Машинное обучение в работе интеграторов. Сферы применения, проекты, комментарии игроков рынка

ICT-Online.ru: Насколько важно сейчас для отечественного интегратора уметь применять в работе и собственном бизнесе технологии машинного обучения?

Руководитель направления инновационных решений СТЭП ЛОДЖИК Анна Никитина: Компании принимают свои бизнес-решения на основе анализа накопленной информации или информационных потоков от устройств IoT и умных датчиков. Технологии машинного обучения, способные непрерывно обрабатывать большое число данных, уже сейчас становятся источником серьезного конкурентного преимущества.

Руководитель направления инновационных решений СТЭП ЛОДЖИК Анна Никитина

Например, ритейл на основе информации о потребительских привычках и структуре трат своих клиентов на десятки процентов снижает затраты на коммуникацию, повышает лояльность клиентов и средний чек. В банках технологии машинного обучения используются для скоринга, оценки риска при кредитовании, выявления аномальных операций и мошеннических действий.

Для того чтобы эффективно решать бизнес-задачи своих клиентов, системным интеграторам крайне важно знать и уметь применять в работе все технологии, которые помогают их клиентам быть более успешными на рынке, в том числе машинное обучение.

Директор по разработкам компании КОМПЛИТ Антон Сосенко: В собственном бизнесе мы практически не используем машинное обучение. Пожалуй, единственное применение - это разработка довольно простого бота, помогающего нам в поиске талантливых кандидатов. Количество резюме по вакансиям data scientist, machine learning engineer, data analyst очень велико, до нескольких тысяч в неделю, анализ резюме проводится ежедневно, и это очень трудоемкая задача. Бот помогает отсеивать тех, кто нам точно не подходит.

Директор по разработкам компании КОМПЛИТ Антон Сосенко

В отношении заказчиков все немного сложнее. Технологии машинного обучения – новая область, многие считают, что применять технологии ML рано, они либо не подходят под специфику предприятия, либо им нельзя доверять (сложно проверять). Но реальность такова, что сейчас генерируются терабайты данных, их нужно как-то обрабатывать, а для заказчиков на первом месте стоят их бизнес-задачи. Если предлагаемое решение соответствует требованиям бизнеса, снижает затраты, сокращает требования к персоналу, то обычно нет причин для возражений, так как заказчики всегда практичны и ориентированы на конечный результат. Поэтому уметь применять современные технологии обработки данных, методы ML в том числе – это важно, и еще важнее уметь предлагать заказчику понятные, основанные на ML решения, согласующиеся с производственной задачей. Хороший вариант – показать преимущества ML на небольшом пилотном проекте.

Из наиболее перспективных направлений, по которым мы работаем, – решения для промышленной безопасности, предотвращения инцидентов и гибели людей в ходе выполнения опасных работ. Система может оценить степень опасности ситуации раньше человека. Есть интересные и общественно значимые запросы, связанные с обеспечением безопасности движения на дорогах. Кроме того, мы разрабатываем рекомендательные системы и активно работаем в области минимизации потерь в производстве.

Генеральный директор НОРБИТ (ГК ЛАНИТ) Антон Чехонин: Применение технологии машинного обучения для интеграторов в среднесрочной перспективе должно стать неотъемлемой частью их работы, как и умение анализировать бизнес, разрабатывать программный код и работать с базами данных. Всё это поможет интегратору предлагать клиентам высококачественный сервис.

Генеральный директор НОРБИТ (ГК ЛАНИТ) Антон Чехонин

В ближайшее время использование машинного обучения в крупных проектах станет обязательным условием, и этому способствует несколько факторов. Во-первых, технология становится более доступной с точки зрения наличия на рынке труда профильных специалистов, оборудования, готовых программных библиотек и примеров. Появляется большое количество обучающих курсов, что значительно снижает порог входа всех желающих в профессию.

Во-вторых, все больше специалистов работают над популяризацией знаний о машинном обучении. В нашей компании регулярно проводятся корпоративные тренинги по машинному обучению, где мы рассказываем на примерах практических кейсов, как эта технология решает задачи бизнеса. Удачными примерами применения машинного обучения являются, например, системы автоматического управления пополнением складских запасов, системы интеллектуального маркетинга, отвечающие на вечный вопрос «что, когда и как предложить клиенту?». Но пока проекты с использованием машинного обучения остаются довольно дорогостоящим видом работ, зачастую основанным на научных исследованиях и не всегда с гарантированным результатом. Поэтому, в основном, это направление развивают крупные компании, у которых есть инвестиционные бюджеты.

Руководитель направления внедрений систем бизнес-аналитики Softline Станислав Воронин: Машинное обучение опирается на технологию нейронных сетей – это алгоритмы, которые работают по принципу работы клеток головного мозга. Их ключевая особенность состоит в способности самообучаться и развиваться практически без вмешательства со стороны человека. Наиболее активно машинное обучение используется в части распознавания видеообразов, фотообразов, распознавания речи, развития голосовых помощников, автоматизации работы колл-центров.

Руководитель направления внедрений систем бизнес-аналитики Softline Станислав Воронин

Использование machine learning сейчас наиболее популярно в ритейле и сфере услуг: там, где требуется интерактивное взаимодействие с клиентом. Кроме того, искусственный интеллект и машинное обучение могут использоваться в наукоемких проектах в медицине (помощь врачам в постановке диагнозов). И наконец, эти технологии применяются в разработке «цифровых двойников» предприятий для определения оптимального построения технологических процессов и повышения эффективности производства. Когда задача достаточно сложна - имеется большой объем исходных данных и внешних, влияющих на результат факторов - могут помочь нейронные сети.

Директор центра машинного обучения компании «Инфосистемы Джет» Евгений Колесников: Machine learning - одна из отраслей в деятельности системных интеграторов, она активно развивается и формирует новый рынок, который растет очень интенсивно. Но в целом ML не является чем-то обязательным для интегратора, можно заниматься и другими направлениями: внедрением бизнес-систем, поставками оборудования. Есть компании, которые занимают свою нишу и не спешат осваивать технологии машинного обучения.

Директор центра машинного обучения компании «Инфосистемы Джет» Евгений Колесников

ML – одно из самых современных направлений, его можно сравнить с роботизацией процессов, программированием чат-ботов, блокчейном, – этим занимаются компании, которым интересны самые инновационные технологии. К тому же, для работы с ML нужно иметь необходимые ресурсы: речь идет и о вычислительных мощностях, и о компетенциях самой компании и сотрудников.

Сейчас машинное обучение применимо ко всем областям деятельности человека. Есть отрасли, где оно уже используется повсеместно: в банках уже который год на основе технологии машинного обучения автоматизированы процессы скоринга, с помощью ML ритейлеры дают товарные рекомендации.

К сферам, где машинное обучение только начинает применяться, можно отнести металлургию: тут совсем недавно начались первые внедрения, с их помощью оптимизируются процессы, производство становится более эффективным. Эти проекты уже приносят предприятиям ощутимую прибыль.

Любое производство, любой ритейл естественным образом приходит к этому. Даже малый бизнес сталкивается с элементами машинного обучения: например, небольшой магазин в Instagram использует таргетирование с применением ML для вывода в ленту. В перспективе машинное обучение будет использоваться во всех сферах деятельности человека: бизнесе, образовании, медицине и многих других.

Старший инженер-проектировщик ПО компании ICL Services Дамир Заляев: Все сферы обязаны начать применять AI. Те, кто считают AI хайпом, будут выдавлены с рынка, так как уровень автоматизации очень скоро начнет серьезно влиять на ценообразование, а догнать тех, кто начнет внедрение на несколько лет раньше, уже будет невозможно.

Старший инженер-проектировщик ПО компании ICL Services Дамир Заляев

ICT-Online.ru: Какие интересные технологии машинного обучения появляются, какие возможности открывают?

Анна Никитина (СТЭП ЛОДЖИК): Улучшение когнитивных способностей алгоритмов машинного обучения, связанных с пониманием того, что происходит на картинке или видео, с пониманием человеческой речи, в какой-то момент действительно привело к качественному скачку.

Сотрудник безопасности предприятия или бизнес-центра больше не смотрит в 50 мониторов одновременно, забывая про кофе с пончиком. Компьютер сам привлечет его внимание к подозрительному посетителю.

Технологии распознавания речи позволяют улавливать эмоции по тональности и эмоциональной окраске диалога с оператором колл-центра. Вместо того чтобы просить абонента «оставаться на линии для оценки качества обслуживания», интеллектуальные системы могут оценить его сами. Дальнейшее развитие возможностей машинного обучения может привести к тому, что алгоритм справится с поддержкой пользователей сам, без участия человека.

В медицине искусственный интеллект уже способен качественно анализировать рентгеновские снимки, данные УЗИ, МРТ. Даже не верится, но качество диагностики на уровне мировых стандартов будет доступно для поликлиник «в далекой глубинке».

Антон Сосенко (КОМПЛИТ): В целом методы supervised learning являются стабильными и обеспечивают хороший, гарантированно полезный с практической точки зрения результат. Мы активно ими пользуемся для решения задач, о которых я говорил выше. В том числе используем новые архитектуры глубоких нейронных сетей – рекуррентные сети (RNN) для обработки телеметрии и сверточные сети (CV) для обработки изображений и видео. Один из новых трендов – это аппаратная реализация готовых алгоритмов машинного обучения в гаджетах, с тем чтобы использовать преимущества методов машинного обучения без постоянной связи с облаком, которое по разным причинам может быть недоступно, либо когда полоса пропускания не позволяет, например, обрабатывать видео в режиме реального времени.

Еще одно интересное и важное направление связано с обработкой входящих потоков «нестабильных» данных. Качество данных остается критической частью любого решения, основанного на ML. Сейчас алгоритм машинного обучения может быть введен в заблуждение из-за неполных или противоречивых данных. Также не всегда можно получить достаточный объем размеченных данных, а методы unsupervised learning пока имеют много ограничений. Один из перспективных подходов основан на применении генерирующих моделей (generative models), позволяющих автоматически генерировать дополнительные наборы данных для обучения или использовать частичное обучение – с очень небольшим объемом размеченных данных. Пока генерирующие модели, например, GAN (Generative Adversarial Network), не являются вполне стабильными, но данное направление активно развивается и привлекает много талантливых исследователей и разработчиков, так что, думаю, можно рассчитывать на серьезный прогресс в этой области в ближайшее время.

Антон Чехонин (НОРБИТ): Благодаря непрерывно идущим исследовательским работам появляется большое количество технологий, позволяющих работать с компьютерным зрением. Ярким примером этой работы являются беспилотные автомобили, которые уже проехали миллионы километров. Еще отличный пример применения машинного обучения – проект по разработке системы, которая «видит» состояние тормозных колодок движущегося электровоза и мгновенно определяет, какие из них пора менять. И что особенно важно, делает это точнее и быстрее человека. Такие технологии позволят со временем заменять человека во всех процессах, где необходимо просто «следить за происходящим». Неудивительно, если следующий стартап-единорог позволит заменить человека-охранника набором камер на без машинного обучения.

Станислав Воронин (Softline): Цифровизация экономики привела к необходимости анализа большого объема данных. Если, например, человек может изучить за день десятки страниц Facebook, чтобы собрать информацию о потенциальных клиентах вашей компании, то искусственный интеллект может за то же время проанализировать тысячи профилей. Использование искусственного интеллекта исключает возможность ошибок вследствие усталости или невнимательности сотрудника. Главное предназначение искусственного интеллекта – возможность синтезировать человеческий опыт. Например, если в металлургии определить «на глаз» количество и состав присадок для выплавки стали может только опытный «штучный» специалист, то используя инструменты machine learning и предиктивной аналитики рассчитать эти параметры в считанные секунды сможет человек без уникального опыта работы. В процессе непрерывного обучения машина становится эффективнее профессионала в той или иной области в решении конкретных заданий, во всяком случае, ей не требуется несколько лет, чтобы разобраться в вопросе, и только потом принимать решения на лету.

Евгений Колесников («Инфосистемы Джет»): Технология машинного обучения очень молодая и имеет множество проявлений. В основном интерес профессионалов сейчас лежит в области распознавания видео- и аудиопотоков, это самые быстроразвивающиеся направления.

Для нас сейчас очень актуально направление видеоаналитики, в ней используется технология машинного зрения, когда данные для математических моделей ML собирают видеокамеры. Таким образом можно решать огромное количество разных задач: от наблюдения за очередями и распознавания товара на полках в магазине до оптимизации логистики и решения маркетинговых задач. Видеоаналитика применяется и в сфере безопасности: наша компания разработала решение, с помощью которого можно на стройке следить за тем, надеты ли на работников каски и другие защитные средства.

Также существует решение для контроля поведения водителей за рулем: с помощью видеокамер специальная программа анализирует изменения мимики, и в случае появления признаков засыпания сигнализирует о том, что пора остановиться и отдохнуть.

Дамир Заляев (ICL Services): Машинное зрение и обработка текстов на уже достаточно широком спектре задач, данная технологи в среднем уже превзошла человеческие возможности. Ожидается стремительное расширение круга решаемых задач.

Руководитель Центра когнитивных технологий «АйТеко», к.т.н. Илья Калагин: Развитие направления искусственного интеллекта и машинного обучения для интеграторов - это гарантия конкурентоспособности в будущем и возможность уже сейчас предлагать заказчикам передовые отраслевые решения, на которые российский рынок демонстрирует растущий спрос.

Руководитель Центра когнитивных технологий «АйТеко» Илья Калагин

Речь идет, прежде всего, о проектах в сфере компьютерного зрения. В меньшей степени сформирован спрос на технологии обработки естественного языка, причем потенциал для оптимизации рутинных операций в этой сфере высокий. Наиболее известны рынку чат-боты для выполнения типичных задач. Но существуют и другие инструменты эффективной работы с текстом, которые позволяют извлекать данные, определять тему и тональность сообщения, классифицировать документы и определять их атрибуты. Наш опыт показывает, что организации начинают понимать их ценность в условиях экспоненциального роста обрабатываемых объемов информации.

Большинство интеграторов имеют экспертизу в работе с большими данными, а современные средства аналитики подразумевают использование ML. Машинное обучение применяется в системах прогнозирования, поддержки принятия решений, востребовано в промышленности, маркетинге и продуктовой аналитике. У интеграторов в этом направлении есть конкурентное преимущество, поскольку такие решения чаще всего разрабатываются под конкретные задачи заказчика и машинно-обученным моделям необходима кастомизация. А предоставление экспертизы на всех стадиях проекта - от консультаций и проектирования до адаптации технологий к бизнес-процессам и технической поддержки - и составляет для заказчиков ценность сотрудничества с интеграторами.

ICT-Online.ru: Какие из названных технологий ваша компания уже использует или собирается взять на вооружение?

Анна Никитина (СТЭП ЛОДЖИК): Мы не зацикливаемся исключительно на технологии машинного обучения. Компания использует искусственный интеллект, когда он становится эффективным инструментом решения бизнес-задач заказчиков и своих собственных. Например, для того чтобы быстро и качественно реагировать на заявки в Service Desk, мы разработали систему, которая на основе машинного обучения автоматически классифицирует и направляет соответствующему инженеру заявку, опираясь на анализ ее текста.

Антон Сосенко (КОМПЛИТ): У нас есть собственное подразделение по разработке решений Industrial IoT: датчиков, сенсоров, специализированных мобильных устройств, промышленных систем позиционирования, сбора и передачи данных. Основные требования сейчас – компактность, низкая стоимость, длительность автономной работы, возможность работать «в поле». Прослеживается явный тренд на миниатюризацию, встраивание в технику, инструмент, оснастку, рабочую одежду. И важнейшая функция – способность выполнять аналитическую обработку данных «на борту», то, что называют сейчас Fog Computing и Edge Analytics.

Поэтому наши инженеры работают в тесном контакте с аналитиками данных и разработчиками в области data science. Мы используем современные компактные аппаратные решения (чипы), специально созданные для решения задач машинного обучения, в том числе для обработки изображений и видео. Это особенно важно, когда время реакции критично, а инференс (выполнение обученного алгоритма) в облаке может быть недоступен в промышленных условиях или по соображениям безопасности.

Один из примеров – процессы эксплуатации промышленных и технологических объектов. Наша повседневная жизнь требует работы миллионов единиц оборудования – энергетика, тепло, водоснабжение, связь, различные сервисы, о которых мы, как пользователи, можем даже не знать. Инфраструктура является критичной, распределена по огромным территориям. Не всегда процедуры обслуживания выполняются безопасно и качественно, не говоря уже о затратах. Не всегда человек способен в принципе распознать дефект или опасную ситуацию, не всегда хватает квалификации персонала. Время реакции критично, а инференс (выполнение обученного алгоритма) в облаке может быть недоступен в промышленных условиях или по соображениям безопасности.

Второе направление, в котором у нас есть очень интересный опыт, связано как раз с обработкой неполных и противоречивых данных. Наше направление образовалось в результате реализации классических проектов в сложных условиях. Например, была задача в строительстве, где требовалась ежедневная обработка данных, поступающих от сотен организаций в условиях, когда надеяться на унификацию НСИ и единые правила работы разных организаций не приходится. Как сформировать прогноз и оценить вклад участников в конечный результат, если часть данных просто отсутствует, а часть противоречит друг другу? Каким образом руководители и инвесторы будут принимать решения, если у них нет понимания, в какой степени доверять прогнозу, и какова доля «стабильных» данных?

Так появилась программная платформа для обработки неполных и противоречивых данных и прогнозной аналитики «Горизонт», которую мы постепенно стали превращать в нечто большее, чем просто некий ETL-инструмент, – за счет возможности работать с нестабильными данными и реализации аналитического движка, основанного на методах машинного обучения. Кроме того, мы активно расширяем возможности применения платформы в разных отраслях.

Что касается распределенных вычислений, первоначально мы не планировали создавать собственный инженерно-технологический центр, а хотели поступить как профессиональные интеграторы и закупить для одного из проектов партнерское решение. В частности, речь шла о применении системы позиционирования реального времени в производстве и возможности использовать мобильные браслеты для идентификации технологических операций (что требует применения ML). Нас остановила не очень выгодная политика лицензирования таких решений, закрытость проприетарных библиотек – получалось негибко и дорого.

Сейчас мы считаем умение разрабатывать аппаратные решения в миниатюрном исполнении и совмещать их с аналитикой на основе машинного обучения нашим конкурентным преимуществом. Мы постепенно превращаемся в технологическую компанию, хотя это, конечно, только начало и еще много предстоит сделать. 

Антон Чехонин (НОРБИТ): Наше направление «Машинное обучение и предиктивная аналитика» еще достаточно молодое, но, благодаря наработанным отношениям с заказчиками, мы уже успели запустить несколько пилотных проектов в различных отраслях. Это позволяет развивать экспертизу в этом направлении, совместно апробировать и находить работающие решения. Так, мы запустили пилотный проект в энергетике по прогнозированию потребления электроэнергии целого города с учетом огромного количества факторов. В области ретейла использовали эту технологию для прогнозирования спроса и повышения эффективности маркетинговых кампаний. Также были проекты и в области беспилотных летательных аппаратов.

Станислав Воронин (Softline): Softline создает и внедряет математические модели на базе machine learning. Мы помогаем оценить кредитные риски поставщиков и покупателей в финансовой сфере, настраиваем системы по определению лимита товарного кредита, аналогичные банковским. Наша компания реализует проекты по оптимизации технологических процессов и управлению качеством продукции в промышленных предприятиях. С помощью искусственного интеллекта Softline помогает HR-специалистам анализировать резюме кандидатов или определять вероятность ухода ключевых сотрудников из компании. Мы можем организовать ранжирование баз контактов для увеличения конверсии для call-центров и сферы холодных продаж, внедрить решения кластеризации и сегментирования клиентов в маркетинге, оценить эффективность маркетинговых кампаний, провести A/B-тестирование, определить вероятность оттока клиентов. Также с применением искусственного интеллекта и машинного обучения Softline занимается предиктивным ремонтом и аналитикой, управлением товарными запасами, выявлением сомнительных транзакций.

Современные технологии позволяют успешно реализовывать подобные проекты и достигать качественно новых результатов в бизнесе.

Евгений Колесников («Инфосистемы Джет»): Мы занимаемся внедрением решений на базе машинного обучения уже более 5 лет. Начинали мы с банковской отрасли: первые проекты компании «Инфосистемы Джет» по машинному обучению были связаны с банковским антифродом (противодействие мошенничеству), в этой сфере у нас очень сильные компетенции. Потом мы начали работать с ритейлом: эту отрасль в первую очередь интересуют товарные рекомендации и работа с поведением покупателей. Сейчас мы активно осваиваем промышленность, это ключевая область нашего внимания: для таких проектов мы нанимаем людей как из предметных областей (например, сталеваров) так и математиков, которые делают модели.

Старший руководитель группы поддержки систем компании ICL Services Станислав Вахтин: Наши направления в ML - это обработка текстов на естественном языке, автоматизация работы ИТ-сервисных компаний, уменьшение сбоев на производстве, автоматизация этапов подбора персонала, проектирование, внедрение и поддержка инфраструктур больших данных.

Старший руководитель группы поддержки систем компании ICL Services Станислав Вахтин

Илья Калагин («АйТеко»): Центр когнитивных технологий «АйТеко» был создан в 2018 году. Одной из ключевых специализаций Центра стало направление NLP (Natural language processing, обработка естественного языка). За первый год работы состоялось два релиза интеллектуальных систем для обработки информации. SmartSel предназначена для автоматической классификации и маршрутизации входящих сообщений, SmartCS предлагает интеллектуальный корпоративный поиск по всем источникам данных. Недавно было запущено направление компьютерного зрения и биометрической идентификации. В ближайших планах анонс нового продукта – чат-бота для бизнеса и организаций.

Машинное обучение весьма динамичная область, поэтому скорость разработки, вывода продуктов на рынок и в целом бизнес-процессов в ней высокая. Это мотивирует компании осваивать новые методологии разработки и управления проектами, оптимизировать процессы, наращивать технические и организационные компетенции, что полезно для развития бизнеса интеграторов в целом.

ICT-Online.ru: Назовите наиболее интересные проекты вашей компании, связанные с машинным обучением.

Анна Никитина (СТЭП ЛОДЖИК): Самый интересный проект - тот, который мы реализуем сейчас. Он связан с интеллектуальным анализом поведения людей. Мы хотим, чтобы система заранее привлекала внимание оператора к некоторым посетителям, ориентируясь на их поведение и некоторые другие факторы. Эта задача решается средствами видеоаналитики с использованием технологии машинного обучения.

Антон Сосенко (КОМПЛИТ): Все проекты интересны по-своему, и мы особенно восхищаемся уровнем грамотности и практическими качествами наших заказчиков, их умением изыскивать новые способы решения бизнес-задач и использовать наши возможности. Например, мы говорили о тренде в области промышленной безопасности, сейчас мы работаем над решением, которое позволит предотвращать ошибочные действия персонала в ходе выполнения монтажных работ или работ по техническому обслуживанию и ремонтам. Недостаточно просто идентифицировать работу как опасную в случае попадания персонала в заданную зону и проверять, например, надета ли каска, с помощью стационарной системы видеонаблюдения – это распространенная и несложная задача. Необходимо определять ошибочные технологические операции в зоне выполнения опасных работ с плотным расположением различного активного оборудования, в том числе на удаленных объектах.

Интересной является задача по применению аппаратно-программного комплекса на основе Computer Vision и специальных устройств, датчиков для определения степени опасности водителя для окружающих. Крупные компании и производители аппаратных решений активно вкладываются в разработку беспилотных автомобилей и алгоритмов поведения на дорогах. Но, кроме этого, есть отдельная группа задач с фокусом на координацию движения, быстрое реагирование и реализацию сценариев безопасности на дорогах для всех участников, включая дорожные службы.

Антон Чехонин (НОРБИТ): При внедрении машинного обучения один из важных этапов - это интеллектуальный анализ больших данных и их визуализация. На одном из проектов в ритейле при анализе и визуализации мы научились генерировать полную карту связей между всеми продуктами, а также выяснили некоторые неожиданные взаимосвязи между внешними факторами и продажами отдельных продуктов, например, изменение атмосферного давления.

Есть довольно интересный пример проблемы при построении точных прогнозов в энергетике, когда один из всплесков изменений в объеме вырабатываемой электроэнергии был вызван тем, что корабль сел на мель на озере, и капитан договорился с владельцами гидроэлектростанций, чтобы они уменьшили сброс воды. Естественно, что модель машинного обучения не смогла предугадать это событие на основании накопленных исторических данных.

ICT-Online.ru: Дальнейшие планы вашей компании в части машинного обучения. Какие преимущества даст их реализация?

Анна Никитина (СТЭП ЛОДЖИК): Мы планируем и дальше развивать это направление нашей работы. Участие в реальных проектах дает нам опыт, а обучение наших специалистов на различных курсах и тренингах в области машинного обучения - глубину знаний и широту взглядов.

Антон Сосенко (КОМПЛИТ): Мы находимся в процессе отработки универсального и технологичного подхода к решению задач, связанных с машинным обучением. Здесь у нас большие планы сразу по нескольким направлениям. Во-первых, мы непрерывно развиваем нашу программную платформу, уже сейчас мы можем собирать, обрабатывать, оценивать целостность и полноту данных, полученных от различных источников: устройств Industrial IoT, специализированных мобильных устройств, классических смартфонов и планшетов, стационарных и мобильных видеокамер. Основная цель – сократить время и затраты заказчиков на подключение источников исходных данных, оценку их релевантности, разметку и предобработку данных.

Во-вторых, мы планируем перенести часть услуг в облако и создать удобный сервис, использовать наш собственный центр обработки данных как минимум на этапе внедрения моделей машинного обучения – это даст нам возможность сократить время разработки конечного решения, а заказчику – привлекать меньшее количество ресурсов. К сожалению, облачные сервисы, связанные с аналитикой, не очень популярны в нашей стране, прежде всего по соображениям безопасности, но ряд задач можно решать уже сейчас. И последнее направление – разработка новых классических моделей, максимально приближенных к бизнес-требованиям заказчиков, например, рекомендательных систем. Мы надеемся, что со временем наши заказчики будут больше доверять современным технологиям, станут чаще использовать машинное обучение в основном бизнесе. Сокращение затрат бизнеса является прямым доказательством эффективности современных технологий и финансово стимулирует развитие решений на основе машинного обучения.

Антон Чехонин (НОРБИТ): Для определения дальнейших планов мы тесно работаем с запросами клиентов и следим за развитием технологий. Общение с клиентами позволяет нам выявлять реальные потребности и лучше понимать направления для развития и применения технологий. Развитие экспертизы в области машинного обучения позволит нам удовлетворять растущие потребности наших клиентов в повышении эффективности их бизнеса.

Станислав Воронин (Softline): Softline намерена развивать компетенции в области искусственного интеллекта и машинного обучения и увеличивать число проектов в этой области. Скорее всего, большая доля таких проектов в ближайшие несколько лет будет сосредоточена в промышленной сфере.

Евгений Колесников («Инфосистемы Джет»): Мы планируем и дальше развивать нашу экспертизу в области машинного обучения, выполнять интересные масштабные проекты, выходить на зарубежные рынки.

Дамир Заляев (ICL Services): В наших планах - получить компетенции по всем направлениям современного машинного обучения (Deep Learning). Мы должны быть готовы удовлетворить стремительно растущий спрос на внедрение AI.

Вахтин Станислав (ICL Services): Быть в тренде, обучать персонал, создавать новые сервисы, дающие ценность и конкурентное преимущество бизнесу, получать обратную связь от бизнеса в части востребованности тех или иных идей – вот наши цели.

ICT-Online.ru: Большое спасибо за беседу!