Технологии машинного обучения (ML) использует треть крупных российских предприятий (33%). Об этом сообщает аналитический центр НАФИ. Машинное

По данным НАФИ, 80% крупных бизнесов в стране используют автоматизацию в бизнес-процессах. На каждом пятом предприятии автоматизированы все бизнес-процессы. В будущем количество автоматизированных бизнес-процессов на предприятиях продолжит расти - такой прогноз дали 93% опрошенных представителей компаний. Причины дальнейшего роста уровня автоматизации процессов: повышение конкурентоспособности (80%), экономия производственных затрат (69%), повышение качества решений по автоматизации (53%), их удешевление (35%), имиджевая необходимость использования автоматизации (31%), дефицит человеческих ресурсов (12%). Несмотря на то, что автоматизированные бизнес-процессы применяются в большинстве компаний, машинное обучение используется только на каждом третьем предприятии (33%). На большинстве крупных предприятий ИТ-директора знают о машинном обучении в общих чертах (62%), в подробностях - только 18%. Чаще всего машинное обучение используют для организации продаж (56%), обслуживания (44%), и логистики (33%). В ближайшие 2-3 года машинное обучение в компаниях планируют применять в первую очередь для оптимизации производства (40%), аналитики и исследований (35%), маркетинга (29%). Согласно исследованию, основной драйвер внедрения машинного обучения на предприятиях - сокращение текущих расходов (44%). Дополнительные предпосылки - повышение производительности труда (36%), оптимизация взаимодействия подразделений (35%), сокращение сроков принятия решений (29%), сокращение сроков анализа данных (29%). Наиболее распространенные барьеры к внедрению машинного обучения - необходимость перестройки существующих бизнес-процессов (31%), неготовность персонала (29%), недостаточный уровень цифровизации в организации (27%). По информации НАФИ, технологии машинного обучения используют в государственном управлении (57%), ритейле и торговле (37%), промышленности и энергетике (32%). Опрошенные представители медицинских и фармацевтических компаний пока только планируют внедрять машинное обучение на предприятиях. В сфере госуправления в опрошенных компаниях машинное обучение чаще всего применяется для управления персоналом и подбора кадров (50%). При этом организации планируют внедрить его также в аналитику и исследования (43%). Основным барьером для внедрения машинного обучения представители предприятий госсектора назвали кибербезопасность, а основным драйвером - повышение производительности труда персонала (и то, и другое упомянули 72% опрошенных). В ритейле и торговле самый высокий процент внедрения машинного обучения приходится на продажи (86%). Представители этих компаний также планируют внедрить его в логистику (42%), в оптимизацию производства и в маркетинг (по 37%). В первую очередь их удерживает от внедрения машинного обучения необходимость перестройки существующих бизнес-процессов (42%). Основным драйвером внедрению также является снижение издержек (58%). В промышленности и энергетике, по информации НАФИ, машинное обучение чаще всего интегрировано в оптимизацию производства (68%) и логистику (50%). В планах внедрить машинное обучение есть у 48% компаний в сфере промышленности и энергетики. Барьерами для них являются неготовность персонала и нехватка доступной информации о машинном обучении (по 37%), а драйверами - сокращение сроков анализа данных и снижение текущих расходов (по 42%). Представители опрошенных компаний в сфере медицины и фармацевтики больше всего стремятся начать применять машинное обучение в аналитике и исследованиях (71%), а также в маркетинге (57%) и в оптимизации производства (43%). В первую очередь их останавливает нехватка доступной информации о машинном обучении (71%), а стимулируют перспективы улучшения имиджа организации (57%), сокращение срока принятия решений и повышение эффективности разработок (по 43%). Больше 50% финансовых респондентов - банки, страховщики - признались, что видят необходимость перестройки существующих бизнес-процессов для внедрения машинного обучения и готовы заняться этим в ближайшие 2-3 года. Компании финансового сегмента так рассчитывают повлиять на качество обслуживания, снизить расходов и сократить сроков принятия решений. В целом 47% крупных предприятий обладают штатными специалистами, способными внедрить машинное обучение. Опрошенные разделились в предпочтении, как внедрять такие технологии - своими силами (40%) и привлекать для этого профессиональные ИТ-компании (38%). "На основе полученных данных, мы предполагаем, что в течение ближайших 5-7 лет нас ожидает период активного перехода на использование машинного обучения, систематизации данных и накопления опыта. Рассчитываем на плавный рост, который будет заключаться в том, что компании, уже использующие МО, будут расширять область его применения, а не использующие - постепенно внедрять данную технологию", - прогнозирует руководитель исследовательских проектов НАФИ Всеволод Хоменко. Опрос проводился НАФИ в сентябре 2019 г. в форме онлайн-интервью с представителями крупного бизнеса и госорганов. Объем выборки - 51 респондент. Под автоматизацией организационных процессов в исследовании понимают перенос рутинных процедур или типовых задач под контроль цифровой информационной системы. Под машинным обучением подразумевают процесс, в ходе которого искусственный интеллект обрабатывает большое количество примеров, выявляет закономерности и использует их, чтобы анализировать и прогнозировать характеристики новых данных. Аналитик управления системной архитектуры компании "Техносерв" Александр Голышко с выводами НАФИ согласен: "Уверен, что применение технологии машинного обучения с каждым годом будет неуклонно увеличиваться. Полагаю, что рост сегмента будет стабильным, на уровне 15-20% в год". Основным драйвером развития технологии ML станет повышение функциональности устройств и информационных систем, а также систем видеоаналитики, полагает эксперт. Директор по перспективным сервисам компании "СБКлауд" Вячеслав Самарин ожидает увеличение применения ML. Барьерами роста, с его слов, могут стать недостаточный уровень автоматизации бизнес-процессов и нехватка собственных ресурсов для обработки больших объемов данных. Однако способ преодолевать эти препятствия уже известен: можно арендовать готовые сервисы и ресурсы у специализированных провайдеров, сказал Вячеслав Самарин. Машинное обучение - один из ключевых ИТ-трендов, и наиболее готовы к нему отрасли, где накоплен опыт сбора и обработки больших массивов данных. "По нашей оценке, машинное обучение широко применяется в банковском секторе - в исследовании он, очевидно, отнесен к ритейлу - для оценки кредитных рисков, таргетированных маркетинговых акций, прогноза спроса на различные услуги. Машинные технологии также активно внедряются в сферу HR для обучения сотрудников, первичного отбора соискателей на массовые позиции, прогнозирование кадровых потребностей", - говорит Вячеслав Самарин. Руководитель группы IoT компании Softline Валерий Милых отметил, что машинное обучение - в первую очередь это алгоритмы, которые способны учиться. Выявлять закономерности можно привычными методами, например, статистическими. "Однако способность учиться делает машинное обучение принципиально иным - происходит накопление "собственных" знаний системы о предмете на основе анализа примеров", - уточнил он. Специалист не согласен, что фармацевтика не использует методы машинного обучения. В качестве примера он назвал технологии распознавания качества готовой продукции и ее упаковки. По прогнозам Softline, решения, основанные на машинном обучении будут проникать во все отрасли. "Это неизбежное следствие эффективности применения этих методов. По мере совершенствования, методы машинного обучения станут привычным элементом систем управления и взаимодействия с персоналом предприятий", - ожидает Валерий Милых. Процент российских компаний, использующих машинное обучение будет расти, так как традиционные пути повышения эффективности в основном исчерпаны. "Рост стоимости ресурсов, квалифицированных кадров, необходимость полной утилизации мощностей установленного оборудования - это драйверы развития направления машинного обучения", - перечисляет Валерий Милых. К указанным в исследовании барьерам он добавил высокую стоимость решений в области машинного обучения. Эксперт связывает это с отсутствием широкой отраслевой экспертизы. Директор центра разработки компании Artezio (входит в группу "Ланит") Дмитрий Паршин уверен: исследование отражает реальное положение дел с внедрением решений на основе искусственного интеллекта. "Эти проекты достаточно дорогие, поэтому компании и предприятия готовы заказать разработку с ИИ только в случае, когда будет достигнута максимальная экономическая эффективность. То есть ИИ пока не стал обязательным инструментом для всех, не в каждой бизнес-задаче технология может показать абсолютную финансовую эффективность", - делает вывод специалист. По мнению Дмитрия Паршина, можно было бы говорить о более широком использовании искусственного интеллекта в бизнесе, если бы снизилась стоимость разработки или появились универсальные решения "для всех". "Мы видим определенный спрос на решения с искусственным интеллектом. Однако, говорить о том, что эти проекты стали массовыми пока очень рано. Все изменится, как только стоимость внедрения ИИ значительно уменьшиться. Именно дисбаланс цены и эффективности является сдерживающим фактором для представителей различных секторов экономики". - полагает представитель Artezio. Ссылка на источник