Расширение аналитических возможностей с помощью краудсорсинга
Джозеф Байрум и Алфеус Бингхэм
Как компания, работающая вдали от крупных центров, может наладить сотрудничество с самыми лучшими специалистами по обработке и анализу данных, каких только можно купить за деньги? Если у вас нет возможности принять в штат вашей команды на полную ставку высококлассных аналитиков, как вы привлекаете к сотрудничеству контрактников, обладающих нужными знаниями и творческим потенциалом? Именно с этими проблемами столкнулась в 2008 г. компания Syngenta AG.
Агрохимическая и семеноводческая компания Syngenta, базирующаяся в Базеле, Швейцария, была образована в 2000 г. в результате слияния агропромышленных комплексов Novartis и AstraZeneca. Свыше 5000 из более чем 28 000 ее сотрудников — это специалисты высшей квалификации в области биологии, генетики и органической химии. Многие из них имеют докторские научные степени. Свою миссию Syngenta видит в разработке инновационных технологий в растениеводстве. Таким образом компания стремится создать оптимальные условия для выращивания стратегически важных продуктов питания, таких как соевые бобы, кукуруза и пшеница, чтобы как можно более эффективно обеспечивать продовольствием растущее население мира. Решить эту проблему исключительно традиционными методами ведения сельского хозяйства невозможно. А это означает, что нужно стимулировать развитие генетики.
На протяжении столетий селекция растений была трудоемким процессом, в ее основе лежал метод проб и ошибок. Фермеры пробовали различные посевные материалы и методы выращивания и разведения, стремясь вывести самые урожайные растения с оптимальными свойствами. Решающую роль играла удача, так как в вопросах выбора вариантов перекрестного опыления селекционеры в большой мере доверяли своей интуиции и гипотетическим предположениям. Например, для выведения удачного сорта кукурузы селекционер мог вручную опылять сотни или даже тысячи растений и смотреть, что из этого получается.
Syngenta принимала участие в крупномасштабных экспериментальных исследованиях и в НИОКР, ежегодно проводя полевые испытания сотен тысяч растений более чем на 150 участках во всем мире. Но поскольку результаты опытов часто зависят от случайных или специфических факторов, иногда бывает трудно сделать содержательные выводы. Как определить, выросло одно растение выше других в силу генетических особенностей или потому, что оно получало больше воды и солнечных лучей? При использовании традиционных методов исследования единственный путь к достижению надежного результата подразумевает проведение множества дополнительных испытаний, то есть значительные временны`е и финансовые затраты. Продвижение нового сорта сельскохозяйственного растения от стадии тестирования до готового коммерческого продукта занимает в среднем семь лет. И если вы ежегодно тратите на НИОКР в области семеноводства и защиты растений сотни миллионов долларов (а расходы Syngenta на НИОКР в 2015 г. составили около 1,4 млрд долл.), то даже небольшая экономия приносит существенную выгоду.
Наша идея заключалась в использовании аналитической обработки данных для изучения множества сортов растений и семян в выявлении наиболее перспективных сортов уже на ранних этапах. Соответственно, такой подход предполагает оптимальное использование ресурсов (с учетом всех затрат — от инвестиций до оплаты работ персонала, земельных участков и времени). Что, если мы сможем на каждой стадии делать более точный и правильный выбор?
Процесс селекции начинается с отбора перспективных исходных растений. Потом выполняется их скрещивание, оценка потомства и, наконец, вывод на рынок того сорта, который обнаруживает доказанное превосходство по сравнению с другими. Традиционно основной механизм селекции растений — это постоянное тестирование и многократные повторные испытания. Но можно ли исключить эти этапы для тех сортов, которые уже «продемонстрировали» свои недостатки, и отобрать вероятных победителей на более ранней стадии? Мы стремились заменить многократно повторяющиеся дорогостоящие и длительные тестирования принятием решений относительно собранного банка образцов растений на основе уже имеющихся достоверных данных и научных исследований.
Центр исследований и развития компании Syngenta расположен в Слейтере, штат Айова, неподалеку от Де-Мойна, на значительном удалении от большинства специалистов, чьи аналитические навыки были необходимы в работе. В плане привлечения квалифицированных аналитиков у нас было немного шансов успешно конкурировать с крупнейшими работодателями. И тогда мы решили, что нам лучше всего будет, кроме использования собственных ресурсов, наладить сотрудничество с консультантами и научными работниками в областях, не связанных с биологией и сельским хозяйством.
Учимся использовать краудсорсинговые платформы
Открытые инновации могут способствовать решению сложных проблем бизнеса, которые компании не могут решить собственными силами. В некоторых случаях препятствием становится недостаток опыта, в других — большие расходы. Однако привлечение экспертов со стороны требует тесного взаимодействия со штатными сотрудниками — они должны чувствовать, что это полезно для бизнеса и при этом не грозит им увольнениями. Такое взаимодействие важно и для формулировки проблем, оценки возможностей. Итак, Syngenta попробовала связаться с несколькими онлайновыми краудсорсинговыми платформами, чтобы найти квалифицированных специалистов, которые могли бы помочь повысить эффективность наших НИОКР.
Но, прежде чем начинать поиски внешних экспертов, мы проинформировали сотрудников о каждой задаче, сложной проблеме или спорной ситуации, чтобы именно они смогли предлагать решения в первую очередь. И даже если им не хватало определенных профессиональных навыков, необходимых для решения сложных математических задач, практический опыт в селекции растений помогал нам точнее сформулировать вопросы. Поэтому они не воспринимали привлечение сторонних специалистов как угрозу своей работе, а видели, что их участие способствует продвижению важного проекта.
Мы старались максимально использовать краудсорсинговые платформы, а также исследовали возможность использования достижений математики в селекции лучших сортов растений. Уже в начале изучения доступных краудсорсинговых сайтов мы поняли, что для разных задач существуют разные типы платформ. Некоторые из них мы опробовали. Часть оказалась достаточно простой: вы публикуете в интернете описание проблемы, и отдельные люди предлагают вам свои решения. Это хорошо работало при идентификации, например, статистических подходов к вопросам селекции растений, когда задачу можно разрешить чисто математическими методами. Однако такие платформы не очень подходят для более сложных, междисциплинарных проблем. В этом случае полезными оказались более сложно организованные ресурсы, позволяющие объединять экспертов разного профиля в рабочие группы, подходившие к задаче итерационным методом. Например, биологические особенности адаптации какого-то растения к различным географическим поясам не сможет смоделировать специалист, работающий индивидуально и использующий только математические методы.
Мы решили использовать открытые инновации, чтобы получить возможность анализировать данные для идентификации генетических комбинаций, при которых у растений сои проявляются оптимальные свойства, в том числе максимальная урожайность. Идеального сорта сои не существует. Точнее, существуют разные виды этого растения, наиболее подходящие для тех или иных климатических зон и условий выращивания. С учетом того, что у сои 46 000 генов, определяющих ее потенциал, а число возможных комбинаций практически бесконечно, выбор самых подходящих разновидностей становится невероятно сложной задачей. Чтобы определить сорта с наилучшими характеристиками, пришлось бы протестировать их, сравнивая свойства разных сортов семян, выращенных в различных регионах по всему миру.
Наша концепция заключалась в необходимости создания комплекса программных средств, способных заменить интуитивные подходы в селекции растений методами, основанными на научных данных. В качестве основного инструмента нам потребовалась система мониторинга информации, которая позволяла бы селекционерам оперативно знакомиться с характеристиками растений с разных полей и сразу определять, как там обстоят дела. Для ее создания мы организовали конкурс на платформе InnoCentive, базирующейся в Уолтеме, Массачусетс. В нем приняли участие специалисты из разных областей, в том числе математики, физики, специалисты по информатике и программисты, пожелавшие проверить свои навыки решения проблем. Конкурс был открыт для всех 375 000 пользователей этой платформы. Мы предложили его участникам создать инструмент обработки исходных данных полевых испытаний с визуальным представлением результатов и выделением аномалий для их дальнейшего исследования.
Этот инструмент должен был осуществлять так называемый остаточный анализ, или анализ остатков. Речь здесь идет о возможности рассчитывать разницу между наблюдаемыми и прогнозируемыми значениями генетического признака на базе статистической модели, аккумулирующей данные из множества регионов. А так как мы искали методологию и хотели получить и проверить возможно большее количество творческих идей, то сочли нужным обратиться к максимально широкой сетевой аудитории.
Наибольшее внимание к нашему конкурсу возникло в сообществе InnoCentive. Примерно за три месяца более 200 специалистов скачали подробное описание проблемы и данные, позволяющие разработать предложения по ее решению. Индивидуальные участники согласились подписать в режиме онлайн договор о неразглашении и соблюдать основные условия конкурса. В первом туре мы просили их представить техническое описание с изложением подхода к решению проблемы. Наши штатные сотрудники проанализировали каждый представленный онлайновый документ, и эксперты выделили два поступивших предложения, каждое из которых позволяло решить проблему качества данных. Мы выбрали тот подход, на основании которого, как нам показалось, было проще создать практический инструмент. Работа именно этого участника и была оплачена согласно заранее оговоренным условиям.
Таким образом мы формировали для своей организации великолепную аналитическую базу, причем с весьма малыми затратами, ведь решение даже нескольких задач обходилось нам дешевле, чем, скажем, услуги принятого в штат профессора математики. Каждая платформа имела свои типовые договоры, что заметно снижало стоимость решения проблем, поскольку мы оплачивали только правильные ответы и помощь в создании эффективного инструмента. Компания сразу четко сформулировала условия конкурса; участники понимали, что их работа будет оплачена, только если они представят именно тот результат, которого ждут организаторы.
Получив методику, победившую в первом туре конкурса, мы разместили на той же платформе информацию о второй проблеме. Теперь мы хотели усовершенствовать инструмент так, чтобы ввод данных был быстрым, несложным и интуитивно понятным для селекционеров, пользующихся инструментом в полевых условиях. На этот раз участники конкурса придумали систему, которая представляла визуальные данные об урожайности на основе результатов испытаний на полях с разными характеристиками: территории с низкой урожайностью были окрашены одним цветом, а участки с высокой урожайностью — другим. С помощью этой технологии ученым будет проще определять проблемные области, нежели при просмотре столбцов цифр.
Приведенный ниже пример показывает, как работает этот инструмент. На одном поле результаты не совпадали с ожидаемыми показателями роста для различных сортов тестируемых семян. Оказалось, что это было обусловлено различиями не в сортах семян, а в их местоположении на поле: в некоторых рядах растения были слабыми, на других же результаты соответствовали ожидаемым. Мы захотели выяснить, в чем дело. При помощи вышеописанного инструмента наш менеджер понял, где нужно искать причину обнаруженной аномалии: из-за производственного брака комбайн, который использовался для измерения урожайности на данном участке, был неправильно откалиброван, поэтому с одной стороны поля результаты замеров были искажены. Итак, благодаря новому аналитическому инструменту был обнаружен заводской брак, после чего изготовитель оборудования устранил его. Если бы дефект не был исправлен, пользователи этой машины в течение многих лет получали бы искаженные результаты тестирования, непроизводительно расходуя время и деньги.
Постановка проблем для решателей задач
Вдохновленные первоначальными достижениями по использованию открытых инноваций и аналитики в повышении эффективности селекции растений, мы захотели закрепить успех и поставили перед нашими «решателями» третью проблему: подобрать математическую концепцию для разработки наиболее объективных экспериментов по оценке урожайности.
Специалисты-селекционеры, измеряющие урожайность растений, используют, в частности, три ключевых показателя: сколько сортов тестируется, в каких регионах и кратность повторения испытаний. Решения по каждой из трех позиций принимаются повторно на трех отдельных этапах испытания. Поскольку возможных комбинаций этих переменных чрезвычайно много (для нашего ассортимента продукции — больше триллиона!), для упрощения задач селекционеры часто увеличивают масштабы экспериментов, то есть расширяют количество испытательных площадок и производимых опытов. Таким образом, полагают они, лучшие результаты будут получаться сами собой. Однако из нашего собственного опыта мы знаем, что увеличение масштабов эксперимента не всегда обеспечивает оптимальные результаты: часто при этом просто росли затраты времени и денег.
Мы понимали, что эта проблема по своей природе намного сложнее, нежели просто проблема качества данных, которую чаще всего можно решить как чисто математическую задачу. Поэтому участникам первых не нужно было иметь глубокие познания в биологии. А вот спланировать и провести испытания на урожайность могли только специалисты, обладающие и хорошими навыками обработки цифровых данных, и достаточно глубокими познаниями в области биологии. Поэтому теперь Syngenta обратилась к другой платформе открытых инноваций, ориентированной на командную работу.
Конечно, необходимость использования команды сужает круг возможных участников конкурса. И действительно, профильную подготовку, необходимую для поиска решения нашей проблемы, имели всего несколько человек. Видимо, поэтому полученные нами первые отклики относительно проведения испытаний с применением математической модели были не такими, как мы ожидали. Мы поняли, что поставленная проблема сложнее, чем нам поначалу представлялось. Несмотря на все наши попытки четко и однозначно сформулировать задачу, участники неизменно интерпретировали ее на свой лад, решая вопросы, которые мы не ставили, и фокусируя свое внимание на тех аспектах, которые казались нам второстепенными. Это непонимание огорчало обе стороны.
Наш опыт показывает, что одна из самых больших сложностей в открытых инновациях — это формулирование проблемы таким образом, чтобы заинтересовать потенциальных исполнителей-«решателей». В итоге мы поняли, что лучше не представлять задачу в целом, не вдаваясь в детали, а разделить ее на более мелкие фрагменты.
Решение проблем с использованием открытых инноваций
Вместо того чтобы с помощью открытых инноваций решать проблему в целом, часто лучше разделить ее на более мелкие фрагменты. Для этого нужно сконструировать и проверить возможные варианты решения, на основе чего принять промежуточное решение. Далее проблема переформулируется для проработки следующего фрагмента. Этот процесс может повторяться до тех пор, пока не будет получено полное искомое решение.
В ходе работы по проектированию исследований урожайности мы поняли, что реализация способа, возможно, позволяющего решить проблему в целом (и требующего моделирования более триллиона возможных комбинаций для каждого тестирования урожайности), займет несколько недель и создаст слишком большую нагрузку на вычислительные ресурсы. Поэтому мы переформулировали задачу, попросив участников найти менее затратный подход. Насколько это было возможно, мы удалили из условий задачи биологию, чтобы сосредоточить внимание на математической составляющей.
Критически важным действием является проверка правильности (валидация). В агрономии мы стараемся выяснить, являются ли моделируемые эффекты следствием генетических особенностей растения или результатом воздействия окружающей среды. Тут очень легко сбиться с правильного пути, руководствуясь неправильно интерпретированной корреляцией. Но именно валидация подтверждает, что работа над одной частью проблемы завершена и можно переходить к следующей составляющей.
Одна из команд, занимавшихся решением нашей проблемы, предложила двухступенчатый статистический подход, и он показался нам перспективным. Мы проверили его на наших прошлых реальных и достоверных результатах — он выдержал проверку и в итоге был признан победителем.
На разработку системы оптимизации испытаний на урожайность, ее тестирование и подготовку к эксплуатации ушло более двух лет. Параллельно мы прошли через четыре серьезные итерации и четыре дополнительные переработки системы на открытой инновационной платформе, пока не получили первую версию нашего инструмента — полностью выверенную и готовую к использованию.
В этот момент мы поняли, что сделали по-настоящему большое дело. Проект поднялся на такую высоту, какой невозможно было бы достичь усилиями только штатных специалистов. Платформа открытых инноваций позволила взаимодействовать с людьми, способными разработать такие решения, которые мы даже не могли представить, причем часто из самых неожиданных источников. Например, мы работали со специалистами в области математики и статистики, а также с бизнесменами и инженерами. Некоторые из них находились на расстоянии нескольких часовых поясов от Айовы — в Европе и даже в Австралии.
Создание новых возможностей для организации
Мы учились использовать результаты, полученные с участием привлеченных экспертов, и одновременно старались найти новые задачи, которые могли бы их заинтересовать. «Таланты по вызову» помогли нам получить инструмент для управления генетической составляющей процесса селекции — определять, какие сорта сои скрещивать и какой селекционный метод принесет успех с наибольшей вероятностью. Мы также привлекли внештатных специалистов с целью разработки метода моделирования результатов для всего диапазона логических вариантов, которые могут использовать селекционеры: где выращивать соевые бобы, какими оптимальными свойствами они должны обладать и т.д.
В последние восемь лет открытые инновационные платформы помогли нам создать более десятка инструментов аналитической обработки данных и добиться радикальных перемен в растениеводстве. Вместо работы по наитию мы использовали научный подход и теперь снимаем больший урожай при меньших затратах. Мы поняли, что использование открытых инноваций имеет ряд преимуществ по сравнению с расширением штата компании. Поскольку мы ищем экспертов в области математики и аналитики, способных решать поставленные проблемы, за пределами организации (а не принимаем в штат специалистов, формально соответствующих профилю нашей организации), то не испытываем трудностей, которые обычно сопутствуют найму нужных работников. В процессе исследований нашлись люди, которые стали регулярно сотрудничать с нами, и мы подписали с ними контракты для работы напрямую, то есть они стали «нашими кадрами».
А что это дает тем, кто занимается решением проблем? Как ни странно, многие специалисты участвуют в конкурсах открытых инноваций просто потому, что им это нравится. Они могут проводить ночи и выходные дни в поисках решения, которое в итоге может не сработать и, соответственно, не принесет никаких дивидендов. Например, одно из победивших в нашем конкурсе решений поступило от человека, владеющего успешно работающим предприятием по производству бетона. Он принимал участие не ради денег — ему доставлял удовольствие сам процесс решения сложной задачи, настоящей головоломки.
Конечно, для достижения результатов приходится затрачивать массу усилий. Менеджеры, ожидающие, что работать с инновационными онлайн-платформами так же просто, как делать обычные покупки на сайтах, будут разочарованы. Чтобы справиться с поставленным заданием, здесь потребуется не только представить несколько ответов на вопросы в указанной форме. Для каждого конкурса мы формировали команду штатных экспертов, которые рассматривали заявки и общались с участниками. Члены этих групп были привержены идее оптимизации, потому что понимали, какой успех в итоге она может принести.
Открытые инновации — это живой, практический процесс. В нашем случае он требовал постоянного общения с участниками конкурса. Нередко выяснялось, что каждый из них стремился по-своему переформулировать предложенную для решения проблему. Мы старались понять, почему, например, то, что было достаточно простым для биологов, специалистам по обработке и анализу данных виделось гораздо более сложной задачей.
Поскольку быстро растущее население планеты нуждается в еде, сегодня необходимо производить все больше и больше продуктов питания. Учитывая важность этой задачи, руководство компании Syngenta сознает необходимость обновления производственных возможностей. Это подразумевает, в частности, формирование навыков аналитической обработки данных теми способами, которые раньше в отрасли никогда не использовались.
До внедрения нового инструментария ежегодный показатель наших достижений составлял в среднем 0,8 бушеля на акр (около 0,55 ц/га). Теперь, восемь лет спустя, этот показатель вырос более чем втрое: ежегодный прирост составляет 2,5 бушеля на акр (около 1,7 ц/га). По оценкам, основанным на нашем опыте выращивания соевых бобов, при использовании действовавшей ранее практики для генетического прироста такого уровня, какого мы достигаем с помощью новых инструментов, нам пришлось бы затратить еще 278 млн долл. Теперь эта практика работы распространяется на весь спектр культур, включая сладкую кукурузу, полевую кукурузу, подсолнечник и арбузы.
В апреле 2015 г. независимая комиссия научных и бизнес-экспертов по технологии исследований засвидетельствовала правильность наших аналитических разработок и возможность их распространения за рамки сельскохозяйственной сферы. Компания Syngenta получила престижную премию им. Франца Эдельмана за достижения в области расширенной аналитики, исследований операций и науки управления. Почему жюри вынесло решение в пользу нашей компании? Основанием для этого стало сочетание способности принимать лучшие решения в области селекции и производить высокоточные измерения на всех фазах развития посевных семян и в процессе генетической работы. В итоге увеличение урожайности оказалось существенным.
В каждой отрасли существуют возможности для инноваций — даже если их поиск приходится вести за пределами компании. Мы делали все возможное, чтобы объяснить штатным сотрудникам смысл открытых инноваций, а также показать им, что ни в коей мере не принижаем значимость их собственной работы. Они играли важнейшую роль при постановке ключевых задач и оценке вариантов. А наша цель состояла в том, чтобы сосредоточить внимание на конечных результатах и подключить к работе самых лучших специалистов, где бы они ни находились.
Примечания
. Несмотря на то что один из авторов, Алфеус Бингхэм, не работает в Syngenta, в начале реализации проекта он выполнял в компании функции консультанта, поэтому авторы приняли решение вести рассказ об этой работе Syngenta от первого лица множественного числа.
. Более подробную информацию об использовании аналитических данных можно найти в статье J. Byrum, C. Davis, G. Doonan, T. Doubler, D. Foster, B. Luzzi, R. Mowers, C. Zinselmeier, J. Kloeber, D. Culhane, and S. Mack, “Advanced Analytics for Agricultural Product Development” («Расширенная аналитика для разработки сельскохозяйственной продукции»), Interfaces 46, no. 1 (January/February 2016): 5–17.
. Для получения дополнительной информации о премии Эдельмана см. .
