«Астера»: как заработать миллионы, познакомив заводы с искусственным интеллектом
Иван Исаев и Константин Быченков запустили компанию «Астера» в 2014 году в Самаре, пробились в «Сколково» с третьего раза и почти сразу получили заказ на анализ данных. При использовании искусственного интеллекта они снизили вероятность аварийных ситуаций в компании «Агротехно» на 75%. Потом «сумасшедшие математики» анализировали работу старых предприятий и учили компьютер давать рекомендации — например, когда лучше помыть оборудование, чтобы оно работало эффективнее. Такие советы позволили очередному клиенту начать экономить 600 млн рублей в год. За 4 года «Астера» вышла на оборот в 80 млн рублей, в прошлом году заработала 5 млн рублей. Предприниматели рассказали Inc., почему технопарк «Сколково» дважды отказывал им в получении статуса резидента, как связать горную добычу нефти с Big Data и как компания планирует захватить 30% рынка цифровизации промышленных компаний в России.
Иван Исаев занимался предпринимательством с 14 лет: школьником продавал сим-карты, — потом писал сайты. Студентом Самарского аэрокосмического университета (специальность «Прикладная математика и информатика») заинтересовался сетевыми технологиями и анализом данных. В 2014 году он искал новые идеи для развития и в отчетах Gartner и McKinsey прочитал прогноз экспертов: анализ большого массива данных, машинное обучение, искусственный интеллект будут самыми быстрорастущими рынками в течение ближайших 5-10 лет. Иван понял, что в России выгоднее всего заняться анализом больших данных в отраслях,
связанных с добычей полезных ископаемых, так как именно это направление развивается успешно. Тогда на конференциях и тематических мероприятиях предприниматель стал предлагать крупным компаниям делать пилотные проекты по анализу данных и внедрению искусственного интеллекта в бизнес-процессы, чтобы сэкономить до 10% бюджета на те или иные расходы. Предприниматель хотел заработать на экономическом эффекте своих решений (брать 15-20% от сэкономленных денег), также ему нужно было сделать первый проект для портфолио.
Через преподавателя Самарского аэрокосмического университета Иван познакомился с другим предпринимателем — Константином Быченковым, — тот работал топ- менеджером в сфере ИТ уже 15 лет и создал компанию, предлагающую в России и за рубежом услуги на базе алгоритмов машинного обучения. Иван и Константин зарегистрировали совместную компанию, которая стала заниматься обработкой данных для нескольких крупных зарубежных телеком-провайдеров, делать анализ данных серверов, разрабатывать программы по безопасности, предотвращению онлайн-мошенничества. Но партнеры хотели выйти за пределы узкой телекоммуникационной ниши, развить технологическую составляющую проекта и внедрять искусственный интеллект в работу старых предприятий.
И вот как предприниматели это сделали.
«Астера» в цифрах
20
млрд рублей достигает российский рынок систем на основе ИИ.
5
млн рублей — прибыль за 2017 год на группу компаний, включая аутсорс.
80
млн рублей — выручка группы компаний в 2017 году.
200
тыс. рублей стоил сервер для мощных вычислений «Астеры».
30
проектов реализовала «Астера».
20
человек работает в команде.
Переехали из Самары в «Сколково»: нашли первых клиентов и заработали 1 млн рублей
С проектом «Библиотека прогнозных методов и платформа непрерывной интеграции» мы подали заявку в «Сколково», чтобы попасть в самый мощный хаб в России по работе с инновациями. Нам нужны были клиенты, инвестиции и PR. К этому моменту мы собрали команду — 10 программистов на полной занятости, которые стали разрабатывать продукт по анализу данных для крупных компаний, — и специально для получения статуса резидента открыли ООО «Астера». По нашей задумке, система должна была анализировать данные и непрерывно обновлять пользовательские модели, подстраиваться под новые вводные.
Пробиться в «Сколково» с первого раза не удалось, но мы не сдавались. Процедура получения резидентства заняла больше года. Нам дважды отказывали. Нужно было доказать, что команда может выйти на международный рынок и обладает уникальной наукоемкой технологией.
Мы нашли сильных ученых из Москвы и Самары, которые помогли доработать математические методы. Работая с нами, ученые получили возможность применять мощные математические методы на реальных данных. Мы смогли убедить высококлассных специалистов работать с нами за относительно небольшие деньги, пусть для начала и на частичной занятости. На третий раз — в 2015 году — заявку в «Сколково» одобрили.
Мы не переехали из Самары в «Сколково» полностью. У нас есть несколько московских сотрудников, для них мы сняли офис неподалеку. Также у нас есть офисы в Самаре и Питере.
Первый контракт (на 1 млн рублей) — анализ данных в промышленности — мы подписали с компанией «Агротехно», которая занимается компрессорным оборудованием. Их проблема — вибрация выходных трубопроводов. Из-за этого на трубопроводе появлялись трещины и разрывы. Мы замерили собственными оригинальными датчиками необходимые данные и представили решение. Сделали
матанализ, незначительно изменили частоты вращения мотокомпрессоров, — появление трещин и аварийных ситуаций снизилось на 75%.
Благодаря хакатону акселерационной программы РВК мы познакомились с топ-менеджером компании Мобильные ГТЭС. Для них мы выполнили пилотный проект по разработке модели прогнозирования для мобильных газотурбинных электростанций, работавших в Крыму. МГТЭС, по данным финансовой отчетности ФСК, потребляют топлива на сумму до 6 млрд рублей в год. Если предположить, что за счет оптимизации промывок объект может сократить энергопотребление на 10%, то это составляет до 600 млн рублей в год чистой экономии. Эти цифры показались интересными, поэтому мы решили взяться за этот проект. Провели исследование данных и построили прототип математической модели, которая предсказывает, как оборудование будет себя вести. Результаты этой работы могли быть использованы в дальнейшем для разработки программы, которая в реальном времени измеряет, собирает текущие показатели датчиков и прогнозирует состояние оборудования через неделю, 30 дней и т. д. Но по ряду причин данная наша работа не вошла в промышленную эксплуатацию — для реализации такого масштабного проекта требовался крупный партнер, которого на тот момент у нас не было.
Создали библиотеку шаблонных решений: сократили работу над проектами на 50%
В 2016 году мы прошли сертификацию компании SAP и стали партнерами. Благодаря этому мы смогли сделать ещё несколько проектов в области добычи, металлургии и химии. Для для нефтедобычи мы разработали прогнозирование инцидентов при горизонтально-направленном бурении; для химических производств — оптимизацию цикла получения минеральных удобрений от аммиака и кислот до грануляции; для металлургии — прогнозировали качество литья.
С ростом количества проектов в портфолио для каждого вида оборудования у нас появились шаблонные решения. Мы получили программные коды, которые — с минимальными доработками — можно было использовать для других клиентов. Например, анализ моторов на разных промышленных объектах будет похожий, как и анализ бурового или химического оборудования. Для конкретной компании нужно дорабатывать только 25% всего объема.
У нас появились 30 решений, которые можно многократно использовать. Мы завели репозиторий на GitHub, где стали хранить приложения, и разработали платформу, чтобы постоянно следить за их состоянием. Модель со временем перестает давать точные прогнозы из-за смены исходных данных в состоянии оборудования. В таких случаях ее нужно переобучить, чтобы она снова давала правильные прогнозы.
Искусственный интеллект, технологии машинного обучения — хайповая, модная тема. На рынке ею занимаются 3 основных категории игроков. Первая — компании, развивающие эту технологию самостоятельно, пытаясь растить экспертизу; пример — Сбербанк, который создал центр компетенции Сбертех с большим штатом аналитиков данных, экспертов в области машинного обучения и ИИ. Вторая категория — крупные международные компании (SAP, IBM, SAS), которые по лицензии продают специализированное ПО для анализа данных.
Третья группа участников — специализированные команды, которые на опенсорсных технологиях строят свои модели под конкретные задачи. «Астера» относится к третьей группе. Конкуренция растет, на одной математике далеко не уедешь, нужно понимать достаточно глубоко бизнес клиента, — соответственно, возникла необходимость комбинировать знания об индустрии и математические подходы. Основной тренд на рынке сейчас — специализация компаний.
Рынок систем на основе ИИ в России достигает 20 млрд рублей.
Константин Горбач
директор департамента интеллектуальных приложений компании «Цифра»
Поработали над маркетингом: +30 заявок за первый месяц
Поначалу у нас было все хорошо с продуктом и технологиями, но плохо с упаковкой. Мы выглядели как сумасшедшие математики. Нужно было представлять продукт так, чтобы он был понятен обычному человеку. Мы долго думали над этим и смотрели, как продают себя похожие компании на западе.
Мы изменили сайт (перевели тексты с научно-технического на русский, разработали дизайн, сделали мобильную версию), нарисовали новые презентации, больше заточили их на продажи (сделали акцент не на наукоемкости, а на пользе для клиента). На изменения — они произошли с приходом в наш проект основателя частной венчурной компании Disruptive.vc Дмитрия Масленникова — потратили несколько сотен тысяч рублей. Дмитрий предложил работать на «Астеру» бесплатно, за опцион, который может превратиться в живые деньги во время продажи компании.
Мы знакомимся с топ-менеджерами компаний — нашими потенциальными клиентами. Масленников основал неформальный Клуб корпоративных инноваторов — сообщество менеджеров, которые занимаются инновациями в больших компаниях вроде «Норникеля». Кулуарные встречи и разговоры помогают иметь прямой доступ к 30-60 крупным промышленным компаниям.
Создали маркетплейс: + 7 новых клиентов за 3 месяца
Чтобы расширить российский рынок, мы создали маркетплейс. Основным фокусом нашей работы стал анализ данных для сырьевого бизнеса, но к нам периодически обращаются и другие заказчики (ретейл, банки, телеком и др.), чтобы купить конкретные модели, которые могут быть собраны в маркетплейсе. Любые разработчики могут размещать там свои модели, а покупатели — тестировать и приобретать их по ежемесячной подписке, без капитальных вложений. Мы берем комиссию 2-5% от сделки.
Сейчас на площадке несколько десятков моделей. Среди них компьютерный анализ текста (NLP)
с применением ИИ и математической лингвистики или анализ и прогнозирование изменений клиентской базы.
Разработчики хотят продавать свои решения и делать это на хороших площадках. Мы выступаем как канал дистрибуции. Здесь есть и наши модели — снижение издержек, прогнозирование качества литой заготовки и содержания примесей или прогнозное техническое обслуживание бурового оборудования. С момента запуска маркетплейса — всего за 3 месяца — мы получили 7 новых клиентов.
Планы: занять 30% рынка в России
Сейчас «Астера» зарабатывает двумя способами. Во-первых, компания занимается разработкой решений для телеком-операторов. Выручка этого направления с 20 млн рублей в год в 2014 году выросла до 80 млн рублей в год в 2017 году. Во-вторых, компания развивает услуги для промышленности. В это направление вложены несколько миллионов рублей собственных средств компании. В 2017 году это направление принесло прибыль 1 млн рублей, что соответствует его финансовой модели.
У нас есть локальные планы на Россию: мы хотим занять 30% всего рынка промышленных предприятий по своему направлению. Есть планы и по выходу на международный рынок. Ряд гипотез мы хотим проверить в следующем году в Германии — стране с гигантской промышленностью.
Наши решения выйдут на глобальный рынок, в первую очередь, через партнерство с SAP. Мы были на выставке CEBIT в Германии в этом году, рынок там более зрелый, чем в России, явного лидера на нем нет. По оценке McKinsey, цифровизация производств в Европе принесет 2,5 трлн британских фунтов к 2025 году.
Мы начали оказывать услуги по аудиту предприятий и разработке дорожных карт по цифровой трансформации бизнеса. Это позволяет определить ключевые места, где целесообразно внедрить анализ данных. Основная проблема проектов с машинным
обучением в промышленных компаниях — у бизнеса часто нет достаточного количества данных, которые нужны для математики, они просто не собирают или не сохраняют их. Приходится тратить по полгода на получение цифр.
