Машинное обучение и искусственный интеллект меняют мир вокруг нас все быстрее. Все ближе автомобили без водителя, понимание машинами смысла текста и компьютеры, обыгрывающие чемпионов по любым настольным играм. Но при всех масштабах распространения искусственного интеллекта корпоративные ИТ-службы он пока сильно не изменил.

Недавно в компании ServiceNow, предоставляющей услуги управления ИТ-сервисами, провели опрос The Global CIO Point of View, посвященный использованию искусственного интеллекта в корпоративных ИТ-службах. В нем приняли участие более 500 ИТ-директоров компаний из 25 отраслей и 11 стран. CIO Magazine беседует о результатах опроса с Дейвом Райтом, директором по инновациям ServiceNow.

— Как изменилась сегодня роль ИТ-директора?

Нынешняя повестка дня ИТ-директора заметно отличается от той, что была еще несколько лет назад. Вчера ИТ-директор отвечал за сопровождение технической инфраструктуры своей компании, а сейчас глава ИТ-службы — это партнер руководства компании, в обязанности которого входит поиск способов использования технологий для вывода бизнеса в лидеры отрасли. В числе новых задач, появившихся в этой связи, — повышение квалификации сотрудников, переработка бизнес-процессов и руководство инициативами цифровой трансформации.

— Многие ИТ-специалисты рассматривают машинное обучение и автоматизацию, основанную на искусственном интеллекте, как нечто негативное, угрожающее отнять их рабочие места. Согласны ли вы с такой точкой зрения, и что ИТ-директор может сделать, чтобы переубедить придерживающихся ее?

Это, вероятно, самое большое заблуждение. Искусственный интеллект не отнимает рабочие места — он дополняет возможности ИТ-специалистов. Факт в том, что современная ИТ-среда гораздо сложнее, чем в прошлом, поэтому сисадмины просто не имеют возможности управлять всеми ее элементами самостоятельно. Машинное обучение способно стать лучшим другом ИТ-администратора, необходимо лишь разобраться, как им пользоваться для облегчения работы. Чтобы добиться этого и заинтересовать подчиненных, лучше всего привлекать их к процессу планирования. Так они получат право голоса в том, что касается особенностей развертывания и применения новых технологий.

Тем, кто интересуется машинным обучением, важно помнить, что люди гораздо лучше, чем машины, понимают ход процессов, так как они, что называется, собаку на этом съели. При оцифровке процессов люди должны играть главенствующую роль, а после внедрения работу уже можно поручить автоматике.

— В ходе опроса 89% респондентов сообщили, что в их ИТ-службах уже пользуются машинным обучением для каких-либо задач. Довольно много — вас это не удивило?

Мы не рассчитывали, что будет так много, и действительно были удивлены. Но если посмотреть на полученные данные в деталях, выясняется, что только у 3% машинное обучение применяется в масштабах всей компании, а 20% пользуются им на отдельных направлениях бизнеса. Еще 26% ведут пилотные тестирования, а подавляющее большинство, 40%, находятся на стадии исследований и планирования.

Так ситуация становится яснее: в большинстве организаций внедрение машинного обучения идет поэтапно, по схеме «сперва ползком, затем пешком, потом бегом». На первой стадии машинное обучение применяют для описания чего-либо — для анализа данных и помощи в их интерпретации. На следующем этапе искусственный интеллект уже сам начнет решать определенные задачи. Третья стадия — прогнозирование. Например, система могла бы с учетом имеющихся у нее данных предсказать вероятность того, что произойдет нарушение безопасности.

Последний этап, до которого еще годы, — это когда искусственный интеллект сможет не только предсказывать негативные события, но и самостоятельно принимать меры по их предотвращению. На этой стадии искусственный интеллект сможет итеративно самосовершенствоваться.

— Судя по полученным данным, самый высокий уровень автоматизации, 24%, на сегодня у процессов обеспечения информационной безопасности. В той же сфере и наибольший показатель ожидаемого роста к 2020 году: согласно прогнозу, 70% решений, связанных с кибербезопасностью, к этому времени будут приниматься целиком автоматически. Ожидали ли вы такого результата?

Это вполне логично. Вспомним, как автоматизация обеспечивалась в прошлом: это было дерево принятия решений с жестко закодированным набором правил в стиле условных переходов. Теперь же из-за роста уровня сложности от жесткого программирования отходят — правила нужно переписывать на лету. Особенно верно это в отношении безопасности, где ставки невероятно высоки. Машины могут обрабатывать срезы данных и переписывать правила гораздо быстрее, чем люди. В конце концов, злоумышленники уже вовсю пользуются машинным обучением для создания вредоносов, так что и бороться с ними нужно теми же средствами.

— Впечатляющее количество опрошенных, 47%, признались, что один из барьеров, мешающих внедрению машинного обучения, — недостаток навыков. Похоже, что это неплохая новость для инженеров, ищущих новые карьерные возможности. Каких именно навыков не хватает в большинстве случаев?

Это действительно хорошая новость, и недостатка возможностей для ИТ-специалистов сегодня в самом деле нет. Наиболее остро сегодня ощущается дефицит исследователей данных (data scientist) и специалистов в области машинного обучения. Сейчас большинство вакантных должностей — такие, которых пару лет назад еще даже не существовало. На мой взгляд, серьезная проблема отрасли в том, что сегодня непросто найти места обучения новым навыкам. Но в последнее время появляется все больше университетов и учебных центров, предлагающих соответствующие курсы, так что эта ситуация вскоре исправится.

— Какой совет вы бы дали нашим читателям?

Пара важных соображений. Во-первых, о необходимости очистки ваших срезов данных от ошибок, ведь неточные данные будут приводить к неверным выводам. У большинства компаний накоплены огромные массивы данных, значительную часть которых можно классифицировать как «грязные» — содержащие ошибочную или неточную информацию. Данные, вводимые в системы машинного обучения, должны быть высшего качества, чтобы обеспечить возможность принимать максимально верные решения.

И во -вторых, необходимо пересмотреть KPI, которые контролируются в компаниях. Например, если средства прогнозирования используются для предотвращения сбоев, то нужно регистрировать среднее время безотказной работы, а не среднее время ремонта. А когда речь идет о безопасности, следует учитывать число инцидентов, которые удалось избежать, а не время, затраченное на то, чтобы обнаружить взлом. Машинное обучение меняет все, и методику оценки успеха в том числе.