Как нейросети помогают в принятии стратегических решений

Наталья Дерюгина

Математик компании НТР

Нейросети — это алгоритмы искусственного интеллекта, вдохновленные структурой человеческого мозга. Они состоят из взаимосвязанных «нейронов», которые могут обрабатывать данные, находить сложные закономерности и генерировать текст, картинки или видео. Несмотря на феноменальные возможности, нейросети остаются «черным ящиком» — как они работают, не всегда понятно даже специалистам. Однако их сила — не в прозрачности, а в результативности. Сегодня нейросети могут распознавать образы, делать прогнозы и помогать принимать решения.

Параллельно с развитием искусственного интеллекта идет цифровизация буквально всех отраслей. Любой бизнес, от крупнейших промышленных производителей до мелких стартапов, ежедневно генерирует и накапливает данные — о клиентах, о состоянии оборудования, об эффективности сотрудников. В этих огромных объемах информации прячутся ценные стратегические инсайты, но достать их вручную сложно. Зато эта задача подходит нейросетям, которые могут превратить сырые данные в аналитическую сводку.

Основы нейросетей в контексте принятия решений

Стратегические решения определяют долгосрочные цели компании: выход на новые рынки, запуск продуктов, оптимизация цепочек поставок. В отличие от операционных решений (например, ежедневное управление ресурсами), стратегические решения определяют долгосрочное направление развития организации. Ошибки здесь могут стоить миллионов, а успехи — обеспечить многолетнее лидерство. Как принять правильное решение? Безусловно, быть хорошим менеджером, понимать текущее состояние рынка, уметь просчитывать наперед. Есть еще и современный ответ на этот вопрос: «уметь использовать для принятия решений нейросети». Они переводят интуитивные решения в плоскость данных, объективных и беспристрастных.

Нейросеть может найти неочевидные корреляции в огромном объеме данных. Однако нейросеть — это только инструмент, качество ее работы будет зависеть от качества «сырья», то есть данных. Три ключевых показателя определяют их пригодность для нейросетей: объем, качество, источники.

Объем данных: нейросети «учатся» на больших датасетах. Например, для прогнозирования спроса ритейлеру нужны данные о продажах за несколько лет, включая сезонность, акции, макроэкономические показатели.

Качество данных: «Мусор на входе — мусор на выходе». Если данные нерелевантны, несвоевременны или содержат ошибки (например, дубликаты транзакций), прогнозы нейросети будут неточными.

Источники данных: помимо внутренних данных (CRM, ERP), критически важны внешние источники: соцсети, IoT-устройства, открытые базы.

Чем лучше характеристики данных по этим трем показателям, тем надежнее будут выводы, которые сделает нейросеть.

Как именно нейросети обрабатывают данные

Нейросети имитируют работу человеческого мозга — миллионы нейронов соединены в сложные сети и обмениваются друг с другом информацией, преобразуя входной сигнал в выходные данные. Архитектура может быть самой разной — ее подстраивают и модифицируют под конкретные задачи, а некоторые подходы рождают целые семейства новых нейросетей, однако есть фундаментальные общие черты.

Слоистая структура

Нейроны организованы в виде слоев, у каждого из которых своя функция. Входной слой получает «сырые» данные (например, цены акций за 5 лет). Затем идут скрытые слои, которые преобразуют данные, выделяя признаки разного уровня абстракции. Например, в анализе изображений первый слой распознает края, второй — формы, третий — объекты. Выходной слой формирует результат (прогноз, классификацию).

Обучение

Работу нейросети определяют «веса» — числовые коэффициенты, с которыми нейроны передают данные друг другу. «Обучить» нейросеть означает найти эти веса. Обучение может быть с учителем или без.

С учителем — нейросеть обучается на размеченных данных (например, «этот клиент вернул кредит / не вернул»).

Без учителя — алгоритм сам находит структуру в данных, как в случае кластеризации клиентов по поведению.

Традиционные статистические методы (линейная регрессия) плохо справляются с многофакторными задачами, например, прогнозированием курса криптовалют. Нейросети же учитывают сотни взаимосвязанных переменных и поэтому стали важным инструментом для принятия решений.

Применение нейросетей в различных отраслях

Нейросети помогают поставить бизнес-цель и оптимизировать стратегию с помощью анализа исторических данных о производительности, рыночных тенденциях и внутренних возможностях. На уровне стратегии ИИ может:

1. Предложить конкретные, измеримые и достижимые цели на основе анализа данных.
2. Определить ключевые показатели эффективности, которые соответствуют стратегическим целям.
3. Моделировать сценарии для проверки различных стратегических вариантов.

Поставив цели и определив показатели, можно приступить к реализации. Но и тут нейросети продолжат быть ценным помощником: проводят мониторинг, отслеживают риски, дают рекомендации и выполняют другие операции в зависимости от нужд и особенностей бизнеса.

Финансы

Кредитные скоринговые системы оценивают заемщиков не только по традиционным параметрам (кредитная история, доход), но и по альтернативным данным — например, активности в соцсетях или геолокации. В инвестициях ИИ обрабатывает новости, отчеты компаний и макроэкономические индикаторы, чтобы прогнозировать движения рынка.

Маркетинг

Розничная торговля и потребительские товары — сферы, где ИИ напрямую влияет на клиентский опыт. Персонализированные рекомендации, основанные на истории покупок и поведении в приложениях, увеличивают конверсию.

Производство

В промышленности ИИ переопределяет стандарты эффективности. Нейросети анализируют данные с датчиков и предсказывают поломки задолго до их возникновения, этим сокращая простои. Системы контроля качества с компьютерным зрением обнаруживают дефекты продукции, снижая процент брака. Управление цепочками поставок также выигрывает: нейросети прогнозируют спрос, оптимизируют логистические маршруты и балансируют запасы, что уменьшает издержки.

Здравоохранение

ИИ-анализ медицинских изображений выявляет заболевания на ранних стадиях, а нейросети, работающие с геномными данными, помогают подбирать индивидуальную терапию. Страховые компании используют ИИ для автоматизации обработки исков. Фармацевтика и производство лекарств — еще одна область прорыва. Нейросети ускоряют доклинические исследования, анализируя миллионы химических соединений для поиска потенциальных препаратов.

Практические кейсы

Мы следим за успешными и не очень успешными кейсами применения ИИ в индустрии, чтобы учиться на опыте коллег в России и за рубежом. Расскажем о некоторых из них.

Швейцарская компания Beerstecher AG автоматизировала сбор урожая в своих теплицах с помощью ИИ-робота. Он осматривает плоды, находит зрелые с помощью компьютерного зрения и создает 3D-траекторию для манипулятора, чтобы срезать нужную ветку. За ним следует «прицеп», который меняет полные ящики на пустые. Этот процесс тоже автоматизирован.

При этом Beerstecher AG — не крупный агрокомплекс, а небольшой семейный бизнес, так что этот пример показывает, что внедрение ИИ — это не удел крупных компаний, а что-то доступное мелкому и среднему бизнесу. Более того, уже появляются компании нового типа — они не проводят цифровую трансформацию и не внедряют нейросети, они изначально делают на них ставку, причем как на основную рабочую силу. Пример такой компании — Xometry, информационная сеть, где промышленники могут искать запчасти и поставщиков.

Пользователь загружает CAD-файлы аппаратов или запчастей, а Xometry их анализирует и формирует ценовое предложение. Если предложение принято, Xometry находит поставщика, готового поставить запчасти. Себе компания забирает процент от сделки. Весь этот процесс осуществляют нейросети. Полностью, то есть с нулевым человеческим вмешательством. Таким образом, от ИИ зависит вообще вся прибыль компании. Это по меньшей мере очень смело, но для Xometry такая модель оказалась рабочей.

Расскажем и о собственных кейсах. НТР разработала универсальное отечественное решение для промышленного ИИ-мониторинга «НТР.Мониторинг». Это решение является прямым импортозамещением западного продукта IBA, которое базируется на Open Source-технологиях. НТР.Мониторинг объединяет данные разрозненных датчиков или оборудования производственной системы, анализирует и интерпретирует их. Система может полностью автоматизировать эксплуатацию, строить AI-прогнозы, оповещать о неисправностях, упростить и ускорить отчетность.

ИИ-помощник нашей разработки для крупного горно-металлургического холдинга помогает быстро найти нужную информацию в сложной документации, разобраться с корпоративными регламентами, правилами, государственными нормативно-методическими актами. Все это ускоряет работу и позволяет оставаться на намеченной стратегической траектории.

Преимущества и вызовы использования нейросетей

Польза от внедрения нейросетей доказывается тысячами кейсов. Конкретная выгода в каждом случае проявляется по-разному, но так или иначе главных преимуществ три:

1. Точность прогнозов: Нейросети учитывают тысячи факторов и учитывает неочевидные и неинтуитивные корреляции.
2. Скорость. Анализ данных, который раньше занимал недели, теперь выполняется за часы или меньше.
3. Масштабируемость. Нейросети обрабатывают объемы данных, недоступные человеческому восприятию.

Однако, наблюдая за опытом внедрения нейросетей в бизнес и производство, мы видим, что большинство компаний сталкивается с одними и теми же трудностями. Это текущие вызовы использования нейросетей, о которых нужно помнить.

1. Кибербезопасность. Интеграция IoT-сенсоров, установка различных устройств и загрузка данных в облачные сервисы — довольно уязвимая конструкция. Страх, по-видимому, совершенно оправданный, потому что на первом месте в антирейтинге самых атакуемых областей несколько лет подряд оказывается промышленность (25% всех атак).
2. Необходимость единой IT-стратегии. К сожалению, внедрение нового решения или новой системы часто происходит как бы само по себе, без понимания общего направления, общей цели и стратегии. Уже в среднесрочной перспективе это может обратиться бесполезным и неудобным наслоением, которое по факту будет не ускорять, а мешать внедрениям.
3. Функциональная совместимость с имеющейся средой. Даже самое лучшее IT-решение может стать обузой, если оно не рассчитано на бесшовную интеграцию в те системы, которые уже есть у бизнеса.

Будущее нейросетей в стратегическом управлении

Практика применения нейросетей для принятия решений стала одним из главных текущих трендов и одной из самых крупных ставок на следующие годы. Ключевые причины здесь — это развитие AI и цифровых двойников, с одной стороны, а с другой — новые физические устройства вроде умных очков. По оценкам экспертов, к 2030 году частью повседневной работы станут устройства смешанной и дополненной реальности. Для бизнеса это будут новые формы работы внутри производств и во вспомогательных процессах. При этом ни одна, даже самая крупная компания, не сможет достигнуть этого в одиночку — нужны партнерство и коллаборация.

Внедрение в малом бизнесе

Цифровая трансформация давно перешла из смелого авангарда в обязательную программу для всех областей. Появляется все больше open-source решений, доступных даже для стартапов. Например, кафе уже легко может использовать ИИ для прогноза закупок на основе погоды и событий в городе.

При этом вне зависимости от размера бизнеса и его области внедрение нейросетей должно идти примерно по одному сценарию. Нулевой шаг — собрать данные. Сейчас это главное «богатство», которым обладает любой бизнес. Теперь, чтобы не стать драконом из сказок, который просто сидит на самом настоящем сокровище, нужно правильно их использовать, нужны следующие шаги:

1. Консолидация. Собрать разрозненные данные из всех MES, ERP, CMMS, PLM и прочих систем в одном месте.
2. Контекстуализация. Найти взаимосвязи между данными, установить соответствие реальным физическим процессам. В результате срабатывает системный эффект — данные в сумме приобретают новые свойства.

Системы, которые делают два этих первых и главных шага — консолидируют и контекстуализируют данные, — к счастью, уже существуют и в мире, и в России. После этого обогащенные данные уже готовы для дальнейшего использования. В первую очередь следует пройтись по следующим показателям:

1. Минимизация времени простоя, например, за счет одновременного запуска нескольких производственных процессов.
2. Онлайн-мониторинг процессов с оператором или без него позволяет вовремя отследить риски и ускоряет принятие решений.
3. Планирование обслуживания оборудования. Обработанные данные могут помочь оптимизировать этот процесс.
4. Повышение энергоэффективности. Например, за счет того же планирования обслуживания или ремонта.
5. Оптимизация самих производственных и бизнес-процессов.

***

Нейросети, вдохновленные структурой человеческого мозга, стали мощным инструментом для анализа данных, прогнозирования и принятия решений. Они способны находить сложные закономерности в огромных объемах информации, превращая сырые данные в стратегические инсайты. Несмотря на непрозрачность, нейросети демонстрируют впечатляющую результативность в различных отраслях — от финансов и маркетинга до производства и здравоохранения.

Точность прогнозов, скорость обработки данных и масштабируемость делают их незаменимыми для бизнеса. Однако успешное внедрение нейросетей требует качественных данных, продуманной IT-стратегии и интеграции с существующими системами.

Цифровая трансформация перестала быть опцией — это необходимость для любого бизнеса, стремящегося оставаться конкурентоспособным. Нейросети не просто ускоряют процессы, они открывают новые возможности для роста, оптимизации и инноваций.