Читать книгу Дякую за запізнення: керівництво для оптимістів сучасності - Томас Фридман - Страница 10

Були часи, коли можна було когось назвати «тупий, як пожежний шланг» або «тупий, як сміттєвий бак».

Я б так більше не говорив.

Одним з основних і, можливо, несподіваних наслідків технологічного прискорення стало ось що: пожежні шланги та сміттєві баки стають нині справді розумними. Наприклад, візьміть реєстратор тиску у шлангу-гідранті фірми Telog, що приєднується до пожежного гідранта й бездротово передає тиск води на комп’ютер місцевих комунальників, значно знижуючи кількість поривів і виходу з ладу гідрантів. А тепер до цього можна долучити сміттєві баки компанії BigBelly, які завантажуються за допомогою сенсорів і бездротово повідомляють, що вони вже заповнені та їх слід випорожнити, – тож сміттєвози можуть оптимізувати свої маршрути й місто стане чистішим за менші гроші. Навіть сміттяр тепер – технічний працівник. На сайті компанії повідомляють, що «габарити бака BigBelly в дюймах (ширина – 25, глибина – 26,8, висота – 49,8); мотокомпактори на них працюють на вбудованих сонячних панелях, що набагато зменшує обсяг сміття й допомагає робити вулиці зеленішими й чистішими… Збірники відходів використовують хмарні технології для цифрового сповіщення сміттярів, що вони заповнені й потребують негайної уваги».

Це сміття може скласти іспит зі стандартного оцінювання!

Такими розумними гідранти та сміттєві баки стають завдяки ще одному прискоренню, що напряму не стосується обчислення, але має критичне значення для можливостей обчислення – ідеться про сенсори. Веб-сайт WhatIs.com визначає сенсор як «пристрій, що розпізнає й реагує на ввід із фізичного довкілля. Специфічним вводом може бути світло, тепло, рух, волога, тиск чи будь-які інші прояви довкілля. На виході ми одержуємо сигнал, який виводиться на дисплей у читабельному для людини вигляді в місці розташування сенсора або передається через електронну мережу для подальшого зчитування та оброблення».

Завдяки прискореній мініатюризації сенсорів ми вже можемо цифрувати чотири відчуття: зорові, звукові, доторкові, слухові – і працюємо над п’ятим – смаком. Сенсор тиску в пожежному гідранті на бездротовому зв’язку надає цифрові вимірювання, які показують комунальникам, коли тиск зависокий, а коли – занизький. Температурний сенсор відстежує розширення та стискання рідини в термометрі для виведення температурних даних у цифровому вигляді. Сенсори руху випромінюють регулярні потоки енергії – мікрохвилі, ультразвукові хвилі, промені світла – і надсилають цифровий сигнал, коли цей потік переривається людиною, автівкою чи твариною на його шляху. Поліційні сенсори вловлюють відбиті промені від автівок для вимірювання їхньої швидкості та відбиті будинками хвилі звуків для локалізації джерела пострілу. Світловий сенсор на вашому комп’ютері вимірює освітлення робочої зони й відповідно регулює яскравість екрана. Пристрої корпорації Fitbit – це комбінації сенсорів, що вимірюють кількість ваших кроків, пройдену відстань, спалені калорії та енергійність руху ваших кінцівок. Камера у вашому телефоні може працювати і як відеокамера, уловлюючи й передаючи зображення з будь-якого до будь-якого місця.

Настільки велике розширення нашої здатності відчувати довкілля й цифрувати його зобов’язане проривам у матеріалознавстві й нанотехнології, які зумовили появу достатньо малих, дешевих, розумних та опірних до нагрівання й охолодження сенсорів, що ми цілком можемо їх монтувати та кріпити для вимірювання стресу в екстремальних умовах і трансляції даних. Завдяки тривимірному процесу їх можна тепер малювати на деталях машин, будинків і двигунів.

Щоб краще зрозуміти світ сенсорів, я відвідав потужний центр програмного забезпечення General Electric (GE) у Сан-Рамоні, що в Каліфорнії, та інтерв’ював Білла Ру, директора з цифрових технологій компанії General Electric. І це окрема історія. GE переважно завдяки здатності монтувати сенсори на все своє промислове устаткування перетворюється радше на компанію з програмного забезпечення з чималим осередком у Кремнієвій долині. Забудьте про пральні машини – думайте про розумні машини. Уміння GE скрізь монтувати сенсори допомагає реалізовувати «промисловий інтернет», відомий як «інтернет речей», у якому кожна «річ» має сенсор, що безперервно транслює дані про свій стан, даючи змогу негайно коригувати або прогнозувати його характеристики в разі потреби. Цей інтернет речей, пояснював Ру, створює нервову систему, завдяки якій люди можуть витримувати темп змін, робити одержувану інформацію кориснішою, а також «робити кожну річ розумною».

Сама компанія General Electric збирає дані з понад 150 000 медичних пристроїв GE, 36 000 реактивних двигунів GE, 21 500 локомотивів GE, 23 000 вітрових турбін GE, 3900 газових турбін, 20 700 одиниць нафтогазового устаткування, що всі без винятку бездротово в поточному режимі надають до GE інформацію.

Ця нова промислова нервова система, за словами Ру, прискорювалася прогресом у споживчій царині, як-от спорядженими камерою смартфонами з GPS. Вони для промислового інтернету у ХХІ ст. мають таке саме значення, як надзавдання для поступу промисловості у ХХ ст., оскільки здійснили величезний стрибок у майбутнє в галузі взаємопов’язаних технологій та матеріалів, роблячи їх меншими, розумнішими, дешевшими та швидшими. «Завдяки смартфонам сенсори настільки подешевшали, що їх можна було поширювати, і ми почали їх монтувати скрізь», – сказав Ру.

Сенсори тепер добувають глибинну інформацію на такому рівні деталізації, якого раніше не було. Коли всі ці сенсори транслюють інформацію до центральних банків даних, а дедалі продуктивніше програмне забезпечення виявляє патерни в інформації, ми можемо помітити слабкі сигнали, перш ніж вони посиляться, і розпізнати патерни, перш ніж вони створять проблеми. Відтак цю глибинну інформацію можна замкнути на запобіжні дії, і ми за оптимальним графіком розвантажуємо сміттєзбірники або регулюємо тиск у пожежному гідранті до початку розривів, що дорого коштують, та заощаджуємо час, засоби, енергію, рятуємо життя, роблячи суспільство ефективнішим, ніж могли будь-коли раніше уявити.

«Старий підхід називали “обслуговуванням залежно від стану”, тобто, якщо є щось брудне, його слід вимити, – пояснював Ру. – Превентивне обслуговування передбачало: незалежно від інтенсивності навантаження кожні 6000 миль міняйте мастило». Нинішній підхід – це «прогнозне обслуговування» й «нормативне обслуговування». Тепер ми можемо майже точно передбачити момент, коли шину, двигун, акумулятор автомобіля, турбовентилятор або пристрій потрібно замінити, і ми можемо порадити оптимальний мийний засіб для конкретного двигуна, що працює у відмінних умовах.

Якщо поглянути на минуле GE, додав Ру, то все спиралося на переконання інженерів-механіків, буцім за допомогою фізики можна змоделювати весь світ і заглибитися в те, як усе працює. «Ідея полягала в тому, – пояснював він, – що якщо ви знали, як працює газова турбіна або двигун внутрішнього згоряння, то могли застосувати закони фізики та сказати: “Отак воно працюватиме й ось тоді вийде з ладу”. Традиційна інженерна спільнота не вважала, що в даних є своя правда. Вони використовували дані для верифікації фізичних моделей і діяли на підставі одержаних результатів. Наша нова генерація фахівців із даних каже натомість: “Щоб шукати й виявляти патерни, можна й не знати фізики”. Є патерни, котрі людський мозок не може виявити, бо сигнали настільки слабкі, що ви їх не помічаєте. Але тепер, коли в нас є такі обчислювальні потужності, ці сигнали самі впадають вам в око. Одержуючи тепер слабкий сигнал, ви розумієте, що це раннє попередження про можливість пошкодження або про втрату ефективності».

У минулому ми розпізнавали слабкі сигнали інтуїтивно, зазначив Ру. Досвідчені робітники знають, як обробляти слабкі дані. Але тепер, коли оперуємо великими даними, «ми можемо з набагато вищою надійністю знаходити голку в сіні» – це вже не виняток. «Поруч із людиною зможуть працювати також машини, і вони стануть ніби колегами, зможуть обробляти разом із нею слабкі сигнали, швидко виходячи на рівень ветерана з 30-річним стажем».

Подумайте про це. Інтуїція щодо роботи машини в цеху вироблялася років через 30 праці на заводі, – тоді можна було вловити, що якийсь «не такий» звук долинає від машини, і це свідчило, що щось із нею не так. Це слабкий сигнал. Тепер, маючи сенсори, новий працівник може помітити слабкий сигнал у перший день роботи – і без інтуїції. Вас сповістять про це сенсори.

Здатність набагато швидше продукувати й застосовувати знання дозволяє максимізувати віддачу не лише від людей, але й від корів. Для фермерів-молочарів також закінчилися здогади, за словами Джозефа Сайроша, віце-президента групи даних у відділі хмарних технологій та підприємництва в корпорації Microsoft. Усе це керування цифрою скидається на складну інтелектуальну роботу. Але коли ми з Сайрошем завели бесіду й він став пояснювати значення прискорення у галузі сенсорів, то почав із дуже старого прикладу з коровами.

Власне, це виявилося не дуже простим. Він хотів поговорити про «під’єднаних корів».

Тож Сайрош розповів мені про таке: японські фермери-молочарі запитали японського комп’ютерного велета Fujitsu, чи не змогла б фірма оптимізувати розведення корів на великих молочних фермах. Виявляється, тічка, або еструс, у корів – період статевої сприйнятливості, коли можна успішно робити штучне запліднення, – триває дуже коротко: 12—18 годин приблизно раз на 21 день, переважно вночі. Тому дрібному фермерові з великим стадом надзвичайно важко моніторити всіх корів і визначати найкращий час для штучного запліднення. Якщо все зробити як слід, то фермери-молочарі можуть забезпечити безперервне виробництво молока протягом усього року, максимізуючи продуктивність ферми на облікову особину.

Рішення, яке запропонувала Fujitsu, пояснював Сайрош, полягало в тому, щоб спорядити кожну корову педометром, що передавав би радіосигнал на ферму. Дані надходили з відповідно запрограмованої системи машин, що називається GYUHO SaaS (система допомоги розведенню великої рогатої худоби), яка працювала на Microsoft Azure в майкрософтівській хмарі. Унаслідок проведених наукових досліджень Fujitsu встановила, що у стані сприйнятливості в худоби різко зростає кількість кроків на годину, що з точністю в 95 % сигналізувало про те, що в молочної корови настав еструс. Коли система виявляла в корові сприйнятливість, вона надсилала текстові повідомлення фермерам на мобільники, завдяки чому ті вчасно могли проводити штучне запліднення.

«Виявляється, що дуже просто виявити, коли в корови еструс, бо зростає кількість кроків на одиницю часу, – сказав Сайрош. – І тоді штучний розум зустрічається зі штучним заплідненням». Маючи таку систему, фермери не лише збільшують продуктивність за рахунок вищого поголів’я – набагато зростає кількість запліднень, за словами Сайроша, – але й заощаджують час: вони тепер могли покладатися не лише на власні очі, інстинкти, дорогý робочу силу або журнал «Фермерський альманах», щоб визначати сприйнятливість у корів. Вони змогли залучати вивільнених робітників до іншої продуктивної роботи.

Дані коров’ячих сенсорів виявили ще одну важливу закономірність, сказав Сайрош: дослідники Fujitsu встановили, що в ідеальному вікні для штучного запліднення тривалістю 16 годин виконання процедури в перші чотири години «з 70-відсотковою ймовірністю давало теля жіночої статі, а в наступні чотири години – чоловічої». Це могло допомогти фермерові «залежно від своїх потреб регулювати співвідношення корів і биків у своєму стаді».

Дані продовжили сприяти появі нових ідей, зазначив Сайрош. Вивчення патернів кроків дозволило фермерам виявляти на ранній стадії вісім хвороб у корів, дало змогу починати лікування на ранній стадії й покращити здоров’я та тривалість життя стада. «Трохи винахідливості – і можна трансформувати навіть таку стару галузь, як фермерство», – підсумував Сайрош.

Якщо корова з сенсором робить генія з фермера-молочаря, то локомотив із сенсорами – це вже не примітивний потяг, а ІТ-система на колесах. Вона миттєво фіксує й повідомляє про якість колії кожні 100 футів; помічає підйом і спуск та показує, скільки енергії треба витратити на милю такого шляху, що дає змогу заощаджувати пальне на спуску, а також максимізує ефективність використання пального або швидкість на відрізку від пункту А до Б. Сьогодні всі локомотиви GE мають камери для кращого моніторингу того, як машиніст керує двигуном під час подолання кожної кривої. GE тепер також знає, що якщо двигуну доводиться давати навантаження 120 % у спекотний день, то деякі деталі мають проходити профілактичний огляд частіше.

«Ми постійно збагачуємо й навчаємо нашу нервову систему, і всі виграють від даних», – сказав Ру. Проте сенсори та програмне забезпечення дозволяють не лише вчитися, але й проводити трансформації за допомогою їхнього спільного використання. Сьогодні, пояснював Ру, «нам більше не потрібно фізично змінювати кожен виріб для покращення його характеристик, – ми це робимо за допомогою програмного забезпечення. Я беру простий локомотив, насичую його сенсорами та програмним забезпеченням й отримую можливість прогнозного обслуговування та керування підйомом і спуском на оптимальній швидкості для заощадження пального, створюю ефективніший графік руху й навіть ефективніше паркую потяги». Звичайний локомотив раптом стає швидшим, дешевшим і розумнішим, – і це без заміни гвинта, болта чи двигуна. «Я можу використати дані сенсорів і програмне забезпечення, щоб машина стала ефективнішою, так ніби ми вже випустили нове покоління», – додав Ру.

На заводі, додав він, «у вас може з’явитися тунельне бачення виконуваної роботи. А що, як машина стежитиме за вами завдяки тому, що ми на все змонтуємо камери й усе матиме очі та вуха? Ми говоримо про п’ять відчуттів. Люди ще не втямили, що я дам машинам п’ять відчуттів, щоб вони з людьми взаємодіяли, ніби зі своїми колегами».

А як іще гроші пов’язані з тими схилами, пояснював виконавчий директор GE Джефф Іммелт в інтерв’ю McKinsey & Company9 в жовтні 2015 року:

Кожен виконавчий директор на залізниці скаже вам швидкість свого парку. Ця швидкість – десь 20—25 миль на годину. Середньодобова швидкість локомотива становить 22 милі на годину. Не дуже добре. А відмінність між 23 та 22 для, скажімо, Norfolk Southern варта 250 млн доларів річного прибутку. Це величезна сума для такої компанії. Лише одна миля на годину. Ідеться про поліпшення графіку руху. І про зменшення простоїв. А ще – відсутність поламаних коліс, швидший проїзд через Чикаго. І це все аналітика.

Із кожним днем, пояснював головний страхувальник AT&T Джон Донован, ми дедалі більше перетворюємо «неструктуровану інформацію на корисні дані» й чимраз швидше генеруємо та впроваджуємо ідеї. Джон Вонамейкер, власник американського універмагу, був на початку ХХ ст. піонером у рекламі та роздрібній торгівлі. Якось він помітив дуже важливу річ: «Я марную половину коштів на рекламу, і проблема в тому, що я не знаю, яку саме половину». Сьогодні все інакше.

Шістнадцятого червня 2014 року по Національному громадському радіо Латанія Свіні, на той час головний технолог Федеральної комісії з питань торгівлі, пояснювала, як сенсори та програмне забезпечення трансформують роздріб: «Чимало людей не розуміє, що для з’єднання в інтернеті ваш телефон постійно надсилає унікальне, прошите у вас число, що називається МАС-адресою, щоб спитати: «А вай-фай тут є?» …І за цими запитами пошуку вай-фаю можна простежити з точністю до кількох футів місцеперебування телефона, наскільки часто він там з’являється». Тепер цю інформацію ритейлери10 використовують, щоб з’ясувати, біля якої вітрини в них ви затрималися довше і які з них спокусили вас на покупки, що дає їм протягом дня можливість оптимізувати розташування товару на вітринах. І це ще не половина справи; великі дані дозволяють нині ритейлерам простежити, хто який рекламний щит проїздив і до якого їхнього магазину потім подався.

Дев’ятнадцятого травня 2016 року газета The Boston Globe повідомляла:

Тепер найбільша у країні компанія реклами на білбордах Clear Channel Outdoor Inc. виносить спливну рекламу «під замовника» на міжштатні шосе. Її програма «Радар», що добре себе зарекомендувала в Бостоні та 10 інших містах США, використовує дані, які AT&T збирає від 130 млн стільникових передплатників та від двох компаній – PlaceIQ Inc. та Placed Inc., що використовують телефонні застосунки, щоб відстежувати пересування ще кількох мільйонів користувачів.

Clear Channel знає, які люди їдуть повз конкретний їхній білборд о 18:30 у п’ятницю, скільком із них, наприклад, подобається Dunkin’ Donuts або скільки тих, хто проїжджав рекламу, відвідало цього року три гри Red Sox.

Це дає змогу точно таргетувати рекламу.

Вибачайте, пане Вонамейкер, ви жили не в ту епоху. Здогадливість вельми типова для ХХ століття. Здогади офіційно закінчилися.

А може, і приватність. Тільки подумайте про ту кількість інформації, яку з людей витягають такі фірми-велети, як Facebook, Google, Amazon, Apple, Alibaba, Tencent, Microsoft, IBM, Netflix, Salesforce, General Electric, Cisco та всі телефонні компанії, і наскільки ефективно перейматися майнінгом даних для глибинного аналізу – і ви не вийдете з дива, замислюючись, чи зможе хтось із ними конкурувати. Ні в кого більше немає такої кількості структурованої інформації як сировинного матеріалу для аналізу та створення дедалі кращих прогнозів. Бо структурована інформація сьогодні – велика сила. Слід пильно стежити за тим, як великі дані дають змогу потужним компаніям ставати монополістами. Ідеться не просто про домінування на ринку їхньої продукції, а про посилення цього домінування завдяки одержуваній інформації.