В последней главе мы остановимся на основных трендах будущего в области управления данными. Важно отметить, что это не визионерский взгляд, а квинтэссенция того, о чем мы говорили на страницах нашей книги. Но перечисления последних трендов мало, мы пошли чуть дальше – рассказав об основных тенденциях (наука о данных, искусственный интеллект, машинное обучение и интернет вещей), мы покажем на ряде примеров, как управление данными влияет на вполне конкретные области человеческой жизнедеятельности – медицину, логистику, транспорт, сельское хозяйство, природопользование, промышленность, жилищно-коммунальное хозяйство. Таким образом, из «космоса» (дальние перспективы) мы вернемся назад в «атмосферу» (что будет использоваться в самое ближайшее время).

Сейчас много внимания уделяется искусственному интеллекту (ИИ), причем в различных его проявлениях – от роботизации до машинного зрения и автоматизированного принятия решений. Ученые много лет пытаются научить машины «думать, как люди», в результате чего возникло машинное обучение, основанное на огромных массивах данных, которые нужно «должным образом подать и приготовить» для машины/алгоритма, чтобы она обучалась, а потом «подавать» еще, чтобы скорректировать ее работу и т. д. Это отдельная быстроразвивающаяся область, где сейчас особое внимание уделяется вопросам стабильности и адаптации алгоритмов машинного обучения к внезапным изменениям потоков данных, к возможным ошибкам данных или же нетипичным ситуациям, т. е. таким, к которым машину «не приучили». За примерами далеко ходить не надо – пандемия COVID-19 изменила многие устои, к которым мы привыкли (а значит, так и обучили машинные алгоритмы). Появилось большое количество отраслей, которые начали свою коренную перестройку. Об этих отраслях мы подробнее расскажем чуть дальше. И здесь снова мы видим возрастающую роль данных – все уходит в онлайн, все больше сфер пытаются автоматизировать и роботизировать, чтобы избежать человеческого участия, все больше появляется массивов данных, доступных для различного анализа.

Интересный технологический тренд – распределенное хранение данных и параллельные вычисления. Все эти возрастающие массивы информации необходимо хранить, а вычислений становится больше. Понятно, что традиционные ИТ-гиганты выпускают больше дисков и систем хранения данных, способных вмещать все больше данных, а также еще более производительные процессоры, которыми наполняют мощные сервера. Но эта гонка не может продолжаться бесконечно. А как же все купленное три-пять лет назад? У многих из нас остались старые компьютеры и смартфоны. Именно здесь и сейчас наука серьезно занимается вопросами о том, как разместить данные децентрализованно и соединить их в нужный момент (здесь роль метаданных и управления ими особенно важна для распределенных хранилищ), как использовать простаивающие вычислительные мощности для необходимых вычислений и какие из них могут быть распараллелены с учетом нахождения данных для этих вычислений. Прослеживается четкая синергия с машинным обучением.

О науке о данных мы уже говорили. Это наука о методах анализа данных и извлечения из них ценной информации, знаний. Она тесно переплетена с такими областями как машинное обучение, наука о мышлении (cognitive science) и, конечно, с технологиями работы с большими данными. В свою очередь, большие данные – это огромные объемы неструктурированной информации: например, метеоданные за какой-то период, статистика запросов в поисковых системах, результаты спортивных состязаний, базы данных геномов микроорганизмов и многое другое. Для работы с такими данными используют математическую статистику и методы машинного обучения. Итог работы ученого по данным– прогнозная модель, некий программный алгоритм, который находит оптимальное решение поставленной задачи. Стоит отметить, что незаменимый помощник ученого по данным – специалист по машинному обучению, который выбирает архитектуру и обучающие алгоритмы.

В науке о данных слились воедино консервативные стратегические подходы, предметный анализ, приемы поиска шаблонов и аномалий данных, а также те алгоритмы поиска совпадений, нормализации, которые упоминались на страницах этой книги.

Наука о данных будет все больше использоваться в самых разных направлениях бизнеса. Приведем несколько примеров ее использования на практике. Для задач маркетинга эти технологии могут прогнозировать спрос на услуги компании. Для транспортных компаний – использоваться для выстраивания оптимального маршрута. Для производства – прогнозировать сроки выхода из строя оборудования и обнаружение дефектов продукции. В ИТ-сфере специалист в области науки о данных может разрабатывать ботов, поисковые алгоритмы, системы искусственного интеллекта. В сельском хозяйстве алгоритмы дают прогноз по урожаю, подбирают оптимальные системы землепользования. В страховом бизнесе – оценивают вероятность страхового случая. В медицине появляется все больше приборов, ставящих диагноз на основании данных, например, программа может указать поврежденные органы на рентгеновских снимках. Прогнозы погоды, которыми пользуемся, и те готовятся с помощью науки о данных.

Можно выделить три основных типа концепций, с которыми работает наука о данных:

1. Представления о том, как наука о данных вписывается в организацию и конкурентную среду, включая способы привлечения, структурирования и развития команд, занимающихся наукой о данных; способы осмысления того, как наука о данных ведет к конкурентному преимуществу; и тактические концепции успешного выполнения проектов.

2. Общие способы анализа данных. Они помогают в определении соответствующих данных и рассматривают соответствующие методы. Эти концепции включают в себя процесс интеллектуального анализа данных, а также набор различных высокоуровневых задач интеллектуального анализа данных.

3. Общие представления о реальном извлечении знаний из данных, лежащие в основе огромного массива задач науки о данных и их алгоритмов.

Фундаментальное понятие здесь – сходство двух объектов, описываемых данными. Способность определять сходство лежит в основе различных конкретных задач. Ее можно использовать, например, для поиска клиентов, похожих на данного клиента. Все это составляет основу нескольких алгоритмов прогнозирования, которые оценивают целевое значение, такое как ожидаемое использование ресурсов клиентом или вероятность того, что клиент ответит на предложение.

Сходство также составляет основу поиска информации, при котором извлекаются документы или веб-страницы, соответствующие поисковому запросу. Наконец, именно это понятие лежит в основе нескольких общих алгоритмов рекомендаций. Грубо говоря, когда мы посещаем интернет-магазин в поисках товаров и он рекомендует нам «посмотреть что-то еще», – это наука о данных в действии.

Здесь стоит привести очень интересный пример противостояния двух компаний-гигантов в области производства персональных компьютеров, Dell и Compaq, в 1990-е годы. К середине 1990-х Compaq была лидером американского рынка, но потеряла все, вовремя не отреагировав на угрозу со стороны Dell, которая использовала технологии науки о данных и получила важнейшие конкурентные преимущества. Речь идет о введении веб-сервиса по кастомизации компьютера, исходя из личных предпочтений заказчика. Compaq не смогла ответить еще и потому, что у нее была другая бизнес-стратегия продаж. В то время как Dell продавала PC напрямую через интернет, Compaq отгружала компьютеры через розничные магазины. И когда Compaq попыталась скопировать веб-стратегию Dell, она столкнулась с жесткой реакцией от своих розничных продавцов, потому что модель продаж не подходила для этой стратегии. Compaq вынесла из этой ситуации жесткий урок, который заключается в том, что на этапе понимания бизнеса нам необходимо тщательно подумать о том, как данные и наука о данных могут обеспечить ценность в контексте нашей бизнес-стратегии, а также будут ли они делать то же самое в контексте стратегий наших конкурентов. Через какое-то время Compaq стало лихорадить, некогда процветающий бренд купил другой конкурент, Hewlett-Packard, и вскоре после этого компания исчезла с рынка.

Есть и другой громкий пример – противостояние Amazon и Borders. Когда-то обе сети конкурировали в области книжных продаж, но введение Amazon персонализированных рекомендаций отправило Borders на покой. О компании сейчас никто даже не вспомнит, а детище Джеффа Безоса – одна из крупнейших ИТ-компаний в мире.

Технологии искусственного интеллекта (ИИ) – это важнейший инструмент работы с данными. Именно искусственный интеллект позволяет преобразовывать огромный объем данных в различные сервисы и продукты, быстрота, удобство и качество которых в первую очередь зависят от объема и качества используемых данных и применяемых технологий искусственного интеллекта.

Если обратиться к истокам ИИ, то первые упоминания о нем относятся к 1950-м годам, когда ученые продемонстрировали начальные версии работы искусственных нейронных сетей. К сожалению, после первых успехов исследования в этой области довольно быстро остановились, в первую очередь их-за недостаточности данных и вычислительных ограничений аппаратного обеспечения того времени.

В дальнейшем исследование ИИ шло эволюционным путем. Сначала речь шла о создании решений на основе правил, затем – на принципах нейронных сетей. В основе нейронных сетей также лежали простейшие правила, которые задают направление движения «мысли системы». В отличие от экспертных систем, нейронные сети обучаются не на правилах, а на текстовых входных и выходных данных, имитирующих правила обучения человеческого мозга. Решения на основе правил базировались на опросе экспертов, а их ответы составляли суть решений, называемых также экспертными, логику которых можно описать правилом «если-то». У экспертных систем существует несколько слабых мест, главное из которых – невозможность эффективного использования этого метода при существенном расширении задач и предметных областей.

Когда исследуемые системы стали сложнее, правила стали складываться в конечные автоматы, т. е. последовательности применения правил в зависимости от исхода предыдущего шага. Именно тогда появились нейронные сети. Исследователи-сторонники нейронных сетей не задают правил, основанных на ответах экспертов. Нейронные сети – это шаг в сторону имитации работы человеческого мозга, т. е. это метод использования огромного массива образцов картинок, звуков, математических решений, видеофрагментов для самостоятельного определения закономерностей загруженных данных, используя правила обучения человеческого мозга. В качестве примера можно привести обучение ребенка, когда он видит впервые в жизни какой-то предмет или животное и родители дают определение или другими словами отвечают на вопрос «Что это?». В дальнейшем ребенок, столкнувшись с этим предметом, уже знает из ответов родителей, что это такое, и в процессе взросления получает все больше описательной информации об этом предмете и самостоятельно оценивает увиденное/услышанное, делает определенные выводы и принимает самостоятельные решения.

По мере усложнения задач развитие технологий нейронных сетей требует не только существенного развития вычислительных мощностей, но и огромного объема данных, а также алгоритмов обучения все увеличивающихся слоев искусственных нейронов. Во многом благодаря исследованиям Джеффри Хинтона в 2000-х годах появился термин «глубокое обучение», основанный на открытом им способе эффективного обучения добавленных слоев.

Перспективы технологии нейронных сетей привели к тому, что решения ИИ, основывающиеся ранее на экспертных знаниях, теперь целиком и полностью базируются на данных. По мнению одного из известнейших мировых экспертов в области искусственного интеллекта Кай-Фу Ли, «для создания эффективных алгоритмов искусственного интеллекта нужны три составляющие: большие объемы данных, вычислительные мощности и труд способных – но не обязательно выдающихся – разработчиков алгоритмов искусственного интеллекта».

При этом основу развития технологий искусственного интеллекта сейчас составляют данные, их объемы и качество. Чем выше значения этих параметров, тем более эффективные алгоритмы они позволяют создать, независимо от направлений деятельности этих решений. Преимущество в технологиях ИИ получат те страны и компании, у которых формируется наибольший объем данных, которые из количества переходят в качество. ИТ-гиганты многие годы накапливают данные пользователей и их активности – как в онлайн-платформах (различные транзакции, приобретаемые услуги и товары, их характеристики, история поисков, загруженные и просмотренные фотографии, видео, комментарии и лайки и прочие активности), так и данные из реальной жизни (банковские транзакции, использование различных финансовых и страховых сервисов, посещение ресторанов, фитнес-клубов, и данные о разнообразных пристрастиях, данные о путешествиях и многих других данных, собираемых бизнесом не только о пользователях, но и о членах их семей, друзьях и коллегах). Все это позволяет собрать полноценную картину повседневной жизни граждан и бизнеса.

По мнению Кай-Фу Ли, «полный переход к повсеместному использованию искусственного интеллекта займет некоторое время и будет состоять из четырех волн – т. е. этапов внедрения искусственного интеллекта. Первым мир покорит ИИ интернета, затем ИИ для бизнеса, потом наступит черед ИИ восприятия и автономного ИИ. На каждом из этих этапов ИИ будет захватывать новые области нашей повседневной жизни».

В настоящее время ИИ интернета и для бизнеса уже ощущается во многих сферах нашей жизни. Мы получаем различные советы от поисковых систем, видим на страницах браузеров рекламу и описание интересующих нас товаров и услуг, зачастую расположенных рядом с нашим домом и офисом, читаем новости, подобранные с учетом наших интересов. Все это настолько органично вошло в нашу жизнь, что без этого сложно представить использование интернета современным человеком.

В свою очередь ИИ для бизнеса уже стал неотъемлемой частью многих бизнес-процессов, заменяя собой многие алгоритмы работы организации, автоматически формируя и проверяя документы, оценивая заемщиков, планируя маркетинговые акции и эффекты от их проведения, формируя тарифные планы и экономические результаты их возможного внедрения, диагностируя болезни и рекомендации по лечению, оценивая результаты различных фармакологических исследований и возможностей распространения тех или иных болезней, и многое другое.

ИИ восприятия фактически переводит в цифровой вид окружающий нас мир; все, что человек слышит, читает, воспринимает. Все это уже в большинстве своем оцифровано, и благодаря дальнейшему развитию технологий этот объем цифровой информации будет кратно возрастать с каждым годом, учитывая широкое распространение датчиков, камер, и других устройств. Все данные, поступающие с огромного количества телефонов, телевизоров, автомобилей, камер наблюдения, различных приложений, постоянно анализируются и формируются в кластеры, позволяющие строить цифровую среду с небывалой скоростью и качеством, неотличимым, а где-то превосходящим наш физический мир, делая цифровой мир комфортнее и обогащая его все новыми возможностями.

Автономный ИИ – венец развития цифрового мира. Он обеспечит интеграцию достижений предыдущих трех волн, на основе огромного массива собранных данных и мгновенной обработки текущей информации со всевозможных устройств. Автономный ИИ кардинально изменит мир, к которому мы привыкли. Отдельные решения уже становятся частью нашей жизни, это касается прежде всего транспортной среды (беспилотные автомобили), различные технологии розничной торговли (беспилотные кассы и вендинговые аппараты), логистики и складского обслуживания (беспилотные погрузочные и сортировочные машины), сельскохозяйственная техника, грузовые автоперевозки и многие другие решения.

В настоящий момент на рынке решений ИИ доминируют Google, Amazon, Microsoft, Baidu, Alibaba и Tencent. Все они, кроме Baidu, входят в десятку крупнейших компаний мира по рыночной капитализации, что указывает на беспрецедентный рост капитализаций компаний, работающих в области ИИ, отношение к единому направлению со стороны инвесторов и перспективность дальнейшего развития и монетизации технологий. Эти компании аккумулируют гигантские суммы в исследования ИИ. А если учитывать накопленные ими гигантские объемы данных в самых разнообразных сферах и, как следствие, привлечение лучших специалистов, то станет понятно, что эти компании фактически недосягаемы для других игроков рынка. Кроме того, с каждым днем внедряются все новые технологии, количество и качество данных растут, что создает еще больший задел. Как мы говорили ранее, для дальнейшего развития технологий ИИ самое важное – это объемы и качество данных, что позволяет на их основе проводить новые исследования и создавать инновационные продукты.

Основными направлениями применения ИИ становятся различные отрасли бизнеса, которые накладывают свои требования к применяемым технологиям. Например, машинное обучение, о котором пойдет речь далее, развивается в машинное зрение, которое широко используется в телемедицине и автостроении. Другое применение находят ИИ технологии в предиктивной аналитике, где ранее были исключительно статистические методы. Технологии интернета вещей, о которых пойдет речь далее, также базируются на ИИ, особенно в т. н. индустриальном интернете вещей (IIoT).

Существуют три классических модели внедрения технологий ИИ для компаний.

1. Новые форматы сбора и информации о клиентах/продуктах/сервисах и возможностях взаимодействия с ними.

2. Возможность предложения новых продуктов/сервисах.

3. Совершенствование бизнес-процессов и автоматизация производства.

Если говорить об управлении данными, то важно отметить, что информация из одного источника должна обогащать данные, полученные из другого. Это, в свою очередь, ведет к синергии, но также может приводить и к конфликтам данных и созданию ошибок. Например, при объединении данных огромной размерности могут наступить фатальные последствия из-за невозможности внесения исправлений в больших масштабах.

Машинное обучение – одна из областей ИИ, которая состоит из методов, позволяющих компьютерам принимать решения на основе данных и реализовывать приложения ИИ. Фактически, машинное обучение – класс методов ИИ, который ориентирован на создание систем, которые обучаются (т. е. совершенствуют свою производительность) посредством анализа данных. Понятия «машинное обучение» и «ИИ» часто употребляют в одном контексте порой как взаимозаменяемые, однако они имеют разное значение. Разница состоит в том, что машинное обучение всегда подразумевает использование ИИ, однако ИИ не всегда подразумевает машинное обучение.

Машинное обучение присутствует практически во всех сферах современной жизни. Каждый раз, когда мы пользуемся банковскими услугами, делаем покупки в интернете или общаемся в мессенджерах, алгоритмы машинного обучения помогают сделать это взаимодействие удобнее, эффективнее и безопаснее.

В основе машинного обучения лежат алгоритмы, которые разделяются на два основных типа: обучение «с учителем» и без него. Разница заключается в способе изучения данных для последующего прогнозирования.

Практически все мировые технологические лидеры уже приняли стратегию разработки своих продуктов и сервисов по так называемой дата-центричной модели. Она подразумевает построение новых продуктов и сервисов, исходя из имеющихся данных, которыми эти решения будут пользоваться, и данных, которые эти решения будут формировать, обогащая ими текущие информационные массивы и «цифровые профили».

Такие компании, как Alphabet и Google, считают, что ИИ – основа для революции компьютерных технологий, и его влияние на общество будет даже более значительным, чем появление интернета. Крупнейший производитель напитков Coca-Cola в день продает более 1,9 млрд товарных единиц. У компании более 500 брендов. Приведем цитату руководителя производства Coca-Cola Грега Чемберса: «Искусственный интеллект – фундамент всей нашей деятельности. Мы создаем интеллектуальный опыт, и его ядро – это искусственный интеллект».

В качестве еще одного интересного примера можно привести платформу SmartThings компании Samsung, которая может стать первой компанией в мире, реализовавшей концепцию «сетевого (цифрового) дома», в рамках которой все устройства Samsung смогут обмениваться данными в единой цифровой экосистеме. Все это открывает поистине безграничные возможности для различных новых сервисов и формата взаимодействия с потребителями на уровне проектов и сервисов. В этой связи можно констатировать что любой разработчик цифровой экосистемы, получившей широкой распространение и ставшей неким стандартом объединения и работы с данными/продуктами/сервисами, получит огромное преимущество в будущем.

Интернет плотно вошел и в нашу жизнь, и в окружающую нас действительность. Это не только компьютеры, смартфоны и планшеты, с помощью которых мы «выходим в интернет». Речь идет практически обо всей бытовой технике. Холодильники считывают сроки годности и составы продуктов, пылесосы и метеодатчики работают в доме в наше отсутствие, современные автомобили считывают всевозможные показатели, от траффика до метеоусловий, а «проникновение» интернета в медицинские приборы вызывает настоящее восхищение. Все эти предметы генерируют и собирают данные, причем объем этих данных поистине огромный. Огромное количество приложений обрабатывают эти данные и генерируют новые: холодильники подсказывают, когда у каких продуктов истечет срок годности, состав всего загруженного в них, часы обладают множеством функций, подсказывающих сколько шагов, калорий уже потрачено, когда необходимо пить воду. Автомобили пользуются машинным зрением – сами паркуются, поворачивают и тормозят. Все эти функции были бы невозможны без надлежащей обработки информации, трактовки исторических данных и соответствующей синхронизации и обмена информацией по каналам всемирной сети интернет.

Во всех этих примерах важно отметить различные аспекты работы или, здесь уже можно сказать, управления данными, которые мы уже успели рассмотреть в этой книге. Действительно, все начинается с «понимания» (семантики) данных – холодильник должен понять «что» в него ставят, при этом речь не идет о стандартных бирках – могут быть разные магазины, продуктовые рынки и даже ручная корректировка вводимых данных. Вопрос качества данных безусловно очень важен, ведь если умные часы собирают геоданные с ошибкой, то все приложения, использующие эту информацию, будут давать неверные результаты скорости движения, геопозиционирования и пр. Ну и конечно, функции мониторинга потоков данных со всевозможных датчиков, «раскладки этих данных» согласно семантике и метаданных являются основополагающими для всех этих приложений трекеров, смартфонов, телемедицины, автомобильной, спортивной и прочих отраслей.

Все это были примеры из нашей бытовой жизни (Commodity Internet of Things). А что происходит в производстве, промышленности? Конечно, там все началось гораздо раньше с автоматизации производственных процессов, создания специализированных программ проектирования, управления станками и практически всем оборудованием. Сюда также пришел интернет вещей, его назвали промышленным интернетом (IIoT, Industrial Internet of Things). Попробуем описать его специфику на двух примерах. Первый приведет нас к образу «Цифрового двойника» из фантастических романов начала ХХ века, а второй – ситуация, которая полностью поменяла бизнес-модель целой компании.

Первый пример – крупная международная компания, которая занимала (и продолжает занимать) одно из лидирующих мест по производству турбин и промышленных буровых установок (здесь и далее мы чуть упрощаем терминологию для широкой аудитории наших читателей). Конечно же, производство модернизуется, а турбины оснащаются все большим количеством датчиков (или сенсоров), снимающих такие показатели, как отклонение от вертикальной оси, западение скорости вращения и др. В определенный момент в компании осознали, что объем датчиков покрывает полностью все возможные состояния оборудования как в статичном положении, так и в динамике. Полученный образ можно назвать полным «цифровым двойником» и отслеживать любые его состояния удаленно. Кроме того, все оборудование, которое взаимодействовало друг с другом, оказалось оснащено аналогичными и подобными датчиками. Благодаря этому было решено сразу две задачи: во-первых, все турбины, управляющие установки и прочее оборудование оказались полностью оцифрованы, имели своих «цифровых двойников», которые получали информацию от соответствующих датчиков, а во-вторых, получилась единая и полностью интегрированная экосистема цифровых двойников» за счет единообразия протоколов обмена информации между датчиками. Следующим шагом компания стандартизировала интерфейсы обмена информации для всех датчиков всех узлов своего оборудования, поскольку большую часть узлов они закупали у партнеров, а сами занимались сборкой.

К чему это привело? Цифровые двойники» сильно упростили сборочный процесс, отбраковку узлов. У компании появились дополнительные услуги (ИТ-сервисы), например:

● постоянный мониторинг оборудования за счет цифровых двойников, что сокращает затраты на персонал, ответственный за это оборудование;

● предупреждение аварийных ситуаций, улучшение техники безопасности за счет постоянного считывания информации с датчиков и возможность моделирования всевозможных ситуаций на цифровых двойниках;

● услуги по предикативной/предсказательной аналитике, что важно не только для предупреждения аварий, но также позволяет своевременно заказать запасные части или сервисное обслуживание данного оборудования.

Список дополнительных сервисов далеко не полный, и мы уверены, эта компания продолжает их добавлять, оставаясь лидером отрасли. Именно этот шаг больше закрепил лидерские позиции, поскольку одним из основных достижений введения единой платформы IIoT и экосистемы стало привлечение еще большего числа партнеров-производителей более мелких узлов оборудования, т. к. им стало проще работать на уровне цифровых двойников и взаимодействовать с реальными конструкторскими образцами уже на последних этапах.

Вторым ярким примером использования концепции IIoT, а в этом случае правильной обработки данных от всевозможных датчиков своих изделий, стала компания GE Aviation. Это один из лидеров производства авиационных двигателей, занимающий одну их первых строчек наряду с CFM, Pratt&Whitney и Rolls Royce. Авторы не были вовлечены во весь цикл цифровизации авиационных двигателей в отличие от первого примера. Однако к моменту знакомства с проблематикой управления данными было уже очевидно, что цифровые двойники» созданы и все перечисленные сервисы мониторинга, предиктивной аналитики и пр. существуют.

В данном примере компания GE Aviation пошла дальше и, благодаря наличию сервисов, смогла предложить и в большей части перейти к сервисно-ориентированной экономике. Что стоит за этими словами? Все просто: теперь можно прийти в компанию и купить не авиационный двигатель, а часы налета этого двигателя. Двигатель привезут, произойдет монтаж. А далее в специальном авиационном центре GE Aviation будут отслеживать его работу, предупреждать внештатные ситуации. Сами своевременно закажут необходимые запчасти, проведут сервисные работы, что не приведет к тому, что двигатель будет простаивать, ожидая ремонт, а заказчик и GE Aviation будут недополучать работу двигателя и деньги за обслуживание. Эта концепция оказалась взаимовыгодной и востребованной, и при этом была бы невозможна без экосистемы датчиков, объединенных единым интерфейсом обмена данными. Это и есть яркий пример, когда современный IIoT превращает консервативные и устоявшиеся компании в современные конгломераты с сервисно-ориентированной экономикой.

Следующий тренд – формирование цифровой эры постиндустриальной экономики. И что самое любопытное, существенные изменения в жизнях миллиардов людей в связи с эпидемией COVID-19 лишь ускорило ее формирование. Одним из результатов COVID стала огромная государственная поддержка таких перспективных направлений деятельности человека, как фармацевтика и биотехнологии. Глобальное развитие этих отраслей традиционно передвигали «на будущее». И коронавирус фактически и создал это «будущее».

Приблизила эпидемия и технические возможности по организации удаленного труда. Мы имеем в виду информационные технологии и различные сервисы, являющиеся частью ИТ, которые позволяют дистанционно работать, заказывать товары и услуги, удаленно использовать вычислительные мощности, находящиеся за тысячи километров, а также возможности по использованию всевозможных образовательных, медицинских сервисов, возможности приобретения различных товаров не выходя из дома.

К людям пришло осознание, что ускоренное развитие технологий возможно исключительно на базе уже имеющихся решений, которые необходимо переводить в цифровой формат. Без современной технологической основы в различных областях (машиностроение, автомобилестроение, энергетика, медицина, телекоммуникации и многие другие) создать цифровые технологии невозможно, поскольку отсутствует технологическая основа для цифровизации. Увы, при всех достижениях современных технологий область работы с данными остается крайне недооцененной, поскольку все современные технологии эпохи post-COVID опираются на огромные массивы данных, и роль данных будет только возрастать.

Выдающийся немецкий физик, нобелевский лауреат, основоположник квантовой теории Макс Планк говорил: «Не следует думать, что новые идеи побеждают путем острых дискуссий, в которых создатели нового переубеждают своих оппонентов. Старые идеи уступают новым таким образом, что носители старого умирают, а новое поколение воспитывается в новых идеях, воспринимая их как нечто само собой разумеющееся».

Слова Планка актуальны как никогда: сегодня активно формируется новая технологическая эра, характеризующаяся стремительным развитием управления данными. Это уже не просто ИТ, а новая, следующая ступень технологического развития. Не просто информационные технологии, а технологии управления данными, цифровая эра постиндустриальной экономики.

Стремительное развитие технологий имеет серьезные последствия для персонала компаний, стремящихся стать технологическими лидерами: внедрение новейших технологий работы с данными, включая искусственный интеллект и машинное обучение, по оценкам некоторых специалистов приведут к существенному сокращению персонала (до 80 % в последующие десять лет). Все это потребует переобучения практически всех специалистов, поскольку знание технологий работы с данными станет такой же базовой необходимостью, как сейчас – знание офисных программных продуктов. В то же время для привлечения ценных специалистов компании должны заслужить репутацию технологического лидера, что потребует существенных инвестиций в развитие технологий и кардинальное изменение модели привлечения специалистов.

Технологические лидеры доковидной эпохи, получившие технологические преимущества в постиндустриальную эпоху, сейчас становятся с технологической точки зрения недостижимыми и при переходе в цифровую эру.

В качестве примера можно рассмотреть телекоммуникационную отрасль (вспомним нашу абстрактную компанию «Телеком Дубль» из предыдущих глав), которая еще 20–30 лет назад развивалась семимильными шагами: велись огромные проекты по построению волоконно-оптических линий связи, модернизировалось оборудование коммутации (для перехода к пакетной коммутации), создавались огромные центры обработки данных для хранения различной информации, развертывались сети мобильной связи целых регионов и стран. Все это позволило довести показатель проникновения сетей связи до абсолютных значений, но основной задачей того периода являлось предоставление качественной голосовой связи независимо от географии абонента.

В начале 2000-х годов сначала руководители ИТ-корпораций, а потом и топ-менеджеры компаний в области телекома стали осторожно говорить, что построенная инфраструктура гораздо «больше» чем то, что нужно просто для предоставления голосовых услуг. Появились идеи на базе уже построенных сетей предоставлять принципиально новые сервисы (тогда это называлось «услуги с высокой добавленной стоимостью»). Именно в этот период стали появляться первые смартфоны, позволяющие использовать ИТ-сервисы. Отметим, что хотя те смартфоны сильно отличались от того, к чему мы привыкли сегодня, они позволяли обмениваться сообщениями, фотографиями, просматривать сайты, заказывать товары и услуги, а также, пускай и с определенными ограничениями, работать с почтой.

Именно в тот период нынешние технологические лидеры сформулировали свое видение телекоммуникационного будущего: какое решение ближе всего к абоненту, то решение и будет иметь преимущество, сети связи станут просто трубой для доставки данных. Это и произошло в последующие 10–15 лет. Компании, первыми это осознавшие и инвестировавшие в решения для абонентов или даже в «новую реальность или экосистему» для абонентов, такие как Apple, Google, Microsoft, Samsung, Netflix, Zoom и многие другие, стали мировыми технологическими лидерами, капитализация которых на порядки превышает капитализацию телекоммуникационных гигантов начала 2000-х годов.

Все это стало возможно благодаря синергии, позволяющей смело смотреть в будущее развитие технологий, а также из-за изменения поведенческих моделей современного общества, возможности привлечения существенных инвестиций и предпринимательской смелости руководства компаний – технологических лидеров.

Стоит отдельно отметить, что почивать на лаврах свежесозданных технологий долго не получится – технологии сегодня сменяются в некоторых сферах каждые три-пять лет, и то и чаще. Как ни странно это может прозвучать, COVID открыл окно возможностей для огромного технологического рывка, позволяющего человечеству становиться еще более «цифровым», создавать новые платформы и сервисы, переходить на новые технологии практически во всех направлениях. Физическое местонахождение людей становится все менее важным, что неминуемо приведет к развитию функционала так называемых цифровых двойников. И если в нашем примере выше об интернете вещей речь шла о цифровых двойниках деталей и агрегатов, то сейчас можно говорить уже о двойниках людей.

Все больше игроков рынка в разных областях трансформируются в технологические компании. Более того, большинство новейших технологий, необходимых для внедрения новых продуктов и сервисов, а также для ускорения их успешного вывода на рынок, базируются на использовании данных как фундаментальной основе развития новых классов технологий. Именно поэтому качество данных становится основным приоритетом цифровой трансформации. На первый план выходят такие показатели, как правильность, полнота, непротиворечивость данных, возможность использования единых форматов данных, и интероперабельность, о чем мы подробно рассказывали в соответствующих главах книги. В свою очередь, формирование единого полного цифрового профиля человека, продукта, компании становится первоочередной и приоритетной целью компаний, планирующих свое технологическое развитие и стремящихся оставаться лидерами рынка.

Вместе с тем самые современные и востребованные технологии, такие как ИИ, машинное обучение, – это прежде всего технологии работы с данными. Их эффективность во многом зависит от качества и полноты используемых данных. Данные – это сырье для ИИ и машинного обучения. Практически все устройства, которыми мы пользуемся, собирают и передают данные, оставляя так называемый цифровой след.

Принципиально важное значение приобретают основные данные, которые корректируются и обновляются крайне редко – фамилия, имя, отчество, реквизиты документов, имущество, номер телефона и других устройств, реквизиты юридического лица, наименование и описание продуктов и сервисов и другие данные. Это так называемые центры притяжения/сбора транзакционных данных и основные параметры для их дальнейшего применения и аналитики.

Современный мир стремительно меняется, и эти изменения в первую очередь связаны с развитием технологий во всех сферах жизни, прежде всего технологий управления данными. Сегодня для исследователей открыты возможности для сбора и анализа гигантских объемов данных, их систематизации, формирования статистических и аналитических отчетов, выявления различных тенденций, мониторинга изменений, создания прогнозов и проектов будущего развития как отдельных показателей, так и целых отраслей, что открывает невероятные возможности как для фундаментальной науки, так и для прикладных исследований. Отдельно хотелось бы отметить изменения, происходящие в одной из самых важных сфер жизнедеятельности человечества, а именно в области медицины.

Именно в медицине особую роль играет сбор достоверных данных из разных источников (будь то медицинское оборудование или услуги), отслеживание истории и версионности и получение в итоге полной и объективной картины пациента, основанной на актуальных и доверительных данных, которое позволит сделать правильные выводы и поставить диагноз. Именно здесь цена ошибки велика как никогда. И именно в этой области постоянно появляются новые инструменты работы с данными и новые научные направления.

В самое ближайшее время сформируется новая индустрия использования данных. Она вберет в себя сразу несколько направлений: медицину, массовый спорт, фармацевтику и правильное питание. Данные станут объединяющим звеном всех этих направлений жизнедеятельности, а возможность сбора огромного массива информации позволит научному сообществу рассматривать все эти направления как взаимосвязанные. Эта сторона жизни человечества под влиянием технологий изменится самым кардинальным образом и преобразуется в отдельный сегмент жизни, который станет самым капиталоемким и инвестиционно-привлекательным на долгие годы.

Возвращаясь к технологиям, можно констатировать, что уже сейчас размываются границы между практической наукой, лечением, спортом, питанием и развлечениями. Новые технологии и объемы данных, позволяющие анализировать взаимосвязанные причины и следствия, уже сейчас формируют открытия, которые были ранее недоступны в силу невозможности настолько масштабных исследований. Мы стоим на рубеже научно-технологического взрыва в этой области. Отдельно отметим, что точность этих данных проверена до сотых долей значений, поскольку информация формируется датчиками.

В качестве подтверждения будущих открытий можно констатировать, что сейчас многие компании работают над созданием новых видов датчиков, позволяющих снимать различные показатели жизнедеятельности человеческого организма. Все большее внимание уделяется носимым устройствам, которые способны заряжаться от человека, т. е. трансформировать тепло человеческого тела в электроэнергию. Успех подобных технологий позволит уже в ближайшее время создать носимые датчики и гаджеты, которые никогда не придется заряжать. Все эти устройства будут круглосуточно сопровождать своего хозяина.

Подобные технологии также будут востребованы и в нейроимплантации. Вживленные в организм человека микрочипы и электронные устройства не придется постоянно подзаряжать или извлекать хирургическим путем для замены батареек. Эти устройства будут передавать необходимые показатели пациента и реагировать на внештатные значения, требующие медицинской помощи без вовлечения самого пациента, что крайне важно, когда речь идет о пожилых людях или об отсутствии рядом постоянного квалифицированного медицинского персонала.

Уже сейчас заметно, что предсказания ученых об изменениях в научном ландшафте приобрели гигантский характер: отдельные узкие специализации во многих направлениях исследований становятся частями сложных комплексных исследований, открытия которых зачастую появляются на стыке различных научных направлений: биологии, химии, физики, медицины, робототехники, различных ИТ-технологий, а в последнее время еще и различных технологий работы с данными. Уже сегодня международные и национальные организации в области здравоохранения вынуждены вести огромное количество реестров: международный и национальные классификаторы болезней, перечень лекарственных средств, перечень наименования лекарств, перечень активных веществ медицинских препаратов, перечень медицинского оборудования и их производителей, наличие многочисленных сертификатов, перечень медицинских работников и медицинских учреждений. А кроме того, требуется еще и целый пласт данных, формируемых на основе медицинских препаратов и оборудования, результатов медицинских исследований и анализов, и огромный пласт транзакционных данных от датчиков и изменений как периодических, так и в режиме реального времени.

Учитывая отсутствие технологических проблем в части сбора различной медицинской информации, ее систематизации и сопоставления, выявления тенденций и прогностических моделей, данные в этой области стали на порядки более точными. Все это позволяет не только проводить исследования на современном качественном уровне, но и существенно упростить и улучшить работу медицинских работников и учреждений, а также существенно повысить качество жизни многих пациентов, ставить более точные диагнозы, своевременно и точно обеспечивать и корректировать протоколы лечения, что, в свою очередь, спасает многие жизни. Технологии работы с данными также снимают географические границы для людей, позволяют им получить качественную медицинскую помощь в любой точке мира.

Наличие подобных технологий также открывает безграничные возможности для многих направлений бизнеса, так или иначе связанных с качеством жизни, таких как страховые компании, пенсионные фонды, банки, транспортные компании, аптечные сети и фармацевтические компании. Отдельно стоит отметить необходимость использования этих данных для различных государственных органов власти, министерств и ведомств, позволяющих формировать социальную политику, планы в области здравоохранения, различных видов страхования, пенсионного обеспечения, фармацевтики, обеспечения различных видов государственной поддержки разных слоев населения, требования в области профессиональной деятельности, финансирования научных исследований и многих других направлений государственной политики. Вместе с тем использование технологий работы с данными существенно повысит требования к знаниям в этой области практически ко всем специалистам в сфере здравоохранения, а также к большинству сотрудников из смежных сфер профессиональной деятельности.

С другой стороны, в самом ближайшем будущем объем обрабатываемых данных позволит широко использовать технологии искусственного интеллекта, поскольку подобные объемы данных человек попросту не может объективно анализировать. Все это приведет к более точным и выверенным решениям и постепенно снизит роль человеческого фактора. Многое из того, что сейчас является прерогативой медицинских работников (постановка диагноза, назначение лечения, интерпретация результатов исследований и пр.), станет стандартными функциями медицинских комплексных систем, основанных на технологиях работы с данными. В дальнейшем подобные медицинские комплексы позволят не только заменить докторов в части назначения лечения и оценки результатов такого лечения, но и с развитием робототехники проводить сложнейшие хирургические операции. Все это изменит сферу здравоохранения до неузнаваемости, а медицинские работники вынуждены будут наряду с медицинскими специальностями осваивать новые для себя профессиональные навыки и специальности, связанные с технологиями работы с данными, робототехники и другими новыми технологиями.

Кроме того, использование технологий работы с данными уже приводит к исчезновению границ между различными направлениями деятельности и исследований в них. Медицинские системы постепенно консолидируют данные из различных узкоспециализированных медицинских систем, формируя фактически «полный профиль пациента», обобщая его данными из отраслевых, национальных и международных реестров. Работа в этом направлении постепенно позволит консолидировать информацию и из других, на первый взгляд, не связанных со здравоохранением систем, таких как данные из различных приложений, собирающих данные об активности и статистику занятий спортом, информацию о питании, качестве сна, показателях кислорода в крови, температуре тела, сердечном ритме, местонахождении и различных других данных. Тем самым будут стерты границы между медициной, спортом и другими науками о жизнедеятельности. Сформируется новый единый массив данных о человеке, анализируя который можно будет не только давать рекомендации, повышающие качество жизни, но и станет возможным избежать появления болезней, предупреждать ухудшение состояния здоровья, повысить качество тренировок и сна и зачастую значительно продлить жизнь человека.

На уровне формирования государственной политики все эти технологии ведут к повышению качества планирования мер государственной поддержки различных сфер жизни общества, оценки результатов государственных программ и получения оперативной информации по различным срезам показателей здоровья и качества жизни общества, а использование технологий ИИ, как мы уже подробно рассказывали ранее, позволит создать предиктивные модели принятия решений, реализовать систему рейтингов, т. е. объективных оценок результатов работы на разных уровнях управления. В будущем развитие технологий работы с данными приведет к формированию рейтингов пациентов, мотивирующих их вести здоровый образ жизни, заниматься спортом, участвовать в программах вакцинации (что очень актуально в период эпидемии), проходить плановую диспансеризацию для получения различных преференций и более выгодных предложений от медицинских организаций, страховых и транспортных компаний, организаций, работающих в сфере туризма и отдыха, магазинов, банков, спортивных клубов и многих других государственных и частных организаций.

Отдельно стоит отметить, что технологии работы с данными не только существенно помогут докторам улучшить качество работы, но и позволят гораздо более точно ставить диагнозы и назначать лечение, контролировать его течение, своевременно реагировать на изменения здоровья человека и вносить необходимые коррективы. Пациенты же в свою очередь смогут через обратную связь получить полную и объективную информацию о медицинских учреждениях, медицинских работниках, справочные данные о медицинских препаратах, назначенном лечении и т. д. Также цифровые технологии позволят ввести персонифицированную систему рейтингов медицинских работников. Рейтинг будет формироваться на основе многих показателей, включая образование, курсы повышения квалификации, наличие научных степеней, опыт работы и оценок пациентов и профессионального сообщества.

Розничная торговля и связанная с ней логистика – сфера, где внедрение технологий работы с данными имеет безграничный потенциал для оптимизации бизнес-процессов и повышения экономической эффективности. Прежде чем мы перейдем к описанию решений и прикладным примерам, хотелось бы остановиться на тех изменениях, которые произошли за последние два года «благодаря» распространению COVID-19. Основные изменения коснулись модели продаж, огромная доля продаж переместилась из офлайн-магазинов в онлайн (приложения и интернет-магазины). Люди вынужденно попробовали массово приобретать товары в электронном виде… И им понравилось! Более того, поначалу существенно вырос размер среднего чека, а магазинам пришлось на ходу перестраивать работу, серьезно умощняя свои службы доставки. Многие оказались не готовы к возросшим объемам и необходимости сокращения сроков доставки по требованиям покупателей. Некоторые сети задействовали в качестве служб доставки сервисы такси. Эти изменения привели также к цифровизации смежных услуг, в первую очередь оплаты (увеличение использования банковских карт), увеличение участников программ лояльности (карты постоянного клиента, предоставляющие различные преференции и скидки). Все это позволило розничным сетям получить огромный объем информации как о своих клиентах, так и по различным срезам опроса на продукцию своих магазинов.

Благодаря всему этому объем онлайн-продаж вырос настолько, что некоторые стали закрывать свои офлайн-магазины, которые при сопоставимой стоимости продукции существенно менее экономически эффективны, поскольку вынуждены нести постоянные затраты на аренду помещений, оборудования, заработную плату многочисленного персонала, оплачивать коммунальные услуги, обеспечивать запас продукции «на полках» и складе магазина. И это в то время, как онлайн-модель позволяет избежать всех этих затрат и обеспечить общение с покупателем в электронном виде, где стоимость «полок» на порядки ниже, а эффективная организация логистики – несущественна в цене товара. Вместе с тем продажи в электронном виде позволили сформировать поистине гигантский объем данных о своих покупателях, их местонахождении, предпочтениях как по заказываемой продукции, так и по удобному времени доставки, способу оплаты, их персональных данных (информация о семье, размере одежды, возрасте и многое другое). В случае с продуктами питания, бытовой химии и другими средствами первой необходимости на основе анализа спроса на продукцию онлайн-магазины фактически получили возможность предиктивно формировать корзину «часто покупаемых товаров», и оказалось, что люди зачастую покупают одну и ту же продукцию с определенной периодичностью. Все эти закономерности позволили не только повысить качество планирования магазинами закупок продукции, сократив сроки хранения товаров на складе, но и обеспечить своих покупателей «их» товарами более высокого качества, с длительным сроком хранения и т. п. Все это произошло в том числе за счет исключения из цепочки «поставщик – склад – магазин – покупатель» составляющую «магазин».

Ритейл всегда был одним из пионеров в области применения передовых технологий работы с данными, но в последнее время объемы данных и требования к качеству информации существенно выросли, что привело к необходимости пересмотра не только используемых технологий, но и бизнес-процессов. Прежде всего, следует отметить, что одно из основных решений, пронизывающих все бизнес-процессы розничных сетей, – единый каталог товаров, где содержится актуальная информация о наименовании товаров, их стоимости, различных характеристиках, поставщике, особенностях логистики, хранения и возврата и многие другие параметры. Единый каталог товаров – стержневая информационная система для многих других ИТ-систем розницы, таких как системы закупок, расположения товаров «на полках», их местонахождения, логистики, систем кассового обслуживания, складских систем, систем лояльности покупателей, интернет-магазина и других информационных систем. Цифровизация этих процессов позволяет функционировать магазинам как живому, идеально настроенному организму, способному эффективно изменяться при необходимости.

Стоит отметить, что в сфере розничных сетей такие перемены стали вопросом выживания, поскольку изменения модели продаж существенно усилили конкуренцию как в части качества предоставляемых услуг, так и в части стоимости товаров для розничных сетей и их покупателей. В будущем представляется, что бизнес-модель работы розничных сетей серьезно изменится, и это коснется не только продуктовых сетей, но и модели продаж практически всех товаров. Продуктовые розничные сети кардинально сократят количество магазинов, оставив только те, где оборот продаж и необходимость покупателей существенны. Также останется востребованным формат гипермаркетов, при этом большая часть покупателей перейдет в формат онлайн-покупок, не утруждая себя посещением магазинов. При этом по статистике большая часть людей покупает с определенной периодичностью примерно одни и те же продукты, к которым привыкли. Если говорить о товарах длительного пользования (одежде, бытовой технике и электронике, автомобилях и других транспортных средствах), то здесь, по всей видимости, останутся большие флагманские салоны производителей и мультибрендовые гипермаркеты, где покупатели смогут воочию увидеть продукцию. Посетив физический магазин, можно ознакомиться с функционалом, выбрать и посмотреть отдельные опции, получить представление о размере и померить одежду, выбрать какую-то продукцию, заказать ее; при этом в будущем достаточно будет заказывать товары через интернет-приложение, при необходимости товар можно предварительно померить при доставке. Все это уже реальность нашего времени, и эти тенденции будут только усиливаться и все прочнее входить в нашу повседневную жизнь. Такой формат удобен не только покупателям, но и позволяет экономить на содержании многочисленных магазинов и персонала.

Совершенно очевидно, что в разных товарных группах будет выработана своя, отдельная модель работы, но общая тенденция будет развиваться в этом направлении. Эти изменения потребуют совершенно иного подхода к работе информационных систем, еще более жестких требований к качеству данных и функциональных возможностей решений в области работы с данными; нагрузка на эти системы многократно возрастет. В дальнейшем использование искусственного интеллекта позволит существенно повысить эффективность функционирования как бизнес-процессов, так и улучшить работу каждой из подсистем. Но оптимальная работа искусственного интеллекта опирается во многом на платформенные решения по управлению данными, поэтому процесс улучшения данных и инструментария работы с ними – важнейший на всех этапах развития ИТ-ландшафта.

Также стоит отметить, что описанная выше модель потребует также серьезной перестройки процессов логистики и наличия качественного адресного каталога, интегрированного как с системами, в которых указываются данные покупателей/заказчиков, так и с системами, обеспечивающими работу складов и транспорта. Довольно важной составляющей представляется функционирование информационных систем, формирующих различную аналитику, позволяющую оперативно принимать управленческие решения и корректировать ранее принятые решения и настраивать бизнес-процессы.

Как мы неоднократно подчеркивали, наличие огромного массива качественных данных и оптимальных решений для работы с ними станут ключевым конкурентным преимуществом практически во всех сферах деятельности. Кроме изменений, которые происходят на наших глазах, в самое ближайшее время мы станем свидетелями новых направлений бизнеса в сфере розничной торговли. Прежде всего, можно прогнозировать появление компаний, обеспечивающих консолидацию и доставку огромного перечня товаров при отсутствии собственных офлайн-магазинов и складов. Этот формат предполагает крайне эффективную логистику, наличие чрезвычайно удобного пользовательского онлайн-приложения и мощного программного и аппаратного обеспечения. Фактически, речь будет идти о создании огромных цифровых гипермаркетов, работающих полностью в цифровом формате с использованием новейших информационных технологий по работе с данными и логистики. Эффективность подобного бизнеса будет возрастать по мере расширения предлагаемой номенклатуры продукции и географического развития. Первые глобальные компании в этом сегменте уже демонстрируют свои глобальные амбиции, например Amazon. Использование единых платформенных решений, включающих в себя функциональные блоки по каталогизации номенклатуры, закупок, программ лояльности, приложений для покупателей, внутренних и внешних логистических операций, и других приложений, использующих общую платформенную среду, позволяют кратно повысить эффективность операций по сравнению с текущими моделями бизнеса.

Развитие различных ИТ-технологий, в первую очередь решений по управлению данными, уже оказывает существенное влияние на революционные изменения в различных сферах, связанных с недвижимостью. Уже сегодня появляется все больше разнообразных сервисов и приложений, позволяющих покупать, продавать, арендовать, сдавать в аренду, проверять правовой статус объектов недвижимости и осуществлять различные операции в цифровом виде. Вместе с тем получают широкое распространение и другие электронные сервисы в сфере недвижимости, такие как страхование, нотариальное оформление, кредитование и другие банковские услуги, всевозможные услуги проектирования, проведения строительно-монтажных работ, обслуживания, клининга. Отдельно стоит упомянуть разнообразные государственные сервисы в сфере недвижимости, количество которых также увеличивается с каждым днем. И эта тенденция приобретает все более всеобъемлющий характер, угрожающий перевести все индустрии, связанные с недвижимостью, в цифровой вид.

Электронные сервисы позволят не только достичь небывалого ранее уровня удобства и качества услуг в данной области, но и кардинально изменят рынок услуг, заменив фактически все офлайн-услуги на онлайн-сервисы. В этой новой цифровой парадигме одним из ключевых факторов, обеспечивающих корректную работу сервисов, являются инструменты работы с данными. Качество данных приобретает принципиально важный характер, поскольку основные данные фактически и обеспечивают работоспособность указанных выше сервисов, в то время как объем транзакционных данных будет не столь существенно влиять на предоставление услуг в сфере недвижимости. По всей видимости, большая часть современных агентств недвижимости, страховых и финансовых организаций, других компаний, работающих в сфере недвижимости, станут цифровыми, формируя различные платформенные решения.

В данной отрасли уже сформировался и будет довольно бурно развиваться сегмент электронных решений для обеспечения комфортного проживания в дальнейшем. Речь идет о различных интерпретациях умного дома – в виде платформ, собирающих различные данные с многочисленных датчиков и управляющих функциональностью разнообразных домашних устройств. В качестве примеров, работающих уже сегодня, это решения Samsung, Miele, Philips, Legrand Netatmo и многих других компаний.

Отдельно необходимо упомянуть возможные синергии от использования интеграции сервисов с различными электронными услугами, предоставляемыми государством. Например, при принятии решения о приобретении или сдачи в аренду недвижимости сразу можно получить расчет предполагаемого налога, а потом и оплачивать его одним кликом, также синергия возможна при страховании недвижимости и ее стоимости и др. Все упомянутые сервисы позволяют собрать такой объем данных, который позволит проводить не только рыночные исследования в области недвижимости принципиально другого качества, но и создаст основу для услуг, предоставляемых банками, страховыми и другими компаниями следующего поколения, которые сейчас немыслимы и невозможны, но сформируют новые сегменты бизнеса. Все это позволит оказывать частным и государственным организациям качественные и прозрачные услуги, позволяющие также обеспечить существенную экономию и избежать возможного мошенничества.

Помимо этого, цифровизация сферы недвижимости откроет совершенно новые возможности для различных коммунальных компаний и структур, специализирующихся на обеспечении безопасности, логистических услугах и многих других. Отметим, что все цифровые сервисы также востребованы и в части коммерческой недвижимости. Благодаря этому корпоративный сегмент станет также частью электронных сервисов и их клиентом. Кроме того, данные этих сервисов будут востребованы государственными и коммерческими организациями, поскольку позволят формировать аналитическую отчетность на совершенно ином качественном уровне по сравнению с текущим положением вещей.

Индустрия транспорта – одна из основных сфер применения информационных технологий и решений по работе с данными. Практически повсеместно уже используются всевозможные электронные реестры: транспортные средства, водители, пассажиры, различные комплектующие, разрешения и удостоверения, реестры прохождения плановых ремонтов и технического обслуживания, различные расписания и другие критически важные данные. Дальнейшее развитие технологий управления данными потребует полной интеграции всех систем, содержащих критически важные данные, посредством специализированных платформ управления данными. Именно такие платформы занимают важнейшую нишу интеграции сложнейших информационных систем и обеспечивают корректную работу различных функциональных систем практически всех крупных государственных и коммерческих организаций, в том числе в сфере транспорта.

Транспортная отрасль характеризуется высокой степенью качества как критически важных, так и транзакционных данных, поскольку эта информация не только обеспечивает бизнес-процессы организаций, но и существенно влияет на безопасность и работоспособность этих организаций.

Здесь важно отметить, что транспортная индустрия сейчас очень сильно трансформируется. Мы живем в эпоху революционных технологических изменений в сфере транспорта. В самое ближайшее время мы станем свидетелями кардинальных изменений в отрасли, когда средства транспорта станут цифровыми во всех смыслах. В качестве примера приведем автомобильный транспорт. Все больше производителей анонсируют свои планы по полному отказу от производства автотранспорта на двигателях внутреннего сгорания в пользу электрической тяги. По некоторым данным, к 2035 году практически все производимые в мире автомобили будут электрическими. Одно из основных направлений работы в области исследований и разработок автоконцернов сейчас – это работы в области более эффективных батарей, позволяющих автомобилям преодолевать большие расстояния без необходимости подзарядки или существенного сокращения времени зарядки. Параллельно с этим по всему миру создается инфраструктура для электромобилей, в первую очередь пункты зарядки автомобилей. Технологии в данном направлении развиваются очень быстро, и совсем скоро привычные нам автомобили станут редкостью и со временем исчезнут совсем.

Кроме того, по результатам многочисленных исследований в подавляющем большинстве автомобиль перевозит всего одного человека, в то время как большинство современных машин рассчитано на 4–5 человек. Именно поэтому автомобили в будущем станут гораздо компактнее, и в большинстве своем будут рассчитаны на одного-двух человек. Также одним из перспективных направлений исследований в этой области являются технологии беспилотного управления (например, эту технологию развивают Tesla и Google). Именно развитие беспилотного транспорта становится ключевым фактором ускоренного развития технологий работы с данными в транспортной отрасли. Агрегация данных транспортной сферы позволит обеспечить формирование целого сегмента новых инновационных сервисов. Как было отмечено ранее, помимо различных реестров основных данных, новое поколение транспортных средств формирует огромный объем транзакционных данных, позволяющих не только обеспечивать режим движения транспортных средств, но и получать целый массив телематической информации, данных о техническом состоянии транспорта и множество другой информации вплоть до сведений о самочувствии пассажиров. Вместе с тем широкое использование технологий работы с данными позволит обеспечить эффективные механизмы администрирования отрасли со стороны государства, отслеживая всевозможные нарушения лицензионной политики, технического состояния транспортных средств, самочувствия водителей и многих других параметров.

Отдельно стоит упомянуть и грядущие изменения в транспортной инфраструктуре, а именно интеллектуальные дорожные знаки, разметка дорог «активной» краской, различные технологии освещения и обеспечения безопасности. Кроме того, инновации в транспорте – и в первую очередь решения по управлению данными – приведут к существенному улучшению экологических норм и требований, обеспечивая снижение всевозможных выбросов и другого негативного влияния на окружающую среду. Также цифровые технологии формируют совершенно новую парадигму логистических решений, делая оптимальными маршруты для всех видов транспорта, реагируя и оптимизируя движение в режиме реального времени.

Сельское хозяйство – одна из наиболее перспективных сфер применения платформенных решений в области управления данными. Уровень развития инновационных решений в этой области уже сейчас позволяет обеспечить полномасштабную цифровизацию основных бизнес-процессов отрасли. Уже сейчас имеются технологии работы с данными, обеспечивающие ведение реестра недвижимости, включая сельскохозяйственные земельные участки в цифровом виде с довольно богатым атрибутивным составом, описывающим практически все характеристики этих земельных участков: размер, географическое положение, вид разрешенного использования, наличие зданий и сооружений, данные владельца, договоры и характеристики аренды, показатели почвы и урожайность. В связи с тем, что основой всех бизнес-процессов в сельском хозяйстве является земля, то и все данные, характеризующие работу сельскохозяйственных предприятий, также формируются на основе базовой информации о земле.

Объем данных в сельском хозяйстве поистине огромен. Современные отраслевые информационные системы позволят собирать и консолидировать информацию об истории использования сельхозугодий, урожайности, химическом составе почв, метеорологии, использовании различных удобрений и средств механизации, многочисленных показателей животноводческого комплекса в различных разрезах. Кроме того, консолидация разнообразных данных, их качество и полнота позволяют перевести многие сервисы в цифровой формат, а также обеспечить условия для формирования новых инновационных электронных систем, таких как возможность полноценной оценки сельхозпроизводителей со стороны банковских и страховых организаций, поставщиков различной продукции, лизинговых компаний. Благодаря технологиям управления данными появляется возможность обеспечить актуальной информацией органы государственного администрирования и сертификации.

Сервисы на основе технологий управления данными приведут также к совершенно новому качеству приложений для потребителей как розничных сетей, так и покупателей оптовой продукции, обеспечивая их всей полнотой информации и ее характеристиках предлагаемых товаров. Одно из ключевых систем работы с данными – внедрение на высоком уровне Единого каталога товаров, работ и услуг (ЕКТРУ), аналога международного GS1. Благодаря этому обеспечивается единая информационная среда на всех уровнях производства и потребления продукции и сервисов, а администрирование отрасли становится эффективным и прозрачным. Также внедрение ЕКТРУ позволит существенно повысить качество функционирования систем цифровой маркировки товаров, логистики, а также налогового и таможенного администрирования. Еще одним направлением исследования технологий работы с данными в сельском хозяйстве являются многочисленные системы сбора транзакционных данных с различных датчиков и других телематических устройств, позволяющих обеспечивать продукции, животноводческого комплекса, санитарного и ветеринарного контроля. Для многих сельскохозяйственных предприятий использование подобного инструментария станет эффективным решением повышения качества продукции, снижения издержек и значительного улучшения экономических показателей.

Не будет преувеличением сказать, что каждый из нас практически каждый день сталкивается с услугами жилищно-коммунального хозяйства (ЖКХ), и эти услуги во многом определяют качество жизни жителей современного мегаполиса. Мы привыкли к тому, что предоставление услуг холодного и горячего водоснабжения, электроэнергии, отопления, вывоза мусора, содержания подъездов и общественных мест, обслуживания подъемных механизмов/лифтового хозяйства, освещения общественных мест, канализации является неотъемлемой частью нашей жизни. При этом ЖКХ – это огромная индустрия, и эффективность ее деятельности в современных условиях во многом зависит от используемых технологических решений. Они могут быть индустриальными (и тогда мы видим современные электрические устройства, различные механизмы обеспечения холодного и горячего водоснабжения, современные трубы с низким коэффициентом теплопотерь, использование новых лифтовых механизмов, энергоэффективных технологий освещения) и связанными с технологиями работы с данными и различными решениями диспетчеризации.

Уже сейчас предприятия, работающие в сфере ЖКХ, активно используют разнообразные автоматизированные системы управления, позволяющие обеспечить эффективные технологии диспетчеризации и сбора различных данных и показателей с приборов учета и управления. Здесь традиционно все данные можно разделить на основные данные абонентов (фамилия, имя, отчество), объект недвижимости (со множеством своих атрибутов), устройства учета (со своими уникальными номерами, данными сертификации, поверки, производителями и поставщиками, местами установки, обслуживающими организациями, наименованиями информационными системами сбора и биллинга и другой информации) и транзакционные данные, получаемые со всех приборов учета (различные показатели устройств, в том числе в режиме реального времени, информацию об их работоспособности и др.). Все это позволяет обеспечить абонентов качественными и экономически обоснованными услугами, а также интегрировать подсистемы сбора данных с корпоративными системами управления ресурсами посредством единого слоя хранения и управления данными.

Накопление и анализ огромного количества данных позволит крупным отраслевым организациям обеспечить эффективное использование оборудования. Так, консолидация данных на уровне региональных поставщиков электроэнергии позволит более эффективно и качественно использовать имеющиеся ресурсы, такие как выравнивание графиков энергопотребления, повысить надежность и качество энергоснабжения, а использование технологий искусственного интеллекта – перевести в автоматический режим управление генерацией и распределения электроэнергии на основе данных телеметрии и телемеханики, статистических качественных данных в режиме реального времени, сделав первый шаг в переводе основных бизнес-процессов и управление энергосетями в режим автопилотного управления.

Вместе с тем использование решений для работы с данными также формирует основу для внедрения корпоративных сервисов, позволяющих обеспечить эффективные решения для закупок товаров и услуг, управления персоналом, включая управление мобильными бригадами, разработку различных интерпретаций «Личного кабинета абонентов» и других сервисов технического ремонта и обслуживания оборудования. Словом, всех инноваций, базисом для которых являются платформы управления данными и сами данные, с которыми в постоянном режиме проводятся работы по обеспечению их полноты, качества, непротиворечивости, интероперабельности.

Сфера природопользования с каждым годом становится все более значимой в экономических отношениях государства и бизнеса. Современные технологии уже сегодня позволяют минимизировать влияние вредных производств на экосистему, а зачастую использовать природные ресурсы для повышения не только эффективности производств, но и обеспечить оптимальность их размещения, логистики, прозрачности и экологичности выпускаемой продукции, а также формирование новых, инновационных направлений деятельности. В этой сфере востребован огромный спектр различных технологий, имеющих как узкоотраслевое применение, так и универсальное направление, используемое в самых разных кластерах и сегментах, относящихся к сфере природопользования.

Одним из таких универсальных технологических направлений являются всевозможные ИТ-решения и технологии работы с данными. С учетом специфики отрасли все большую популярность приобретают различные централизованные информационные системы уровня как небольших предприятий, так и крупных корпораций и даже государственных органов власти. Как и во многих других отраслях экономики, основу большинства современных ИТ-систем формируют массивы основных и транзакционных данных. В части основных данных необходимо отметить, что сбор и формирование этого слоя информации должны осуществляться централизованно и единообразно. Это может включать в себя все многообразие нормативно-справочной информации, а также данные, необходимые для работы служб материально-технического обеспечения, финансово-экономических показателей, сервисов работы с поставщиками и покупателями, служб обеспечения качества продукции и ее сертификации и лицензирования, а также бизнес-процессов, обеспечивающих учет и прозрачность происхождения продукции.

Здесь в качестве примера можно привести разнообразные информационные системы контроля бизнес-процессов выпуска и заготовки продукции на уровне государства, позволяющие повышать прозрачность в таких сферах, как лесозаготовка, лесопереработка, заповедные территории, всевозможные виды охоты, вылов и переработка морских и речных ресурсов, сбор и переработка мусора и многие другие направления деятельности. Практически во всех информационных системах подобного класса качество основных данных – фундамент корректной работы этих решений.

В этой сфере поистине огромный объем информации, позволяющий обеспечить построение крупных информационных систем, которые работают с качественными основными данными и огромным массивом транзакционных данных. Это данные, которые в режиме практически реального времени генерируются различными датчиками, следящими за состоянием экологической сферы, качества воздуха, химического состава водоемов и почв, местоположением представителей животного мира, показателей очистных сооружений, изменении температурного режима почв, воздуха и воды. Помимо этого, большой объем данных содержится в различных информационных системах органов государственной власти и компаний, обеспечивающих администрирование со стороны государства и управления бизнес-процессами коммерческих организаций. Весь этот массив данных позволяет не только существенно повысить качество администрирования и управления, но и ведет к кардинальному изменению всей сферы природопользования.

Ни для кого не секрет, что каждое следующее поколение промышленного оборудования становится все более сложным. Используется все больше технологических решений, основанных на данных, например, количество и точность различных встроенных датчиков, замеряющих разнообразные показатели и режимы работы. В свою очередь усложняется и сама продукция. Все это привело к тому, что оборудование уже позволяет обеспечить беспилотную работу, а многочисленные датчики и решения искусственного интеллекта формируют промышленные кластеры производства товаров и услуг, работающих в режимах, близких к автономным. Отдельно стоит упомянуть, что активное использование робототехники и решений в области управления данными ведет не только к снижению человеческого фактора в промышленности (здесь речь может идти о повышении качества и точности производства, существенном увеличении производства, повышении безопасности, кардинальном снижении себестоимости продукции, новых технологиях обеспечения гарантии технического сопровождения и продаж), но и позволяет производственным компаниям менять подходы к развитию всего бизнеса.

Так, при рассмотрении вопроса о расширении производства все больше внимания уделяется стоимости электроэнергии, логистике, возможности привлечения высококвалифицированных кадров. Все меньшую роль играет стоимость низкоквалифицированного персонала, который постепенно заменяется робототехникой, станками с ЧПУ, различными информационными системами, которые обеспечивают работу с заданными параметрами качества, точности и объема, что позволяет организовать производство в круглосуточном режиме с входным и выходным контролем выпускаемых изделий без влияния человеческого фактора. Эти преимущества использования высокотехнологичных решений в производстве уже заставляют крупные международные корпорации задумываться о географии развития своих производственных площадок без привязки к стоимости низко и среднеквалифицированного персонала, который в самое ближайшее время будет заменен различными технологическими решениями, большая часть которых имеет возможность автопилотирования и удаленного управления. В этой связи при развитии или создании производств на первый план выйдут условия обеспечения инфраструктурой и различные условия государственного регулирования: стоимость подключения к инфраструктуре, дороги, налогообложение, стоимость и условия кредитования, различные страховые и лизинговые механизмы и другие условия, являющиеся основой для принятия решений о стоимости и возможности создания и развития производства.

Хотелось бы отдельно обратить внимание читателя на изменения, происходящие в области продаж и технического сопровождения сложного технологического оборудования и продукции. Сейчас все чаще стоимость продукции указывается не одной суммой, которую необходимо единовременно оплатить, а в виде стоимости, где условия оплаты привязаны к параметрам использования продукции, что стало возможным благодаря развитию технологий создания датчиков, решений в области передачи и обработки данных. В разделе 18.1.3, посвященном интернету вещей, мы подробно рассказывали о компании General Electric, уже длительное время продающую турбины для самолетов и систем энергетики по часам налета/использования, что позволяет эффективно использовать финансовые ресурсы. В будущем подобная модель, предполагающая продажу сложного и дорогого оборудования, будет распространяться на подавляющее большинство сделок, оплата по которым будет привязана к единицам измерения оборудования (часы налета, километры пробега, качество выпущенной продукции, время работы оборудования в различных режимах и другие). Все это стало возможным благодаря широкому распространению решений по работе с данными. Кроме того, подобный формат позволит производителю удаленно обеспечить сбор статистики по всем необходимым показателям для корректной стоимостной оценки, а также для обеспечения необходимого уровня качества работы оборудования, обновления программного обеспечения, оценки износа оборудования и его компонентов и многих других параметров. Производитель в подобном формате сможет собрать огромный массив данных со всей продукции, работающей у его заказчиков. Такой анализ поможет получить объективную и полную информацию, необходимую для принятия управленческих решений, а также для формирования новых направлений развития бизнеса.

В последние годы под влиянием бурного развития различных инновационных технологий, а также с появлением новых вызовов для всего человечества, таких как новые заболевания, с которыми ранее люди не сталкивались, с высоким показателем смертности и легкостью инфицирования новых заболевших, произошли поистине революционные изменения в области логистики и технологий доставки товаров и услуг. COVID перевернул традиционное представление людей о привычной размерности жизни, в которой многие обычные ранее вещи, такие как посещение магазинов, различных организаций, предоставляющих разнообразные услуги, аптеки, больницы, культурные массовые мероприятия, стали небезопасным с точки зрения заражения вирусом.

На национальном и международном уровнях достаточно оперативно были введены различные ограничения, чтобы не допустить существенного роста числа заболевших. В первую очередь это меры, препятствующие личному общению и контактированию с людьми. COVID стал глобальным и угрожающим фактором, требующим изменений большинства индустрий, обеспечивающих многие сферы жизнедеятельности людей на всей планете, что послужило мощным толчком для ускорения, переосмысления и изменения форматов внедрения разнообразных технологических решений, исключающих личное общение между людьми. Все это разорвало вековые традиции и привычки межличностных отношений. Еще несколько лет назад широкое распространение удаленной работы и ограничение личного общения казалось чем-то невероятным, немыслимым, поскольку личное общение – фундамент развития культуры, бизнеса, науки, политики и других сфер жизнедеятельности. На основе личного общения стало возможно появление многих изобретений, и современные мировые мегаполисы обязаны этим коммуникациям. Борис Джонсон в своей книге «Лондон по Джонсону: О людях, которые сделали город, который сделал мир» приводит большое число примеров важности и результативности подобного общения, обобщая это выводом о том, что «люди хотят встречаться с другими людьми лично», и описывает большое количество изобретений и открытий, создавших целые индустрии и современные города мира, столицы культурной, деловой и научной жизни человечества.

Столкнувшись с COVID, человечеству пришлось перестраиваться практически во всех сферах жизнедеятельности. В первую очередь это затронуло те направления жизни, которые позволяют обеспечить формат удаленного общения, жизни и работы: различные технологические сервисы, в основном построенные на информационных технологиях, новые решения в области работы с данными в широком смысле слова; решения в сфере транспорта, логистики и предоставления различных услуг доставки; различные сервисы и возможности приобретения товаров и услуг в удаленном режиме, включая сервисы развлечений (всевозможные онлайн-кинотеатры, концерты, игры и многое другое), бизнес-приложения для онлайн-конференций, совещаний, вебинаров, совместной работы в производственных системах, онлайн-голосования и всевозможные опросы и огромное количество других решений. Те изменения, которые мы сейчас видим, – это лишь первый шаг к гораздо более масштабным изменениям, которые ожидают человечество как в отдельных направлениях деятельности, так и процессе появления новых индустрий и технологий на основе синергии отдельных современных сфер экономической, научно-исследовательской, культурной и других направлений человеческой мысли.

Одно из предположений о наиболее вероятных переменах связано с появлением новых видов коммуникаций для быстрой и надежной доставки и отправления всевозможных товаров. Уже существуют тысячи компаний, занимающихся исследованиями и разработками в области создания летательных аппаратов для этих целей. Они используют в том числе и технологии искусственного интеллекта, обеспечивая беспилотный режим управления большим массивом одновременно задействованных аппаратов, фактически сделав огромный прорыв в сфере логистики. Можно предположить, что лидеры в развитии подобных технологий, такие как Amazon, еще более упрочат свои лидерские позиции и станут активно вытеснять компании, использующие устаревшие технологии. С большой долей вероятности через несколько лет исчезнет профессия курьера и множество сопутствующих видов бизнеса. Возможно, эта сфера пройдет тот же эволюционный путь что и телекоммуникационная индустрия, а ключевым показателем эффективности и роста бизнеса станет так называемая последняя миля (т. е. заключительный этап доставки, в дистрибьюции – это доставка до розничных торговых точек а в электронной коммерции – доставка из сортировочного центра до конечного адресата), и компании, имеющие лучшие технологии ее обеспечения, станут лидерами в области логистики, вытеснив своих неконкурентоспособных коллег с рынка.

В ближайшее время технологии поставки «по воздуху» вряд ли получат широкое распространение в крупных мегаполисах по целому ряду вполне объективных причин: сложность диспетчеризации; огромное количество операций, риск получения травм при авариях; предельные емкости батарей, ограничивающих время автономной работы; всевозможные регламенты безопасности как городов, так и их жителей и многие другие факторы, ограничивающие использование летательных средств доставки в городах.

Гораздо более вероятно появление совершенно новых ниш для использования инновационных технологий в сфере логистики для «последней мили». Одним из возможных и крайне востребованных проектов вот-вот станет решение вакуумной почты для крупных мегаполисов. С учетом развития технологий вакуумных поездов – высокоскоростного вида транспорта, движущегося в сильно разреженном воздухе с помощью магнитной левитации, стоит отдельно упомянуть проект Hyperloop, разрабатываемый под руководством Илона Маска, для доставки пассажиров на специальных поездах на скорости более 1200 км/ч. Возможно, что подобные решения могут быть использованы для создания вакуумной почты, учитывая, что вся техническая документация открыта и доступна для изучения. Эти технологии могут привести к поистине революционным изменениям в области доставки и отправления товаров. Оснащение жилых, офисных и торговых помещений вакуумными почтовыми ящиками, связанными между собой разветвленной сетью вакуумного трубопровода с огромным количеством разнообразных датчиков, позволит создать совершенно новую индустрию логистики товаров на основе новейших технологий, воплотив в жизнь то, что ранее мы видели только в фантастических фильмах. Это еще один этап технологического развития человечества в его прикладном, обеспечивающим комфорт смысле, наряду с централизованной канализацией, горячим и холодным водоснабжением, электрическими и телекоммуникационными сетями, без чего уже сложно представить жизнь современного человека.

Эта вакуумная почта будет «заходить» в каждую квартиру, каждый дом, офис, магазин, склад, аптеку, больницу, министерство и ведомство, что позволит обеспечить фактически мгновенную доставку любого товара или документа. Словом, практически всего того, ради чего мы посещаем магазины, офисы, различные учреждения и бытовые службы, либо того, что заказываем в интернет-магазинах. Подобная система, по всей видимости, в будущем будет пронизывать все современные мегаполисы, а при введении единых стандартов и ее функционирования, вакуумная почта позволит обеспечить междугородний и международный оборот доставки. Как и большинство инновационных технологий, после широкого распространения вакуумная почта изменит либо заменит собой все связанные с доставкой товаров индустрии. Прежде всего это приведет к исчезновению служб почтовой доставки в классическом понимании этого слова, сферы курьерской и экспресс-доставки документов, продуктов питания, готовой пищи, лекарств, некрупногабаритных товаров. Ощутимый эффект почувствуют на себе также и магазины розничной торговли, включая розничные сети. Все это кардинально изменит бизнес-процессы в большинстве индустрий, обеспечивающих жизнь современного человека.

С развитием вакуумной почты изменение претерпит и вся индустрия производства упаковки товаров, которая вынуждена будет перестроиться под требования и стандарты «почты нового поколения». Существенно изменится работа компаний, предоставляющих различные услуги: от ресторанного «удаленного» обслуживания (доставка готовых блюд к заданному времени) и бытовых услуг (например, получение и доставка вещей для чистки) до доставки всевозможных товаров. Это очень похоже на работу телекоммуникационных сетей, но отличие в том, что вместо передачи пакетов данных в вакуумной почте используется передача товаров. Помимо служб доставки и всевозможных магазинов розничной торговли, в сегодняшнем нашем представлении, пострадают также производители бытовой техники для дома (холодильники, стиральные и сушильные машины, СВЧ-печи и другие приборы, обеспечивающие нас горячим питанием, возможностью хранения продуктов, уходом за одеждой и многим другим, позволяющие нам «автономно» существовать). Это же актуально и для офисов и различных учреждений. Фактически везде в будущем нас будут окружать вакуумные почтовые ящики, позволяющие ими пользоваться при помощи различных приложений для компьютера и смартфона.

Подобные инновации в области доставки товаров и услуг потребуют самых передовых решений в технологиях работы с данными. Как и в большинстве масштабных информационных систем индустриального уровня, основу и качество их функционирования обеспечивают разнородные данные, их качество и объем, а также технологии их обработки и управления. Для корректной работы подобной информационной системы требуется поистине огромный массив данных и обеспечение их качества. Это информация о владельцах вакуумных почтовых ящиков (фамилия, имя, отчество, удостоверяющие личности документы, фактический адрес, контактные данные, платежные реквизиты и много другое, описывающие как владельца ящика, так и членов его семьи, коллег по работе и другую информацию), перечень всех абонентов инновационной почты, магазины с реестрами номенклатуры товаров и их подробным описанием, соответствующих единому каталогу товаров, работ и услуг всей почтовой системы, информации о самом магазине или организации, а также других организациях и учреждениях. Развитие подобных решений приведут к взрывному росту объема данных, и сейчас даже сложно прогнозировать, как это отразится на технологиях управления данными и на различных сопутствующих ИТ-направлениях. Эффект от подобного масштаба инноваций будет всеобъемлющий.

Пример, описанный выше, говорит о том, что на основе решений в области управления данными открываются огромные возможности для предпринимательских талантов, развития существующих идей и компаний, позволяющих совершать фактические проекты в различных направлениях жизни людей, способных изменить жизнь человечества совершенно невообразимым образом. Стоит отметить, что все чаще можно услышать, что информационные технологии, в частности программное обеспечение, играют доминирующую роль в создании и развитии совершенно новых решений во многих сферах, далеко выходящих за рамки традиционных областей, относящихся к высоким технологиям. Здесь можно процитировать книгу «Блиц-масштабирование: как создать крупный бизнес со скоростью света»: «Индустрии, которые сосредоточены на физических продуктах (атомах), объединяются с программным обеспечением (биты). Tesla создает машины (атомы), но обновления ПО (битов) может сразу улучшить разгон этих машин и добавить автопилот».

• Айзексон У. Инноваторы. Как несколько гениев, хакеров и гиков совершили цифровую революцию / Уолтер Айзексон; пер. с англ. И. Кагановой, Т. Лисовской, О. Храмцовой. – М.: АСТ, 2016.