Машинное обучение (англ. "machine learning" — ML) все заметнее меняет различные сферы бизнеса, помогая эффективнее управлять производственными процессами, взаимоотношениями с клиентами, обслуживанием или контролем качества. В текущем году в мире был зафиксирован взрывной рост проектов с использованием ML. 7 ноября в Москве пройдет Форум по системам искусственного интеллекта (RAIF), на котором соберутся руководители крупных российских компаний, признанные отечественные и мировые эксперты в области машинного обучения и талантливые разработчики.
Искусственный интеллект уже перешел в категорию прикладных задач. Уже до 60% компаний мира в том или ином виде используют ML в своем бизнесе
Фото: AFP
Накопление данных
"Машинное обучение — набор методов математической статистики и теории вероятности. Основная идея технологии — предоставить машине посчитать различные статистики для многих тысяч объектов, подкрепляя вычисления уже известной обратной связью. Например, если описать все правила русского языка, то из предложения "Шар не помещается в чемодан", следует, что большой именно чемодан и потому шар в него не помещается. Показав машине 1 тыс. примеров, где шар больше чемодана, и подкрепив их обратной связью, мы получим статистику, которая поможет правильно понять приведенный текст. Другой пример, более приближенный к реальности: машине показывают десятки тысяч анкет заемщиков, и подкрепляют все это данными об имеющихся просрочках. Так машина учится выявлять закономерности и по анкете определять уровень благонадежности заемщика" — такое объяснение ML дает Евгений Колесников, руководитель направления "Большие данные и машинное обучение" компании "Инфосистемы Джет".
Искусственный интеллект только недавно перешел в категорию прикладных задач. По данным MIT Technology Review и Google Cloud, 60% компаний мира в том или ином виде используют ML в своем бизнесе.
В текущем году в мире был зафиксирован взрывной рост проектов с использованием ML: их в разы больше по сравнению с прошлым годом.
Компании, использующие системы машинного обучения для корректировки ценообразования, добились примерно десятипроцентного роста валовой прибыли. Например, американская компания Target благодаря применению ML-технологий увеличила выручку c $44 млрд до $67 млрд.
В ритейле, e-commerce, финансах и телекоме, исторически накопивших больше всего данных, машинное обучение позволяет прогнозировать продажи, рассчитывать тарифы, контролировать отток клиентов или снижать риски мошенничества.
"В финансовом секторе технологии ML позволяют повысить точность оценки заемщика, оценки рисков кредитования или вложения в финансовые рынки, прогнозировать объем депозитной массы и не только. Например, для одного из топ-10 банков мы создали систему противодействия мошенничеству среди сотрудников на базе технологий машинного обучения. Решение выявляет аномалии в поведении специалистов финансовой организации (например, частую проверку так называемых спящих счетов) и сигнализирует службе безопасности о рисках воровства. Это помогает банку выявлять мошеннические схемы еще на этапе их зарождения и предотвращать внутренние потери",— рассказывает Евгений Колесников.
Датчики контроля
В промышленности и ТЭКе технологии ML часто идут рука об руку с интернетом вещей (IoT) при разработке новых товаров, отслеживании качества и т. п. Например, металлургические компании несут немалые убытки из-за возникающего на производстве брака. Причины могут быть самые разные: от некачественного сырья до технологических нарушений, но их важно максимально быстро выявить и устранить.
"Решая эту задачу для одного из заказчиков, мы создали систему, которая собирает и анализирует показания с датчиков, установленных на каждом компоненте процесса выплавки металла. Решение помогает точно определить причину дефекта и оперативно внести корректировки, до того как бракованное сырье превратится в готовые изделия и отправится покупателю. Таким образом, компания экономит свои ресурсы и время",— объясняет Евгений Колесников.
Модели удержания клиента
Ритейлеры заинтересованы в снижении затрат на обслуживание клиентов (например, за счет создания роботов для автоматических ответов), анализе товарных остатков, оптимизации логистики и ассортиментной матрицы (использование ML-системы для товарных рекомендаций способно до 20% увеличить конверсию покупок на сайте).
"Ритейл — низкомаржинальная отрасль, и рост прибыли или снижение издержек по какому-то из направлений деятельности даже на 0,5% уже даст существенный результат на выходе,— комментирует Евгений Колесников.— Сегодня с одним из заказчиков мы прорабатываем возможность увеличения онлайн-продаж. Существуют ситуации, когда клиент интернет-магазина кладет товар в корзину и уходит с сайта. Мы реализуем решение, которое сможет прогнозировать вероятность выкупа таких корзин и строить модель удержания клиента. По предварительным подсчетам, такое внедрение способно увеличить конверсию на 20%".
Именно в рамках рассматриваемого направления компания "Инфосистемы Джет" сейчас разрабатывает систему, прогнозирующую совершение покупок теми или иными группами клиентов. Зная их, ритейлер сможет влиять на спрос, делая актуальные торговые предложения.
Сомнения заказчика
Евгений Колесников отмечает, что технологии ML помогают компаниям выявлять мошеннические схемы еще на этапе их зарождения и предотвращать внутренние потери
Фото: Предоставлено "Инфосистемы Джет"
В России уже есть примеры внедрения ML, которые доказывают эффективность его применения и полезность бизнесу. Компании, работающие в банковской и транспортной сферах, в ритейле, промышленности, страховании, извлекают дополнительную прибыль из накапливаемых данных или снижают издержки с помощью конкретных решений.
И все же у нас в стране машинное обучение пока находится на самой начальной стадии формирования. В него инвестируют как глобальные игроки (IBM, Facebook, Google), так и локальные поставщики услуг или стартапы. Но их мало.
"Пока в части практического применения машинного обучения российский бизнес несколько отстает от западного. Развивая у себя данное направление, мы нередко сталкиваемся с сомнениями заказчиков в целесообразности таких внедрений. Главная причина в том, что рынок ML в России только зарождается. В публичных источниках много подчас противоречивой информации и мало данных о реальных кейсах. Те, кто уже получает выгоду от применения этих технологий (а мы знаем немало таких игроков из банковского сектора, ритейла, промышленности, страхования и других отраслей), предпочитают скрывать свое конкурентное преимущество",— отмечает Евгений Колесников.
Итоги чемпионата
7 ноября в Москве пройдет Форум по системам искусственного интеллекта (Russian Artificial Intelligence Forum — RAIF), на котором соберутся руководители крупных российских компаний, признанные отечественные и мировые эксперты в области машинного обучения и талантливые разработчики.
В рамках форума будут презентованы лучшие мировые практики в сфере искусственного интеллекта и машинного обучения.
На RAIF будут представлены лучшие работы участников чемпионата по ИИ RAIF-Challenge 2017, который стартовал 20 сентября и продлится до 25 октября включительно. Среди партнеров — компании "М.Видео", "АльфаСтрахование" и банк "Уралсиб", предоставившие данные для этого чемпионата.
Анкетные данные
В качестве главного критерия составления рейтинга "600 крупнейших компаний России" принят показатель, характеризующий объем реализации продукции (работ, услуг) в 2016 году. В случаях, когда в силу специфики деятельности компаний этот показатель не может быть применен (например, для банков, страховых и лизинговых компаний, негосударственных пенсионных фондов), используются данные финансовой отчетности, максимально близкие к нему по экономическому смыслу. Для более полной картины в списке приведены и другие характеристики: объем реализации продукции за 2015 год, объем реализации за 2016 год в долларах США, прибыль до и после налогообложения за 2016 год, тип отчетности.
Участие в рейтинге почти не имеет ограничений отраслевого характера. В результате в него вошли компании практически из всех основных сфер экономики. С 2017 года в рейтинг также включаются негосударственные пенсионные фонды (НПФ) и лизинговые компании. Места компаний в рейтинге определялись путем их ранжирования по объему реализации продукции (работ, услуг) в 2016 году.
В зависимости от профиля деятельности конкретной компании под этим термином понимается следующее.
Для компаний, занятых в сфере промышленности, АПК, телекоммуникаций, транспорта, торговли, жилищно-коммунального хозяйства, строительства и т. д.,— объем выручки от продаж продукции (товаров, работ, услуг за минусом НДС, акцизов и аналогичных обязательных платежей).
Для банков: сумма процентных и комиссионных доходов (до вычета расходов). Источником этих данных являлась бухгалтерская отчетность, подготовленная только по стандарту МСФО.
Для страховых компаний: если используются показатели финансовой отчетности по МСФО — сумма подписанных страховых премий (за вычетом премий, переданных в перестрахование) и результата от инвестиционной деятельности (доходы за вычетом всех, кроме процентных, расходов); если используется бухгалтерская отчетность по РСБУ — сумма подписанных страховых премий (за вычетом премий, переданных в перестрахование) и результата от инвестиционной деятельности (доходы за вычетом расходов), без учета данных по ОМС.
Для НПФ: сумма взносов по пенсионной деятельности и доходов за вычетом расходов по инвестиционной деятельности. Источником этих данных являлась бухгалтерская отчетность банков, подготовленная только по стандарту МСФО.
Для лизинговых компаний: сумма процентных доходов от финансового лизинга, прочих процентных доходов и доходов от операционной аренды. Источником этих данных являлась бухгалтерская отчетность, подготовленная только по стандарту МСФО.
В тех случаях, когда в списке оказывались холдинги, их дочерние компании в список уже не включались во избежание двойного счета.
При пересчете выручки компании за 2016 год в другую валюту использовался средневзвешенный курс ЦБ РФ 66,83 руб./$, а при пересчете выручки за 2015 год — 61,32 руб./$.
При прочих равных условиях приоритет отдавался данным отчетности, подготовленной в соответствии со стандартами МСФО или US GAAP, а также анкетным данным компаний. Если анкетные данные не подтверждались копией отчетности по соответствующему стандарту и таковая не обнаруживалась в открытом доступе в других источниках, отчетность считалась управленческой по соответствующему стандарту (для РСБУ — просто "управленческая").
В случае, когда структура компании претерпела существенные изменения, кардинально повлиявшие на объемы выручки, полученной за год, предшествующий году составления рейтинга, информация о темпе прироста объема выручки от продаж в рейтинге не публикуется.
Сбор данных о компаниях осуществлялся в три этапа. Первый — подготовительный. На основе рейтингов прошлых лет, статистической отчетности за 2016 год, оперативной статистической отчетности, сообщений СМИ был составлен список компаний--потенциальных участников рейтинга. После предварительного отбора в нем было оставлено около 1 тыс. компаний. На втором этапе был проведен опрос компаний--кандидатов в рейтинг. Запрашивались основные показатели деятельности за 2016 и 2015 годы. Наконец, на третьем этапе пробелы в собранной информации были восполнены за счет данных Росстата и корпоративных сайтов в интернете.
Для подготовки рейтинга использовалась информация Федеральной службы государственной статистики и Федеральной налоговой службы, представленная в "Системе профессионального анализа рынков и компаний" агентства "Интерфакс".
"Роль государства в экономике возрастает"
Алексей Иванов, партнер по работе с ключевыми клиентами аудиторской практики PwC в России, отмечает, что в российской экономике очевидно повышение инвестиционной активности, хотя, конечно, до уровня пяти- или тем более десятилетней давности еще далеко.
В последние годы мы видим, что руководители компаний во всем мире независимо от отраслевой специфики единогласно поднимают вопрос доверия к бизнесу как со стороны общества и государства, так и со стороны самого бизнеса. За последние десять лет доля российских руководителей, которые тревожатся, что нехватка доверия к их компаниям пагубно отразится на бизнесе, выросла на 10 процентных пунктов и достигла в нынешнем году 60% опрошенных — это соответствует мировому уровню. При этом неотъемлемой составляющей доверия является прозрачность бизнес-процессов и отчетности компании, которая в целом, безусловно, выше у публичных и государственных компаний, обязанных раскрывать данные внешним пользователям в связи с требованиями биржи, на которой котируются их акции или облигации, или государства как акционера. Дочерние предприятия международных компаний, особенно крупных публичных корпораций, как правило, отличаются более высоким качеством бизнес-процессов, которое должно соответствовать глобальным корпоративным стандартам, при этом они не стремятся к прозрачности финансовой отчетности для внешних пользователей, за исключением, конечно, регулирующих органов, прежде всего налоговой инспекции.
Недавно в рамках опроса крупнейших компаний мира мы выяснили, что, как ни странно, доступность капитала гораздо сильнее беспокоит китайских (90% от опрошенных респондентов), чем российских бизнесменов (60%). В прошлом году уровень озабоченности этим вопросом со стороны российского бизнеса был выше (75%).
В целом мы видим повышение инвестиционной активности на российском рынке, хотя, конечно, до уровня пяти- или тем более десятилетней давности еще далеко. Со стороны российских инвесторов это может означать, что они приспособились к необходимости финансирования сделок собственными средствами и средствами российских банков, а не международными банками, а со стороны международных — что возвращается относительная привлекательность инвестиций в Россию в связи с турбулентностью или экономическим спадом в ряде других регионов мира. Несмотря на риски, потенциал российского потребительского рынка по-прежнему очень высок (особенно по сравнению с развитым миром, например Европой, США), и ряд инвесторов, которые нацелены на долгосрочные, стратегические проекты, видят этот потенциал в России. В то же время результаты опроса руководителей крупнейшего бизнеса показывают некоторое уменьшение привлекательности российского рынка в общемировом масштабе на один процентный пункт — до 4%. Впрочем, в ЕС перспективы бизнеса с Россией оцениваются более благоприятно: 9% европейских CEO хотели бы взаимодействовать с Россией уже в ближайшие 12 месяцев.
Если же говорить о том, становится ли компаниям труднее конкурировать на глобальных рынках вследствие ужесточения требований отдельных государств, почти половина руководителей российских компаний ответили положительно (в ЕС и в целом по миру этот показатель составил 58%, а в США — 66%). Среди самых привлекательных для ведения бизнеса стран на первом месте для российских бизнесменов, как и годом ранее, оказался Китай, США — на втором, а Германия — на третьем. Мы также выяснили, что лишь 6% руководителей крупнейших российских компаний намерены продать свой бизнес или уйти с местного рынка. В то же время на новые сделки слияния или поглощения на национальном или международном уровнях готовы пойти 24% крупнейших российских бизнесменов, тогда как годом ранее таковых было менее 10%.
Около половины руководителей российских компаний отметили, что планируют увеличить инвестиции в страны АТЭС в следующем году. Они готовы расширять свою инвестиционную деятельность в России (56%), Китае (26%), Австралии (22%) и Индонезии (22%). Руководители компаний в регионе АТЭС сходятся во мнении, что в условиях замедленного роста глобальной экономики увеличение объемов прибыли от ведения бизнеса за рубежом становится все более сложной задачей. В целом большинство (77%) руководителей отмечают, что они уверены в росте доходов своих организаций в течение ближайшего года.
Чрезмерное регулирование входит в тройку основных причин для переживаний руководителей российских компаний — и небольших частных, и крупных игроков рынка. Этим вопросом обеспокоены 80% лидеров российского бизнеса. Действительно, роль государства в экономике возрастает. Что очевидно прежде всего в сфере банковского регулирования, где это является и назревшей необходимостью, которая проявилась в невиданном прежде количестве отозванных лицензий и привела к усилению роли Центробанка и в отношении государственных корпораций, в частности в вопросах минимального уровня дивидендов и повышения требований к прозрачности деятельности, о чем говорилось выше. В свою очередь, усиление регулирования банков существенным образом сказывается на их требованиях к заемщикам, приводя, таким образом, к росту влияния государства на бизнес в целом.