Пора прогнозов на 2024 год

У известного американского фонда Andreessen Horowitz
вышел прогноз использования технологий в 2024 году. По ссылке - полная статья, а пока вот то, что мне кажется интересным:

1. Voice-First Apps. Или голосовые помощники, или co-pilot. Учитывая, что ChatGPT набрал 100 млн активных пользователей за 2 месяца с момента запуска (предыдущий рекорд принадлежал TikTok - 9 месяцев, до этого - Instagram за 30 месяцев), популярность инструмента просто зашкаливает и, скорее всего, будет все теснее интегрироваться в нашу жизнь, особенно в части повышения продуктивности. Также фонд делает прогноз о появлении множества приложений с голосовым интерфейсом, а не только функций вроде "Алиса, поставь таймер/включи будильник". Хотя мне пока не приходят в голову сценарии использования, которые были бы удобно решаемы голосом. Посмотрим.

2. AI Data Collection. Люди ленивы. Сколько компаний ведет записи встреч с клиентами в CRM? Один из трендов - это сбор данных с помощью AI: записываем встречи, все электронные письма, звонки и собираем их, веря, что эти данные помогут сделать процесс эффективнее.

3. New Applications на основе имеющихся данных. Например:
/Поиск по базам знаний, включая внутренние чаты/внешние чаты поддержки, документацию. Запросы, например, типа "найди мне клиентов, по которым мы потеряли коммуникацию с нашей стороны".

/Сервис-деск-саппорт.Помощник для сервис-деска, который смотрит на любую базу знаний и подсказывает ответы операторам поддержки.

/Разработка и менеджмент. Плагины, которые помогают писать тесты, co-pilot для написания кода и написания документации.

/Работа с персоналом. Помощь внутренним пользователям в нахождении информации, адаптация сотрудников, сбор и обработка обратной связи.

В 2024 году нас точно ожидает появление/интеграция в жизнь новых способов применения ChatGPT. В следующих постах поделюсь своими способами применения сети.

Почему так много некомпетентных руководителей?

Продолжим про менеджеров и сотрудников.
Я долго пытался понять, почему количество некомпетентных руководителей на местах зашкаливает.

С каждым годом всё больше убеждаюсь, что основная проблема роста компании — это люди. Конечно, не проблема найти людей, которые хотят зарабатывать 100500 тысяч/с, а ответственные сотрудники, приносящие результат.

Основная задача акционеров и руководителей — обеспечить рост компании, но существуют физические ограничения по количеству людей, которыми можно эффективно управлять.

Как только способный человек появляется в компании, его карьерный рост происходит с невероятной скоростью. Его будут повышаться до тех пор, пока не достигнет своего предела или не подтянет свои навыки в соответствии с занимаемой должностью.

Однако это скорее относится к небольшим компаниям, где действительно важен результат. В госкорпорациях и крупных частных компаниях к результату часто добавляется известная фраза про увольнение:

— За плохую работу не увольняют — увольняют за нелояльность.

Поэтому, если сравнивать большие компании и небольшие, то лучшая аналогия — это корабль и лодка. В лодке сразу заметно, когда кто-то перестает грести, и его быстро заменяют, решая проблемы и координируя действия. В огромном корабле всё происходит иначе. Появляются капитан, заместители капитана, боцман, матросы, механики и другие должности. При таком количестве людей намного проще скрыть свою неэффективность, и при этом скорость корабля часто не снижается.

Руководители в больших компаниях часто рассуждают так: плохой сотрудник — это тот, кто работает вполсилы, вроде бы приносит пользу, но меньше, чем хороший. На самом деле такой сотрудник приносит отрицательную пользу и разлагает коллектив. А еще больше разлагает коллектив - некомпетентный руководитель, которого вынесло наверх чередой событий.

В современном бизнесе, где данные растут кратко каждый год, умение правильно анализировать их становится критически важным. Как автоматизировать анализ данных и принимать на их основе решения?

Первый этап — это Descriptive analytics, или описательная аналитика, также известная как «аналитика случившегося». На основе собранных исторических данных можно попытаться описать факторы, которые влияли на них. Основные инструменты и методы описательной аналитики:

Статистические методы: средние значения, медианы, стандартные отклонения.

Визуализация данных: гистограммы, диаграммы, графики и тепловые карты.

Отчеты и сводные таблицы: таблицы и отчеты, которые консолидируют данные для легкой интерпретации.

Пример использования аналитики: создаем отчет по выручке за предыдущие годы в разрезе месяцев, строим график средней выручки.

Теперь, когда мы разобрались с описательной аналитикой, перейдем к следующему этапу — диагностической аналитике. Разница между Descriptive и Diagnostic analytics заключается в том, что ты пытаешься ответить на вопрос, почему произошли события из описательной аналитики. Соответственно, более углубленным анализом пытаемся понять причины, факторы и следствия:

Статистические методы: корреляционный анализ, регрессионный анализ, анализ причин и следствий.

Визуализация данных: сложные графики и диаграммы, показывающие взаимосвязи между переменными.

Продолжим пример с анализом продаж. Если добавить на график данные по количеству сделанных звонков/писем к графику сезонности продаж, то можно попробовать установить зависимости между сделанными действиями и выручкой компании.

Такие действия помогают принимать решения, но они не автоматизируют возможные действия. В следующем посте мы поговорим о последних двух стадиях аналитики — Predictive analytics и Prescriptive analytics. Эти стадии как раз помогают находить эффективные решения на основе данных, выводя бизнес на новый уровень эффективности.

Давненько не выходило новых видео на Бусти.

Сегодня с Антоном Лариным обсуждаем: почему все считают ЧатGPT самым главным ИИ и почему это не так. Как ИИ применяют российские корпорации. Локомотивы и РЖД, пустые вагоны и логистика, поездатые поезда — оптимизировать не переоптимизировать.

Познавательное видео о том, что представляет собой связка крупный бизнес + искусственный интеллект.

Смотреть непересмотреть.

Итак, пора разобраться, чем же я всеже занимаюсь и почему ИИ в узких кругах может быть ругательным словом, причем тут Predictive analytics и Prescriptive analytics. Специального для этого сходил на подкаст к Алексею Антонову, в открытом доступе подкаста нет, но по ссылке помимо моего подкаста есть куча полезного контекта, например:
1/ Как жить здорово
2/ Как вести личные дела
3/ Как заработать денег
Как мы видим, на любой вопрос есть ответ, так почему бы и не подписаться?)

Как создать иллюзию работы

Недавно общался со знакомым и спросил его: нужно ли тебе добавить встречу в календарь? Он ответил, что встрече в календаре будет одиноко, поэтому не стоит. Позавидовал. Настоящий бич современной корпоративной работы — это многочисленные внутренние встречи. Они создают иллюзию управления руководителя "что сделал вчера/что будешь делать завтра", ну и для формальности, какая помощь от руководителя нужна.

В итоге все сотрудники тратят рабочее время на бесконечные встречи, не выполняя никакой продуктивной работы, кроме как подводят итоги и отчитываются по прости господи аджендам.

Роль руководителя — бороться с этим, научить сотрудников отказываться от ненужных встреч и отменять их. Планирование, обсуждение стратегий, стратегические сессии и прочие поглотители времени забивают календарь.

Как бороться со встречами?

- Ввести ограничение на количество внутренних встреч. Например, 7 часов в неделю. Страшно признаться, но почти месяц назад из моей недельной работы 22 часа были заняты внутренними встречами по независящим от меня обстоятельствам.
- Попробовать не назначать регулярные встречи. Когда все внутренние встречи регулярные, всегда находится, что на них обсудить, и как их заполнить.

Теперь о том, какие правила должны быть у эффективных встреч и каким я стараюсь следовать:

- Лучшим способом обсуждения рабочих вопросов является электронная почта. Буду повторять это как мантру. Встречу стоит назначать только в том случае, если иначе вопрос не обсудить и не решить. Чем короче встреча — тем лучше. Чем меньше участников — тем лучше.
- Встречи нужно планировать минимум за рабочий день до момента их проведения. Участники должны явно принимать или отклонять встречу, отправляя accept или decline организатору. Если от приглашённого участника в течение рабочего дня не поступило никакого ответа (ни accept, ни decline, ни mb), организатор вправе предполагать, что приглашённый встречу принял.
- Для встреч длительностью более 30 минут обязательно наличие четкой повестки, из которой понятно, зачем собираться более чем на 30 минут. Если вас пригласили на встречу длительностью более 30 минут без повестки — смело отправляйте Decline.
- Аналогично, для встреч с более чем тремя участниками необходимо наличие повестки, объясняющей это. Если вас пригласили на встречу с более чем тремя участниками без повестки — смело отправляйте Decline.

Старайтесь внутри компаний придерживаться подобной культуры и мир станет чуть эффективнее. Пойду искать свои сапоги.

Как заставить себя регулярно ходить в зал? А бегать? Лично мне не удалось найти ответ на эти вопросы. С теннисом все сложилось по-другому. Помимо удовольствия от простого удара по мячу, я нашел для себя еще одну мотивацию — игру в цифры.

Я вырос на играх вроде WoW и Lineage2, где выполнение заданий и достижение целей (например, убить 101 кабана) являются измеримыми задачами с понятной наградой. Возможность видеть свой прогресс регресс в теннисе мотивирует продолжать тренироваться.

Приложение SwingVision позволяет отслеживать практически всю статистику, доступную профессиональным игрокам, прямо на телефоне. Также создавать нарезки лучших моментов игры, отслеживать продвинутую статистику по всем ударам, сравнивать ее от разных игр или в целом по году.

Попробуйте найти приложение для вашего вида спорта. Такие приложения уже существуют для баскетбола, волейбола и настольного тенниса. С учетом текущей стадии развития технологий, кажется они созданы везде - где есть спрос на подобное.

Давно не писал ничего в блог, пора вернуться с новостями.

В начале августа я уволился из компании, и мы с партнёрами решили создать свою компанию, чтобы продолжить заниматься задачами в области ИИ и исследования операций в сфере предписывающей аналитики для крупных компаний.

Если перед вашим бизнесом стоят задачи по повышению операционной эффективности и вы хотите применить современные технологии для их решения, пишите — будем рады вам помочь.

Для каждой отрасли мы предлагаем перечень возможных алгоритмических решений.

Подробнее о нас — на нашем сайте

Не будьте заносчивыми — дайте идеям шанс

Каждый, кто пытался продвинуть перемены в большой компании, наверняка слышал нечто подобное:

Мы: «Предлагаем изменить Х с помощью Y с такими эффектами»
Эксперты: «А почему вы решили, что у вас получится?»
Мы: «Потому что те, кто пробовал раньше, забыли про фактор Z. Мы его учли (что, к слову, удаётся далеко не всем).»
Эксперты: «Да вы даже не знаете про тот самый алфавит Ω! Мы в 1993-м прошли его целиком — не взлетело. Хотите список из 100 500 причин, почему у вас тоже не выйдет?»

Тут я конечно перегнул. На деле вопрос чаще даже не задают — просто сразу выдают список причин, почему нет.

Этот диалог — собирательный образ «экспертов», к которым вы приходите с новой идеей.

В узких профессиональных сферах свежие предложения появляются не каждый день. Но вместо интереса первое, что мы слышим — «не выйдет». Почему бы, прежде чем критиковать, не узнать, что именно изменилось с 1993 года и почему у кого-то получилось? Разве самим не интересно?

Аугментация через ИИ: не заменить человека, а усилить

Когда мы запускали систему диспетчеризации на основе ИИ для операторов ЖД, один из самых частых, хоть и не всегда вслух произнесённых, вопросов звучал так:

«А нас теперь заменит алгоритм?»

Это понятный страх. Особенно когда ты десятилетиями работаешь в этой сфере и обладаешь уникальной экспертизой, благодаря которой ощущаешь себя стабильно и нужным.

Но правда в том, что большинство ИИ-систем и особенно предписывающая аналитика, не про замену человека. Это не та категория решений, где эффект доказывается через «минус головы» в отчёте по оптимизации расходов.

Они про то, чтобы человек мог делать больше. Оптимальнее. Точнее.

Вот, например, что делает наша система:
1. За секунды считает прогноз подхода порожних и груженых вагонов по всей сети, в масштабах 10+ тысяч единиц подвижного состава.
2. Просчитывает стоимость всех возможных решений на горизонте 45 дней, включая подсылы, возвраты, ремонтные окна и технологические ограничения (вроде невозможности отправить светлый продукт после темного без промывки).
3. И главное, находит оптимальное решение среди миллионов возможных комбинаций.

Может ли человек это сделать вручную? Нет. И дело не в недостатке компетенции, просто слишком много переменных и случайностей.

Но когда у тебя есть такой инструмент, ты не тратишь часы на сводки информации. Ты управляешь ситуацией в режиме реального время с детализированным планом, а что будет если. И усиливаешь машину тем, что знаешь только ты и этого нет в рамках данных. С работой с данными у нее все в полном порядке, а ты усиливаешь свои слабые стороны.

Именно так мы смотрим на ИИ в индустриальных решениях: не как на средство автоматизации ради сокращения, а как на способ сделать сотрудников ещё сильнее в основных процессах корпораций.

Разочарование, хайп или реальность ИИ

В продолжение предыдущей заметки про аугментацию через ИИ хочу рассказать и о противоположной стороне.

Фундамент наших решений по-прежнему составляют математика и классические методы OR, но клиенты всё чаще спрашивают:
А вы используете ИИ?
Иногда даже:
А можно сделать это на квантовых технологиях?

Такие запросы нередко становятся поводом для шуток внутри команды, но на деле они точно отражают ожидания рынка, где из каждого утюга звучит обещание решить все проблемы с помощью ИИ.

Я сам, работая в консалтинге, проходил курсы машинного обучения и мечтал о проектах по ИИ в логистике и промышленности. Интерес понятен, он подогревает спрос, бюджеты и эксперименты. Грех жаловаться. Однако хайп уже обгоняет реальность.
1/ Gartner, сокращения откладываются
Согласно опросу Gartner, более половины генеральных директоров отказались от планов серьёзно урезать службы поддержки к 2027 году. Боты на основе ИИ пока не дают нужного качества, особенно на нестандартных запросах.
2/ METR, разработка замедляется
Исследование METR показало, что опытные разработчики выполняют задачи на девятнадцать процентов дольше, работая с ассистентами на базе LLM. Дополнительное время уходит на проверку, ревью и когнитивную нагрузку.
3/ Duolingo, возврат к людям
После попытки полностью заменить авторов уроков ИИ-генерацией Duolingo уменьшила штат фрилансеров и столкнулась с критикой за однообразие материалов. Теперь компания снова нанимает авторов.

Масштаб инвестиций тоже впечатляет. По данным The Information, OpenAI намерена направить около $35 млрд долларов на инференс и $55 млрд на обучение моделей за ближайшие полтора года. Сумма сопоставима с годовым ВВП Литвы.

В интервью Питера Тиля звучит мысль о том, что мы можем остаться в мире с большими языковыми моделями и маленькими амбициями в виде нереализованных ожиданий. Вполне реально.

Как вы оцениваете происходящее? В конечном счёте заработает только NVIDIA или нас ждет рассвет после отката?

Для нас важный рубеж в развитие продукта и направления.

Вместе с Газпромтрансом внедрили модель на основе ИИ для прогноза прибытия вагонов.
Работать с такими задачами вызов и редкая возможность сделать что-то по-настоящему новое для отрасли.
Подробности - в материале РЖД-Партнёра.

Есть ли институт репутации в России?

Критикуют у нас охотнее, чем благодарят. А ведь людей, которые действительно что-то делают, не так уж много. Любой руководитель держится за таких, как за манну небесную. Об этом я уже писал выше.

Но сегодня - про другую сторону. Не про эффективность, а про ответственность.Недавно видел несколько сцен, как говорится, все совпадения случайны.

Резюме CEO, который ищет новую работу. Среди достижений:
1/ проекты, внедренные без него (и задолго до);
2/ сокращение костов в команде (хотя сотрудники уволились без его участия -> сократился ФОТ в годовом бюджете);
3/ внедрил систему OKR и развивал сотрудников (не внедрял и не развивал).

И это только то, что видно с текущего места работы. Как относится к тому, что написано дальше по резюме.

Когда такого человека берут на новую позицию, кто-нибудь вообще проверяет рекомендации?
Созванивается с бывшими руководителями или коллегами по горизонтали?
Явно не так часто, как хотелось бы. Все смотрят на цифры, бренды и правильные ключевые слова.

Почему так происходит?
«Надо закрыть вакансию, рынок пустой»,
«Релевантный опыт же есть, просто не повезло на прошлом месте»,
«Headhunter отработал KPI, дальше - не его зона ответственности».

А потом компания тратит месяцы и миллионы, чтобы понять: ошиблись, ладно деньги/время, но в целом и целые команды разваливаются от неправильного найма руководителя.

Если и есть рекомендация то, все просто. Потратьте время, позвоните тем, кто с человеком реально работал. Спросите обратную связь. Это дешевле и быстрее, хоть и не страхует от всех последствий.