Новости

Решение разработано с помощью алгоритма машинного обучения «Матрикснет» на основе анализа данных 2 тыс. банкоматов. Учитывалось их местонахождение, режим работы, фактический спрос на наличные и другие параметры. До сих пор «Райффайзенбанк» определял потребность клиентов в наличных на основе статистики. Модель, разработанная Yandex Data Factory, позволит банку уменьшить отклонение прогноза от реального спроса примерно на 30%.

Любому банку важно соблюдать баланс между количеством денег, которые лежат в банкоматах и которые находятся в обороте. Если денег в банкоматах мало и клиенты не могут снять наличность, это вызывает их недовольство. Если денег в банкоматах слишком много, банк несет излишне высокие издержки. Внедренное решение позволяет банку оптимизировать распределение денег в сети банкоматов и сократить свои издержки.

Система дает планировщику инкассаций рекомендации о том, когда и на какую сумму нужно инкассировать банкомат. При этом она стремится к минимальной стоимости выезда инкассаторов и хранения денег в банкомате при условии сохранения доступности функции выдачи наличных. Таким образом она не только сокращает издержки, но и позволяет сохранить удовлетворенность клиентов одним из главных сервисов банка.

Решения Yandex Data Factory на основе технологий машинного обучения применимы в разных отраслях экономики. Так, в прошлом году «Яндекс» разработал модель прогнозирования спроса на товары со скидкой для сети магазинов «Пятёрочка». В 87% случаев она предсказывает спрос с точностью до одной упаковки. Для Магнитогорского металлургического комбината был создан рекомендательный сервис, оптимизирующий расход добавочных материалов при производстве стали без потери её качества. Он позволяет снизить расход ферросплавов в среднем на 5%, годовая экономия превышает 275 млн руб.

Несмотря на то, что внедрять передовые инструменты прогнозирования в ближайшие 5-10 лет планируют пока только половина авиакомпаний и аэропортов, несколько передовых участников рынка уже проводят испытания прогнозного моделирования, машинного самообучения и анализа данных. В основном их усилия направлены на проекты, которые будут предоставлять пассажирам актуальную информацию о путешествии.

У отрасли существует потребность максимально сократить уровень неопределенности во время путешествия. Авиакомпании и аэропорты сосредотачивают внимание на технологиях, которые позволят оперативно реагировать на возникающие проблемы, что повысит эффективность работы и качество обслуживания клиентов. В частности, речь идет про управление рисками возникновения сбоев в расписании.

Например, аэропорт «Гатвик» поставил цель улучшить впечатления пассажиров на всех этапах путешествия, от въезда на территорию аэропорта до выхода на посадку. В этом аэропорту выбрано несколько сфер деятельности для измерения производительности и оценки возможности делать дальнейшие прогнозы. По словам Криса Хауэлла, руководителя бизнес-систем аэропорта «Гатвик», удалось реализовать управление в реальном времени – перейти от вопроса «Как мы это делали?» к вопросу «Как мы это делаем?». А сейчас уже можно ответить и на вопрос «Как мы будем это делать?».

Тем не менее, с распространением использования искусственного интеллекта в работе авиакомпаний и аэропортов роль человека не теряет свое значение. Отмечается, что именно сочетание человеческого и искусственного интеллекта позволит поднять уровень путешествий на новый уровень. Альберто Рей-Виллаверде, руководитель отдела анализа и обработки данных EasyJet, отмечает, что «искусственный интеллект в сочетании с человеческим сознанием куда мощнее, нежели просто искусственный интеллект».

Повышение конкуренции, изменение потребностей клиентов, развитие системы регулирования и рост затрат оказывают значительное воздействие на предприятия химической промышленности. В этих сложных условиях многие предприятия химической промышленности задумались об изменении своих бизнес-стратегий и операционных моделей в соответствии с трансформационными тенденциями, формирующимися в других отраслях. Тем не менее, по данным нового отчета «Делойт» «Цифровая трансформация: готовы ли к ней предприятия химической промышленности?», многие из них упускают ключевые возможности, поскольку у 52% из опрошенных предприятий отсутствуют цифровая стратегия и план цифровой трансформации.

По результатам исследования было обнаружено, что проблемами, стоящими перед предприятиями химической промышленности, которые могут стать барьерами на пути цифровой трансформации, являются организационная адаптация (55%) и гибкость. Несмотря на то, что основная ответственность за реализацию инициатив по внедрению цифровых технологий часто возлагается на ИТ-подразделения или вновь создаваемые отделы по работе с цифровыми технологиями, многие руководители считают, что полностью ответственными за эти вопросы должны быть отдельные бизнес-единицы или подразделения.

По мнению аналитиков, предприятия химической промышленности могут задаться несколькими целями, которые позволят им вывести цифровые технологии на новый уровень. Создание проработанного процесса бизнес-трансформации, начинающегося с четкой стратегии формирования современного цифрового предприятия и включающего в себя:

• достижение устойчивых преимуществ в рамках организации с учетом имеющихся данных;
• выявление и устранение киберрисков в комплексных и динамических экосистемах;
• построение гибких операционных моделей внутри и за пределами организации;
• выстраивание системы повсеместного внедрения инноваций, поощряющей корпоративное сотрудничество, обучение и изменение поведения.

Четкая цифровая стратегия может обеспечить для предприятия значительные выгоды за счет реализации инновационной бизнес-модели, улучшения клиентского опыта и достижения эффективности в операционной деятельности. Для руководителей предприятий химической промышленности существует возможность активно продвигать культуру, объединяющую цифровые технологии и инновации, которая обеспечит проведение трансформации бизнеса на базе системы повсеместного внедрения инноваций с акцентом на управлении талантами и создании ценности для акционеров.

Как пишет агентство городских новостей «Москва», ссылаясь на заместителя руководителя департамента ИТ Москвы Андрея Белозерова, в нынешнем виде созданная система обрабатывает лишь 10 транзакций в секунду. Но в ходе голосования иногда подаются десятки и сотни тысяч голосов в сжатый промежуток времени. На данный момент нет уверенности, что блокчейн выдержит такую нагрузку.

Тем не менее, есть надежда, что ко второму кварталу 2017 года технические ограничения будут преодолены. Если окажется, что технология держит нагрузку, будут запущены пилотные голосования в режиме блокчейна.

В «Газпроме» появилась необходимость внедрить решение для обеспечения информационной безопасности внутренней корпоративной сети при подключении к внешним сетям и Интернету. Приоритет при выборе отдавался российским продуктам, которые позволяют снизить риски использования импортных технологий.

В процессе выбора были рассмотрены несколько вариантов представленных на российском рынке решений в области сетевой информационной безопасности. В результате предпочтение отдали решению Traffic Inspector. Для упрощения вопросов внедрения и сопровождения было предложено использовать готовый программно-аппаратный комплекс, построенный на серверном оборудовании для установки в стандартные серверные стойки, используемые в инфраструктуре «Газпрома». Такой вариант упрощает установку, подключение и последующее обслуживание. В качестве аппаратной серверной платформы были выбраны модели серверов линейки DEPO Storm.

Компании был необходим инструмент, позволяющий оперативно анализировать данные складской деятельности компании. С этой целью была внедрена системы бизнес-аналитики, однако уже в начале проекта стало очевидно, что исходные данные не могут эффективно использоваться в BI-решении. Именно поэтому было принято решение о создании промежуточного инструмента, который бы позволил систематизировать первичные данные.

Выбор решения был сделан в пользу многофункциональной платформы K-Point, разработанной «Корус Консалтингом». Главными критериями выбора были единая и понятная структура хранения данных в базе, простота внедрения и настройки, а также наличие инструментов для быстрой разработки и изменения пользовательских интерфейсов. Кроме того, для логистического оператора была важна простота использования решения и сопровождение своими силами — неподготовленный пользователь успевает разобраться в основной функциональности за несколько часов.

Действовавшая до этого момента система рекомендаций опиралась на заранее прописанные для каждой профессии поисковые запросы с жесткой привязкой к каталогу сайта. Новая система рекомендаций вакансий HeadHunter базируется на опыте пользователей сервиса. Разработчики компании проанализировали историю взаимодействия соискателей с вакансиями и создали модель, способную рекомендовать вакансии, которые с большей вероятностью устроят ищущего работу. Кроме того, все рекомендованные вакансии отсортированы, начиная с самых подходящих.

Ежедневно новая система рекомендаций вакансий HeadHunter будет составлять более трех миллионов уникальных подборок.

«Мы знаем, какие объявления чаще привлекали разные группы пользователей. На основе этих данных наш искусственный интеллект научился показывать вакансии, которые с большой вероятностью заинтересуют людей», — говорит Борис Вольфсон, директор по развитию HeadHunter. По мере работы система будет корректировать параметры, чтобы показывать вакансии точнее. Она следит, сколько людей, увидевших вакансию, кликнуло на нее, и насколько успешно пользователи завершают свои сессии.

Рекомендация вакансий на основе машинного обучения – не первый опыт HeadHunter с искусственным интеллектом. В июне 2016 года компания уже запустила ранжирование откликов соискателей на основе машинного обучения. Благодаря этой системе работодатели в первую очередь видят отклики от наиболее подходящих кандидатов.