00:00:00 Введение в вычислительные ресурсы в цепочке поставок
00:02:21 Важность вычислительных ресурсов в цепочке поставок
00:07:04 Механическая симпатия в контексте цепочки поставок
00:09:38 Принятие решений с использованием вычислительного оборудования
00:12:42 Иллюзия экспертизы без глубины
00:13:59 Современная зависимость цепочки поставок от вычислительной техники
00:18:32 Влияние скорости оборудования на принятие решений
00:21:40 Неэффективность программного обеспечения увеличивает затраты
00:24:42 Свойства и ограничения транзакционных баз данных
00:27:59 Рост затрат на облачные сервисы из-за неэффективности
00:30:09 Более простые и дешевые программные решения
00:32:40 Крайняя трата вычислительных ресурсов
00:36:14 Достижения аппаратного обеспечения против отсталости программного
00:40:48 Важность знаний о выборе поставщика
00:45:15 Теоретические знания против практического опыта
00:50:00 Порядки величин в эффективности компьютеров
00:54:33 Соображения по производительности в пополнении запасов
00:56:18 Итеративный процесс для повышения качества результатов
00:58:50 Нарушения требуют реинжиниринга
01:00:18 Следующие шаги для специалистов
01:02:17 Оплата неэффективности поставщиков
01:05:04 Финансовое влияние решений
01:07:16 Непонимание со стороны конкурентов
01:08:40 Заключительные замечания
Резюме
В недавнем эпизоде LokadTV, Кэнор Дохерти, руководитель отдела коммуникаций в Lokad, беседовал с Жоаннесом Верморелем, генеральным директором Lokad, о критической роли вычислительных ресурсов в оптимизации цепочки поставок. Верморель подчеркнул необходимость понимания как аппаратного, так и программного обеспечения для принятия обоснованных решений в цепочке поставок. Он сравнил это фундаментальное знание с базовой географической осведомленностью, необходимой для предотвращения проблем и обеспечения эффективного принятия решений. Верморель отметил, что, хотя компьютеры являются инструментами для механизации решений, понимание их возможностей и ограничений имеет решающее значение. Это понимание распространяется на программные парадигмы, что позволяет специалистам оптимизировать ресурсы и добиваться лучших результатов.
Расширенное резюме
В недавнем эпизоде LokadTV, Кэнор Дохерти, руководитель отдела коммуникаций в Lokad, вступил в содержательную дискуссию с Жоаннесом Верморелем, генеральным директором и основателем Lokad, французской компании по разработке программного обеспечения, специализирующейся на предиктивной оптимизации цепочек поставок. Беседа углубилась в сложный мир вычислительных ресурсов в цепочке поставок — тему, выходящую далеко за рамки простого использования компьютеров. Она требует тонкого понимания того, как эти машины работают оптимально, концепция, которую Верморель называет «механической симпатией».
Дохерти начал обсуждение, акцентировав внимание на широком спектре вычислительных ресурсов, охватывающем как аппаратное, так и программное обеспечение. Он спросил у Вермореля рабочее определение, на что тот объяснил, что вычислительные ресурсы включают все классы аппаратного обеспечения, составляющие современный компьютер. Это разделение, хоть и несколько произвольное, эволюционировало за последние 70 лет, в результате чего возникли отдельные категории, такие как ЦПУ и память, каждая из которых служит определенной цели в вычислительной экосистеме.
Верморель подчеркнул важность этих ресурсов в контексте управления цепочками поставок. Он утверждал, что если принять допущение, что решения в цепочке поставок лучше принимаются с помощью компьютеров, то понимание аппаратного обеспечения, обеспечивающего эти вычисления, становится решающим. Это понимание касается не только знания физических компонентов, но и осознания более широких классов устройств и их вычислительных возможностей.
Дохерти затем попытался упростить эту информацию для специалистов по цепочке поставок, спрашивая, как им следует интегрировать эти знания в повседневную деятельность. Верморель разъяснил, что компьютеры по своей природе не являются хорошими в принятии решений; они просто являются лучшими доступными инструментами для механизации процессов принятия решений. Эта механизация, которая двигала прогресс в течение веков, теперь распространяется на офисные работы с использованием компьютеров.
Верморель сравнил фундаментальные знания о вычислительных ресурсах с базовыми знаниями географии. Так же как знание расположения стран на карте считается необходимым, понимание основ технологии является фундаментальным для специалистов по цепочкам поставок. Эти знания помогают предотвращать различные потенциальные проблемы и гарантируют, что решения принимаются с четким пониманием основной вычислительной инфраструктуры.
Дохерти дальше углубился в вопрос основополагающих знаний, спрашивая, включает ли оно знание простых вещей, таких как расположение USB-порта, или более сложных концепций, например, принцип работы SSD-диска. Верморель ответил, что речь идет больше о понимании абстракций и устойчивых классов проблем, существующих в вычислительной сфере на протяжении десятилетий. К ним относятся память, хранение данных, пропускная способность, арифметические вычисления и операции ввода/вывода.
Беседа затем перешла к тому, как эти базовые знания способствуют принятию лучших решений. Верморель пояснил, что без базового понимания аппаратного обеспечения процессы принятия решений могут казаться магическими, что затрудняет оценку пригодности метода для доступного оборудования. Он привел аналогию с выбором автомобиля: так же как выбор машины требует понимания ее назначения, выбор вычислительных ресурсов требует знания их возможностей и ограничений.
Верморель также затронул важность программных парадигм и их роль в процессе принятия решений. Он отметил, что, хотя конкретные случаи использования могут быть не всегда очевидны, наличие базового понимания таких концепций, как статический анализ, массивное программирование и контроль версий, имеет решающее значение. Эти знания помогают специалистам избежать «шаркания в темноте» и гарантируют, что они смогут принимать обоснованные решения относительно используемых вычислительных инструментов.
В заключение, Верморель подчеркнул, что современные практики управления цепочками поставок сильно зависят от вычислительного оборудования. Даже компании, считающие себя малотехнологичными, широко используют компьютеры — будь то для сложных алгоритмов или простых инструментов, таких как Excel. Таким образом, базовое понимание вычислительных ресурсов не только полезно, но и необходимо для эффективного управления цепочками поставок. Эти знания позволяют специалистам принимать обоснованные решения, оптимизировать вычислительные ресурсы и, в конечном итоге, добиваться лучших результатов для своих организаций.
Полная расшифровка
Conor Doherty: С возвращением на LokadTV. Сегодня Жоаннес и я обсудим вычислительные ресурсы в цепочке поставок. Как вы услышите, это гораздо больше, чем простое умение пользоваться компьютером. Скорее, это требует приличного понимания того, как он работает наилучшим образом. Это называется механической симпатией, и, как мы обсудим, хорошая механическая симпатия может привести к более эффективному использованию вычислительных ресурсов и, в конечном итоге, к принятию лучших решений. И как всегда, если вам нравится то, что вы слышите, подумайте о подписке на наш канал на YouTube и о подписке на нас в LinkedIn. И на этом я представляю сегодняшнюю беседу.
Итак, Жоаннес, вычислительные ресурсы в цепочке поставок — это очень обширная концепция. Она охватывает как аппаратное, так и программное обеспечение. Так что, для целей сегодняшней беседы, и учитывая, что аудитория — специалисты по цепочке поставок, как бы вы определили вычислительные ресурсы?
Joannes Vermorel: Вычислительные ресурсы — это общее понятие, охватывающее все классы аппаратного обеспечения, составляющие современный компьютер. Сегодня разделение между этими классами немного произвольно, но всего лишь немного. В природе нет ничего, что указывало бы на то, что есть класс вещей, который мы должны называть ЦПУ (центральные процессоры), и другой класс устройств, который мы должны называть памятью и так далее. Это соэволюция дизайна компьютеров и роли рынка, которая сформировала определенные ниши с компаниями, обладающими действительно конкурентоспособными устройствами для конкретных задач. Именно так произошла эта эволюция. Сейчас, через 70 лет после появления компьютеров, у нас есть очень четкие классы вычислительных устройств, которые не выполняют все задачи «от начала до конца». Они как компоненты в процессе вычислений.
Теперь, почему это имеет значение? Когда я говорю о вычислительных ресурсах, я имею в виду не только аппаратное обеспечение, но и сам класс устройств и то, что они предоставляют для выполнения вычислений. Почему это важно для цепочки поставок? Потому что если мы рассматриваем цепочку поставок как процесс принятия решений и исходим из предположения, что эти вычисления будут лучше выполняться с помощью компьютеров, тогда именно этот физический уровень будет обеспечивать эти вычисления. Это предположение, в конце концов, является скромным. Компьютеры сегодня доказали свою достаточно высокую эффективность. Но, тем не менее, всё начинается с этого видения, что все эти решения, те миллионы решений, которые должен принимать крупный участник цепочки поставок, в конечном итоге будут выполняться с помощью компьютера так или иначе.
Таким образом, если мы начинаем мыслить об этом, нам следует уделять немного больше внимания этому аппаратному уровню. Ситуация стала значительно сложнее за последние четыре десятилетия. Компьютеры продолжают развиваться, но способами, которые намного сложнее и не так интуитивно понятны, как то, что происходило до конца 90-х.
Conor Doherty: Хорошо, подытожим: компьютеры хороши в принятии решений. Но как это соотносится для специалиста по цепочке поставок, слушающего это? В чем заключается основная идея для них?
Joannes Vermorel: Прежде всего, я бы сказал, что компьютеры не особенно хороши в принятии решений. Они просто являются инструментами, которые у нас есть, и на данный момент у нас нет жизнеспособного варианта для механизации процессов принятия решений. Это своего рода акт веры. Зачем нам механизировать? Потому что механизация двигала прогресс в последние два, а может и три века. В 20 веке механизация рабочих профессий привела к поразительному росту производительности — в 100 раз. А сейчас, в 21 веке, мы наблюдаем то же самое, но в области офисных работ, и это происходит благодаря компьютерам. Можно было бы представить параллельную вселенную, где это происходило бы с другими вещами, но на данный момент у нас лучший вариант — компьютеры.
Теперь, почему это имеет значение? Я бы сказал, что мы должны рассматривать вычислительные ресурсы и вычислительное оборудование как часть базовых знаний. Когда в последний раз вам было полезно знать, где расположена Канада на карте мира? Когда в последний раз было полезно знать, что у России нет границы с Бразилией? Это те вещи, где на повседневной основе неочевидно, что, например, базовые знания мировой географии имеют практическую пользу. Однако, если спросить большинства из этой аудитории, они скажут, что это важно. Что вы скажете о человеке, который не может определить местонахождение ни Китая, ни Канады, ни России на карте мира? Это показалось бы очень странным, и, вероятно, вы не доверили бы такому человеку множество ролей в вашей организации.
Таким образом, можно считать это своего рода мелкой эрудицией, но одновременно и фундаментальными знаниями. Если вы не обладаете ими, это создаст проблемы. Какие именно проблемы? Это сильно зависит от конкретной ситуации, компании и отрасли. Но можно ожидать целый ряд проблем. Я считаю, что знания о вычислительном оборудовании и вычислительных ресурсах относятся именно к этим базовым знаниям, о которых специалисты по цепочкам поставок должны знать. Им следует обладать своеобразной механической симпатией, термином, заимствованным из Формулы-1, относительно этих аспектов.
Conor Doherty: Мне нравится используемая вами аналогия, и я собираюсь попытаться использовать её, чтобы прояснить этот момент. Если под базовыми знаниями вы подразумеваете знание того, что у Бразилии и России нет общей границы, это один уровень географической эрудиции. Другой — это знание того, сколько столиц у Южной Африки. Это качественно разные уровни или градации географической осведомлённости. Если применить такое различие к аппаратному обеспечению или вычислительным ресурсам, когда вы говорите о базовых знаниях, вы имеете в виду знание того, где находится USB-порт для моей мыши, или понимание того, как работает SSD-диск? Какова степень этих знаний?
Joannes Vermorel: Я говорю больше об абстракциях. Существует бесконечное количество мелких деталей о вычислительном оборудовании. Речь не идёт о том, чтобы знать каждое отдельное устройство и его цену. Если вы гик, вам может быть интересно читать об этом, и мне это нравится. Но в основном речь идёт о тех очень больших, давно установившихся классах ресурсов. Это несколько зависит от архитектуры, но эти архитектуры остаются стабильными не менее пяти десятилетий, так что можно ожидать, что так будет и дальше.
О чём мы говорим? Мы говорим о таких вещах, как память, энергозависимая память, долговременное хранилище, пропускная способность, арифметические вычисления, операции ввода/вывода (I/O), пропускная способность, задержка. Все эти аспекты остаются важными и имеют свои стабильные классы вопросов на протяжении многих десятилетий. Вот что я имею в виду, говоря о базовом знании, позволяющем увидеть, какие есть классы проблем и соответствующее вычислительное оборудование. Как все это сочетается для работы с современным компьютером? Как все это сочетается для работы с современным компьютером? Если мы рассмотрим это с точки зрения уровней, в конечном итоге вы хотите, чтобы процессы принятия решений выполнялись благодаря этому вычислительному оборудованию. Если вы вообще не понимаете, что происходит на уровне оборудования, это выглядит как магия. Каковы шансы, что вы сможете понять, подходит ли метод для вашего оборудования или нет? Я не говорю о супердетальном понимании, а всего лишь о базовом понимании того, будет ли он работать вообще.
Conor Doherty: Например, вы используете фразу… Извините, позвольте вернуться на шаг назад. Вы назвали несколько парадигм программирования. Думаю, это было на одной из ваших лекций. Вы говорили о парадигмах программирования, статическом анализе, RA-программировании, дифференциальном программировании, системах контроля версий, персистентности — обо всех этих концепциях. Мой вопрос: как они все сочетаются для принятия лучших решений, о которых вы говорите?
Joannes Vermorel: Это базовые знания, так что не ожидайте от меня конкретных примеров использования, как, скажем, в элементарной географии. Когда в последний раз вам действительно было нужно это знать? Наверное, никогда. Это фон. Проблема в том, что если вам недостаёт базовых уровней знаний, вы блуждаете вслепую. Вы даже не осознаёте, что находитесь во тьме. Вы даже не понимаете, сколько вещей остаётся для вас непонятными. Вот в чём моя суть.
Давайте отступим на шаг назад. Вы хотите, чтобы компьютер принимал эти решения. Это означает, что вам придётся выбирать поставщиков, вероятно, довольно много. Вы купите или арендуете вычислительные ресурсы через облако. Вы можете полностью поручить это вашей IT-службе, но почему IT должны быть настолько хороши в выборе оборудования для того, о чём они ничего не знают? Например, если я скажу: «Дорогая IT, выберите для меня лучшую машину», без уточнений. Ладно, тогда IT ответят: «Хорошо, тогда я выберу для вас Формулу-1». А вы говорите: «Но на самом деле я хочу ездить по дюнам вдоль пляжа». В итоге Формула-1 оказывается совершенно не подходящим автомобилем, потому что она абсолютно не предназначена для езды по песку.
Если вы скажете просто выбрать что-то хорошее, они выберут что-то фундаментально хорошее, например, Формулу-1. Хорошая ли это машина? Да, она хороша для конкретного применения. Но если вы скажете: «Я хочу автомобиль, в котором смогу разместить восьмичленную семью», понятие «хороший» будет совершенно иным. У нас существует иллюзия, что когда речь идёт об IT, вычислительном оборудовании и вычислительных технологиях в целом, это вопрос специалистов. Как при выборе автомобиля, я не являюсь экспертом в автомобилестроении, поэтому просто поручаю отделу машин выбрать для меня хороший автомобиль и разобраться с этим. У этих людей так много вариантов того, что означает «хорошее», что они выбирают что-то наугад. А затем вы можете жаловаться: «Но цена этой Формулы-1 слишком высока. В неё даже второго человека не поместишь, и там, где я хочу ездить — по песку — она не проедет и 10 метров, прежде чем колёса потеряют сцепление из-за низкой дорожной просветки». Если бы это была машина, все согласились бы, что это абсурдно.
Но когда речь заходит о вычислительной технике, в большинстве компаний совершенно приемлемо не интересоваться деталями. Хотя, опять же, я возвращаюсь к практике цепочек поставок. Современные цепочки поставок чрезвычайно зависят от этого вычислительного оборудования. Цепочки поставок были оцифрованы десятилетия назад, и даже компании, считающие себя мало-технологичными, в огромной степени зависят от компьютеров, даже если только для работы с Excel.
Если вы ежедневно полагаетесь на эти инструменты, вы зависите от них самым тонким образом. Например, я завишу от наличия воды, но мне не нужно знать ничего о водоснабжении. Это правильно, поскольку вода как продукт чрезвычайно проста. Она химически проста, и когда вы говорите «водопроводная вода», вы ожидаете 99,99% H2O плюс небольшое количество минералов и немного хлора по санитарным соображениям, и всё.
Таким образом, вы видите: температура должна быть, скажем, между 10 и 20 градусами, и всё. То есть, это нечто крайне простое. Поэтому у вас есть уровень абстракции: «Я беру водопроводную воду, и она пригодна для питья». Я могу позволить себе не знать ничего о том, что происходит «выше по течению». Но проблема, и вот к чему я веду, в вычислительных ресурсах заключается в том, что они многомерны. Знаете, это нечто не такое простое, как вода. Это гораздо больше похоже на автомобиль. Существует так много различных типов машин, так много разных представлений о том, что такое хороший автомобиль.
Если я скажу: «Что такое хорошая вода?» — знаете, разве что вы занимаетесь очень специфическими экспериментами, промышленной обработкой, требующей ультрачистой воды и тому подобное, для большинства ситуаций в жизни обычная водопроводная вода — это именно то, что вам нужно. Поэтому вам не нужно ничего знать об этом, ведь вы имеете дело с продуктом, который крайне прост. Но если вы имеете дело с продуктом, который многомерен, как автомобиль, то вам нужно знать пару вещей об автомобиле, если вы хотите его купить.
Таким образом, если обратиться к специалистам по цепочкам поставок, оказывается, что вы чрезвычайно зависите от вычислительных ресурсов для выполнения множества задач. Эти задачи станут ещё более распространёнными в будущем. Что заставляет вас думать, что вы можете полностью игнорировать физический уровень этого?
Conor Doherty: Итак, тут есть несколько моментов, один из которых — очевидно, что цепочки поставок очень сложны. Вы пытаетесь решить множество задач, и это зависит от контекста. Например, может быть, вы хотите, чтобы автомобиль ехал по пустыне, хотите ездить по холмам, хотите использовать его в городе. Это всё разные контексты, но при этом существуют общие свойства в том, чего, по крайней мере, мы считаем, должны стремиться добиться компании, используя свои вычислительные ресурсы. Могли бы вы немного подробнее рассказать об этом?
Joannes Vermorel: Да, я имею в виду, вот в чём дело: допустим, вы хотите проанализировать вашу историю транзакций в качестве базового уровня. Это что-то важное. Значит, эти данные нужно сохранить. Но где их хранить? Какое оборудование? Каковы будут характеристики этого оборудования? Если вы хотите сохранить данные, а потом к ним обратиться, есть ли в этом разница? Ответ — да, есть. Чтобы дать вам простое представление, давайте представим, что вы хотите сохранить эти данные на вращающемся диске.
Неважно, принадлежит ли этот диск вам или вы арендуете его на облачной платформе. Если данные хранятся на вращающемся диске, это означает, что в среднем, когда вы хотите получить доступ к части данных, диск должен совершить половину оборота, чтобы предоставить доступ к нужному участку. Ведь данные могут находиться где угодно на диске. Чтобы получить доступ к части данных, в среднем диск должен совершить половину оборота.
Хорошо, что это значит? Какие последствия? Последствие в том, насколько быстро может вращаться диск. Обычно диск вращается примерно со скоростью 7 000 оборотов в минуту, а если это очень продвинутый диск, то, возможно, до 11 000 или 12 000, но не больше. То есть, речь идёт об оборотах в минуту. Это означает, что с точки зрения задержек, вы должны ожидать порядка 20 миллисекунд или около того, чтобы получить доступ к любому фрагменту данных.
Может показаться, что 20 миллисекунд — это мало. Но так ли это? Потому что 20 миллисекунд означают, что за каждую секунду вы можете обратиться только к примерно 50 различным частям данных при перемещении по диску. Если приходится постоянно прыгать по диску, 50 в секунду — это немного. Если у вас миллионы, десятки миллионов записей для извлечения, вы быстро поймёте, что задержки могут стать безумно большими. Теперь вы можете сказать: «Но мой диск способен хранить терабайты данных».
Да, но если извлечение данных из-за постоянных перемещений по диску занимает дни, это вовсе не хорошо. Поэтому, возможно, я могу использовать гораздо больше дисков с меньшей ёмкостью, и у меня будет большая пропускная способность при обращениях. Или же я могу воспользоваться совсем другим классом хранилищ и перейти на SSD, твердотельные накопители, которые предоставляют гораздо лучшие задержки при случайном доступе.
Но видите, именно в таких вопросах, если у вас нет никаких знаний о вычислительных ресурсах и классах оборудования, предоставляющих эти ресурсы, подобные вопросы даже не придут вам в голову. И может ли это вам повредить? Вот в чём суть: то, чего вы не знаете, может ли вам навредить? Я бы сказал — да, потому что, вновь, вы будете покупать многие из этих вещей либо напрямую, либо косвенно.
Вы купите их напрямую, если ваш ИТ-отдел просто приобретёт облачные вычислительные ресурсы, но вы также приобретёте эти вещи косвенно, если выберете поставщика программного обеспечения для цепочек поставок. Ведь если вы выбираете поставщика, вы выбираете конкретный способ использования этих вычислительных ресурсов для достижения нужного результата. И вот мой посыл: если вы думаете, что средний поставщик программного обеспечения обладает хоть какой-то компетенцией в этом вопросе, вы полностью заблуждаетесь.
Подавляющее большинство — и это, конечно, субъективное мнение — я бы сказал, что подавляющее, подавляющее большинство моих конкурентов, конкурентов Lokad, если взглянуть на руководство и их интерес к делу, вообще не испытывают никакого интереса, нулевого механического сочувствия к вычислительному оборудованию. И вследствие этого неудивительно, что их программное обеспечение оказывается ужасающе неэффективным. И почему так происходит? Потому что если вы не обращаете внимания на оборудование, почему вы должны ожидать, что в конце концов программное обеспечение, которое вы построите поверх него, будет эффективно его использовать?
Знаете, опять же, это было бы как выбрать Формулу-1, не учитывая дорогу, по которой хотите ехать, а потом удивляться, почему на пляже машина оказывается такой неадекватной. Сюрприз, сюрприз — именно это происходит, когда вы не уделяете внимания вычислительному оборудованию.
Таким образом, если бы мы жили в идеальном мире, вы могли бы полностью доверять консультантам, поставщикам программного обеспечения, и они приняли бы все правильные решения за вас. Но оказалось, что поскольку подавляющее большинство специалистов по цепочкам поставок совершенно не разбираются в этом, поставщики программного обеспечения тоже могут позволить себе абсолютное невежество. Почему бы им не быть такими, если клиенты не замечают разницы в момент покупки программного обеспечения или решения? Это не имеет значения, по крайней мере, до тех пор, пока они не столкнутся с последствиями этого незнания.
Conor Doherty: Ну, во-первых, ничем не плохо иметь мнение — это то, чем мы и занимаемся. Но когда вы говорите, что в конечном итоге, когда компании покупают программное обеспечение у поставщика — я думаю, вы упомянули потребление ресурсов для достижения желаемого, или для достижения того, что нужно вам. В конечном итоге, давайте будем практичными: речь идёт о принятии решений. Вы изложили немного теории, но не могли бы вы быть более конкретным для тех, кто интересуется? Как лучшее использование вычислительных ресурсов, как вы описываете, влияет или переходит в реальные решения, выбор в реальном мире?
Joannes Vermorel: Когда речь идёт о решениях, существует множество способов создать числовые алгоритмы, которые в конечном итоге приведут к нужному решению. Дело в том, что если способ использования ваших вычислительных ресурсов фантастически неэффективен, позвольте привести пример. Если вы начнёте использовать, скажем, реляционную транзакционную базу данных, SQL-базу данных — одно и то же, никакого отношения к деньгам. Действительно, если вы используете транзакционную базу данных и хотите выполнять аналитические алгоритмы, числовые расчёты, вы заплатите накладной “налог” примерно с коэффициентом 100, как минимум двумя порядками, если не 300, тремя порядками.
И почему так происходит? Потому что этот программный уровень, уровень транзакций, даёт вам некоторые очень интересные свойства, но они не имеют ничего общего с аналитическими вычислениями. По сути, он предоставляет четыре свойства, известных как ACID: атомарность, согласованность, изоляция, долговечность. Эти свойства очень полезны для транзакционных процессов. Они гарантируют, что, например, если вы хотите зафиксировать факт оплаты поставщику, никогда не возникнет ситуации, когда деньги отправлены, поручение банку выполнено, а счёт поставщика так и не был отмечен как оплаченный — просто потому, что, например, система вылетела на полпути выполнения операции.
Таким образом, теоретически может получиться ситуация, когда вы уже отдали поручение на банковский перевод, но не зафиксировали факт, что счёт поставщика оплачен. Поэтому при следующем запуске системы вы произведёте второй платёж и фактически заплатите поставщику дважды. Именно такого рода ситуации могут возникнуть на транзакционном уровне. Это чрезвычайно важно для транзакционных процессов, где, по сути, один счёт увеличивается, а другой, с точки зрения бухгалтерии, уменьшается. Вы хотите, чтобы эти операции происходили логически одновременно, чтобы они никогда не выходили из синхронизации.
Ладно, но если вы используете такую программную парадигму для создания аналитических ресурсов, вы работаете с невероятной неэффективностью. И, кстати, сюрприз, сюрприз, именно это делают 99% моих конкурентов. Что это означает с точки зрения принятия решений? Если способ использования вычислительных ресурсов сопровождается накладными расходами с коэффициентом 100, это означает, что вы ограничены крайне простыми числовыми алгоритмами. Ведь как только появляется хоть намёк на сложность, вы полностью выходите за рамки бюджета вычислительных ресурсов. Это означает, что затраты очень быстро становятся чрезмерными.
Видите ли, это не рекламный ход. Если вы не контролируете бюджет на вычислительные ресурсы, вы можете столкнуться с безумно высокими расходами. Чтобы привести пример, многие из моих коллег — не конкурентов, а коллеги из компаний, предоставляющих программное обеспечение как услугу и работающих с тяжёлыми аналитическими нагрузками, когда я смотрю на S1 — документ, который необходимо опубликовать при выходе на биржу в США — очень интересно, ведь это по сути отчёт для инвесторов, для будущих инвесторов. Здесь можно увидеть разбивку расходов за последние три-четыре года.
Большинство аналитических софтверных компаний, которые занимались аналитикой, таких как Lokad – на самом деле не цепочками поставок, а могут заниматься чем угодно, например, обнаружением мошенничества, обработкой системных логов и тому подобным. Обычно они тратили половину своих расходов на облачные вычислительные ресурсы. Таким образом, сумма расходов оказывается очень, очень значительной. Несмотря на то, что они нанимают чрезвычайно дорогих инженеров и имеют очень затратный отдел продаж, им всё равно удаётся направлять половину своих расходов на облачных провайдеров. Так что идея о том, что затраты на вычислительные ресурсы незначительны, является полнейшим абсурдом для большинства софтверных поставщиков аналитического типа, подобных Lokad.
Системы, далекие от интеллектуальных, а скорее системы отчётности или даже бедности, могут иметь крайне, крайне значительные расходы. Когда я говорю, что если вы неэффективны, то тратите в 100 раз больше, вы понимаете, что если вы уже тратите половину своих доходов на вычислительные ресурсы, то увеличение расходов в 100 раз просто не рассматривается. Это даже нечто отдалённо невозможное. Значит, чтобы уложиться в бюджет, что вы делаете? Ну, вы просто повышаете цену. Именно это они и делают, но даже здесь есть пределы. Вы можете удвоить, возможно, учетверить свою цену, но умножить её в 100 раз вы не сможете.
Таким образом, большинство поставщиков софта просто идут по пути более простых и дешёвых решений, даже если они оказываются чрезвычайно упрощёнными и в той мере наносят ущерб своим клиентам. Реальность такова, что они не могут себе позволить, как вендору, что-то менее дисфункциональное, потому что это стоило бы слишком дорого. А почему они не могут себе это позволить? Потому что они абсолютно безумно расточительны в использовании своих вычислительных ресурсов.
Конор Дохерти: Ну, опять же, у меня возникает мысль, что когда вы говорите и объясняете, как, по вашему мнению, должны распределяться вычислительные ресурсы, это делается в стремлении принять принципиально лучшие решения. В вашем понимании, это именно та проблема, которую следует решить. Но это не обязательно та же парадигма, которую применяют все компании, точнее, не все. Например, вы можете быть компанией, которая отдаёт приоритет чему-то вроде достижения уровня сервиса или повышения точности прогнозирования, и это будет вашей целью, той недостижимой мечтой, к которой вы стремитесь. Как же в такой ситуации будет отличаться распределение вычислительных ресурсов? И буду рад вашим комментариям.
Йоаннес Верморель: Итак, хорошо, вы ставите перед собой цель. Здесь я не оспариваю это. Когда я говорю о лучших решениях, я имею в виду решения, улучшенные по той или иной метрике, в зависимости от вашей цели. Так что это не имеет значения. Если вы хотите улучшить уровень сервиса — прекрасно. Это ваша цель. Теперь вы поставили перед собой задачу, и у вас есть вычислительные мощности, вычислительные ресурсы, которые можно использовать для принятия решений, которые будут лучше, согласно вашим целям. Отлично.
Теперь давайте проясним, как выглядит базовая парадигма практически для всех моих конкурентов. Эта базовая парадигма такова: инженеры начинают работать над чем-то, а как только это что-то становится совместимым с лучшим оборудованием, которое только можно купить за деньги, они прекращают разработку и начинают продавать это клиентам. Как это выглядит? Это означает, что, допустим, я хочу заняться пополнением запасов для розничной сети. Допустим, у меня есть, скажем, 20 миллионов SKU. Прекрасно. Сначала я пробую различные варианты, они не работают, поэтому я возвращаюсь к, скажем, анализу резервного запаса, который чрезвычайно прост с точки зрения вычислительных ресурсов.
А затем, поскольку моя система настолько неэффективна с учетом чрезвычайно дорогого вычислительного оборудования, я могу заставить её работать. Потом я прекращаю дорабатывать и продаю это клиенту. Так в чём заключалось мышление в этой парадигме? Потому что, по сути, это была доминирующая парадигма в софтверной индустрии до конца 90-х годов 20-го века. Эта парадигма сводилась к тому, что вычислительное оборудование развивается экспоненциально. Идея состояла в том, чтобы приобретать самое лучшее оборудование, которое деньги могут купить, и как только оно начинает работать, у вас есть некое решение, работающее в этих ограничениях, даже если затраты безумны, даже если вы не используете вычислительные ресурсы на полную мощь, это не имеет значения.
Почему? Потому что существует экспоненциальный прогресс вычислительного оборудования по всем параметрам. Это то, что многие называют законом Мура, но на самом деле существует множество других законов для всего. Все вычислительные ресурсы совершенствуются, все показатели улучшаются, и именно эта идея сделала Microsoft чрезвычайно успешной в 90-х. Идея заключалась в том, что если что-то работает, неважно, насколько ужасна производительность, потому что через пять лет вычислительное оборудование так сильно прогрессирует, что эти затраты на вычислительные ресурсы станут тривиальными.
Это работало до конца 90-х, так как, по сути, с 2000 года в этой области появились целые классы показателей, которые не улучшались. Например, задержка между процессором и памятью практически не изменилась за последние два десятилетия. Из-за того, что сейчас мы ограничены скоростью света, это не изменится в обозримом будущем.
Еще один фактор — опять же скорость света. Пакеты в Интернете на большие расстояния сейчас перемещаются примерно со скоростью, равной двум третям скорости света, так что для увеличения скорости передачи пакетов в Интернете остаётся не так много зазора, потому что мы уже очень близки к этой скорости. Конечно, можно увеличить пропускную способность, чтобы передавать намного больше пакетов без проблем, но в плане сырой скорости самих пакетов мы уже очень близки к пределам физики, по крайней мере, той физики, которую мы знаем.
Таким образом, именно об этом и шла речь: эта парадигма, очень распространённая в софтверной индустрии в конце 90-х, заключалась в принципе «просто сделай что-то работающее, продай это и не заморачивайся по поводу производительности, потому что это пустая трата времени». Аппаратная индустрия настолько улучшит все показатели, что все заботы о производительности перестанут иметь значение всего через несколько лет. Вот таким было мышление.
Интересно, что мы всё ещё наблюдаем значительный прогресс в вычислительном оборудовании, но он стал очень тонким. Экспоненциальный прогресс всё ещё происходит, но лишь в очень конкретных направлениях, не по всем метрикам, а лишь по некоторым из них. Забавно, что большая часть B2C-софтверной индустрии уделяет этому огромное внимание. Например, индустрия видеоигр очень внимательно относится к таким деталям. Но когда речь заходит о корпоративном ПО, 99% компаний до сих пор функционируют на уровне конца 90-х, вовсе не обращая внимания на это и действуя так, будто через пять лет прогресс вычислительного оборудования сделает стоимость их системы тривиальной. Но это не так.
Фактически, из-за того, что объём данных, обрабатываемых компаниями, постоянно растёт, мы оказываемся в ситуации, когда год от года затраты на поддержание работы систем для большинства поставщиков софта растут быстрее, чем снижаются цены на вычислительное оборудование. Таким образом, с каждым годом вы в итоге тратите ещё больше, чтобы по сути поддерживать тот же уровень качества ваших процессов принятия решений или поддержки принятия решений, если они не полностью автоматизированы.
Конор Дохерти: Ну, прогресс в аппаратном, то есть вычислительном направлении стал более тонким, кажется, это то выражение, которое вы использовали. Он стал тонким, это уже не экспоненциальные скачки.
Йоаннес Верморель: Это развитие наблюдается в конкретных направлениях, а не по всем измерениям. В 90-х было интересно то, что всё улучшалось со всех сторон. Не существовало ни одной метрики, которая не улучшалась бы. Сегодня же многие показатели не изменяются буквально уже десятилетие.
Если посмотреть, например, на количество тепла, которое можно рассеять от компьютера, ведь компьютер должен избавляться от тепла. Можно использовать медные проводники, можно ставить вентиляторы, можно предпринимать различные шаги, чтобы вывести тепло изнутри компьютера и избежать его перегрева. Но мы уже достигли предела того, что возможно с воздушным охлаждением. Существуют ограничения, достигнутые два десятилетия назад. Можно использовать воду для повышения производительности. Если хочется чего-то экстравагантного, можно использовать жидкий азот. Это довольно непрактично, но возможно для хороших бенчмарков и тому подобное.
Таким образом, мы достигли пределов. У нас нет никаких волшебных материалов, которые позволили бы отводить в два раза больше тепла. То есть, можно, может быть, использовать алмаз. Алмаз — фантастический проводник тепла, но идея использовать килограммы алмазов для отвода тепла пока далека от осуществления. И даже это даст лишь скромное преимущество по сравнению с медью, которая уже является отличным проводником.
Конор Дохерти: Ну, это как раз ещё больше иллюстрирует мою точку зрения. Так что, чтобы завершить мысль, если…
Хорошо, давайте возьмём пример, который вы только что привели. То есть, вы говорили о разнице между медным проводом и алмазами в качестве проводников тепла. Чтобы извлечь немного дополнительной производительности из способностей компьютера отдавать тепло, потребуется довольно тонкое и специализированное понимание компьютерной инженерии. А теперь, возвращаясь к основной теме, как увеличение вашей общей базовой фундаментальной осведомлённости приводит к улучшению эффективности цепей поставок, когда маржи настолько малы, как вы описываете?
Йоаннес Верморель: Нет, я думаю, что с базовыми знаниями дело в том, что они проясняют общую картину. Покупает ли ваш ИТ-отдел то, что действительно правильно, даже если только приблизительно? Есть ли у вас об этом представление? Можете ли вы вообще обсудить этот вопрос со своим ИТ? Если нет, то зачем вообще ожидать, что то, что они покупают, хоть как-то имеет смысл?
Опять же, представьте себе Формулу-1, отправляющуюся на пляж. Это не имеет никакого смысла, но именно такое происходит, когда люди абсолютно не понимают, что поставлено на кон. Когда вы хотите выбрать поставщика, можете ли вы даже вести содержательную беседу о том, как они используют вычислительные ресурсы для того, чтобы обеспечить лучшие решения или лучшую поддержку ваших решений? Используют ли они эти ресурсы так, как это соответствует тому вычислительному оборудованию, которое у нас имеется? Имеет ли их архитектура смысл или вовсе нет?
Опять же, если подумать о машине, у вас есть интуитивное понимание множества вещей. Например, аэродинамики. Если бы вы увидели автомобиль, который кардинально нарушает законы аэродинамики, вы бы подумали: «Ладно, у этого автомобиля будет такое огромное сопротивление воздуха, что расход топлива будет ужасным». Альтернативы не существует. Видите, именно благодаря базовым знаниям это становится интуитивно понятным. Вам не обязательно, чтобы вам объясняли, что низкопрофильный автомобиль обладает хорошей аэродинамикой и, скорее всего, сможет ехать быстрее.
Вот в чём дело. Вам даже не нужно задумывать, какие законы гидродинамики в этом задействованы и тому подобное. Всё это интуитивно понятно. Суть в том, что если мы говорим о том, чтобы принимать лучшие решения, можете ли вы интуитивно определить, что что-то работает крайне дисфункционально? Моя точка зрения в том, что, поскольку 99,9% клиентов или специалистов по цепям поставок совершенно не понимают суть вопроса, если и есть несколько гиков, то вы оказались крошечным, крошечным меньшинством. Если вы слепы, то это означает, что ответ от экосистемы – софтверных поставщиков, поставщиков решений, консультантов – будет таким, что им не нужно обращать внимания. Их клиенты не обращают внимания. Зачем им тогда это делать?
Если бы вы жили в стране, где бензин бесплатен, почему автопроизводители обращали бы внимание на расход топлива в своих автомобилях? Для них, если бензин бесплатен, это практически не представляет интереса для покупателей. Если покупатели не обращают внимания, поставщики автомобилей не обращают. Если говорить о софтверных поставщиках, если клиенты ничего не понимают и не обращают внимания, почему корпоративные поставщики должны стараться? Ответ: ну, они не стараются. Фактически, они не обращают внимания.
Именно поэтому сегодня люди всегда удивляются, когда смотрят на корпоративное ПО. Вы кликаете, хотите просто увидеть отчёт, сделать что-то минимальное, а это занимает секунды. Что касается отзывчивости, корпоративное ПО в среднем очень плохое. Оно чрезвычайно медленное. Если сравнить, скажем, с веб-поиском – вы делаете поиск в Google, и всего за что-то около 50 миллисекунд, может быть, 100 миллисекунд, Google способен просканировать Интернет и выдать вам краткую сводку по вашему запросу. Это чрезвычайно быстро и отзывчиво.
Наоборот, вы хотите сделать что-то очень простое, например: «Я хочу проверить состояние этого SKU», и это занимает секунды. Примечательно, что это происходит на вычислительном оборудовании, которое у нас есть в 2024 году. Ещё 20 лет назад это уже занимало по одной секунде, несмотря на то, что оборудование было в 100 раз менее способным. Что же произошло? Дополнительное вычислительное оборудование, его расширенные возможности, просто тратятся впустую из-за неэффективного софта.
Конор Дохерти: Спасибо. Когда вы говорите о базовых знаниях, во время моего прослушивания я понял, что то, о чём вы говорите, можно разделить, и я хотел бы узнать ваше мнение на этот счёт. Если привести пример из ранее сказанного, вы упомянули, что если взять автомобиль и отправиться на пустыню, то является ли это лучшим транспортным средством для пустыни? Мне кажется, что в вопросе базовых знаний есть и теоретическая, и практическая сторона.
Таким образом, вы можете обладать теоретическим базовым пониманием того, как работает двигатель внутреннего сгорания, то есть как автомобиль движется. Это теоретическое понимание. Есть также практические базовые знания, а именно: если шина спустит, есть ли у меня навыки и базовые знания для её замены? Если двигатель не заводится, смогу ли я выполнить базовый ремонт? А если вы собираетесь ехать по пустыне, где будете одни, вам в основном понадобятся как теоретические, так и, по крайней мере, элементарные практические знания.
Итак, чтобы вернуться к основной теме, вы подробно описали теоретические основы, которые люди должны знать. Что касается практических основ, есть ли какие-либо навыки, которые, по вашему мнению, должен иметь каждый в этой области?
Joannes Vermorel: Да, опять же, если смотреть с практической стороны, важно иметь представление о ценовых диапазонах, о которых мы говорим. Знаете, какова стоимость терабайта хранения? Какова приблизительно стоимость терабайта памяти? Какова цена процессора, обеспечивающего 2 ГГц вычислительной мощности? Если вы сможете хотя бы приблизительно угадать число, не ошибившись на порядок, этого уже достаточно. Обычно в компьютерных технологиях, если люди пытаются угадать, их догадки расходятся на несколько порядков.
Снова, если я скажу вам, каков вес автомобиля, и покажу вам автомобиль, ваша оценка может быть ошибочной примерно на 50%. Вы думаете: «Ну, одна с половиной тонны», а оказывается, что это электромобиль, и он весит две тонны и что-то там. Но при этом вы все равно находитесь в одном порядке величины. Вы не смотрите на автомобиль и не думаете, что он весит 20 килограммов или 500 тонн. Но дело в том, что когда спрашиваешь людей, какова стоимость терабайта энергонезависимого хранения, даже самый дешевый вариант, некоторые отвечают цифрами, которые варьируются, скажем, от 10 000 до 2 и так далее, и никто не имеет ни малейшего представления об этом.
И то же самое, если я спрошу: «Какова цена чипа, способного выполнять порядка 100 миллиардов арифметических операций в секунду? Какой набор компонентов сможет это обеспечить, и какова его стоимость?» Люди скажут: «Не знаю, 100 000 евро или, может, $50». Снова, важно иметь хотя бы представление о порядках величины цен. Если вы знаете хотя бы приблизительный порядок, вы уже на правильном пути к созданию разумных решений.
Вот в чем дело: вычислительные ресурсы охватывают буквально 15 порядков величины. Это действительно уникально, насколько я понимаю. Нет другой области, где размах порядков величины настолько колоссальный. Пятьнадцать порядков величины означают, что, с одной стороны, мы говорим об операциях как об элементарных действиях — например, одна операция сложения или умножения, что можно считать единицей вычисления. А с другой стороны, речь идет о счетах до миллиардов миллиардов. Это по-настоящему огромный спектр масштаба.
И это трудно для понимания. Именно поэтому, когда я говорил о том, что ошибки могут возникать из-за неэффективного использования вычислительных ресурсов, я имел в виду следующее: даже самый плохой автомобиль уступает лучшему не более чем в 10 раз по расходу топлива. Допустим, если я хочу проехать 100 километров, то сверхэффективный автомобиль израсходует 5 литров бензина.
Если я выберу, скажем, большой внедорожник, неэффективный по своему потреблению, он израсходует, предположим, 50 литров. То есть разница в 10 раз. С компьютерами же все иначе. Это было бы как если бы самый эффективный расходовал 5 сантилиетров на 100 километров, а наименее эффективный — 5 кубических метров за те же 100 километров. То есть разница в порядках величины просто потрясающая. Отсюда и вывод: с практической стороны полезно иметь представление о ценовых диапазонах, а также знать, что развивается, а что stagnирует.
Conor Doherty: Что вы имеете в виду под «развивается» и «не развивается»?
Joannes Vermorel: Например, графические процессоры (GPU) стремительно совершенствуются с точки зрения сетевых трендов. За последние 5 лет GPU развивались с неимоверной скоростью, и ожидается, что они будут расти так же стремительно в следующие пять лет. То есть это класс вычислительных ресурсов, который быстро улучшает свои характеристики. Они совершенствуются с точки зрения количества операций в секунду, а также объема памяти. Это очень хорошо. Центральные процессоры (CPU) идут по тому же пути. Возможно, не так быстро, но они все равно стремительно улучшаются по количеству ядер и размеру памяти уровня L3, которая находится непосредственно в CPU.
Они продолжают быстро развиваться. В то же время, если посмотреть на оперативную память (DRAM), которая используется для основной памяти компьютера — оперативной памяти, данные которой теряются при выключении компьютера, — то тут за последнее десятилетие практически не произошло изменений. Производителей очень мало, их всего около четырех заводов в мире. Это рынок, где не стоит ожидать резкого падения цен или значительных изменений в краткосрочной перспективе. Я бы сказал, что с практической точки зрения важно иметь представление о порядках величины, знать примерные ценовые диапазоны, понимать, чего ожидать, а также иметь интуицию относительно того, даст ли профессиональное оборудование существенно лучшее качество по сравнению с потребительским.
В зависимости от того, на что вы смотрите, иногда лучшее, что можно приобрести, — это просто бытовое оборудование, а максимум, что компания может купить, будет лишь немного лучше. Видите ли, в некоторых других областях ситуация иная: то, что можно купить на корпоративном уровне, может быть на несколько порядков величины лучше, чем то, что считается подходящим для потребительского рынка. Снова, именно это знание помогает ориентироваться в ситуации, выбирать правильного поставщика или, точнее, отсеивать некомпетентных. Если обратить внимание, вы сможете отсеять некомпетентных как среди консультантов, так и среди поставщиков, а также внутри собственной компании. Это имеет значение.
Conor Doherty: Ну, вы не раз упоминали стоимость, но в основном говорили о прямых затратах на физическую покупку оборудования. А что насчет прямых и косвенных затрат, связанных с недостаточной грамотностью в использовании вычислительных ресурсов? О каких порядках величины идет речь? И при этом предположим, что речь идет о крупной розничной компании, или, точнее, о большой розничной сети, омниканальном бизнесе — выберите любой пример, но какой разумный масштаб потерь можно ожидать, если не подходить к вопросу рационально?
Joannes Vermorel: С моей точки зрения, если быть консервативным, более 90% инициатив по оптимизации цепочки поставок терпят неудачу. И значительная их часть — почти все программные инициативы — проваливаются, и большая доля из этого провала происходит, в значительной степени, из-за отвратительной производительности. Когда речь заходит о производительности, нужно смотреть на это с разных сторон. Люди подумают: «Ладно, мне нужно ежедневно пополнять запасы, так что расчеты для всего должны выполняться менее чем за 24 часа.»
Ладно, это само собой разумеется. Если вы хотите выполнять расчеты каждый день, и если их нельзя завершить за 24 часа, у вас проблемы. Это верхний предел времени, который можно выделить. Вы могли бы подумать, что если купить в два раза больше вычислительных ресурсов, все пойдет в два раза быстрее. Но это не так, поскольку многое зависит от архитектуры программного обеспечения, которую вы выбираете. Существует множество архитектур и шаблонов проектирования, которые не предполагают так называемого горизонтального масштабирования (scale-out). То есть есть много подходов, при которых увеличение вычислительной мощности не приводит к пропорциональному увеличению скорости.
Conor Doherty: Фактически, это эффект убывающей отдачи.
Joannes Vermorel: Да, а иногда и вовсе без отдачи. Вы можете добавить больше ресурсов и не получить никакого прироста скорости. Все зависит от того, как спроектировано ваше программное обеспечение, чтобы использовать эти дополнительные вычислительные ресурсы. А теперь перейдем дальше. Предположим, у вас есть система, которая выполняет перерасчет запасов, скажем, за четыре часа, и вы думаете: «Отлично, для вашей розничной сети этого достаточно, ведь в сутках 24 часа». То есть расчеты выполняются ночью. Это удовлетворяет?
Мой ответ — нет, абсолютно нет. Почему? Потому что вы смотрите на систему только один раз в производственной среде, не учитывая, что ваше числовое решение придется настраивать, и вам придется провести множество итераций, чтобы добиться удовлетворительного результата. Этот экспериментальный процесс будет стоить значительно дороже.
По многим причинам. Во-первых, когда вы проводите эксперименты, вы не начинаете с максимально экономичного подхода. Вы станете экономичнее лишь тогда, когда найдете такое решение, которое с точки зрения качества принятия решений даст удовлетворительные результаты. Так что вполне естественно ожидать, что на этапе прототипирования новых решений эффективность будет значительно ниже. Эффективность придет позже, когда вы начнете по-настоящему оптимизировать расход вычислительных ресурсов.
Вот еще один момент. Вам нужно платить за то, чтобы люди ждали завершения расчетов, чтобы затем оценить результаты и запустить следующую итерацию. И вот здесь главная проблема заключается в том, что если вернуться к провальным инициативам в цепочке поставок, то этот процесс может стать чрезвычайно медленным. Мы говорили о четырех часах, а эксперименты могут идти в два раза медленнее, поскольку условия эксперимента не так оптимальны.
Это означает восемь часов. Это означает, что вы сможете провести всего одну итерацию в день. А если вам требуется 500 итераций, процесс займет два года. Он будет настолько медленным, что возникнут и другие проблемы — например, сотрудники, проводящие эксперименты, могут перейти на другую работу. Инженеры, с которыми вы работаете, не остаются в компании на 40 лет. В какой-то момент сотрудники, начавшие работать над проектом, уйдут, и вам придется привлекать новых, которые естественным образом не будут помнить все прошлые эксперименты.
Так что видите, эта проблема порождает множество сложностей. Даже если вы придете к удовлетворительному числовому решению, вы всего лишь на одно нарушение от того, чтобы, например, из-за локдауна или другого сбоя, вам пришлось заново разрабатывать рецепт. Если ваш итерационный процесс будет невероятно медленным, вы систематически не сможете справиться со всеми перебоями.
И это еще один поворот: при переходе от одной итерации к другой можно сэкономить, ведь, возможно, в следующем эксперименте вы будете пересчитывать почти те же самые вещи. Нужно ли полностью повторно расходовать вычислительные ресурсы, если, по сути, вы практически повторяете тот же числовой рецепт с незначительными изменениями? Может быть, если у вас будет продуманный подход, вы сможете использовать уже выполненные расчеты для ускорения итераций, не пересчитывая все заново каждый раз.
Но опять же, это сработает только если вы сможете понять, куда уходят ваши вычислительные ресурсы: что тратится впустую, что делается два или десять раз подряд, а что следует выполнить лишь один раз.
Conor Doherty: Хорошо, Джоаннес, люди, которые вас слушают сегодня — и я уверен, что все говорят: «Я согласен с этим человеком. Я ему доверяю. Он заслуживает доверия.» — какие первые конкретные шаги вы порекомендуете, скажем, обычному специалисту по цепочке поставок и руководителям высшего звена, которые слушают вас и думают: «Ладно, я хочу стать более осведомленным в этих вопросах»?
Joannes Vermorel: Я бы сказал, начните с чтения вводных материалов о том, как устроены компьютеры. Существует множество книг, объясняющих, как работают компьютеры, и попробуйте понять, например, что предлагают облачные провайдеры. Знаете, вы можете проверить это — все цены публичны. Так что зайдите на Microsoft Azure и посмотрите: «Какова стоимость хранения, процессоров, виртуальных машин, пропускной способности и так далее?» Это займет всего несколько часов. Можно начать с элементарных книг. Есть даже книги, предназначенные для средней или старшей школы, и это нормально. Главное — получить эти знания.
А затем, когда поднимается тема технологической эволюции, спрашивайте у поставщика, спрашивайте у консультанта: «Каково ваше мнение о вычислительных ресурсах? Мы хотим принять наилучшие решения, исходя из установленных вами метрик и целей». Обсудите, как те необработанные вычислительные ресурсы, которые вы покупаете, превращаются в наилучшие решения. Если люди, у которых вы собираетесь приобретать много чего, понятия не имеют об этом, вам стоит уйти. Вот мой вывод: используйте это как проверочный тест, чтобы отсеять так называемых экспертов, которыми даже не стоит считаться — тех, кто, я бы сказал, абсолютно некомпетентен.
Потому что в конечном итоге, если вы выберете таких поставщиков, вы закончите тем, что заплатите цену за их неэффективность. А цена будет двойной. Во-первых, вы заплатите намного больше за вычислительное оборудование, до такой степени, что стоимость окажется чрезмерной. Обычно, когда Lokad продает подписку, стоимость вычислительных ресурсов у нас значительно ниже, чем у конкурентов, не считая затрат на персонал и инженерное сопровождение для установки и поддержки. Просто Lokad, как правило, выходит дешевле по части аппаратного обеспечения.
Так что это один из моментов. Но затем появляется еще более важный: ваш поставщик может заставить вас работать по супер упрощённым рецептам, пытаясь убедить, что это лучшее, что наука может предложить, в то время как на самом деле это всего лишь отражение их неспособности правильно использовать вычислительные ресурсы. Вот почему в итоге вы получаете ультра-примитивные решения, такие как запасы безопасности, которые до сих пор широко применяются. Глубоко внутри поставщики знают, что это полная ерунда. Но проблема в том, что они настолько неэффективно используют вычислительные ресурсы, что рассматривать более совершенные варианты для них становится абсолютно непрактично.
Таким образом, вы видите двоякую стоимость: прямая стоимость, которая представляет собой чрезмерные траты на вычислительные ресурсы, не имеющие никакого смысла, а затем существует вторая, косвенная стоимость, когда вас загоняют в простые рецепты, и в конечном итоге вам, как специалисту, придётся вручную исправлять всю нелепость, возникающую из этих систем, используя ваши таблицы. Почему? Потому что система использует чрезмерно упрощённые рецепты, которые по сути перекладывают все тонкости на вас, поскольку рецепт прост и не предполагает никакой изысканности.
Conor Doherty: На самом деле, ранее вы использовали не столько аналогию, сколько практическое правило: вы сказали, “Если вы не знаете, как или сколько стоит терабайт облачных вычислений или что-то в этом роде, если у вас даже нет представления о порядке величины, то это по сути проблема.” И это интересно, потому что большинство людей в своей повседневной жизни, даже слушающие, если бы зашли в кафе заказать кофе и им сказали: “Хорошо, это стоит 45 €”, они бы замедлились. Они были бы в шоке и подумали: “Ладно, что-то здесь не так. Я не знаю, сколько вы лично должны со мной брать, но 45 € — это слишком дорого.” И, вероятно, они бы ушли и пошли в другое место.
Даже если это происходит в туристическом районе, вы всё равно скажете: “45, нет, это неверно.” Но в конечном итоге от этого ничего не зависит. То есть, вы, скорее всего, не разоритесь, по крайней мере, финансово. Вы не потеряете работу из-за этого.
Однако тот же самый инстинкт выживания или общая смекалка может полностью отсутствовать, когда речь заходит о том, “Ладно, мне нужно принимать очень дорогостоящие решения относительно того, какие вычислительные ресурсы или программное обеспечение будет использовать компания.” Прямые и косвенные долгосрочные затраты, краткосрочные косвенные и долгосрочные затраты — никто не имеет понятия. Например, “О, это стоит 555 000 за секунду вычислений чего-либо.” Снова, это на самом деле может быть правдой. Не знаю, наверное, нет. Но суть в том, что если вы не можете ответить на эти вопросы, то, соглашусь, в ваших профессиональных знаниях имеется огромный пробел, который вам следует заполнить.
Joannes Vermorel: Да, возможно, это требует немного больше усилий от специалистов по цепочке поставок, но что на кону? Огромные бюджеты. То есть, крупные компании с готовностью тратят миллионы, а иногда и десятки миллионов евро или долларов в год на эти системы. И меня всегда полностью изумляет, что, потратив такие суммы, никто, включая поставщиков, не имеет ни малейшего представления об этих базовых проблемах.
Снова, это было бы всё равно что купить здание, ведь это нечто очень дорогое. То есть, это как купить здание с архитектором, который понятия не имеет, что такое бетон на самом деле. Вы бы сказали: “Знаете что, я не уверен. Может быть, здание сделано из картона или бетона, или из дерева, или даже из зефирок. Знаете, мне всё равно, просто покрасьте его, и оно будет выглядеть одинаково.”
Знаете, я думаю, что компьютерные технологии и программное обеспечение — программная индустрия в этом плане действительно особенная. В неё вовлечены огромные суммы денег, и существует некое молчаливое соглашение, что абсолютное невежество в этой области вполне приемлемо. И для меня это промышленность, вызывающая огромный интерес.
И я общался с большинством своих конкурентов, и когда я говорю “конкуренты”, я имею в виду управленческие команды. Меня всегда изумляет, что никто не имеет представления о том, что такое “механическая симпатия”, то есть о базовом понимании того, что в это всё входит.
Снова, это можно сравнить с пилотом Формулы-1, который говорит: “Знаете что, у меня четыре колеса. А что же происходит между педалью и колесами? Это магия, магия. Знаете, там есть что-то. Да, это издает громкий шум. Я знаю, что шумно, но кроме этого, там просто что-то есть.” Знаете, в моём представлении автомобиль — это просто нечто. Именно такого уровня детализации люди сочли бы это безумием. Вы должны знать гораздо больше, если хотите хорошо использовать машину.
И, на мой взгляд, специалисты по цепочке поставок ежедневно используют массу цифровых инструментов, так же как пилот Формулы-1 использует болид Формулы-1. Поэтому им нужно хоть немного разбираться в том, что происходит, как это всё работает, чтобы принимать обоснованные решения. По крайней мере, чтобы им не продавали что-то совершенно бессмысленное, что в итоге оказывается неработающим по абсолютно предотвратимым причинам.
Conor Doherty: Я не смог бы выразиться лучше. Спасибо, и большое спасибо за ваше время. У меня больше нет вопросов, и огромное спасибо за просмотр. До встречи в следующий раз.
