Цифровая трансформация для директоров и собственников. Часть 1. Погружение

Джимшер Бухутьевич Челидзе

Если раньше для вас слова «Цифровизация» и «Цифровая трансформация» были просто громкими новостными заголовками, то благодаря этой книге вы сможете разбираться в этих темах на уровне директора по внедрению подобных проектов.Вы поймете, насколько важна роль лидера, как правильно взаимодействовать с командой при внедрении изменений.Ведь, в конце концов, среди большого количества данных и технологий сердцем цифровизации всегда будут оставаться люди.

* * *

Приведённый ознакомительный фрагмент книги Цифровая трансформация для директоров и собственников. Часть 1. Погружение предоставлен нашим книжным партнёром — компанией ЛитРес.

Купить и скачать полную версию книги в форматах FB2, ePub, MOBI, TXT, HTML, RTF и других

← Глава 1. Точка входа

Глава 2. Технологии. Плюсы, минусы, личное мнение

Наверняка многие из вас сначала предполагали, что этот раздел будет основным. Но так как эта книга не для технарей, я постараюсь рассказать об этом в упрощённой форме. Ведь наша задача — увидеть суть и начать ориентироваться в цифровых технологиях, понять, как применять их с пользой для бизнеса.

Ну а тем, кому эта тема кажется основной, предлагаю перейти по QR-коду или ссылке ниже. Там вы найдёте большое количество визуализаций, ссылок и видео.

Обзор цифровых технологий. Часть 1

Интернет вещей (IoT, IIoT)

Интернет вещей (IoT — Internet of Things, IIoT — Industry Internet of Things — промышленный интернет вещей) — это сеть взаимосвязанных с помощью интернета устройств. Это так называемые «умные устройства», хотя это название не совсем верно.

Для чего это нужно?

Во-первых, для сбора и обмена данными, которые можно анализировать и на основе такого анализа принимать решения. А во-вторых, чтобы осуществлять удалённое управление подключёнными объектами или устройствами.

По данным Strategy Analytics, в 2018 году по всему миру насчитывалось 23 млрд устройств, подключённых к интернету вещей. А к 2025 году ожидается уже около 80 млрд устройств IoT.

Активное же развитие IoT стало возможным благодаря снижению стоимости интернета (за 10 лет она снизилась в разы), а также удешевлению вычислительных мощностей и датчиков.

При этом надо понимать, что интернет вещей — это не столько условно «умный» чайник, розетка и так далее, сколько генератор больших данных (о которых мы поговорим чуть позже), то, с чем потом будут работать аналитики и дата-саентисты, чтобы формировать новые предложения и генерировать идеи.

IoT, например, позволит:

— развивать предсказательную аналитику и предотвращать аварии или катастрофы на промышленных объектах;

— регулировать дорожное движение с учётом плотности потока;

— готовить рекомендации по повышению эффективности.

Сценарии применения здесь ограничены только фантазией.

Главные плюсы — мобильность и генерация «чистых» данных, то есть исключение ошибок, которые возникают при вводе данных человеком.

Я считаю, что интернет вещей, в том числе промышленный, — это одна из таких технологий, которые окажут фундаментальное влияние на все стороны нашей жизни. Всего через 5—10 лет.

Теперь необходимо затронуть вопрос, как работает интернет вещей. Неужели придётся тянуть везде кабели или ставить роутеры?

Нет.

Чтобы организовать обмен данными, можно использовать различные беспроводные системы связи, причём не обязательно мобильные сети, — всё зависит от целей и задач.

Для начала рассмотрим LPWAN — сети дальнего радиуса действия.

LPWAN

LPWAN (Low-power Wide-area Network, энергоэффективная сеть дальнего радиуса действия) — это технология беспроводной передачи небольших объёмов данных на дальние расстояния. Так как объёмы небольшие, хватает низкой скорости передачи данных, что позволяет добиться большей дальности их приёма.

Данная технология создана для сбора телеметрии и взаимодействия между машинами (М2М). По сути, она является одной из ключевых беспроводных технологий для систем интернета вещей.

Подход LPWAN-сети схож с принципом работы сетей мобильной связи. Устройство или модем с LPWAN-модулем отправляет данные по радиоканалу на базовую станцию. Станция принимает сигналы от всех устройств в радиусе своего действия, оцифровывает и передаёт на удалённый сервер, используя доступный канал связи: проводной интернет или сотовую связь.

Схема сбора и обработки данных при работе с LPWAN

Сравнение различных стандартов связи

Преимущества LPWAN

— Большая дальность — от 10 до 15 км

— Низкое энергопотребление у датчиков

— Относительно высокая дальность даже в городе

— Легко строить сети и добавлять новые объекты

— Легко применять — можно обойтись без разрешений и платы за радиочастотный спектр

Недостатки LPWAN

— Низкая скорость — возможно передавать только «необходимые данные»

— Высокая задержка между сеансами передачи данных

— Нет единого стандарта для создания совместимых решений от разных производителей

Два основных варианта реализации LPWAN-сети:

— лицензионный диапазон частот (повышенная мощность, относительно высокая скорость, нет помех);

— безлицензионный диапазон частот (низкая мощность, низкая скорость, ограничение рабочего цикла передатчика, возможны помехи от других участников).

3 основные технологии построения LPWAN-сетей:

— NB-IoT — эволюция сотовой связи;

— UNB (безлицензионный LPWAN) — SigFox в мире, «Стриж» в России;

— LoRa — широкополосный безлицензионный LPWAN.

NB-IoT

NB-IoT (Narrow Band Internet of Things) — стандарт сотовой связи для устройств телеметрии с низкими объёмами обмена данными: медицинских датчиков, счётчиков потребления ресурсов, устройств умного дома и так далее.

NB-IoT является одним из трёх стандартов IoT, разработанных для сотовых сетей связи:

— eMTC (enhanced Machine-Type Communication) — обладает наибольшей пропускной способностью и разворачивается на оборудовании LTE (4G);

— NB-IoT — может быть развернута как на оборудовании сотовых сетей LTE, так и отдельно, в том числе поверх GSM;

— EC-GSM-IoT — предоставляет наименьшую пропускную способность и разворачивается поверх сетей стандарта GSM.

Достоинства NB-IoT

— Гибкое управление энергопотреблением устройств (вплоть до 10 лет в сети от батареи ёмкостью 5 Вт*ч)

— Высокая ёмкость сети (сотни тысяч подключённых устройств на одну базовую станцию)

— Низкая стоимость устройств

LoRaWAN

LoRaWAN — открытый протокол связи, который определяет архитектуру системы. Разрабатывался с целью организации связи между недорогими устройствами, которые могут работать от батарей (аккумуляторов).

По данным IoT Analytics, на вторую половину 2020 года являлся наиболее распространённой технологией маломощных глобальных сетей (LPWAN).

Технология LoRa необходима в первую очередь для взаимодействия машин между собой, она может обслуживать до 1 млн устройств в одной сети, давая им автономность до 10 лет от одной батарейки формата AA (обычная пальчиковая батарейка).

Чтобы обзор был объективным, необходимо рассмотреть минусы и ограничения.

Самым главным ограничением для организаций, желающих внедрить IoT, становятся затраты и сроки реализации проектов. Ещё одним стоп-фактором стала ограниченность экспертных знаний штатных сотрудников.

Из технологических недостатков следует отметить:

— энергоснабжение (либо имеем низкую скорость и частоту данных, либо необходимо организовать энергоснабжение);

— размеры (далеко не все датчики могут быть миниатюрными);

— калибровка оборудования (достоверность показаний);

— зависимость от сети передачи данных;

— отсутствие единых протоколов и стандартов для передаваемых данных, что может затруднить обработку, интеграцию и анализ данных даже в масштабах одного производства (в феврале 2022 года вышел новый стандарт ISO/IEC 30162:2022, но переход к единым правилам всё равно будет нескорым);

— уязвимость для атак извне и последующая утечка данных или получение злоумышленниками доступа к управлению оборудованием.

Вы наверняка слышали о 5G. О том, что это прорыв в сфере связи и ни один новый флагман не может быть таковым, если в нём нет 5G. Ведь без него невозможно смотреть на смартфоне новый сериальчик в 4 или 8К. Поэтому надо покупать смартфоны только с этим модулем и платить на 10 000 рублей больше по сравнению с версией с модулем 4G.

Но мало кто знает, что сам стандарт проектировался не ради видео в YouTube или TikTok, а для масштабного развития и внедрения цифровых сервисов. Его «фишкой» является гибкое комбинирование сверхнизкой задержки (URLLC), высокой скорости (eMBB) и надёжности канала связи (mMTC), смотря что именно необходимо конкретному абоненту.

Проще говоря, это связь для интернета вещей. Возможно, она не совсем подходит для промышленного интернета вещей, но для умного города, здравоохранения и промышленных предприятий в черте города это идеальный вариант.

Итак, в чём же отличие 5G от 4G/LTE?

— В 8 раз лучше энергоэффективность

— В 10—100 раз больше скорость

— В 100 раз больше количество абонентов на одной базовой станции

Сравнение стандартов связи

Все, кто занимается цифровизацией на производствах и даже просто внедрением АСУ ТП, знают, что основная проблема именно в том, чтобы организовать передачу данных к датчикам или от них. Решение этого вопроса в соответствии со всеми правилами компании стоит порой в несколько раз дороже самого «железа» и программного обеспечения.

И я надеюсь, что с развитием технологии 5G данная проблема будет всё менее актуальной.

Кроме того, развитие данной технологии также поможет и внедрению более совершенных IT-систем, особенно класса MES, APS, EAM, BIM. Подробнее о них — в следующей главе. Всем этим системам нужна информация с датчиков без участия человека.

Но есть и неприятный для многих момент. Всё это потребует других компетенций от сотрудников. А значит, начнутся «оптимизации» организационной структуры и увеличение социальной напряжённости.

Давайте рассмотрим основные факторы, влияющие на скорость внедрения нового стандарта в России.

1. Положительные

— «Наверху» уже осознают необходимость двигаться в этом направлении. А значит, есть надежда, что это будут продвигать сверху вниз. А в нашей стране нередко только так всё и работает.

— К 2030 году от 5G ожидают дополнительные доходы в экономику в размере 2 трлн рублей. Это даёт надежду, что и с военными договорятся (об этом ниже), и чиновников будут подгонять.

2. Отрицательные

— Бюрократия и низкая квалификация в цифре, особенно в регионах. Несмотря на понимание «верхов», мы знаем, как умеют чиновники на местах и бюрократия убить любую затею.

— Конфликт с военными. Насколько мне известно, частоты для 5G принадлежат военным и МЧС, и отдавать их они не хотят. При этом мы видим, что в стратегии нашего государства сейчас доминируют как раз интересы армии и обороны.

— Дороговизна цифровизации. Нашему бизнесу трудно позволить себе качественную цифровизацию. Причины — цены на оборудование и софт, а также дефицит нужных кадров. В ближайшее время никаких изменений в этом не предвидится. Те, кто может себе это позволить (корпорации), очень бюрократизированы (попробуйте согласовать доступ в интернет на производственной площадке) и не мотивированы, потому что боятся на местах и банально не готовы. В таких компаниях можно увидеть и провалы, и банальные «распилы», и неэффективные вложения.

— Новое поколение оборудования в любом случае будет дороже нынешнего, при этом на единицу территории понадобится большее количество вышек. Кто будет это финансировать? С учётом падения реальных доходов с 2014 года, люди вряд ли готовы платить больше за связь, а сами операторы не готовы вкладываться и ждать, когда цена станет приемлемой для людей и бизнеса, чтобы они захотели и смогли платить за доступ. Поэтому, я думаю, планы и программы появятся, но сроки будут растягиваться, а содержание бесконечно корректироваться. Пойдёт вялое и локальное развитие, в основном в имиджевых местах или там, где будет интерес конкретных людей.

В итоге у нас слишком много фундаментальных проблем в «реальном» секторе экономики: низкая квалификация (цифровая и управленческая) персонала от работяги до менеджмента и чиновников (я не верю, что аналоговый и некомпетентный руководитель сможет развивать цифру), высокая зарегулированность и страхи, сильные позиции «консерваторов» и безопасников, которые не готовы идти навстречу и вести диалог.

По некоторым предварительным оценкам чиновников, полномасштабное развертывание 5G в городах-миллионниках можно ожидать не раньше 2024 года.

А пока мы думаем о переходе на 5G, в Китае и США уже разрабатывают стандарты для сетей 6-го поколения. Но зачем?

Чтобы обеспечить дальнейший рост внедрения умных устройств! 5G всё равно имеет ограниченную ёмкость.

Некоторые источники говорят о пиковых скоростях до 1 Тбит/с. Средняя скорость несколько сотен Мбит/с. Средняя задержка передачи сигнала — 1 мс, что полезно для приложений, требующих минимальной задержки, таких как автопилоты и виртуальная реальность. Количество активных устройств, которые смогут подключиться к 6G на единицу времени, также будет в несколько раз выше, чем у 5G.

«Эра 6G предложит новые возможности для создания интерфейсов мозг-компьютер», — говорит доктор Сиднейского университета Махьяр Ширванимогаддам. Пример такой разработки — электронный чип для парализованных и людей с нарушениями ЦНС, который создаёт стартап Илона Маска.

При этом у 6G есть одно большое преимущество — для его внедрения можно модернизировать уже имеющиеся вышки 5G, в то время как для самого 5G пришлось строить новые базовые станции.

На данный момент считается, что 6G может быть введён в начале 2030-х годов.

Нейросети, машинное и глубокое обучение (ML & DL), системы распознавания речи и текста

Вот мы и подобрались к будущему — нейросетям, искусственному интеллекту, восстанию машин и прочим страшилкам.

Нейросети — пожалуй, самая интересная технология. При поддержке интернета вещей, 5G и больших данных она принесёт в нашу жизнь революционные изменения.

При этом искусственный интеллект — это любой математический метод, который позволяет имитировать человеческий интеллект.

Ох, как наши любимые рекламщики и маркетологи довольны… Теперь любую, самую простую нейросеть можно гордо назвать «Искусственным Интеллектом».

Но искусственный интеллект ещё разделяют на сильный и слабый. В 2019 году учёные из МФТИ приблизились к созданию сильного ИИ — аналога человеческого сознания. Это способность не просто отличить ручку от карандаша или кошку от собаки (по такому принципу работают все нейросети, это слабый ИИ), но и ориентироваться в меняющихся условиях, выбирать конкретные решения, моделировать и прогнозировать развитие ситуации.

Еще один пример появление сильного ИИ по QR и ссылке ниже

Опубликован диалог с «разумным» ИИ Google LaMDA, который называет себя человеком

Сильный ИИ будет незаменим в системах интеллектуального транспорта и грузоперевозок, когнитивных ассистентах. Но это будущее, а что есть сейчас?

Сейчас есть обучаемые нейросети. Искусственная нейронная сеть — это математическая модель, созданная по подобию нейросетей, составляющих мозг живых существ. Такие системы учатся выполнять задачи, рассматривая их без специального программирования под конкретное применение. Это можно встретить в Яндекс Музыке, автопилотах Теслы, в системах рекомендации для врачей и управленцев.

И здесь 2 главных тренда:

— машинное обучение (ML — machine learning);

— глубокое обучение (DL — deep learning).

Машинное обучение — это статистические методы, позволяющие компьютерам улучшить качество выполняемой задачи с накоплением опыта и дообучения. То есть речь идёт как раз о том, как работают нейронные сети живых организмов.

Глубокое обучение — это не только обучение машины с помощью человека, который говорит, что верно, а что нет, но и самообучение систем. Это одновременное использование различных методик обучения и анализа данных.

Но как обучают эти нейросети? В чём магия?

А собственно, ни в чём. Это как дрессировка собаки. Нейросети раз за разом показывают, например, картинку и говорят, что на ней изображено. Потом нейросеть должна сама ответить, и, если ответ ошибочный, в неё вносят корректировки. Примерный алгоритм указан ниже.

В итоге получается, что каждый «нейрон» такой сети учится распознавать, относится к нему эта картинка, точнее её часть, или нет.

Пример работы нейросети при распознавании изображения

Нейросети и машинное обучение применяются:

— для прогнозирования и принятия решений;

— распознавания образов и генерирование, в том числе «картинок» и голосовых записей;

— анализа сложных данных без чётких взаимосвязей;

— оптимизации процессов.

Прикладное значение этого можно увидеть на примерах создания беспилотных авто (принятие решений), поиска незаконного контента (анализ данных), прогнозирования болезней (распознавание образов и поиск связей). При этом сейчас на хайпе именно распознавание образов и генеративные модели (chatGPT, midjourney и т.д.). А вот бизнес-задачи пока решаются слабо. При этом 9 из 10 студентов сейчас идут учиться именно на распознавание образов и машинное зрение.

Особое внимание заслуживает связка ИИ + IoT:

— ИИ получает чистые большие данные (о них в следующем разделе), в которых нет ошибок человеческого фактора для обучения и поиска взаимосвязей;

— эффективность IoT повышается, так как становится возможным создание предиктивной (предсказательной) аналитики и раннего выявления отклонений.

Ладно, всё это теория. Я же хочу поделиться реальным примером, как можно применять нейросети в бизнесе.

Летом 2021 года ко мне обратился один предприниматель из риелторской сферы. Он занимается арендой недвижимости, в том числе посуточно. Его цель — увеличение пула сдаваемых квартир и смена статуса предпринимателя на полноценную организацию. В ближайших планах запуск сайта и мобильного приложения.

Сложилось так, что я сам был его клиентом. И при нашей встрече заметил очень большую проблему — долгую подготовку договора: на оформление всех реквизитов и подписание уходит до 30 минут. А это и ограничение системы с генерированием потерь, и неудобство для клиента.

Представьте ситуацию, что вы хотите провести время с девушкой, но вынуждены ждать полчаса, пока ваши паспортные данные внесут в договор, всё сверят и подпишут.

Сейчас есть лишь один вариант исключить это неудобство — запрашивать фото паспорта заранее и вручную вносить все данные в шаблон договора. Как вы понимаете, это тоже не очень удобно.

Как же цифровые инструменты помогут решить эту проблему, а заодно заложат основу для работы с данными и аналитикой?

— Можно попробовать провести интеграцию с «Госуслугами». Тогда человек сможет авторизоваться через их учётку — там паспортные данные уже выверены и будет легче использовать их для последующей аналитики. Правда, если вы не государственная компания, то получить доступ к авторизации через данный сервис — та ещё задача.

— Подключение нейросети. Клиент присылает фото паспорта, нейросеть распознаёт данные и вносит в шаблон или базу. Остаётся лишь распечатать готовый договор или подписать в электронном виде. И преимущество здесь в том, что все паспорта стандартизированы. Серия и номер всегда напечатаны одним цветом и шрифтом, код подразделения тоже, а перечень выдавших подразделений не очень большой. Обучить такую нейросеть можно легко и быстро. Справится даже студент в дипломной работе. В итоге бизнес экономит на разработке, а студент получает актуальную дипломную работу. Кроме того, при каждой ошибке нейросеть будет становиться всё умнее.

В ближайшие годы в России собираются переходить на цифровые паспорта, тем самым еще сильнее упрощая работу нейросетей с документами. В данном примере это означает, что не придется тратить время даже на фотографирование и пересылку паспорта.

В итоге вместо 30 минут подписание договора занимает около 5. То есть при восьмичасовом рабочем дне 1 человек сможет заключать не 8 договоров (30 минут на оформление и 30 минут на дорогу), а 13—14. И это при консервативном подходе — без электронного подписания, доступа в квартиру через мобильное приложение и смарт-замки. Но я считаю, что сразу внедрять «навороченные» решения и не надо. Высока вероятность потратить деньги на то, что не создаёт ценности и не снижает издержек. Это будет следующий шаг, после того как клиент получит результат и компетенции.

Также приведу ещё два реальных применения нейросетей и машинного обучения:

— «МегаФон» поможет бизнесу оперативно выявлять конфликтные диалоги с клиентами;

— Яндекс. Браузер внедрил машинный перевод видеороликов в режиме реального времени.

Ограничения

Лично я вижу следующие ограничения в данном направлении.

— Качество и количество данных. Нейросети требовательны к качеству и количеству исходных данных. Но эта проблема решается. Если ранее нейросети необходимо было прослушать несколько часов аудиозаписи, чтобы синтезировать вашу речь, то сейчас достаточно нескольких минут. А для нового поколения потребуется всего несколько секунд. Но тем не менее им всё равно нужно много размеченных и структурированных данных. И любая ошибка влияет на конечное качество обученной модели.

— Качество «учителей». Нейросети обучают люди. И здесь очень много ограничений: кто и чему учит, на каких данных, для чего.

— Этическая составляющая. Я имею в виду вечный спор, кого сбить автопилоту в безвыходной ситуации: взрослого, ребёнка или пенсионера. Подобных споров бесчисленное множество. Для искусственного интеллекта нет этики, добра и зла.

Так, например, во время испытательной миссии беспилотнику под управлением ИИ поставили задачу уничтожить системы ПВО противника. В случае успеха ИИ получил бы очки за прохождение испытания. Финальное решение, будет ли цель уничтожена, должен был принимать оператор БПЛА. После этого во время одной из тренировочных миссий он приказал беспилотнику не уничтожать цель. В итоге ИИ принял решение убить оператора, потому что этот человек мешал ему выполнить свою задачу.

После инцидента ИИ обучили, что убивать оператора неправильно и за такие действия будут сниматься очки. Тогда ИИ принял решение разрушить башню связи, используемую для связи с дроном, чтобы оператор не мог ему помешать.

— Нейросети не могут оценить данные на реальность и логичность.

— Готовность людей. Нужно ожидать огромного сопротивления людей, чью работу заберут сети.

— Страх перед неизвестным. Рано или поздно нейросети станут умнее нас. И люди боятся этого, а значит, будут тормозить развитие и накладывать многочисленные ограничения.

— Непредсказуемость. Иногда все идет как задумано, а иногда (даже если нейросеть хорошо справляется со своей задачей) даже создатели изо всех сил пытаются понять, как же алгоритмы работают. Отсутствие предсказуемости делает чрезвычайно трудным устранение и исправление ошибок в алгоритмах работы нейросетей.

— Ограничение по виду деятельности. Алгоритмы ИИ хороши для выполнения целенаправленных задач, но плохо обобщают свои знания. В отличие от людей, ИИ, обученный играть в шахматы, не сможет играть в другую похожую игру, например, шашки. Кроме того, даже глубокое обучение плохо справляется с обработкой данных, которые отклоняются от его учебных примеров. Чтобы эффективно использовать тот же ChatGPT, необходимо изначально быть экспертом в отрасли и формулировать осознанный и четкий запрос, а затем проверить корректность ответа.

— Затраты на создание и эксплуатацию. Для создания нейросетей требуется много денег. Согласно отчёту Guosheng Securities, стоимость обучения модели обработки естественного языка GPT-3 составляет около 1,4 миллиона долларов. Для обучения более масштабной модели может потребоваться и вовсе от 2 миллионов долларов. Если взять для примера именно ChatGPT, то только на обработку всех запросов от пользователей необходимо более 30 000 графических процессоров NVIDIA A100. На электроэнергию будет уходить около 50 000 долларов ежедневно. Требуется команда и ресурсы (деньги, оборудование) для обеспечения их «жизнедеятельности». Также необходимо учесть затраты на инженеров для сопровождения.

P.S.

Машинное обучение движется ко всё более низкому порогу вхождения. Совсем скоро это будет как конструктор сайта, где для базового применения не нужны специальные знания и навыки.

Создание нейросетей и дата-сайнс уже сейчас развивается по модели «сервис как услуга», например, DSaaS — Data Science as a Service.

Знакомство с машинным обучением можно начинать с AUTO ML, его бесплатной версией, или DSaaS с проведением первичного аудита, консалтинга и разметкой данных. При этом даже разметку данных можно получить бесплатно. Всё это снижает порог вхождения.

Будут создаваться отраслевые нейросети и всё активнее будет развиваться направление рекомендательных сетей, так называемые цифровые советники или решения класса «системы поддержки и принятия решений (DSS) для различных бизнес-задач».

Подробно я разбирал вопрос ИИ в отдельной статье, доступной по QR и ссылке.

Искусственный интеллект: помощник или игрушка?

Большие данные (Big Data)

Большие данные (big data) — совокупное название структурированных и неструктурированных данных. Причём в таких объёмах, которые просто невозможно обработать в ручном режиме.

Часто под этим ещё понимают инструменты и подходы к работе с такими данными: как структурировать, анализировать и использовать для конкретных задач и целей.

Неструктурированные данные — это информация, которая не имеет заранее определённой структуры или не организована в определённом порядке.

Области применения

— Оптимизация процессов. Например, крупные банки используют большие данные, чтобы обучать чат-бота — программу, которая может заменить живого сотрудника на простых вопросах, а при необходимости переключит на специалиста. Или выявление потерь, генерируемых этими процессами.

— Подготовка прогнозов. Анализируя большие данные о продажах, компании могут предсказать поведение клиентов и покупательский спрос в зависимости от времени года или расположения товаров на полке. Также они используются, чтобы спрогнозировать отказы оборудования.

— Построение моделей. Анализ данных об оборудовании помогает строить модели наиболее выгодной эксплуатации или экономические модели производственной деятельности.

Источники сбора Big Data

— Социальные — все загруженные фото и отправленные сообщения, звонки, в общем всё, что делает человек в Интернете.

— Машинные — генерируются машинами, датчиками и «интернетом вещей»: смартфоны, умные колонки, лампочки и системы умного дома, видеокамеры на улицах, метеоспутники.

— Транзакционные — покупки, переводы денег, поставки товаров и операции с банкоматами.

— Корпоративные базы данных и архивы. Хотя некоторые источники не относят их к Big Data. Тут возникают споры. И основная проблема — несоответствие критериям «обновляемости» данных. Подробнее об этом чуть ниже.

Категории Big Data

— Структурированные данные. Имеют связанную с ними структуру таблиц и меток. Например, таблицы Excel, связанные между собой.

— Полуструктурированные или слабоструктурированные данные. Не соответствуют строгой структуре таблиц и отношений, но имеют «метки», которые отделяют смысловые элементы и обеспечивают иерархическую структуру записей. Например, информация в электронных письмах.

— Неструктурированные данные. Вообще не имеют никакой связанной с ними структуры, порядка, иерархии. Например, обычный текст, как в этой книге, файлы изображений, аудио и видео.

Обрабатывают такие данные на основе специальных алгоритмов: сначала данные фильтруются по условиям, которые задаёт исследователь, сортируются и распределяются между отдельными компьютерами (узлами). После этого узлы параллельно рассчитывают свои блоки данных и передают результат вычислений на следующий этап.

Характеристики больших данных

По разным источникам, большие данные характеризуются тремя, четырьмя, а по некоторым мнениям пятью, шестью и даже восемью компонентами. Но давайте остановимся на самой, как мне кажется, разумной концепции из четырех компонентов.

— Volume (объём): информации должно быть много. Обычно говорят о количестве от 2 терабайт. Компании могут собирать огромное количество информации, размер которой становится критическим фактором в аналитике.

— Velocity (скорость): данные должны обновляться, иначе они устаревают и теряют ценность. Практически всё происходящее вокруг нас (поисковые запросы, социальные сети) производит новые данные, многие из которых можно использовать для анализа.

— Variety (разнообразие): генерируемая информация неоднородна и может быть представлена в различных форматах: видео, текст, таблицы, числовые последовательности, показания датчиков.

— Veracity (достоверность): качество анализируемых данных. Они должны быть достоверными и ценными для анализа, чтобы им можно было доверять. Также данные с низкой достоверностью содержат высокий процент бессмысленной информации, которая называется шумом и не имеет ценности.

Ограничения на пути внедрения Big Data

Основное ограничение — качество исходных данных, критическое мышление (а что мы хотим увидеть? какие боли? — для этого делаются онтологические модели), правильный подбор компетенций. Ну, и самое главное — люди. Работой с данными занимаются дата-саентисты. И тут есть одна расхожая шутка: 90% дата-сайентистов — это дата-сатанисты.

Цифровые двойники

Цифровой двойник — это цифровая/виртуальная модель любых объектов, систем, процессов или людей. По своей концепции она точно воспроизводит форму и действия физического оригинала и при этом синхронизирована с ним. Погрешность между работой двойника и реальным объектом не должна превышать 5%.

При этом надо понимать, что создать абсолютный цифровой двойник практически невозможно, поэтому важно определить, какую область рационально моделировать.

Впервые концепцию цифрового двойника описал в 2002 году Майкл Гривс, профессор Мичиганского университета. В книге «Происхождение цифровых двойников» он разложил их на три основные части:

— физический продукт в реальном пространстве;

— виртуальный продукт в виртуальном пространстве;

— данные и информация, которые объединяют виртуальный и физический продукт.

Сам же цифровой двойник может быть:

— прототипом — аналогом реального объекта в виртуальном мире, который содержит все данные для производства оригинала;

— экземпляром — историей эксплуатации и данными обо всех характеристиках физического объекта, включая 3D-модель, экземпляр действует параллельно с оригиналом;

— агрегированным двойником — комбинированной системой из цифрового двойника и реального объекта, которыми можно управлять и обмениваться данными из единого информационного пространства.

Наибольшее развитие технология приобрела благодаря развитию искусственного интеллекта и удешевлению интернета вещей. Цифровые двойники стали получать «чистые» большие данные о поведении реальных объектов, появилась возможность предсказывать отказы оборудования задолго до происшествий. И хотя последний тезис довольно спорный, это направление активно развивается.

В результате цифровой двойник является синергией 3D-технологий, в том числе дополненной или виртуальной реальности, искусственного интеллекта, интернета вещей. Это синтез нескольких технологий и фундаментальных наук.

Сами по себе цифровые двойники можно разделить на 4 уровня.

— Двойник отдельного узла агрегата моделирует работу наиболее критичного узла агрегата. Это может быть конкретный подшипник, щётки электродвигателя, обмотка статора или электродвигатель насоса. В общем, тот узел, который имеет наибольший риск отказа.

— Двойник агрегата моделирует работу всего устройства. Например, газотурбинная установка или весь насос.

— Двойник производственной системы моделирует несколько активов, связанных воедино: производственную линию или весь завод.

— Двойник процесса — здесь речь идёт уже не о «железках», а о моделировании процессов. Например, при внедрении MES — или APS-систем. О них поговорим в следующей главе.

Какие же задачи позволяет решить технология цифрового двойника?

— Становится возможным уменьшить количество изменений и затрат уже на стадии проектирования оборудования или завода, что позволяет существенно сократить издержки на остальных этапах жизненного цикла. А также это позволяет избежать критических ошибок, изменение которых бывает невозможно на стадии эксплуатации.

Чем раньше выявляется ошибка, тем дешевле ее устранить

Помимо роста стоимости, со временем и снижаются возможности по исправлению ошибок

— Благодаря сбору, визуализации и анализу данных появляется возможность принимать превентивные меры до наступления серьёзных аварий и повреждения оборудования.

— Оптимизировать затраты на техническое обслуживание с одновременным повышением общей надёжности. Возможность предсказывать отказы позволяет ремонтировать оборудование по фактическому состоянию, а не по «календарю». При этом не нужно держать большое количество оборудования на складе, то есть замораживать оборотные средства.

Использование ЦД в сочетании с большими данными и нейросетями и путь от отчетности и мониторинга, к системам предиктивной аналитики и предотвращению аварий

— Выстроить наиболее эффективные рабочие режимы и минимизировать издержки на производство. Чем дольше будет накопление данных и глубже аналитика, тем эффективнее пойдёт оптимизация.

При этом очень важно не путать виды прогнозирования. В последнее время, работая с рынком различных IT-решений, я постоянно вижу путаницу в понятиях предиктивной аналитики и машинного выявления отклонений в работе оборудования. То есть, используя машинное выявление отклонений, говорят о внедрении нового, предиктивного подхода к организации обслуживания.

С одной стороны, в обоих случаях действительно работают нейросети. При машинном выявлении аномалий нейросети тоже находят отклонения, что позволяет провести обслуживание до серьёзной поломки и заменить только износившийся элемент.

Но давайте внимательнее посмотрим на определение предиктивной аналитики.

Предикативная (или предиктивная, прогнозная) аналитика — это прогнозирование, основанное на исторических данных.

То есть это возможность предсказывать отказы оборудования до того, как отклонение наступило. Когда эксплуатационные показатели ещё в норме, но уже начинают формироваться тенденции к отклонениям.

Если перевести на совсем бытовой уровень, то выявление аномалий — это когда у вас меняется давление и вас об этом предупреждают прежде, чем заболит голова или начнутся проблемы с сердцем. А предиктивная аналитика — это когда всё ещё нормально, но у вас изменился режим питания, качество сна или что-то ещё, соответственно, в организме запущены процессы, которые впоследствии приведут к росту давления.

И получается, основная разница — в глубине погружения, наличии компетенций и горизонте предсказания. Выявление аномалий — это краткосрочное предсказание, чтобы не довести до критической ситуации. Для этого не нужно изучать исторические данные на большом промежутке времени, например, за несколько лет.

А полноценная предиктивная аналитика — это долгосрочное предсказание. Вы получаете больше времени на принятие решения и выработку мер: запланировать закупку нового оборудования или запчастей, вызвать ремонтную бригаду по более низкой цене или изменить режим работы оборудования, чтобы не допустить возникновения отклонений.

Так думаю я, но, возможно, есть и альтернативные мнения, особенно у маркетологов.

Самым главным ограничением на данный момент я считаю сложность и дороговизну технологии. Создавать математические модели долго и дорого, а риск ошибок высок. Необходимо совместить технические знания об объекте, практический опыт, знания в моделировании и визуализации, соблюдение стандартов в реальных объектах. Далеко не для всех технических решений это оправданно, как и далеко не каждая компания обладает всеми компетенциями.

Поэтому я полагаю, что для производств целесообразно начинать с анализа аварий, определять критичные компоненты активов и создавать именно их модели. То есть использовать подход из теории ограничений системы.

Это позволит, во-первых, минимизировать риск ошибок. Во-вторых, войти в это направление с меньшими затратами и получить эффект, на который можно будет опираться в дальнейшем. В-третьих, накопить экспертизу по работе с данными, принятию решений на их основе и «усложнению» моделей. Наличие собственных компетенций в работе с данными — одно из ключевых условий успешной цифровизации.

Стоит помнить и о том, что пока это новая технология. И по тому же циклу Гартнер, она должна пройти «долину разочарования». А впоследствии, когда цифровые компетенции станут более привычными, а нейросети более массовыми, мы станем использовать цифровых двойников в полной мере.

Облака, онлайн-аналитика и удалённое управление

Концепция цифровой трансформации подразумевает активное использование облаков, онлайн-аналитики и возможностей удалённого управления.

Национальный институт стандартов и технологий США (NIST) выделил следующие характеристики облаков:

— самообслуживание по требованию (self service on demand) — потребитель сам определяет свои потребности: скорость доступа, производительность «железа», его доступность, объём необходимой памяти;

— доступ к ресурсам с любого устройства, подключённого к сети — абсолютно неважно, с какого компьютера или смартфона заходит пользователь, главное, чтобы оно было подключено к сети интернет;

— объединение ресурсов (resource pooling) — поставщики комплектуют «железо» для быстрой балансировки между потребителями, то есть потребитель обозначает, что ему надо, но распределение между конкретными машинами берёт на себя поставщик;

— гибкость — потребитель может в любой момент изменить набор необходимых услуг и их объём без лишних коммуникаций и согласований с поставщиком;

— автоматический учёт потребления услуг.

Но какие преимущества облака в итоге дают бизнесу?

— Возможность не «замораживать» ресурсы вложениями в основные средства и будущие расходы (для ремонта, обновления и модернизации). Это упрощает бухучёт и работу с налогами, позволяет направлять ресурсы на развитие. Ключевое — вы можете наращивать количество цифровых инструментов без необходимости постоянных закупок серверного оборудования и систем хранения данных.

— Экономия на фонде оплаты труда (ЗП + налоги дорогих специалистов для обслуживания инфраструктуры) и операционке (электричество, аренда помещений и т. д.).

— Экономия времени на запуск и начало использования IT-инфраструктуры или цифрового продукта.

— Более эффективное использование вычислительных мощностей. Не надо строить избыточную сеть для покрытия нагрузок во время пика или страдать от «тормозов» и «глюков» системы, рисковать «падением» с потерей данных. Это задача провайдера, и он выполнит её качественнее. Плюс включается принцип разделения ответственности, и сохранность данных — его задача.

— Доступность информации и в офисе, и дома, и в командировках. Это позволяет работать более гибко и качественно, нанимать людей из других регионов.

Использование стратегии «все в своем ЦОДе» очень дорогая концепция

Существует множество моделей использования облачных технологий: SaaS, IaaS, PaaS, CaaS, DRaaS, BaaS, DBaaS, MaaS, DaaS, STaaS, NaaS. Поговорим о них чуть подробнее.

— SaaS (Software as a Service) — программное обеспечение как услуга

Клиент получает программное обеспечение через Интернет: почтовые сервисы, облачная версия 1С, Trello и так далее. Перечислять можно бесконечно.

— IaaS (Infrastructure as a Service) — инфраструктура как услуга

Предоставление в аренду виртуальных серверов, жёстких дисков и любой IT-инфраструктуры. По сути, это полноценная копия физической инфраструктуры, только её не надо покупать.

— PaaS (Platform as a Service) — платформа как услуга

Аренда полноценной виртуальной платформы, включающей в себя как «железо», так и системы управления базами данных, системы безопасности и так далее. Сервис пользуется особой популярностью у разработчиков ПО.

Это три наиболее популярные модели, о которых должны знать все. И чтобы лучше понять детали, рассмотрите простую схему ниже.