Российские промышленные предприятия все активнее интересуются возможностями анализа данных, собираемых в цехах и на производственных площадках. Речь идет не о «рядовой» отчетности о происходящих процессах или простом сборе данных, а об использовании Data Science, или науки о данных, представляющей собой совокупность математических и алгоритмических методов для выявления сложных закономерностей в данных и их продвинутого анализа, который, в частности, подразумевает моделирование с использованием методов машинного обучения, оценки и верификации данных, а также их визуализации. Об этой тенденции и о нынешнем состоянии рынка Data Science в нашей стране Computerworld рассказал Иван Вахмянин, генеральный директор российской компании Visiology, участник форума BIG DATA 2017, организованного издательством «Открытые системы».

- Что сегодня представляет собой российский сегмент науки о данных?

Этот сегмент еще очень новый и очень маленький, и его пока рано рассматривать как отдельный, полноценный рынок. Практически для всех компаний, которые на нем присутствуют, это своего рода эксперимент в надежде, что этот сегмент в скором времени превратится в настоящий Клондайк для тех, кто умеет серьезно работать с данными, как для заказчиков, так и для поставщиков соответствующих услуг.

Уровень зрелости российских заказчиков быстро растет. Если раньше многие из них не видели особой разницы между подобными проектами и внедрениями бизнес-систем (например, ERP или CRM), имеющими ясную стоимость, понятные сроки, рамки и результаты, то теперь заказчики осознают, что проекты Data Science следует рассматривать как НИОКР: в первую очередь предприятиям необходимо тщательно исследовать свои активы — разобраться, какие данные у них имеются, чего можно с их помощью добиться и каких целей достичь. Такой уровень восприятия Data Science характеризует гораздо более зрелое, чем прежде, отношение к подобным проектам.

- Как и почему в этот сегмент пришла компания Visiology?

Для работы в области науки о данных требуются навыки как аналитиков, так и разработчиков, и синергия этих двух направлений может дать очень сильный эффект. Visiology создана на базе бывшего центра разработки компании Polymedia, специалисты которого накопили немалый опыт в решении задач продвинутой аналитики по тематике ситуационных центров. В частности, у нас есть опыт создания «центров управления бизнесом», ключевая функция которых — помогать выявлять и предугадывать проблемы, своевременно информировать о них бизнес-пользователей, предлагать варианты предотвращения сложных ситуаций или выхода из них.

Кроме того, мы разработали аналитическую платформу Visiology — мощный, гибкий и надежный инструмент сбора данных, их расширенного анализа (в том числе машинного обучения, прогнозной аналитики и исследования Больших Данных) и визуализации. На основе нашей платформы мы разрабатываем и внедряем аналитические решения для различных отраслей: строительства, фармацевтики, здравоохранения, логистики, дистрибуции, ретейла, финансового сектора, транспорта и других.

Таким образом, у нас есть серьезные знания и опыт и в сфере анализа данных, и в разработке ПО. Поскольку сегмент науки о данных действительно новый и перспективный, мы решили выйти на него и продолжить развитие наших компетенций аналитиков и разработчиков.

- С чем связан интерес российских заказчиков к проектам в области науки о данных? На получение каких выгод они рассчитывают?

Некоторые интересуются собственно наукой о данных, поскольку стремятся попробовать все новое, что появляется на ИТ-рынке. В то же время большинство подходит к проектам в области науки о данных вполне рационально, видя в них возможность повысить эффективность отдельных бизнес-процессов без чрезмерных капитальных затрат. Например, производственные процессы во многих предприятиях уже оптимизированы стандартными методами настолько, насколько это только возможно, и для дополнительного их улучшения требуются серьезные инвестиции, часто связанные с приобретением нового, дорогостоящего оборудования. Используя подходы науки о данных, можно получить прирост эффективности за относительно небольшую плату. Конечно, гарантировать радикальное улучшение процессов нельзя, но получить какое-то увеличение отдачи от них вполне реально. Правда, чтобы добиться экономической эффективности, масштаб проекта должен быть достаточно велик. Не случайно заказчики проектов Data Science — это в основном крупные компании.

- В каких отраслях спрос на такие проекты наиболее велик?

Высокий спрос наблюдается в банках и телекоммуникационных компаниях, причем, как мы видим, наиболее крупные из них стараются наращивать собственную экспертизу. Наша компания работает в основном с промышленными предприятиями и другими организациями, для которых работа с данными не является профильным бизнесом. В частности, мы имеем дело с энергетическими компаниями, а также с банками и организациями страхового бизнеса, но не с самыми крупными, а с теми, кто не может себе позволить развитие глубокой собственной компетенции в данной области и потому привлекает сторонние организации для решения задач, требующих использования расширенной аналитики. Разумеется, есть и другие области, где сегодня открываются очень широкие возможности для продвинутого анализа данных, но не во всех из них мы работаем; в частности, мы не планируем развитие в сфере цифрового маркетинга.

- Можно ли составить «портрет» типичного отечественного заказчика проекта в области Data Science?

Я могу описать типичную стадию, на которой находятся наши клиенты: многие из них знакомы с зарубежными проектами в области Data Science, которые принесли бизнесу пользу (например, обеспечили получение конкурентных преимуществ), и хотели бы попробовать реализовать нечто подобное, но не знают, с чего начать. Мы предлагаем таким заказчикам разделить проекты на две части: исследовательскую и практическую, то есть внедрение. Исследовательская часть — это, по сути, аудит данных (включая оценку их качества и других важных характеристик) и предварительное моделирование, направленное на решение потенциальных бизнес-задач заказчиков. По завершении этого этапа мы готовим развернутый отчет о качестве данных, а также даем заключение о том, какие задачи заказчика возможно решить, используя подходы и инструменты науки о данных. По нашей оценке, большинству заказчиков исходя из их уровня зрелости следует начать именно с исследовательской части.

- Какие направления проектов в этой области, вероятнее всего, получат развитие в обозримой перспективе?

Мы ожидаем стремительного роста числа проектов в промышленных компаниях, сумевших накопить большие объемы производственных данных, но не знающих, как их можно использовать с заметной выгодой для себя. Разумеется, зачастую эти данные необходимо проверять, «вычищать», но, главное, эти данные есть. Источниками их являются MES, АСУ ТП и другие системы, развернутые на производстве. Используя подходы науки о данных, можно извлечь из них реальную выгоду. В финансовом секторе, телекоме, ретейле проекты в области науки о данных также, разумеется, будут развиваться, но направления, по которым ожидается всплеск в этих секторах, достаточно очевидны. На их фоне интерес к проектам Data Science в промышленности — это действительно новое, интересное и перспективное веяние.

В праздновании своего 175-летнего юбилея Сбербанк особое место отвел мероприятиям для кадрового резерва – молодых специалистов по data science, заинтересованность в которых в банке постоянно подчеркивают. В течение месяца в преддверии юбилейных торжеств проходила олимпиада по решению задач на онлайн-платформе банка и конкурс стартап-проектов с использованием инструментов машинного обучения и анализа данных. Участники работали с массивами обезличенных данных, предоставленных банком. Итоги олимпиады и конкурса подвели на Sberbank Data Science Day 12 ноября.

«Почему мы так озабочены поиском талантов в области data science?» — задался вопросом Вадим Кулик, заместитель председателя правления Сбербанка, выступая на открытии конференции. И сам же ответил на него: «Это ключевая специальность нашего времени. У Сбербанка нет других амбиций, кроме как быть первыми на рынке, а это значит, что нам нужны лучшие».

Вадим Кулик: «Data science — ключевая специальность нашего времени» Источник: sdsj.ru

По мнению Кулика, компании, которые не используют новые технологии работы с данными, уже проиграли в конкурентной борьбе. Но для тех, кто, как Сбербанк, уже накопил и большие массивы разнообразных данных, и опыт работы с ними, сегодня наступает новый этап.

Задача в том, чтобы сделать современную аналитику основой принятия решения во всех бизнес-процессах. Ключевым элементом такой «направляемой данными» (data-driven) организации является культура обращения с данными, подчеркнул Кулик, поэтому прежде всего нужны люди, способные не только извлекать смысл из данных, но и понимать, как встраивать модели в бизнес-процессы и как оптимизировать последние с помощью машинного обучения и аналитики, вплоть до полной автоматизации отдельных этапов или даже целых процессов.

Нехватка таких специалистов – важнейшая проблема Сбербанка на сегодняшний день, и потому предпринимаются большие усилия, чтобы привлечь молодых людей с бекграундом в области data science. Интерес банка понятен, но, судя по выступлениям финалистов на конференции, начинающим исследователям данных участие в инициативах организации тоже приносит немалую пользу. У Сбербанка огромная клиентская база – в день обрабатывается 50-60 тыс. кредитных заявок и 10-15 млн транзакций, и конкурсанты получали возможность решать интересные и актуальные задачи на основе реальных банковских данных.

Например, среди вопросов, ответы на которые искали участники олимпиады, были такие: «можно ли по истории транзакций восстановить демографический портрет клиента?», «как предсказать траты клиента в следующий месяц по различным категориям затрат?». А одним из основных условий конкурса стартапов было выявить бизнес-задачу Сбербанка и предложить ее решение.

В олимпиаде приняло участие более 3 тыс. человек, представлено почти 12 тыс. решений, сгенерировано более 30 Гбайт данных. Победители получили крупные денежные призы и, безусловно, попадут в поле зрения банка как потенциальные сотрудники.

Пять финалистов конкурса стартапов представили свои проекты на Data Science Day. Победитель был выбран открытым голосованием жюри – им стала команда из Санкт Петербурга под названием SD Data, разработавшая проект по использованию инструментов искусственного интеллекта в борьбе с мошенничеством с банковскими картами. Все финалисты будут иметь возможность представить свои проекты правлению банка.

Главный научный консультант администрации президента США в области работы с данными Д. Дж. Патил уверен, что технологии, развитием которых он занимается на своем посту, станут оказывать большое влияние на жизнь страны только тогда, когда специалисты продемонстрируют не только их практическую пользу, но и возможности масштабирования. Задача состоит в том, чтобы направить мощь технологий работы с данными на благо всех американцев, но сделать это нужно с полной ответственностью и учетом интересов каждого человека, отметил он в выступлении на конференции Strata+Hadoop World.

За два года с момента создания должности главного научного консультанта администрации президента США Патилу пришлось решать задачи, связанные с эпидемией употребления опиосодержащих препаратов, безопасностью дорожного движения, индивидуализированной медициной, помощью малообеспеченным слоям населения и образованием. Государству нужны специалисты по работе с данными, подчеркнул он.

Патил особо отметил необходимость осторожности при работе с большими объемами данных и решения этических вопросов — например, прозрачности использования алгоритмов. Технология не может считаться радикальной и революционной, если она не приносит пользу всем, заявил он.

Участники практической конференции «Технологии Больших Данных», организованной издательством «Открытые системы» 21 июня, заполнили актовый зал гостиницы «Интурист» в Коломенском плотно: опоздавшим и замешкавшимся с кофе не сразу удавалось найти свободное место. И это не удивительно. Модная тема, и при этом актуальная — большинство докладчиков говорили о практических делах, а не о потенциальных возможностях. О практике здесь, в России. Соотношение маркетингового шума и полезности технологий Больших Данных остается неясным, но это не так уж интересовало слушателей: среди них в будущем Больших Данных мало кто сомневается.

Еще одна особенность Больших Данных не дает скучать: они имеют отношение к каждому из нас, ведь только отшельник не пользуется сотовой связью, банками и соцсетями.

Сигналы о неверности

Доклад Александра Фонарева, директора по науке компании Rubbles (SBDA Group), наглядно продемонстрировал, насколько глубоко информация о «простом человеке» может изучаться коммерческими компаниями. Фактически решение Rubbles Customer Insight, которое компания адресует банкам (в частности, мобильное приложение Альфа-банка Alfa Sense использует технологии Rubbles), исследует психологию клиента. Оно берется определить, предсказать критические точки поведения, моменты, когда лояльность банку дает трещину. В этом случае банк может реагировать специальными предложениями, которые отправляются не веерной рассылкой, а именно тем, на чье поведение они могут, как полагают аналитики, повлиять, — на тех же, кто, по «мнению» программного обеспечения, окончательно решил покинуть банк, больших ресурсов тратить уже не стоит. Для анализа данных примерялись различные алгоритмы; хорошо показали себя композиции решающих деревьев. Банк, со своей стороны, свидетельствует, что аналитика — не искусство ради искусства: в среднем клиенты, согласившиеся на рекомендации, ежемесячно оставляют на счету на 4600 руб. больше.

Задачи аналитика сотового оператора не так уже сильно отличаются от задач банковского аналитика, можно было понять из доклада Дмитрия Бабаева, эксперта компании «МТС». Надо определить тех клиентов, которые недовольны и могут перейти к альтернативному оператору. Другая задача — определение качества связи: когда обрывается связь, сколько раз клиенту приходится перезванивать, надежно ли работает Интернет. «Изначально не известно, — признался Дмитрий, — по каким из персональных данных клиента мы сможем прогнозировать его поведение. 90% времени уходит именно на сбор таких данных». Для машинного обучения строится матрица, в которой строки соответствуют пользователям, а колонки — их свойствам. Эта матрица разрежена и огромна: 200 колонок можно потратить только на то, чтобы отметить, на какие сайты человек ходит. Такие таблицы хранить в реляционной базе данных неудобно. Обычно матрицы содержат примерно по тысяче колонок, но разработчики уже не раз доходили до технологического предела в 4 тыс. колонок в используемой ими СУБД.

Торговые книги в облаках

Налоговикам не до психологии, нужно проверять, перепроверять и сверять. О том, какие технологии при этом могут использоваться, рассказал в своем докладе Александр Чистяков, ведущий разработчик в компании СКБ «Контур».

С 2015 года отчеты налоговикам приходят в электронном виде. Классические сервисы сверки требуют загрузки и своих торговых книг, и торговых книг контрагентов. По словам Чистякова, единственный в России облачный сервис сверки от «Контура» устроен иначе. После того, как предприятие загрузило через веб-интерфейс свои торговые книги, как только контрагент загрузит свою, сверка произойдет автоматически, что позволит избежать пристального внимания налогового инспектора. Сегодня в облако «Контура» загружают 25-30% товарооборота России.

В проекте используется СУБД PostgreSQL. Сама база небольшая по объему, меньше 100 Гбайт, все индексы умещаются в памяти. Хранятся связи контрагентов и агрегаты, полученные в результате анализа. Связи полезны для быстрой работы веб-интерфейса. А вот за данные для аналитики отвечает СУБД HBase, под которую выделено 11 узлов кластера, — всего около 1 Тбайт данных в распределенной файловой системе HDFS, около миллиарда строк в таблицах.

Как видно, Большие Данные в этом облаке не слишком велики. Да на конференции вообще, кажется, ни разу не было произнесено слово «петабайт» — отнюдь не во все практические задачи порождают горы данных, как австралийский радиотелескоп, сбрасывающий 400 Мбайт в секунду.

Прыткий Tarantool

Tarantool — СУБД категории NoSQL с открытым кодом и сервер приложений на языке Lua. Его создатели утверждают, что Tarantool, который хранит свои данные в памяти, способен обрабатывать 1,5 млрд запросов в сутки. На вопрос докладчика, Константина Осипова, поинтерсовавшегося: «Кто знаком с технологией Tarantool?» подняли руки немногие (надо сказать, вопросы «А кто знаком с технологией X или Y» задавались на конференции часто, и лес рук не взметнулся ни разу). А ведь Tarantool, разрабатываемый в Mail.Ru Group, используется не только своими создателями, но и в других проектах, в том числе, в Badoo и в «Одноклассниках». Надо сказать, вопросы «а кто знаком с технологией X или Y» звучали на конференции часто, и лес рук не взметнулся ни разу. Это говорит о том, что мало кто поспевает за всеми новинками технологий Больших Данных, да и смысл участия в конференции для многих был именно в знакомстве с новейшими технологиями.

Дело, однако, в том, что сам термин «Большие Данные», бесконечно любимый маркетологами, содержит соблазн судить их по количеству. Общий же ИТ-контекст подсказывает: интересны скорее «другие», чем «большие» данные, и не из-за характерной для них слабой структурированности, а по их назначению: большинство проектов в этой области сосредоточено на аналитике. И это подразумевает повсеместное использование технологий искусственного интеллекта, а не только успевшие войти в журналистский словарь MapReduce и Hadoop, а теперь и Spark. Показательно, что во многих докладах содержалось гордое упоминание «науки о данных» (Data Science), а нейронные сети и машинное обучение упоминались чуть ли не в каждом втором выступлении.

Глубинное обучение естественному языку

Павел Велихов, сотрудник компании Finstar Labs, рассказал о понимании машиной не просто естественного языка, а языка отзывов, иногда довольно лукавых и двусмысленных. Задача поставлена амбициозная: понять все, что пишут в Интернете о гостиницах, ресторанах, фильмах — любые отзывы на естественном языке, а затем помочь пользователю выбрать лучший вариант с набором нужных ему свойств.

Пугающая аббревиатура NLP (Natural Language Processing — «обработка естественного языка») звучала в докладе часто и не всуе. В рамках представленного проекта опробован огромный арсенал средств — и грамматический разбор, и онтологии, векторное представление слов, и глубинное обучение. Используется рекуррентная нейронная сеть, которая запоминает свое состояние и использует его для каждого последующего шага.

Связь времен

Соседствуя с докладами о графах и графовой OrientDB, о глубинном обучении при распознавании лиц в видеопотоках и прочих приметах современности, представители крупнейших ИТ-компаний предъявили актуальный инструментарий. Виктория Федотова из Intel представила библиотеки DAAL (Data Analytics Acceleration Library) и MKL (Math Kernel Library). Василий Суханов, представитель SAP Labs, рассказал о платформе SAP HANA. Вадим Челышков, сотрудник Microsoft, был, кажется, единственным докладчиком, продемонстрировавшим работу представляемого продукта в реальном времени. Желающим изучать Большие Данные в Microsoft предолагают облачный сервис Azure Machine Learning.

Значительный интерес вызвали доклады о текущем состоянии и планах развития свободных, а также отечественных СУБД — MySQL, PostgreSQL, «Линтер», «Ред База Данных».

Создатели сайта разработали несколько вариантов тестов, позволяющих выяснить, владеют ли кандидаты методами подготовки и визуализации данных и другими необходимыми навыками. Тестирование занимает от трех до пяти часов. В результате на каждого кандидата составляется отчет, где его сильные и слабые стороны определяются с учетом нескольких тысяч факторов. Тесты ориентированы на решение реальных задач обработки данных, подчеркивают в Correlation One. Работодатели, подбирающие себе персонал, тоже заполняют анкеты, после чего специально разработанный алгоритм находит в базе кандидатов. Как правило, работодатели обращают внимание лишь на несколько факторов — образование, предыдущие места работы и так далее, отмечают создатели сайта. Алгоритмы Correlation One способны учитывать гораздо больше.

В настоящее время Correlation One работает примерно с 20 корпоративными клиентами, а в базе числится около 800 специалистов. За неделю база расширяется на 40-50 человек. Кандидатов в Correlation One планируют привлекать, кроме прочего, проведением конкурсов — «дататонов».

Игорь Агамирзян возглавляет Российскую венчурную компанию с 2009 года. За это время ситуация с поддержкой технологического предпринимательства в стране качественно изменилась. В 2015 году РВК поручено сформировать проектный офис Национальной технологической инициативы — долгосрочной государственной программы по продвижению российских компаний на перспективные глобальные рынки.

Сегодня в России дела с развитием венчурного бизнеса обстоят непросто, но генеральный директор РВК находит поводы для оптимизма. Computerworld Россия побеседовал с Игорем Агамирзяном об успехах и планах РВК и о том, что стоит за реализацией НТИ.

- Как развивался российский венчурный рынок за годы вашей работы в РВК и как обстоят дела сейчас?

Венчурный бизнес в России активно рос в период с 2010-го по 2013 год. Но затем по известным причинам произошел значительный спад, и на сегодня непонятно, когда рынок снова выйдет на траекторию устойчивого роста. Хотя по отдельным характеристикам ситуация даже лучше, чем раньше, в частности стало больше заметных экзитов (продажа инвесторами своей доли в компании. — Н.Д.).

Кризис всегда открывает новые возможности. Например, я как очень позитивное явление рассматриваю спад инвестиционной активности на рынке недвижимости. Если раньше недвижимость была гарантированным вложением с хорошим ростом, то теперь это не так, и больше потенциальных инвесторов стали обращать внимание на стартапы ранней стадии. Ожидаю, что тем самым будет дан толчок развитию бизнес-ангельского движения, хотя пока эти деньги совсем не «профессиональные» с точки зрения венчурных инвестиций, и наверняка будут потери. Но и это позитивный момент, потому что чем больше денег теряется, тем больше вероятность возникновения чего-то хорошего.

- Шесть лет назад вы говорили о задаче создания в стране экосистемы инноваций. Удалось ли ее решить?

Да, я считаю, что удалось. Произошло разделение программ развития на финансовые (инвестиционные, кредитные, грантовые) и нефинансовые, такие как поддержка развития компетенций, помощь в работе с партнерами и заказчиками, в том числе на международных рынках. Мы первые начали уделять этому внимание, а сейчас целый ряд институтов развития реализует нефинансовые программы.

Такой подход оказался весьма удачным. Классический показатель ROI на проектах развития экосистемы значительно выше, чем на финансовых и инвестиционных.

За прошедшие шесть лет венчурный рынок в России качественно изменился. Количественно, несомненно, тоже, даже после двух лет падения объем венчурных инвестиций в стране значительно выше, чем в 2009 году. В 2013-м по этому показателю мы были на втором-третьем месте в Европе и на первом – по темпам роста.

- Что теперь главное в повестке дня РВК — Национальная технологическая инициатива?

НТИ — абсолютно необходимое направление работы по развитию технологической экономики. Логика инициативы состоит в том, что на зрелых рынках получить заметное присутствие уже невозможно. Весь прошлый позитивный опыт российских компаний на международном уровне был обусловлен тем, что они входили на рынок в стадии его формирования. Но сейчас, даже если создать свой антивирус, стать новым Касперским не удастся. На сегодняшний день в традиционных ИТ — в корпоративных системах, в пользовательском софте, даже в интернет-проектах — окна возможностей уже закрылись. Уровень зрелости рынков и конкуренция таковы, что шансов сделать новые Microsoft, Google или Facebook нет.

В манифесте НТИ декларированы рынки, в которых открываются окна возможностей для появления новых прорывных технологий и продуктов. Но, к сожалению, мне кажется, что мы недооценили темпы развития некоторых рынков. Скажем, в технологиях интеллектуального транспорта за 2015 год произошел революционный прорыв, и теперь уже не очевидно, что остались шансы создать здесь глобального игрока.

- Задача НТИ — создать условия для появления компаний международного уровня?

Задача — создать условия для появления технологических компаний, которые станут донорами российской экономики через 20 лет. Очевидно, что традиционная ресурсо-ориентированная экономика более не дееспособна.

- Правильный ли это ориентир — поиск ниш, где могут вырасти новые гиганты? Есть ощущение, что сейчас на рынке инноваций доминируют яркие идеи, решающие конкретные практические задачи. При этом эксплуатируются базовые технологии, которые при своем поразительном потенциале стали общедоступными и дешевыми.

Любой новый рынок формируется вокруг стандарта. Это либо одна крупная корпорация, задающая индустриальный стандарт, либо множество малых, развивающихся вокруг общего стандарта. В основе интернет-рынка лежат стандарты W3C, рынка ПК — стандарты Intel и Microsoft (то, что иногда называют Wintel), рынка смартфонов — стандарт ARM-Android и т. д. Именно это определяет необходимость ориентироваться на рынки, в которых еще только открываются окна возможностей, потому что стандартов пока нет. Когда стандарт появится, бороться против него станет намного сложнее.

В целом это экономическая, а не технологическая задача — найти модель развития, которая обеспечит приток денег. Уже очевидно, что экономика в ближайшее десятилетие будет развиваться по модели, в которой стоимость всех стандартных массовых товаров, включая ресурсы, кардинально сокращается, а добавленную стоимость обеспечивают исключительно высокие технологии — в дизайне, в инжиниринге, в создании интеллектуального продукта.

Это не означает, что исчезнут базовые отрасли, но ориентироваться только на них нельзя. Страны, которые останутся в рамках индустриальной экономики XX века, с голоду не умрут, но по уровню жизни будут разительно отставать от развитого мира.

Если обратиться к истории, можно увидеть, что каждый новый фазовый переход в технологиях, который всегда влек за собой существенные перемены в экономике, оставлял какие-то группы стран за бортом. Если не лидером, то участником этой гонки быть необходимо. В противном случае последствия для страны могут быть катастрофическими.

Но и одним долгосрочным целеполаганием не обойтись, потому что для реализации таких планов нужно иметь хорошую базовую промышленность. Поэтому актуальны среднесрочные программы модернизации производственных мощностей на базе существующих технологий. К сожалению, цифровизация производства, осуществленная в развитых странах в 1990-2000-х годах, в России пока полностью провалена. В «цифре» умеют работать только промышленные предприятия, участвующие в международной кооперации, а те, что ориентированы на внутренний рынок, продолжают жить с технологиями 50-х годов прошлого века. Другой пример — электроэнергетика. Чтобы построить сквозную управляемую энергосистему, ничего нового с научной точки зрения не требуется, это задача масштабирования. Нужны огромные инвестиции, чтобы они обеспечили немедленную колоссальную отдачу. И так практически по всем отраслям.

- Это инвестиции в российского производителя. Может быть, не нужно искать побед на мировом рынке, достаточно развивать отрасли на внутреннем заказе?

Безусловно, такого рода инвестиционные проекты стимулируют развитие сразу нескольких отраслей. Госзаказ на модернизацию энергетики вызовет огромный спрос на продукцию приборостроения и специализированное ПО. И отечественные производители с удовольствием на этот спрос ответят.

Но это задачи на среднесрочную перспективу — ближайшие десять лет. Кроме того, есть насущные краткосрочные задачи, то, что принято называть импортозамещением, хотя я сам ратую за «экспортоориентированное импортозамещение». Подтвержденный экспорт — единственная гарантия качества продукта. Если ставить целью поддерживать отечественного производителя, полностью сфокусированного на национальном рынке, получим массовое производство неконкурентоспособной продукции.

Сейчас в сегменте средних технологических компаний происходит много интересного с точки зрения такого краткосрочного развития. Но это не венчурные бизнесы, им нужны другие инструменты поддержки, например кредитные программы. С другой стороны, если сегодня не запускать стартапы и не обеспечивать доступность венчурных инвестиций, получим провал через 10-15 лет.

Возвратимся к НТИ. В нашей стране в свое время была осуществлена программа, полностью соответствующая тому, что мы понимаем под НТИ. Это массовое обучение программированию в школах в середине 1980-х, инициатором которого был академик Ершов. Уникальный пример, как удалось предугадать перспективный вектор развития и реализовать соответствующие мероприятия. Ведь именно дети, охваченные программой в 80-х, в начале нулевых составили кадровую базу российских программистских компаний, которые сегодня по объему высокотехнологичного экспорта находятся на втором месте после экспорта вооружений.

Точно так же в НТИ необходимо найти перспективные направления развития и проработать меры их поддержки, в том числе образовательными программами. Сейчас, например, надо думать о массовом обучении в школах всему, что связано с информационной структурой наук о жизни, потому что будущее за этими областями.

- Как продвигается реализация НТИ? Доступной информации об инициативе мало...

Эффективно идут процессы вовлечения профессиональных сообществ, но, согласен, отсутствует массовая популяризация инициативы. Есть и другие проблемы, например очень много бюрократии в организации взаимодействия рабочих групп и ответственных органов исполнительной власти. Серьезной ошибкой, на мой взгляд, было принятое на слишком раннем этапе решение о бюджетном финансировании проектов НТИ. При этом не ведется работа по развитию институциональной среды, совершенствованию законодательства. Более того, за последний год были приняты решения, практически закрывающие два из девяти рынков, декларированных в НТИ: по коммерческому использованию генномодифицированных продуктов и по регистрации дронов.

- Как людям, которые ассоциируют себя с ИТ-индустрией, увидеть свое место в списке направлений НТИ?

Сегодня ИТ-индустрии как таковой уже нет. Она трансформировалась в платформу развития, необходимую для каждой отрасли. Поэтому мой ответ — нужно перестать воспринимать себя «айтишником». Если ты идешь в автомобильную отрасль, то твоей задачей будет программирование автомобильного компьютера. Думаю, других инженерных специальностей, кроме программистов, рано или поздно вообще не останется. Как в производственном секторе благодаря тотальной автоматизации не будет рабочих специальностей, так и все инженерные сведутся к программированию.

- А такая новая область квалификаций, как data science? Какие у нее перспективы? Есть ли здесь ниша для новых бизнесов?

Это не инженерия и не наука, скорее некий синтез дизайна продукта или услуги с его бизнес-обоснованием. Находя закономерности в данных, специалисты в области data science определяют архитектурные решения.

Думаю, здесь все будет происходить на уровне отраслей. Отраслевая структура экономики сложилась исторически, исходя из задач по обслуживанию различных потребностей человека. И любые прорывные технологические решения очень быстро приспосабливаются к потребностям всего отраслевого спектра. Когда-то такое случилось с машиностроением, сейчас происходит с ИТ, аналогичные процессы ждут и data science. Как отдельное направление оно не сохранится, но будет data science в энергетике, data science в транспорте, data science в ЖКХ и т. д.