Борис Щербаков, Dell Technologies — о демонизации машин и 5G-трансформации связи

Борис Щербаков — вице-президент и генеральный директор компании Dell Technologies. В 1977 году окончил экономический факультет МГИМО. До 1990 года работал в системе Министерства внешней торговли СССР, а также Министерства обороны СССР. В конце 1991 года начал карьеру в коммерческих компаниях, став начальником отдела персональных компьютеров локального офиса HP. В 1997-1998 годах занимал должность вице-президента по вычислительной и офисной технике, а позже — вице-президента по маркетингу в дистрибьюторе «Партия». Затем в был старшим вице-президентом Merisel, откуда перешел в Oracle, где проработал 13 лет. До 2010 года был главой представительства, генеральным директором и вице-президентом Oracle по продажам в России и СНГ. Позже, после приобретения Sun, работал в должности генерального директора Oracle Hardware, вице-президента по продаже аппаратного обеспечения в России и странах СНГ.

Свою карьеру в компании Dell он начал в 2012 году с должности генерального директора Dell в России, Казахстане и Центральной Азии и отвечал за бизнес-стратегию корпоративного и потребительского направлений компании в регионе. С февраля 2017 года Борис Щербаков возглавляет российский офис компании Dell EMC. Он отвечает за развитие всех направлений бизнеса — инфраструктурных решений, услуг и клиентских систем. В 2019 году стал вице-президентом и генеральным директором Dell Technologies в России, Казахстане и Центральной Азии.

О машинном обучении

— Человечеству в целом выгоднее вкладывать средства в машинное или в человеческое обучение?

— За человечество в целом говорить сложно, а вот бизнес привык выбирать оптимальные по сочетанию «вложение/результат» решения, так как они влияют на прибыльность. И если машина делает работу быстрее и качественнее, да при этом еще и обходится дешевле, и не ошибается, и не болеет, то выбор становится очевидным. Ничего личного, как говорится, только бизнес. И, конечно, стоит передавать функционал, с которым вычислительные машины справляются быстрее и точнее, чтобы высвобождать кадры от монотонного труда.

С другой стороны, чтобы эти машины блестяще справлялись с задачами, требуются высококвалифицированные, способные обучаться и улучшать алгоритмы разработчики. Вопрос обучения людей и машин — стратегический. Представьте, что у государства нет ни роботов, ни компьютеров, ни софта, ни разработчиков. Оно автоматически выпадает из конкурентной гонки и остается на обочине технического прогресса и инноваций. При этом не стоит забывать, что зачастую технологии и разработки носят экспериментальный характер, и не стоит их абсолютизировать. Ведь самое стабильное в нашей жизни, как известно, — это перемены. Мы проводим специальные исследования, как технологии меняют и будут менять нашу жизнь в настоящем и будущем, ищем оптимальные решения их применения в самых разных сферах человеческой деятельности. И хотим сделать жизнь на планете лучше, предоставляя людям с разными возможностями доступ к современным решениям. Трансформируем бизнес не только посредством них, но и способствуя трансформации людей с масштабными идеями во всем мире через доступ к технологиям.

— В то же время, нельзя сказать про машинное обучение, что очередная имплементация знаменитого «количество переходит в качество». Почему?

— На самом деле, нет, машинное обучение — всего лишь набор алгоритмов. Хотя результаты, которые получаются, иногда могут удивить. Ведь при машинном обучении компьютер не только обучается сопоставлять закономерности, произошедшие в прошлом, но и прогнозировать развитие в будущем зачастую лучше людей (так как принимается во внимание весь спектр известных факторов и исключаются человеческие ошибки). Правда, и жизнь иногда вносит коррективы, которые не может учесть даже самый точный компьютер.

Но с количеством, которое переходит в качество, не всё так однозначно. Обучение систем, как и детей, проходит от простого к сложному, и ошибки не исключены. При этом скорость обработки информации и точность результатов улучшаются с каждой итерацией и обновлением. Но, конечно, вопрос корректных алгоритмов и отладки остается.

— Тогда в чем проблема? Почему, несмотря на развитие технологий, ошибки в применении подобных алгоритмов все равно случаются?

— Вопрос не к машинам, а к людям, которые разрабатывают алгоритмы. Слово «computer» ведь и переводится на русский дословно как «вычислитель». От того, насколько корректно задан алгоритм и прослежены результаты и процесс вычисления, зависит качество конечного результата. Есть понятие «функционал качества», который определяет, насколько хорошо машина справляется с обработкой данных.

Людям не хватает времени для того, чтобы решить базовые проблемы своей эволюции. Это относительно низкая продолжительность жизни, на которую существенным образом влияют врожденные или приобретенные болезни.

Борис Щербаков, Dell Technologies

Например, компания Genome International довольно давно использует методы машинного обучения на базе высокопроизводительных ЦОД для исследований ДНК человека и предсказания, конечно, насколько это возможно, вероятных проблем у конкретного индивидуума в будущем. Скорость получения результатов и их точность зависят в данном случае от следующих факторов: качество первичной диагностики, исторические данные, алгоритм модели данных, производительность аппаратного кластера и… удачи. Уповать на нее стоит, поскольку биологическая механика нами не изучена на 100%.

— По каким критериям мы определим, что компьютер полностью превзошел человека, как это произошло в шахматах или в игре го?

— Я верю в потенциал людей и soft skills (надпрофессиональные навыки, не связанные с должностными обязанностями человека — «Хайтек»). Технологии хороши в своих сферах и помогают осуществлять операции быстрее и точнее, на уровне, который даже потенциально недоступен человеку. При этом есть обратная сторона медали: мозг человека и принятие решений так и не изучены на сегодня полностью, а все системы, в том числе нейросети, строятся исходя из доступных науке и людям данных, то есть изначально без учета всего массива. Поэтому можно пока не переживать за будущее человечества и не демонизировать машины.

Вычислительные машины — производная человеческого разума, операции совершаются быстрее и точнее, но алгоритм задает человек.

Борис Щербаков, Dell Technologies

При этом важны качества (и не только уровень образования и гениальность, но и нравственные) людей, которые создают алгоритмы. Ведь роботы могут помогать, а могут и разрушать. И как любые технологии, исторически привлекают внимание государства и военных, в первую очередь. В боевых условиях уже сегодня роботы и вычислительные машины дадут фору любому человеку, но при этом у них нет смекалки и интуиции. Основное качество, если переводить на человеческие реалии, — это здравый смысл (очевидное правильное решение с учетом имеющихся данных), но при этом мы знаем много исторических примеров, когда смекалка обыгрывала его. Поэтому я бы ответил, что в некоторых областях превосходство уже очевидно, но говорить о тотальном проигрыше на всех фронтах пока очень рано. Да и пугаться самообучающихся систем — тоже.

Чтобы отличить человека от машины, используется тест Тьюринга. Впервые был предложен Аланом Тьюрингом в статье «Вычислительные машины и разум» в 1950 году. Тест заключается в том, что каждый участник ведет переписку с одним человеком и одной компьютерной программой и должен на основании ответов на вопросы определить, с кем разговаривает. Если судья не может сказать определенно, кто из собеседников является человеком, то считается, что машина прошла тест. Чтобы протестировать именно интеллект машины, а не ее возможность распознавать устную речь, беседа ведется в режиме «только текст», например, с помощью клавиатуры и экрана. Переписка должна производиться через контролируемые промежутки времени, чтобы судья не мог делать заключения, исходя из скорости ответов. Во времена Тьюринга компьютеры реагировали медленнее человека. Сейчас это правило тоже необходимо, потому что они реагируют гораздо быстрее, чем человек.

О 5G

— DELL заявила, что человечество ждет «цифровая трансформация 5G». Что вы имеете в виду?

— Как раз то, о чем я говорил выше — передача информации теперь будет не только между людьми, но и машинами тоже. Благодаря внедрению IoT, сбору и передаче Big Data она требует большего пропускного канала и возможностей обработки. Люди, к счастью или к сожалению, ограниченно готовы к апгрейду, в основном эволюционному (улыбается). А вот технологии развиваются, и каждый новый этап требует развития всей инфраструктуры, подтягивания слабых звеньев. IoT-датчики и плотность устройств, объемы генерируемой устройствами информации требуют новых технологий передачи данных, и эта новая технология на данном этапе — как раз 5G. Если ее вовремя не внедрить, то связь станет слабым звеном и фактором, который тормозит развитие всей системы. Представьте себя работающим в современном офисе с доступом в интернет через не очень быстрый, мягко говоря, модем. Много вы сможете сделать? Сколько времени будете ждать загрузки одного письма? В любом случае эта ситуация недопустима. Мы уже являемся ходячими центрами по обработке данных. Те, кто отвергнет данную стратегию, будут существенным образом проигрывать в повседневных задачах «трансформерам». Наличие высокоскоростной передачи данных между ЦОДом и местом сбора данных дает возможность осуществлять граничные вычисления и, передавая через облако данные, не загружать ядро информационной системы организации.

— Количество базовых станций мобильной связи сегодня растет критически быстро. Что будет в случае с 5G?

— Мне сложно прогнозировать количество станций 5G, все-таки для нас это смежное комплементарное знание. Могу ответить, что скорость обмена информацией, ее объемы и количество растут в геометрической прогрессии и, естественно, требуется техническое решение. Станции 5G, насколько я знаю, если сравнить их с процессорами в компьютерах, обеспечивают большее количество операций не только за счет увеличения их количества, но и за счет многоэлементных цифровых антенных решеток (по аналогии с ядрами и транзисторами на чипе). Мы ведь не видим сегодня ПК с тысячами ядер для увеличения мощности, но видим, согласно закону Мура, удвоение транзисторов на кристалле каждые 24 месяца. Нечто подобное происходит и с базовыми станциями и технологиями. Меняется не только их количество, но и качество.

— По версии DELL, 5G-сети будут полностью независимы от оборудования и вся обработка сосредоточится в распределенном программном центре. По сути, вы предлагаете полностью поменять архитектуру как модели сети, так и мышления в целом?

— Мы говорим об Edge- или периферийных вычислениях. Сегодня действительно наблюдается тенденция к децентрализации, к обработке и хранению данных там же, где они генерируются и используются. Вычисления и аналитика смещаются к границе сети — месту сбора больших объемов данных. С эрой мультимедиа объемы и скорость передачи данных мобильными операторами также увеличиваются (все фото и видео, живые трансляции), при этом пользователи не хотят мириться с задержками в передаче или воспроизведении контента. А для этого требуется найти «свободный» узел, расположенный максимально близко к пользователю. То есть спрос и реалии формируют трансформацию как железа, так и моделей вычисления, сценариев обработки данных. Можно ехать в пробке и ждать пару часов, пока доберетесь до места назначения (в целом, это и безопаснее, на первый взгляд, но не всегда фактически, как мы знаем), а можно выбрать свободный хайвей и промчаться на максимальной (разрешенной) скорости.

Периферийные вычисления (Edge) — принцип построения иерархической ИТ-инфраструктуры, при котором вычислительные ресурсы частично перемещаются из ядра — центрального дата-центра на периферию — и располагаются в непосредственной близости от места создания первичных данных для их первичной обработки перед передачей вышестоящему вычислительному узлу.

Одним периферийным устройством можно обрабатывать такой объем данных, который раньше мог обработать только большой компьютер. Периферийные вычисления упрощают управление данными, уменьшая хаотичность в структуре, повышая удобство их использования и снижая риски, связанные с безопасностью.

— Затраты на новую инфраструктуру огромны, вполне логичным кажется создание некоего «национального чемпиона» с прямым государственным участием. Не убьет ли это окончательно конкуренцию на рынке?

— Честно говоря, вопрос масштабный, и чтобы ответить на него, необходимо принять во внимание огромное количество вводных данных, не все из которых находятся на поверхности. Как мы обсуждали с вами ранее, в случае, когда вмешивается человеческий фактор, иногда неочевидные факторы влияют на исход.

Убивать конкуренцию обычно недальновидно, так как это негативно отражается на развитии как отрасли, так и ценовой политики. Сегодня разные операторы конкурируют не только благодаря «железу» (хотя уровень приема сигнала и качество связи, безусловно, являются одним из важнейших факторов для пользователя), но и за счет ценовой политики и даже маркетинговых акций. И это хорошо. Отсутствие конкуренции привело бы к стагнации как операторов связи, так и поставщиков решений. Скорость диверсификации функционально связана с потребностью рынка. Появление монополий регулируется законодательно. Один оператор справиться с лавинообразным спросом на сервисы в облаке в 2025–2030 годах просто не сможет.