Роботизированная автоматизация процессов как стратегия начального уровня
Относительно простой стратегией внедрения когнитивных технологий также может стать применение инструментов роботизированной автоматизации процессов к структурированным цифровым процессам. Один консультант, с которым я беседовал, назвал их стартовым наркотиком мира когнитивных технологий. РАП просто настраивать и внедрять, причем при внедрении в скромных масштабах компании может даже не понадобиться помощь консультанта или поставщика технологий. Однако эти системы вступают во взаимодействие с существующими ИТ-приложениями, поэтому разумно будет заранее провести консультацию с представителями ИТ-отдела компании. Непрерывное «управление и руководство роботами» требуется при масштабных развертываниях РАП.
Главный плюс и главный минус РАП состоит в том, что она не меняет системы, к которым подключается, и автоматизируемые технологические задачи. Это обеспечивает простоту ее внедрения, но ограничивает возможность упрощать процессы и перестраивать системную архитектуру. Внедрять РАП – все равно что заливать существующие системы бетоном, пускай он и быстро схватывается. Простая архитектура РАП также ограничивает ее способность действовать на основе оперативной информации.
Пожалуй, сегодня важнейший минус РАП – недостаточная интеллектуальность технологии. РАП пока не обладает способностью исключать лишние этапы процесса, культивировать интеллект, обучаться и действовать разумно. Возможно, поставщики технологий со временем оснастят РАП интеллектом. Одни поставщики уже внедрили в РАП ограниченную компетенцию «наблюдения» за коллегами-людьми и осуществления подобных действий. Другие разрабатывают основанные на чат-ботах интерфейсы для роботов РАП. Один из ведущих поставщиков технологии РАП, компания Blue Prism, недавно объявил о заключении партнерства с IBM и другими технологическими компаниями с целью обогащения своих РАП-продуктов интеллектуальными компетенциями. Компания UIPath утверждает, что ее продукт уже оснащен машинным зрением. Разрабатывающая технологию РАП компания Work-Fusion, которая специализируется на автоматизации финансовых процессов, во многих приложениях сочетает РАП с машинным обучением и чат-ботами. Другой крупный поставщик РАП, компания Automation Anywhere, предлагает относительно сильные аналитические компетенции и функции предоставления отчетности. Amelia от компании IPsoft – это в первую очередь интеллектуальный агент, но даже он имеет ряд компетенций РАП.
Что дает умная технология РАП? В продуктивных цифровых организациях умные машины должны уметь:
● Устранять этапы процессов или целые процессы. Умные технологические роботы могут выполнять сложные задачи и устранять рутинные этапы процессов, исполняемые людьми, например автоматически собирая и вычисляя данные из множества источников.
● Культивировать интеллект. Умные системы РАП смогут культивировать интеллект посредством интерпретации структурированной и неструктурированной информации и осуществлять принятие решений на основе этой информации. Например, автоматизированная «приемная» в страховой отрасли должна интерпретировать и извлекать основную информацию из документов, контрактов и счетов, осуществляя их приоритизацию для андеррайтинга, и автоматически сопоставлять их с претензиями для аудита затрат.
● Обучаться. Интеллект также позволит системам учиться на собственном опыте и ориентироваться на поведение людей для автоматизации исключительных случаев. Умные машины также должны учиться выявлять новые закономерности, анализируя структурированную и неструктурированную информацию. Например, они могут узнавать о предпочтениях клиентов из электронных писем, заметок в CRM, приложенных файлов и т. д. В идеале они должны понимать, почему клиент вступает в контакт с организацией.
● Действовать разумно. Умные системы РАП должны быть в состоянии автоматизировать определенные задачи на основе интеллекта, культивируемого машиной. Например, в процессе исполнения заказов они должны определять, находится ли грузовик доставки на складе. Они также могут сопоставлять номер грузовика с системой управления заказами и отправлять сигнал для открытия ворот склада.
● Воспринимать окружающую среду. Умные системы РАП должны применять машинное зрение, понимать речевые приказы и т. д.
Часть перечисленных компонентов интеллекта технологических роботов уже появилась, а в ближайшие несколько лет, скорее всего, появятся и другие. В связи с этим внедрение РАП – прекрасная стратегия начального уровня, хотя и не все приложения РАП сегодня достаточно интеллектуальны.
Внедрение крупной когнитивной платформы при помощи поставщика технологий
Компаниям, которые не имеют большого опыта в сфере ИИ, но хотят внедрить множество когнитивных приложений, возможно, потребуется когнитивная платформа с набором различных инструментов. В опросе об осведомленности о когнитивных технологиях, проведенном в 2017 г. компанией Deloitte, 20 % респондентов сказали, что работают преимущественно с одним поставщиком когнитивных технологий, а это может означать наличие платформы (см. рис. 7.2). Пожалуй, самая известная платформа – система IBM Watson, имеющая целый ряд (сегодня их 16, но это число не раз менялось на протяжении существования Watson) API, которые можно комбинировать различным образом.
Сила платформы кроется в том, что компания может создавать многочисленные когнитивные приложения, пользуясь инструментами, предоставляемыми одним поставщиком услуг, и стандартным пользовательским интерфейсом. Проблема Watson, как указывается в недавнем отчете по инвестициям, составленном компанией Jeffries[147], заключается в необходимости привлечения консультантов для настройки и интеграции всех компонентов системы. Многие компании, внедрявшие платформы, сочли эти услуги достаточно дорогими.
В последние годы появляются и другие платформы, но немногие из них могут тягаться с Watson по количеству компетенций. Например, Cognitive Scale имеет два типа приложений: один используется для вовлечения клиентов с помощью персонализированного контента и онлайн-опыта, а другой – для «усиления» интеллекта сотрудников с помощью управления знаниями. Оба приложения реализованы на единой платформе. Компания RAGE Frameworks, приобретенная Genpact, имеет 18 интеллектуальных машин, которые выполняют когнитивные задачи в более широком контексте информационных систем, тем самым стимулируя бизнес-процессы. Стартап Veritone, корни которого уходят в управление цифровыми медиа, дает возможность выбирать движок – с закрытым и открытым кодом – для решения конкретных когнитивных задач как внутри одной категории когнитивных технологий, так и на стыке нескольких. Предполагается, что когнитивные движки со временем войдут в обиход и станут общедоступными, поэтому компании будут просто выбирать тот из них, который лучше всего справляется с решением проблемы, стоящей на повестке дня. Каждая из этих платформ может также потребовать интеграции для разработки конкретного приложения ИИ.
Внедрение технологий разных поставщиков и решений с открытым кодом
Как я отметил, наиболее искушенные в технологическом отношении крупные организации не полагаются на одного поставщика технологий, а используют «лучшие в своей сфере» когнитивные инструменты, включая инструменты с открытым кодом. Такие компании, как Procter & Gamble, ведут список поставщиков и программ, сертифицированных для использования в ИИ-проектах. Это самый сложный подход к внедрению ИИ-технологий, но он также может быть самым результативным, если компании имеют возможность его реализовать.
Инструменты ИИ с открытым кодом быстро совершенствуются. Библиотека Google TensorFlow теперь достаточно широко используется для загрузки и скачивания приложений машинного и глубокого обучения. Microsoft предлагает открытый Cognitive Toolkit. Компания Amazon сделала открытой технологию машинного обучения DSSTNE, которая лежит в основе ее сервиса рекомендаций. Среда глубокого обучения Caffe была разработана в Университете Беркли. Открытая библиотека машинного обучения Torch создавалась для научных вычислений. Как правило, доступ к ряду инструментов с открытым кодом открывают облачные платформы, например Amazon Web Services и Microsoft Azure. Само собой, без специальных знаний в сфере обработки данных невозможно даже понять, в чем заключаются различия между этими инструментами и каков спектр их применения.
В опросе об осведомленности о когнитивных технологиях, проведенном в 2017 г. компанией Deloitte, 38 % респондентов сказали, что сотрудничают с несколькими поставщиками когнитивного программного обеспечения (см. рис. 7.2). Всего 6 % респондентов в основном работают с инструментами с открытым кодом. Самые опытные и активные пользователи когнитивных технологий, однако, были наиболее склонны сотрудничать с несколькими поставщиками технологий и использовать программное обеспечение с открытым кодом. Они также были наиболее склонны использовать для развития внутренние ресурсы (вместо консультантов и подрядчиков).
Сотрудничество с несколькими поставщиками технологий и использование когнитивных инструментов с открытым кодом требует от компаний знакомства с различными типами когнитивных технологий, наличия в штате опытных специалистов по работе с данными, а также готовности прилагать значительные усилия для интеграции с существующими процессами и системами. Как я отметил, эту интеграцию респонденты считают главной трудностью, с которой они сталкиваются при внедрении когнитивных технологий. Однако я полагаю, что этот подход позволяет сформировать максимум когнитивных компетенций.
Крупные компании, располагающие большим количеством унаследованного программного обеспечения, могут также прибегать к существующим компонентам своего технологического арсенала для выполнения когнитивной работы. Если речь идет о статистическом машинном обучении и нейронных сетях, компании могут обладать некоторыми необходимыми компетенциями, если они ранее внедряли статистические и аналитические «пакеты», предоставляемые такими поставщиками, как SAS или IBM SPSS. Так, анализ на основе машинного обучения и нейронных сетей более 20 лет доступен в пакете SAS En