Автор книги: Пол Доэрти
Жанр: Зарубежная деловая литература, Бизнес-Книги
Возрастные ограничения: +16
сообщить о неприемлемом содержимом
Текущая страница: 6 (всего у книги 17 страниц) [доступный отрывок для чтения: 6 страниц]
Для обучения алгоритмов платформы Lilt требуется в 400 раз меньше данных, чем для инструментов, которые оперируют крупными неструктурированными массивами.
Сосредоточение на определенном сегменте/диалекте не требует на первых же стадиях обучения машины большому количеству слов и фраз (но со временем можно добиться и углубленного их понимания). Отказ от широких корреляций, требующих большого объема данных, в пользу контекстного обучения позволяет инструментам платформы Lilt создавать корректные, точные и недорогие переводы, задействовав опыт живых специалистов.
Шопинг в стиле Etsy
Etsy – интернет-платформа, где продаются изделия ручной работы и антиквариат. Девиз ее создателей – «торговля для людей». Именно поэтому, обучая поисковую систему распознавать ключевой фактор многих потребительских решений – художественный стиль, они совершили решительный «разворот к человеку»[108]108
Hao Jiang, Aakash Sabharwal, Adam Henderson, Diane Hu, and Liangjie Hong, “Understanding the Role of Style in E-commerce Shopping,” Association for Computing Machinery KDD (Knowledge Discovery and Data Mining) Conference, Anchorage, August 2019, https://dl.acm.org/doi/pdf/10.1145/3292500.3330760.
[Закрыть].
Обдумывая возможную покупку, посетители сайта Etsy учитывают не только функциональные параметры в характеристике изделия – категорию, описание, цену и рейтинг, – но и стилистические, эстетические аспекты.
Подобно языковым и прочим коллективным контекстам, обсуждаемым в этой книге, стиль существует в изменчивой социальной среде, которую человек воспринимает как нечто естественное, а искусственный интеллект осознает с большим трудом.
Для команды Etsy проблема стиля оказалась особенно сложной. В отличие от товаров широкого потребления, которые нетрудно классифицировать, изделия, продающиеся на Etsy, в основном уникальны. Многие продавцы и покупатели знают, что им нравится, но не могут внятно сформулировать свои представления о стиле. Изделия могут сочетать в себе черты разных эстетических направлений или же вовсе не иметь ярко выраженной стилевой принадлежности. А в продаже на Etsy одномоментно находится до 50 миллионов изделий.
В недавнем прошлом алгоритмы подсказки на торговых площадках нередко выдавали пользователям странные и необъяснимые рекомендации.
Если определенная группа пользователей покупала два товара вместе, то искусственный интеллект считал, что они похожи по стилю. В рамках другого подхода изделия группировались на основе малозначительных деталей, например цвета или других визуальных элементов. Ни один метод не позволял понять, каким образом стиль влияет на решение о покупке.
Кто бы смог лучше мерчандайзеров из команды Etsy объяснить искусственному интеллекту субъективное понятие стиля?
Основываясь на собственном опыте, эксперты выделили 42 стиля, которые оказались привлекательны для потребителей в 15 наиболее популярных категориях Etsy: от ювелирных изделий до игрушек и товаров для творчества[109]109
Harry McCracken, “How Etsy Taught Style to an Algorithm,” Fast Company, July 11, 2019, https://www.fastcompany.com/90374429/how-etsy-taught-style-to-an-algorithm. The description of how Etsy taught style to its system draws heavily on this article.
[Закрыть]. Некоторые стили перекликаются с известными направлениями в искусстве (ар-нуво, ар-деко), некоторые связаны с эмоциями («юмор», «забавное», «вдохновение» и т. п.), другие отсылают к образу жизни (бохо, фармхаус) или к культурным трендам (хюгге, скандинавский стиль). Эксперты составили список из 130 000 изделий, распределив их по 42 стилевым категориям.
Затем технологи компании Etsy обратились к покупателям, которые в поисковых запросах нередко обозначают стиль, например «буфет ар-деко». За всеми изделиями, которые пользователь просматривал, добавлял в избранное или покупал по итогам этого запроса, закреплялось название стиля.
Всего за месяц экспертам Etsy удалось собрать для учебной программы массив из трех миллионов примеров. С их помощью нейросеть обучили использовать текстовые и визуальные подсказки, чтобы относить каждое изделие к одной из 42 категорий.
Результатом стали стилистические прогнозы для всех 50 миллионов изделий, представленных на сайте Etsy.com. Изделия от одного производителя, а также товары, купленные или помещенные в раздел «Избранное» одним и тем же пользователем, как правило, стилистически однородны. Кроме того, команда Etsy обнаружила: стилистический модуль, встроенный в систему подсказок на сайте, увеличивает выручку.
На следующем этапе команда решила измерить «силу стиля» – определить, насколько он ярко выражен в изделиях. Например, декоративное панно с изображением якоря, парусной лодки и дельфина явно относится к морскому стилю. Изделия с характерными чертами пользуются большим спросом, чем товары со слабо выраженной стилевой принадлежностью. Марк Фишер, технологический директор компании Etsy, говорит: «Мы помогаем продавцам выяснить, есть ли у них узнаваемый стиль»[110]110
McCracken, “How Etsy Taught Style to an Algorithm.”
[Закрыть].
Маркеры стиля полезны и для прогнозирования сезонного спроса. К примеру, изделия в тропическом стиле особенно популярны в летние месяцы; романтика пользуется повышенным спросом перед 14 Февраля и другими праздниками, которые предполагают обмен подарками. Стиль «вдохновение» выходит на пик продаж в мае-июне – в период студенческих выпускных. Теплый, уютный стиль фармхаус манит покупателей осенью, особенно в ноябре. Вооружившись этой информацией, продавцы могут подобрать оптимальный стиль для каждого времени года.
Когда началась пандемия и прервались цепочки поставок массового ретейла, многие потребители обратились к платформе Etsy. Выручка компании удвоилась и составила 10 млрд долларов, а капитализация выросла до 25 млрд[111]111
Alan Murray and David Meyer, Fortune CEO Daily newsletter, April 20, 2021, https://fortune.com/2021/04/20/etsy-ceo-josh-silverman-pandemic-was-our-dunkirk-moment-ceo-daily/.
[Закрыть]. Знаете, какой товар стал одним из самых ходовых? Художественно оформленные защитные медицинские маски. Их продажи выросли почти с нуля в апреле 2020 года до 740 млн долларов в остальные месяцы года.
Как говорит генеральный директор Etsy Джош Сильверман, «каждый покупатель смог найти маску, которая отображала бы его вкусы и стилистические предпочтения». И добавляет: «Наши клиенты убедились, что коммерция с человеческим лицом вполне возможна»[112]112
Murray and Meyer, Fortune CEO Daily newsletter.
[Закрыть].
Персональный опыт: технология, встроенная в человека
Уже несколько десятилетий разработчики искусственного интеллекта ищут способ привить машине зачатки мыслительных способностей. Но, как мы отметили в главе 1, разворот к человеку в сфере ИИ-технологий не предполагает воссоздания человеческого разума. Цель – обучить машину выполнять задания, подражая самым мощным когнитивным способностям человека и дополняя их наиболее ценными возможностями компьютера.
Радикальный разворот к человеку в плане персонального опыта требует не воспроизведения, а использования врожденных и приобретенных мыслительных навыков человека, чтобы поставить их на службу искусственному интеллекту. Для этого требуется более тонкий подход к обучению. Преподаватель может и сам не знать, что обладает навыками, которые постепенно передает обучающей системе.
Человек за пультом управления
При традиционном подходе к обучению машины по принципу human-in-the-loop (HITL, «человек в петле»: человек в цикле, контуре управления) люди тренируют, настраивают и тестируют алгоритмы. Люди размечают данные – машины учатся принимать решения и, исходя из данных, делать прогнозы – люди корректируют алгоритмы, оценивают результаты, стараются их улучшить. И так по кругу.
Этот метод эффективен при разработке моделей для машинного обучения. Однако узкое представление о роли человека как наставника машины не покрывает и малой доли богатейших возможностей учебного процесса.
Подобно многим производителям робототехники, компания Kindred AI получила во время пандемии мощный толчок к развитию благодаря росту спроса на роботов для складских помещений. Пока большинство производителей тратили время на отладку ИИ-систем, разработчики из команды Kindred посадили за пульт управления человека, быстро нарастили объемы поставок и удовлетворили запросы одного из первых крупных клиентов компании – ведущего американского ретейлера одежды Gap.
Когда новая коронавирусная инфекция добралась до Северной Америки, администрации Gap пришлось закрыть многие свои магазины, включая торговые точки Old Navy и Banana Republic. Количество онлайн-заказов выросло во много раз, но из-за принятых мер безопасности – например, необходимости соблюдать социальную дистанцию – рабочих рук катастрофически не хватало. Поэтому пилотный проект компании Kindred внезапно перерос в заказ на 106 трехметровых роботов-манипуляторов[113]113
Jeffrey Dastin, “Gap Rushes in More Robots to Warehouses to Solve Virus Disruption,” Reuters, May 21, 2020, https://www.reuters.com/article/us-health-coronavirus-gap-automation-foc/gap-rushes-in-more-robots-to-warehouses-to-solve-virus-disruption-idUSKBN22X14Y.
[Закрыть].
Благодаря особой обучающей программе и уникальной технологии захвата «умные» манипуляторы SORT способны собрать заказ из нескольких наименований. Товары из корзины заказчика по желобу переправляются в емкость, где «умная» рука с присоской и захватом сканирует штрихкод и помещает изделие в коробку. Когда все наименования из заказа попадают в коробку, работник склада ставит ее на ленту транспортера и отправляет на упаковку, а затем – в отдел доставки.
От других складских роботов машины компании Kindred отличаются наличием пилотов. Эти сотрудники находятся в офисе компании в Торонто и удаленно следят за действиями манипуляторов, обучают их наиболее эффективным приемам работы[114]114
“Hybrid Intelligence Is the Future of Supply Chain Management,” April 12, 2019, https://www.borndigital.com/2019/04/12/hybrid-Intelligence-is-the-future-of-supply-chain-management.
[Закрыть]. Панорамная камера на руке робота позволяет пилоту наблюдать за его поведением.
Когда робот ошибается или затрудняется решить, как лучше захватить изделие и куда его отправить, пилот приходит на помощь. Постепенно машина запоминает схему действий, при каждом успехе получая одобрительный сигнал. В результате робот набирается опыта и уже не нуждается в человеческой помощи.
На начальном этапе разработки компания Kindred модифицировала движения «умной» руки так, чтобы она могла тянуться к объекту и захватывать его с той же легкостью, что и человек. Брать предметы – один из навыков, о которых люди почти не задумываются. Это как езда на велосипеде, слепая печать или пение. Такие навыки – часть нашей «встроенной технологии», или, по выражению философа Майкла Полани, неявного знания.
Неявное (или молчаливое) знание, которое трудно облечь в слова, противопоставлено знанию явному, которое можно легко записать или произнести. «Мы знаем больше, чем можем выразить», – говорит Полани. Вот почему нам так сложно передать неявное знание другому человеку или искусственному интеллекту.
Пилоты, помогающие роботам Kindred, не могут объяснить машине, что нужно делать, но вполне способны показать. В мае 2020 года, когда компания Gap прислала срочный заказ на дополнительных роботов, команда Kindred сумела поставить «умные» машины в четыре центра сборки заказов всего через несколько недель, на месяцы раньше назначенного срока.
Если после открытия всех приостановленных торговых точек количество онлайн-заказов сократится, «умные» роботы модели SraaS (Smart Robots as a Service – «умный» робот как услуга) без труда позволят сократить мощности. Кроме того, благодаря помощи пилотов и обучению с подкреплением систему легко приспособить для выполнения любых задач, которые требуют сбора несортированных мелких компонентов.
Поэтому сейчас компания Kindred ищет заказчиков в сфере автомобилестроения, электроники и на других производствах.
Более эффективный способ передачи знания
Благодаря машинам, способным усвоить неявное знание экспертов и практиков, для создания и обучения ИИ-систем будущего понадобится намного меньше данных. Они смогут самостоятельно использовать опыт специалистов. На смену «жадному до данных» искусственному интеллекту приходят более эффективные модели; системы, выстроенные по принципу «снизу вверх», уступают место системам, отлаженным «сверху вниз».
Участники конкурса, организованного совместно французскими Брестским университетским больничным центром и Высшей национальной школой электросвязи Бретани (Telecom Bretagne in Brittany), определили систему медицинской визуализации наиболее точного распознавания хирургических инструментов при проведении малоинвазивной операции по удалению катаракты[115]115
“Surgical Tool Annotation for Workflow Analysis,” Quadrant and Siemens case study, n. d., https://cataracts.grand-challenge.org/home/.
[Закрыть].
Победила система с элементами искусственного интеллекта, обученная за шесть недель на материале всего лишь 50 видеороликов с записью операций. Из них 48 операций провел известный опытный хирург, одну – молодой врач с годичным опытом работы, еще одну – интерн.
Системы, безошибочно распознающие инструменты, позволяют медикам тщательно исследовать хирургические процедуры для дальнейшей оптимизации. Подобные системы потенциально применимы для составления отчетов, обучения молодых хирургов и даже для принятия решений непосредственно в операционной.
Опыт вашей организации
Обучение машин вскоре добавится к смешанным видам деятельности, которые мы выделили в книге «Человек + машина». Искусственный интеллект станет еще более мощным двигателем инноваций, однако место за пультом управления, безусловно, останется за человеком.
Заполняя недостающую середину, переход от тренировки к обучению машины создаст новые рабочие места для людей. Это особенно важно для организаций: обучение машин открывает доступ к экспертному знанию, накопленному сотрудниками, и позволяет гораздо более широкому кругу специалистов применять искусственный интеллект к новым нетривиальным задачам.
Обучение машины можно подстроить под специфику вашего бизнеса, что откроет простор для истинных инноваций и подарит конкурентное преимущество: вам больше не нужно будет тратить силы на технологическую гонку.
Из всех существующих моделей обучения наставничество особенно полезно, когда по тем или иным причинам недоступен широкий массив обработанных данных – чаще всего потому, что запросы отрасли или компании крайне специфичны.
Чтобы извлечь максимальную пользу из учебного процесса, организациям предстоит переосмыслить принципы взаимодействия специалистов и неспециалистов с «умными» машинами. Для начала – повысить цифровую грамотность ведущих сотрудников (подробнее мы поговорим об этом в главе 6), что позволит эффективно совместить их опыт с технологическим аспектом работы.
Обладая цифровой грамотностью, работники смогут предложить нестандартные способы применения искусственного интеллекта в отрасли. В то же время руководство компании должно сознавать, что настоящие мастера могут обнаружиться на любом уровне организации.
С помощью искусственного интеллекта даже рутинную повседневную работу можно превратить в ценный информативный процесс, повысить вовлеченность сотрудников, а заодно разгрузить аналитиков. Именно так случилось с медицинскими кодерами.
Легкость и эффективность, с которыми искусственный интеллект позволяет задействовать коллективный опыт человеческих сообществ, открывают новые перспективы для компаний разного уровня и профиля – от индустриальных гигантов вроде Tesla до флагманов мира моды вроде Bustle. Только представьте: больше не нужно проводить исследования рынка, собирать эмпирические данные о вкусах потребителей – вместо этого рынок сам будет обучать ваши товары и услуги правильной стратегии.
И наконец, не забывайте помещать людей за пульт управления, чтобы их врожденные и приобретенные навыки напрямую передавались «умным» машинам. Наличие пилота или переводчика не означает, что искусственный интеллект несостоятелен, это значит, что вы берете лучшее от человека и от машины. Человек привносит в этот союз бесчисленные, подчас невыразимые нюансы знания, а машина – сверхъестественную эффективность. От объединения способностей человека и машины мы получаем встречу в той самой середине, которой уже недолго осталось пустовать.
Теперь следует поговорить о трех ключевых элементах бизнес-инноваций на основе ИИ-технологий – в мире, где само представление об инновациях перевернулось с ног на голову. Эти элементы – интеллект, данные и экспертное знание. Важнейшая задача на данный момент – объединить их с помощью системной архитектуры, которая запускает инновационные процессы в любой сфере деятельности.
Эту задачу мы и обсудим в главе 4.
Глава 4. Архитектура
От громоздкого наследия к живым системам
Компания L. L. Bean – культовый ретейлер с более чем столетней историей – выпускает и продает огромный ассортимент: классическую одежду для активного отдыха, прочную функциональную обувь. Компания заслуженно пользуется репутацией бренда, интересы потребителей у которого всегда на первом месте. Однако в последнее время, с появлением многочисленных каналов связи – прессы, магазинов, сайтов, приложений, социальных сетей, – работу с клиентами стала тормозить громоздкая IT-система, отдельные части которой прослужили не менее двадцати лет[116]116
“L. L. Bean: Modernizing the IT Architecture at a 105-Year-Old Retailer, Google, n. d., https://cloud.Google.com/customers/l-l-bean.
[Закрыть].
В целом IT-система состояла в основном из локальных мейнфреймов и распределенных серверов. Различные каналы связи поддерживались отдельными системами, почти не связанными между собой и работавшими с разными пакетами ПО. Создать единое пространство потребительского опыта в таких условиях практически невозможно. Сотрудники IT-отделов тратили все время на поддержку инфраструктуры и просто не успевали заботиться об удобстве клиентов.
Тем временем доля потребителей, которые пользуются для покупок различными каналами, возросла до 73 %. Исследователи установили, что «многоканальные» потребители при каждом походе в магазин в среднем тратят на 4 % больше, чем «одноканальные», а при покупках онлайн – на 10 % больше. «Многоканальные» потребители, кроме того, отличаются большей лояльностью и чаще склонны рекомендовать любимый бренд друзьям и родственникам[117]117
Emma Sopadjieva, Utpal M. Dholakia, and Beth Benjamin, “A Study of 46,000 Shoppers Shows That Omnichannel Retailing Works,” Harvard Business Review, January 3, 2017, https://hbr.org/2017/01/a-study-of-46000-shoppers-shows-that-omnichannel-retailing-works.
[Закрыть].
Чтобы не отстать от конкурентов в эпоху Amazon, компании было необходимо предложить потребителям заманчивый многоканальный опыт, который не смогли бы целиком воспроизвести владельцы онлайн-площадок. Поэтому команда L. L. Bean перенесла критически важные приложения и сервисы из собственной системы в облачное хранилище Google, где теперь можно собирать данные из множества источников, более эффективно обрабатывать запросы с веб-сайта, отлаживать работу мобильных приложений и оперативно обновлять пользовательское меню.
Облачная архитектура постоянно оптимизируется в фоновом режиме. Поэтому команде IT-специалистов уже не нужно тратить ценное время на поддержку инфраструктуры. Вместо этого можно заняться оперативной разработкой ПО, экспериментировать с новыми инструментами и применять их по мере готовности. А при гибкой архитектуре облака, избавленной от архаичных систем, компания может быстро, легко и недорого увеличивать мощности в период бурной покупательской активности и сокращать их при наступлении затишья.
В этой способности быстро реагировать на внешние перемены, пожалуй, и заключается принципиально важный сдвиг от масштабируемости к гибкости. И это лишь одно из многих серьезных преимуществ подхода к архитектуре как живой системе.
Избавиться от наследия прошлого
Живые и унаследованные от прошлого системы принципиально различаются подходом к информационным технологиям. Живые системы трансграничны, легко поддаются адаптации и радикально «очеловечены». Системам без границ не страшны барьеры между IT-отделами и даже организациями. Они используют платформы на основе облачных технологий, извлекая максимальную выгоду из сетевого эффекта (см. врезку «Принцип платформы»).
Принцип платформы
Для компаний, порожденных цифровой средой, сама платформа и есть продукт. Вспомним поисковую рекламу Google или систему бронирования Airbnb: платформа связывает цифровые экосистемы и усиливает сетевой эффект многих сфер и отраслей. Например, Uber – платформа для заказа такси – поддерживает также и сервис доставки продуктов.
В наши дни платформы приобретают стратегическую важность для компаний, которые ищут способ преобразить товары, услуги и потребительский опыт. Платформа служит генератором выручки и придает бизнесу маневренность, к тому же ее легко приспособить для нужд определенной отрасли. К примеру, корпорация Nike создала платформу цифровых услуг – таких, как измерение интенсивности нагрузки, – которые помогают грамотно подобрать спортивную обувь.
Платформы создаются на основе связанных, многофункциональных, интегрированных технологий и бизнес-инструментов. За счет передовой архитектуры платформы становятся истинными двигателями инновации, помогая выстраивать новые взаимовыгодные отношения между предпринимателями и клиентами.
Гибкие, адаптируемые системы переносят старый код в облачные хранилища, тем самым уменьшая взаимозависимость систем, повышая скорость и эффективность работы, находя применение человеческому таланту и отвечая на изменчивые запросы потребителей.
И наконец, живые системы радикально ориентированы на человека, ведь они используют нестандартные методы, сложные интеллектуальные построения и гибкие стратегии обработки данных, обеспечивая инновацию и привлекательный опыт. Подобные системы наводят мосты между различными ветвями организации, объединяют таланты в сфере бизнеса и технологий, подключают партнеров по экосистеме к совместному творчеству и поиску новых идей.
Наши технологические исследования показали: ведущие компании строят системы, которым в высшей степени свойственны трансграничность, приспособляемость и «очеловеченность». Преимущество им обеспечивают цифровой декаплинг, стратегическое применение облачных технологий, интеграция периферийных вычислений и целостный подход к IT-ресурсам, который позволяет объединить стратегию и технологию на каждом уровне.
Стоило бы задуматься, насколько здесь применимо слово «архитектура». Оно наводит на мысль о монументальных, громоздких сооружениях и не отдает должного динамичности живых систем, которые стирают границы, повышают гибкость и приспособляемость, обеспечивают органичную интеграцию человека и машины.
Цифровой декаплинг
Для многих компаний путь к живым системам начинается с цифрового декаплинга – стратегии, позволяющей постепенно выстроить новые, более гибкие системы в качестве альтернативы устаревшим[118]118
Andre Israel, Brett Goode, Jason Mark, and Edwin Van der Ouderaa, “Digital Decoupling: A Maturing Concept in Digital Disruption,” Accenture, March 27, 2019, https://bankingblog.accenture.com/digital-decoupling-maturing-concept-digital-disruption.
[Закрыть].
Декаплинг (в переводе – «отцепление») задействует передовые технологии, каналы доступа к данным и принципы разработки ПО. К ним относятся открытые программные интерфейсы приложений (API), agile-методики разработки DevOps, миграция в облако, микросервисы и роботизированная автоматизация процессов (RPA).
Используя эти и многие другие инструменты, организации могут постепенно «отцепить» свои системы от наследия прошлого, переместив критически важный функционал и данные на новые платформы. Жесткие архитектуры требуют периодических крупномасштабных трансформаций, а такой подход создает стабильную и постоянно развивающуюся архитектуру с пространством для инноваций, способную быстро откликаться на меняющиеся условия рынка и вызовы конкурентов.
Цифровой декаплинг популярен среди новаторов: 83 % лидеров нашего первого технологического исследования согласились, что «отцепить» данные от унаследованной инфраструктуры – важнейшая задача. А вот среди аутсайдеров это мнение разделили лишь 37 %[119]119
Bhaskar Ghosh, Adam Burden, and James Wilson, “Full Value. Full Stop. How to Scale Innovation and Achieve Full Value with Future Systems,” Accenture, 2019, https://www.accenture.com/us-en/insights/future-systems/future-ready-enterprise-systems.
[Закрыть].
С чего же начать декаплинг? Можно переместить данные из унаследованной системы в озера данных – централизованные репозитории, которые позволяют хранить в любом формате даже неструктурированные данные.
Со временем хранилище данных оптимизируется таким образом, чтобы анализировать реляционные данные, поступающие от систем обработки транзакций и бизнес-приложений. Тем самым обеспечивается единый источник истины для операционной отчетности и анализа.
Озера данных позволяют задействовать широкий спектр аналитических инструментов, от таблиц и визуализаций до обработки больших данных, что повышает качество принимаемых решений. Именно по такому принципу работает новая банковская платформа Marquee, созданная технологами группы Goldman Sachs. Она моментально перемещает в озеро данные о транзакциях, рынках, исследованиях и рассылках и применяет к ним алгоритмы машинного обучения, извлекая ценные идеи на будущее[120]120
Adam Burden, Edwin Van der Ouderaa, Ramnath Venkataraman, Tomas Nyström, and Prashant P. Shukla, “Technical Debt Might Be Hindering Your Digital Transformation,” Sloan Management Review, June 19, 2018, https://sloanreview.mit.edu/article/technical-debt-might-be-hindering-your-digital-transformation/.
[Закрыть].
Ветеранам бизнеса цифровой декаплинг помогает эволюционировать в сторону живых систем, не отставая от маневренных компаний, родившихся уже в цифровую эпоху. У них появляется возможность задействовать огромные массивы данных, собранные системами прошлых поколений. Таким образом, потенциальное отставание превращается в конкурентное преимущество.
Для примера возьмем британскую технологическую компанию Smiths Group, чей штат насчитывает в разных странах мира около 22 000 сотрудников[121]121
“Smiths Group Unites Data from Five Global Divisions and Hundreds of Apps with Azure Data Lake Storage,” Microsoft, March 10, 2020, https://customers.Microsoft.com/en-GB/story/769823-smiths-group-manufacturing-azure.
[Закрыть]. Компания выпускает широкий спектр товаров – от сканеров багажа для аэропортов до медицинского и телекоммуникационного оборудования.
Основанная в 1851 году, Smiths Group постоянно разрасталась; сегодня ее структура насчитывает пять подразделений, которые обслуживают клиентов из 200 стран и регионов мира. Раньше каждое подразделение использовало свои системы обработки и хранения данных, в целом компания задействовала 800 различных приложений для работы. В некоторых случаях сотрудникам Smiths Group приходилось вручную извлекать данные из множества источников, чтобы составить отчет или сводную картину показателей компании.
Желая обеспечить централизованный доступ ко всем данным, руководство Smiths Group внедрило комплексную платформу облачных вычислений Microsoft Azure, объединив данные из многочисленных источников, в том числе от финансовых систем, инструментов планирования ресурсов и SAP-приложений.
Благодаря новой системе компания смогла сократить процесс составления отчетов; устранить ошибки, которые неизбежны при ручной обработке данных; высвободить сотрудникам время для принятия грамотных стратегических решений на основе полученной информации. «Теперь у нас есть возможность быстро извлекать выгоду из данных, – говорит Ахмед Аднани, директор по приложениям и аналитике. – Ценные выводы из составленных моделей данных помогут нам увеличить выручку, сократить расходы и минимизировать риски»[122]122
“Smiths Group Unites Data from Five Global Divisions and Hundreds of Apps with Azure Data Lake Storage.”
[Закрыть].
Чтобы озеро данных принесло максимальную пользу, необходимы эффективные инструменты для поиска, анализа и обработки огромного массива структурированной и неструктурированной информации. Грамотно выбранные приложения – в сочетании с самим озером данных – открывают широчайший спектр новых возможностей. Например, основываясь на метаданных контента, можно произвести поиск по корпусу контрактов и документации, тем самым обеспечив соответствие и исключив юридические проблемы.
В сфере финансовых услуг можно объединить разрозненные данные об организациях и клиентах, что обеспечит оптимальные бизнес-решения, соответствие, выявит мошенничество и снизит риск инсайдерской торговли. Поиск по текстовым расшифровкам видеоконтента проявит ценные бизнес-идеи.
В сфере здравоохранения компании могут ускорить научно-исследовательский и производственный процесс благодаря быстрому поиску молекул с тождественной или сходной структурой.
Фактически в любой отрасли переход к озерам данных можно считать первым шагом к созданию живой системы.
Одной из первых организаций, сумевшей – еще более 20 лет назад – распознать важность цифрового декаплинга, стала компания Amazon. Со временем идея легла в основу AWS – комплексной платформы облачных вычислений, открывшей широкому кругу пользователей доступ к эластичной инфраструктуре. Однако в 1998 году компания была просто книжным интернет-магазином, и ее работой управляло одно-единственное громоздкое приложение для продаж с огромной базой данных.
Разработчики трудились только над этим моноприложением, и каждое обновление приходилось согласовывать со всеми задействованными командами. Любая новая опция – например, видеостриминг – требовала переписывания огромных массивов кода, которые по большей части даже не были связаны с этой опцией: приложение изначально разрабатывалось для торговли книгами.
«Это был долгий, многоступенчатый процесс, требующий сложного взаимодействия и ограничивающий нашу способность к быстрой масштабной инновации», – вспоминает технический директор Amazon Вернер Фогельс[123]123
Werner Vogels, “Modern Applications at AWS,” All Things Distributed Weblog, August 28, 2019, https://www.allthingsdistributed.com/2019/08/modern-applications-at-aws.html.
[Закрыть].
Централизованная монолитная структура годилась для эпохи, в которую все вычисления производились в одном месте, а организация из операционных и стратегических соображений объединяла системы, например поставки, продажи и НИОКР. По мере технологического развития подобное переплетение теряет смысл и даже мешает инструментам и системам действовать с максимальной отдачей.
Когда бизнес-процессы тесно переплетены, то для преодоления возросшей нагрузки на один из них приходится обновлять всю архитектуру. И не сделать этого нельзя: отказ одного процесса способен обрушить все приложение, и оно будет лежать, пока эта локальная проблема не исправится.
Руководствуясь собственным «Манифестом распределенных вычислений», компания Amazon начала разбивать монолитную структуру на микросервисы – отдельные модули, выполняющие процессы в приложении. Каждый сервис отвечает за единственную функцию – например, за корзину для онлайн-покупок – и функционирует независимо от других сервисов, может запускаться, обновляться и масштабироваться исходя из конкретных запросов (например, при повышении объема отдельных продаж).
(Для термина «микросервисы» не существует четкого определения; здесь имеет смысл говорить о мелкомодульной версии сервис-ориентированной архитектуры [СОА] – одного из первых подходов к разработке ПО, призванных решить проблемы монолитной архитектуры за счет не узкого функционала, а относительно крупных сервисов.)
Кроме того, Amazon разбила функциональные подразделения по принципу «команда на две пиццы»: количество сотрудников в каждой должно быть таким, чтобы их можно было накормить двумя пиццами. Небольшой автономной команде доставался в разработку определенный продукт или инструмент, а также полный контроль над одной из частей бывшего монолита. Команды могли, не оглядываясь на коллег, быстро принимать решения и внедрять новые разработки. Это позволило компании Amazon добавлять в год уже не десятки, а миллионы обновлений.
Завершая переход к тому, что Вернер Фогельс называет современными приложениями, компания Amazon разработала автоматизированный конвейер выпуска и обратилась к бессерверным вычислениям. Автоматизированные конвейеры выпуска заменили единый ручной конвейер, позволив командам разработчиков автономно выпускать новые сервисы.
Таким образом решились проблемы координации, возникавшие при выпуске обновлений, однако появился другой вопрос: как обеспечить единое качество разработок у всех команд? Для этого разработали оптимальные шаблоны ПО, чем снизили воздействие человеческого фактора на процесс выпуска.
Команды регулярно сбрасывают изменения кода в центральный репозиторий, где они проходят тестирование и автоматическую сборку. Коды таким образом можно изменять по несколько раз в день, отправляя в производство без малейшего человеческого участия.
Бессерверные вычисления избавляют разработчиков от необходимости управлять инфраструктурой. Слово «бессерверные» не означает, что серверы не задействуются вообще, как в одноранговых сетях. В данном случае речь идет о том, что серверы, обеспечивающие облачные сервисы, больше не требуют внимания разработчиков компании.
Провайдер выделяет машинные ресурсы, берет на себя планирование мощностей и техподдержку, взимает с клиентов плату. А разработчики тем временем могут сосредоточиться на специфических бизнес-решениях и инновациях, выгодно отличающих компанию от конкурентов. «Вероятно, скоро вырастет целое поколение разработчиков, которые ни разу в жизни не прикасались к серверу и занимаются только бизнес-решениями», – говорит Вернер Фогельс.
Внимание! Это не конец книги.
Если начало книги вам понравилось, то полную версию можно приобрести у нашего партнёра - распространителя легального контента. Поддержите автора!Правообладателям!
Данное произведение размещено по согласованию с ООО "ЛитРес" (20% исходного текста). Если размещение книги нарушает чьи-либо права, то сообщите об этом.Читателям!
Оплатили, но не знаете что делать дальше?
