«Синергия бизнеса и технологии»

Гость программы: Павел Лихницкий, генеральный директор DIS Group.
Ведущий: Андрей Якименко, генеральный директор Юникон Бизнес Солюшнс. 

Андрей Якименко:
Здравствуйте, дорогие телезрители! В эфире программа «Синергия бизнеса и технологии», я и ее ведущий Андрей Якименко. Сегодня у нас интересный гость – Павел Лихницкий, генеральный директор DIS Group. Помимо того, что генеральный директор, еще и визионер в области управления данными, поэтому мы сегодня его спросим об очень важных, актуальных вопросах.

Тема управления данными сейчас находится на пике популярности, потому что и много форумов проходят, и обсуждение в профессиональной среде достаточно активное. И, наверное, является одной из трех моих мейнстривых тем: управление данными, импортозамещение традиционного ландшафта (ERP, BI, другие классы систем) и искусственный интеллект.

С одной стороны, тематики крутятся вокруг того, что нужно обеспечить качество данных. С другой стороны, создать определенные массивы для аналитики, для использования искусственного интеллекта. Но сейчас, в настоящий момент, что является локомотивом, который выдвигает эту тему на первый план? Что является побудительным фактором, или совокупностью факторов?

Павел Лихницкий:
Ты затронул целый ряд емких тем, которые каждый из них можно обсуждать по часу.

Импортозамещение – это первый большой драйвер. Крупные компании активно импортозамещаются. Многие уже импортозаместились, и какие-то результаты, которые они получили от тех технологий, которые были доступны на тот момент времени, когда они проходили импортозамещение, они не совсем соответствуют ожиданиям крупных компаний. Им необходимо посмотреть на более зрелые решения, выбрать еще раз.
Кто-то еще не смог найти решения такого уровня, которые могли бы заместить крупные западные корпоративные системы, и в процессе долгого поиска приходит к другим решениям. Поэтому драйвер импортозамещения такой же важный и большой, и мы его активно видим в крупном бизнесе во всех отраслях. И это действительно один из таких мейнстримов, которые мы видим на рынке. Это первое.

Второе – то, что ты как раз упомянул искусственный интеллект. И мы все сейчас стали понимать, все активно погружаются в эту тему, что для работы искусственного интеллекта нужны данные. И качество работы и самих моделей искусственного интеллекта, и ИИ-агентов, которые работают внутри крупных компаний, их качество работы очень сильно зависит от того, какие данные они получили, с каким контекстом они работают. И подготовка данных и обеспечение технологической возможности для такого рода систем, построенных на базе искусственного интеллекта, чтобы запитать их нужным количеством данных с нужным качеством – это очень большая и достаточно сложная задача.

Еще один срез – это то, что объемы данных в наше время лавинообразно нарастают. И те цифры, которые мы видим – это порядка 20-25% ежегодный прирост данных, то есть данных внутри контуров компании становится все больше и больше. Это такая экспонента, которая нарастает.

А если еще и задуматься над тем, что количество устройств, которые генерят эти данные, оно также лавинообразно выросло. Если возьмем крупные предприятия, то IоT-устройства генерят все больше и больше данных. И таких IоT-устройств в мире сейчас насчитывается более 21 миллиарда. Если добавим сюда порядка 6 миллиардов мобильных устройств, которые есть, то получаем огромную базу девайсов, которые генерят каждый день огромное количество данных. И за последние два года, например, было сгенерено практически 90% тех объемов данных, которые мы сейчас видим. Это огромный объем. 

Андрей Якименко:
Технологии развиваются сейчас бурно и получается, что по экспоненте.

Павел Лихницкий:
Да, это лавинообразный рост. А что это значит? Первое – огромная нагрузка на инфраструктуру внутри компании. Как финансовая, для того чтобы обеспечить оборудование для того, чтобы обрабатывать эти данные. С другой стороны – это и возможность их обрабатывать в тот срок и с той скоростью, которая нужна для нашего бизнеса, для наших проектов, связанных с цифровыми двойниками, например, или для тех самых агентов искусственного интеллекта, которые должны получить доступ уже к подготовленному массиву информации здесь и сейчас.
Соответственно, задача собрать огромное количество данных, которые нарастает ежегодно 20-25%, обработать их очень быстро и предоставить их для искусственного интеллекта – это очень непростая технологичная задача.

При этом надо экономить на оборудовании, потому что мы все понимаем, что с таким огромным ростом мы не можем по экспоненте наращивать емкость нашего сервера на оборудование.
Это основные мейнстримы, которые заставляют людей задумываться, как нам эффективно работать с данными, а кто и что должен сделать, чтобы нам удешевить хранение, увеличить скорость и вообще говоря, как над этим навести весь порядок. В общем-то, все это и является вот этим состоянием.
 

Андрей Якименко:
Кстати, хороший вопрос такой. Массив огромных данных, ты их собираешь, для этого требуется оборудование, усилительные мощности, хранение. Все это инвестиции.

И вопрос, каждая порция данных, собираемых, она вообще имеет какой-то бизнес-кейс? И вообще она полезна, не полезна? Это отрицательная инвестиция или они несут положительный эффект? Тоже отдельная такая дискуссионная тема, что дают ли прирост данных тот эффект, который от него ожидают. Это же тоже как критерий Парета работает, но это отдельный кейс к обсуждению, может быть, на следующих конференциях.
Кстати, в подтверждение того, что насколько важны управление данных, как раз в прошлом году ты озвучивал на конференции Data Summit, интересную статистику Гартнер, достаточно свежую, о том, что 30% проектов, которые делали коллеги в мировом сообществе в области искусственного интеллекта, они не смогли достичь результата из-за того, что они не уделили должного внимания качеству данных.

То есть фактически они все свои усилия направили на развитие искусственного интеллекта, а в области управления данными они не выровняли, не получили консистентных данных, поэтому не успех.
И вторая цифра, она тоже запомнилась, это когда респонденты ответили, что 60% проектов тоже по таким же причинам не достигнут того ожидаемого эффекта, который они заложили, а это, возвратные инвестиции на то же оборудование, на те же механизмы обработки данных, программные решения. Они рассчитывали, что к 2027 году получат эффект от этого, но 60% говорят, что не получат они к этому времени результата. Это тоже очень интересный вопрос.

На самом деле построить полноценную концепцию или полноценную систему управления данными в соответствии с Master Data Governance стандартами и вообще с областью этого управления, это дорого, сложно, у нас нет ни времени, и бюджеты сокращены. Но, может быть, есть какие-то фокусные вещи, которые сейчас в них ты, как визионер, как эксперт, считаешь, что в них вложения дают наибольший эффект?

То есть на них надо сосредоточиться. Да, хорошо иметь все, но есть 1, 2, 3 ключевых направления, куда нужно вкладывать, и это даст соответствующий бизнес-эффект.

Павел Лихницкий:
Это достаточно широкий вопрос, и действительно ты прав в том, что очень много таких инициатив в крупных компаниях заканчиваются неудачами, и нужно посмотреть, почему.

Первое, это потому, что зрелость внутри компаний в области управления данными часто бывает достаточно низкая, потому что дисциплина молодая, активно развивающаяся, и все по-разному понимают, что такое данные, кто за них должен отвечать. Как правило говорят, у вас же есть CDO, вот он пускай за данные отвечает.

Но на самом деле это не так.
Помимо той технологической повестки, про которую мы говорим, потому что когда мы говорим про данные, все думают, что это должна быть какая-то платформа, которая эти данные обрабатывает. Очень важна методологическая основа, причем не просто взятая из теории книг по управлению данными, а такая, которая позволит разным департаментам внутри одной и той же компании заключать так называемые дата-контракты или контракты на качество данных, именно на управленческом уровне. То есть это методология, которая позволит технологическую платформу и методы работы с данными превратить в какую-то ценность для бизнеса.
Если инициативы по управлению данными в компании внедряются с пониманием этого подхода, что это взаимный контракт, что данные являются ценностью для компании в целом, а не хранятся только внутри одного департамента. При этом есть правильная технологическая платформа, которая позволяет извлекать успех, то в целом этот успех приходит. Есть очень много референсных проектов, где мы можем показать то, как с помощью этих трех подходов: организационный, методологический и технологический – компании получают прорыв.
Должное внимание на всех уровнях и рост этой зрелости, мы все должны внутри компании друг с другом заключить вот эти контракты.

Поэтому говорить про то, что есть какие-то общие паттерны, вопрос соблазнительный.

Андрей Якименко:
Всегда хочется, чтобы тебе сказали, куда нужно двигаться. 

Павел Лихницкий:
И мы такие запросы очень много получаем тоже как участники этого рынка от разных компаний. В каждом случае это будет свой бенефит.
Но банально есть кейсы, лежащие на основе при применении современных подходов к аналитике – это технологии Data Lake House, технологии вычисления в режиме времени близком к реальному, и сейчас такие технологии мы активно на рынке видим, продвигаем – они позволяют сократить стоимость железа, стоимость хранения практически в два раза. При этом поднять выдачу информации дата-аналитикам. Это чисто такой инфраструктурный кейс.

Вторая часть то, что очень многие данные задублированы в компании. Неважно, какой сектор, не возьмете. Каждый департамент накапливает данные, потом делаются копии, потом делаются копии из копий, потом собрали агрегаты, потом снова наделали копии. И массив бесполезно хранимых, копируемых данных, огромен.

По нашим оценкам, что мы видим в реальных крупных компаниях, это 7, 8, 9 раз могут одни и те же данные храниться, при этом непонятно есть ли на них спрос.
И здесь как раз дисциплина управления данными, именно как активом, позволяет от этого также избавиться. Убрать эти дублирования и навести порядок и прозрачность того, где данные рождаются, кто за них отвечает, как они передаются в точки потребления.

Андрей Якименко:
И уникальным образом их промаркировать, чтобы ты дубликаты увидел и убрал. 

Павел Лихницкий:
Совершенно верно. И сделал те самые дата-продукты, которые потребляются в разных уголках той или иной компании. Поэтому это тоже один из таких низковисящих фруктов. Понятно, он требует определенного подхода и спонсорства с точки зрения руководства компании, повышения зрелости. Но это то, что дает достаточно большой эффект.

А дальше есть целый ряд кейсов, которые можно уже смотреть на таких конференциях, как Data Summit и другие, где компании делятся о том, что сокращается скорость получения аналитики.
Вот в одном из наших недавних проектов у крупной строительной национальной компании скорость получения аналитики от нескольких месяцев сократилась до двух часов, например. И можно прогнозировать загрузку той или иной строительной техники, доступность ее для других проектов и так дальше.
В определенных случаях мы можем обеспечить скорость аналитики для клиентских подразделений, для маркетинговых подразделений благодаря тому, что в онлайне можно посчитать эффекты от тех или иных действий.
Поэтому в зависимости от сектора, если так подытожить, такой длительный ответ: есть какие-то принятые вещи, которые уже можно видеть, как подобные компании из данного сектора с похожим бизнесом, где можно получить этот эффект. 

Андрей Якименко:
А что за пределами российской практики? Я знаю, что DIS Group активно работает с партнерами за рубежом. Это и коллеги из СНГ, из Китая, вы сегодня в майке Star rocks, тоже подключились к экосистеме. Расскажешь, в чем там основной нерв и на что сейчас обращают внимание, как на передовые задачи, идеологические, технологические? Что на острие? 

Павел Лихницкий:
С одной стороны, отрадно видеть, что мы не сильно отстаем от такой технологической повестки. Отчасти и этот трек импортозамещения, про который мы чуть-чуть раньше говорили, нас двигает к тому, чтобы искать пути, замещать крупных международных вендоров, которые зачастую сейчас уже являются в нынешней технологической повестке динозаврами, можно сказать. Дорогими, неповоротливыми, тяжело реагирующими на наши потребности.

Поэтому очень многие компании обратили свой взор как раз на технологии с открытым исходным кодом или на какие-то новые технологии нового дня, которые доступны, которые появились буквально год или два назад. И они имеют целый ряд технологических преимуществ. Они внутри себя уже содержат парадигму работы и с искусственным интеллектом, и со скоростью вычислений совершенно другого порядка по сравнению с написанными 10-20 лет назад старыми технологиями.

Мы видим, первое, что ПО с открытым исходным кодом достаточно активно применяется. Но этого недостаточно для крупного бизнеса. Крупному бизнесу нужна безопасность, гарантированная производительность, стабильность сервисов. Поэтому в ряде случаев над продуктами, предназначенными для интерпрайса, для корпоративных пользователей, есть платные версии, в которых решены вопросы с безопасностью совершенно на другом уровне, с производительностью, с масштабированием. И этот тренд мы активно видим.
Что касается нас как компании, мы сейчас заключили стратегическое партнерство с одним из крупных лендеров в области обработки данных Star rocks. Почему мы именно ее выбрали? Потому что по нашим тестам, мы потратили больше года на тесты всевозможных новых технологий. Потому что, с одной стороны, наша клиентская база – это крупнейшие компании России практически из всех секторов. И принести что-то такое, что не будет соответствовать их масштабам, мы не можем себе позволить.

С другой стороны, нам нужно было найти надежного партнера, который готов работать вместе с нами и поставлять решения на российские рынки, поддерживать все риски. С третьей стороны, мы искали то решение, что сейчас важно – ускорение аналитики, получение аналитики в реальном режиме времени при растущих объемах и, вторая часть, сокращение стоимости оборудования.
Рассматривая референсы в Китае, в крупнейших компаниях из разных индустрий, мы видим то же самое, что были созданы хранилища данных аналитических, крупные, в которых компания привыкла получать и отчетность, и аналитику. Но со временем они становились все более неповоротливыми и все более дорогими в обслуживании. И не соответствовали повестке использования агентов искусственного интеллекта, которым данные нужны очень быстро, и не соответствовали повестке аналитики внутри компании, хотя данные получают тоже в реал-тайме.
Соответственно, компании стали переходить на технологии лейкхаусов, когда можно разделить слой вычисления и слои хранения, и таким образом очень сильно удешевить инфраструктуру, при этом поднять скорость в такую, чтобы скорость отклика была менее секунды на любой аналитический запрос.
Почему интересен опыт Китая? Понятно, масштаб китайской экономики и китайских компаний большой, он впечатляет. Очень много есть компаний, которые превышают по объему показателей и клиентской базы, и транзакции, и вычислений все эти компании, что есть у нас на рынке. Поэтому однозначно технологии, которые показывают эффективность там, при правильном преломлении к нам, могут... 

Андрей Якименко:
Быстродействие, мощность, способность работать с большими объемами данных, это важно. Многие наши компании, когда работают с импортозамещением, это первые вопросы, которые стоят: потянет ли это наш объем данных, наши процессы, сложную производственную архитектуру и прочее.

Сейчас очень много говорят о том, что искусственный интеллект, платформы, всякие мультиагентские решения постепенно вытесняют часть традиционных решений. Традиционный BI, который выглядит как – сформировали отчет, получили или сделали какой-то дашборд, его достаточно быстро, без участия специалистов, может сформировать пользователь, просто сформировав определенный запрос.
В области управления данными, классических задач, может быть, у вас уже есть такой опыт, когда имплементированное решение, связанное с искусственным интеллектом, убирает этот традиционный слой, убирает какие-то традиционные задачи, к примеру, нормализация данных, очистка, выявление дубликатов, в которых вы уже это применили?

Павел Лихницкий:
Безусловно, такие кейсы есть, если отвечать коротко.

Мне кажется с серьезным приходом в корпоративную среду инструментов искусственного интеллекта, которые сейчас во многих организациях являются де-факто стандартом и активно используются внутри, мы как поставщики технологий тоже достаточно активно их используем как внутри наших продуктов и решений, и интегрируем их внутрикорпоративную среду работы искусственного интеллекта, потому что сейчас действительно в каждой крупной компании есть достаточно большие отделы по созданию агентов на основе искусственного интеллекта, и эти агенты точно также должны иметь возможность обращаться к платформе управления данными и работать с ней, как с любой корпоративной системой.
Если поговорить про задачи, связанные с нормализацией работы с расширенной справочной пространства, то это одна из первых областей, в которых модели искусственного интеллекта дают очень сильный и серьезный эффект. Целый ряд таких проектов у нас реализован, у нас есть система класса мастер-данные, управление мастер-данными, и в ней сделаны модули нормализации и другие модули, которые позволяют все то, что раньше делалось месяцами, сделать буквально за одну-две недели. И это очень эффективно.

Андрей Якименко:
Раньше команды набирали, они обрабатывали эти данные, эксперты работали, под ними сидели большие команды, паспортизация и подготовка данных, теперь искусственный интеллект это может сделать намного быстрее.

Павел Лихницкий:
Это одна из частей.

На мой взгляд это достаточно понятная область, когда мы автоматизируем с помощью искусственного интеллекта то, что раньше занимало много времени. Это, по сути, некая рутинная операция с низкой достаточно добавленной стоимостью, и это то, что является предметом первой необходимости и то, что искусственный интеллект может ускорить.
Гораздо более интересна другая область, когда мы даем совершенно другую парадигму работы с данными внутри компании. Здесь это как раз то ноу-хау, которое невозможно без искусственного интеллекта. То, что входят в современные аналитические платформы, помимо самого функционала платформы, которая обеспечивает быстрый расчет, компьютеры, правильное хранение данных, для искусственного интеллекта нужен контекст. Как раз создание систем поверх вычислительных движков, которые содержат в себе корпоративный контекст, связанный как с контекстом вокруг данных, с контекстом вокруг бизнеса компании, с контекстом вокруг пользователей, их ролей и так дальше. Создание этого семантического слоя, к которому же обращаются агенты искусственного интеллекта, это позволяет построить совершенно другую систему и парадигму общения с искусственным интеллектом, вплоть до общения через обычное окно чата, которое запускает различные агенты. И он уже с помощью семантического слоя дает наиболее релевантный и очень быстрый ответ. То, что внизу у нас есть современная технологическая платформа, это совершенно другой опыт работы с аналитикой, с данными и то, что может дать дополнительную ценность. Совершенно другая скорость и, в принципе, новый опыт. И это то, куда и мировая индустрия движется, и наши продукты туда движутся, и передовые наши клиенты, они разрабатывали такую концепцию.
Мало иметь просто технологию искусственного интеллекта и агентов, очень важно выстроить семантический слой и быстрый компьютер, движок, который может дать данные туда.