Каждый год Gartner находит технологические тенденции, которые повлияют на бизнес в ближайшие несколько лет. На 2022 год этот список включает 12 стратегических тенденций.
Редакция Нетологии перевела и адаптировала пресс-релиз и статью Gartner с разбором наиболее важных технологий. Также мы собрали экспертные мнения о том, какие у этих технологий перспективы в России.
редакция нетологии
Фабрика данных (Data Fabric)
За последнее десятилетие выросло количество разрозненных хранилищ данных и приложений. При этом квалифицированных работников в командах, работающих с данными, больше не стало. Решением проблемы становятся фабрики данных — сервисы, которые облегчают обмен данными между платформами и бизнес-пользователями.
Плюсы технологии:
- данные становятся доступны в любой точке независимо от места их хранения,
- фабрики данных позволяют создать масштабируемую архитектуру,
- встроенная аналитика даёт больше возможностей использование данных,
- сокращается срок окупаемости новых технологий.
Игорь Полянский
Руководитель направления работы с данными в Vivid Money
Любая компания поддерживается зоопарком систем: ERP, CRM, HRIS, — каждая из которых представлена разными вендорами. Рынок вендоров сегментирован, так как они конкурируют в узкой нише, чтобы поставить максимально качественное решение. Источники и форматы данных сильно отличаются и с трудом совмещаются друг с другом. В итоге хранение и управление данными становятся сложными инженерными задачами.
Фабрика данных упрощает этот процесс и снижает трудозатраты на интеграцию данных. Это важно, потому что специалистов на рынке аналитики, Data Science и Data Engineering не хватает. Компании стремятся использовать сотрудников эффективно, сокращая затраты их времени на инженерные процессы.
Отдельный вызов — постоянное увеличение объёма данных. Неправильно спроектированная инфраструктура может остановить бизнес-процесс из-за невозможности дальнейшего масштабирования. Методы проектирования фабрики данных помогают избежать таких ошибок.
В России это актуально в первую очередь для IT-сектора. Но в последние несколько лет тот же тренд пришёл в ритейл и тяжёлую промышленность, где многие компании проходят через цифровую трансформацию и начинают решать те же самые задачи, которые IT уже решили 5–10 лет назад.
Сеть кибербезопасности (Cybersecurity Mesh)
Сотрудники компаний могут находиться где угодно, а не только в офисе или на производстве — традиционный периметр безопасности исчез.
Для безопасности нужна гибкая, компонуемая архитектура, которая объединяет распределённые службы. Сеть кибербезопасности помогает создать интегрированную структуру и защитить активы независимо от их местонахождения.
К 2024 году организации, которые внедрят в работу сети кибербезопасности, снизят финансовые потери от нарушений безопасности на 90%.
Нияз Кашапов
Специалист по безопасности приложений в Сбермаркете
Понятие Cybersecurity Mesh введено Gartner. Точного описания или определения этой технологической тенденции нет. Как нет и готовых фреймворков. Gartner выдвинул концепцию без уточнения мер и конкретных технологий. Концепция, конечно же, небезосновательная.
В сфере информационной безопасности (ИБ) наблюдается тенденция к децентрализации безопасности и переносу мер защиты с внешней границы IТ-решений на конечного пользователя. С приходом локдаунов появилось огромное количество удалённых сотрудников, разработка перенеслась из офиса в дома — многие риски ИБ стали ближе к пользователям систем.
Обычный фаервол не защитит от утечки данных с компьютера сотрудника, да и популярность облачных решений не позволяет контролировать безопасность железа. Появляется концепция безопасности Zero Trust, когда отсутствует полное доверие кому-либо, даже внутренним пользователям.
Cybersecurity Mesh как раз и является частью концепции Zero Trust. Это набор децентрализованных решений, которые помогают организовать защиту конечных пользователей, их компьютеров и активов во внутренней сети: приложений, баз данных и даже каналов связи.
Разделение доступов, внедрение дополнительных способов аутентификации, контроль устройства, анализ поведения и другие технологии помогут повысить общий уровень безопасности и предотвратить большую часть взломов и утечек информации.
Также стоит отметить акцент на децентрализацию — создание решений, помогающих избежать точек отказа, проверять подлинность данных без необходимости постоянной связи. Сюда же относятся комплексные решения с использованием блокчейна.
Вычисления, усиливающие защиту конфиденциальности данных (Privacy-Enhancing Computation, PEC)
Такие вычисления обеспечивают безопасность обработки персональных данных в ненадёжных средах. Эта тенденция появилась из-за развития законов о конфиденциальности и защите данных, а также растущих опасений потребителей.
Согласно ожиданиям Gartner, к 2025 году 60% крупных организаций станут использовать методы PEC.
Игорь Полянский
Руководитель направления работы с данными в Vivid Money
Хранение личных данных пользователей — необходимая и зачастую очень выгодная для бизнеса мера, в то же время несущая риски. Утечки персональных данных грозят компаниям как репутационными, так и финансовыми потерями. Правительства в Европе и Америке давно осознали необходимость регулирования этого вопроса, поэтому компании поставлены в жёсткие рамки. Российский регулятор пока ещё отстаёт от наших западных коллег, давая значительную свободу компаниям, что часто приводит к неприятным последствиям.
Скорость изменения законов связана и с низкой цифровой грамотностью населения, которая не стимулирует регулятор на более активные действия. Исключения — банковский сектор и финтех, где регулирование более жёсткое, а технологии защиты данных более распространены.
Отличия законов можно увидеть в тех случаях, когда российский стартап выходит на европейский рынок. Таким компаниям необходимо пройти GDPR-аудит. Им приходится менять как инфраструктуру данных, так и подходы к их обработке и использованию.
Облачные платформы (Cloud-Native Platforms)
Приложения, которые изначально создают для работы в облачных инфраструктурах, позволяют разрабатывать новые отказоустойчивые, эластичные и гибкие архитектуры.
В отличие от платформ стандартный lift-and-shift подход к облаку — простое перемещение — не позволяет использовать все преимущества облака и усложняет обслуживание.
Алексей Кузьмин
Директор разработки в Домклик
В основе облачных технологий лежит гибкое использование ресурсов, когда выделение инфраструктуры под проект происходит динамично в зависимости от его потребностей. Поддержка платформенных технологий переносится с плеч компании на плечи облачных провайдеров, что позволяет создавать IТ-решения быстрее, надёжнее и дешевле, чем при традиционном подходе.
Александр Толмачёв
Консультант по анализу данных и математическому моделированию
В последний год активно используют термины Cloud First, Cloud Only. Для многих компаний это уже стандарт построения инфраструктуры.
Использование облачной инфраструктуры снижает стоимость сопровождения и сокращает время на создание продукта и его выход на рынок.
Топ-3 провайдеров технологий из года в год:
- Amazon Web Services (~30% рынка),
- Microsoft Azure (~20% рынка),
- GCP (~8% рынка).
У каждого провайдера есть свои плюсы и минусы, главное — понимать возможности облачных сервисов.
Компании, использующие в работе персональные данные российских граждан, не имеют права хранить их вне серверов РФ. Из-за ряда других юридических ограничений компании, для которых основной рынок — Россия, используют свои серверы.
Составные приложения (Composable Applications)
Составные приложения строятся из модульных компонентов, ориентированных на бизнес. Это упрощает использование и повторное применение кода и ускоряет вывод на рынок новых программных решений. Это актуально во время кризисов и быстрого развития технологий.
Никита Харичкин
Руководитель отдела системной аналитики в SberDevices,
спикер на профильных конференциях и на курсах по системному анализу и дизайну
Одним из гибких подходов к формированию составного приложения является разработка единой платформы — унифицированного SDK, потенциально совместимого со всей линейкой продуктов компании.
Развитие отдельной платформы как продукта интересно большим компаниям и экосистемам с разветвлённой сетью цифровых продуктов. Если вы владелец заводов, газет, пароходов, то вам невыгодно параллельно создавать и поддерживать одни и те же функции для своих предприятий. Например, конвейер. Гораздо проще его изобрести и потом тиражировать с локальной настройкой под задачи конкретного производства.
Такой же принцип и у SDK: его можно встраивать в клиентские приложения и использовать для прошивок физических устройств — конференц-телефонов, телеприставок, устройств умного дома. Уже не нужно в каждой дочерней компании строить с нуля, например, систему телеконференц-связи.
К ключевым принципам построения такой платформы можно отнести следующее:
- независимо развивающийся модуль, поставляющий конечную ценность потребителю;
- гарантию единого пользовательского опыта на всех устройствах;
- расширяемость и модульность решения.
При этом не стоит воспринимать SDK как очередную интеграцию. Будучи автономной частью родительского приложения, SDK гораздо проще в сопровождении и масштабируемости за счёт:
- возможности гибкого управления — переключения функций и изменения конфигураций;
- единого SDK-механизма сбора метрик, однозначно интерпретируемого среди всех инсталляций;
- развития собственного API.
Уверен, что в конкурентной борьбе крупнейших корпораций спрос на такой подход будет только расти.
Интеллект для принятия решений (Decision Intelligence)
Это практический подход к принятию решений. Каждое решение рассматривается как набор процессов, при которых используются данные для анализа, получения обратной связи и корректировки действий. При таком подходе процесс принятия решений может даже автоматизироваться за счёт искусственного интеллекта (ИИ).
Gartner прогнозирует, что в ближайшие два года треть крупных организаций будет использовать ИИ для принятия решений ради конкурентных преимуществ.
Артур Сапрыкин
Data Scientist, предприниматель, исследователь ML/DL,
автор и спикер курсов по машинному обучению
Передовые компании уже внедряют такой подход. Это сокращает время на принятие управленческих решений и улучшает их качество. Особенно это полезно в таких областях, где время имеет важное значение: медицина, вооружённые силы, службы спасения.
Игорь Полянский
Руководитель направления работы с данными в Vivid Money
Подход к интеллектуальному принятию решений на основе данных стал массовым 5–10 лет назад, когда компании получили возможность относительно дёшево хранить большие данные.
Рынку понадобилось время, чтобы принять тот факт, что машина в некотором классе задач принимает решение значительно эффективнее человека. И этот класс постоянно расширяется, что приводит к изменению и даже исчезновению конкретных ролей в бизнесе.
Для большинства случаев человеческая оценка, которая комбинируется с выводами на основе данных, может повысить качество решений. Решения на основе машинного обучения и ИИ шире всего представлены в IT и банковском секторе.
Российские компании не отстают, а во многом даже опережают западных коллег. Это обусловлено большим количеством относительно недорогих специалистов с хорошим фундаментальным образованием. Многие решения и алгоритмы из России активно используются за рубежом. Главные двигатели этой сферы — ритейл и тяжёлая промышленность, где спрос на Data Scientists растёт быстрее всего.
Эластичность важна для масштабируе-мости, гибкость ―
для кастомизации
Гиперавтоматизация (Hyperautomation)
Это упорядоченный, ориентированный на бизнес подход, который позволяет быстро определить, проверить и автоматизировать как можно больше процессов.
Гиперавтоматизация создаёт возможности для масштабирования, удалённой работы и полной перестройки бизнес-модели.
Гиперавтоматизация стоит на трёх китах:
- повышение качества работы,
- ускорение бизнес-процессов,
- гибкость принятия решений.
Игорь Полянский
Руководитель направления работы с данными в Vivid Money
Гиперавтоматизация как способ повышения рентабельности набирает обороты. В IT скорость масштабирования — один из ключевых показателей эффективности бизнеса. Человеческий фактор играет роль не только в принятии решений, но и в выполнении задач. Увеличить мощность сервера быстрее, чем нанять дополнительного сотрудника.
Компании необходимо поддерживать целый слой процессов: наём, удержание людей, административные вопросы. Когда компании удаётся заменить человека автоматикой, весь этот слой процессов исчезает. Освобождаются ресурсы компании, ускоряется масштабирование.
Автоматизация растёт во всём мире, но российские компании всё ещё отстают в части административных и операционных процессов вроде документооборота. Обратная ситуация с цифровыми процессами, такими как управление маркетингом или создание IT-продуктов.
Разработка искусственного интеллекта (AI Engineering)
Комплексный подход к проектированию автоматизирует обновление данных, моделей и приложений для оптимизации доставки ИИ. Это нужно, чтобы не тратить время и средства на ИИ-проекты, которые никогда не запустятся.
К 2025 году 10% предприятий, которые внедрят передовые методы проектирования ИИ, получат как минимум в три раза больше прибыли, чем конкуренты.
Игорь Полянский
Руководитель направления работы с данными в Vivid Money
Почему-то принято считать, что основные усилия во внедрении ИИ сосредоточены на этапе построения моделей машинного обучения. «Если мы создали модель, которая принимает решения лучше человека, то 99% работы уже сделано». Возможно, такое мнение сформировалось на фоне высоких зарплат в сфере Data Science.
В реальности дела обстоят по-другому, и есть ещё другие этапы, без которых внедрение ИИ невозможно.
До построения модели необходимо собрать качественные данные. Это трудно реализовать без правильного подхода к проектированию хранилищ и аналитических слоёв данных. После построения модели необходимо внедрить её в текущие процессы, то есть вписать модель в техническую инфраструктуру компании.
При неправильном подходе модель может негативно повлиять на конечный результат или даже сломать продукт.
Любые модели устаревают. Без налаженного мониторинга качества в определённый момент результаты такой автоматизации могут стать негативными.
Именно поэтому проектирование процессов по внедрению ИИ должно быть комплексным и включать различный экспертный опыт. В российских компаниях, которые давно используют ИИ-решения, уже накопилось достаточно понимания, как правильно выстраивать ML-проект. Это привело к рождению интересных стартапов, многие из которых вышли за рубеж.
Если говорить про широкий рынок, то понимания ИИ всё ещё недостаточно. Многие компании смотрят на это со скепсисом или, наоборот, как на панацею, которая решит все их проблемы. Но, судя по трендам, ситуация стремительно меняется, и в ближайшие 5–10 лет компании без ИИ-технологий будут сильно проигрывать конкурентам.
Александр Толмачёв
Консультант по анализу данных и математическому моделированию
Бизнес-модели с ИИ делятся на два больших типа:
- старые бизнесы, где ИИ применяется как добавочная стоимость: оптимизирует процессы, улучшает определённые показатели; улучшение не фундаментальное, но заметное;
- компании, которые ставят в основу интеллектуальные алгоритмы анализа данных как ядро бизнеса; часто это компании с доменом
«.ai».
Есть базовое утверждение, что с ИИ будет лучше, чем без него. При этом множество бизнес-задач решается классическими алгоритмами, которые не требовательны к инфраструктурным изменениям и потоковой обработке данных. Поэтому существует много неудачных кейсов внедрения ИИ в бизнесе.
Рекомендации для запуска ИИ в компаниях:
- всегда в начале использовать базовую модель без ИИ для сравнения эффективности прироста в показателях,
- изучить методологии работы с анализом данных в предприятиях Lean DS и CRISPR.
Артур Сапрыкин
Data Scientist, предприниматель, исследователь ML/DL,
автор и спикер курсов по машинному обучению
ИИ-решения будут представлены в виде блоков реализаций небольших задач. Каждый блок связан с другой задачей в виде графа решений, где ответ модели на одном блоке будет составляющей для принятия решения на следующем.
Это напоминает то, как люди мыслят. Совершенствуясь в чём-то одном, не нужно будет переучиваться полностью. Такой подход упростит внедрение новых технологий машинного обучения в комплексные решения, и небольшим компаниям не понадобится набирать огромный массив данных, чтобы решать локальные задачи.
курс- Получите прикладной опыт создания работающих нейронных сетей
- Построите ML-модель для решения своих текущих профессиональных задач: например, систему прогнозирования продаж, распознавание объектов на фото или видео, анализ временных рядов, анализ больших объёмов текста
Распределённые предприятия (Distributed Enterprises)
С развитием удалённых и гибридных схем работы офисы уступают место распределённым предприятиям, сотрудники которых территориально рассредоточены.
Бизнес-модель таких предприятий ориентирована на цифровые технологии и удалённую работу, чтобы улучшить взаимодействие с сотрудниками, партнёрами и потребителями.
Александр Толмачёв
Консультант по анализу данных и математическому моделированию
Удалённый формат работы стал нормой. Сейчас практически не встретишь IT-компанию с обязательным требованием работы из офиса — ещё 2 года назад такое сложно было представить.
Вторая популярная модель работы — гибридная. Сотрудники договариваются 1–2 дня в неделю приходить в офис для брейншторма, ретро, планирования спринтов. Подразумевается, что это повышает командный дух и уменьшает вероятность того, что сотрудник уйдёт в другую компанию.
Рынок специалистов испытывает дефицит. Работают личные связи, репутация руководителя — и условия. На рынок российских IT зашли зарубежные работодатели с предложениями в долларах и евро не только для разработчиков. Крупные компании, которые могут позволить себе международный формат работы, открывают офисы в Европе, Азии, Америке для привлечения новых специалистов.
Совокупный опыт (Total Experience)
Это бизнес-стратегия, которая объединяет опыт сотрудников, клиентский и пользовательский опыт. Всё вместе помогает повысить уровень доверия, удовлетворённости и лояльности клиентов и сотрудников.
Полина Маликова
Руководитель направления «Аналитика и Data Science» в Нетологии
Жёсткая конкуренция в сфере технологий — как за привлечение талантливых специалистов, так и за привлечение клиентов — уже давно сделала опыт сотрудников и качество обслуживания клиентов приоритетами в этом секторе. Но эти две концепции также традиционно рассматривались как отдельные цели.
В России связь этих концепций как общий опыт чаще всего поддерживают интуитивно. Главным двигателем этого процесса стал COVID-19. С введением локдауна и ограничений многим компаниям стало жизненно необходимо разрабатывать или улучшать модели распределённой рабочей силы.
Как для сотрудников, так и для клиентов правильные средства коммуникации всегда были ключом к обеспечению оптимального взаимодействия. На внутреннем уровне коммуникационные решения помогают соединить сотрудников в разных географических точках.
С точки зрения клиентов непрерывная многоканальная коммуникация долгое время была важным фактором удовлетворённости и лояльности. Клиенты хотят эффективного и беспрепятственного взаимодействия с брендом.
Согласно данным PwC, скорость, удобство, полезное и дружелюбное обслуживание имеют наибольшее значение, и клиенты готовы платить больше — до 16% надбавки — компаниям, которые могут выполнить заказ в срок или быстрее с качественным клиентским сервисом. Между тем, каждый третий покупатель будет искать конкурентов после всего лишь одного неудачного опыта.
Автономные системы (Autonomic Systems)
По мере роста предприятий традиционное программирование или простая автоматизация не смогут обеспечить масштабирование.
Автономные системы — это самоуправляемые физические или программные системы, которые учатся на своём окружении и динамически изменяют собственные алгоритмы в режиме реального времени. Они умеют оптимизировать производительность и защищаться от атак без вмешательства человека. В долгосрочной перспективе они станут обычным явлением в роботах, беспилотниках, производственных машинах и умных пространствах.
Артур Сапрыкин
Data Scientist, предприниматель, исследователь ML/DL,
автор и спикер курсов по машинному обучению
Автономные системы — это то, что приближает нас к настоящему ИИ. Эти системы очень похожи на биологическую среду — уверен, что за ними будущее. Для решения многих задач учитель не понадобится: системам будет достаточно увидеть данные и они сами смогут извлекать оттуда паттерны.
Генеративный искусственный интеллект (Generative AI)
Один из наиболее заметных и мощных методов ИИ, который выходит на рынок, — генеративный ИИ. Это метод машинного обучения, когда нейросети изучают контент или объекты, собирают данные и используют их для создания новых артефактов.
Генеративный ИИ может создавать новые формы контента — например, видео — и ускорять циклы исследований и разработок в самых разных областях, от медицины до маркетинга.
К 2025 году, по прогнозам Gartner, на генеративный ИИ будет приходиться 10% всех производимых данных. Сегодня этот показатель составляет менее 1%.
Михаил Васильковский
Инженер по машинному обучению в Snap
Значительный интерес представляют задачи условной генерации в разных модальностях: когда, например, нужно сгенерировать картинку или видео по описанию. Если получится хорошо выучить это отображение, в будущем такая технология может стать источником вдохновения и полезным инструментом для производителей контента и дизайнеров.
На данный момент одним из самых успешных подходов text-to-image является нейросеть DALL-E от OpenAI. Близость к тексту и разнообразие генерации уже поражают, с нетерпением жду новых работ в этой области.
Как технологические тенденции влияют на цифровой бизнес
Традиционно Gartner считается прекрасным предсказателем трендов, и многие их прогнозы действительно становятся реальностью. Но к любым прогнозам можно относиться критически или даже скептически.
Андрей Макеев
Бизнес-архитектор в Комус
Существует много различных методик оценки уровня зрелости аналитики в компании, в том числе от компании Gartner. До сих пор многие российские компании, включая крупные, находятся на начальных стадиях, когда полноценно не работает даже старомодная корпоративная аналитика: нет единой версии правды в данных, непонятно откуда брать какую-то информацию, BI системы не используются полноценно.
Это как пирамида потребностей: пока базовые потребности в корпоративной аналитике не закрыты полноценно, задумываться о перспективных технологиях из перечня Gartner может быть рано.
Материал изначально опубликован на habr.
Хотите написать колонку для Нетологии? Читайте наши условия публикации. Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к Телеграм-каналу Нетологии.