ГИГАНТ Компьютерные системы: как бизнес меняет подход к печати

Владимир Кудряшов, директор сервисного департамента компании “ГИГАНТ Компьютерные системы”

Давайте честно: офисный принтер обычно остается незаметной частью инфраструктуры. О нем вспоминают лишь в двух случаях — когда устройство монотонно шумит где-то рядом с рабочим столом или когда внезапно отказывается работать в самый неподходящий момент, например в минуту, когда нужно срочно распечатать договор или комплект документов для совещания.

На протяжении многих лет печатная техника в компаниях обслуживалась по простому сценарию: пока устройство работает — о нем не думают, а если возникает поломка — вызывают мастера. Такой подход казался экономичным, но по мере роста цифровой инфраструктуры стало очевидно, что он формирует скрытые издержки: простои сотрудников, неожиданные расходы на ремонт и постоянное «тушение» возникающих проблем.

Одновременно меняется и сам подход к управлению корпоративной ИТ-инфраструктурой. Все больше организаций переходят к сервисной модели эксплуатации систем — когда ключевой задачей становится не устранение отдельных поломок, а обеспечение стабильной и предсказуемой работы сервисов. Этот подход уже давно применяется для серверов, рабочих мест и облачных платформ и постепенно распространяется на печатную инфраструктуру.

Поэтому сегодня принтеры все чаще рассматриваются не как отдельные офисные устройства, а как полноценный элемент ИТ-ландшафта компании.

Современный сервис печати — это уже не эпизодический визит инженера с набором инструментов. Это выстроенный процесс обслуживания с мониторингом, регламентными работами, контролем SLA и прозрачной экономикой эксплуатации. Такой подход все чаще применяется в корпоративной печатной инфраструктуре.

От хаоса к системе

Но почему многие компании продолжают работать по старой схеме? Во многих организациях печатная техника долгое время остается своего рода «слепым пятном» ИТ-инфраструктуры. Принтеры устанавливаются в разных подразделениях, обслуживаются эпизодически и редко рассматриваются как полноценный элемент технологического контура. Пока устройства работают, о них практически не вспоминают, а при поломке проблему решают по привычному сценарию — вызывают специалиста.

На первый взгляд такой подход кажется удобным и экономичным. Но при более детальном анализе оказывается, что он приводит к накоплению скрытых издержек: простои сотрудников, бесконечные счета за «внезапные» запчасти и хаотичная закупка расходных материалов.

Если посчитать совокупную стоимость эксплуатации печатной инфраструктуры за год — включая ремонты, простои оборудования и трудозатраты ИТ-команды — нередко оказывается, что модель «ремонта по факту» обходится значительно дороже, чем кажется.

При этом многие ИТ-руководители продолжают защищать эту модель. Чаще всего звучат три аргумента: «у нас мало поломок», «мы платим только за фактический ремонт» и «у нас есть проверенный мастер». На практике эти аргументы во многом иллюзорны: они не учитывают потери от простоя сотрудников, непредсказуемость расходов и зависимость от конкретного специалиста без формально закрепленных сроков реагирования.

В таких условиях печатная инфраструктура начинает жить собственной жизнью: используются разные модели устройств, расходные материалы закупаются несистемно, а обслуживание происходит только после возникновения проблем. В результате ИТ-служба вынуждена постоянно реагировать на инциденты — фактически «тушить пожары», вместо того чтобы управлять инфраструктурой.

Чем сервис отличается от разового вызова мастера

Чтобы понять, почему сервисная модель дает другой результат, важно сравнить ее с традиционным подходом.

Классическая модель обслуживания печатной техники строится вокруг инцидента: устройство ломается — вызывается специалист, который устраняет проблему. Однако по мере роста требований к стабильности бизнес-процессов компании начинают переходить к другой логике — когда ключевой задачей становится предотвращение простоев.

В управляемой модели обслуживание становится постоянным процессом, встроенным в ИТ-инфраструктуру компании.

Разница между этими подходами проявляется в нескольких принципиальных моментах.

Во-первых, появляется формализованный уровень сервиса. Сроки реакции на инциденты и восстановления оборудования фиксируются в контракте через SLA. Это делает обслуживание предсказуемым и позволяет заранее определить ответственность сторон.

Во-вторых, ключевую роль начинает играть проактивный мониторинг. Современные системы управления печатной инфраструктурой позволяют отслеживать состояние устройств в режиме реального времени и выявлять потенциальные проблемы до того, как оборудование фактически выйдет из строя.

Иногда такие системы способны предсказать будущую поломку. Например, в одном из проектов мониторинг зафиксировал рост ошибок захвата бумаги и аномальный профиль работы термофиксатора за девять дней до возможной остановки МФУ. Инженер заменил узел в рамках планового обслуживания без остановки работы пользователей. При реактивной схеме тот же инцидент мог привести к 4-8 часам ожидания специалиста и нескольким дням простоя юридического отдела.

Третье отличие — централизованное управление заявками. Вместо разрозненных звонков различным подрядчикам компании получают единое окно взаимодействия с сервисной службой, где все обращения фиксируются и контролируются.

Наконец, сервисная модель делает эксплуатацию печатной техники более прозрачной с экономической точки зрения. Организация получает данные о загрузке устройств, объемах печати и стоимости одного отпечатка.

По сути, сервисный контракт ориентирован не на оплату часов работы инженеров, а на обеспечение стабильной работы печатной инфраструктуры.

Где здесь экономия?

Один из главных вопросов, который возникает у руководителей и финансовых директоров, — где именно формируется экономический эффект.

Хорошо это видно на простом примере. Представим, что принтер выходит из строя в момент подготовки отчетности или сделки. В реактивной модели восстановление может занять от нескольких часов до нескольких дней: нужно найти специалиста, диагностировать проблему и дождаться поставки запчастей.

В сервисной модели с подменным фондом устройство обычно заменяется или восстанавливается в течение нескольких часов.

Даже при консервативной оценке один такой инцидент может стоить компании десятки тысяч рублей. Если несколько сотрудников не могут работать из-за остановки принтера в течение рабочего дня, прямые потери рабочего времени могут достигать 40 тыс. рублей. С учетом вызова специалиста и запчастей итоговая сумма легко достигает 80-100 тыс. рублей за один инцидент.

Косвенные потери могут оказаться еще выше — например, штрафы за срыв сроков отчетности или потерянная сделка. В результате одна поломка в критический момент иногда сопоставима по стоимости с годовым сервисным контрактом для целого отдела.

При этом сервисная модель позволяет существенно снизить простои. По данным проектов сервисных провайдеров, профилактическое обслуживание и мониторинг могут снижать простои печатной техники на 15-20% и одновременно продлевать срок службы оборудования на 25-30%.

Как компании переходят на сервисную модель: пример из практики

Как эти принципы работают на практике, показывает пример внедрения сервисной модели в одной из компаний.

Организация с численностью более 300 сотрудников использовала парк из 57 печатающих устройств разных производителей. Часть техники работала более восьми лет, а обслуживание происходило по привычной схеме — по мере поломок. Финансовый директор компании изначально скептически относился к идее фиксированного сервисного контракта.

Первым этапом стал аудит печатной инфраструктуры. Анализ показал неожиданную картину: совокупные расходы на ремонты, расходные материалы и простои сотрудников превышали потенциальную стоимость сервисного контракта примерно на 35%.

После этого компания запустила пилотный проект: 24 устройства были переведены на сервисную модель на три месяца. Были внедрены мониторинг оборудования, централизованная система учета заявок и подменный фонд техники.

Уже в первый месяц системные администраторы практически перестали получать звонки сотрудников по вопросам печати.

Через шесть месяцев компания получила измеримые результаты: общий бюджет на обслуживание печатной техники снизился примерно на 20%, среднее время устранения инцидентов сократилось с шести часов до 45 минут, а количество обращений в ИТ-службу уменьшилось почти на 70%. После этого руководство приняло решение распространить сервисную модель на все три офиса компании.

Заключение. Печать как часть ИТ-стандарта

Один из заметных трендов последних лет — постепенное включение печатной инфраструктуры в общий контур сервисного управления ИТ. Принтеры все чаще рассматриваются как управляемые активы — наравне с рабочими станциями, сетевой инфраструктурой и серверными системами.

Когда печатная инфраструктура становится управляемой, компании получают дополнительный инструмент — аналитику печати. Данные о том, кто, что и в каком объеме печатает, помогают оптимизировать парк оборудования, контролировать расходы и повышать уровень безопасности.

Практика показывает, что после внедрения систем аналитики часто обнаруживается неравномерная загрузка техники: часть устройств перегружена, а часть простаивает. Перераспределение нагрузки позволяет снизить расходы на эксплуатацию.

Дополнительный эффект дает настройка политик печати — например, двусторонняя печать или монохромный режим по умолчанию, которые способны сократить объем печати на 15-25%.

Кроме того, аналитические системы позволяют выявлять аномалии: резкий рост печати у отдельных сотрудников, использование техники в нерабочее время или нетипичные устройства. В сочетании с авторизованной печатью это формирует полноценный аудиторский след.

Накопленные данные помогают компаниям принимать стратегические решения — например, определять процессы, где наиболее целесообразен переход на электронный документооборот.

В результате печать постепенно превращается из вспомогательной функции в управляемый элемент ИТ-инфраструктуры — с понятными метриками, прозрачной экономикой и более предсказуемой работой сервисов.

Источник: https://www.itweek.ru/management/article/detail.php?ID=234450

UDV Group: AI Security — безопасность искусственного интеллекта

Юрий Чернышов, к.ф.-м.н., доцент УНЦ «Искусственный интеллект» УрФУ, руководитель исследовательского центра UDV Group рассказал о сложностях обнаружения причины изменения поведения модели, о методах, которые подходят для анализа безопасности и о том, как оценивается устойчивость модели в условиях реального применения.

Какие индикаторы помогают заметить ранние признаки отравления данных на этапе подготовки датасета?

Почти все, кто имеет практический опыт внедрения и использования проектов, включающих анализ данных и машинное обучение, уже в курсе, что подобные системы очень неустойчивы, чувствительны к внешним помехам. Причина этого не в том, что у разработчиков недостаточная экспертиза (хотя встречаются и такие случаи), а в том, что при обучении модели применяются наборы данных, которые не могут содержать все возможные ситуации при будущей эксплуатации. Да это и невозможно, поскольку всегда на практике имеет место так называемый «сдвиг в данных» (data shift) из-за меняющейся инфраструктуры, условий эксплуатации, поведения пользователей и пр. Поэтому очень сложно при обнаружении изменения поведения модели понять — что же является истинной причиной: сдвиг в данных, сбой датчика, помехи в сети передачи данных, некачественная модель ML, незначительная перегрузка инфраструктуры или это просто «шум» в рамках статистической погрешности. И за этими вариантами всегда сложно разглядеть атаку через отравление данных. Индикаторы для диагностики изменения традиционные: всесторонний статистический анализ характеристик данных, как по параметрам получения и обработки, так и по семантике. Но для принятия мер при обнаружении отклонения в поведении модели на основе данных необходима комплексная инфраструктура, включающая мониторинг оборудования, параметров данных и модели, метрик инференса (промышленного использования).

Какие методы анализа позволяют выявлять бэкдор-активность в уже обученной модели?

Для анализа безопасности модели ИИ подходят все те же методы, применяемые при тестировании безопасности программного обеспечения: мониторинг, фаззинг, анализ взаимодействия с внешними компонентами. Сложность заключается в том, что невозможно понять логику работы модели, как это делается при анализе кода программного обеспечения, поскольку эта логика модели ИИ распределена по миллионам (как в случае с глубоким машинным обучением) или по миллиардам (как в случае с LLM) параметров. Поэтому применяется анализ модели ИИ как «черного ящика», анализируя вход и выход, оценивая параметры работы и потребление ресурсов. Исторический анализ параметров работы модели позволяет сформировать паттерны нормального поведения и анализировать в будущем отклонения от этих паттернов.

Как оценивается устойчивость модели к adversarial-примерам в условиях реального применения?

Самый лучший способ для подобного анализа это red teaming, в том числе и с применением автоматизированных средств проверки: фаззинг, подбор проверяющих сэмплов, создание для модели критических условий для функционирования (ddos атака). Если есть возможность оценивать устойчивость в лабораторных условиях, то эффективным является схема генеративных состязательных сетей (GAN), в которых есть генератор, создающий сэмплы, и дискриминатор, пытающийся различить настоящие сэмплы и созданные генератором. При этом генератор и дискриминатор постоянно конкурируют друг с другом, генератор учится все лучше «обманывать», а дискриминатор – все лучше выявлять факт подделки.

Какие техники усложняют попытки извлечения модели через API (model extraction)?

Для любого интерфейса взаимодействия, и API в том числе, важно настроить как можно более строгие правила доступа к ресурсу: авторизацию, аутентификацию и контроль за ресурсами. При этом необходимо проектировать API таким образом, чтобы минимизировать возможности взаимодействующей стороны, оставлять доступ только к той информации, которая ей предназначена, ограничивать разумными уровнями потребления ресурса, исходящими из технического задания и архитектуры проекта. Например, можно запретить длительные сессии взаимодействия, если проект этого не предполагает. Или ограничить количество запросов к ресурсу от одного источника таким уровнем, который достаточен для нормальной работы, все что аномально выше этого уровня – скорее всего свидетельствует о попытке автоматизированного сканирования или парсинга.

Какие меры повышают защищенность датасетов от подмены, injection-атак и несанкционированных правок?

Наличие защищенных наборов данных — серьезная задача, без которой невозможно создавать качественные, надежные и полезные системы ИИ. Зачастую набор данных ценится даже больше, чем модель, обученная на его основе. Поэтому компании-разработчики систем ИИ так ценят свои наборы данных, защищают их наравне с программным кодом. Меры, защищающие наборы данных (датасеты) от злонамеренного искажения, такие же, как и при защите программного кода: требуется контролировать версионирование и доступ к изменениям, проводить тестирование и анализ характеристик после изменений.

Какие механизмы мониторинга лучше всего подходят для отслеживания аномалий в поведении ИИ-модели?

Существует множество способов мониторить работу сложного устройства или системы, какой из них наиболее эффективен – сильно зависит от самой системы. Можно анализировать низкоуровневые параметры (трафик, потребление ресурсов оборудования), можно анализировать вход и выход модели ИИ (текст промпта и сгенерированный ответ), потребление токенов. Но на мой взгляд наиболее эффективно анализировать влияние применения модели на бизнес-процесс – если в бизнес-процессе появились отклонения (изменилась продолжительность звонков, частота отправки писем, поменялась бизнес-логика процесса, перестал компилироваться код и пр.), то скорее всего случился сбой в работе ИИ-модели и необходимо проводить расследование, в том числе с применением анализа низкоуровневых событий в инфраструктуре и ПО.

SL Soft FabricaONE.AI (ГК Softline) присвоила RS Team статус учебного центра по платформе ROBIN

Компания SL Soft FabricaONE.AI (акционер — ГК Softline) объявляет о расширении партнерской экосистемы. Компания RS Team получила статус авторизованного учебного центра и партнера по сертификации российской платформы для интеллектуальной автоматизации ROBIN.

Развитие партнерской сети, образовательного направления и профессионального сообщества является одним из стратегических драйверов роста ГК Softline. Новый статус RS Team позволит клиентам и интеграторам ускорить подготовку специалистов, формировать внутреннюю экспертизу и внедрять роботизацию по единым стандартам вендора.

В рамках сотрудничества RS Team будет проводить обучение по платформе ROBIN для корпоративных заказчиков, партнеров и специалистов в сфере автоматизации. Программа включает как базовые курсы, так и углубленные практические треки для команд, реализующих проекты роботизации.

Особенность обучения — формат закрытых групп с фокусом на одну компанию. Это позволяет адаптировать программы под уровень подготовки сотрудников, специфику бизнес-процессов и прикладные задачи автоматизации. По итогам обучения участники смогут пройти сертификацию и подтвердить знания и практические навыки работы с платформой ROBIN.

На текущий момент учебный центр RS Team уже опубликовал расписание первых пяти курсов по платформе ROBIN. В него вошли базовые и продвинутые программы, обучение по управлению проектами роботизации, развитию центров экспертизы и сертификация заказчиков.

«Мы рассматриваем развитие образовательного направления как важную часть роста экосистемы ROBIN. Сотрудничество с RS Team позволит сделать обучение по платформе более доступным для клиентов и партнеров, а также усилит практическую подготовку специалистов, которым предстоит запускать и масштабировать проекты роботизации в компаниях», — отметил Павел Сергеев, исполнительный директор ROBIN SL Soft FabricaONE.AI (ГК Softline).

«Получение статуса авторизованного учебного центра ROBIN — важный этап для нашей компании. Мы видим высокий спрос на практико-ориентированное обучение в области автоматизации и готовы помогать заказчикам формировать устойчивую экспертизу внутри команд», — прокомментировал Александр Ковязин, руководитель образовательных программ RS Team.

«Софтлайн Решения» (ГК Softline) оснастила агроклассы Волгоградской области

«Софтлайн Решения» (ГК Softline), лидирующий в России ИТ-поставщик продуктов и услуг в области цифровой трансформации и информационной безопасности, оснастила агротехнологические классы для 14 школ Волгоградской области. Специалисты поставили современное учебно-демонстрационное оборудование, цифровые решения и учебные материалы, необходимые для работы специализированных классов. С помощью нового оборудования ученики 7-11 класс агроклассов уже изучают современные технологии и профильные агротехнологические предметы. Данный проект соответствует развитию продуктов российских ИТ-производителей.

Открытие агротехнологических классов является одним из направлений государственной стратегии развития агропромышленного комплекса страны. Эта работа ведется в рамках федерального проекта «Кадры в АПК», который, в свою очередь, входит в структуру национального проекта «Технологическое обеспечение продовольственной безопасности.

На сегодняшний день в Волгоградской области создано и успешно функционирует свыше 130 агроклассов. Их работа организована в тесном взаимодействии с Волгоградским ГАУ, профильными учреждениями среднего профессионального образования и базовыми хозяйствами.

Команда «Софтлайн Решений» оснастила агроклассы 14 школ Волгоградской области, поставив специализированное оборудование и учебные наборы для кабинетов математики, физики, химии, биологии и экологии, а также для работы следующих направлений:

  1. генетика и селекция растений;
  2. эффективное животноводство и современные корма;
  3. птицеводство будущего: технологии и управление;
  4. современные технологии пчеловодства;
  5. аквакультура;
  6. биотехнологии и пищевое производство;
  7. цветоводство;
  8. агроинженерия.

«Наша компания уже много лет помогает школам в создании комфортной и технологичной среды для обучения. Данный проект мы реализовали с учетом двух главных требований: минимальные сроки поставки и доля российского оборудования не ниже 90%. Для каждой из 14 школ Волгоградской области мы сформировали индивидуальный перечень оборудования и учебных наборов – от интерактивных панелей до лабораторных комплексов – в соответствии с нормативными требованиями. Наш огромный опыт в оснащении учебных заведений и понимание специфики этой области позволили нам уложиться в запланированные сметы. Мы рады видеть, как современное высокотехнологичное пространство помогает школьникам в освоении специальных дисциплин и меняет отношение к профессиям аграрного сектора», – комментирует Виталий Гаврицков, руководитель направления «Образование» департамента комплексных проектов компании «Софтлайн Решения» (ГК Softline).

«Чтобы обеспечить продовольственную безопасность страны, нам нужны молодые специалисты с инновационным мышлением. И мы видим, как агроклассы становятся кузницей таких кадров. Благодарим нашего партнера – “Софтлайн Решения” – за слаженную работу и профессиональный подход к оснащению лабораторий. Это позволило нам оперативно запустить классы в работу. Также хотим отметить скрупулезную работу команды “Софтлайн Решений” с документацией: к каждой единице продукции был приложен сертификат соответствия. В передовой образовательной среде наши ребята могут по-настоящему погрузиться в профессию: работать с микроскопами, изучать генетику растений на реальных образцах, знакомиться с принципами работы автоматизированных ферм. Уверены, что такие классы станут отправной точкой для многих будущих специалистов АПК», – отметил представитель заказчика.

  1   2   3  »

Пользовательское соглашение

Опубликовать
Яндекс.Метрика