Почему искусственный интеллект не умеет прогнозировать

Работая в связке, большие данные и интернет вещей совершают настоящую революцию в бизнесе как торговых, так и производственных предприятий. Российские компании уже несколько лет активно оцифровывают бизнес, снимая с помощью датчиков данные с оборудования и переводя в цифровой вид бизнес-процессы. На основе этого массива информации создаются математические модели. Но в чем прагматичный смысл высокой математики? Аналитики рынка Big Data сходятся в том, что в первую очередь бизнес заинтересован в предиктивном анализе, который позволяет спрогнозировать спрос или проводить мониторинг состояния оборудования, чтобы в конечном счете сократить время на простои и ремонт.

Как удается выстраивать такие системы анализа или оперативного реагирования, изменения бизнес-процессов? Применительно к анализу и прогнозированию, которыми мы занимаемся, не совсем оправданно говорить о том, что задачу решает искусственный интеллект. Нельзя также однозначно сказать, что прогнозы строятся с помощью самообучающихся систем, нейросетей. Почему сейчас столько внимания уделяется именно нейросетям? На мой взгляд, дело в укоренившемся представлении о том, что человеческий мозг представляет собой подобие гигантской нейронной сети. А значит, если создавать всё более сложные нейронные сети с более глубокими уровнями обучения, то появляется шанс на появление искусственного интеллекта, способного думать, как человек. Однако до этого еще очень далеко. Способности нейронных сетей ограничены. Они замечательно решают некоторые задачи, например по распознаванию изображений. Но, скажем, не задачи по прогнозированию.

На самом деле, не существует одной оптимальной модели на основе машинного обучения, которая будет на отлично решать и задачи распознавания изображений и звука, и задачи прогнозирования. И не нужно искать такую модель, это утопия.

Практика

Работа с большими данными в бизнесе сегодня фокусируется именно на предсказательном анализе и решении оптимизационных задач: анализируя информацию о продажах за предшествующий период, математическая модель позволяет сделать вывод о будущих колебаниях спроса. Возможности цифрового прогнозирования одними из первых оценили в нефтегазе и добывающих отраслях. В нефтяной отрасли многие компании обзавелись внутренними подразделениями machine learning (машинного обучения), где разрабатывается система анализа и хранения данных с целью предсказания спроса (например, этим занимается "Газпромнефть — АЗС", у которой полторы тысячи ассортиментных позиций и две сотни партнеров, так что спрогнозировать спрос ручными методами хотя бы на месяц вперед становится всё сложнее).

В случае с производственными предприятиями математическая обработка больших данных позволяет построить эффективное расписание производственных линий, изменив последовательность и порядок работы, чтобы свести издержки к минимуму. Оптимизация расписания делается после обработки данных об имеющихся запасах на складах, о текущих заказах и множестве других параметров, влияющих на производство. Главная цель — балансировка производственной системы, эффективное распределение задач по производственным звеньям.

Потребности в планировании продаж базовые для производственных и торговых компаний. Но в последнее время быстро растет потребность в решении сложных задач, связанных именно с оптимизацией планирования производства. То, что раньше делалось вручную в программах вроде Excel, сейчас необходимо автоматизировать. Многие компании стали понимать, что в противном случае с потоком информации просто не справиться.

Примеры внедрений

Это произошло с группой "Черкизово" — в определенный момент стало понятно, что обрабатывать огромный поток информации привычными методами становится слишком долго и дорого (в компании работает семь птицеперерабатывающих комплексов полного цикла, и она должна в течение суток распределять заказы, производить и развозить продукцию категории ultra-fresh по сотням магазинов). Тогда там решили внедрить автоматизированную систему распределения заказов. В информационную систему загружаются постоянные данные, которые редко обновляются, такие как номенклатура, технологические карты и пр., и параметры, обновляющиеся каждый день: график убоя птицы, заказы и остатки на складах. Автоматизированная система обрабатывает эти данные, сопоставляет их и выбирает из миллионов вариантов распределения заказа по производственным линиям один оптимальный. Такого не сделают ни человек, ни стандартные программы учета и планирования. В результате, время на балансировку загрузки производственных линий удалось сократить на 30 минут, снизились штрафы за недопоставки, а в целом удалось снизить издержки на организацию производства более чем на 15 млн рублей в год.

Однако каждый проект по оптимизации расписания производственных линий строго индивидуален — не бывает средних значений эффективности. Например, "Технониколь" удалось за год использования подобной системы по оптимизации и распределению производства сэкономить 30 млн рублей. Это решение было внедрено на десяти заводах компании. Раньше этой работой в "Технониколь" занимался специалист по планированию производства, вооруженный таблицами Excel и прочими "ручными" системами расчетов. Но когда планировать начала единая информационная система, куда стекаются данные из всех ERP-систем компании, появилась возможность гораздо более точно прогнозировать спрос на продукцию и, среди прочего, анализировать размеры возможных штрафов за ее недопоставку. Таким образом, были существенно снижены издержки из-за перенастройки производственных линий под разные виды продукции (у компании широкий ассортимент кровельных материалов), ведь раньше из-за человеческого фактора нередко случались ошибки.

В компании Knauf был реализован проект по планированию и продаж, и производства. Для компании со множеством производственных площадок в разных странах это оказалось актуальной задачей. Решения по прогнозированию продаж используют "Балтика" и "Филипп Моррис". В основном такими продуктами интересуются пока крупные компании, у которых есть и возможности для инвестиций в новые технологии, и достаточно большой массив данных, чтобы имело смысл анализировать их с помощью математических алгоритмов. Но в перспективе предсказательная аналитика будет востребована как у среднего, так и малого бизнеса. Главное, чтобы в компании был налажен учет, внедрены ERP-системы и собирались правильно структурированные данные. Чтобы заняться прогнозированием, необходимы хорошо описанные бизнес-процессы, ведь невозможно автоматизировать то, что не формализовано. Впрочем, если есть какие-то отдельные недочеты в ведении данных, их можно преодолеть — даже у крупных компаний такое случается (например, в одной из них на первом этапе реализации проекта возникали сложности из-за частично неверных данных из ERP-системы и использования ручного труда).

На первый взгляд идея о том, что сложные решения в области прогнозирования спроса и оптимизации расписания производственных линий будут принимать не опытные специалисты, хорошо знакомые с бизнесом компании, да еще и вооруженные не только анализом, но и интуицией, а некие математические системы, может показаться слишком уж революционной. В конце концов, как сказано выше, никакие алгоритмы не приблизились еще к сложному устройству человеческого мозга. Но незаменимым инструментом для специалиста они уже стали точно. А впереди возможны сюрпризы - машинное обучение развивается очень быстро.