КОРПОРАТИВНЫЙ МОЗГ НА 1С И PYTHON
Вектор вашего бизнеса только тогда направлен в
сторону совершенства, когда вы пользуетесь
научными методами в управлении.
Зима-Барская Е.
В каждой естественной науке заключено столько
истины, сколько в ней есть математики.
Кант И.
Высшее назначение математики состоит в том,
чтобы находить скрытый порядок в хаосе, который нас окружает
Винер Н.
Менеджмент вашей компании еще не пользуется нейросетями? Тогда мы идем к вам!
В статье приведен практический пример с кодом построения нейронной сети в 1С для решения проблемы оттока клиентов. Но перед разбором практического примера сделаем небольшой обзор связей между нейросетями, 1С, математиками и digital-трансформацией бизнеса.
Если попытаться ответить на вопрос "Каким информационным критериям соответствует современное успешное предприятие?", то кратко можно дать такую общую формулировку: успешное предприятие - это интеллектуальное предприятие, в котором конкурентно мыслят, принимают научно обоснованные и в тоже время быстрые управленческие решения, инновационно решают основные задачи бизнеса.
Планирование запасов, ценообразование, бюджетирование, прогноз продаж, оптимизация налогообложения - вот, некоторые из задач критической важности. Для математика и управленца особым свойством таких задач является то, что они часто являются трансвычислительными или относятся к классу NP-трудных, и таким образом эффективность управленческих решений в отношении них обычно очень далека от идеальной.
Эффективное конкурентное решение многих комбинаторных задач, создание адекватных моделей и удачное проектирование бизнес-процессов недоступно компаниям, в которых отсутствуют квалифицированные математические кадры и новейшие подходы к научной организации управления.
Но когда компания интеллектуальна, перед ней открываются двери цифрового бизнеса: на помощь современному просвещенному руководителю приходит мощный арсенал прогрессивных вычислительных методов, таких как обучение, самоорганизация и эволюция - на базе платформ искусственного интеллекта.
По прогнозам консалтинговой компании McKinsey & Company, доля цифрового бизнеса составит до 34% мирового ВВП уже к 2020 году. Процесс цифровой трансформации актуален для любой сферы нашей жизни. Мобильное приложение налоговой службы, онлайн-банкинг, блокчейн-реестры в страховых компаниях, техподдержка клининговой компании в виде чат-бота, таргетированная реклама и медицинская диагностика использующие большие данные и искусственный интеллект, торговые маркетплейсы — все эти инновационные “фишки” являются далеко не полным набором примеров использования современных цифровых технологий.
Компаниям, которые не придали особую важность использованию этих технологий, становится все сложнее конкурировать с цифровой элитой. Так, например, яркий представитель цифровой экономики Uber поглотил практически все небольшие сервисы такси, а Airbnb приносит все больше убытков классическим моделям гостиничного бизнеса.
Digital-технологии трансформируют пользовательский опыт и позволяют кардинально увеличить прибыль. Это означает появление новых задач у внешних коммуникаторов: маркетологов, пиарщиков и специалистов по продажам. Возрастает роль аналитики внимания, точечной работы с клиентом и digital-маркетинга.
В частности, PR-специалисты и маркетологи могут измерить эффективность коммуникации исходя из бизнес-показателей и корректировать информационную кампанию с точностью до каждой эмоции отдельного пользователя.
Однако следствием digital-трансформации является лавинообразный рост корпоративной информации, начинают непрерывно увеличиваться потребности во всё более квалифицированных специалистах информационных технологий, то тут, то там менеджмент сталкивается с необходимостью как-то решать NP-трудные задачи и трудно формализуемые проблемы бизнес-деятельности - все это требует перехода на качественно новый уровень информационных технологий, которые нуждаются в квалифицированном математическом сопровождении.
Системы искусственного интеллекта, в основу которых положены принципы обучения, самоорганизации и эволюции при минимальном участии человека как программиста, но привлечении его в качестве учителя и партнера, гармоничного элемента человеко-машинной системы, становятся обязательными для компаний среднего и малого бизнеса. Наукоёмкость бизнеса растет с каждым годом.
Эра цифрового бизнеса
Тема применения систем искусственного интеллекта для управления предприятием выходит на пик своей популярности. Как известно, использование искусственного интеллекта подразумевает под собой построение системы, «мыслящей» как человеческий мозг, принимающей наиболее эффективные решения.
Компьютерное моделирование работы человеческого мозга представлено в мире двумя крупными проектами: OpenWorm - по симуляции нервной системы нематоды С. Elegans (302 нейрона) и HumanBrainProject (НВР) – планировалось построить компьютерную модель всего человеческого мозга с миллиардами нейронов и триллионами синапсов. Бюджет проекта HumanBrainProject составляет 1,6 млрд.$, срок финансирования проекта рассчитан на 10 лет.
Как известно, интеллектуальные системы поддержки принятия управленческих решений способны осуществлять интеллектуальные действия, присущие человеческому мышлению, но при этом достаточно редко используют строгие биологические модели. Однако это им не мешает выполнять те же полезные функции, которыми обладает мозг.
Технологии AI стремительно внедряют в банковскую, медицинскую и многие другие сферы. В течении первых 3-х месяцев 2018 года в индустрии искусственного интеллекта был поставлен рекорд по инвестициям. По данным международной сети аудиторских фирм PwC, общее число инвестиций в сферу искусственного интеллекта составило $1,9 млрд.
AI-системы активно внедряются и в финансы. Пример тому стартап для поиска удачных капиталовложений от Google – Kensho. Журнал «Форбс» назвал этот проект искусственного интеллекта «финансами будущего». Агентство Standard&Poor’s покупает компанию Kensho за $550 млн. Это самый крупный контракт, связанный с искусственным интеллектом. Kensho - платформа аналитики рынка объединяет статистические вычисления с большими данными и обработкой естественного языка. Системы машинного обучения платформы Kensho извлекают данные из Интернета и оценивают корреляции между мировыми событиями и их влиянием на цены финансовых активов. Информация, полученная системой искусственного интеллекта Kensho из прямой трансляции новостей, используется в принятии инвестиционных решений.
Нельзя не отметить ряд других хороших примеров применения интеллектуальных систем в экономике. Такие банки, как UBS и Deutsche Bank, используют систему искусственного интеллекта Sqreem (Sequential Quantum Reduction and Extraction Model) для разработки профилей потребителей и сопоставления их с продуктами, которые потребители, скорее всего, захотят использовать.
Компания ZestFinance разработала систему Zest Automated Machine Learning (ZAML) для кредитного андеррайтинга. ZAML задействует компьютерное обучение для анализа десятков тысяч традиционных и нетрадиционных переменных (от транзакций покупки до того, каким образом клиент заполняет форму), используемых в кредитной индустрии, для оценки заемщиков. Платформа особенно полезна для присвоения кредитных баллов клиентам с небольшой кредитной истории, таким как миллениалы.
Автоматизированные системы поддержки принятия финансовых решений предоставляют финансовые консультации и советы в управлении финансовым портфелем с минимальным вмешательством человека. Этот класс финансовых консультантов работает на основе нейросетей, созданных для автоматического развития финансового портфеля в соответствии с инвестиционными целями и с учетом рисков клиента. Они могут корректировать изменения в реальном времени на рынке и калибровать портфель в соответствии с пожеланиями клиента.
Однако у вас нет ZAML, Kensho или Sqreem. Как быть вам ? Об этом я расскажу ниже, и сразу отмечу, что для небольших компаний, которые используют в качестве учетной системы 1С, также пришло время активно разрабатывать свои собственные частные решения на базе искусственного интеллекта.
Попытки автоматизировать интеллектуальную деятельность приносят ощутимые успехи, поэтому системы искусственного интеллекта проникают на рынок малого и среднего бизнеса.
Платформа 1С также позволяет применять технологии AI, но зачастую для таких задач имеется потребность создавать гибридные проекты, в которых ресурсы 1С совмещаются с «инородными» системами. Небольшой пример такого совмещения мы с вами разберем.
Neuro vs NP
Предстоящая вашей компании дигитализация не обойдется без повышения наукоемкости технологий менеджмента: пора не просто принимать решения, а вычислять их с помощью конкретных алгоритмов. В свою очередь, принятие управленческих решений на основе научного обоснования требует соответствующих средств автоматизации. Заглянув в алгоритмы, мы видим, что условно "алгоритм алгоритму рознь".
Очевидно, потребность в применении систем искусственного интеллекта обусловлена тем обстоятельством, что далеко не все вычислительные задачи предприятия можно решить традиционными алгоритмами, которые бы за приемлемое число шагов давали удовлетворительный результат.
Во-первых, это связано с существованием NP-трудных задач, время решения которых экспоненциально возрастает с размерностью задачи (т.н. экспоненциальный взрыв, невозможность решения путем наращения вычислительной мощи), но которые тем не менее очень часто имеют место в реальности каждой компании.
Во-вторых, далеко не все, что человек (работник, руководитель) делает не задумываясь, можно изложить на формальном языке (трудноформализуемые задачи). Еще в большей степени это касается коллективного взаимодействия различных специалистов в компании.
Нелишне упомянуть теорему Геделя о неполноте, из которой следует, что для достаточно богатых по содержанию математических теорий не существует адекватных формализаций. И дело здесь даже не в том, что нет механизма описания трудноформализуемых задач (нечеткие логики и т.п.), нет механизма их переработки.
К тому же среди бизнес-задач присутствуют и алгоритмически неразрешимые задачи, для решения которых принципиально невозможно создать алгоритм, но с которыми каждое предприятие имеет дело.
Классический пример алгоритмически неразрешимой задачи - создать алгоритм, который по описанию проблемы создает алгоритм для решения этой проблемы. По этому вопросу существует теорема Райса: "никакое нетривиальное свойство вычислимых функций не является разрешимым", смысл которой сводится к тому, что для некоторого свойства функции fA, вычисляемой по алгоритму A, нельзя построить общий алгоритм, который по произвольному алгоритму A определял бы, обладает ли вычисляемая им функция этим свойством.
И здесь мы хорошо видим преимущества нейросетей. Ведь с точки зрения информатики, нейросеть - это вычислительная модель с большим числом параллельно действующих процессов, объединенных множеством связей. Грубо говоря, нейросеть представляет собой функцию типа Y=F(X), выходом Y которой является некоторое управленческое решение или содержание бизнес-процесса, а входом X служит некоторая императивная информация (например, параметры каждой сделки с клиентами).
Как известно, суть обучения нейросети заключается в поиске оптимального значения F(X), при котором достигается наилучшая приспособленность бизнес-процесса/управленческого решения к поставленной задаче (максимизация или минимизация того или иного бизнес-показателя).
Обучение происходит путем осуществления мелких итеративных шагов от менее оптимальных вариантов функции F к более оптимальным, но не простым перебором всех возможных вариантов. Подавая на вход F различные значения X, учитель (или "естественный отбор") "поощряет" варианты, при которых F дает на выходе более точные значения Y (лучше соответствующие поставленной задаче) и "наказывает" за худшие (относительно предыдущих достижений) варианты. "Поощрение" и "наказание" происходит путем (нерезкого) усиления/ослабления тех нейронных связей, которые были более других задействованы в ходе последней итерации, то есть внесли в успех/неудачу наибольший вклад.
Таким образом в ходе мелких последовательных итераций "интеллект" нейронной сети постепенно затачивается под решаемую задачу (простой перебор не дал бы таких результатов за полиномиальное время).
Из хаоса добыть порядок
При изучении перспектив и методов дигитализации бизнеса, следует уделить внимание современным возможностям прикладной математики, которая рассматривается через призму фундаментального изменения парадигмы современной науки — её переориентации на преимущественное изучение нелинейных процессов, как ведущих в объяснении наиболее актуальных для человека сложных явлений, в т.ч. явлений в сфере бизнеса.
Новая научная парадигма на базе теории хаоса и сложности опирается на шесть основных новых понятий, таких как, чувствительность к первоначальным условиям, странные аттракторы, самотождественность, самоорганизация, край хаоса и холмистый ландшафт. Вам о чём-то говорят эти термины?
Рынок требует от предприятий взвешенного подхода к планированию и управлению производственным процессом. Как недопроизводство, так и перепроизводство ведут к недополученным прибылям или потерям, что может привести к краху предприятия. Необходимость оперативного реагирования на конъюнктуру рынка и быстро меняющуюся экономическую ситуацию, стремительный рост объема информации, требующей обработки, неопределенность в поведении производственных систем, возможность использовать современные информационные технологии требуют перестройки внутренней микроэкономики предприятия, оптимизации процессов управления, что предполагает, прежде всего, процесс прогнозирования. Целью прогнозирования является уменьшение риска при принятии управленческих решений.
Аксиома управления – нельзя сделать систему управляемой, если она не наблюдаема и не позволяет оценить последствия управления. Поэтому приоритетной функцией управления в быстро меняющейся среде становится прогнозирование.
В общем виде процесс управления во всех сферах деятельности можно представить в виде так называемой «петли управления», включающей циклическую последовательность следующих этапов: прогноз - планирование - контролируемая деятельность по реализации планов - учет и анализ результатов - коррекция прогнозов и планов. Очевидно, эффективная прогнозирующая подсистема в составе корпоративной системы управления является одним из важнейших факторов конкурентоспособности современной компании.
Однако, исследования Эдварда Лоренца и других ученых теории хаоса доказали, что с помощью стандартных алгоритмов долгосрочное прогнозирование невозможно во всех открытых сложных системах. Малейшее изменение первоначальных условий приводит к иным результатам.
В тоже время, такое расширение нейронных сетей, как резервуарное вычисление (Reservoir computing) показало результаты прогнозирования совершенно нового уровня. При исследовании динамики архетипической хаотической системы, описываемой уравнением Курамото — Сивашинского, нейросетевой метод на базе Reservoir computing смог точно предсказать, как хаотическая система будет эволюционировать в течение восьми «времён Ляпунова». Т.о. методы нейроматематики позволяют заглянуть в восемь раз дальше по сравнению с классическими методами прогнозирования. Временем Ляпунова называют время, которое требуется для экспоненциальной дивергенции двух практически идентичных состояний хаотической системы. Как таковое, оно обычно определяет горизонт предсказуемости.
Потребность в доскональном изучении возможностей нейросетей высшим менеджментом компаний обусловлена необходимостью внедрения в практику работы профессиональных руководителей полноценных методов научного управления, основанного на строгой формализации процедур принятия решений и необходимостью использования на практике новых технологий. Существенными составными частями таких технологий являются в настоящее время нейронные сети, главное преимущество которых - их способность к обучению и самообучению, а также теория динамических систем (теория хаоса), позволяющая в явлениях, на первый взгляд случайных, обнаружить порядок и некоторую структуру.
Преимущества нейросетей перед обычными алгоритмами
Подбор задач прогнозирования и маркетинговых исследований, для которых бизнес может успешно начать внедрение нейронных сетей, проще начинать с задач, которые до этого решались обычными статистическими методами. При таком подходе можно сразу оценить преимущества нейросетей. Методы нейронных сетей существенно превосходят линейные методы статистики (линейная регрессия, авторегрессия, линейный дискриминант): нейросетевая технология позволяет эффективно строить нелинейные зависимости, которые более полно описывают наборы данных.
Нейронная сеть может построить поверхность более высокого порядка, чем это может сделать байесовский классификатор, который строит квадратичную разделяющую поверхность. Высокая нелинейность разделяющей поверхности наивного байесовского классификатора требует большее количество суммарного числа примеров для возможности точного оценивания вероятностей при каждом сочетании интервалов значений переменных. Нейронная сеть же обучается на всей выборке данных, не фрагментируя её, что повышает адекватность настройки нейронной сети.
Единственная условная альтернатива нейронной сети, использованной для построения сложных нелинейных моделей, это метод группового учета аргументов. Для сжатия и визуализации данных в статистике разработан метод линейных главных компонент, но нейросетевые технологии предлагают более эффективное сжатие данных, благодаря построению нелинейных отображений и визуализации данных в пространстве меньшего числа нелинейных главных компонент.
По сравнению с методами непараметрической статистики, нейронная сеть с радиальными базисными функциями позволяет сокращать число ядер, оптимизировать координаты и размытость каждого ядра. Это позволяет при сохранении парадигмы локальной ядерной аппроксимации ускорять дальнейший процесс принятия решения.
Время для нейро-1С
Теперь, после небольшого введения, перейдем к примеру нейросети для достаточно распространенной бизнес-задачи - решению проблемы оттока клиентов.
Компании, которые используют для организации учета 1С, даже если они еще не прониклись идеей дигитализации, часто сталкиваются с потребностью повысить эффективность прогнозирования и эффективность работы с данными. Ведь 1С, как любая другая система учета, предназначена для хранения данных, представления их в виде различных отчетов, создания бизнес-процессов, но никак не для прогнозирования и предсказания событий.
Что является основой успеха каждой компании? Это правильное финансовое планирование. Другими словами - это планирование всех доходов и направлений расходования денежных средств, для обеспечения развития организации.
Т.е., например, мы четко должны представлять, сколько в этом месяце или ближайшем периоде мы можем расходовать денежных средств, и какой объем денежных средств поступит на счета нашей компании (с розничных продаж, аренды или оплаты поставок с отсрочкой от оптовых покупателей и т.п.).
Если с планированием расходов все более-менее понятно – есть календарь, есть круг потребностей компании, приоритеты, здесь главное не превысить плановую сумму р
Вступайте в нашу телеграмм-группу Инфостарт
