«Индустрия теряет много времени из-за своей закрытости»
Сооснователь компании Mechanica.ai Александр Хайтин — о нюансах цифровизации промышленности и компетенциях, которые нужны производственникам для успешного подхода к этому снаряду.
Александр, два года назад вы давали интервью нашему журналу в статусе исполнительного директора Yandex Data Factory. Сегодня вы руководите Mechanica.ai. Между этими компаниями и должностями есть преемственность? Mechanica.ai продолжает то, чем вы занимались в YDF?
Некоторая преемственность есть просто потому, что предмет деятельности похож: искусственный интеллект, машинное обучение, цифровые решения для промышленности. Но Yandex Data Factory на тот момент вела пилотные проекты, готовилась к полномасштабным внедрениям. Mechanica.ai сразу задумывалась как инструмент повышения эффективности предприятий путем применения искусственного интеллекта в производственных процессах. И в этом мы продвинулись дальше. При этом все наши решения были созданы «с нуля».
В прошлом интервью вы говорили, что термин big data давно стал скучным, потому что описывает самые примитивные задачи — как собрать информацию, как ее хранить и посчитать. Нескучными для вас тогда были искусственный интеллект и машинное обучение. Спустя два года что-то изменилось? Стали ли и они «скучными терминами»?
К сожалению, еще нет. Я общаюсь со многими специалистами в отрасли, и все единодушны, что цифровизация промышленности происходит медленнее, чем могла бы. Опыты по внедрению, пилотные проекты, полномасштабные проекты — все несколько отстает от прогнозов. Причем не только в России, но и во всем мире.
С чем это связано?
Цифровые технологии, которые мы внедряем, требуют серьезных изменений. Что вызывает определенное сопротивление корпоративной и производственной культур. Это происходит не нарочно, а в силу давних, сложившихся связей. Инженерная и производственная части, экономисты, научно-технические центры, различные службы предприятий десятилетиями притирались, формируя стабильную рабочую среду. Когда мы привносим в эту среду решения, основанные на машинном обучении и искусственном интеллекте, — страдают все. Наблюдается «обратная синергия»: все вынуждены менять привычки.
КОГДА НАЧИНАЕШЬ ЗАДАВАТЬ НЕУДОБНЫЕ ВОПРОСЫ — СОВЕРШАЕШЬ ОТКРЫТИЯ, ИНОГДА НЕ САМЫЕ ПРИЯТНЫЕ
То есть приходится перебирать производственный механизм полностью?
Перебирают его владельцы бизнеса — у них для этого есть все полномочия и ресурсы. Мы же приносим детали, элементы, схемы. Мы научились быстро делать цифровые модели и теперь сфокусировались на ускорении внедрения — здесь у всех самый большой затык.
А как люди, которые только приносят детали, могут ускорить внедрение?
Мы приносим правильные детали. В правильной последовательности. Правильно проговариваем риски и проблемы — причем делаем это авансом, а не когда они возникли. Как модно говорить в журналах, практикуем проактивный подход. Сделав несколько проектов, мы уже понимаем список часто встречающихся проблем. Пока не всегда можем их предотвратить, но в значительной степени ускоряем их преодоление.
Если взять российскую промышленность в целом, то как бы вы оценили глубину проникновения цифровых технологий?
Как поверхностную. Тема цифровизации промышленности очень модная, вокруг нее много хайпа и пиара, но пока что мало конкретики. Разобраться, какая реальность на самом деле стоит за победными реляциями на конференциях, очень сложно. Одни рассказывают, что поймали во‑о-от такую рыбу — и другим не хочется отставать. Отраслевая картинка становится искаженной, мутной. А когда начинаешь задавать неудобные вопросы — совершаешь открытия, иногда не самые приятные.
С этим большим хайпом вокруг внедрения цифрового производства — остались ли промышленники, которые еще не пришли к цифровизации?
Нет, все уже подошли к снаряду или блуждают вокруг. Некоторые с одной стороны его трогают, другие — с противоположной. Но чтобы кто-то не знал про цифровизацию производства — такого нет.
Что бы вы посоветовали тем, кто «ходит вокруг снаряда» и не знает, с какой стороны его потрогать?
Нужно сделать недорогой пилот с подрядчиком, которого вы выбрали в короткие сроки, а не за два года. Важно получить первый быстрый практический опыт — заранее зная, что он будет сложный.
«Сложный» — в смысле «неоднозначный по результату» или всем участникам будет сложно?
С результатом — как повезет: чем лучше вы выбрали подрядчика и проблему, тем релевантнее результат. А то, что в процессе всем будет тяжело — это обязательно, и к этому нужно быть готовым заранее. Многие пытаются не совершать ошибок, а в случае с цифровизацией промышленности такое пока невозможно. Просто потому, что у цифровизации одновременно много «точек контакта» с производственными процессами и подразделениями. Например, у нас был проект, когда юристы заказчика столкнулись с интегралом в техзадании. Юрист подписывает приложение к договору, а там — интеграл. А юрист его в лучшем случае видел последний раз в институте. Или другой пример: мы закладываем в методику оценки статистические методы, а экономисты на предприятии давно забыли свой университетский курс по статистике. В результате весь производственный комплекс в неожиданных местах проявляет неготовность и затруднения. Поэтому я считаю, что любой пилот, сделанный методологически правильно и не очень дорого, принесет на два порядка больше пользы, чем долгое изучение чужого опыта. Чтобы обобщить или применить к себе чужой опыт, нужно сперва набить собственные шишки.
Так, со сложностью определились. А почему вы настаиваете на быстром выборе подрядчика?
Это типовая история: затраты на выбор подрядчика порой превышают как потенциальный положительный эффект, так и гипотетический ущерб. Если посчитать, сколько времени топ-менеджмент тратит на выбор компании, которая будет заниматься пилотным проектом цифровизации, становится грустно, потому что пилот при любом раскладе становится экономически неэффективным. Я считаю, что толерантность к риску должна выражаться не в том, чтобы «гулять на все деньги», а в том, какого размера проект, с каким результатом и сроками можно рассматривать как пробу. И делать эту пробу надо быстро и дешево. Мы встречали заказчиков, которые годами стоят на берегу и боятся нырнуть. Но были и позитивные примеры: один наш клиент быстро сделал один-два пилота, и после этого у него совершенно изменился взгляд на цифровизацию. Он быстро миновал стадию «как бы мне не оплошать» — и стал квалифицированным клиентом, который знает, чего он ждет от подрядчика и какие грабли встретятся на пути.
МОЯ МЕЧТА — ЧТОБЫ КАЖДАЯ КОМПАНИЯ, КОТОРАЯ ЦИФРОВИЗОВАЛА ЧТО-ТО У СЕБЯ НА ПРОИЗВОДСТВЕ, РАЗ В ГОД ПУБЛИКОВАЛА ЧЕСТНЫЙ КЕЙС
Какими еще компетенциями, кроме готовности к неожиданностям и решительности, должен обладать собственник или топ-менеджер, чтобы качественно внедрять цифровые решения на производстве?
Не претендую на истину в последней инстанции, но мне кажется, что управленцам важно перейти от принятия решения на основе экспертных решений к принятию решений на основе данных. В нашей стране силен этот паттерн: мы доверяем эксперту с опытом и именем — и принимаем решение, потому что ему доверяем. Когда на производстве внедряется искусственный интеллект, который выдает решения, но мы не можем ему доверять, потому что он вообще не человек, — вопрос принятия решений становится краеугольным. Принятие решений на основе данных — одна из ключевых компетенций управленца нового поколения. И одна из ключевых текущих проблем: у нас часто ведь под «данными» понимается какой-нибудь управленческий отчет, сформированный вручную, под конкретную задачу и с некоторой подгонкой данных. А в случае с ИИ мы говорим о принятии решений на основе объективных данных.
Здесь есть еще и психологический момент. С экспертом можно поделиться ответственностью за решение. А как «повесить» ответственность на ИИ?
Да, это одна из проблем внедрения. Появление искусственного интеллекта на производстве остро ставит вопрос, как правильно разделить ответственность за результат между подрядчиком, который сделал этот ИИ, и владельцем, который его эксплуатирует. Ответ на этот вопрос лежит в области объективных данных — отсюда возникает потребность в средствах и методах измерения. Чтобы объективно измерять, нужна математика. Если вы спросите заводского экономиста, какова вероятность получения случайного эффекта (у нас же производственные процессы флуктуируют), то он вас не поймет. Потому что он всю жизнь в управленческой отчетности писал: «есть эффект» или «нет эффекта». А когда мы просим определить, был ли этот эффект статистически значимым, — экономист впадает в ступор. Ему принесли на согласование отчет, в котором сказано, что с вероятностью 95% эффект был. И вот как он будет этот отчет начальству сдавать? Начальство же не привыкло, что ему приносят вероятностный «отчет Шрёдингера» — вроде был эффект, вроде нет.
С какими еще типовыми сложностями внедрения вы сталкиваетесь в своей работе?
С завышенными ожиданиями. Заказчик часто рассчитывает, что цифровая технология будет творить суперчудеса. А она творит умеренные чудеса — и это не всегда удовлетворяет. Это как раз и есть обратная сторона хайпа: интерес к теме создает ожидание чуда. Читаем: «дигитализация всея страны поможет промпроизводству стать эффективнее в два раза», без деталей. Приходит человек к себе на завод — а у него там цифровой пилотный проект, и результаты страшно далеки от двукратного роста. Но такая постановка вопроса даже выглядит странно. Например, люди столетиями развивают металлургию. Можем ли мы вдруг принести такую чудодейственную технологию, что она в два раза все улучшит? Чем тогда занимались предыдущие поколения, наука? Что они делали?
Каким, на ваш взгляд, должен быть информационный фон вокруг темы цифровизации производства, чтобы этих завышенных ожиданий не появлялось?
На месте отраслевой прессы я бы добивался от промышленников публикации результатов пилотных проектов «как они есть». Одностраничный кейс, в котором все — правда и реальные итоги. Но в России и за рубежом по разным причинам — часть из них я понимаю, а часть — нет, — информационная закрытость отрасли настолько велика, что я рассматриваю такие публикации почти как несбыточную мечту. Без этого получается, что заказчики и подрядчики цифровизации рассказывают друг другу байки про рыбалку. Никто не хочет в информационном поле выглядеть бледно: вот рассказал ты горькую правду, а следом вышли к микрофону трое с красивыми историями. И пока промышленник не обожжется за свои деньги, ему трудно составить представление о реалиях цифровизации, потому что ему негде об этом почитать. В общем, моя мечта — чтобы каждая компания, которая цифровизовала что-то у себя на производстве, раз в год публиковала честный кейс. Это было бы круто. Но что это случится — я сомневаюсь. Индустрия теряет много времени из-за своей закрытости.
Окей, мы разобрались с тем, что вас смущает. А что вселяет оптимизм и радость?
В цифровизацию промышленности я пришел из IT. И там я временами страдал от абстрактности своей работы. Когда ты рассказываешь людям, что автоматизировал документооборот — именно такими проектами я занимался в свое время, — то они воспринимают это как странную фигню. Безусловно, полезную. Но очень отвлеченную. А вот когда у заказчика с нашей помощью улучшилось производство — я чувствовал себя совсем иначе. Промышленность — абсолютно живой предмет. И мне технологии машинного обучения нравятся как раз тем, что они добрались до того места, где происходят важные, сложные, осязаемые процессы. Я был бы рад, если бы цифровизация этих процессов двигалась в темпе прогнозов, а она пока отстает раза в два. С другой стороны — всего лишь в два раза, а не в десять! И это уже хорошо!