0/5

Топ-10 технологических трендов для ритейла на 2022 год: AI инженерия (AI Engineering)

Топ-10 технологических трендов для ритейла на 2022 год: AI инженерия (AI Engineering)
время публикации: 10:00  10 января 2022 года
В конце 2021 года Gartner, крупнейшее американское агентство, назвало 10 важнейших технологических трендов в ритейле на 2022 год. Ранее мы рассказали о восьми из них. В предпоследнем обзоре из цикла «Топ-10 технологических трендов для ритейла» поговорим об AI Инженерии. Как она помогает повышать точность прогнозов и быть всегда готовыми к изменениям?
Подходит к завершению наш цикл, в котором мы стремились дать важную информацию стратегам, топ менеджерам компаний, куда двигаться в столь быстро меняющемся мире технологий. Какое влияние окажут технологии на ритейл. Сегодня предпоследняя статья этого цикла.

Всё это время над созданием статей трудилась целая команда: Борис Агатов, независимый эксперт по инновациям в ритейле, футуролог и основатель Fabrique.ai, Сергей Кедров и команда ADV. Мы разобрали уже 8 трендов из числа тех, которые компания Gartner определили на 2022 год.

Мы уже разобрали следующие тренды:

1. Генеративный искусственный интеллект (GENERATIVE AI)
2. Единая ткань данных (Data Fabric)
3. Сети безопасности (Cybersecurity Mesh)
4. Территориально-распределенные предприятия (Distributed Enterprise)
5. Гиперавтоматизация
6. Составные приложения (Composable Applications)
7. Нативные облачные платформы (сloud-native platforms)Вычисления, повышающие конфиденциальность (Privacy-Enhancing Computation)
8. Вычисления, повышающие конфиденциальность (Privacy-Enhancing Computation)

AI Engineering (AI инженерия) второй год подряд попадает в ТОП стратегических трендов Gartner и, вероятно, в следующем году там и останется. Понятие AI Инженерии объединяет в себе практики DevOps, DataOps, MLOps.

Что это за такие диковинные Ops’ы? Это подходы к автоматизации сборки приложений, ввода их в эксплуатацию, подключения и обработки данных, обучения AI / ML (искусственный интеллект и машинное обучение) алгоритмов, организации хранения связанных с алгоритмами артефактов и т.д.

Выглядит рутинно и скучно. Чем, на самом деле, и является. 99% усилий в работе с данными уходит на вполне рутинные операции по подключению данных, их валидации, мониторингу качества, выявлению и реакции на аномалии, версионированию, преобразованию, организации хранения и еще с десяток разных стадий, без которых ничего работать не будет или будет работать непредсказуемо.

Почему же Gartner снова выносит данный тренд в ТОП? Да потому, что количество денег и времени, инвестируемых в исследования данных, год от года растет. Инвестиции исчисляются $1-10-100 млн. в год. Сотни проектов и гипотез проверяются, а до промышленной эксплуатации доходит от силы 1 проект из 100. При этом путь от идеи до внедрения может занимать годы, а первоначальные ожидания экономического эффекта могут претерпеть пересмотр в сторону куда более скромных результатов.

Попробуем разобраться, почему бизнес продолжает вкладывать деньги в исследования данных, и почему AI Инжиниринг — это больше, чем просто еще один тренд. AI Инжиниринг — это новый технологический уровень, культура, методология.


Гиперболоид AI инженера Гарина


Начнем традиционно с понятий. Что же такое AI (Искусственный интеллект) или ML (Машинное обучение)? Не вдаваясь в тонкости, AI / ML — это память. 

Память о прошлом, сохраненная в понятном машине формате, которую мы хотим применять к будущему. Например, мы научились в прошлом распознавать автомобильные номера, чтобы в будущем штрафовать за превышение скорости.

Процесс обучения — это способ накопления памяти. Мы показываем алгоритму сотни тысячи автомобильных номеров и добиваемся, чтобы в подавляющем большинстве случаев номер был распознан верно. Процесс обучения идет итерационно. Показываем пример. Затем смотрим результат распознавания. Дальше поощряем алгоритм за правильную работу и наказываем за ошибки. И так пока система не научится правильно распознавать номера.

С автомобильными номерами все просто - они меняются редко. Обучились и можем 10 лет уверенно распознавать. А вот в других задачах память о прошлом будет постепенно терять связь с реальностью, и точность прогнозов будет падать. 

Иногда потеря точности происходит медленно, иногда быстро, иногда внезапно. Например, научились распознавать товары на полке. Как только изменилась упаковка или появился новый товар, точность распознавания упадет и потребуется снова обучать алгоритм. Если же мы обучаем алгоритм предсказывать проблемы, с которыми клиенты звонят в колл-центр, то до-обучать алгоритмы будет необходимо каждый день, так как клиенты каждый день сталкиваются с новыми проблемами.

Другими словами, в реальной эксплуатации мы сталкиваемся с тем, что мир изменчив и изменения непредсказуемы, а значит, нужно быть к ним постоянно готовыми, чтобы потеря точности прогнозов не ударила по клиентам, партнерам или бизнес-процессам.

Топ-10 технологических трендов для ритейла на 2022 год: AI инженерия (AI Engineering)


Что означает «быть готовыми к изменениям»? 


Во-первых, изменения нужно уметь выявлять. Во-вторых, нужен план действий для адаптации к изменениям. В-третьих, нужен запасной план, который позволит продолжить работу даже в случае существенных изменений.

AI Инжиниринг должен позволять все эти ситуации учитывать и автоматизировать, чтобы бизнес был защищен от рисков принятия ошибочных решений.

Но идем дальше. Как выглядит путь данных от возникновения некоторого события до его использования в алгоритме прогнозирования?
 
Как правило, бизнес имеет десятки или даже сотни различных операционных хранилищ, в которых происходит сохранение событий. Пробили чек на кассе, накопили чеки за день, загрузили в хранилище. Часть чеков еще не пришла, поэтому не была загружена. Потом чеки дослали и дозагрузили. Потом нашли ошибки и внесли корректировки. Теперь в аналитику нужно выгрузить чеки из операционного хранилища в какое-то другое, чтобы получить возможность обучать или применять алгоритмы.

Это пример того, как процесс выглядит в реальной жизни и как не должно быть. Во-первых, аналитик получил доступ к данным самое раннее спустя 1–2 дня. То есть эти 1–2 дня выпали из прогнозов. А для прогнозирования продаж, промо, наличия товаров на полке, управления ассортиментом выпадение данных за 1–2 дня — это существенная потеря точности прогнозирования. 

Во-вторых, пока данные собирали, дозагружали, корректировали, в них внесли ошибки. Операционные хранилища не обязаны гарантировать консистентность (согласованность данных друг с другом, целостность данных, а также внутренняя непротиворечивость) данных, но для прогнозирования целостность и консистентность данных крайне важны. Иначе легко получить, как говорится «garbage in - garbage out» или «мусор на входе - мусор на выходе».

Как должно быть? А должно быть так, что пробили чек и спустя 0,1 секунды уже учли в прогнозе. Точка.

И вот задача AI Инжиниринга и заключается в том, чтобы таким образом выстроить движение данных, чтобы исключить любые потери времени, любые лишние операции, любую ручную работу, любой риск потери данными целостности и консистентности. Это важно, чтобы предсказательные алгоритмы получали на вход самые актуальные, полные и корректные данные.




Читайте также:  От FMCG до заправок: как меняется сфера торговли с приходом «новой реальности»




Что делать ритейлу?


Сегодня ценность данных осознает, прежде всего, крупный бизнес. Во-первых, у него данных больше. Во-вторых, больше ресурсов для экспериментов. В-третьих, крупный бизнес все больше берет на себя роль ИТ-компаний. 

Ведущие банки, телеком, ритейл, промышленность публично заявляют, что они ИТ-компании, для которых данные и умение с ними работать — это то, что обеспечит их дальнейший рост. Именно крупный бизнес сегодня выступает локомотивом развития AI Инжиниринга.

Что делать среднему бизнесу, который не может позволить себе дорогостоящие эксперименты и не имеет достаточно ресурсов, чтобы создавать внутри исследовательские лаборатории по работе с данными и AI / ML алгоритмами?

Прежде всего, осознать, насколько данные и умение с ними работать способны оказать влияние на бизнес. Что будет, если ассортимент оптимизировать с учетом локального спроса в конкретной точке продаж? Позволит ли это высвободить часть оборотных средств и пустить их на развитие? Что будет, если повысить точность прогнозирования промо-активностей? Почему сейчас прогнозы неточны и удастся ли повысить точность, если наладить работу с данными?

Не нужно сразу запускать 100 проектов. Нужно выбрать один, который точно несет в себе экономический эффект. Понять, за счет чего именно эффект будет достигнут. Здесь нельзя полагаться на обещания или рассуждения. Ответ должен быть очевидным.

А дальше этот один проект реализовать и довести до результата. По пути внедряя и осваивая подходы AI Инжиниринга, доказавшие на практике свою работоспособность.

* * *

На очереди – финальная статья цикла «Топ-10 горячих IT-трендов в ритейле на 2022 год». Если что-то вам непонятно или захочется поделиться идеями, то обращайтесь напрямую к авторам статей, мы всегда рады ответить на ваши вопросы.

Последняя статья этого цикла будет «Всеобъемлющий пользовательский опыт (Total Experience, TX)», которая прямо непосредственной затрагивает бизнес ритейла, т.к. покупательский опыт – это то, на чём держится ритейл. 

Борис Агатов, независимый эксперт по инновациям в ритейле 
и Сергей Кедров, основатель Fabrique.ai.   

Для NEW RETAIL



0
Реклама на New Retail. Медиакит