Три вида автоматизации

Как мы уже говорили, технологии, которые используются сегодня в данной области, делятся на три категории: роботизированная автоматизация процессов, познавательная автоматика и социальная, или коллаборативная, робототехника (табл. 3.2)[19]. Их влияние на организацию труда определяется целым рядом различий, к которым относятся:

• способность к автоматизации разных видов рабочих задач;

• возможности в области взаимодействия с людьми и обучения в процессе этого взаимодействия;

• типы и масштабы возможностей применения;

• уровень развития технологии;

• стоимость внедрения и поддержки;

• время внедрения;

• уровни и типы окупаемости.

Рассказывая далее о каждом из трех видов автоматизации, мы будем говорить о том, какое влияние он оказывает на организацию труда. Теоретические выкладки и примеры помогут вам разобраться в том, каким образом совмещение этих трех типов способно изменить деятельность вашей компании.

Роботизированная автоматизация процессов

Роботизированная автоматизация процессов внедряется давно и на сегодняшний день лучше всего известна потребителям. Она используется для автоматизации масштабных, несложных однотипных задач. К примеру, давно применяется при решении задач, требующих постоянного переключения с одного источника данных на другой для переноса или объединения информации из разных систем. Наиболее распространенные системы занимаются переносом данных между программными комплексами или с помощью несложных алгоритмов ищут нужные сведения в электронных письмах и таблицах, затем вводя информацию в автоматизированную систему управления предприятием или систему управления информацией о клиентах. Эти задачи, как правило, слишком просты, чтобы использовать для них сложные IT-решения. Простейшая робототехника автоматизирует их быстро и без лишних затрат, не требуя отдельного управления и обучения персонала. Британская фирма Xchanging, системный интегратор, разрабатывающий решения для страховых компаний, с помощью 27 созданных специалистами компании роботов Blue Prism автоматизировала 14 ключевых процессов, что включает в общей сложности 120 000 роботизированных транзакций в месяц и на 30 % снижает стоимость процесса[20]. (См. врезку «Три типа задач для роботизированной автоматизации процессов».)

Типичный алгоритм в случае роботизированной автоматизации выглядит примерно так:

Войти в систему

Открыть файл. xls

Скопировать первые три значения из колонки «Дата рождения»

Открыть документ в формате Word

Вставить скопированные значения на под заголовком «Дата рождения»

Закрыть документ в формате Word

Создать электронное письмо

Присоединить к письму документ в формате Word

Почему искусственный интеллект перспективен? Конвергенция

Часто приходится слышать о том, что в некоторых сферах нашей жизни будущее уже наступило. Это определенно относится к автоматизации. Доклад, представленный специалистами Всемирного экономического форума, показывает, чем так называемая четвертая промышленная революция принципиально отличается от второй и третьей. Это отличие – конвергенция. Да, двигатель внутреннего сгорания и электрическая лампочка были изобретены с разницей в 20 лет в ходе второй промышленной революции. Однако в то время многочисленные технологии, меняющие правила игры на рынке, не сливались воедино, будучи основанными друг на друге, как это происходит сейчас. График показывает, как технологии развивались во времени, совместно расширяя пространство возможностей (то есть охватывая все сферы деятельности и принося максимум выгод). Большие вычислительные машины и персональные компьютеры, наследие третьей промышленной революции, достигли вершин производительности труда и стали сходить со сцены, уступая свои функции очередным достижениям научно-технического прогресса. Но в ходе четвертой промышленной революции новые технологии – мобильные устройства, большие данные, интернет вещей – соединяются, усиливая возможности друг друга. Мгновенно возникшие многочисленные технологические инновации одновременно достигли своего пика (серый овал на рисунке). Конвергенция развивается в двух направлениях: в различных областях нашей повседневной жизни и на производстве. В первой области передовые технологии (социальные сети, мобильные устройства, сенсоры) проникают во все сферы человеческого существования, связывая их вместе. Искусственный интеллект и сенсоры, задействованные в мобильных приложениях, работающих в смартфонах и часах, всё больше становятся центром нашего существования. Что же касается производства, то сегодня каждый бизнес превращается в цифровой и глобальный. Масштабы и сфера получения прибыли не имеют значения: это одинаково верно для транснационального банка, крупного автопроизводителя и местной торговой сети. Возможность прибегать к услугам международной сети поставщиков, вести бизнес в облачных сервисах и использовать персональные цифровые устройства обеспечивает стратегическую устойчивость бизнеса.

Давайте подумаем, глядя на графики развития разнообразных технологий, какое место займет в этой картине искусственный интеллект? Будет ли он развиваться независимо или станет ускорителем, поддерживая прочие технологии, подобно тому, как помогают друг другу интернет вещей и «умная» бытовая техника? Да, искусственный интеллект – это акселератор, который придает дополнительную ценность другим технологиям. Мобильные устройства и облачные сервисы Web 2.0 совместно с дешевыми миниатюрными сенсорами позволяют интернету вещей дистанционно связывать друг с другом технику по всему миру, собирая, сохраняя и анализируя огромные массивы данных и затрачивая на это минимум денежных средств. А искусственный интеллект превращает эти данные в ценнейшую маркетинговую информацию и главный источник конкурентных преимуществ, тем самым трансформируя все без исключения бизнес-процессы, в том числе и взаимодействие с клиентом. Таким образом, ключевым фактором успеха в обновлении формы и содержания рабочих процессов является не каждая технология в отдельности, а те возможности, которые возникают при их комбинировании.

Три типа задач для роботизированной автоматизации процессов

Любую задачу, которую один сотрудник или группа выполняют вновь и вновь с минимумом вариаций, как правило, можно с большим успехом переложить на механизмы. Роботы в таких случаях гораздо надежнее человека. Этот вид автоматизации идеально подойдет в том случае, если вам нужно регулярно получать практически идентичные результаты в одинаковых условиях. Ну а тот факт, что машины могут осуществлять подобную деятельность круглосуточно, совершенно при этом не уставая, дополнительно увеличивает ее ценность.

Еще одна категория задач, идеально подходящая для роботизации, – это избыточные операции, существующие в рамках бизнес-процессов. Несмотря на десятилетия оптимизации, большинство процессов всё еще включает в себя излишние шаги, не создающие дополнительной ценности. Если при выполнении какой-либо работы от исполнителя требуется проводить проверку, давать одобрение, сверять, устраивать ревизию, надзирать или давать подтверждение, значит, роботизация здесь просто необходима. Многие издержки, возникшие еще во времена бумажного документооборота, теперь пытаются встроить в процесс автоматизации. Люди делают ошибки, и избыточные элементы когда-то были добавлены в производственный процесс, чтобы нивелировать их последствия. Подобные процедуры держатся на привычках, ожиданиях, устоявшихся правилах и страхах. Избавиться от этих факторов непросто, поэтому сегодня излишние шаги по-прежнему сохраняются. Но теперь самое время задаться вопросом: кто в подобных процессах должен быть исполнителем, а кто – проверяющим? Если робот в состоянии безошибочно применять нужные правила, то зачем человеку проверять его работу? В то же время не странно ли делать исполнителем человека, а проверку доверять машине? Быть может, лучшим проверяющим для робота станет другой робот, если, конечно, это будет соответствовать правилам и регламентам? Необходимость решать подобные вопросы доставит вам немало неудобств. Что ж, дискомфорт и неуверенность – извечные спутники инноваций. Если руководителей какой-либо компании не мучают подобные сомнения, значит, там попросту не внедряются никакие новшества.

Чтобы всё же решить проблему избыточных функций в ходе роботизации процессов, нужно проводить автоматизацию одновременно в горизонтальном и вертикальном направлениях. Конечно, замена исполнителей роботами принесет фирме дивиденды, но, если заменить роботом еще и наблюдателя, их размер окажется существенно больше.

Наконец, есть еще одна категория задач, где роботизация может прийти вам на помощь. Это исключение рисков, особенно тех, которые связаны с регулированием. Многие бизнесмены полагают, что контрольно-надзорная деятельность непременно требует участия человека. Однако эта позиция не столь бесспорна, как кажется на первый взгляд. Как уже говорилось, многие избыточные задачи в бизнес-процессах вызваны необходимостью убедиться, что все правила были выполнены, а условия – соблюдены. А кто сможет отследить соответствие всем критериям лучше, чем бесчувственный, не имеющий никаких предубеждений механизм, неутомимый и неподкупный? Многие полагают даже, что эту часть работы просто необходимо поручать роботу, а не человеку – морально неустойчивому, подверженному ошибкам, склонному к всепрощению и забывчивости. Для большинства современных компаний избыточность процессов – атавизм в сфере регулирования, который обходится слишком дорого. Как правило, необходимость в подобном надзоре определяется нормативами, принятыми десятилетия назад. Регулирующие органы и менеджеры по управлению рисками обычно весьма настороженно относятся к изменениям. Что ж, это неудивительно, ведь за свою подозрительность они получают зарплату. Но именно логичность и последовательность роботов способна обеспечить выполнение всех обязательных процедур и существенно снизить операционные риски.

Источник: подготовлено по материалам исследования Кристофера Сурдака «Роботизированная автоматизация процессов», часть 2 «Где и когда» (Christopher Surdak, “Robotic Process, Part 2: Where and When; см. https://irpaai.com/robotic-process-automation-101-part-2/.)

Познавательная автоматика

В последнее время пресса всё чаще пишет об умной автоматике, способной заменить человека в решении сложных нестандартных задач, копируя деятельность человеческого сознания. Для этого она использует такие инструменты, как распознавание образов и языка. Ритейлинговая компания Amazon в качестве стратегической цели рассматривала улучшение качества и снижение себестоимости обслуживания клиентов не в интернет-магазинах, а в самых обычных торговых точках. Результатом стало создание магазина Amazon Go в Сиэтле, где нет ни касс, ни кассиров. Клиенты просто берут нужный товар и уходят, а сенсоры и алгоритмы автоматически снимают нужную сумму с их счета в Amazon. При этом как стратегическая цель компании, так и ее практическое воплощение базировались на пересмотре содержания труда. Автоматику не стали загружать такими задачами, как сканирование товаров и проведение платежей. Это не означает, что продавцы скоро останутся без работы, однако ее содержание, несомненно, существенно меняется уже сейчас. Сотрудники по-прежнему консультируют покупателей, рассказывая им о характеристиках товаров. Однако умная автоматика, используя машинное обучение и масштабируемые облачные ресурсы, позволила создать системы, которые могут распознавать паттерны и находить смысл в больших данных, используя вполне человеческие подходы. Подобная способность к распознаванию – результат работы искусственного интеллекта, машинного обучения и сенсоров. Она лежит в основе автоматизации таких задач, как распознавание изображений, перевод голосовой записи в текст, понимание естественных языков.

Приложения с данными функциями основаны на работе автоматики, правила и процедуры для которой задают люди, однако в новейших, более углубленных системах машины обучаются сами. Такие формы автоматизации используются для решения более разнообразных, абстрактных, продвинутых задач. Примером может послужить компьютер AlphaGo, созданный командой Google DeepMind, который прославился тем, что обыграл мастера в сложной логической игре го. В ходе тренировок создатели вложили в память AlphaGo информацию о тысячах партий, сыгранных как любителями, так и профессионалами. Эти данные компьютер использовал для разработки выигрышных стратегий и распознавания удачных и неудачных ходов. Позднее та же команда создала обновленную версию AplhaGo Zero – компьютер, который учился, играя сам с собой. Он сыграл таким образом миллионы партий. Поначалу делал ходы случайным образом, постепенно формируя собственные стратегии. Zero («ноль») в названии машины означает, что после сборки он не получал никакой помощи от людей. В итоге AlphaGo Zero не только победил игроков из плоти и крови, но и обыграл своего предшественника AlphaGo[21].

Познавательная автоматика используется, как правило, для решения трех типов задач. Во-первых, ее применяют для совершенствования бизнес-процессов. Именно это и сделали страховые компании, занимающиеся страхованием автомобилей. Они используют приложение, способное распознавать фотографии и обладающее познавательными способностями. Компьютер анализирует снимок поврежденной машины, оценивает ущерб и сумму возмещения убытков, после чего отправляет свои рекомендации человеку-оценщику для одобрения. Таким образом, весь процесс становится проще, быстрее и дешевле. В результате деятельность служащих компании видоизменилась, превратившись в удаленную работу высококвалифицированных специалистов, выносящих окончательный вердикт. Подобные технологии позволяют значительно трансформировать служебные обязанности, дополнив или заменив автоматикой человека в ходе выполнения рутинных задач. Благодаря этому вся рабочая процедура становится более эффективной, продуктивной и результативной.

Второй вид работ, где применяется познавательная автоматика, – разработка новых продуктов и услуг. Возьмем все ту же страховую компанию. Теперь прямо в чате приложения владельцы полисов могут в режиме реального времени получить на свой телефон рекомендации по ремонту и выплатам. В итоге пересмотру может и должна быть подвергнута также и работа консультантов, работающих с клиентами.

В-третьих, познавательная автоматика способна достигать высоких результатов в работе с большими данными. В примере со страховыми компаниями машина может проанализировать тысячи заявлений на выплату страховки, определив наиболее аварийные районы, и диверсифицировать размер страховых выплат в зависимости от того, насколько часто клиент бывает в подобных зонах. Это, в свою очередь, даст возможность перестроить деятельность специалистов по работе с большими данными и аналитиков.

Теперь вы видите, каким образом конвергенция создает всё более масштабные возможности для автоматизации. Роботизированная автоматизация процессов зачастую становится лишь предтечей для внедрения в работу искусственного интеллекта: машины собирают большие объемы понятных и четких данных, необходимых, чтобы задействовать познавательную автоматику. Вот как будет выглядеть приведенный выше алгоритм действий, если включить в него искусственный интеллект.

Войти в систему

Открыть электронную почту

Прочесть письмо (познавательная электроника с искусственным интеллектом, способная к распознаванию естественных языков)

Если в письме содержится требование предоставить список дат рождения, найти соответствующий файл. xls

Открыть файл. xls

Скопировать первые три значения из колонки «Дата рождения»

Открыть документ в формате Word

Вставить скопированные значения на под заголовком «Дата рождения»

Закрыть документ в формате Word

Создать электронное письмо

Присоединить к письму документ в формате Word

Будучи использована в любой работе, эта конвергенция создает впечатляющие возможности, для реализации которых требуется переосмыслить как деятельность отдельных специалистов, так и организацию труда в целом. В конечном итоге оптимальная автоматизация открывает перспективы пересмотреть всю систему должностей и организации бизнес-процессов, разложить работу на простые задания, оценить пользу от планируемых улучшений, автоматизировать процессы, внедрить искусственный интеллект, а затем вновь всё переосмыслить. (См. врезку «Опыт компании Uptake: как использовать познавательную автоматику на железных дорогах».)

Опыт компании Uptake: как использовать познавательную автоматику на железных дорогах

Компания Uptake занимается разработкой программного обеспечения для промышленного искусственного интеллекта. Создаваемые ею целевые продукты обрабатывают и анализируют информацию о деятельности предприятия, делая на ее основе выводы, которые могут быть использованы для получения мгновенных результатов. Как отмечает Брэд Кейэлл, енеральный директор Uptake, гкомпания использует в работе познавательную автоматику и переосмысливает деятельность различных технических специалистов, в том числе в области обслуживания железнодорожных локомотивов. Такие локомотивы приводятся в движение массивными, сложными в устройстве электродвигателями, которые стоят миллионы долларов. Поломки обходятся железной дороге в тысячи долларов за каждый час простоя, не считая иных негативных последствий вроде раздраженных и недовольных клиентов. В прошлом сломавшийся локомотив следовало отбуксировать на ремонтное предприятие. Только там механики могли осуществить необходимое тестирование, на проведение которого уходили многие часы работы.

Стратегической целью железнодорожников было провести автоматизацию, которая помогла бы снизить число поломок и сделать техническое обслуживание локомотивов более эффективным. Для достижения этой цели искусственный интеллект, действующий на основе разработанных специалистами Uptake алгоритмов, регулярно осуществляет текущую диагностику работающих локомотивов, не дожидаясь, когда они выйдут из строя. Система, созданная Uptake, способна прогнозировать, когда, почему и каким образом может произойти поломка. Для этого познавательная автоматика на основе анализа большого массива данных, получаемых с установленных на каждом локомотиве 250 сенсоров, проводит всесторонний анализ. При этом учитываются данные из истории эксплуатации аналогичных машин, информация, предоставляемая экспертами, промышленные нормативы и даже особенности погоды. Если алгоритм сообщает о вероятной поломке, локомотив немедленно отправляют в ремонтные мастерские, где механикам больше не приходится проводить сложную диагностику. На экране iPad в течение нескольких минут появляется информация об источниках возможных будущих поломок, а также сведения об истории локомотива и особенностях его эксплуатации в прошлом. Работа техников изменилась, и теперь они занимаются тем, что умеют лучше всего, – решают проблемы еще до того, как те приведут к возникновению серьезной неисправности, получая с помощью алгоритмов информацию, которая позволяет им по максимуму использовать свои знания, опыт и навыки. Кроме того, теперь в задачи механиков входит обучение автоматической системы. Каждое их решение и каждое действие становятся частью данных, которые вводятся в программу для постоянного улучшения качества прогнозов.

Источники: Брэд Кейвелл «Четвертая промышленная революция вдохновляет людей, а не машины» (Brad Keywell, «The Fourth Industrial Revolution Is About Empowering People, Not The Rise of Machines», World Economic Forum, June 14, 2017 (см. https://www.weforum.org/agenda/2017/06/the-fourth-industrial-revolution-is-about-people-not-just-machines); интернет-сайт компании Uptake (https://www.uptake.com/about).

Социальная, или коллаборативная, робототехника

Быть может, вы представляете себе роботов в виде машин, намертво прикрученных к полу возле конвейера и выполняющих раз за разом одно и то же действие? Ну что ж, в основном пока что это действительно так. Однако чем дальше, тем активнее в нашу жизнь входит социальная робототехника – роботы, которые способны передвигаться и взаимодействовать с людьми посредством сенсоров, механизмов и искусственного интеллекта. Социальных роботов также называют коллаборативными (от фр. collaboration – «сотрудничество»). Эти машины по-настоящему чувствуют и понимают человека, активно подстраиваясь под него для совместной физической работы.

Познакомьтесь с Бакстером: это робот, который выполняет на конвейере большое число разнообразных задач, включая загрузку линии, контроль механизмов, упаковку и работу с материалами. Предприятия используют Бакстера для получения ряда стратегических преимуществ:

• Безопасность. Бакстер работает рядом с людьми, не создавая для них опасности и не нуждаясь в ограждении. Он экономит деньги и место в цехе.

• Обучаемость. Бакстер учится, наблюдая за движениями рабочих, снижая время и стоимость традиционного программирования или вовсе не нуждаясь в нем.

• Гибкость. Бакстер способен выполнять целый ряд задач. Благодаря способности к обучению его можно быстро переключить на выполнение новых обязанностей.

• Легкая интеграция. Бакстер связывается с другими автоматами на конвейере, часто справляясь с этой задачей без дополнительного программирования и участия третьей стороны.

• Совместимость. «Руки» Бастера двигаются так же, как человеческие, поэтому нет необходимости перестраивать для него рассчитанный на людей конвейер.

Сегодня Бакстер не единственная модель социального робота. К числу таких механизмов можно отнести также дронов, способных передвигаться по воздуху или по воде, антропоморфных роботов, умеющих ходить, или роботов-коллективистов, которые катятся по поверхности. Если традиционные роботы по большей части могли выполнять лишь монотонные однотипные операции, то социальные способны решать как стандартные, так и нестандартные задачи. Не привязанные к конвейеру, эти роботы умеют взаимодействовать с человеком такими способами, которые раньше и представить себе было невозможно.

Так, например, роботы-коллективисты полностью видоизменили логистику на складе компании DHL Detsche Post AG в Мемфисе (штат Теннесси) и в компании Quiet Logistics, обеспечивающей доставку товаров таких ритейлеров, как Bonobos и Inditex SA Zara[22]. Стратегической целью внедрения этой разновидности социальных роботов было снижение миллионных затрат на складские конвейеры и систему транспортировки товаров внутри склада. Стоимость роботов оказалась гораздо ниже: от $30 000 до $40 000.

Страховые компании Farmers Insurance и Allstate Insurance осуществили роботизацию с другой целью – ускорить выплаты страховых сумм жертвам урагана «Харви»[23]. Для того чтобы быстрее обрабатывать заявки и выплачивать деньги, они использовали дроны. Коллаборативные дроны помогают страховщикам производить оценку повреждений собственности. Они могут добраться до мест, куда не в состоянии пройти люди, или туда, где находиться слишком опасно. Дроны собирают информацию, делают снимки, демонстрирующие нанесенный ущерб, и отправляют данные в базу. Теперь оценщикам больше не приходится забираться в труднопроходимые или опасные места, чтобы получить нужные сведения. Им остается только проанализировать данные, собранные автоматическими помощниками. В результате решения по выплатам стали приниматься гораздо быстрее. По данным специалистов Farmers Insurance, в результате взаимодействия людей и дронов сотрудник компании получил возможность в течение 1 часа принимать решение по трем домам, тогда как ранее на обработку подобного объема заявок у него уходил целый день. (См. врезку «Как эволюционирует автоматика».)

Как эволюционирует автоматика

Роботов программируют кодировщики. Время и опыт этих специалистов стоят дорого. Однако прогресс в области машинного обучения уже сейчас дает возможность, один раз написав код, оснастить робота способностью учиться: достаточно просто снабжать его информацией. Исследователи из Калифорнийского университета в Беркли разработали метод, позволяющий обучать робота за считаные минуты, используя наушники виртуальной реальности. Вместо того чтобы приглашать программиста, который поможет роботу освоить те или иные конкретные задачи Питер Эббил и его студенты Питер Чен, Роки Дуан и Тяньхао Чжан создали программу, с помощью которой машина может учиться, повторяя действия опытных квалифицированных рабочих. Для этого используется оборудование виртуальной реальности. Следуя данной методике, робот затрачивает на овладение новым навыком не многие недели, как раньше, а всего один день. «Выполняя какое-либо задание, мы не решаем в уме комплексные дифференциальные уравнения, – говорит Дуан. – Взаимодействуя с окружающим миром, мы развиваем мощную интуицию, совершая с ее помощью необходимые движения. Посредством компьютерной программы обучиться этому было бы невозможно».

Быстрое развитие подкрепляющего и имитирующего обучения интенсивно и плавно изменит процессы обучения и переучивания роботов. Только подумайте, как быстро, используя эти методики, можно внедрить роботов на производственных предприятиях! Таким образом решаются две самые существенные проблемы, стоящие на пути автоматизации: потребность в больших массивах информации и дефицит высококвалифицированных программистов. Теперь обучить робота сможет каждый!

Источник: статья Роберта Сандерса «Стартап из Беркли управляет роботами как марионетками» (Robert Sanders, «Berkeley Startup to Train Robots Like Puppets»), Berkeley News, November 7, 2017; http://news.berkeley.edu/2017/11/07/berkeley-startup-to-train-robots-like-puppets/.