Пока темой искусственного интеллекта пугают обывателя, заявляя, что роботы вот-вот лишат нас работы и самостоятельно начнут войну, технологии искусственного интеллекта (ИИ) начинают все активнее применяться в российских ИТ-продуктах. Интересно, что в некоторых случаях технологии эти базируются на основе российской фундаментальной математической науки, которая разрабатывает оригинальные подходы в этой области еще с середины прошлого века.
Мечта снабженца
Стоны по поводу оторванности российской науки от реальной жизни слышатся давно. Примером преодоления этой проблемы может стать деятельность российской ИТ-компании «Антирутина», которая объявила о разработке и внедрении в тесном сотрудничестве с российскими учеными уникального ИТ-решения с алгоритмами искусственного интеллекта в компании «Газпром». Речь идет о продукте «Антирутина. Корпорация», который российский разработчик позиционирует как универсальное ИТ-решение, способное эффективно автоматизировать процесс закупок в крупной корпорации. Новое решение — мечта любого снабженца. Любой, кто имел отношение к корпоративным закупкам нужных материалов, товаров и услуг, знает, какая это мука — выверять в прайс-листах поставщиков нужные строчки с артикулами, лучшей ценой, комплектацией и проч. Особенно кропотливым такой труд становится в крупной корпорации, где часто одновременно осуществляется закупка тысяч наименований продукции. Обычно в отделах снабжения таких компаний работают десятки людей, которые терпеливо собирают нужную информацию от поставщиков и формируют заказы.
Всю эту нудную рутинную работу предложено заменить новым ИТ-решением, которое будет справляться с такими задачами лучше, быстрее, эффективнее, чем большой штат менеджеров. «Наша система способна сама быстро анализировать внушительные массивы данных, например по прайс-листам поставщиков. С помощью алгоритмов искусственного интеллекта она в нужном виде упорядочит информацию, таким же образом, как ее упорядочил бы штат специалистов, — объясняет Герман Инденбаум, генеральный директор “Антирутины”. — Например, система, анализируя все предложения, скажем, отнесет молоко жирностью 2,8 процента к одной группе, а жирностью 3,2 процента — к другой. Литровые пачки попадут в одну категорию, поллитровые — в другую. И при этом будет выбрана лучшая цена, сроки поставок и другие важные параметры заказа».
По словам Германа Инденбаума, преимущество новой системы в том, что сервис в автоматическом режиме может быстро «понимать», что и каким образом нужно закупать конкретной компании. Например, система способна быстро анализировать десятки тысяч планируемых или исторических закупок, классифицировать и распределять все заказы в нужные группы, выявлять географическое распределение товаров и на основе базы данных цен, в том числе прайс-листов поставщиков, не только определять оптимальные цены, но и даже предсказывать их возможное повышение.
Первые опыты внедрения новой системы получили положительные отзывы пользователей. Например, в «Газпроме», где система уже успешно внедрена и работает, говорят, что новое решение позволило высвободить большой объем человеческих ресурсов. «Перед отделом снабжения нашей компании стоит задача определять оптимальные цены закупки нужного товара и правильно его каталогизировать на основе присылаемых прайс-листов и другой информации от поставщиков: например, что это лопата, или что это лопата с ручкой, или что это грабли, и у такого-то поставщика они стоят дешевле, и срок поставок у него более привлекательный, — говорит Александр Мазуров, заместитель начальника департамента “Газпрома”. — Раньше для того, чтобы систематизировать всю эту информацию, мы создавали огромный справочник. Его разрабатывал и постоянно поддерживал большой штат сотрудников, и при этом он все равно моментально устаревал. Новая же система позволяет автоматизировать этот процесс, быстро систематизировать и обновлять информацию от поставщиков, высвобождая при этом огромные человеческие ресурсы».
По словам Александра Мазурова, уникальность нового решения в том, что его разработчикам удалось научить систему «понимать», что она видит перед собой — например, грабли или лопату — и быстро классифицировать закупочный товар по нужным группам. В результате, говорят в «Газпроме», сроки формирования закупочного каталога сократились в 12 раз, и в несколько раз дешевле его поддерживать.
Обучение на прецедентах
Компания «Антирутина» была создана в 2014 году, она уже успешно вывела на рынок свою одноименную систему контроля, мониторинга и поддержки госзакупок. Особенность компании в том, что она работает в тесном сотрудничестве с представителями российской фундаментальной науки. Речь идет о таких статусных отечественных научных учреждениях, как Вычислительный центр имени А. А. Дородницына РАН, кафедры интеллектуальных систем Московского физико-технического института (МФТИ) и кафедры математических методов прогнозирования МГУ им. М. В. Ломоносова.
В «Антирутины» говорят, что именно уникальные разработки российской фундаментальной науки позволяют разрабатывать продукты с выдающимися конкурентными преимуществами. В частности, речь идет о работах известного российского ученого-математика Юрия Журавлева, который еще в середине прошлого века, по сути, создал новые направления в мировой математической науке. «Модные сейчас и, безусловно, перспективные технологии машинного обучения построены на так называемой неклассической теории экстраполяции, или на обучении по прецедентам. И фундаментальные основы этой теории активно разрабатывались в СССР еще в середине прошлого века. В частности, больших успехов в этой области достигла знаменитая школа академика Юрия Журавлева и его учеников, в число которых входит ваш покорный слуга», — рассказал «Эксперту» Константин Рудаков, известный российский математик, академик РАН, заместитель директора Федерального исследовательского центра «Информатика и управление» РАН, заведующий кафедрой интеллектуальных систем МФТИ.
По его словам, в середине прошлого века в США, СССР и других странах возник подход, альтернативный классическому математическому моделированию. Явления или ситуации описывались не множеством сложных уравнений, а как совокупность прецедентов — данных, полученных при наблюдении этого явления в конкретных ситуациях. Именно с этой идеи и начал развивать свои математические методы Юрий Журавлев. Успешное применение этих методов началось в 1970-х годах. В частности, на их основе в СССР удалось найти месторождения золота, провести ряд успешных медицинских исследований и даже применить новые алгоритмы в политологии: благодаря новым математическим алгоритмам был предсказан кризис в Бангладеш в 1973 году по описаниям положения в стране (см. «Алгоритм Кассандры», «Эксперт» № 42 за 2002 год).
«Технологии машинного обучения, о которых все говорят сейчас, построены именно на обучении на прецедентах, — продолжает Константин Рудаков. — Допустим, некий дикий человек нашел где-то автомобиль и совсем не знает, что это такое. Он начинает пробовать его использовать: вдруг понимает, как он заводится, обнаруживает, что если нажать педаль, то он поедет, и так далее. И на основе этих прецедентов, то есть своего опыта, человек в конце концов обучится сам водить машину. То же самое делает компьютер. Он строит алгоритм управления или принятия решений, основанный на формализации и использовании успешного опыта. Компьютерный алгоритм выделяет наиболее важные признаки явления, обобщает их, и таким образом происходит обучение. Но проблема в том, как признаки выделять, как их обобщать, как создать нужные алгоритмы. Значимые теоретические изыскания в этой области как раз сделали Журавлев и российская наука».
Доказать, что мы лучшие
Применение разработок школы Журавлева в конкретных отечественных ИТ-продуктах идет по нарастающей уже несколько десятилетий. Например, в конце 1990-х российская компания Forecsys при участии команды Журавлева—Рудакова разработала оригинальную систему автоматизации надзора на Московской межбанковской валютной бирже (ММВБ). Стремительно развивающиеся компьютерные технологии и системы искусственного интеллекта дают новые возможности для применения знаний российских ученых. В частности, «Антирутина» в ближайшем будущем намерена совершенствовать свои ИТ-продукты, которые потенциально могут быть востребованы в самых различных областях — начиная с медицины (анализ по признакам возможностей возникновения заболевания) и заканчивая промышленными предприятиям (анализ себестоимости продукции и прогнозирование сбыта). «В ближайшее время мы намерены совершенствовать внедренный механизм автоматизации закупок с использованием искусственного интеллекта, — говорит Александр Мазуров из “Газпрома”. — На следующем этапе мы рассчитываем создать механизмы оценки себестоимости продукции. В этом случая машина может сама оценивать затраты на компоненты конкретных изделий и давать оценку их себестоимости».
В целом участники российского ИТ-рынка и ученые убеждены, что российским компаниям вполне под силу создавать передовые решения, правда, часто все упирается в сложности внедрения и продажи. «С разработкой уникальных ИТ-продуктов с качественным функционалом у нас сейчас дела обстоят хорошо. А вот с продвижением этих продуктов — не очень», — сетует Константин Рудаков. По его словам, крупнейшие мировые ИТ-корпорации умело оборачивают пусть даже не самые удачные ИТ-решения в яркую маркетинговую обертку и потом успешно продают их, в том числе российским компаниям. А те под влиянием авторитета мировых ИТ-гигантов приобретают, подчас за гораздо более внушительные деньги, продукты, которые уступают по функциональности российским решениям. «У нас, к сожалению, это встречается сплошь и рядом: приходишь, например, к крупному российскому банку или ритейлеру, предлагаешь уникальное ИТ-решение, которое может эффективно прогнозировать поведение клиентов или продажу товаров. Российский бизнес восхищается, но потом все-таки предпочитает внедрить западное решение, потому что так спокойнее менеджерам и так их лучше поймут акционеры, — рассказывает Константин Рудаков. — Мы должны переломить эту ситуацию и доказать, что российские ИТ-продукты предпочтительнее зарубежных аналогов, в том числе потому, что они могут быть основаны на передовой российской фундаментальной математической науке».
