Цифровизация. Практические рекомендации по переводу бизнеса на цифровые технологии - Коллектив авторов

Syngenta, базирующаяся в Базеле, Швейцария, была образована в 2000 г. в результате слияния агропромышленных комплексов Novartis и AstraZeneca. Свыше 5000 из более чем 28 000 ее сотрудников – это специалисты высшей квалификации в области биологии, генетики и органической химии. Многие из них имеют докторские научные степени. Свою миссию Syngenta видит в разработке инновационных технологий в растениеводстве. Таким образом компания стремится создать оптимальные условия для выращивания стратегически важных продуктов питания, таких как соевые бобы, кукуруза и пшеница, чтобы как можно более эффективно обеспечивать продовольствием растущее население мира. Решить эту проблему исключительно традиционными методами ведения сельского хозяйства невозможно. А это означает, что нужно стимулировать развитие генетики.

На протяжении столетий селекция растений была трудоемким процессом, в ее основе лежал метод проб и ошибок. Фермеры пробовали различные посевные материалы и методы выращивания и разведения, стремясь вывести самые урожайные растения с оптимальными свойствами. Решающую роль играла удача, так как в вопросах выбора вариантов перекрестного опыления селекционеры в большой мере доверяли своей интуиции и гипотетическим предположениям. Например, для выведения удачного сорта кукурузы селекционер мог вручную опылять сотни или даже тысячи растений и смотреть, что из этого получается.

Syngenta принимала участие в крупномасштабных экспериментальных исследованиях и в НИОКР, ежегодно проводя полевые испытания сотен тысяч растений более чем на 150 участках во всем мире. Но поскольку результаты опытов часто зависят от случайных или специфических факторов, иногда бывает трудно сделать содержательные выводы. Как определить, выросло одно растение выше других в силу генетических особенностей или потому, что оно получало больше воды и солнечных лучей? При использовании традиционных методов исследования единственный путь к достижению надежного результата подразумевает проведение множества дополнительных испытаний, то есть значительные временны`е и финансовые затраты. Продвижение нового сорта сельскохозяйственного растения от стадии тестирования до готового коммерческого продукта занимает в среднем семь лет. И если вы ежегодно тратите на НИОКР в области семеноводства и защиты растений сотни миллионов долларов (а расходы Syngenta на НИОКР в 2015 г. составили около 1,4 млрд долл.), то даже небольшая экономия приносит существенную выгоду.

Наша идея[33] заключалась в использовании аналитической обработки данных для изучения множества сортов растений и семян в выявлении наиболее перспективных сортов уже на ранних этапах. Соответственно, такой подход предполагает оптимальное использование ресурсов (с учетом всех затрат – от инвестиций до оплаты работ персонала, земельных участков и времени). Что, если мы сможем на каждой стадии делать более точный и правильный выбор?

Процесс селекции начинается с отбора перспективных исходных растений. Потом выполняется их скрещивание, оценка потомства и, наконец, вывод на рынок того сорта, который обнаруживает доказанное превосходство по сравнению с другими. Традиционно основной механизм селекции растений – это постоянное тестирование и многократные повторные испытания. Но можно ли исключить эти этапы для тех сортов, которые уже «продемонстрировали» свои недостатки, и отобрать вероятных победителей на более ранней стадии? Мы стремились заменить многократно повторяющиеся дорогостоящие и длительные тестирования принятием решений относительно собранного банка образцов растений на основе уже имеющихся достоверных данных и научных исследований.

Центр исследований и развития компании Syngenta расположен в Слейтере, штат Айова, неподалеку от Де-Мойна, на значительном удалении от большинства специалистов, чьи аналитические навыки были необходимы в работе. В плане привлечения квалифицированных аналитиков у нас было немного шансов успешно конкурировать с крупнейшими работодателями. И тогда мы решили, что нам лучше всего будет, кроме использования собственных ресурсов, наладить сотрудничество с консультантами и научными работниками в областях, не связанных с биологией и сельским хозяйством.

Учимся использовать краудсорсинговые платформы

Открытые инновации могут способствовать решению сложных проблем бизнеса, которые компании не могут решить собственными силами. В некоторых случаях препятствием становится недостаток опыта, в других – большие расходы. Однако привлечение экспертов со стороны требует тесного взаимодействия со штатными сотрудниками – они должны чувствовать, что это полезно для бизнеса и при этом не грозит им увольнениями. Такое взаимодействие важно и для формулировки проблем, оценки возможностей. Итак, Syngenta попробовала связаться с несколькими онлайновыми краудсорсинговыми платформами, чтобы найти квалифицированных специалистов, которые могли бы помочь повысить эффективность наших НИОКР.

Но, прежде чем начинать поиски внешних экспертов, мы проинформировали сотрудников о каждой задаче, сложной проблеме или спорной ситуации, чтобы именно они смогли предлагать решения в первую очередь. И даже если им не хватало определенных профессиональных навыков, необходимых для решения сложных математических задач, практический опыт в селекции растений помогал нам точнее сформулировать вопросы. Поэтому они не воспринимали привлечение сторонних специалистов как угрозу своей работе, а видели, что их участие способствует продвижению важного проекта.

Мы старались максимально использовать краудсорсинговые платформы, а также исследовали возможность использования достижений математики в селекции лучших сортов растений. Уже в начале изучения доступных краудсорсинговых сайтов мы поняли, что для разных задач существуют разные типы платформ. Некоторые из них мы опробовали. Часть оказалась достаточно простой: вы публикуете в интернете описание проблемы, и отдельные люди предлагают вам свои решения. Это хорошо работало при идентификации, например, статистических подходов к вопросам селекции растений, когда задачу можно разрешить чисто математическими методами. Однако такие платформы не очень подходят для более сложных, междисциплинарных проблем. В этом случае полезными оказались более сложно организованные ресурсы, позволяющие объединять экспертов разного профиля в рабочие группы, подходившие к задаче итерационным методом. Например, биологические особенности адаптации какого-то растения к различным географическим поясам не сможет смоделировать специалист, работающий индивидуально и использующий только математические методы.

Мы решили использовать открытые инновации, чтобы получить возможность анализировать данные для идентификации генетических комбинаций, при которых у растений сои проявляются оптимальные свойства, в том числе максимальная урожайность. Идеального сорта сои не существует. Точнее, существуют разные виды этого растения, наиболее подходящие для тех или иных климатических зон и условий выращивания. С учетом того, что у сои 46 000 генов, определяющих ее потенциал, а число возможных комбинаций практически бесконечно, выбор самых подходящих разновидностей становится невероятно сложной задачей. Чтобы определить сорта с наилучшими характеристиками, пришлось бы протестировать их, сравнивая свойства разных сортов семян, выращенных в различных регионах по всему миру.

Наша концепция заключалась в необходимости создания комплекса программных средств, способных заменить интуитивные подходы в селекции растений методами, основанными на научных данных[34]. В качестве основного инструмента нам потребовалась система мониторинга информации, которая позволяла бы селекционерам оперативно знакомиться с характеристиками растений с разных полей и сразу определять, как там обстоят дела. Для ее создания мы организовали конкурс на платформе InnoCentive, базирующейся в Уолтеме, Массачусетс. В нем приняли участие специалисты из разных областей, в том числе математики, физики, специалисты по информатике и