Высокопроизводительные вычислениямировой рынок

Что такое «тест Тьюринга»?[править]

Тест, в ходе которого, через анонимную коммуникацию, человек или группа должны определить, обладает ли компьютер сознанием человека.

Тест, в ходе которого, через анонимную коммуникацию, человек или группа должны определить, может ли компьютер вести диалог с человеком.

Тест, в ходе которого, через анонимную коммуникацию, компьютер должен определить, общается ли с ним человек или другая программа.

Тест, в ходе которого, через анонимную коммуникацию, человек или группа должны определить, с кем общаются – с компьютером или человеком. +

Тест, в ходе которого, через анонимную коммуникацию, компьютер должен определить, каким уровнем интеллекта обладает человек.

Определение — Что означает высокопроизводительные вычисления (HPC)?

Высокопроизводительные вычисления (HPC) — это использование суперкомпьютеров и методов параллельной обработки для решения сложных вычислительных задач. Технология HPC направлена ​​на разработку алгоритмов и систем параллельной обработки с использованием методов администрирования и параллельных вычислений.

Высокопроизводительные вычисления обычно используются для решения сложных задач и проведения исследовательских работ с помощью компьютерного моделирования, симуляции и анализа. Системы HPC обладают способностью обеспечивать устойчивую производительность благодаря одновременному использованию вычислительных ресурсов.

Термины высокопроизводительные вычисления и суперкомпьютеры иногда используются взаимозаменяемо.

Что не является трендом в области ГосТех?[править]

вариант 1править

Адаптивная безопасность

Мультиканальное вовлечение граждан

Повсеместное использование аналитики

Создание множества независимых систем по учету трудовых ресурсов в каждом регионе

Цифровая идентификация граждан +

вариант 2править

Адаптивная безопасность

Мультиканальное вовлечение граждан

Рабочая сила в цифровом формате

Уменьшение количества использования аналитических отчетах на всех этапах государственного управления

Цифровая идентификация граждан +

вариант 3править

Мультиканальное вовлечение граждан

Повсеместное использование аналитики

Рабочая сила в цифровом формате

Создание неизменяющегося подхода для противодействия киберугрозам

Цифровая идентификация граждан +

Создание общей архитектуры для высокопроизводительных вычислений, искусственного интеллекта и анализа данных +11

• 27.01.21 12:20

•
DellTechTeam
•
#539454
•
Хабрахабр

•

•

2600

Серверное администрирование, Машинное обучение, Искусственный интеллект, Высокая производительность, Блог компании Dell Technologies
Рекомендация: подборка платных и бесплатных курсов Smm — https://katalog-kursov.ru/

Сегодня высокопроизводительные вычисления (HPC), искусственный интеллект (AI) и анализ данных (DA) пересекаются всё чаще и чаще. Дело в том, что для решения сложных проблем требуется комбинация различных методик. Сочетание AI, HPC и DA в традиционных технологических процессах может ускорить научные открытия и инновации.
Учёные и исследователи в области обработки данных разрабатывают новые процессы решения проблемы в массовом масштабе, требующие вычислительных ресурсов, таких как HPC-системы. Рабочие нагрузки, связанные с AI и анализом данных, выигрывают от использования HPC-инфраструктуры, которая способна масштабироваться для улучшения производительности. О тенденциях этого рынка и подходах к созданию архитектуры для DA, AI и HPC сегодня и поговорим под катом.
Тенденция к конвергенции современных рабочих нагрузок требует использования более унифицированной архитектуры. Для традиционных рабочих нагрузок HPC (скажем, моделирования) нужно больших вычислительных мощностей, а также быстрых сетевых соединений и высокопроизводительных файловых систем. Например, создание модели пласта месторождения полезных ископаемых может занимать от нескольких часов до нескольких дней.
Рабочие нагрузки, связанные с искусственным интеллектом и анализом данных, весьма ресурсоёмкие: они требуют наличия инструментов для сбора данных и специализированных рабочих мест для операторов, занимающихся их обработкой. Искусственный интеллект и аналитика данных — это процессы, требующие интерактивного взаимодействия и повторяющихся действий.
Разница в рабочих нагрузках HPC, AI и DA может создавать впечатление, что для них потребуются три отдельные инфраструктуры, однако это не так. Унифицированная архитектура подойдет как аналитикам данных, так и учёным, работающим с искусственным интеллектом, без переучивания и приспособления к новой операционной модели.
Однако интеграция всех трёх рабочих нагрузок на единой архитектуре действительно создает проблемы, которые необходимо учитывать:

• Навыки пользователей HPC, AI или DA различаются.
• Системы управления ресурсами и планировщики нагрузок не являются взаимозаменяемыми.
• Не всё программное обеспечение и не все фреймворки интегрированы в единую платформу.
• Экосистемы требуют различных инструментов и функций.
• Нагрузки и их требования к производительности отличаются.

Обзор методологии

1. Собираем требования

В качестве источника могут выступать результаты опросов стейк-холдеров, анализ бизнес-целей проекта и историй использования

При этом важно конкретизировать, что имеет в виду клиент. Например, не просто «безотказная работа сайта», а «допустимый период простоя – 30 минут в месяц».

Далее мы оцениваем важность требований по двум критериям:

• ценность для бизнеса;
• степень влияния на архитектуру.

Уровни важности оцениваем по шкале HML (high, medium, low — высокий, средний, низкий). Таким образом, каждое требование будет иметь двухбуквенное сочетание

Архитектурно значимые пункты имеют обозначения HH, HM, HL, MH, MM. Стоит отметить, что большое число требований HH означает высокие риски на проекте.

2. Проектируем архитектуру

Мы проектируем архитектуру ПО, исходя из наиболее значимых атрибутов качества.

Это рекурсивный процесс, в ходе которого система декомпозируется на более мелкие подсистемы.

ADD — первый метод, который концентрируется на атрибутах качества и способах их достижения. Важным вкладом ADD было признание того, что анализ и документация являются неотъемлемой частью процесса проектирования. Этот метод успешно применяется более 15 лет.

Сейчас актуальная версия ADD — 3.0, итеративная. Согласно ей, проектирование выполняется поэтапно в течение всего времени разработки системы, в каждом спринте. В ней по шагам описано руководство по тем задачам, которые необходимо выполнить в рамках каждой итерации.

АgroTech 4.0: новый этап развития

В том, что уровень аграрного образования является важным фактором сохранения конкурентоспособности страны на мировых аграрных рынках, а подготовка кадров определяет способность государства адекватно отвечать на вызовы стремительно изменяющегося мира, климата и т. д., сомневаться не приходится. Поэтому аграрное образование, безусловно, должно соответствовать требованиям времени.

Сегодня к изменениям в образовании, в том числе, подталкивает необходимость замещения иностранных технологий. «Отчасти эта ситуация даже выгодна, поскольку, если мы начнём создавать отечественные интеллектуальные решения для аграриев, ВУЗам придётся обучать студентов этим технологиям. И качество кадров, в том числе, будет определяться знанием российских технологий», — говорит Сергей Косогор, добавляя, что в противном случае наша страна будет продолжать готовить кадры широкого профиля, востребованные иностранными компаниями, производящими инновационную продукцию, или для тех компаний, кто останется в России.

При этом он подчёркивает необходимость междисциплинарного развития, то есть важность обучения на стыке разных областей научных знаний. Переход к «экономике знаний», как поясняет эксперт, требует новых кадров, и в текущих условиях ограничений университеты усиливают свою роль в обеспечении технологического импортозамещения, совмещая научно-образовательную, инновационную и бизнес-функции

В том числе, по его словам, в случае уменьшения финансирования, объединение в консорциумы и сетевое сотрудничество позволит закрыть потребности в знаниях на уровне нескольких регионов, что, в свою очередь, приведёт к снижению издержек за счёт объединения или, возможно, даже сокращения/объединения кафедр.  

«Сетевой подход, который, в том числе, продвигает «Фуднет» (участником рабочей группы которого я являюсь), это наш ответ Болонской системе», — объясняет Сергей Косогор. Так, по его словам, ВУЗы сообща могут развивать образовательные ресурсы, проводить дистанционное обучение, внедрять цифровые технологии для подготовки кадров, а также использовать коллективные способности специалистов для решения самых разных задач, и, конечно, консультировать компании и учреждения.  

Важность междисциплинарного развития отмечает и Светлана Сонина из агрохолдинга «Малино». Сегодня идёт стремительный прогресс технологий в АПК, рассуждает она.  Причём, условия развития мирового агропромышленного комплекса будут кардинально меняться в ближайшие десятилетия. Недаром в основе нового этапа технологического развития, который получил в мире название АgroTech 4.0 (АПК 4.0), лежит внедрение «умных» решений, био- и нанотехнологий, робототехники, рост потребительского влияния, изменения в структуре конкурентоспособности

«Всё это, с одной стороны, снижает зависимость от низкоквалифицированной рабочей силы, а с другой меняет требования к ключевым компетенциям. В результате одним из трендов нашего времени становится новая модель аграрного образования. Её основные черты — это междисциплинарность и развитие на стыке разных областей научных знаний», — заключает специалист. 

Профессиональное образование в ближайшем будущем, с точки зрения Светланы Сониной, пойдёт по пути цифровизации, расширения возможностей удалённого управления производственными процессами, быстрого обмена знаниями, внедрения практикоориентированного подхода.

Что важно при обработке данных при цифровой трансформации?[править]

вариант 1править

Обновить техническое обеспечение компании, используя самую современную технику

Обучить всех сотрудников использовать Excel для обработки данных

Обучить всех сотрудников языкам программирования, способных запускать нейронные сети

Сильная внутренняя экспертиза команды в области подхода управления с помощью данных +

Хранить данные в бумажном виде в архиве

вариант 2править

Обновить техническое обеспечение компании, используя самую современную технику

Обучить всех сотрудников использовать Excel для обработки данных

Обучить всех сотрудников языкам программирования, способных запускать нейронные сети

Понимать, какой информацией располагает компания, а чего не хватает +

Хранить данные в бумажном виде в архиве

вариант 3править

Обновить техническое обеспечение компании, используя самую современную технику

Обучить всех сотрудников использовать Excel для обработки данных

Обучить всех сотрудников языкам программирования, способных запускать нейронные сети

Определить методы сбора, анализа и интерпретации результатов +

Хранить данные в бумажном виде в архиве

HPCMP в бюджете DoD

Начиная с 2012 финансового года, базовое финансирование HPCMP было предусмотрено по двум статьям в армейском бюджете, который сам является частью бюджета Министерства обороны, ежегодно представляемого президентом и утверждаемого Конгрессом. PE 0603461A обеспечивает фонды НИОКР, которые управляют центрами и DREN, и финансирует усилия НИОКР в поддержку целей программы. В строке номер B66501 (строка 103, BA 02, BSA 92) предусмотрены средства на закупку для ежегодной покупки нового суперкомпьютерного оборудования (как суперкомпьютеров, так и связанных систем).

До 2012 финансового года финансирование RDT & E HPCMP предоставлялось по PE 0603755D8Z, при этом закупки финансировались по PE 0902198D8Z (P011).

В следующей таблице приведены запрошенные и утвержденные комитетом суммы финансирования для части программы RDT & E за последние федеральные финансовые годы (финансирование закупок, которое предоставляется по другой строке в федеральном бюджете, не включено в эту таблицу).

Запрошенные и утвержденные суммы финансирования HPCMP, RDT & E (в миллионах долларов).

Отчетный год	Элемент программы	Линия	Просьба президента	Одобрен Конгрессом	Разница
2017	0603461A	46	$177.190	$222.19	+$45.0
2016	0603461A	46	$177.159	$222.16	+$45.0
2015	0603461A	47	$181.609	$221.61	+$40.0
2014	0603461A	47	$180.662	$225.66	+$45.0
2013	0603461A	47	$180.582	$228.18	+$47.6
2012	0603461A	47	$183.150	$228.15	+$45.0
2011	0603755D8Z	52	$200.986	$255.49	+$54.5
2010	0603755D8Z	49	$221.286	$245.19	+$23.9
2009	0603755D8Z	49	$208.079	$220.345	+$12.266
2008	0603755D8Z	50	$187.587	$208.487	+$20.9
2007	0603755D8Z	43	$175.313	$207.213	+$31.9
2006	0603755D8Z	45	$189.747	$213.247	+$23.5
2005	0603755D8Z	42	$186.666	$236.766	+$50.1
2004	0603755F	Проект 5093	$185.282	$202.492	+$17.21
2003	0603755D8Z		$188.642	$217.142	+$28.5
2002	0603755D8Z		$188.376	$187.200	-$1.2
2001	0603755D8Z		$164.027	$177.527	+$13.5
2000	0603755D8Z		$159.099	$168.099	+$9.0
1999	0603755D8Z		$140.927	$153.927	+$13.0
1998	0603755D8Z		$126.211	$149.880	+$23.67

Временное изменение номера элемента программы на 2004 финансовый год отражает запланированный переход программы от управления Министра обороны к ВВС; этого перехода в конечном итоге не произошло.

Оглавление:

Определение — Что означает высокопроизводительные вычисления (HPC)?

Высокопроизводительные вычисления (HPC) — это использование суперкомпьютеров и методов параллельной обработки для решения сложных вычислительных задач. Технология HPC направлена ​​на разработку алгоритмов и систем параллельной обработки с использованием методов администрирования и параллельных вычислений.

Высокопроизводительные вычисления обычно используются для решения сложных задач и проведения исследовательских работ с помощью компьютерного моделирования, симуляции и анализа. Системы HPC обладают способностью обеспечивать устойчивую производительность благодаря одновременному использованию вычислительных ресурсов.

Термины высокопроизводительные вычисления и суперкомпьютеры иногда используются взаимозаменяемо.

Techopedia объясняет высокопроизводительные вычисления (HPC)

Высокопроизводительные вычисления (HPC) развивались благодаря удовлетворению растущих требований к скорости обработки. HPC объединяет несколько технологий, таких как компьютерная архитектура, алгоритмы, программы и электроника, а также системное программное обеспечение, под одним навесом для эффективного и быстрого решения сложных задач. Для высокоэффективной системы HPC требуется сеть с высокой пропускной способностью и низкой задержкой для подключения нескольких узлов и кластеров.

Технология HPC внедрена в междисциплинарных областях, включая:

• Biosciences
• Географические данные
• Моделирование нефтегазовой отрасли
• Автоматизация электронного дизайна
• Моделирование климата
• СМИ и развлечения

Будущее — OpenCL, GPGPU и замена MPI

Отдельный вопрос, интересующий экспертов по HPC — это использование GPGPU плат, nVidia Tesla, в том числе и на архитектуре nVidia Fermi. Именно эти современные технологии позволяют добиться необычайной плотности вычислений — до 1 TFLOPS на 1 юнит в стойке. Специалисты сходятся во мнении, что в ближайшей перспективе GPGPU платы не смогут снизить значения CPU в HPC-системах, но будут активно использоваться в разных задачах, связанных с визуализацией и некоторыми типами вычислений. Однако, использование GPGPU плат означает, что надо осваивать новые методы программирования, с распараллеливанием на тысячи тредов, поскольку миллион ядер в одном компьютере — это уже перспектива завтрашнего дня. Сегодня не каждый разработчик может даже представить задачу, котороая параллелится на такое количество ядер. Какие именно это расчёты, которые могут потребовать мощности миллионов вычислительных ядер? Всё очень просто — физические расчёты с точностью до молекулы, и именно такая точность нужна в современном мире.

Чтобы эффективно использовать мощность GPGPU совместно с CPU надо использовать фреймворк OpenCL, и обучать программистов в том числе и использованию этих API и языка программирования. Возможно, такая параллелизация заставит отказаться от интерфейса передачи информации MPI в пользу более совершенного, с низкой нагрузкой на интерконнект, поскольку даже шина Infiniband не позволит эффективно передавать данные по стандартам MPI, если вам потребуется исполнять по миллиону тредов на каждом физическом сервере.

5.4. Гибридная архитектура NUMA

Главная особенность гибридной архитектуры NUMA (nonuniform memory access) – неоднородный доступ к памяти.

Суть этой архитектуры – в особой организации памяти, а именно: память физически распределена по различным частям системы, но логически она является общей, так что пользователь видит единое адресное пространство. Система построена из однородных базовых модулей (плат), состоящих из небольшого числа процессоров и блока памяти. Модули объединены с помощью высокоскоростного коммутатора. Поддерживается единое адресное пространство, аппаратно поддерживается доступ к удаленной памяти, т.е. к памяти других модулей. При этом доступ к локальной памяти осуществляется в несколько раз быстрее, чем к удаленной. По существу, архитектура NUMA является MPP (массивно-параллельной) архитектурой, где в качестве отдельных вычислительных элементов берутся SMP (симметричная многопроцессорная архитектура) узлы. Доступ к памяти и обмен данными внутри одного SMP-узла осуществляется через локальную память узла и происходит очень быстро, а к процессорам другого SMP-узла тоже есть доступ, но более медленный и через более сложную систему адресации.

Гибридная архитектура совмещает достоинства систем с общей памятью и относительную дешевизну систем с раздельной памятью.

В структурной схеме компьютера с гибридной сетью (рис. 5.7) три процессора связываются между собой при помощи общей оперативной памяти в рамках одного SMP-узла. Узлы связаны сетью типа «бабочка» (Butterfly).

Впервые идею гибридной архитектуры предложил Стив Воллох, он воплотил ее в системах серии Exemplar. Вариант Воллоха – система, состоящая из восьми SMP-узлов. Фирма HP купила идею и реализовала на суперкомпьютерах серии SPP. Идею подхватил Сеймур Крей (Seymour R. Cray) и добавил новый элемент – когерентный кэш, создав так называемую архитектуру cc-NUMA (Cache Coherent Non-Uniform Memory Access), которая расшифровывается как «неоднородный доступ к памяти с обеспечением когерентности кэшей». Он ее реализовал на системах типа Origin.

Рисунок 5.7 – Структурная схема компьютера с гибридной сетью

Организация когерентности многоуровневой иерархической памяти

Понятие когерентности кэшей описывает тот факт, что все центральные процессоры получают одинаковые значения одних и тех же переменных в любой момент времени. Действительно, поскольку кэш-память принадлежит отдельному компьютеру, а не всей многопроцессорной системе в целом, данные, попадающие в кэш одного компьютера, могут быть недоступны другому. Чтобы этого избежать, следует провести синхронизацию информации, хранящейся в кэш-памяти процессоров.

Для обеспечения когерентности кэшей существует несколько возможностей:

— использовать механизм отслеживания шинных запросов (snoopy bus protocol), в котором кэши отслеживают переменные, передаваемые к любому из центральных процессоров и при необходимости модифицируют собственные копии таких переменных;

— выделять специальную часть памяти, отвечающую за отслеживание достоверности всех используемых копий переменных.

Наиболее известными системами архитектуры cc-NUMA являются: HP 9000 V-class в SCA-конфигурациях, SGI Origin3000, Sun HPC 15000, IBM/Sequent NUMA-Q 2000. На сегодня максимальное число процессоров в cc-NUMA-системах может превышать 1000 (серия Origin3000). Обычно вся система работает под управлением единой ОС, как в SMP. Возможны также варианты динамического «подразделения» системы, когда отдельные «разделы» системы работают под управлением разных ОС. При работе с NUMA-системами, так же, как с SMP, используют так называемую парадигму программирования с общей памятью (shared memory paradigm).

Обзор решения

Высокопроизводительные вычисления, как видно из названия приложения, требуют, чтобы системы хранения данных обеспечивали достаточную производительность для поддержки интенсивного и разнообразного анализа с множественных серверов HPC. Емкость и масштабируемость также являются важными проблемами, поскольку происходит рост как необработанных/ непроанализированных данных, так и обработанных данных, появляющихся после процесса анализа. Общий объем данных в конечном итоге достигает ПБ уровня, и для их архивирования требуется значительный объем памяти.

EonStor CS — это масштабируемое решение для совместного хранения данных, позволяющее предприятиям обрабатывать огромные объемы данных благодаря своей масштабируемой емкости и линейно увеличивающейся производительности. Кроме того, возможности большой емкости и производительности объединены в рамках единой архитектуры пространства имен, что позволяет серверам HPC анализировать, обмениваться анализируемыми данными друг с другом по одному и тому же пути к файлу, что в свою очередь благотворно влияет на реалистичность анализа.

Приложения HPC действуют как длительные, непрерывные процессы анализа со стороны множественых серверов. Если какая-либо часть системы хранения выходит из строя, весь процесс анализа останавливается и вызывает задержки в бизнес процессах.

Благодаря многоуровневой защите данных от сбоев жестких дисков и узлов, решение высокой доступности EonStor CS гарантирует, что процессы анализа выполняются непрерывно.

По мере роста масштабов компании/ исследовательских центров HPC, от хранилища данных требуются все большая производительность и емкость для обработки большего количества процессов анализа и большего объема данных для резервного копирования. В основном все серверы HPC используют одинаковый путь к файлу для доступа к данным («архитектура единого пространства имен»). Масшатбируемость всего центра НРС зависит от возможностей масштабирования кластера хранения; таким образом, чтобы избежать ограничений приложения высокопроизводительных вычислений, хранилище должно обеспечить решение для долгосрочного расширения.

EonStor CS предлагает решение как горизонтального, так и вертикального бесшовного масштабирования, которое сможет обеспечить окупаемость ваших инвестиций в будущем.

Топология приложений HPC обычно включает в себя большое количество узлов хранения

В такой сложной архитектуре важно обеспечить простой способ создания/управления всем кластером хранения, чтобы облегчить управление

EonOne, программное обеспечение Infortrend для веб-управления, позволяет администраторам легко развертывать кластер EonStor CS и управлять им с помощью удобного графического интерфейса и пошагового мастера установки.

Комплексное решение EonStor CS является оптимальным выбором для различных отраслей высокопроизводительных вычислений, таких как нефтегазовая отрасль, генетический анализ и лабораторный анализ.

Рынок HPС и влияние пандемии

Пандемия коронавируса затормозила развитие рынка, например, по оценкам Hyperion Research, сделанным до пандемии COVID-19, предполагалось, что мировой рынок серверов HPC вырастет с $13,7 млрд в 2019 г. до $14,5 млрд в 2020 г. Позднее эта оценка понизилась до $11,9 млрд и к 2024 г. выручка от поставок серверов HPC должна была составить $20,8 млрд при среднегодовом темпе роста 8,7%. Согласно последним оценкам компании, этот прогноз снижен до $19 млрд при среднегодовом росте 6,8%.

Аналогичные цифры дают и другие аналитики, оценка Intersect360 Research — 7,1% годового роста ($55 млрд к концу 2024 г.), ResearchandMarkets — 5,5% ( $49,4 млрд в 2025-м).

Надо учитывать, что HPC-рынок — «рынок двух скоростей». Поскольку задачи, для которых создаются высокопроизводительные системы, достаточно специфичны, то заказчики предпочитают создавать и кастомизировать их под свои потребности, рынок HPC — это пока рынок систем, установленных у заказчика (on-premise). На «собственные» системы приходятся более 80% рынка HPC. Однако облачный быстрее растет.

ИИ квалифицирует лиды: пример цифровой трансформации в продажах

До цифровой трансформации. IT-компания продаёт услуги разработки программного обеспечения на заказ. Средний чек — 5–10 млн рублей.

Процесс продаж состоит из нескольких этапов и занимает 3–6 месяцев. Каждый этап — это онлайн-встреча со своей целью:

• Discovery — квалифицировать клиента.
• NBM — встретиться с лицом, принимающим решение, и подготовить предложение.
• Demo — продемонстрировать клиенту, как будет решена его боль, и обсудить с ним стратегию.
• Closing — согласовать стратегию и утвердить бюджет.

Последний этап самый сложный. Чтобы он прошел успешно, нужно с первой встречи задавать клиенту правильные вопросы и точно фиксировать ответы в CRM. Соотношение между выигранными и созданными в CRM сделками — коэффициент конверсии продаж.

Компания поставила перед собой цель — увеличить конверсию в два раза.

Фото: dotshock / Shutterstock

Чтобы быстрее достичь этой цели, мы наняли трекера. Он проанализировал, как организованы продажи, и предложил пересмотреть этап квалификации.

Дело в том, что менеджеры недостаточно быстро понимали, кто из потенциальных клиентов заинтересован в покупке услуги, а кому она неинтересна. Чем быстрее менеджеры понимают: «Это не наш лид», тем меньше ресурсов они на него тратят и тем больше ресурсов можно инвестировать в заинтересованных клиентов.

Чтобы помочь менеджерам в квалификации клиентов, мы разработали более сложный фреймворк. Он представлял собой список из тридцати вопросов. Получив ответы на эти вопросы, менеджер понимал, заинтересован клиент в услуге или нет. Список должен был закрыть все потребности продажников на переговорах.

Структура фреймворка была логичной, отвечала задаче и, как тогда казалось, была вполне пригодна для применения.

Мы приступили к тестированию этого решения. Менеджеры встречались с клиентами, задавали вопросы из фреймворка и записывали всё на видео. Нам оставалось посмотреть видео, проанализировать результаты и, как мы думали, удостовериться в том, что всё работает.

Проблема. Фреймворк работал хуже, чем мы рассчитывали. Главным препятствием стали человеческие слабости и «инстинкт самосохранения» менеджеров. Они забывали включать запись и фиксировать ответы клиентов. Некоторые вопросы считали неудобными или несвоевременными, поэтому не задавали их. Часто менеджеры сами додумывали ответы, которых не было, а данные в CRM вносили с искажениями и задержками или забывали важные факты.

Стало очевидно, что недостаточно иметь перед глазами тридцать вопросов, ответы на которые помогут классифицировать сделку. Нужно каким-то образом обойти человеческий фактор, используя для этого современные технологии.

Процесс цифровой трансформации. Нам потребовалась система, которая сможет взять качественную информацию напрямую от клиента, без эмоциональных фильтров менеджеров. В идеале процесс должен был выглядеть так:

• Менеджер по продажам общается с потенциальным клиентом — он не пропускает важные вопросы из фреймворка и чётко следует намеченному плану.
• Система распознаёт контекст полученных ответов и разносит их по нужным ячейкам CRM.
• На основании этих ответов выстраивает стратегию продаж.

Так появилась система с искусственным интеллектом для управления фреймворком — SalesAI. Она интегрируется с CRM, а также с системой видеосвязи (Zoom, Google Meet, Skype) или IP-телефонии. Прямо во время звонка или встречи, пока менеджер говорит с клиентом, система расшифровывает речь и разбирается, к ответам на какие вопросы можно отнести фразы клиента. На основе анализа она в режиме реального времени даёт подсказки менеджеру.

Если встреча проходит идеально, менеджеру не нужно задавать все тридцать вопросов — SalesAI распознает необходимые ответы из монолога клиента и разнесёт их по нужным ячейкам CRM.

Пример анализа диалога системой SalesAIСкриншот: сайт SalesAI

Затем система самостоятельно сделает вывод, какого качества ответы мы получили, и решит, стоит ли дальше работать с этим клиентом. Если нет — менеджер завершает работу с ним и направляет усилия на другой контакт.

Система SalesAI выдаёт анализ встречиСкриншот: сайт SalesAI

Также система автоматизирует рутину, на которой менеджер обычно теряет много времени, — составляет протоколы переговоров, фиксирует договорённости, оформляет коммерческие предложения. Всё это создаётся по заданным шаблонам автоматически после каждой встречи. Менеджеру остаётся только скорректировать готовые документы и отправить клиенту.

Пример готового протокола встречиСкриншот: сайт SalesAI

Пример готового коммерческого предложенияСкриншот: сайт SalesAI

Что позволила сделать цифровая трансформация продаж:

Что такое цифровая экономика?[править]

Хозяйственная деятельность, в которой ключевым фактором являются данные в цифровом виде +

Стадия развития технологий интернет, концепция вычислительной сети физических предметов («вещей»), оснащенных встроенными технологиями для взаимодействия друг с другом или с внешней средой и объединяющая целый стек технологий

Общий подход к цифровой трансформации и внедрению управления на основе данных на промышленном предприятии

Подход к цифровой трансформации компании, основанный на решении использовать современные технологии и практики проектной работы

Направление, в котором стартапы, инновационные компании и само государство оцифровывают государственные продукты и услуги, используя новые технологии

Оборонная научно-техническая сеть

Defense Research and Engineering Network (DREN) — высокоскоростная национальная компьютерная сеть для вычислительных исследований, разработки и тестирования — является важной программой в рамках HPCMP. DREN — это Министерство обороны США Исследования и разработки компьютерная сеть

DREN — это высокоскоростной, высокопроизводительный, низкая задержка общенациональный компьютерная сеть за вычислительный научное исследование, инженерное дело, а также тестирование в поддержку сообществ Министерства обороны США по науке и технологиям, а также по тестированию и оценке. DREN объединяет ученых и инженеров из географически разбросанных по HPCMP высокопроизводительные вычисления (HPC) пользовательские сайты, включая пять центров ресурсов суперкомпьютеров DoD, и более 150 пользовательских сайтов в других государственных лабораториях, испытательных центрах, университетах и ​​промышленных предприятиях по всей территории Соединенных Штатов (включая Гавайи и Аляску)

DREN — это Министерство обороны США Исследования и разработки компьютерная сеть. DREN — это высокоскоростной, высокопроизводительный, низкая задержка общенациональный компьютерная сеть за вычислительный научное исследование, инженерное дело, а также тестирование в поддержку сообществ Министерства обороны США по науке и технологиям, а также по тестированию и оценке. DREN объединяет ученых и инженеров из географически разбросанных по HPCMP высокопроизводительные вычисления (HPC) пользовательские сайты, включая пять центров ресурсов суперкомпьютеров DoD, и более 150 пользовательских сайтов в других государственных лабораториях, испытательных центрах, университетах и ​​промышленных предприятиях по всей территории Соединенных Штатов (включая Гавайи и Аляску).

ДРЕН глобальная сеть (WAN) предоставляется в рамках коммерческого контракта, который в настоящее время заключен с CenturyLink. Ранее он был присужден AT&T, MCI / WorldCom, и Verizon. Провайдер услуг DREN WAN создал DREN как виртуальная частная сеть на основе своей коммерческой инфраструктуры. Возможности, предоставляемые DREN III, включают услуги передачи цифровых данных со скоростью от 50 Мбит / с до 100 Гбит / с. DREN III также полностью поддерживает IPv6 с унаследованной поддержкой IPv4.

В 2003 году DREN был назначен Министерством обороны первым IPv6 сеть Помощник министра обороны по сетям и информационной интеграции.

Другие интересные исследовательские сети:

• КАНАРИЯ
• ДАНТЕ
• Сеть энергетических наук
• Высокопроизводительная беспроводная исследовательская и образовательная сеть
• Интернет2 Сеть
• Сеть исследований и инженерии НАСА