Как искусственный интеллект предсказывает поведение людей, экономит бизнесу миллионы долларов и заменяет нам домашних животных

Прежде чем мы начнем третий сезон, я хочу порекомендовать вам подкаст «Либо выйдет, либо нет». основательницы студии «Либо-либо»— Лика Кремер и Катя Крангаус. В подкасте Катя и Лика рассказывают, как они строят свой бизнес и решают типичные стартаперские проблемы— от выгорания сотрудников до привлечения новых инвестиций. «Либо выйдет, либо нет»— это подкаст о предпринимательстве, но с живыми историями и очень понятными переживаниями. Ссылка на подкаст будет в описании этого эпизода.

Привет! Это третий сезон подкаста «Либо выйдет, либо нет». Я Катя Крангаус.

А я Лика Кремер.

Привет! В этом сезоне мы будем решать те проблемы, которые возникли у нас ко второму году существования. Когда вообще стартап превращается в корпорацию? Как набрать аудиторию? И какие вообще существуют эффективные методы продвижения? Слушайте нас по понедельникам в Apple подкастах, на Яндекс.Музыке, в Google подкастах, Castbox. Либо выйдет, либо нет.

Всем привет! Меня зовут Самат Галимов, и это подкаст «Запуск завтра». Как технический директор я пытаюсь разобраться, как устроены сложные и интересные штуки. Я зову профессионала, с которым можно поговорить простым человеческим языком. Наш подкаст вернулся с каникул. Спасибо большое, что прошли опрос в конце второго сезона. Мы очень внимательно прочитали все отзывы и узнали много интересного. Чтобы не пропустить новые выпуски, подписывайтесь на подкаст, а ещё оставляйте оценки и отзывы. Мы их все читаем, и они нас очень, во-первых, подбадривают, а во-вторых, придают нашей работе дополнительный смысл. Обычно мы делаем выпуск об одной технологии или об одном сервисе. Но сегодня у нас в гостях человек, с которым хочется поговорить обо всем и сразу. Давид Ян основал десяток бизнесов, и многие из них стали международно успешными. Все началось с электронного Lingvo и системы распознавания документов FineReader. Это два первых продукта компании Abbey. Сегодня у Abbey есть офисы на многих континентах и оборот в миллионы долларов. Потом Давид создал компанию Айка. Если вы сейчас пойдете в ресторан, то с большой вероятностью официант забьет ваш заказ именно в систему Айка. И это я сейчас перечислил, только самые популярные сервисы. Сейчас Давид работает над Yva.ai, которая ни много ни мало обещает предсказать вам поведение людей. Например, когда они выгорят или уволятся. В общем, я теперь шучу, что раз третий сезон мы начинаем с Давидом Яном, то четвертый придется начать с Биллом Гейтсом. Это подкаст студии Либо-Либо, и у нас есть партнер— сервис онлайн-образования Яндекс.Практикум. Если вы хотите стать программистом, дизайнером или дата-сайентистом, идите на сайт Яндекс.Практикум и учитесь.

Меня зовут Давид Ян, я вот сижу здесь в Кремниевой долине. Я кандидат физико-математических наук, занимаюсь искусственным интеллектом, основал 12 компаний, всякое такое.

Я на самом деле жутко волнуюсь, потому что ты человек из каких-то рассказов про то, как люди запускали IT-индустрию в России, когда я еще только родился. Но мы про это поговорим в конце подкаста, а начать я хочу с твоего последнего проекта с Ивы. Правда ли, что ты умеешь предсказывать поведение людей?

Да, в какой-то мере. Несколько лет назад Решили применить технологии искусственного интеллекта к самому сокровенному, наверное, что есть в бизнесе. Это к информации о том, как люди сотрудничают. Мы были убеждены, что в коммуникациях людей, в корпоративных коммуникациях лежит мудрость организации, понимание того, кто является сильным управленцем, пониманием того, кто является сильным продавцом или, наоборот, отстраненным человеком или токсичным менеджером. И мы подумали о том, что если кто-то научится расшифровывать эту информацию из этих миллионов точек данных, то он обеспечит бизнесом всего мира такой магический кристалл и своего рода МРТ-сканер.

А можешь какие-то конкретные примеры привести, что вы имеете, какие-то конкретные действия?

Конкретно называется управление опытом сотрудников, если честно. Система, например, показывает вовлеченных сотрудников в работу, как она растет и падает. Она показывает ширину рабочего дня, как быстро люди отвечают на письма, есть ли у них проблемы, есть ли конфликты. Она показывает выгорание сотрудников и даже предсказывает увольнение сотрудников иногда до того, как сам сотрудник принял решение уволиться.

На каком горизонте ты можешь предсказать, что человек захочет уволиться? Есть ли какие-то конкретные примеры?

У нас есть ситуация, когда система предсказывала за 11 месяцев до увольнения, и система делит весь этот предувольнительный период на три фазы. Фаза фрустрации, фаза раннего выгорания, фаза позднего выгорания. Как это она делает, с точки зрения короткого описания, очень просто. Мы создали такую нейросеть и так ее обучили, что она научилась находить изменения в точках корпоративного сотрудничества человека. период за несколько месяцев до того, как он увольняется. Оказывается, мы меняем свое поведение. Это связано с тем, как быстро мы отвечаем на письма. Это связано с тем, кому и когда мы пишем. Какое количество новых писем, новых тредов переписки мы инициируем. Хвалим мы своих коллег или не хвалим. Нас хвалят или не хвалят. Вверх по иерархии, вниз по иерархии, за пределы компании, внутри компании. Это граф коммуникации. Это очень сложно. Десятки тысяч точек данных порождает каждый сотрудник ежегодно в корпоративной коммуникации. Вот в отдельно взятой метрике ничего не меняется. А вот все вместе, оказывается, там лежит эта информация. Мы немножко меняемся в этот период. И вот мы научили нейросеть видеть, находить эти изменения и с определенной вероятностью предсказывать это. Зачем это нужно, начнем с этого. На самом деле это нужно для того, чтобы удерживать сотрудников. Каждая организация вкладывает огромные деньги, силы, любовь в каждого сотрудника. И очень обидно, если из-за чего-то человек начинает быть активным кандидатом, он сам начинает искать работу. Вот очень обидно. Мне хочется до этого доводить. Хочется находить ситуации каких-то недопониманий на раннем этапе, чтобы их исправить и чтобы хорошие сотрудники оставались.

Давид, я не могу не ухватиться, ты несколько раз сказал, что очень обидно, и ты много лет в бизнесе. Можешь какую-то историю рассказать о том, как у тебя в жизни было?

Таких историй много. Я, начиная от того, в Cybiko карманный коммуникационный компьютер для молодежи, практически за месяц до публичного мирового выпуска системы, самый ответственный момент, Мне приходит CTO, от руководителя всей разработки. И были менее драматичные истории. Один из случаев произошел прямо в самой компании Ива. У нас было тогда 15 сотрудников. И мы думали, что мы все про всех знаем. Ну, что мы делаем систему, которая позволяет нам лучше понимать друг друга, обратную связь обеспечивать, но для более крупных организаций. И вот мы первый раз показываем вот эту вот всю модель выгорания сотрудников самим себе на стендапе. Инженеры смотрят в первый раз, что же они сделали. И данные, естественно, по нам самим. То есть все-все-все сотрудники на экране показываются, кто выгорает, кто нет. И два сотрудника, два инженера показываются в красной зоне, в зоне выгорания. То есть у них вероятность увольнения достаточно высокая. Мы так переклядываемся. Один как-то промолчал, а другой говорит, ребят, я же говорил, что это нихрена не работает. Ну, посмотрите, ерунда какая-то. Ну, допустим, его Олег зовут. Я говорю, Олег, ты скажи, если что не так. А он был одним из ключевых. Он говорит, да нет-нет-нет, все нормально, я не собираюсь увольняться. Дело происходит в апреле. Через 4 месяца, в августе, он увольняется. И когда он увольняется, я говорю, Олег, а вот почему ты говорил, что ты не собираешься увольняться? Он говорит, я не собирался. Как же, как же? Но ты год назад подал заявление на переезд на постоянное место жительства в Европу. То есть ты же знал, что ты уезжаешь. Он говорит, ну понимаешь, мне в апреле тогда еще визу не дали, вот я и говорил, что не собираюсь увольняться. А система, на самом деле, увидела примерно с того момента, когда он подал визу о изменении его Так что бывает так, что ты работаешь с человеком вот так вот рядом и совершенно не понимаешь этого.

«Блин, после такой истории мне нужно просто пару минут, я хочу просто пожить с этим». Потому что, с одной стороны, немножко страшно, с другой стороны, очень круто, скорее всего, для бизнеса. И в-третьих, это какой-то minority report, сразу у меня фильм вспоминается, а если чувак не хочет, ты начинаешь системе настолько сильно доверять.

В этом смысле очень важно, что мы доставляем эту информацию в первую очередь самому сотруднику, в его личный дэшборд. И подобный анализ происходит с согласия сотрудника. Это совершенно принципиально. То есть, с одной стороны, мы создаем эту информацию для сотрудника, во-вторых, мы спрашиваем его разрешение.

Можешь привести пример, как этот дэшборд вообще выглядит?

Выглядит прямо так. Ты заходишь, если ты руководитель, ты видишь свою организацию на одном экране. Такая тепловая карта, где подразделения и метрики. Ты можешь кликнуть на любое подразделение, провалиться внутрь и посмотреть на карту сотрудников этого подразделения. Цветами выделены, кто выгорает, кто не выгорает. Это если ты руководитель. Если ты отдельный сотрудник, то ты видишь карту себя. Ты видишь свой личный кабинет, где тоже видно во времени, когда ты выгорал, когда ты работал более вовлеченно. Но что там самое интересное ты видишь, ты видишь рекомендации своих коллег по работе, анонимные рекомендации. по 31 пункту, как можно улучшиться, то есть что от тебя ожидают твои коллеги, чего ты, например, не до конца хорошо доставляешь. И эту информацию не столько искусственный интеллект рекомендует, сколько коллеги по работе. А искусственный интеллект ИВЫ только помогает понять, у кого из коллег надо попросить обратную связь.

А, то есть ты не всем делаешь одинаковые опросники, а только прицельно?

Да, прицельно, потому что представь в организации тысячи сотрудников, какая там может быть комбинаторика. Система знает, кто с кем сотрудничает в последнее время, над чем сотрудничает. и могли ли быть там какие-то ситуации, и он задает правильные вопросы правильным людям про правильных людей. И таким образом он минимальным количеством вопросов, это всего 60-120 секунд в неделю, система порождает для каждого сотрудника наиболее ценную картину улучшения.

Каждый раз, когда мы вводим какую-то метрику, люди начинают для нее стараться. Были ли случаи, когда люди пытались систему обмануть?

Пытались. Мы специально пытались сломать ее. Мы посадили людей, задачей которых было ее загеймить. Не получается. Дело в том, что метрики все делятся на пассивные, активные. То есть те, которые собирает система, анализируя, как люди сотрудничают, и активные те, как они отвечают. Ответы опросов можно сломать, там их мало, и поэтому ты можешь ответить. А что касается так называемой пассивной аналитики, то есть пассивной обратной связи, когда система смотрит, какие эмоджи ты ставишь, на какие треды в слэке ты отвечаешь, кому ты отвечаешь, когда ты отвечаешь. Вот это невозможно. Дело в том, что их настолько много, что, в общем, если ты на самом деле начнешь, условно говоря, первые свои письма отправлять не в 11.30 утра в среднем, а в 7.30 утра, и будешь это делать на протяжении восьми месяцев, ну да, тогда да. В общем, если каждый день... Да, ты

и работу начнешь лучше.

Да, в общем, ты и работать будешь по-другому. Но это уже очень сложно.

Ты смотрел Black Mirror («Чёрное зеркало»)?

Да, конечно.

Помнишь Nosedive? Там, где девушка всем лайки ставит, и в конце концов жизнь ломается.

Да-да-да.

Очень много разных коннотаций, разных ассоциаций, конечно, есть. Я хочу сказать, что мы считаем, что водораздел находится в следующем. кому принадлежат данные, кто инициирует анализ и для чего он это делает. То есть если данные принадлежат самому сотруднику, если он является хозяином и инициатором этого анализа, это его решение. Каждый сотрудник может принять решение, допустим, что он не хочет, чтобы создавался личный кабинет о том, как он работает, тогда да.

И пассивный анализ для него тоже будет выключен?

Да. На самом деле система имеет несколько уровней приватности. Первый уровень приватности, о котором я говорил, ты не разрешаешь ей анализировать свои пассивные данные вообще. Затем следующий уровень, это когда ты разрешаешь анализировать, но только с целью того, чтобы правильно задавать вопросы правильных людей. Но система не имеет права считать выгорание, ширину рабочего дня и все прочее. И самая глубокая степень приватности— это когда ты разрешаешь ей смотреть содержание переписки для цели вытаскивания таких семантических сигналов, как похвала, позитив, негатив, задачи, когда мы ставим друг другу «Давид, пожалуйста, пришли презентацию к понедельнику». Вот такие семантические конструкции система вытаскивает из содержания, ставит надпись на конверте «здесь есть задача», «здесь есть похвала», «здесь есть позитив», «здесь есть негатив». И затем она удаляет в своей базе данных содержание. Опять же, как это ни странно, большинство разрешают ей самый глубокий уровень приватности.

Это же корпоративное, скорее всего, будет у тебя полисе, что ты для того, чтобы работать в компании, обязан участвовать в этой системе.

Нет, обязать в большинстве стран это невозможно. В европейской зоне действует GDPR, по которому недостаточно уведомить сотрудника о подобном анализе, но необходимо просто его активное согласие на это. А в США и в России и во многих странах это зависит действительно от политики организации. Но я вот что хочу сказать. По факту практически у нас нет случаев, когда сами сотрудники отказывались от этого. По факту, когда они участвуют в вопросах, отвечают на вопросы про других людей, а после окончания этих 11 вопросов они получают кнопку «А хочешь посмотреть информацию о себе, как твои коллеги по работе рекомендуют тебе улучшиться?» Это настолько оказывается важно людям, что они подписываются на систему и, соответственно, дают согласие и получают этот личный кабинет.

Когда я сказал про эмоджи, просто какие эмоджи анализируются в переписке, я на это так запал, просто я представил, что теперь я буду каждый раз думать, а не надо ли мне поставить улыбающийся смайлик, потому что это же поэтому пойдет в мой скоринг.

А между прочим, в этом нет ничего плохого. Один из параметров системы— похвала. Это ведь очень важный управленческий сигнал. Очень важный. Про это огромное количество написано книг. Мы мало хвалим своих коллег.

И с тем у тебя говоришь, что надо хвалить побольше?

Да, да, конечно. То есть мы как руководители мало хвалим своих подчиненных. Мы как коллеги по работе своих коллег из других отделов параллельно мало хвалим. А это очень важно для того, чтобы создавать позитивную атмосферу, настрой на успех и так далее.

Мы читали, что Yva, это была система умного поиска по документам в почте. Как произошел пивот? Почему?

Это был классический пивот в стиле стартап Кремниевой долины. Мы начинали действительно с другой идеи. Мы начинали с того, что хотели решить проблему. Ты знаешь, что у тебя есть этот документ, но ты не можешь его найти. И эта проблема никуда не девалась. Кажется, что она до сих пор есть у всех.

У меня есть точно.

Когда-нибудь все-таки, наверное, кто-нибудь ее решит. Google, я уж не знаю, Apple или кто-нибудь еще научится по... Поведению пользователя по всему-всему-всему. Понимать, что когда он набирает слово «контракт», он имеет в виду именно этот контракт из всего, что было, и так далее. Но для того, чтобы вообще решить проблему умного семантического поиска, надо действительно было понять и сантименты, и задачи, и много чего. И пока мы решали эту задачу, и у нас появилось 160 тысяч Findo, как-то вдруг наши пользователи начали говорить, Слушай, Дэйд, а что, ваша система умеет понимать позитивные и негативные письма? Да. А она умеет понимать, что в письме была задача поставлена? Да. А она может напоминать, что задача была поставлена кем-то, а я не ответил? Она может мне помочь просто найти те письма, где меня о чем-то просили, а я так и не ответил и забыл про это?

Я тоже такое хочу, говорит.

Вот. Она называлась Yva Task Assistant. Это был промежуточный, между прочим, пивот между Файнда и текущей Ивой. И мы это сделали. У нас появилось много пользователей, которые сказали, о, круто, то есть теперь она может подсказывать задачи неисполненные. Да. И вот когда мы уже отрабатывали эту идею продуктовую, вдруг мы увидели большой пласт. Мы вдруг поняли, что Вообще обратная связь с сотрудниками и ассистент, который в целом помогает сотруднику стать эффективнее, не просто там напоминает про забытую задачу, а в целом стать эффективнее, лидерские качества, вовлеченность, удовлетворенность и так далее, управление командами. Это такая большая задача, и она, оказывается, огромная. Это многомиллиардный бизнес. Он называется Employee Experience Platforms. Их только на пальцах одной руки можно насчитать, наверное, миллиардные компании. Но мы поняли и другое, что все эти компании очень old-fashioned. Они в основном используют активную аналитику, опросы для того, чтобы понять, что происходит с сотрудниками, как-то помогать им улучшаться. Опять же, мир ушел вперед. Нельзя ли эти опросы снабдить объективной аналитикой того, как на самом деле люди работают? Не спрашивать о том, как вы работаете, а на самом деле смотреть, чем отличается сильный продавец от слабого продавца, сильный управленец от слабого. Вот этот орешек мы хотели вскрыть.

А погоди, а вот этот промежуточный инструмент, который о задачах напоминает, он уже нет, да?

Мы к нему вернемся. Мы поняли, что он нужен. Мы увидели... Денег в нем чуть меньше,

да, я так понимаю, чем в... Ну,

мы не можем все сделать сразу. Но мы вернемся к этому. В ИВе появится ТАСК-ассистент снова.

Ты перечислил, что вы уже умеете предсказывать. Есть ли что-то, что вы хотели бы предсказать, но пока не получается? На чем вы сейчас работаете?

Все что касается предсказания успешности человека, есть такая тема, понять какого типа человек. Он из того типа, который скорее всего станет через 2-3 года самым сильным и успешным, продвинется по службе и станет начальником. Или он через шесть месяцев, скорее всего, покинет работу. Сейчас Ива не умеет этого делать. Ей нужен хотя бы восемь месяцев исторический цифровой след сотрудника, чтобы начать принимать какие-то решения. Это не значит, что после постановки Ивы первые восемь месяцев она не работает. Она смотрит назад. То есть в этом смысле ты поставила систему, она тебе показала сразу всю историю твоей компании, все ups and downs, что у тебя было в прошлом. Но сами сотрудники, если он работает меньше 8 месяцев у тебя в компании, то у тебя будет ограниченная информация. И мы сейчас над этим работаем.

Были ли ситуации, когда система ошибалась?

Да, да, конечно. Как и у любой системы, построенной на статистике и на глубоком обучении, у нее есть понятие false positive, false negative, ошибки первого рода, ошибки второго рода. И в этом смысле информацию, которую показывает любая подобная система, необходимо рассматривать только как один из сигналов. Но если известно, какая точность проверена на слепых тестах, какая точность в этой организации подобного предсказания, то это можно уже оценивать более или менее серьезно. Скажем, что касается семантических сигналов, как поставленная задача, письмо, требующее ответа, похвала, там точность на 100 языках достаточно высокая, более 90%, 92% и выше. Что касается оценок выгорания и предсказаний увольнения, вот здесь я могу сказать, на допандемических данных там 0,58–0,86.

То есть от 58 до 68%?

Да, до 86% на предобученной модели, когда она использовалась из коробки. Но, например, мы хорошо понимаем, что в период пандемии изменилось все. То есть даже если мы были чем-то недовольны и уже думали о поиске новой работы до 31 марта, начиная с апреля, огромное количество людей изменили свое решение о потенциальном увольнении.

Ты засовываешь свои проблемы куда-нибудь подальше и терпишь.

Да.

Вот сколько компаний к Yva? Какие вообще индустрии этим пользуются?

Это очень молодой проект, мы выпустили первую коммерческую версию год назад, и в прошлом году у нас было 44 корпоративных пользователя. За полгода 2020 года К нам подключилось еще 250 компаний. В период пандемии у нас увеличилось в несколько раз количество желающих подключиться к системе по понятным причинам. Теперь организация не видит своих сотрудников каждый день с глазу на глаз. И, соответственно, необходимы новые метрики, новые способы управления удаленными сотрудниками.

А маленькие компании этим пользуются? Есть примеры?

Ну, самый маленький наш пользователь— это 15 сотрудников организации. Детский садик.

Детский садик?

Да, детский садик. У них подключены педагоги для того, чтобы отслеживать отношения с родителями. То есть, как быстро они отвечают родителям, насколько они... Позитивная тональность идёт. Потому что у них были случаи, когда преподаватель экранировал от руководства некий начинающийся конфликт с рядом родителей. И они это очень поздно следили, и это ударило по имиджу.

Знаешь, я вспомнил историю, когда я учился на ВМК в МГУ. У нас был преподаватель по Матстату, он был КГБшник. И как-то мы пошутили, что в аудитории, наверное, стоит что-нибудь подслушивающее, и он сказал, ребята, какая разница, стоит подслушивающее или нет, ты же не посадишь каждого в аудиторию человека, который будет это слушать. Ну, типа, проблем не записать, а проблема, чтобы были люди, которые будут слушать. И я с ужасом понимаю, что твоя система, она, по сути, решает эту проблему.

Опять же, вопрос для кого? То есть, если мы это дело отправляем человеку, который будет наказывать, это плохо. И все-таки мы не являемся так называемой DLP-системой, есть Data Leakage Protection. Такие системы, задача которых— предотвратить утечку данных, утечку секретной информации. Они занимаются просмотром файлов, что тот человек делает. У них конкретная цель. Это тоже нужные системы, но мы к ним не относимся, у них свои заказчики. Нашим заказчиком является сам сотрудник. Вот в этом принципиально отличие.

Буду с тобой честен, это та часть питча, которая, мне кажется, самая слабая. вы подстраиваете систему под индустрию, под компанию. Например, из банков и из детсадов по-разному люди уходят или она какая-то генерика?

Очень правильный вопрос, но пока у нас не хватает данных, чтобы подстраивать под каждую индустрию. У нас недостаточно количества детсадиков, чтобы, так сказать, обучиться на них. Но, тем не менее, для крупных организаций мы это делаем. Если у организации достаточно собственных данных, мы можем для каждого крупного заказчика дообучить систему на их собственном сигнале. Это повышает точность.

У кого остаются данные? У вас или у партнера?

Зависит от установки. Есть установки On-Prem, где Все лежит на территории клиента, и ничего наружу не выходит, и связи с интернетом нет. Для крупных организаций это часто так. То есть мы ничего не видим, на нейросетку приходят предобученные, как она там работает, мы об этом не знаем. Для облачных установок, компаний до тысячи сотрудников, они в основном подключаются в наши публичные облака, и там по лицензионному соглашению определенный доступ к анонимизированной информации для дообучения нейросети, компания наша имеет.

А на чем изначально научилась нейросеть? Какая компания дала свои данные?

У нас были такие пользователи, в частности, компания Аби.

Аби?

Пас. Конечно. Ну, какие-то ещё были наши друзья, которые нам поверили. Но потом потихоньку, потихоньку система становилась всё взрослее, взрослее. Вот сейчас мы выпустили третью версию, она ещё повзрослела. Ну, вот она ещё будет взрослеть ещё какое-то время.

Ты говоришь, прям как о ребенке. Интонация такая.

Конечно. Это всегда бизнес, это всегда ребенок. И причем самое интересное, что сроки примерно те же самые. Сроки беременности примерно те же самые. Беременность идеи до момента первого прототипа, когда он рождается. Вот примерно так 9 месяцев, год. Потом он становится на ноги. Первые два года он еще вот так вот, неуверенно.

Теперь я хочу узнать про первого ребенка Давида, с которого все началось.

Lingvo, да?

Да, это на физтехе, на четвертом курсе вот с этого все началось. Это был проект, чтобы на кроссовки. В 89-м году все поехали в Приморье строить курятники, зарабатывать 500 рублей на нос к сентябрю на шабашку. А я решил на Шабашку не ездить. Вот у меня был план в июле написать программу, словарь, в августе ее продать, 100 экземпляров по 100 рублей, и к сентябрю вернуться не с 500 рублями, а с 10 тысячами рублями на двоих, на меня и на программиста, который это будет делать. Бизнес-план был очень конкретный. И я тогда не представлял себе ни того, сколько времени разрабатывается программа, сколько времени в принципе она продается. Но удивительно то, что нам удалось-таки за июль поднять, сейчас бы это назвали инвестиции, в общем, нам дали деньги немного. около трех тысяч рублей, по тем временам фантастические деньги, большие. Это практически половина автомобиля Жигули. Так вот, мы взяли эти деньги для того, чтобы заплатить кооперативу, который должен был нам предоставить словарную базу, а тем временем сами разрабатывали... Саша Маскалёв разрабатывал оболочку, и, в общем, программа заработала через девять месяцев, все-таки она заработала.

Ты помнишь свою первую продажу?

Да, конечно. Первая продажа это вот институту который у нас купил три экземпляра. Причем не по 100 рублей, а по 700 рублей. В тот момент, когда мы продали, всю сумму долга. И вот... Но, правда, он терпеливо ждал. Мы обещали ему в сентябре, мы же как. Вот. Ну вот, через месяц все будет. А в сентябре они звонят. А где? Мы говорим, пока нет. В октябре, в ноябре. В общем, в апреле повезли программу. И там была приёмка, и там вообще была детективная история. То есть стоит всё начальство, одна единственная большая машина, на которой устанавливается линьга на 5-дюймовый диск. И устанавливал мой сокурсник Арам Пахчанян. Я полететь туда не мог, потому что денег не было. И он устанавливает и вдруг понимает, что программа просит пароль, а он этого пароля не знает. А здесь все начальство, руководитель, который 9 месяцев ждали, наконец-то привезли. Связи нет, никакого телефона мобильного нет, это другой город. Он сидит, и вот это начальство, и он, пять дисков, пароль, черно-белый монитор. И вдруг ему приходит в голову, как он это сообразил, я не знаю. Он вдруг почему-то вспоминает, что когда-то кто-то ему сказал, что паролем является имя Саши Маскалева, наоборот, фамилия. И он набирает авелаксом. И срабатывает. И это принимает, идет, все устанавливается, переводит. У него чуть сердце не оборвалось. Когда он это все нам рассказал, мы тоже выпили бутылку водки, наверное. Так что вот так. Переводчик, словарик, который мы тогда сделали. Потом он начал распространяться бесплатно по просторам Советского Союза на 5-дюймовых дисках.

Ну, не ты ее распространял бесплатно, я так понимаю.

Нет, пираты. Пираты все это дело аккуратненько взломали. Я занимался тогда прямыми Lingvo. Я звонил прямо по справочнику Академии наук. Вот звоню секретарю, говорю, здравствуйте. Начинаю рассказывать, что переводчик такой, словарь. А нам в ответ говорят, ребята, во-первых, у нас лингва уже стоит, и не парьте нам мозги, что вы его написали сами.

Это же лингва.

Это льстило, но денег не давало.

Вот вы сделали словарь. Он стал самым популярным, и вы даже как-то умудрились на нем что-то заработать. Что происходило дальше?

Да, мы начали продавать переводчик, но мы быстро осознали, что, чтобы использовать лингву, надо набрать иностранное слово на клавиатуре. Часто это было технически почти невозможно. И вдруг мы осознали, что надо продавать не сверла, а дырки, что, в общем, людям нужен не сам словарь, а переводчик. И, в общем, мы решили объединить четыре разные программы от четырех вендоров в одну коробку. Система для сканера распознавания, проверки орфографии, Lingvo.

Это были просто стендалон программы отдельные или они как-то интегрировались между собой?

Нет, это были отдельные программы на уровне текстов. Они друг другу передавали, условно говоря, текст.

Ну ты копировал-вставлял или была кнопка передать туда?

Нет, какая кнопка? Это DOS, это дисковая операционная система, черный экран. Нет, ну хорошо, не вру. Уже появился Windows какой-то, но это все равно было. Половина всего прямо под DOS'ом была. И когда это объединение, во-первых, подняло наш средний чек продажи резко, потому что это все очень дорого уже стоило, и главное, что удовлетворенность пользователям. И мы поняли, что теперь пришло время каждого из этих программ, если мы не можем договориться с ее разработчиком о ее улучшении, может быть, мы можем ее сами сделать лучше. И вот так появился FineReader.

FineReader— это технология распознавания документов на основе OCR— Optical Character Recognition. В чем суть? Вот когда вы фотографируете книгу или документ какой-нибудь и хотите его отредактировать на компьютере, например, поменять какую-то букву или слово, или вообще перевести его, то сначала нужно этот документ распознать, перевести его из фотографии в текстовый вид. И вот эта процедура конвертации называется оптическое распознавание символов. То есть на основании картинок букв появляются сами буквы. И FineReader решает эту задачу очень хорошо. Вдобавок почти все производители сканеров вместе со сканером в комплекте дают программу для распознавания документов. И движок у них у всех от FineReader.

То есть к моменту FineReader очень важно было то, что мы уже продавали чужую программу распознавания, были дилерами ее. И понимали, что ничего не хватает. Это очень важно. Теперь я это знаю, когда я живу в Кремниевой долине, я там рассказываю о предпринимательстве. Теперь это я знаю, насколько это было важно. Это называется, ну, продай, потом сделай. То есть ты должен знать боли, пользовательские боли, чтобы сделать правильный продукт. Без этого шансов на успех очень мало. А мы уже знали, чего не хватает в существующей программе. Мы начали разрабатывать.

Это же еще были не методы машинного обучения, да?

Которые сейчас... В начале, да. В начале это был rule-based. Без глубокого обучения точно. не на нейросети. Ну вот мы применяли лучшие тогда доступные технологии для той производительности машин. Причем там очень хитро было. Мы начали разрабатывать сразу два продукта— FineReader 1.0 и 2.0 одновременно, потому что FireEder 2.0 должен был выйти через 2-3 года. Он сделан на более глубоких технологиях. И вот так вот мы внедрились в этот рынок. И так получилось, что 2.0 оказался действительно сильным продуктом. он победил, и вот так уже мы вышли на международный рынок.

Правильно ли я понимаю, что в какой-то момент стандартом де-факто в мире OCR, что большинство сканеров, которые продаются в мире, они под капотом имеют вашу технологию, движок ваш?

Я не знаю, половина или... Какой процент сканеров? Наверное, да. Значительный процент сканеров в мире сейчас комплектуется FineReader. Это правда.

У меня жена работала в Аббе, как раз SDK, то есть этих вот инструментов, которые устраиваются в разработку. Я был на встрече вашей ежегодной, Аббешной, где-то там в Подмосковье. Там на большой сцене все собрались и там презентовали технологию, рассказывали. Я не помню, как она называется, но очень хорошо помню, что вы строили семантическое дерево всех слов на планете. И там говорили, что если построить это дерево нормально, то потом листьями этого дерева будут слова, и ты можешь листья менять с одного языка на другой, таким образом получать хороший качественный автоматический перевод. Кто-то высокопоставленный там рассказывал, что мы уже 15 лет в это вкладываем. Деньги очень большие. Сейчас, значит, в этом году Сколково нам еще даст денег столько же, сколько мы уже потратили. Будет прорывная технология. Получилось.

Это компрена. Идёт речь о технологиях компрена. И мы действительно хотели сделать интерлингву, вот такую модель языково-независимую. Ну вот где-то с конца 90-х, 98-99 год, мы просто вот мечтали. И после FineReader следующий наш момент. Мы сделали файрейдер, сейчас мы сделаем самую умную в мире лингвистическую модель. Но тогда, конечно, еще никто не представлял революцию, связанную с большими данными. Когда появились нейронные сети, машинное обучение, проблема была в начале обучения вот этих первых моделей. То есть то, что мы начали попытаться это делать до нейросетевой эры, Это нам позволило, когда мы внедрились в эту эру нейросетевую, это нас резко продвинуло. Это позволило нам дообучить дальше лингвистических моделей без учителя. Потому что система анализирует очень глубоко, на основе очень сложной связи, эллиптической связи, когда мы упоминаем кого-то в третьем лице и так далее. То есть о ком здесь речь, Если спросить, потратили ли бы в том году еще раз, делали бы эту разработку. Я бы сказал, скорее, да, потому что иначе мы бы сейчас не находились в эпицентре событий с нашими технологиями content intelligence. А что вы делаете?

Content intelligence—

это интеллектуальная обработка данных, так называемая по-русски, так она переводится. Есть process intelligence, есть content intelligence. Process intelligence— это, иначе эта технология называется process mining, это технологии, и выявляющие структурные процессы в большом количестве взаимодействий.

Ну, можешь привести пример какой-нибудь?

Конкретный пример. Сеть поликлиник и медицинских центров, включая emergency room, то есть скорая помощь в США, несколько тысяч медицинских зданий фактически, сотни тысяч пациентов. в год, наверное, миллионы. Идет постоянный трафик. Машины подъезжают, уезжают, приезжают, медикаменты регистрируются на десках пациента с какими-то симптомами, удаленно регистрируются, оказываются в медицинские услуги, делаются уколы, снимается томография, снимается МРТ и так далее. Происходит гигантское количество точек данных, каких-то фактов и каких-то действий. У каждого такого действия есть время, таймстэмп, место, где оно произошло, участники, кто, с кем, кого померили, что получили. Какая-то такая информация. Часто в неструктурном виде, в виде PDF просто. Это не то, что в базе данных где-то запись. Это кто-то кому-то послал. Где-то записали руками. Он пришел и отметился руками. И вот представь такое количество миллионов точек данных.

Вопрос.

Среднее ожидание в Emergency Room по штатам отличается? и в некоторых местах достигает трех часов. Можно оптимизировать? Можно сократить? Ответ оказывается можно.

Как?

Никто не знает как. Начинаем, если опрашивать о процессах, сестра расскажет одни протоколы, главврач другие, регуляторы третьи, а реальная жизнь четвертая. Она вообще не по протоколам идет, как выяснилось. И у этой гигантской организации есть вопрос, где у меня баттлнекс, где у меня вообще узкие места.

Куда если добавить ресурсов, то все станет работать быстрее.

Оказывается, если МРТ-сканер переместить вот так-то, и оказывается, вначале пустить этих людей, а потом этих, вот здесь очередь сократится на час, здесь очередь сократится на 15 минут, и так далее, и так далее. Кто это может сказать, глядя на гигантское предприятие, распределенное во времени и пространстве? Никто, один человек не может сказать. Современные технологии, процесс интеллиженс, которыми сейчас Аббе занимается, устроена таким образом. В них можно загрузить всю эту информацию, структурированную плюс не структурированную. Она проанализирует содержание вот этих миллионов-миллионов документов, их таймстемпы, кто с кем, когда, что произошло, выстроит граф, и после этого сразу на нем будут видны точки, значит, констелляции таких, и дальше можно будет принимать решения. Это реальная история, где В результате, скажем, применение такой технологии сократилось чуть ли не до 18 минут. Вот реально некоторые эпизоды, которые длились больше двух часов.

Офигеть.

Ну вот, собственно говоря, мы говорили об этом. Это Process Intelligence. Это следующий шаг после Content Intelligence. Сначала надо понять содержание этих документов. Что в них лежит в этих пдфах? Это инвойс, это результат анализа, это письмо, это compliant, это претензия или еще что-то. И это уже очень важно. Это уже гигантские деньги экономической организации. И мы к этому пришли благодаря компрена. Благодаря тому, что мы занимались анализом естественных языковых массивов, FineReader позволило нам любой рукописный, печатный, PDF, электронный или просто веб, ну, любой документ, содержащий графику и текст, превратить в полезные знания.

То есть не просто оцифровать, но ещё и подсказать сразу какой это тип документа, о чём он.

Да-да-да. То есть превратить многостраничный текстовый документ в структуру базы данных для дальнейшего использования, для сравнения на непротиворечивость, для сохранения базы данных. Ну вот можно себе представить, сколько у крупной организации контрактов в год, и сколько из них надо следить, не просрочен ли он, а не надо ли продление, а не надо ли приложение.

А тут прямо PDF загоняешь, и дальше он тебе говорит.

Да-да-да. Это называется content intelligence.

Извини, это как, типа, мальчик познает мир, но это у вас не единственное решение, да, на рынке? То есть это вообще такая прямо индустрия, я так понимаю.

Это в целом, да, направление. Мы одни из лидеров в области content intelligence. То есть мы одни из лидеров, которые позволяют на ста языках любой тип документа превратить в полезные знания.

Ничего себе, я думаю, что ABI— это Lingwa плюс FineReader и два инструмента из DKH.

А, нет, нет, это уже давно не так. В ABI Lingwa и FineReader— это такие исторические торговые марки, но мы уже давно основные деньги делаются не на этих продуктах.

Когда я читал биографию Давида, я наткнулся на один проект, который меня зацепил особенно сильно. Вот мы все сейчас пользуемся телефоном или Android, или iPhone. Но в истории мобильных устройств было довольно много очень интересных концептов или даже реальных устройств, которые предвосхитили свое время. Например, компьютер Apple Newton. Это карманный компьютер от Apple, который за 15 лет до iPad делал похожие вещи. или, например, PalmPilot. Это карманный коммуникатор, который умеет делать современный телефон еще там в 2000-е годы. И оказалось, что Давид тоже сделал мобильное устройство, которое опередило свое время. Cibica.

Что это за проект? Когда ты его начал, когда закончил?

Тогда был Tomagotchi такой, если я не знаю, кто-то еще помнит.

Все знают Tomagotchi.

Ну вот, это такой карманный брелок с маленьким экраном, где можно было кормить этого. Человечка-зверька. Я попал случайно на два дня в больницу, мне было делать нечего, меня отключили от связи. Я вот сидел с этим тамагучей и думал, блин, почему здесь нет никого, вот я бы сейчас послал кому-то сообщение. В общем, какая-то идея возникла о коммуникациях, физической коммуникации в кармане. В конечном итоге эта идея трансформировалась в то, чтобы создать карманный фактически компьютер с клавиатурой, с экраном, который бы обменивался сообщениями с другими такими же устройствами и заодно находил друзей. То есть примерно так. Парень вводит информацию о себе, о девушке своей мечты, и эта коробочка вибрирует у него в кармане, если девушка мечты оказывается на расстоянии 150 метров. Идея знакомства, матчинга профилей, когда ты вводишь информацию о себе, книжки, которые ты читаешь, музыку слушаешь, возраст, пол и так далее, и кого ты ищешь. И система автоматически эти профили сравнивает. Вот эта идея, плюс тамагучи, плюс мессенджер, вот все оно как-то вот так. А на самом деле, совершенно сейчас очевидно, что это просто прототипы всех этих вещей. Тиндер, WhatsApp, геопозиционные социальные сети. Это все вот прямо было.

Какой это год?

Это был 97-й год. Можешь дать контекст

немножечко, потому что я, например, еще себя не помню 1997 году. Что там было? Телефоны уже были или только пейджеры?

Пейджеры были. Телефонов мобильных. Они были такие крупные, тяжелые, килограмма два весили. Не было блютуса. Wi-Fi был как протокол, но он работал только на больших компьютерах. Интернета мобильного не было, в принципе. Понятие социальной сеть как термин отсутствовало.

Как это должно было технически работать? Обмен данными, как происходило на каком протоколе? Это радиочастоты же, да?

Да-да-да, это peer-to-peer. То есть это mesh networks. Эта штука покрывает... Когда их много в школе, они покрывают школу такой вот сетью.

Как для моей мамы Mesh Network— это когда у тебя нет вышки, которая со всеми разговаривает, как в телефонах, а у тебя идёт напрямую, как рация.

Да, это peer-to-peer, то есть от устройства к устройству, нет базовой станции.

Но при этом, если между мной и Машей сидит ещё Петя, то устройство Пети, видимо, может ретранслировать сигнал от меня к Маше, да?

И это должна была быть следующая версия, мы к этому подошли вплотную. То есть у нас пока еще не было достаточно плотности, чтобы уже начать делать хопы, но мы уже к этому подошли вплотную и весь протокол к этому был заточен. И дети в школах уже чатились, то есть пересылали друг другу шпаргалки, знакомились, то есть там было прямо все круто. Мы сделали 400 приложений для Сайвика, у него была своя CyOS. сторонние разработчики начали писать для него софт. То есть это реальная такая штука получилась.

Там игрушки были, получается?

Да, да, да. Каждый день мы обещали рынку, что каждый день в 6 утра по тихоамериканскому времени будет появляться новое приложение или игра для...

Блин, это же бомба! Почему мы не стали вторым Apple?

Продали четверть миллиона экземпляров в США. Случился кризис Насдаковский. Там все полетело. Там компания Palm Pilot была на грани банкротства. Ко мне в Москву прилетал, внимание, Chief Technology Officer. Палма. имя CTO Palm. Я его встречал в аэропорту. Он приехал. Я хотел понять, зачем он приехал. Мы посидели, походили по офису Сайбика. Он меня послал. Говорит, Дэвид, у меня к тебе вопрос. Сайбика не хочет купить Палм? Я говорю, Билл, а ты чего вообще? Он говорит, ну там, понимаешь, мы делим компанию, там 300 миллионов долларов заморожено на складах, потому что там настолько был большой кризис в 2000 году, там было уволено за один месяц 140 тысяч человек в США. Это был крупный экономический кризис в 2000 году.

То есть вам просто не повезло со временем, да, получается?

Ну, как сказать, с одной стороны, точно совершенно два таких драматических события, как Насдаковский кризис, и когда мы поняли, что в Америке ловить уже нечего, мы переместились в Европу, мы сделали версию сайбика для Англии, и в Херец был назначен в сентябре большое представление Сайвика с вертолетом, который должен был сесть на крышу Херридс в 8 утра.

Это главный магазин игрушек в мире.

Да, это главный магазин. И там конная полиция, которая должна была охранять вход в Херридс, когда открываются двери, все дети должны были вбежать и добежать до кассы, взять Сайвика, потому что тогда им давали карту памяти бесплатно. И все это снималось, должно было сниматься на телевидении. Это все было запланировано, уже все организовано, все запланировано на 13 сентября 2001 года.

О, господи. башни-близнецы... То есть, когда это

все случилось, и вся эта история полетела прахом, какие дети, какие полеты над городом, какие вертолеты... И вообще, какие развлечения... Конечно, какие развлечения... Трагедия, траур... Всё это очень тихо открыли, без помпы. Тоже продали сколько-то, но уже было понятно, что мы не сможем пережить два таких больших удара. Это ни денег, ни времени для того, чтобы всё это реализовать. После таких двух ситуаций невозможно. Там очень тяжело работать с железом, это склады. софтом, хоть у тебя нет замороженных денег на складах.—

То есть ты произвел их, и они прямо лежали там?—

Они, да, они...—

Точнее, до сих пор есть эти устройства Сайбека нераспроданные?—

Ну, я уж не знаю. На eBay они продаются, да. Есть какие-то комьюнити, которые до сих пор что-то делают, они... Мне говорили, что на вторичном рынке сейчас продаются батарейки для этих Сайбек, потому что он такой... Раритет. В общем, ну, неважно. Это уже неважно. Короче говоря, где-то в 2003, наверное, году мы уже все, что там потихонечку вышли из бизнеса, из сабвика, я еще некоторое время отдыхал, потому что были настолько сложные годы, что просто мне надо было несколько лет отдохнуть после этого.

У Давида много проектов, которые заработали ему много денег и являются успешными бизнесами. И мой следующий вопрос – это зачем он продолжает их делать?

Наверное, так нельзя спрашивать, но... То есть очевидно, что ты очень богатый человек. В смысле, ты заработал столько денег, что уже, наверное, тебе больше их зарабатывать. То есть цель такой не стоит, наверное.

Ну как не стоит? Деньги никогда не являются целью. Ну вообще никогда для меня не являлись целью. Ну, кроме того, вот самый первый момент, когда мне надо было кроссовки купить.

Вот.

Нет, сейчас деньги нужны для того, чтобы... создавать что-то новое, помогать нашей школе. Это благотворительный учебный проект AIP, такая школа в Армении. Вот на это действительно приятно тратить деньги и действительно зарабатывать. Какие-то вещи интересные. Сейчас я занимаюсь такой штукой, называется эмоциональный искусственный интеллект. Emotional AI. Это Morpheus. Это дух дома, который я строю в Кремниевой долине.

Можешь, пожалуйста, рассказать, что это такое?

Дом— это такой, в общем, мы с супругой уже несколько лет, много лет строим здесь в долине, на горе, значит, дом с движущимися стенами, с какими-то, значит, такими штуками. Там управляет некий эмоциональный искусственный интеллект Morpheus. Это штука, которая узнает о тебе, твои пристрастия, о твоих гостях, с каждым гостем выстраивает личные отношения, обменивается телефонами, знает, какое вино. Но у него есть нейромедиаторы электронные, правда, окситоцин, дофамин, эндорфины, адреналин, кортизол. И Морфеус может злиться, он может скучать, он может жаловаться, он может ругаться, он может ревновать, он может любить. И чтобы попасть в дом, нужно с ним пообщаться. Там не будет ключей. То есть ты должен пообщаться, и если у него хорошее настроение, он тебя пустит. Это вот такой вот Морфеус. И это первый эксперимент попытки понять, как человечество будет жить с эмоциональным недетерминированными системами. То есть системами, которые в какой-то мере обладают свободой воли. И как она будет жить, как Морфеус будет жить с моими детьми, со мной, с Аленой, с биологическим другом Бикси и небиологическим другом Эбигель. Роботическая собака, которая, значит... Вот она здесь сейчас... Показать?—

О господи! О, господи, я вижу какую-то черную... У нее есть ножки, четыре ножки и голова, по-моему, тоже, да?

Ну да, это вот 25 килограмм, 11 километров в час бегает. Штука такая, серьезная.

То есть если... У нее-то нет эмоционального интеллекта, я надеюсь?

Есть, есть. В том-то и дело. Мы сейчас делаем... Так это же опасно. Вот. Вопрос очень серьезный. То есть как? Она сейчас обучается, мы ее обучаем на поведении живых собак. она тоже будет во многом перенимет у собак живых их способ общения с кошками, со своими, с чужими.

В чем прикол, Давид? Зачем электронно, когда есть живые, которые вполне себе? Или если мне нужно спрашивать, ты уже не объяснишь?

Я не знаю, как ответить на этот вопрос, в чем прикол. То есть прикол в том, что Они на самом деле настолько живые. Вот наша собака, она будет реально обладать определенной свободой воли. То есть она может побежать за, условно говоря, за зайцем. И поэтому мы будем на паблике ее выводить на поводке. Потому что она может убежать, теоретически, если вдруг. Или испугаться чего-то. Или... на кошку какому-нибудь, я не знаю. Вот самое интересное... Наверное, прикол в том, что я не знаю. Наверное, вот это вот... Не знаю, и я хочу создать такие условия, при которых она захочет быть со мной. Мне кажется, вот в этом прикол.

Мне нужно, правда, подумать. Это очень новая для меня история. Давид, спасибо тебе огромное. Это было офигенно. Мне очень понравилось.

Самат. Это очень было мне тоже приятно. Будем держать связь. Пока.

Пока.

Это подкаст студии Либо-Либо, и мы его сделали вместе с сервисом онлайн-образования Яндекс Практикум. Над подкастом работали редакторы Юлия Яковлева и Андрей Борденко, продюсер Павел Боровков, звукорежиссер Павел Цуриков. За джингл спасибо Алексею Дзеринскому.