Трудно измерять прогресс по реальным итогам. Поэтому так много процессов (реальных и виртуальных) оценивается по критериям, которые легче измерить, — по объему, по количеству итераций. Но вот измерение произведено, а результат не достигнут. Потому что надо ответить на принципиальный вопрос: что является конечным результатом для бизнеса, клиента или пациента?
Может показаться, что в области ИТ это не представляет проблемы. В конце концов, объем и плотность хранения стремительно растут, цены снижаются, а облака обладают неисчерпаемым потенциалом. Кроме того, такие интеллектуальные процессы, как машинное обучение, получают массу данных, т. е. могут собирать, хранить и обрабатывать все, что потенциально может оказаться полезным.
Неправильно
Хранить все потенциально полезное не значит хранить все подряд. Большинство систем собирают данные, которые легче получить, а не те, которые являются самыми важными или действительно полезными. Это можно наблюдать во многих ручных процессах, когда системы наполняются данными, которые становятся важными, потому что они измерены, а не измеряются потому, что они важны. В цифровых системах это не обязательно приводит к улучшению результатов. Чаще процессы просто автоматизируются и ускоряются.
Если собирать еще больше данных, это не всегда обеспечит их достоверность и точность. Без проверки (в идеальном варианте — на каждом этапе) могут быстро и легко распространяться ошибки. Это тот подход, в котором многие работающие по технологии DevOps или DevSecOps узнают применяемый ими способ обеспечения качества и безопасности в быстро развивающихся системах. Правдоподобная, но не совсем точная информация (фейковые новости в социальных сетях, фейковые данные Интернета вещей) вызывает пустую трату времени и сил. Хуже того, ложные сведения могут начать восприниматься как подлинные.
Требуется более научный подход к оценке данных. Но специалистов по данным трудно обучать и еще труднее найти. Здесь открывается поле деятельности для искусственного интеллекта. Давно выражаются надежды, что он поможет справиться с проблемой данных. Но результаты работы даже такой мощной системы, как IBM Watson, показывают, что надежды не всегда оправданы. Некоторые ее рекомендации по поводу лечения рака были названы небезопасными и некорректными. Возможно, машина была введена в заблуждение использованием гипотетических случаев заболевания вместо реальных. Тем не менее, представляется, что эта технология недостаточно совершенна.
Правильно
Чистой науки о данных недостаточно. Она должна применяться с учетом интересов бизнес-пользователей и быть направлена на достижение желаемых результатов. Опять же использующим DevOps это уже известно.
Оптимизация может быть различной. Преимущества автоматизации и цифровизации процессов также зависят от конкретных условий. Необходим целостный подход. Например, требование стереть 50% результатов работы, на которую потребовалось два часа, будет иметь гораздо меньший реальный эффект, чем уничтожение 10% работы, выполнявшейся пять дней.
Решить, с чего начать, чтобы добиться наибольшего эффекта, может показаться непосильной задачей. Однако можно подойти к ней как к любой другой, казалось бы, невообразимо большой и неизвестной проблеме. Разделите информацию в пропорции 10:80:10. При этом 10% безусловно заслуживает наивысшего приоритета, 10% не стоит хранить. К оставшимся 80% следует применить ту же процедуру, и таким образом добиваться постоянного совершенствования.
Несмотря на широкие возможности автоматизации, значение наведения порядка, редактирования и приоритезации даже возрастает. Воспользуйтесь подходом к проблемам, применяемым в рамках DevOps, или даже книгой Э. М. Голдратта и Дж. Кокса об оптимизации производственных процессов (Eliyahu M. Goldratt, Jeff Cox. The Goal).
Ищите действительно узкие места, применяйте непрерывную оптимизацию, измеряйте то, что действительно важно для бизнеса, и наводите порядок, заменяя «мы могли бы» на «мы должны».
