Цифровая трансформация бизнес-процессов

НИУ ВШЭ
dromanov@hse.ru

иерархия (вертикальные связи, директивное управление, бюрократия, приказы не обсуждаются, а

исполняются…).
Организация как совокупность бизнес-процессов (многократно повторяемые и воспроизводимые цепочки действий, регламентация деятельности, горизонтальные связи,…)
Организация как сложная самообучающаяся сетевая структура (проектное управление, инновации, Enterprise 2.0, управление знаниями,…)

предельные случаи иерархии, процессов и сетевой структуры. Это только модель,

такие организации «в чистом виде» почти никогда не встречаются в жизни

Оптимальное положение организации в данном треугольнике определяется спецификой деятельности и состоянием внешней среды

Любая реальная организация занимает какое-то положение в таком треугольнике – это всегда «коктейль» из функциональной, процессной и сетевой модели

Вопрос только в том, насколько хорош этот коктейль?

качества производственных процессов
В 1950-е годы Э.Деминг (один из авторов «японского

экономического чуда») сформулировал принципы, которые в дальнейшем привели к созданию концепции всеобщего управления качеством (Total Quality Management, TQM)
Главная идея TQM - постоянное параллельное усовершенствование:
качества продукции
качества организации процессов
уровня квалификации персонала
В японском языке слово «кайдзен» означает «непрерывное совершенствование»

Уильям Эдвардс Деминг
(1900-1993)

Уолтер Эндрю Шухарт
(1891-1967)

специалистами М.Хаммером и Дж.Чампи
Хаммер и Чампи определяют BPR как фундаментальное

переосмысление и радикальное перепланирование бизнес-процессов компаний, имеющее целью резкое улучшение показателей их деятельности, таких как затраты, качество, сервис и скорость
Подчёркивается ключевая роль ИТ в реинжиниринге
Как оказалось, на практике далеко не все организации могут пережить такую «хирургическую операцию»…

Майкл Хаммер

Джеймс Чампи

систем вырастет с $8 млрд в 2016 г. до $47

млрд. в 2020 г., совокупный темп годового роста рынка составит 55%
Рынок базируется на трех сегментах:
растущий сегмент контентной аналитики (content analytics)
молодой развивающийся сегмент когнитивных систем (cognitive systems)
сравнительно медленно растущий сегмент корпоративного интеллектуального поиска и обнаружения данных (discovery)
Рост этого рынка обусловлен:
взрослением и широким распространением технологий доступа к информации, включая контентную аналитику
появлением ряда компаний, развивающих когнитивные системы «Усиления интеллекта» (augmented intelligence) — совокупности средств, обеспечивающих усиление интеллекта человека на базе ИТ

Источник - IDC, октябрь 2016

рутинных операций при взаимодействии с информационными системами
Действия человека записываются и

многократно воспроизводятся компьютером
Интеграция ИС через пользовательский интерфейс часто оказывается проще и дешевле, чем заказная разработка программных интерфейсов
Добавление программным агентам технологий искусственного интеллекта позволяет значительно расширить перечень решаемых задач

похожесть
Именованные сущности (NER)
Семантические сети
Эмоциональная окраска
Аннотирование
Лексические шаблоны
Морфологи-ческий анализ
Синтакси-ческий анализ
Полнотексто-вый индекс
Языки,

форматы, кодировки

Значимость лексики

Text 2 Speech

Speech 2 Text

Авто- перевод

Чатботы

OCR

Генерация текста

Алгоритми-ческие роботы

изучающий смысловое значение единиц языка
Один и тот же смысл может

быть передан в тексте множеством различных способов:
Василий купил рыбу, а Петя её съел.
Петя съел рыбу, которую купил Вася.
Купленную Васей рыбёшку съел Петька.
Съеденную Петей рыбу купил Вася.
А кто купил съеденную Петей рыбу? Это Вася купил!
А кто же съел купленную Васей рыбу? Как кто - Петя!
Петя схомячил приобретённую Васей рыбу.
Прикупил Васёк рыбки, а Пётр слопал её …
и т.п. и т.д.

Семантический анализ – выделение смысловых инвариантов (элементов смысла, независимых от текстового представления)

С(МЫСЛ)Ь

предметной области, типы связей: «причина – следствие», «часть –целое», «род

– вид», синонимы
Семантическая сеть – один из вариантов отображения онтологии

разделяют данные на кластеры
Алгоритмы обучаются классифицировать информацию на примерах решения

похожих задач человеком

веса и взаимосвязи между классификационными признаками и заданными категориями на

выходе

Обучающая выборка – примеры объектов из разных категорий

Классификатор

После обучения

До обучения

Существуют десятки методов классификации: байесовский, метод опорных векторов, нейронные сети, решающие деревья и т.п.

Правильно обученный классификатор ошибается меньше человека!

них упоминаний недопустимых форматов документации
Печать и рассылка официальных писем, подготовка

отчетов

Проверка требований законодательства

Торги на сайте zakupki.gov.ru на разработку проектно-сметной документации на строительство и ремонты в Москве

Найденные в ТЗ несоответствия требованиям 728-ПП, письма в организации, допустившие нарушения

Ручной труд

Автоматически скачивает нужную КД, находит файлы с ТЗ, анализирует текст и находит несоответствия 728-ПП
Формирует проекты обращений и отправляет их как исходящие в СЭД …

Применение AI и ML

реквизитов, сумм и сроков, ссылок на НПА и стандарты, …
Высокая

цена ошибки

Анализ договоров и госконтрактов

Проекты договоров, госконтрактов, конкурсная документация, ТЗ

Найденные и исправленные ошибки, перечень замечаний, оценка уровня риска

Ручной труд

Автоматически распознаёт 30 типов договоров, находит ошибки, выделяет ключевые условия, пропущенные разделы, оценивает риски,…
Проверяет контрагентов

Применение AI и ML

проекта НПА
Методика 96ПП от 26.02.2010
Антикоррупционная экспертиза
Проект нормативного правового акта ОИВ
Заключение

с перечнем коррупциогенных факторов

Ручной труд

Автоматически выделяет потенциальные корр. факторы на основе общей базы знаний, готовит проект заключения
Обучается на основе обратной связи от экспертов

Применение AI и ML

техники, анализ соответствия действующему законодательству
Подготовка заключения
Правовая экспертиза
Законопроект или проект внутреннего

правового акта ОИВ

Заключение о проведении правовой экспертизы с перечнем замечаний

Ручной труд

Применяет к проекту документа настраиваемый набор правил проверки, исправляет ошибки, готовит проект заключения
Проверяет терминологию, выявляет возможные правовые пробелы и коллизии

Применение AI и ML

фрагментов
Кропотливая работа по созданию изменяющих формулировок
Неизбежность ошибок
Конструктор НПА и ОРД
Текст

действующего НПА или ОРД, в которые нужно внести изменения

Текст проекта документа «О внесении изменений в …»

Ручной труд

Распознаёт структуру изменяемого НПА и предоставляет возможность его прямого редактирования
Автоматически формирует точный текст проекта документа «О внесении изменений…»

Применение AI и ML

в ИС, предложить решение
И так сотни раз в день -

изматывающая работа «на износ» с огромной текучестью кадров

Обработка запросов в тех. поддержку

Обращение сотрудника организации или внешнего пользователя через сайт или по электронной почте

Обращение классифицировано, принято в работу и направлено специалисту

Ручной труд

Автоматически классифицирует обращение с помощью нейросети, построенной на данных обучающей выборки
Использует информацию из текста обращения и скриншотов
Учитывает обратную связь

Применение AI и ML

решать, заполнить данные в ИС, отправить по принадлежности
Особенно тяжело весной

и осенью…

Анализ обращений граждан

Обращение гражданина на сайте ОИВ или по электронной почте

Обращение классифицировано, принято в работу и направлено в структурное подразделение

Ручной труд

Автоматически классифицирует обращение (обучающая выборка + нейросеть)
Обеспечивает адресную привязку
Находит похожие обращения
Учитывает обратную связь

Применение AI и ML

каждому объекту недвижимости
Неизбежные ошибки в наименованиях, комплектности, структуре документов затрудняют

последующую работу

Классификация проектной документации

Файлы с проектно-сметной документацией на строительство и ремонты в Москве, подаваемые на гос.экспертизу

Полный комплект электронных документов загружен, проверен на комплектность и готов к экспертизе

Ручной труд

Автоматически распознаёт текст документа, классифицирует и проверяет более 30 типов документов
Определяет отсутствующие
Проверяет реквизиты объекта

Применение AI и ML

записей в день
Нормализация и очистка данных
Неструктурированные почтовые адреса и ФИО

граждан в разных информационных системах

Структурированные и приведенные к единому виду почтовые адреса, привязанные к ФИАС;
Нормализованные ФИО

Ручной труд

Анализирует текст, преобразует строку адреса и ФИО в объект с совокупностью атрибутов
Формирует метрики качества
Связывает с кодами справочника ФИАС

Применение AI и ML

с актами КС-2, накладными ТОРГ12 и т.п.
Они никогда не совпадают…
Сверка

смет и накладных

Исходные сметы и спецификации;
Акты и накладные, представляемые Заказчику в ходе исполнения контракта

Найденные и исправленные ошибки и несоответствия в товарных позициях актов / накладных и смет / спецификаций

Ручной труд

Распознаёт данные в сметах, спецификация, актах, накладных
Находит совпадающие, похожие, лишние и отсутствующие позиции, выделяет их цветом
В десятки раз ускоряет сверку

Применение AI и ML

порождает ошибки
Сверками заняты тысячи сотрудников
Сверка финансовых данных в разных ИС
Информация

в учетных системах различных структурных подразделений и филиалов

Выявленные ошибки и несоответствия в финансовой отчетности

Ручной труд

Более 200 алгоритмических роботов еженочно проводят сверки и выявляют ошибки
Работают через GUI и/или API
Сокращают нагрузку на тысячи сотрудников

Применение AI и ML