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

программисты, пожелавшие проверить свои навыки решения проблем. Конкурс был открыт для всех 375 000 пользователей этой платформы. Мы предложили его участникам создать инструмент обработки исходных данных полевых испытаний с визуальным представлением результатов и выделением аномалий для их дальнейшего исследования.

Этот инструмент должен был осуществлять так называемый остаточный анализ, или анализ остатков. Речь здесь идет о возможности рассчитывать разницу между наблюдаемыми и прогнозируемыми значениями генетического признака на базе статистической модели, аккумулирующей данные из множества регионов. А так как мы искали методологию и хотели получить и проверить возможно большее количество творческих идей, то сочли нужным обратиться к максимально широкой сетевой аудитории.

Наибольшее внимание к нашему конкурсу возникло в сообществе InnoCentive. Примерно за три месяца более 200 специалистов скачали подробное описание проблемы и данные, позволяющие разработать предложения по ее решению. Индивидуальные участники согласились подписать в режиме онлайн договор о неразглашении и соблюдать основные условия конкурса. В первом туре мы просили их представить техническое описание с изложением подхода к решению проблемы. Наши штатные сотрудники проанализировали каждый представленный онлайновый документ, и эксперты выделили два поступивших предложения, каждое из которых позволяло решить проблему качества данных. Мы выбрали тот подход, на основании которого, как нам показалось, было проще создать практический инструмент. Работа именно этого участника и была оплачена согласно заранее оговоренным условиям.

Таким образом мы формировали для своей организации великолепную аналитическую базу, причем с весьма малыми затратами, ведь решение даже нескольких задач обходилось нам дешевле, чем, скажем, услуги принятого в штат профессора математики. Каждая платформа имела свои типовые договоры, что заметно снижало стоимость решения проблем, поскольку мы оплачивали только правильные ответы и помощь в создании эффективного инструмента. Компания сразу четко сформулировала условия конкурса; участники понимали, что их работа будет оплачена, только если они представят именно тот результат, которого ждут организаторы.

Получив методику, победившую в первом туре конкурса, мы разместили на той же платформе информацию о второй проблеме. Теперь мы хотели усовершенствовать инструмент так, чтобы ввод данных был быстрым, несложным и интуитивно понятным для селекционеров, пользующихся инструментом в полевых условиях. На этот раз участники конкурса придумали систему, которая представляла визуальные данные об урожайности на основе результатов испытаний на полях с разными характеристиками: территории с низкой урожайностью были окрашены одним цветом, а участки с высокой урожайностью – другим. С помощью этой технологии ученым будет проще определять проблемные области, нежели при просмотре столбцов цифр.

Приведенный ниже пример показывает, как работает этот инструмент. На одном поле результаты не совпадали с ожидаемыми показателями роста для различных сортов тестируемых семян. Оказалось, что это было обусловлено различиями не в сортах семян, а в их местоположении на поле: в некоторых рядах растения были слабыми, на других же результаты соответствовали ожидаемым. Мы захотели выяснить, в чем дело. При помощи вышеописанного инструмента наш менеджер понял, где нужно искать причину обнаруженной аномалии: из-за производственного брака комбайн, который использовался для измерения урожайности на данном участке, был неправильно откалиброван, поэтому с одной стороны поля результаты замеров были искажены. Итак, благодаря новому аналитическому инструменту был обнаружен заводской брак, после чего изготовитель оборудования устранил его. Если бы дефект не был исправлен, пользователи этой машины в течение многих лет получали бы искаженные результаты тестирования, непроизводительно расходуя время и деньги.

Постановка проблем для решателей задач

Вдохновленные первоначальными достижениями по использованию открытых инноваций и аналитики в повышении эффективности селекции растений, мы захотели закрепить успех и поставили перед нашими «решателями» третью проблему: подобрать математическую концепцию для разработки наиболее объективных экспериментов по оценке урожайности.

Специалисты-селекционеры, измеряющие урожайность растений, используют, в частности, три ключевых показателя: сколько сортов тестируется, в каких регионах и кратность повторения испытаний. Решения по каждой из трех позиций принимаются повторно на трех отдельных этапах испытания. Поскольку возможных комбинаций этих переменных чрезвычайно много (для нашего ассортимента продукции – больше триллиона!), для упрощения задач селекционеры часто увеличивают масштабы экспериментов, то есть расширяют количество испытательных площадок и производимых опытов. Таким образом, полагают они, лучшие результаты будут получаться сами собой. Однако из нашего собственного опыта мы знаем, что увеличение масштабов эксперимента не всегда обеспечивает оптимальные результаты: часто при этом просто росли затраты времени и денег.

Мы понимали, что эта проблема по своей природе намного сложнее, нежели просто проблема качества данных, которую чаще всего можно решить как чисто математическую задачу. Поэтому участникам первых не нужно было иметь глубокие познания в биологии. А вот спланировать и провести испытания на урожайность могли только специалисты, обладающие и хорошими навыками обработки цифровых данных, и достаточно глубокими познаниями в области биологии. Поэтому теперь Syngenta обратилась к другой платформе открытых инноваций, ориентированной на командную работу.

Конечно, необходимость использования команды сужает круг возможных участников конкурса. И действительно, профильную подготовку, необходимую для поиска решения нашей проблемы, имели всего несколько человек. Видимо, поэтому полученные нами первые отклики относительно проведения испытаний с применением математической модели были не такими, как мы ожидали. Мы поняли, что поставленная проблема сложнее, чем нам поначалу представлялось. Несмотря на все наши попытки четко и однозначно сформулировать задачу, участники неизменно интерпретировали ее на свой лад, решая вопросы, которые мы не ставили, и фокусируя свое внимание на тех аспектах, которые казались нам второстепенными. Это непонимание огорчало обе стороны.

Наш опыт показывает, что одна из самых больших сложностей в открытых инновациях – это формулирование проблемы таким образом, чтобы заинтересовать потенциальных исполнителей-«решателей». В итоге мы поняли, что лучше не представлять задачу в целом, не вдаваясь в детали, а разделить ее на более мелкие фрагменты.

Решение проблем с использованием открытых инноваций

Вместо того чтобы с помощью открытых инноваций решать проблему в целом, часто лучше разделить ее на более мелкие фрагменты. Для этого нужно сконструировать и проверить возможные варианты решения, на основе чего принять промежуточное решение. Далее проблема переформулируется для проработки следующего фрагмента. Этот процесс может повторяться до тех пор, пока не будет получено полное искомое решение.

В ходе работы по проектированию исследований урожайности мы поняли, что реализация способа, возможно, позволяющего решить проблему в целом (и требующего моделирования более триллиона возможных комбинаций для каждого тестирования урожайности), займет несколько недель и создаст слишком большую нагрузку на вычислительные ресурсы. Поэтому мы переформулировали задачу, попросив участников найти менее затратный подход. Насколько это было возможно, мы удалили из условий задачи биологию, чтобы сосредоточить внимание на математической составляющей.

Критически важным действием является проверка правильности (валидация). В агрономии мы стараемся выяснить, являются ли моделируемые