Представив в ноябре 2015 года программное обеспечение с открытым кодом TensorFlow, компания Google сумела заинтересовать потенциальных пользователей, и сегодня эта технология становится все более популярной.

Библиотека программного обеспечения для машинного обучения представляет собой новое поколение внутренней технологии DistBelief, которая была разработана командой Google Brain для множества задач, включая поиск изображений и улучшение алгоритмов распознавания речи.

TensorFlow – это нейронная сеть, которая учится решать задачи путем позитивного усиления и обрабатывает данные на различных уровнях (узлах), что помогает находить верный результат.

Открыв исходный код библиотеки машинного обучения TensorFlow, в Google упростили процесс построения и развертывания сложных нейронных сетей. TensorFlow не предоставляет каждому разработчику возможность воспользоваться плодами машинного обучения, но предлагает интерфейсы API для языков Python и C/C++, позволяющие подключаться к программе разработчика.

Машинное обучение такого рода предназначено исключительно для исследовательских целей, но благодаря программному обеспечению с открытым кодом наподобие TensorFlow предприятие получает мощные средства для использования своих собственных данных и их обработки в дешевой облачной среде.

Библиотеки TensorFlow заметно упрощают встраивание в приложения самообучаемых элементов и функций искусственного интеллекта, предназначенных для распознавания речи, организации компьютерного зрения или обработки естественного языка.

Конечно, TensorFlow не единственная библиотека глубинного обучения, но, как и поисковый механизм Google, она считается лучшей в своем классе. Альтернативами являются программное обеспечение Torch, созданное швейцарскими исследователями, и разработка Калифорнийского университета в Беркли Caffe, последняя версия которой, Caffe2, была спроектирована при участии Facebook.

Google разрешает использовать TensorFlow только на одной машине с несколькими графическими процессорами, что сдерживает масштабы применения этого инструмента на предприятиях. Конечно, существуют пути обхода указанного ограничения, но на создание таких решений потребуются определенные знания, время и деньги

Согласно информации, опубликованной на сайте TensorFlow, программную библиотеку использует целый ряд крупных компаний, в том числе Airbnb, Airbus, Dropbox, Snapchat и Uber (правда, возможно, и не лучшим для себя способом).

Между тем продолжаются поиски новых сценариев. Одной из компаний, не побоявшихся обратиться к TensorFlow, является британский электронный супермаркет Ocado.

Его команда исследователей данных применяет библиотеку для самых разных целей, начиная от алгоритмов маршрутизации роботов, перемещающихся по складам, и заканчивая улучшением прогнозирования спроса (которое пока базируется на алгоритмах линейной регрессии десятилетней давности) и предложением покупателям товаров в соответствии с их недавними предпочтениями.

Поначалу TensorFlow в Ocado использовали для управления электронной почтой, поступающей в контактный центр. Изначально все письма обрабатывались последовательно, независимо от их приоритета. Осложнения возникали в плохую погоду, когда количество писем увеличивалось в три-четыре раза, а их доставка превращалась в серьезную проблему.

«Руководство хотело понять, какие письма имеет смысл обрабатывать первыми, но для этого требовались средства распознавания естественного языка, чтобы оценивать их настроение и анализировать смысл», – вспоминает глава направления данных Ocado Technology Дэн Нельсон.

Заказывать Google готовую технологию обработки естественного языка в Ocado посчитали нецелесообразным и решили обратиться к библиотеке TensorFlow.

Но компания Ocado все же стала клиентом Google и использует сервис BigQuery в Google Cloud для обработки своих запросов и организации хранения. По словам Нельсона, развертывание TensorFlow с помощью Google заметно упростило стоящую перед компанией задачу. «Без использования облака нам пришлось бы устанавливать у себя очень серьезное оборудование, а с облачными сервисами все стало гораздо проще, – заметил он. – В общем случае обращаться к Google не обязательно, но если у компании имеются тензорные процессоры, то лучше это сделать».

Говоря о предлагаемом инструменте, Нельсон реально оценивает ситуацию: «По сути, TensorFlow позволяет через библиотеки получать доступ к различным моделям обучения. Их придется осваивать и адаптировать, однако это ускорит ваш процесс обучения. TensorFlow не решает проблем, но предоставляет набор инструментов, позволяющий абстрагироваться от сложности нейронной сети и использовать ее для решения стоящих перед вами задач».

Покупая компанию MindMeld за 125 млн долл., корпорация Cisco намерена использовать ее технологию искусственного интеллекта для создания приложений совместной работы.

Объявленная сделка стала уже третьей для Cisco за последние две недели. На этот раз объектом покупки является команда MindMeld и ее платформа искусственного интеллекта, позволяющая создавать интерактивные интерфейсы для любого приложения или устройства на основе технологии машинного обучения. MindMeld разрабатывает технологию Deep-Domain Conversational AI, которая помогает клиентам встраивать голосовые команды в любые приложения и сервисы.

Представляя платформу Deep-Domain Conversational AI в ноябре прошлого года, в MindMeld заявили: «До сих пор голосовые и текстовые помощники не могли похвастаться разнообразием опций. Академические инструменты искусственного интеллекта с открытым кодом (TensorFlow, CNTK, SyntaxNet, CoreNLP, NLTK и пр.) обладали развитыми алгоритмами, но не предлагали данные, годящиеся для создания производственных приложений. Облачные же инструменты разработки (Facebook wit.ai, Google api.ai, Microsoft LUIS, Samsung Viv) располагали весьма ограниченными возможностями для создания моделей искусственного интеллекта в отдельных областях знаний».

Сегодня все больше компаний используют машинное обучение и средства распознавания естественного языка в качестве ключевых компонентов своей продуктовой стратегии. Технологии эти оказывают существенное влияние на развитие таких отраслей, как розничная торговля, туристический и гостиничный бизнес, сервисы заказа продуктов питания. Благодаря разработанной MindMeld платформе Deep-Domain Conversational AI голосовые и текстовые виртуальные ассистенты, понимающие естественный язык, становятся доступны любой компании.

«В основе технологии MindMeld лежит мощная платформа машинного обучения, которая обрабатывает клиентские данные и формирует очень точную, адаптированную модель распознавания естественного языка, отвечающую потребностям компаний из любых отраслей. MindMeld предлагает также диспетчер диалогов, позволяющий компьютеру отвечать на пользовательские запросы в голосовой и текстовой форме, – указал в своем блоге вице-президент направления Cisco Corporate Business Development Роб Сальваньо. – Благодаря технологиям MindMeld мы расширим возможности наших решений и добавим диалоговые интерфейсы в различные продукты совместной работы, начиная с Cisco Spark».

Приобретение будет способствовать дальнейшему развитию интеллектуальных диалоговых интерфейсов для средств взаимодействия Cisco. Пользователи смогут обращаться к Cisco Spark на естественном языке. Совместными усилиями Cisco и MindMeld оснастят конференц-залы по всему миру средствами голосового искусственного интеллекта.

«За последние пять лет прикладные средства искусственного интеллекта прошли долгий путь, но это лишь начало, – говорится в заявлении MindMeld. – В ближайшие десять лет Conversational AI не только упростит решение многих повседневных задач, но и повысит производительность труда миллионов работников по всему миру, традиционно натыкающихся на языковые барьеры и вынужденные преодолевать трудности восприятия и доступности. MindMeld дополнит портфель продуктов взаимодействия Cisco диалоговыми интерфейсами и совершит революцию в области взаимодействия пользователей с технологиями».

Компания MindMeld основана в 2011 году бывшим исследователем проблем искусственного интеллекта из МТИ и Bell Labs Тимом Татлом. Компанию поддержал целый ряд инвесторов, включая Google, Samsung, Intel, Telefonica, Liberty Global, Greylock Partners, Bessemer Venture Partners, IDG Ventures, KPG Ventures и Quest Venture Partners.

Команда MindMeld присоединится к группе Cloud Collaboration, которую (как и направление Cognitive Collaboration) возглавляет старший вице-президент и генеральный менеджер Cisco Йенс Меггерс. Ожидается, что сделка завершится в четвертом квартале 2017-го финансового года.

За последние недели в Cisco был сделан целый ряд приобретений. 4 мая куплен поставщик аналитических средств и технологий науки о данных Saggezza. Сумма сделки не разглашается. 1 мая Cisco пополнила свой портфель SD-WAN продуктами компании Viptela, за которую заплачено 610 млн долл. В марте была завершена сделка с поставщиком средств анализа приложений AppDynamics, оцениваемая в 3,7 млрд долл.

Исследовательский проект, в котором участвовали специалисты по машинному обучению, разработавшие приложение для часов Apple Watch под названием Cardiogram, и ученые Калифорнийского университета, показал, что анализ данных, регистрируемых датчиком пульса в Apple Watch, может обнаружить признаки мерцательной аритмии — нарушения ритма сердца, свидетельствующего о возможном заболевании. Мерцательная аритмия с возрастом развивается у каждого четвертого человека, но на ранних этапах зачастую никак не проявляет себя.

В Калифорнийском университете ведется проект eHeart, в рамках которого ученые с участием большого числа добровольцев рассчитывают собрать крупнейшую в мире базу данных о работе сердца. Авторы приложения Cardiogram использовали данные eHeart и создали на платформе ResearchKit, созданной в Apple, свой исследовательский проект mRythm. В ходе проекта было сделано свыше 100 млн замеров пульса шести с лишним тысяч пользователей Apple Watch, а затем с помощью методов машинного обучения создан алгоритм выявления мерцательной аритмии. Испытания алгоритма в условиях больничного стационара показали, что он правильно определяет мерцательную аритмию в 97% случаев. Хотя точность определения частоты пульса в часах и невысока, анализ позволяет надежно выявить аномальные изменения частоты, поясняют исследователи.

Одной из главных особенностей новой версии программного инструментария IBM PowerAI стала функция AI Vision, облегчающая настройку моделей машинного обучения, предназначенных для распознавания изображений. Система облегчает идентификацию и классификацию образов, а также ускоряет сам процесс распознавания, деля задачи между несколькими кластерами.

По словам Сумита Гупты, вице-президента IBM по машинному обучению, PowerAI абстрагирует машинное обучение, благодаря чему разработчикам не требуются глубокие знания программных библиотек, используемых при настройке, обучении и вводе в работу моделей. Работа с AI Vision — это все равно что использование видеопроцессоров в играх без знаний низкоуровневых интерфейсов, добавил он.

AI Vision позволит ускорить распознавание изображений автомобилями и дронами, а также упростит внедрение машинного зрения в компаниях различного профиля. Например, в продовольственных магазинах с помощью распознавания изображений можно было бы контролировать качество продуктов, полагают в IBM.

AI Vision работает с TensorFlow, Caffe и другими фреймворками глубинного обучения, включенными в состав PowerAI. Сам инструментарий, адресуемый ученым по данным, рассчитан на работу на серверах IBM Power с видеопроцессорами Nvidia.

Громоздить стойки из 400 серверов вам больше не придется. Суперкомпьютер Nvidia DGX-1 с графическими процессорами на базе архитектуры Volta уместится и на обычном столе.

Большая часть вычислительной мощности суперкомпьютера DGX-1, который выглядит как обычный стоечный сервер, заключена в восьми графических процессорах Tesla V100.

Первый графический процессор на основе новой архитектуры Volta был представлен на конференции GPU Technology Conference, организованной компанией Nvidia в Сан-Хосе.

«Достаточно просто достать нашу систему из коробки, включить ее в розетку — и можно работать», – заявил генеральный директор Nvidia Джен-Сан Хуанг.

Но стоит компьютер DGX-1 с процессорами Tesla V100 довольно дорого. Те 149 тыс. долл., которые за него просят в США, многим приходится копить всю жизнь. И все же Хуанг рассчитывает, что новый продукт будет достаточно популярным. Поставки суперкомпьютера начнутся в третьем квартале текущего года.

В нем заключено 40 960 ядер CUDA, которые по своей вычислительной мощности эквивалентны 800 высокопроизводительным центральным процессорам. Новый суперкомпьютер придет на смену предыдущей модели DGX-1 на базе архитектуры Pascal, вычислительная мощность которой была эквивалентна 250 двухпроцессорным серверам.

При выполнении операций с плавающей запятой половинной точности (16-разрядных) производительность системы достигает 960 TFLOPS – соответственно при выполнении операций одинарной и двойной точности она окажется ниже. Точные цифры не приводятся, но высокая производительность при выполнении операций половинной точности считается особенно важной для решения задач машинного обучения.

Наряду с графическими процессорами в системе установлено два 20-ядерных процессора Intel Xeon E5-2698 v4, работающих на частоте 2,2 ГГц. Суперкомпьютер оснащен четырьмя твердотельными накопителями емкостью 1,92 Тбайт и работает под управлением операционной системы Ubuntu Linux.

Энергопотребление его составляет 3200 Вт, и, если оставлять систему включенной на весь день, счета за электроэнергию могут оказаться довольно внушительными.

Любители игр от DGX-1 вряд ли будут в восторге. В качестве игровой машины суперкомпьютер слишком дорог, да и ориентирован прежде всего на область машинного обучения.

В настоящее время графические процессоры уже довольно активно используются в ЦОД при решении задач машинного обучения, и суперкомпьютер Nvidia вполне способен помочь в распознавании образов и обработке естественного языка.

По словам Хуанга, центральные процессоры не обладают достаточной вычислительной мощностью, особенно для построения систем искусственного интеллекта. Графические процессоры подходят для этого гораздо больше.

Процессоры Tesla V100 в DGX-1 работают в пять раз быстрее, чем продукты с архитектурой Pascal. Здесь используется целый ряд новых технологий, в том числе шина NVLink 2.0 с пропускной способностью до 300 Гбит/с. В каждом графическом процессоре насчитывается 5120 ядер и более 21 млрд транзисторов. Пропускная способность памяти HBM2 составляет 900 Гбайт/с.

На помощь обычным процессорным ядрам при решении задач глубинного обучения приходят кубические ядра Tensor Core. Компания Nvidia структурировала ядра для ускорения матричного умножения, которое является одним из основных условий эффективного машинного обучения. Созданная структура помогает упорядочить низкоуровневые вычисления с плавающей запятой и ускорить тем самым глубинное обучение.

По свидетельству Хуанга, при решении задач глубинного обучения графический процессор обеспечивает производительность на уровне 120 TFLOPS, однако проверить это довольно затруднительно. Стандартных тестовых инструментов для приложений машинного и глубинного обучения не существует, хотя разработки такие (в частности, в компании Google) и ведутся.

Суперкомпьютер работает со многими системами высокопроизводительных вычислений и глубинного обучения, включая CUDA, Tensor и Caffe2.

Компания Nvidia представила также уменьшенную версию DGX-1 – DGX Station. Внешне она напоминает обычную рабочую станцию и оснащена четырьмя графическими процессорами Tesla V100 (у DGX-1 их вдвое больше). Цена системы DGX Station составляет 69 тыс. долл., а ее поставки в США начнутся в третьем квартале.

О возможности и сроках поставок в другие страны мира пока ничего не сообщается.

Нейронные сети показывают впечатляющие результаты. Они используются в играх, распознают речь и генерируют голос, делают переводы и подражают художникам, управляют автомобилями и заставляют роботов двигаться. О достижениях и перспективах глубинного обучения рассказал представитель компании Nvidia Антон Джораев, выступая на международной конференции по робототехнике «РобоСектор».

Nvidia уже несколько лет занимается разработками в этой области, при этом не используя «жесткое» программирование. По словам Джораева, специалисты опираясь на большие массивы данных и учат нейросеть саму определять, чем, например, один предмет отличается от другого.

Джораев представил вычислительный модуль Jetson TX2, который в том числе используется и при создании роботов. Компания отдает предпочтение не облачным технологиям, а локальным вычислениям, организуя анализ данных на платформе самого источника данных. Причинами для этого служат огромное количество данных, с которыми приходится работать, необходимость защиты персональных данных и труднодоступность связи в регионах, где инфраструктура для подключения к Интернету может быть слаборазвитой или дорогостоящей.

По утверждению разработчиков, новый модульный суперкомьютер вдвое эффективнее своего предшественника — Jetson TX1. Модель Jetson TX2 имеет графический процессор Pascal, память 8 Гбайт, жесткий диск 32 Гбайт, пропускную способность 59,7 Гбит/c, оснащена адаптерами беспроводной связи Wi-Fi 802.11ac и Bluetooth. Поддерживаются различные интерфейсы, включая DP 1.2, HDMI 2.0, SATA, USB 3.0, UART, SPI, I2C, I2S, GPIO, благодаря чему обеспечивается совместимость с широким спектром продуктов и форм-факторов, отметил представитель компании.

Набор инструментов JetPack 3.0 дополняет Jetson TX2 средствами для разработки искусственного интеллекта, такими как Nvidia CUDA Toolkit версии 8.0, cuDNN, TensorRT, VisionWorks, GStreamer и OpenCV, построенные на базе ядра Linux v4.4, L4T R27.1 BSP и Ubuntu 16.04 LTS. В состав Jetpack 3.0 входят системный профилировщик и графический отладчик для интерактивного профилирования и отладки. JetPack автоматически настраивает и готовит к работе вычислительный модуль.

Вычислительный модуль Jetson TX2 ускоряет работу нейронных сетей, поддерживает системы машинного зрения, графики, навигации. Он может использоваться для создания беспилотных летательных аппаратов, роботов и различных электронных устройств.

По габаритам новинка сравнима с кредитной картой: габариты равны 87 × 50 мм. Ее вес — 85 г. Уровень энергопотребления при стандартной нагрузке – 7,5 Вт. Стоит такой модуль около 30 тыс. руб.

В компании SnapLogic, предлагающей платформу интеграции корпоративного программного обеспечения, решили упростить процесс соединения различных бизнес-приложений предприятия друг с другом и с внешними источниками данных. Новая функция системы, получившая название Iris, выдает пользователям рекомендации, полагаясь на средства машинного обучения.

Iris отображается в виде панели в редакторе интеграций SnapLogic. По мере того как пользователь соединяет компоненты, система предлагает дальнейшие действия, отсортированные по степени вероятной нужности. Рекомендации генерируются с помощью модели, обученной на уже известных сведениях о маршрутах прохождения данных, реализованных проектах интеграции и закономерностях использования платформы SnapLogic.

Со временем на базе Iris предполагается создать версию SnapLogic, способную выполнять необходимые соединения в полностью автоматизированном режиме. Iris появится в ближайшие недели в рамках очередного масштабного обновления сервиса SnapLogic.

Четыре года тому назад в Google подсчитали, что, если все пользователи начнут по три минуты в день нагружать сервисы компании для распознавания речи, ей понадобится вдвое больше центров обработки данных.

Но вместо того чтобы покупать новые здания и новые серверы, в Google решили спроектировать специализированное оборудование для задач машинного обучения. Так появился «тензорный процессор» (Tensor Processing Unit, TPU), чип, ускоряющий работу нейронных сетей, на котором происходит вывод умозаключений. Недавно компания опубликовала доклад о преимуществах TPU по сравнению с центральными и графическими процессорами.

В среднем TPU в 15-30 раз быстрее выполняет задачи вывода умозаключений, чем серверный центральный процессор Intel Haswell и видеопроцессор Nvidia K80. А производительность в расчете на ватт у TPU была в 25-80 раз выше, чем у центрального и графического чипов.

Достигнутые результаты имеют большое значение для Google, поскольку компания в последнее время активно развивает средства машинного обучения. На разработку собственного оборудования соответствующего назначения пришлось пойти из-за отсутствия перспектив существенно повысить мощность традиционных процессоров.

Это был далеко не исследовательский эксперимент: в Google задействуют тензорные процессоры с 2015 года, с их помощью ускоряют работу сервисов машинного перевода и распознавания изображений. Особенно хорошие результаты TPU демонстрируют с точки зрения энергоэффективности, а этот показатель намного увеличивает затраты, когда приходится использовать огромные массивы оборудования.

Еще одна ключевая характеристика — время отклика, оно у TPU гораздо меньше, чем у процессоров других типов. Норм Джуппи, инженер по оборудованию Google, подчеркивает, что системы машинного обучения должны выдавать ответы быстро, чтобы обеспечивать высокое качество обслуживания пользователей: «При работе с онлайн-сервисами нужно учитывать время передачи информации от устройства в облако и обратно. В самом центре обработки данных тоже происходят пересылка данных по сети и другие процессы, влияющие на скорость. Поэтому, если вы хотите, чтобы пользователь получал отклик почти мгновенно, непосредственно на обработку вам остается совсем немного времени».

В Google уже провели испытания своих процессоров на шести сервисах, в которых используется вывод умозаключений нейронными сетями, то есть почти на всех приложениях такого типа, работающих в дата-центрах компании. Среди них система игры в го DeepMind AlphaGo, которая в прошлом году победила Ли Седоля, одного из лучших мастеров, в турнире из пяти партий со счетом 4:1.

Google тестировала тензорные процессоры в сравнении с обычными, выпущенными приблизительно в то же время. Не исключено, что более новые чипы традиционной архитектуры могут как минимум сократить отставание от TPU по производительности.

Но и характеристики самого TPU можно улучшить. В частности, если использовать с ним память GDDR5, которая встроена в видеопроцессор Nvidia K80, можно было бы повысить быстродействие по сравнению с конфигурацией, на которой осуществлялось тестирование. Как следует из доклада Google, недостаточная пропускная способность памяти негативно сказалась на скорости ряда приложений.

Кроме того, авторы доклада выражают уверенность, что производительность можно было бы увеличить путем оптимизации программного обеспечения, в частности одной из сверточных нейронных сетей, носящей название CNN1. Неизвестно, однако, планируют ли в Google такую оптимизацию, учитывая, насколько велики оказались уже полученные благодаря TPU преимущества по быстродействию.

Данные в искусственных нейронных сетях передаются по той же схеме, что и в головном мозге человека, а сверточные нейросети моделируют процесс обработки мозгом визуальной информации.

«Учитывая, что CNN1 сейчас работает на TPU в 70 с лишним раз быстрее, чем на центральном процессоре, разработчики вполне удовлетворены результатом. А потому неясно, будут ли проведены описанные нами оптимизации», — поясняют авторы доклада.

Тензорный процессор имеет вид специализированной интегральной схемы — чипа, созданного для конкретной задачи и со своим набором инструкций. Но Джуппи не видит в этом проблемы и добавляет, что тензорные процессоры обладают достаточной гибкостью, и поэтому используемые модели машинного обучения можно менять: «TPU был разработан не для какой-то одной модели. Если будет предложена другая, процессор не придется проектировать заново».

Специализированное аппаратное обеспечение для машинного обучения разрабатывают и в других компаниях. В частности, есть целый ряд стартапов, специализирующихся в этой области, а Microsoft в своих ЦОД активно использует программируемые логические матрицы FPGA для ускорения работы сетей и приложений машинного обучения.

Бизнес SAP меняется – из разработчика программных продуктов и сервисов корпоративного применения компания превращается в партнера по запуску инновационных решений для бизнеса и трансформации предприятий на цифровой лад. Об этом заявил на SAP Forum генеральный директор SAP в СНГ Павел Гонтарев.

По его словам, новый характер взаимодействия с заказчиками обусловливает появление у SAP ролей, которые еще пять лет назад не были для нее характерны. Компания теперь не только предлагает законченные ИТ-решения, но также ведет совместные разработки с российскими компаниями — и с теми, которые специализируются на создании ИТ-систем (НЦИ «Ростеха», «Лаборатория Касперского», «Яндекс» и др.), и с заказчиками, представляющими различные отрасли – металлургическую, нефтегазовую, розничную торговлю, банковскую сферу и др. Эти компании становятся партнерами SAP по инновациям, по выводу совместных облачных решений, по бизнес-моделированию и другим важнейшим направлениям, определящим движение к цифровой экономике.

SAP отмечает 25 лет работы в России. В юбилейном году на форуме в Москве собралось рекордное число участников – зарегистрировалось порядка 7 тыс. специалистов. Вырос и бизнес: за прошлый год выручка компании увеличилась на 11% в рублевом выражении, у нее появилось 74 новых клиента, а их общее число приблизилось к 1,5 тыс. (это более миллиона конечных пользователей). На 15% выросло число заказчиков, представляющих средний и малый бизнес.

Одним из факторов роста стали облачные технологии, подчеркнул Гонтарев; продажи облачных сервисов в денежном выражении выросли в 2,5 раза. Позитивно восприняли заказчики и флагманское решение SAP S/4HANA: число клиентов по итогам 2016 года достигло 28. В компании удовлетворены такими результатами на фоне общих трудностей в российской экономике и ситуации на рынке ИТ.

Среди наиболее значимых проектов прошлого года Гонтарев выделил создание в компании «Сибур» решения по оптимизации логистики на основе Больших Данных, развертывание в «Северстали» новой программы лояльности клиентов, запуск в «МРСК Сибири» карты загрузки центров питания на основе данных умных счетчиков.

Особенно порадовался глава московского офиса SAP победе Сбербанка в конкурсе проектов SAP Quality Awards 2016: Сбербанк стал первым в категории «Трансформация бизнеса». Это одна из номинаций, где конкуренция между претендентами очень высока. В рамках отмеченного премией проекта 260 тыс. пользователей Сбербанка были объединены в общее цифровое пространство для управления внутрихозяйственной деятельностью, планирования бюджета, организации электронного документооборота и ведения управленческой отчетности на базе SAP HANA.

Одним из проявлений происходящей трансформации в компании называют повышенный спрос на решения для машинного обучения и технологии Интернета вещей промышленного класса. В этой связи Гонтарев обратил внимание на начавшееся продвижение в России двух новинок: SAP Leonardo, портфеля решений в области Интернета вещей, и платформы SAP Clea для развития систем машинного обучения.

Продвижению Leonardo будет способствовать вступление SAP в российскую Ассоциацию Интернета вещей, учрежденную Фондом развития интернет-инициатив и МГТУ им. Баумана. Компания будет принимать участие в различных проектах Ассоциации, нацеленных на подготовку нужных специалистов, на поддержку и создание совместных решений с российскими командами.

Второй новый продукт — SAP Clea включает в себя набор методов машинного обучения, доступных из облака, и пакет приложений для выполнения прикладных бизнес-задач на основе данных методов. В SAP рассчитывают, что благодаря открытости платформы Clea и привлечению отраслевых партнеров этот пакет будет интенсивно расширяться, предоставляя заказчикам новые возможности для цифровой трансформации.