2022/08/03 15:23:28

Умная обработка процессов

Интеллектуальные технологии сегодня шагнули далеко за пределы отдельных операций, например, семантического анализа конкретного документа. ИИ-решения стали становиться составной частью весьма сложных бизнес-процессов. В каком виде реализуется сегодня «процессный интеллект», и в каком направлении ожидается его дальнейшее развитие?

Статья входит в обзор TAdviser "Технологии искусственного интеллекта"

Содержание

«Интеллект» процессов существенно зависит от сферы деятельности
«Профессиональный бэкграунд» умного бота
ИИ в нишевых корпоративных процессах
- ИИ в HR
- ИИ в маркетинге и продажах
Другие материалы обзора
Другие материалы по теме ИИ

В августе 2021 года аналитическая компания Statista выпустила подробный отчет о состоянии рынка ИИ в 2021 г. По мнению аналитиков, главным трендом развития искусственного интеллекта остается автоматизация процессов, ведь именно применение ИИ улучшает производительность деловых операций по сравнению с другими технологиями практически во всех отраслях и даже вносит существенный вклад в ВВП стран. Например, для промышленного производства ИИ может увеличить валовую добавленную стоимость почти на 4 трлн. долл. (около 372 трлн. руб.) к 2035 г., для оптовой и розничной торговли рост составит 2,2 трлн. долл. США (около 205 трлн. руб.), для отрасли информации и связи - 1 трлн. долл. США (около 93 трлн. руб.).

Наиболее востребованные сферы автоматизации бизнес-процессов с помощью ИИ

Источник: опрос общественного мнения, проведенный IBM в 2021 г.

К числу наиболее популярных направлений автоматизация бизнес-процессов на основе ИИ аналитики Statista относят:

Автоматизация управления персоналом
Автоматизация обслуживания клиентов (скоринг, модели заемщика)
Автоматизированный анализ и предотвращение киберугроз
Интеллектуальная автоматизация бизнес-процессов

На графике Gartner Hype Cycle для цифрового рабочего места, опубликованном в 2020 г., умные технологии цифрового рабочего места (Smart Workspace) находятся на вершине ожиданий, а выход на плато продуктивности планируется в течение 5-10 лет.

Источник: «6 Trends on the Gartner Hype Cycle for the Digital Workplace», 2020

В исследовании Gartner «6 Trends on the Gartner Hype Cycle for the Digital Workplace», опубликованном в 2020 г., подчеркивается:

Интеллектуальное рабочее пространство использует растущую цифровизацию физических объектов для создания новых способов работы и повышения эффективности рабочей силы.

Примеры технологий интеллектуального рабочего пространства включают: IoT, цифровые вывески, интегрированные системы управления рабочими местами, виртуальные рабочие пространства, датчики движения и распознавание лиц и т.д. Метавселенная ВДНХ 3.5 т

Действительно, с помощью интеллектуальных технологий реализуются достаточно сложные бизнес-процессы, отмечает Дмитрий Николаев, к.ф.-м.н., технический директор компании Smart Engines: уже можно проверять, нарушается ли техника безопасности на каком-либо предприятии, следить, как там происходят все процессы. Утверждается, что вот-вот поедут беспилотные такси, а для их безошибочного функционирования нужно понимание правил дорожного движения и правильная оценка обстановки в городе.

И здесь, с точки зрения ИИ, мы наблюдаем не только распознавание объектов, но и планирование, а также решение такой прикладной задачи как безопасность дорожного движения (правильно оценить ситуацию в городе, своевременно увидеть пешехода, никого не задеть при перестроении). И мы видим, что с этой точки зрения сложность такого бизнес-процесса как управление беспилотным такси довольно велика,- подчеркивает эксперт.

При этом под «цифровым предприятием» чаще понимается полная автоматизация элементов технологических и бизнес-процессов, но не процесса принятия решений и формирования управляющего воздействия, замечает Артем Гришковский, коммерческий директор компании «Доверенная среда»:

Внедрение на предприятии инструментов рекомендательной аналитики и автоматизированного принятия решений позволяет дополнить «цифрового двойника» предприятия моделью бизнес-процессов принятия решений на основе объединения данных из разных источников и базы знаний и автоматизировать процессы формирования рекомендаций и поручений. Это позволяет говорить о реализации концепции «умного предприятии» в полном объеме. Развитие платформы «Триафлай» и встроенных в нее инструментов строится с учетом указанных подходов.

Какие специфические особенности автоматизации процессов имеют значение для развития этой сферы деятельности?

«Интеллект» процессов существенно зависит от сферы деятельности

С легкой руки аналитиков Gartner сегодня идут разговоры про гиперавтоматизацию и формирование на базе умной программной роботизации (RPA/IPA) «цифровой рабочей силы». Однако, по мнению Александра Казеннова, руководителя корпоративной практики ДКИС компании ALP Group, практическая достижимость этого идеального состояния существенно различается для разных сфер деятельности.

Так, полагаю, значительную часть государственных услуг можно спокойно переводить на цифрового сотрудника,- говорит эксперт.

Этому способствует ряд предпосылок.

Во-первых, все процедуры жестко регламентированы: получение справок, допусков, выписок, начисление и оплата налогов, ЖКХ и т.п. То есть база знаний по операциям есть,- поясняет Александр Казеннов.- Во-вторых, все эти процессы выполняются чаще всего последовательно, то есть алгоритм отработки выглядит достаточно простым, даже для нестандартных ситуаций. В-третьих, в нашей стране исходные данные на текущий момент достаточно хорошо оцифрованы, либо присутствуют в виде накопленных бумажных образов, подлежащих распознаванию. Даже счетчики на воду/газ/электричество/отопление уже устанавливают со встроенными модемами для передачи данных в центр обработки и начисления платежей,- замечает специалист.- Соответственно, повышаем качество первичных данных – повышаем качество отработки. В этой сфере уже практически реализованы идеальные цифровые сотрудники.

«Профессиональный бэкграунд» умного бота

Современные программные роботы (RPA) неплохо выглядят, с точки зрения скорости выполнения рутинных операций, перемежаемых автоматическим распознаванием текстов, речи и т.п. интеллектуальных действий. Правда, полноценным «сотрудником» такого робота все равно назвать сложно, ведь у него нет «профессиональных знаний», которые составляют информационный бэкграунд настоящего специалиста (или контекст программного робота).

Антон Ермаков, руководитель группы цифровых инициатив компании Comindware, говорит, что эволюция в этом направлении уже идет: например, современные чат-боты удерживают контекст диалога и способны вести разговор примерно в таком духе:

Вы: сколько у нас на складе осталось мямзиков?
Бот: пять штук.
Вы: закажи еще пять.
Бот: хорошо.

Бот понимает, что речь идет о мямзиках, и что вы просите заказать пять мямзиков, а не пять бурчиков. Современные боты способны также понимать интонацию и настроение собеседника - вы просто спрашиваете, вы раздражены или вот-вот взорветесь - и учитывает это в своих ответах,- рассказывает Антон Ермаков.- Но до полноценного сотрудника, понятно, еще далеко - это задача для «сильного» искусственного интеллекта.

По этой же причине вряд ли стоит ожидать, что в ближайшее десятилетие свершится прорыв в создании средствами программных роботов «самих себя» или программного обеспечения, считает Александр Казеннов.

Думаю, что ближайшее будущее, как и настоящее, - за сочетанием PRA/IPA и человеческого труда,- говорит специалист.- Уже сегодня роботы обзванивают нас и разговаривают с нами на тему банковских услуг, предлагают товары и продают их нам в онлайн-магазинах. Правда, не у всех и не всегда это получается органично.

Другое дело, что специалисты давно отмечают эффективность сочетаний разных технологий, например, BPM+RPA, RPA+AI, BPM+Process Mining+Enterprise Architecture.

Идея созрела, овладела массами, и аналитики Gartner предложили для нее обертку под названием гиперавтоматизация, что подразумевает комбинирование новых цифровых технологий, дающее синергетический эффект,- отмечает Антон Ермаков.

Поддержка изменений бизнес-процессов

Дмитрий Николаев из Smart Engines указывает на принципиальную проблему автоматизации процессов: никому не нужна система, которая обслуживала бы неизменный бизнес-процесс:

Даже правила дорожного движения постоянно меняются и дополняются, а уж тем более меняются бизнес-процессы, протекающие в какой-то компании или на производстве. Поэтому, если система не будет учитывать этот постоянно меняющийся ландшафт и работать по старым правилам, а не по новым, она будет никому не нужна, потому что в этом случае следование старым правилам, будет очевидной ошибкой.

Значит, нужен способ «докладывать» системе ИИ о том, как изменился бизнес-процесс, продолжает эксперт, а для этого нужен язык описания этого изменения.

При использовании человеческого интеллекта эта проблема решается через формализацию, то есть детальное описание задач и процессов, который позволяет чем-то управлять в рамках модели, когда язык уже выработан,- размышляет Дмитрий Николаев.- В случае ИИ, сложности больше касаются не нейросетей, а необходимости четкого понимания, в рамках какой модели протекают наши бизнес-процессы, и какой язык следует выбрать, чтобы лучше их описать.

Подобная ситуация - в цифровых банках, торговле и т.п. Исключения могут быть только на участках с большой долей участия людей и человеческих ошибок (ввод исторических данных или ошибки программирования роботов). Александр Казеннов поясняет на примере:

Например, с одной стороны, в акте сверки будет подана четкая информация из системы одного контрагента, а с ней не согласится бухгалтер другого контрагента и инициирует переписку. Такие ситуации современные RPA/IPA без человека пока еще не разрешат.

И совсем другое дело – сферы деятельности, обладающие принципиально высокими требованиями к защите и охране здоровья людей, либо интеллектуальному и физическому труду. Вряд ли в ближайшие пять лет спасательные экипажи до места происшествия будут доставлять программные роботы. Но, с другой стороны, автопилоты самолетов/грузовых/легковых/пассажирских/морских транспортов – это уже наше настоящее.

Стало быть, здесь речь может идти только об умных алгоритмах и только в сочетании с огромным количеством датчиков и математики. Но часть этой ответственности можно переложить на RPA/IPA, но под нашим «хьюман-контролем»,- резюмирует Александр Казеннов.

Так, в конце мая Росреестр объявил о том, что начал использовать нейросеть для регистрации сделок с недвижимостью.

Процессы должны быть быстрыми и эффективными, но процент ошибок должен быть минимален, а лучше вообще без них, - прокомментировала событие Елена Мартынова, заместитель руководителя ведомства.

Правда, пока предварительно обученная нейросеть способна принимать около 80% правильных решений по сделкам. Поэтому «живые» сотрудники по-прежнему остаются в рабочем строю.

Семантические модели данных для процессного управления

Семантические модели данных сегодня проникают в различные корпоративные системы, например, образуют семантический слой данных в больших корпоративных хранилищах данных. Архитектура предприятия в фреймворке Zachman Framework описывается с помощью аппарата онтологий. Онтологии используются для описания процессов в продуктах ABBYY. Бизнес-процессы для платформы Comindware Business Application Platform также описываются с помощью онтологий.

Онтологический подход к описанию бизнес-структур и бизнес-процессов занимает умы все большего количества профессионалов,- замечает Антон Ермаков из Comindware.

По мнению Рината Гимранова, начальника управления информационных технологий ПАО «Сургутнефтегаз», это объясняется тем, что только онтологические Low-code платформы смогут справиться с потоком разнообразия изменений, происходящих в бизнес-процессах.

Нужно, чтобы изменения реального мира в реальном времени попадали в виртуальный мир,- рассказывает Ринат Гимранов.- Если мы говорим про поток данных, то это сегодня делается легко. Например, с помощью Интернета в реальном времени вещей собираются миллиарды показателей с триллионов датчиков. А вот если мы говорим про изменения в структуре, в процессе, в метаданных, то это сегодня делается в подавляющем большинстве случаев вручную - с помощью программистов.

Источник: Почему у low-code нет альтернативы в цифровой экономике. Ринат Гимранов, «Сургутнефтегаз», доклад на конференции Low-code, «Открытые системы», декабрь, 2021 г.

Фактически все передовые организационные модели: Agile, DevOps и т.п., множество соответствующих фреймворков и инструментов нужны, в конечном итоге, для решения одной основной задачи - как можно быстрее и легче отобразить изменения, происходящие в структуре и метаданных реального мира, в мире виртуальном. Использование Low-code при этом - безальтернативный вариант, полагает Ринат Гимранов:

Потому что количество этих изменений огромно, ведь мы стремимся отобразить в виртуальном мире как можно больше деталей реального мира. Никаких программистов не хватит, чтобы в секунды программировать эти изменения. Нам нужны такие платформы, которые научатся понимать реальный мир в режиме реального времени.

Если речь идет про изменения в бизнес-процессах, то они должны происходить в режиме естественного диалога.

Этим требованиям отвечают перспективные Low-code платформы – такие, которые поддерживают семантически организованные конструкции (например, онтологии на базе графовой СУБД) без дополнительного программирования, уверен Ринат Гимранов:

Если платформа построена традиционным способом – без семантического движка, то ее гибкость ограничена объемом программистских ресурсов, которые могут быть вложены в развитие платформы.

Онтология как язык, на котором могут разговаривать мир реальный и мир виртуальный

Источник: Гаврилова Т. А., Кудрявцев Д.В., Муромцев Я И. Инженерия знаний. Модели и методы: Учебник — СПб. Издательство «Лань». 2016.- 324 с ил.

Распределенный интеллект управления бизнес-процессами

Среди 10 главных тенденций в области обработки данных и аналитике, сформулированных Gartner в 2020 г., на первом месте указан тренд «Искусственный интеллект станет распределенным и «ответственным». Следует отметить, истоки распределенного интеллекта следует искать в военных технологиях – там в течение многих лет разрабатываются методы организации сетецентрических (то есть в едином информационном пространстве компьютерных сетей) коллективных действий умных автономных технических систем. Так, долгосрочная комплексная программа министерства обороны США Future Combat Systems (FCS) предусматривающая применение систем сетецентрического управления, исполняется с начала 2000-х. А для практической апробации отдельных ее результатов отведен период 2012 – 2022 гг.

Программа FCS определяет архитектуру перспективных глобально распределенных систем сетецентрического управления боевыми единицами, их группами, системами и средствами обеспечения. Она представляет собой многоуровневую систему сетецентрической интеграции стационарных и мобильных объектов разного назначения, оснащенных встроенным компьютерным интеллектом, в едином информационно-функциональном пространстве управления с их взаимодействием в реальном времени.

Сетецентрическое управление боевыми единицами в рамках программы FCS

Ключевым системообразующим элементом программы являются средства связи и компьютерные сети, обеспечивающие поддержание функционально интегрированного информационного поля над зонами боевых действий посредством построения надежной работы мобильных беспроводных сетей. Автономные элементы подключены к общей сети и обмениваются информацией. Так, участники в реальном времени обеспечиваются данными о местоположении противника, поступающими с отдаленных автоматических датчиков, разведывательных машин, беспилотных аппаратов и т.п.

Сетецентрические системы управления такого рода призваны обеспечить функционирование единого и сверхнадежного информационного пространства, в котором в реальном времени решаются комплексные задачи сбора, накопления и интеллектуальной переработки многоканальных потоков сложно структурированных данных. Цель – формирование единой динамической картины событий и обеспечение превосходящего качества управления большими системами разнопрофильных многокомпонентных систем подвижных и стационарных объектов, гарантирующего достижение поставленных целей с минимальными потерями.

Исследовательские программы такого рода идут и в России. Например, в Национальном исследовательском центре «Институт им. Н. Е. Жуковского» изучается дальнейшее развитие боевых авиационных комплексов с беспилотными летательными аппаратами в направлении перехода от одиночного применения к групповым, коллективным действиям с высоким уровнем информационного взаимодействия, а также самостоятельности, автономизации поведения и принятия решений.

Система управления такими группами должна обладать искусственным интеллектом, средствами проведения сложных вычислений. Алгоритм управления группой должен определять условия и способы вычисления рационального состава боевой группы, решать задачи ситуационного моделирования, целераспределения и оценки эффективности выполнения задания,- рассказывают специалисты проектного комплекса «Боевая авиация» ФГБУ «Национальный исследовательский центр «Институт им. Н. Е. Жуковского» в статье «Искусственный интеллект для авиационных систем», опубликованной в журнале «Арсенал Отечества», № 4, 2021 г.

Перспективная интеллектуальная авиационная система

Источник: Искусственный интеллект для авиационных систем. А. Лукашов, О. Панферов, В. Максимов, А. Башкиров, «Арсенал Отечества», № 4, 2021 г.

Интеллектуальная авиационная система (ИнАС), построенная на основе пилотируемых и беспилотных летательных аппаратов с применением технологий искусственного интеллекта, позволит вести боевые действия и выполнять многокомпонентные задания, характеризующиеся высокой степенью неопределенности. При этом БЛА из состава ИнАС должны действовать не только автономно, но и коллективно, в составе группы. Причем, каждый объект из группы может выполнять разнообразные задачи в соответствии с замыслом, формируемым искусственным интеллектом в реальном масштабе времени.

Передовые идеи постепенно переходят из военной в гражданскую область. Например, для управления ИТ в большом распределенном холдинге компания NAUMEN разработала собственный подход — сквозную сетецентрическую систему управления ИТ. Он базируется на классическом иерархическом подходе в управлении ИТ, который дополняется сквозным процессом управления услугами с возможностью предоставления расширенных полномочий менеджерам услуг. Дмитрий Рубин, директор операционного бизнеса компании NAUMEN, поясняет.

Каждый слой/уровень управления служит поставщиком информации для следующего уровня и одновременно использует данные из предыдущего. Таким образом, из разрозненных данных об инфраструктуре, сервисах и активах собирается единое видение того, как должно работать ИТ-направление в соответствии с потребностью бизнеса.

Причем, в этой многослойной структуре есть, как минимум, три слоя: стратегический, тактический и оперативный.

В стратегическом слое, за который отвечает CEO или ИТ-директор, определяется общий свод требований и правил. На тактическом уровне происходит организация процесса для оказания эффективных услуг: описываются цепочки создания ценностей и взаимодействий с другими подразделениями, определяются зоны ответственности и зоны формирования конечной ценности. На оперативном уровне действуют исполнители услуги.

В этой структуре критически важно, что в процесс предоставления услуг вовлекается множество участников, менеджеры услуг сами их устанавливают в зависимости от особенностей работы,- поясняет Дмитрий Рубин.- Процесс перестает быть линейным и не зависит от какого-то конкретного сотрудника. Иными словами, становится самоуправляемой системой.

Этот подход внедрен, например, в федеральном Казначействе для организации эффективной работы свыше 40 тыс. ИТ-сотрудников по всей территории России.

Системы на базе агентов

Еще один перспективный подход к организации динамических взаимодействий и информационных интеграций в интеллектуальных системах – многоагентные системы. Он предполагает гибкую декомпозицию всего множества задач, решаемых системой, на ряд программ-агентов, которые способны решать некоторые задачи на уровне человека, то есть те задачи, которые требуют наличия встроенного интеллекта. Наиболее известный пример агентного подхода – интернет-боты, имитирующие активность человека в Интернете. В общем случае агенты способны получить задачу, вступить в коммуникацию с другими агентами, получить от них недостающую дополнительную информацию и с ее помощью выполнить поставленную пользователем задачу.

Общие свойства программных агентов:

Автономность (может действовать независимо от пользователя).
Адаптивность (способен к обучению во время работы).
Коммуникативность (способен к коммуникациям с пользователем или другими агентами).
Способность к сотрудничеству (работает с другими агентами для достижения цели).
Персонифицированность (ведет себя подобно человеку, например, проявляет эмоции и т.п.).
Мобильность (может перемещаться по окружающей среде).

В мире в целом и в нашей стране, в частности, весьма активно развивается направление разработок, называемое «Агент-ориентированные модели» (АОМ). В первую очередь, в фокусе внимания таких систем – масштабные задачи социально-экономического мониторинга и анализа, а также задачи такого рода в военной сфере.

Так, агенто-ориентированный подход оказался весьма удачен для задач моделирования искусственной жизни. Например, система MANTA, ориентированная на создание программной среды для исследования социальных систем, основана на поведении муравьиной колонии. Еще один пример - система моделирования эволюции искусственных организмов на уровне генома Tiera. Главной особенностью модели Tiera является то, что программы изменяются путем случайных мутаций и перестановок, но остаются выполнимыми, хотя могут потерять свои функциональные характеристики и полезность. Это свойство изменчивости используется в модели Tiera для управления процессом эволюции: вводятся случайные мутации, которые приводят к созданию других особей, не способных к размножению, либо к потомству, которое воспроизводится чаще и быстрее своих предков. Эти примеры объясняют, почему технологии автономных агентов стали весьма популярными в сфере эволюционных вычислений, в первую очередь, затрагивающей аспекты самовосстановления и самоконфигурирования сложных автономных систем, которые состоят из большого количества одновременно функционирующих программных модулей.

Появление АОМ можно рассматривать как очередной этап эволюции методологии моделирования: переход от моно-моделей (одна модель — один алгоритм) к мульти-моделям (одна модель — множество независимых алгоритмов). В такой парадигме АОМ представляет собой искусственное «общество», состоящее из взаимодействующих между собой самостоятельных агентов, что позволяет смоделировать систему, максимально приближенную к реальности. В процессе своего существования созданные агенты способны анализировать получаемые от окружающей среды данные, реагировать на них и пополнять свой опыт (обучаться).

Одна из самых больших АОМ – US National Model, включающая данные обо всем населении США, создана в Центре социальной и экономической динамики Брукингского института (Center on Social and Economic Dynamics at Brookings). Она позволяет предсказать последствия распространения заболеваний различного типа. Версия модели US National Model, созданная в 2009 г., включает 6,5 млрд. агентов, спецификация действий которых проводилась с учетом имеющихся статистических данных. С ее помощью имитировали последствия распространения вируса гриппа A(H1N1/09) в масштабах всей планеты.

В РФ исследователи ЦЭМИ РАН и МГУ запустили на суперкомпьютере «Ломоносов» модель, имитирующую развитие социально-экономической системы России на протяжении последующих 50 лет. Эта АОМ основана на взаимодействии 100 млн. агентов, условно представляющих социально-экономическую среду России. Поведение каждого агента задано набором алгоритмов, которые описывают его действия и взаимодействие с другими агентами в реальном мире. Данные для моделирования были предоставлены Федеральной службой государственной статистики и Российской службой мониторинга экономического положения и здоровья населения. Модель построена с помощью продукта ADEVS.

Наиболее универсальным инструментом создания АОМ следует считать систему моделирования AnyLogic. Модели в проекте AnyLogic хранятся в виде XML-файла, содержащего дерево необходимых для генерации кода параметров: классы агентов, параметры, элементы презентации, описания UML-диаграмм поведения агентов.

Многоагентные системы для различных сфер применения

Агентный подход к моделированию весьма универсален и достаточно удобен для прикладных специалистов в силу своей наглядности. Результатом стало активное исследование разнообразных математических моделей агентов и многоагентных систем (МАС), концепций и методологий мультиагентного проектирования и программирования, языков программирования агентов и достаточно развитых средств и платформ реализации мультиагентных приложений.

Классификация МАС (многоагентных систем)

Источник: Агентно-ориентированные системы: от формальных моделей к промышленным приложениям. А.Н. Швецов, Вологодский государственный технический университет

На рубеже 2000 годов начала проявляться тенденция перехода от чисто академических исследовательских проектов в области МАС и АОС к созданию действующих мультиагентных приложений в различных областях промышленности, инфокоммуникационной сфере, в системах государственного и организационного управления.

Например, Институт проблем управления сложными системами РАН и НПК «Генезис знаний» (Самара) совместно с Администрацией Самарской области создали систему управления регионом с применением мультиагентных технологий.

Система управления регионом включает в себя три основные подсистемы.

МАС адресного взаимодействия населения и органов государственной власти в социальной сфере. Работает на основе карты социального паспорта.

Обладатель социального паспорта получает возможность из общедоступного Интернет-киоска или при помощи Интернета, из любого места, отправить запрос на предоставление льготы или услуги, а также описать свои культурные потребности. Работа ИА позволяет гражданину в режиме реального времени получать предложения от организаций с учетом индивидуальных предпочтений и формировать из них собственный календарь событий.

В подсистеме адресного взаимодействия действует база знаний законов, объединяющая более 40 законов федерального, регионального и муниципального уровней и хранящая знания о более чем 300 льготах и выплатах и более чем 100 связанных с ними социальных категориях. На основе запроса от человека, его агент осуществляет оперативный поиск по БЗ и представляет только ту информацию, которая касается конкретного человека.

МАС управления департаментом социального блока. Поддерживает менеджеров по работе с населением и менеджеров по организации процессов управления.

Подсистема управления социальным блоком, кроме законодательной БЗ, использует также и базу знаний лечения заболеваний, основанную на общемировых клинических протоколах. Агенты помогают сопоставлять соответствие поставленного диагноза и предложенной методики лечения заложенным в БЗ клиническим протоколам.

Интернет-портал для интеграции ресурсов и межведомственного взаимодействия. Позволяет гражданам и организациям описывать свои потребности и возможности; информирует пользователей о лучших путях решения их проблем и реализации возможностей.

Портал интеграции ресурсов использует БЗ субъектов и объектов социальной сферы и связанных с ними потребностей, что помогает быстро найти соответствующую заявленной потребности возможность и получить предложения от содержащихся в портале организаций с учетом настройки персонального агента.

Система управления регионом использует существующие информационные ресурсы департаментов социального блока, интегрируя их в одну систему, к ней подключены существующие базы данных министерства труда и социального развития населения Самарской области, база данных пенсионного фонда, которые хранят информацию о 1,5 млн. жителях области. Интеграция с существующими базами данных создает возможность разработки на основе данного проекта системы персонального учета населения.

Применение мультиагентного подхода позволило сократить время оформления документов, создать единое информационное пространство между департаментами и подведомственными им организациями в социальной сфере, обеспечить прозрачность управления и предоставления услуг гражданам.

В Великобритании в парадигме многоагентных систем (МАС) разработана и внедрена система управления электрическими подстанциями ARCHOTM, которая используется для устранения ошибок идентификации и сервисного восстановления электросети. Она состоит из семи агентов, которые находятся на различных уровнях управления: SCADA, Energy Management Systems (EMS), системы автоматизации подстанций Substation Automation Systems (SAS). В ней каждый агент отвечает за свою специфическую функцию, например, идентификацию неизвестной сети или интерфейс системы управления.

В Великобритании также есть опыт применения МАС для управления коммутационным оборудованием в электросиловой системе. Система включает агентов помощников, агентов оборудования и агентов распределения. Агенты оборудования представляют трансформаторы, шины и линии передачи, и следят за операционным состояние, временем обслуживания и временем использования элементов оборудования. Агенты распределения представляют выключатели или группы выключателей. Система была реализована средствами языка Java и испытана на уровне натурного моделирования.

Кроме того, многоагентная система используется для оптимизации потребления электроэнергии. Она содержит агентов устройств, представляющих оконечные устройства потребителей, и сервисных агентов, которые участвуют в аукционном механизме по покупке и продаже электроэнергии. Экспериментально удалось подтвердить, что система в состоянии приспособиться к изменению цен в пределах нескольких аукционных шагов. Преимущества системы заключаются в том, что она способна взаимодействовать с крупномасштабными системами, и может быть настроена на индивидуальные требования в широком диапазоне приложений.

В Юго-Западном госуниверситете (Курск) создана МАС, предназначенная для построения системы интеллектуальной поддержки принятия решений на основе анализа и классификации рентгеновских снимков грудной клетки (МКРС).

Структура МКРС

Источник: ИЦРОН (Инновационный Центр развития образования и науки) Юго-Западного госуниверситета

Ядром МКРС является многоагентный гибридный анализатор изображений (МАГАИ). МАГАИ состоит из четырех интеллектуальных агентов, которые ориентированы на анализ рентгеновских снимков. Входными данными этих агентов являются рентгеновские снимки, которые прошли обработку в агенте предварительной обработки изображений (АПОИ). Цель работы этого агента – минимизировать различия в изображениях, которые связанны с аппаратурой, процессом получения рентгеновского снимка и конституционными особенностями пациента.

Агенты МАГАИ включают в себя формирователи пространства информативных признаков и блоки принятия решений, которые основаны на нейронной сети, нечеткой нейронной сети и гибридной нейронной сети. Структуры этих нейронных сетей хранятся в базе знаний и при необходимости могут быть использованы агентами МАГАИ.

Исследователи из Вологодского государственного технического университета под управлением Анатолия Швецова, профессора кафедры информатики и информационных технологий, работает в области построения универсальных интеллектуальных моделей управления и систем поддержки принятия решений (СППР).

Современные КИС (SAP, Baan, PeopleSoft, Oracle, iRenaissance, «1С:Предприятие») в основном автоматизируют массовые рутинные операции, которые могут составлять до 80% трудозатрат в корпоративных системах (КС). Автоматизация процессов принятия решений остается наиболее наукоемкой и сложной задачей, как с технической, так и с организационной точек зрения,- говорит Анатолий Швецов.

По мнению ученого, специфика функционирования КС все в большей мере требует применения распределенных СППР (РСППР), которые состоят из локальных СППР, функционирующих в узлах корпоративной вычислительной сети, и совместно решающих общие проблемы на основе обмена информацией и знаниями, осуществляемого, как между СППР, так и между СППР и другими подсистемами КИС и распределенными приложениями.

Уровни управления и интеграции в корпоративной системе

Для решения подобных задач возникла парадигма агентно-ориентированных систем, использующих интеллектуальных агентов как высокоуровневую абстракцию для формализации и структурирования предметной области. У интеллектуальных агентов, например, есть механизм целеобразования, что обеспечивает принципиально новый уровень автономии: такой агент не обязательно выполняет распоряжения какого-либо другого агента или пользователя, а действует, в зависимости от условий среды, включая цели и намерения других агентов. Например, агент может принять на себя определенные обязательства или, наоборот, отказаться от выполнения некоторой работы, мотивируя это отсутствием компетентности, занятостью другой задачей и т. п. В то же время агент может выполнять такие действия как порождение, подавление и замена других агентов, активизация функций (как своих, так и у других агентов), активизация сценария деятельности, запоминание текущего состояния других агентов и пр.

В русле данного подхода разработан инструментальный программный комплекс DISIT (Distributed Intellectual System Integrated Toolkit), предназначенный для построения МАС. Принципиальное отличие данного подхода состоит в переносе акцента разработки на стадию концептуального проектирования и возложении задачи логического и физического проектирования моделей и структур знаний и данных на инструментальные средства, подчеркивает Анатолий Швецов. Комплекс DISIT используется в научно-исследовательской и учебной работе ВоГТУ, в частности, в задачах моделирования развития города.

Инструментальная среда MAS-DK, разработанная специалистами группы интеллектуальных систем Санкт-Петербургского института информатики и автоматизации РАН под руководством В.И. Городецкого, ориентирована на поддержку быстрого прототипирования прикладных МАС. Она поддерживает жизненный цикл программных систем от концептуального проектирования до генерации и отладки исполняемого кода ИА. Для генерации программного кода ИА используются спецификации классов и отдельных агентов.

Спецификация приложений начинается с определения онтологии предметной области и протоколов взаимодействия. Далее описываются классы агентов и назначаются роли при исполнении протоколов. На следующем этапе разрабатываются модели переменных классов, модели управления, машины состояний, библиотеки сценариев поведения и библиотеки внешних функций. Процесс спецификации МАС на каждом из этапов поддерживается интегрированными графическими редакторами.

Данная инструментальная среда успешно применялась при создании АОС для защиты компьютерных сетей, распределенного обучения на основе классификации и интеллектуальной обработки данных.

AgSDK –еще одна среда разработки и реализации МАС, созданная специалистами ВЦ РАН. Обмен сообщениями между агентами МАС в рассматриваемом подходе, как и в большинстве современных разработок, осуществляется на основе KQML-протокола, рассказывает Андрей Остроух в своей монографии «Интеллектуальные системы» (Красноярск: Научно-инновационный центр, 2020).

Но взаимодействие - это существенно более сложный процесс, предполагающий понимание смысла передаваемых сообщений и, как следствие, наличие общих и разделяемых знаний. На современном этапе такие знания, как правило, представляются в виде онтологий,- подчеркивает автор.

В Институте проблем управления сложными системами РАН в Самаре изучаются возможности многоагентных систем на базе, так называемых, сетей потребностей. Профессор Владимир Виттих поясняет:

При таком сетевом подходе к принятию решений главной задачей становится идентификация потребностей и возможностей, предполагающая путем переговоров нахождение для каждой потребности (запроса) удовлетворяющей ее возможности (ресурса). В результате процесса поиска образуется сеть связей (отношений) между ними, которую можно интерпретировать как сеть потребностей и возможностей (ПВ-сеть). В открытых системах из внешней среды в любой момент времени может появиться новая потребность (или возможность), что влечет за собой изменение конфигурации ПВ-сети».

Задача транспортной логистики как многоагентная сеть потребностей и возможностей

Источник: Открытые мультиагентные системы для оперативной обработки информации в процессах принятия решений. Петр Скобелев, автореферат диссертации на соискание ученой степени доктора технических наук. Самара, 2003.

В частности, в данной парадигме создана мультиагентная сеть для задачи транспортной логистики. Главная особенность системы состоит в том, что вместо традиционного централизованного командного пункта в ней применяется полностью распределенная модель прямого взаимодействия агентов заказов: логистических агентов (ЛА), станций обслуживания, дорог и объектов вторичной логистики.

Общая структура системы транспортной логистики на базе многоагентного подхода

Это позволяет создавать рассматриваемую сеть как открытую, более гибко и оперативно реагирующую на поступающие заказы или изменения состояния ЛА и станций обслуживания (выход из строя, изменения погодных условий и т.д.), более надежную и эффективную, обеспечивающую индивидуальный подход к каждому заказу.

ИИ в нишевых корпоративных процессах

ИИ в HR

Сотрудники современного HR-отдела – это совсем не гуманитарного склада девушки с описанием психологических тестов в руках. HR – это Data driven деятельность, то есть основанная на обработке данных, говорит Алексей Корольков, генеральный директор компании WebSoft, чьи ИТ-решения работают в кадровых службах многих российских банков. И это перспективный активно растущий сегмент ИТ-рынка, впитывающий самые передовые технологии, включая искусственный интеллект. По оценкам аналитиков компании MarketsandMarkets, мировой рынок систем управления персоналом вырастет с 16,7 млрд. долл. в 2019 г. до 26,5 млрд. в 2024 г. со среднегодовым ростом на уровне 9,7%.

Подбор персонала, кадровый документооборот, дистанционное обучение – эти сегменты HR-службы уже стали площадками, где разворачивается острая конкурентная борьба между поставщиками соответствующих продуктов.

Перспективное направление - Human Capital Management (HCM), системы управления человеческим капиталом. Компания Univertus, позиционирующая себя в качестве HCM-платформы, прогнозирует рост рынка систем управления и развития персонала в России на 40% до 2024 г., до 5 млрд. руб. при среднем ежегодном росте на уровне 9%.

При этом в фокусе внимания компании WebSoft – комплексное представление взаимоотношений сотрудника и компании на всех этапах сотрудничества. Фактически это вариант аналитики больших данных, которая позволяет выявлять особенности и аномалии рабочих процессов, которые влияют на текучку кадров, будущую эффективность работы сотрудника, а также помогают формировать кадровый резерв.

А HCM-система Univertus систематизирует процессы управления и развития персонала, в основе которого лежит управление результативностью. Ее, скорее, можно отнести к классу систем управления талантами (Talent Management Systems), так как она нацелена на управление развитием и обучением персонала с учетом индивидуальных карьерных траекторий, достижение максимальной результативности.

Фундамент системы Univertus - модели компетенций, описывающие сотрудников с различных точек зрения: профессиональная, управленческая, корпоративные ценности и личностный потенциал. По словам Кирилла Храмцова, сооснователя и директора по методологии компании Univertus, в ближайшем будущем работодатели будут принимать решения о найме сотрудника с помощью интеллектуальной рекомендательной системы, которая работает с портфолио кандидата, формируемым на протяжении всей его профессиональной карьеры и с детализацией вплоть до ролей в конкретных проектах и личных особенностях работы в команде.

Система Т1 Watchman обеспечивает сквозной мониторинг эффективности бизнес-процессов, который учитывает все детали процессов: от эффективности использования конкретного вычислительного оборудования на рабочем месте сотрудника до эффективности его собственной работы, включая контроль соблюдения сроков решения поставленных задач.

Сбор необходимых данных осуществляется с помощью программных агентов, которые устанавливаются на рабочие компьютеры сотрудников, а затем собранные данные анализируются с помощью набора метрик эффективности. Эти метрики носят либо технический (загрузка вычислительных ресурсов, утилизация приложений и т.п.), либо бизнес-характер (сведения о конкретных операциях, их длительности, соответствии регламентам и др.). В целом, речь идет об автоматизированном анализе пользовательского опыте сотрудников, и данные мониторинга этого пользовательского опыта служат основой для рекомендаций по оптимизации бизнес-процессов.

Критически важные элементы таких комплексных HR-систем – построение моделей, разработка метрик, на основании которых рассчитываются показатели эффективности и т.п., а также возможности интеграции с другими корпоративными информационными системами: от описаний оргштатной структуры предприятия до, например, производственной MES-системы, если речь идет о заводском цехе и параметрах выполнения сотрудником плана.

Сбор данных производится, в основном, автоматически, и на основе всех имеющихся параметров (Big Data) работают различные системы ИИ: прогностические, рекомендательные, объяснительные (аргументирование рекомендаций). Как полагает Алексей Корольков, в будущем HR-сервисы будут встраиваться в привычные digital-инструменты, которыми сотрудники пользуются в своей работе. Простейший пример – дистанционный запуск учебного курса прямо из бизнес-системы, если потребовалось изучить новый материал. Иными словами, кадровая служба превратится в невидимый сервис, который можно будет вызвать буквально одним щелчком мыши.

ИИ в маркетинге и продажах

Ключевой элемент цифрового маркетинга - поведенческие данные клиентов. Они стали серьезным активом для компаний B2B, поскольку в деталях фиксируют, каким образом люди взаимодействуют с предлагаемыми продуктами и услугами. Логично, что поведенческие данные наилучшим образом подходит для их анализа с помощью ИИ.

Например, Hermann.AI - разработка компании CleverDATA (входит т в группу ЛАНИТ) – представляет собой платформу, предназначенную для автоматизации маркетинговых коммуникаций и онлайн-рекламы. В компании этот подход называют AI-driven marketing и говорят, что платформа полностью автоматизирует работу маркетолога, используя все доступные источники данных: сайты, CRM, мобильные приложения, транзакционные системы, внешние данные и др.- для построения максимально персонализированных коммуникаций на всех этапах жизненного пути клиента.

Платформа включает встроенную площадку «Биржа данных», где содержатся данные по различным сегментам внешних данных из более 9 тыс. источников. Все они доступны для рекламных кампаний с точным таргетингом.

Омниканальные коммуникации – это важный элемент платформы. Она позволяет оптимизировать коммуникации с клиентами в мультиканальной среде в соответствии с Customer Journey каждого потребителя, используемых устройств, а также онлайновых и офлайновых данных. Можно синхронизировать все маркетинговые активностей относительно всех каналов и устройств в соответствии с единой коммуникационной стратегией.

Для задач таргетинга, персональных рекомендаций и оптимизации кампаний используются технологии глубинного машинного обучения. Производится автоматическая сегментация аудитории в разрезе поведения потребителей, предыдущих коммуникаций, релевантных продуктов, оптимальных каналов коммуникаций и времени, цены и размеры скидки и других атрибутов для проведения персонализированных коммуникаций и рекламных кампаний.

Предиктивная аналитика – инструмент для прогноза вероятности оттока постоянных клиентов для последующей сегментации и более точного таргетинга.

Поддерживается автоматическая персонализация рекламного сообщения во всех каналах коммуникаций на основе глубокого понимания аудитории. Реализована система генерируемых фидов для встраивания в real-time режиме (Dynamic Creative Optimization) в момент посещения сайта, в email/SMS рассылках, онлайн-рекламе.

Платформа поддерживает рекомендательный движок: рекомендации формируются автоматически на основе данных аудитории для определения максимально релевантного предложения.

Помимо поддержки текущей аудитории клиентов, платформа помогает находить интернет-аудиторию, максимально похожую на текущих клиентов и далее работать с ней: показывать рекламное сообщение в тот момент, когда у потребителя формируется потребность, отслеживая маркетинговые сигналы.

Компания QSOFT в июне вывела на рынок платформу онлайн-продаж для фарм-индустрии c применением технологий анализа больших данных, ИИ и ML. Комплексное решение включает современный маркетплейс, Один из ключевых модулей маркетплейса – система пользовательских данных (Customer Data Platform, CDP).

CDP – это интегрированное решение, которое может аккумулировать данные из различных корпоративных систем: ERP, CRM, BI, CMS, OMS, POS, контакт-центра, мобильных приложений и пр. CDP функционирует на базе многопоточного импорта данных о товарах (цены, описание остатки) и позволяет обрабатывать более 3 млн. записей менее чем за 20 минут, рассказывает Олег Демченко, директор по развитию QSOFT:

В результате фарм-сеть получает уникальную выверенную базу знаний о каждом из своих клиентов с формированием единого профиля клиента.

На основе созданной базы с помощью ML ведется сегментирование покупателей по поведению и покупкам. Это позволяет выстроить взаимодействие в омниканальном режиме: сайт, чаты, мобильное приложение, e-mail-рассылки, push-уведомления и пр.

CDP-платформа QSOFT была обучена на базе данных крупной фарм-сети. При этом учитывались особенности каждого из регионов (разные цены, остатки, условия получения товара). Также были выявлены различные зависимости покупательского поведения и предпочтений.

С помощью инструментов ML система QSOFT CDP позволяет настраивать механизмы продаж каждой аптеки по индивидуальным сценариям взаимодействия с клиентами. Дело в том, рассказывает Олег Демченко, что у каждой розничной точки есть своя дневная норма продаж, зависящая от локации, количества сотрудников, затрат на рекламу и т.д. В системе CDP достижение нормы продаж строится по контрольным точкам и зависит от времени и дня недели, сезона и прочего. Суточный график точки определяется на основании Big data, собранных на протяжении большого количество времени (не менее 1 года).

Интересная деталь: в случае невыполнения конкретной аптекой контрольных показателей и в зависимости от их отклонения, автоматически запускается один из сценариев достижения суточной нормы. Например, делается выборка по самым продаваемым товарам и по постоянным клиентам, которые не покупали товар более двух недель. После чего по данной клиентской выборке отправляется персонализированная рассылка с предложением о покупке по акции/скидке/предзаказу наиболее часто покупаемых лекарств. Если применение сценария не приводит к запланированному результату, то включается следующий релевантный сценарий по дополнительным выборкам покупателей и медикаментам. Механизм на базе Big Data помогает маркетинговой службе фарм-сети генерировать большое количество сценариев работы с клиентами, основанными на их прежних покупках и предективной аналитике.

Решение позволяет больше взаимодействовать с покупателями, увеличить число постоянных клиентов, собирать данные о заказах и работать с ними для увеличения среднего чека и частоты покупок», - прокомментировал предлагаемый подход.

Перспективное развитие систем интеллектуальной поддержки маркетинга и продаж связана с трендом социальной коммерции. Исследование Accenture «Революция шопинга» показало, что глобальная индустрия покупок в соцсетях с оборотом 492 млрд. долл. в ближайшие годы будет расти в три раза быстрее, чем традиционная электронная коммерция и достигнет к 2025 г. объема 1,2 трлн. долл. Рост будет происходить, в основном, за счет пользователей социальных сетей поколения Z и миллениалов, которые, по оценкам Accenture, к этому времени будут обеспечивать 62% мировых расходов на коммерцию в социальных сетях.

Следующий материал обзора >>>
Главная страница обзора >>>