пользователи, находящиеся в онлайн взаимодействии, включая мобильные коммуникации. Предполагается, что к 2020 году на каждого человека в среднем будет приходится 6 разных устройств в режиме on-line: компьютеры, мобильные телефоны, смартфоны, фаблеты и планшеты, устройства для дома, контроля показателей здоровья и т.д.
Согласно докладу Международного союза телекоммуникаций к 2021 году существенно возрастет число мобильных умных устройств (smart devices) и объем генерируемого ими трафика [4]. К мобильным умным устройствам принято относить устройства, обладающие развитыми вычислительными возможностями и мультимедиа со скоростью сетевого соединения, как минимум, на уровне 3G, т.е. 2 Мб/с. В 2016 году эти устройства, представляя лишь 46% всех мобильный устройств генерировали
89% мобильного трафика, а к 2021 году они составят три четверти от общего числа, и доля их трафика возрастет до 98 %.
Вторым по значимости сегментом являются устройства межмашинного взаимодействия, кратко обозначаемые как М2М (Machines to Machines). Надо отметить, что давно известные промышленные системы автоматического управления и телеметрии, реализующие замкнутые взаимодействия типа вещь-вещь, по сути являются предосновой интернета-вещей. Однако, если ранее были ограничения рамками одного локально расположенного производственного участка, цеха или предприятия, то сегодня появилась возможность выхода в Интернет. Это радикально расширяет сферу М2М, практически снимая территориальные ограничения. Здесь прогнозируется рост с 780 млн в 2016 году до 3,3 млрд в 2021 году. Подробные сценарии и примеры использования современных решений М2М в различных отраслях
150
Технологии 5G, скорее всего, появятся на рынке в 2020 году. Ожидается, что они значительно улучшат качество обслуживания клиентов в условиях растущего объема данных в мобильных сетях и роста количества
136
137 беспроводных устройств с разнообразными предоставляемыми услугами.
Некоторые общие тенденции, связанные с 5G, можно объяснить с точки зрения трафика между машинами и количества соединений между машинами в мобильном телефоне.
Для внедрения сетей 5G необходимо решить следующие вопросы:
− оценка влияния внедрения 5G на экономику и капитальные вложения игроков отрасли – смогут ли операторы обеспечить развитие сетей, которые станут инфраструктурой для развития цифровой экономики;
− выбор оптимальных моделей и отраслевых политик для развития сетей пятого поколения – будет ли эффективна существующая конкурентная модель развития инфраструктуры несколькими мобильными операторами, как операторы будут развивать свои сети, и как регулятор может способствовать быстрому и эффективному внедрению нового поколения мобильной связи [22].
3.2. Искусственный интеллект и неоднозначность его определения
В настоящее время не существует однозначного определения термина
«искусственный интеллект» (ИИ). Разные эксперты дают разные определения, которые могут кардинально отличаться как по трактовке термина, так и по его семантике, например:
Артем Пермяков: Под искусственным интеллектом сегодня принято понимать всю совокупность методов, с помощью которых создаются интеллектуальные системы: машинное обучение, нейронные сети, технологии распознавания естественного языка, обработки голоса, компьютерное зрение и т. д.
Дмитрий Каштанов: Согласно определению Андреаса Каплана и
Майкла Хенлейна, искусственный интеллект – это «способность системы правильно интерпретировать внешние данные, извлекать уроки из таких
137
138 данных и использовать полученные знания для достижения конкретных целей и задач при помощи гибкой адаптации».
Юрий Сирота: Однозначного понимания, что такое искусственный интеллект, до сих пор не существует. Сильный ИИ имеет самосознание, способен ощущать, формировать суждения, заниматься самоанализом. На сегодняшний день создан только слабый ИИ, который не имеет разума и ориентирован на решение прикладных задач. Он не способен функционировать без контроля человека и помогает ему в решении узкого спектра задач.
Разницу в определениях ИИ можно объяснить как отличиями в подходе к трактовке термина, так и определенной неоднозначностью к определениям его составляющих (рис. 45). Направление «машинного интеллекта» особых разногласий не вызывает. Это обусловлено тем, что оно характеризует результаты интеллектуальной деятельности без акцентирования на способах и средствах их достижения. Ситуация с
«искусственным разумом» кардинально отличается. Сравнивая определения экспертов данные выше, можно отметить, что одна часть из них в основу определения термина ставит методы и средства реализации, а другая – характеристики самого результата, вплоть до приравнивания функционирования ИИ и человеческого разума.
138
139
Рис. 45. Схема составляющих компонентов термина ИИ
Примеры практического применения искусственного интеллекта.
Наиболее популярно использование ИИ в сфере интеллектуальной автоматизации монотонных, часто повторяющихся процессов (IPA). В отличие от человека, который может совершать ошибки, робот четко следует правилам. Однако IPA не может покрыть все процессы как по экономическим, так и по техническим причинам.
Еще одно направление – интеллектуальный анализ данных с целью их дальнейшей монетизации или получения конкурентных преимуществ. Речь идет об анализе отчетности для контроля и выявления трендов, предиктивной аналитике, преобразующей данные в выводы, на основании которых затем принимаются решения, и предписательной аналитике, которая говорит о том, что нужно сделать для того, чтобы интересующие показатели достигли желаемых значений.
Дмитрий Каштанов, заместитель исполнительного директора по цифровой трансформации ICL Services, рассказал о проекте автоматизации
139
140 обращений клиентов в Service Desk с использованием робота. На первом этапе робот не мог квалифицировать около 60% поступающих обращений, выполнял около 15% и отправлял на верификацию человеку около 25%. Тем не менее, уже благодаря этому трудозатраты на обработку обращений сократились на 7%.
Для повышения точности распознавания были применены технологии машинного обучения. В процессе обучения экспертам отправлялся алгоритм принятия решения, для того, чтобы они могли внести в него правки. В результате точность распознавания удалось увеличить до 70%.
Дмитрий Романов, генеральный директор компании «Преферентум»
(ГК «Аплана») рассказал об использовании искусственного интеллекта для обработки текстовой информации (рис. 46). Разработанные компанией решения встраиваются в уже имеющиеся у заказчика системы и позволяют классифицировать документы, выделять из них любые информационные объекты, проверять документы с помощью настраиваемых шаблонов, анализировать их структуру, проводить морфологический, синтаксический, семантический анализ текста.
Рис. 46. Сферы применения ИИ в решениях компании «Преферентум»
140
141
Сергей Попов, директор департамента роботизированных систем
Naumen, рассказал о разработанной его компанией роботизированной платформе для колл-центров Erudit. Erudit способен работать с любыми – и голосовыми, и текстовыми – каналами и при помощи API интегрироваться с любыми решениями. Для решения разных задач в платформе имеются различные алгоритмы машинного обучения. Бизнес-заказчик может настраивать и управлять системой без привлечения специалистов разработчика.
Сергей Попов привел несколько примеров использования платформы
Erudit. Это виртуальный помощник в чате на сайте и в мобильном приложении в «ОТП Банке», робот-коллектор в Мосэнергосбыте, робот по приему показаний счетчиков в более чем 10 сбытовых компаниях, сервис трекинга почтовых отправлений «Почты России» и т.д.
Искусственный интеллект должен замещать человека в каждодневных рутинных процессах. Качество его работы зависит от того, какую исходную информацию готов предоставить заказчик, уверен Лев Голицын, директор департамента информационных систем управления Naumen. Он привел еще несколько примеров использования технологии. Так, прежде чем начать заниматься научными исследованиями в какой-либо области, надо понять, что уже сделано в России и за рубежом. Искусственный интеллект может помочь проанализировать имеющиеся публикации и извлечь данные из огромного числа научных документов.
Крупные компании могут использовать ИИ при подготовке новых нормативных актов для того, чтобы проверить, не противоречат ли они уже существующим, какие коррективы придется в них внести и как довести эти изменения до всех подразделений. Кроме того, ИИ может сократить период от момента инициации проекта до его старта благодаря быстрому сбору необходимой информации.
Дмитрий Черноус, заместитель директора по консалтингу ABBYY.
Сегодня компания использует в своих продуктах алгоритмы NLP, ML, DL.
141
142
Например, при интеллектуальной обработке документов на первом этапе используются сверточная нейронная сеть (CNN) и генеративно- состязательная сеть
(GAN).
Анализ структурированных и полуструктурированных документов производится при помощи машинного обучения (ML), сверточной нейронной сети (CNN) и долгой краткосрочной памяти (LSTM). Для анализа неструктурированных документов и извлечения информации применяются технологии Natural Language Processing (NLP).
Дмитрий Черноус продолжил список примеров практического использования ИИ (рис. 47). Например, при реализации проекта в МОЭК заказчику требовалось сократить трудозатраты на обработку первичной документации, упростить предоставление документов в контролирующие органы и снизить риски потери и порчи документов. В результате внедрения
«умных» решений ABBYY финансовые операции в МОЭК проходят в 3 раза быстрее, а время поиска первичных документов сократилось в среднем в 3 раза.
В ВТБ роботизация открытия счета позволила привлечь на 25% больше клиентов за счет существенного сокращения временных затрат и добиться экономии в размере около 100 млн руб. в год.
142
143
Рис. 47. Схема областей применения ИИ компании ABBYY.
Алмаз Мельников, специалист по машинному обучению «АК Барс
Цифровые технологии», рассказал о концепции диалогового банка, в рамках которой общение с клиентом происходит при помощи голосового и текстового чат-бота. Созданный его компанией виртуальный ассистент
Aimee принимает информацию их всех источников, сравнивает ее с данными о клиенте и если вопрос простой, отвечает на него сам. В противном случае, он предлагает оператору 5 вариантов ответа.
Благодаря использованию виртуального ассистента оператор вводит в
2 раза меньше символов, что позволяет существенно сэкономить время.
Кроме того, он имеет возможность отправить клиенту виджеты, например, для моментальной оплаты. Сегодня Aimee используют уже 20% операторов банка.
Александр Соколовский, директор по технологиям «Леруа Мерлен
Восток» поделился с участниками конференции идеями «умных» устройств, которые же тестируются в магазинах «Леруа Мерлен» в разных странах.
143
144
Например, в Бразилии по торговому залу передвигается робот, который следит за наличием товаров на полках и в случае необходимости сам оформляет заказ. В России проходит тестирование подобный робот, задача которого – контролировать работу продавцов и следить за тем, чтобы они были внимательны к покупателям.
Приведенные примеры практического применения технологии искусственного интеллекта позволяют сделать вывод, что в настоящее время в России активно развиваются как решения ИИ для бизнеса, так и расширяются сферы применения таких решений. Наиболее значимым сдерживающим фактором массового применения технологии можно считать экономическую целесообразность разработки и внедрения интеллектуальных систем.
Карта ИИ России. Аналитическая компания «АйПи Лаборатория» составила интерактивную карту применения технологии ИИ различными компаниями на российском рынке. Ее анализ показывает следующее.
Больше всего компаний в России занимается бизнес-аналитикой и подобными применениями в сфере B2B (54 компании). В число наиболее часто используемых сфер искусственного интеллекта также входят компьютерное зрение (применяется в том числе в беспилотных автомобилях)
— 48 компаний, а также системы здравоохранения на базе ИИ и NLP
(системы обработки естественного языка, от распознавания голоса до чат- ботов) — по 40 компаний в обеих сферах.
Заметна разница с западными рынками. Очень маленький сегмент
«Финтех» говорит о том, что мало стартапов работают в этой области, скорее в России это поле для больших банков. Очень мало компаний реально зарабатывают на юридических применениях, хотя в США это уже очень разработанное поле.
Маленькие сегменты «Промышленность» и «Логистика» при очень больших сегментах «Анализа данных» и B2B говорят о том, что мало разработчиков ИИ-технологий ориентируются на конкретное целевое
144
145 применение, а скорее позиционируют себя как разработчики технологий в широком смысле, планируя их подстраивать под конкретные запросы заказчиков.
Оценка объема рынка ИИ в России пока сильно колеблется в зависимости от методики исследований. Так, Just AI только разговорный искусственный интеллект оценивала в $9 млн в 2018 году с перспективой роста до $550 млн к 2023 году.
Тем временем становится все больше практических примеров применения ИИ, например, в HR. Робот-рекрутер может просмотреть присланные резюме, отобрать подходящие, ответить в чате на вопросы по вакансии и назначить время интервью. Голосовой бот позвонит кандидату и проведет первичное интервью. Это бизнес-процесс, который на практике применяют такие российские компании, как X5 Retail Group, «Почта-банк»,
«М.Видео», «Альфа-банк», «Вымпелком», МТС и др.
ИИ уже перешел в ту стадию зрелости, когда его технологические возможности могут решать конкретные запросы заказчиков. Согласно исследованиям, в ближайшие три года HR-руководители ожидают, что ИИ положительно повлияет на обучение и развитие (27%), управление эффективностью (26%), компенсационные выплаты/начисление заработной платы (18%) и прием на работу (13%).
145
146
Рис. 48. Стадии развития искусственного интеллекта
146
147
Рис. 49. Развитие искусственного интеллекта
147
148
3.3. Интернет вещей и его место в цифровой экономике
На теорию управления существенное влияние оказывают научные технологические достижения. Важным фактором современного развития управленческой деятельности выступают распределенные информационные технологии. Одним из подходов, реализующим распределенное управление являются сетевые системы и технологии. Одной из таких технологий и систем является технология Интернет вещей. Появление этой технологии как нового этапа глобального технологического развития связано и обусловлено динамичным внедрением информационно-коммуникационных технологий во все сферы жизни общества. Эта технология проявляется, прежде всего, в быстрорастущей цифровой экономике, опирающейся на массовое использование технологий Интернет, достижений микроэлектроники и программной инженерии. Интернет вещей и решения на их основе часто называют «умными» (smart). Сегодня они наиболее широко представлены в таких областях, как «умное производство», «умная энергетика», «умная агрокультура», «умная логистика», «умный транспорт», «умный дом»,
«умный город», «умное здравоохранение» и этот перечень, очевидно, будет только расти, охватывая все новые рыночные сегменты
Интернет вещей (Internet of Things, IoT) – концепция вычислительной сети физических объектов
(«вещей»), оснащённых встроенными технологиями для взаимодействия друг с другом или с внешней средой, рассматривающая организацию таких сетей как явление, способное перестроить экономические и общественные процессы, исключающее из части действий и операций необходимость участия человека.
Концепция сформулирована в 1999 году как осмысление перспектив широкого применения средств радиочастотной идентификации для взаимодействия физических объектов между собой и с внешним окружением.
Наполнение концепции «интернета вещей» многообразным технологическим содержанием и внедрение практических решений для её реализации начиная
148
149 с 2010-х годов считается восходящим трендом в информационных технологиях, прежде всего, благодаря повсеместному распространению беспроводных сетей, появлению облачных вычислений, развитию технологий межмашинного взаимодействия и освоению программно- конфигурируемых сетей.
В 2013 году Глобальная инициатива по стандартизации в Интернете вещей (IoT-GSI) определила IoT как «глобальную инфраструктуру для информационного общества, предоставляющую расширенные услуги путем объединения (физических и виртуальных) вещей на основе существующих и развивающихся интероперабельных информационно-коммуникационные технологий» [26] и для этих целей «вещью» является «объект физического мира (физические вещи) или информационный мир (виртуальные предметы), который может быть идентифицирован и интегрирован в коммуникационные сети» [4]. Интернет вещей позволяет объектам быть обнаруженными или контролируемыми удаленно через существующую сетевую инфраструктуру, создавая возможности для более прямой интеграции физического мира в компьютерные системы и в результате повышая эффективность, точность и экономическую выгоду в дополнение к сокращению вмешательства человека.
Интернет вещей основана на межсетевом информационном взаимодействии физических устройств, транспортных средств (также называемых «подключенными устройствами» и «интеллектуальными устройствами»), зданий и других предметов, встроенных в электронику, программное обеспечение, датчики, исполнительные механизмы и сеть, которые позволяют этим объектам собирать и обмениваться данными.
В случае, когда IoT дополняется сенсорами и приводами, эта технология становится основой более общего класса кибер- физических систем, который также включает такие технологии, как smart-сети, виртуальные электростанции, интеллектуальные дома, интеллектуальный транспорт и интеллектуальный город. Каждая вещь уникально идентифицируется через встроенную вычислительную систему и при этом
149
150 способна взаимодействовать с существующей инфраструктурой Интернета.
По оценкам экспертов, к 2020 году IoT будет состоять из 30 миллиардов объектов [6].
Сферу интернета вещей образуют разнообразные устройства и их пользователи, находящиеся в онлайн взаимодействии, включая мобильные коммуникации. Предполагается, что к 2020 году на каждого человека в среднем будет приходится 6 разных устройств в режиме on-line: компьютеры, мобильные телефоны, смартфоны, фаблеты и планшеты, устройства для дома, контроля показателей здоровья и т.д.
Согласно докладу Международного союза телекоммуникаций к 2021 году существенно возрастет число мобильных умных устройств (smart devices) и объем генерируемого ими трафика [4]. К мобильным умным устройствам принято относить устройства, обладающие развитыми вычислительными возможностями и мультимедиа со скоростью сетевого соединения, как минимум, на уровне 3G, т.е. 2 Мб/с. В 2016 году эти устройства, представляя лишь 46% всех мобильный устройств генерировали
89% мобильного трафика, а к 2021 году они составят три четверти от общего числа, и доля их трафика возрастет до 98 %.
Вторым по значимости сегментом являются устройства межмашинного взаимодействия, кратко обозначаемые как М2М (Machines to Machines). Надо отметить, что давно известные промышленные системы автоматического управления и телеметрии, реализующие замкнутые взаимодействия типа вещь-вещь, по сути являются предосновой интернета-вещей. Однако, если ранее были ограничения рамками одного локально расположенного производственного участка, цеха или предприятия, то сегодня появилась возможность выхода в Интернет. Это радикально расширяет сферу М2М, практически снимая территориальные ограничения. Здесь прогнозируется рост с 780 млн в 2016 году до 3,3 млрд в 2021 году. Подробные сценарии и примеры использования современных решений М2М в различных отраслях
150