Дмитрий Алексеев, руководитель продукта «Лонч» и проектной практики ГК «Юзтех» в области индустриального ИИ, рассказал, почему большинство ИИ-пилотов не доходят до внедрения, зачем компаниям инфраструктурный подход и как платформа «Лонч» помогает бизнесу быстрее проверять гипотезы с моделями машинного обучения.
— Почему многие ИИ-проекты не доходят до внедрения?
Любое внедрение технологии — неважно, основана она на искусственном интеллекте или нет, — начинается с гипотезы. У бизнеса есть сложность или проблема, которую правильнее воспринимать как точку роста. Если ее решить, можно улучшить показатели: снизить издержки, повысить точность, ускорить процессы или лучше управлять производством.
Значительный объем ИИ-гипотез отсеивается на этапе проверки применимости на конкретном производстве по итогам оценки результатов пилотных проектов, когда готовые решения не в полной мере удовлетворяют ожиданиям бизнеса, а внесение изменений в предлагаемое решение сопоставимо с созданием нового и экономически невыгодно.
Но не каждая гипотеза должна доходить до внедрения. Иногда уже на этапе анализа становится понятно, что ИИ здесь не нужен. Например, компания производит гайки и хочет точнее считать количество выпущенной продукции. Можно предложить поставить камеру с компьютерным зрением, которая будет считать каждую гайку. Но если известно, что одна гайка весит четыре грамма, проще взвесить партию и получить количество обычной математикой. Это быстрее, дешевле и надежнее.
Такие гипотезы часто попадают в общую статистику «неуспешных ИИ-проектов», хотя на самом деле это нормальный процесс отбора. Бизнес проверил идею и понял, что технология неэффективна именно в этом кейсе.
— Какие ошибки чаще всего мешают внедрению ИИ?
Одна из частых ошибок — ожидание, что успешный кейс конкурента автоматически сработает в другой компании. Внешне процессы могут казаться похожими, но внутри они устроены по-разному: отличаются регламенты, организационная структура, технологические цепочки, подходы к оценке эффективности. У одной компании решение может дать сильный эффект, потому что оно встроено в правильно подготовленный процесс. У другой тот же инструмент покажет скромный результат, потому что иначе устроены данные, источники, метрики или сама логика работы.
Вторая ошибка — завышенные ожидания. На ИИ часто переносят представления из кино, будто система сама по себе все видит, все понимает и может решить любую задачу. Особенно это заметно в компьютерном зрении. Например, заказчик может ожидать, что камера с большого расстояния сможет детально разглядеть мелкие объекты. Но есть физические ограничения: разрешение камеры, оптика, расстояние, освещение, угол обзора. Если человек не может уверенно увидеть нужную деталь на видеозаписи, то и компьютерному зрению это тоже будет сложно.
— Что такое инфраструктурный подход к внедрению ИИ?
Когда мы говорим об инфраструктуре, важно разделять две вещи. Есть вычислительная инфраструктура: серверы, GPU, оборудование. Это отдельная большая и дорогая тема. А есть инфраструктура реализации ИИ-проектов: от генерации гипотез до запуска моделей в продакшн.
Инфраструктурный подход означает, что у компании есть понятный контур работы с ИИ-гипотезами: как собрать данные, подготовить датасет, обучить и подключить модель, развернуть ее, подать на вход нужные данные, настроить условия срабатывания, интерпретировать результаты и передать их дальше в бизнес-процесс.
Каждый из этих шагов стоит денег. Если компания вынуждена каждый раз проходить этот путь заново, цена проверки гипотезы становится слишком высокой. А чем выше цена проверки, тем меньше гипотез бизнес может протестировать.
Основная часть бюджета ИИ-проекта часто приходится не на модель, а на интеграцию и эксплуатацию. Компании, у которых есть инструменты для быстрого подключения источников данных, развертывания моделей и настройки логики обработки результатов, получают преимущество. Они могут проверять больше гипотез быстрее и дешевле, а значит, чаще находить те ИИ-сценарии, которые дают эффект.
— Как появилась идея «Лонч»?
Компания «Юзтех» много лет работает на рынке ИИ-решений: компьютерное зрение, распознавание текста и символов, работа со звуком, специализированные решения под задачи заказчиков. Но каждый раз при внедрении возникали одни и те же вопросы: как запустить подготовленную модель, как подать в нее данные, как интерпретировать результат, как связать это с источниками и бизнес-логикой заказчика.
Со временем стало понятно, что нужна универсальная платформа, которая закрывает не только разработку модели, но и все, что находится вокруг нее: интеграцию с источниками данных, настройку условий, обработку результатов, уведомления, статистику и отчетность. Кроме того, она должна быть понятной и удобной даже для самого простого пользователя. Так появился «Лонч» — платформа для запуска и эксплуатации специализированных моделей машинного обучения.
— Чем «Лонч» отличается от стандартных ИИ-решений?
Рынок ИИ-решений насыщен сильными игроками. Многие вендоры делают качественные продукты под конкретные задачи: логистику, безопасность, производство, контроль качества и другие направления.
Проблема в том, что в крупных компаниях разные подразделения часто начинают внедрять ИИ независимо друг от друга. Логисты находят одно решение, служба безопасности — другое, производственники — третье, HR — четвертое. Потом все это нужно интегрировать, поддерживать, согласовывать через закупки и ИТ.
В итоге появляется «зоопарк» решений. Каждое может быть полезным само по себе, но между ними мало синергии. ИТ-подразделению сложно все это сопровождать, а бизнесу — быстро проверять новые гипотезы.
Лонч работает как единое окно. На платформу можно подключать разные модели: собственные модели заказчика, модели «Юзтеха», решения сторонних разработчиков или модели, созданные другой командой. Через API их можно встроить в общий контур и настраивать логику обработки уже внутри платформы. Это позволяет проверять больше гипотез без постоянной доработки отдельных систем.
— С какими моделями работает «Лонч»?
«Лонч» ориентирован прежде всего на специализированные негeнеративные модели машинного обучения. Это модели компьютерного зрения, речевой аналитики, распознавания текста, изображений и других промышленных или бизнес-задач.
Мы говорим не о больших языковых моделях вроде ChatGPT, Claude или GigaChat, а о моделях, которые решают конкретные прикладные задачи: распознать объект, посчитать количество дефектов, обработать видеопоток, выделить событие, классифицировать изображение или звук в режиме 24/7.
Такие задачи особенно востребованы в производстве, промышленности, логистике, переработке, безопасности и других сферах, где важны скорость, точность и работа с потоковыми данными.
— Почему «Лонч» не фокусируется на LLM?
Большие языковые и мультимодальные модели хорошо подходят для работы с текстом, файлами, запросами пользователя, генерации ответов, изображений или аналитики на естественном языке. Но у них другая логика применения.
В индустриальных задачах часто важна высокая скорость обработки потока данных. Например, есть кейс гранулометрии на пересыпе: гранулы сыпучего материала, например песка, сахара, угля или другого сырья, находятся в свободном падении перед камерой. Система должна с высокой частотой фотографировать поток, анализировать размер частиц, посторонние включения, объем и другие параметры.
Такие задачи требуют потоковой обработки и высокой производительности. Большие языковые модели не предназначены для такого сценария. Поэтому «Лонч» фокусируется именно на специализированных моделях, которые работают в индустриальном контуре и решают задачи бизнеса в реальном времени.
— Какие источники данных можно подключать?
Источник может быть практически любым: видеопоток с камеры, видеофайл, изображение, текстовый документ, фотография, аудиофайл, звуковая дорожка из видео или поток UDP с данными от датчиков на производстве, из которого можно извлекать информацию для диагностики.
Платформа позволяет подключать эти источники через интерфейс и дальше направлять данные в нужную модель. Одна из идей платформы — сделать подключение источников максимально простым и доступным без постоянного привлечения программистов.
— Какие сценарии обработки поддерживает платформа?
Мы выделили три основных сценария. Первый — инцидентный. Система фиксирует событие и отправляет уведомление: на почту, в мессенджер, SMS или во внешний сервис. Например, модель обнаружила объект или событие, после чего автоматически формируется сигнал.
Второй — статистический. Система не обязательно реагирует на каждое событие отдельно, а ведет подсчет и формирует статистику. Например, на линии движутся банки, и нужно посчитать, у скольких плохо пропечатался QR-код.
Третий — дискретный. Система обрабатывает конкретный набор данных и выдает результат. Например, загружается архив видеозаписей, и нужно понять, сколько людей за сутки подходили к определенному прилавку.
Эти сценарии можно комбинировать. Например, одновременно вести статистику и отправлять уведомления при достижении определенных условий.
— Как решается вопрос отчетности?
Почти каждый заказчик хочет видеть результат по-своему. Одному нужен простой отчет, другому — дашборд, третьему — аналитика по сменам, четвертому — сравнение по объектам или периодам.
Поэтому в «Лонч» встроен BI-компонент. Он позволяет строить отчеты и дашборды в нужных разрезах, визуализировать данные и адаптировать представление под конкретные задачи заказчика. Это ускоряет внедрение. Заказчик получает не только модель, но и инструмент для анализа результата.
— Какие эффекты дает платформа?
По нашим расчетам и опыту внедрений, «Лонч» позволяет экономить от 60% стоимости внедрения традиционных решений.
Модель сама по себе — это только часть проекта. Нужно собрать датасет, обучить модель, подключить источники, развернуть инфраструктуру, настроить обработку результатов, логику срабатывания, отчетность и интеграцию с процессами заказчика. Часто именно эта «обвязка» занимает большую часть бюджета.
Кроме того, после запуска почти всегда появляются изменения: подключить другой источник, изменить условия срабатывания, снизить порог чувствительности, поменять правила подсчета, добавить уведомления или изменить агрегацию данных. В традиционной модели внедрения это превращается в доработки, согласования, новые бюджеты и иногда даже новые закупочные процедуры. «Лонч» снижает стоимость таких изменений, потому что многие настройки можно делать гибко внутри платформы.
По срокам эффект тоже заметен. Если раньше подготовка и развертывание могли занимать месяцы, то сейчас базовое развертывание платформы в инфраструктуре заказчика возможно за 48 часов при готовой инфраструктуре.
— А какие еще проблемы решает продукт?
Любая система должна не ломать привычки пользователя, а помогать ему работать. Многие корпоративные программы требуют от человека долго учиться, привыкать к сложным терминам, перестраивать свои процессы и буквально «затачиваться» под инструмент. Мы хотели сделать наоборот: система должна быть человекоцентричной, то есть понятной для человека, а не человек должен подстраиваться под систему.
Это касается интерфейса, логики действий, терминов и подсказок. Если в системе используется термин, который может трактоваться по-разному, нужно объяснить, что именно он означает. В разных подразделениях одни и те же слова могут иметь разные значения. Например, «закрытие» для бухгалтерии, финансистов, руководителей проектов и службы безопасности означает совершенно разные вещи.
Если люди не понимают систему или воспринимают ее как дополнительную нагрузку, они будут сопротивляться внедрению. А если инструмент реально помогает и снижает сложность работы, у него выше шанс прижиться.
— Что делать компаниям, которые уже пробовали ИИ и разочаровались?
Если ИИ-пилот не дал эффекта, это не всегда означает, что ИИ не подходит компании. Иногда это значит, что конкретная гипотеза не подтвердилась или ее проверка оказалась слишком дорогой.
Чаще всего имеет смысл не останавливаться на одной попытке, а проверять больше гипотез, но делать это дешевле. Чем ниже стоимость проверки, тем выше шанс найти сценарий, который действительно даст бизнес-результат.
Особенно это важно для компаний с низкой маржинальностью на высококонкурентных рынках, высокой стоимостью ошибки или сложными операционными процессами. Там потребность в ИИ-решениях будет только расти.
— Какие компании преуспеют во внедрении ИИ?
Преуспеют те, кто воспринимает ИИ не как хайп, а как инструмент. Это компании, которые уже вкладываются в собственные ИИ-подразделения, учатся работать с моделями, строят инфраструктуру, проверяют гипотезы и умеют сочетать внутренние разработки с решениями рынка.
Важен и обмен опытом. Компании, которые участвуют в конференциях, делятся кейсами, открывают часть наработок, используют open source и взаимодействуют с сообществом, будут развиваться быстрее. Они видят больше сценариев, быстрее учатся и лучше понимают реальные ограничения технологии.
— А как будет развиваться «Лонч»?
У продукта есть дорожная карта на ближайший год. Она формируется из нескольких источников: запросов рынка, обратной связи заказчиков, собственного опыта «Юзтеха» в заказной разработке и внутренних продуктовых гипотез. Часто клиенты приходят с пожеланиями, которые уже есть в плане развития, потому что рынок движется в одном направлении. Но есть и идеи, которые рождаются внутри команды благодаря опыту работы с разными отраслями и задачами. Цель остается прежней: сделать платформу, которая помогает бизнесу быстрее запускать модели, проверять гипотезы и получать измеримый эффект от ИИ.
Через несколько лет компании будут конкурировать не количеством внедренных моделей, а скоростью проверки, внедрения и масштабирования успешных ИИ-гипотез. Сегодня многие воспринимают ИИ как набор отдельных проектов. Но постепенно он станет частью корпоративной инфраструктуры, необходимой для повседневной работы бизнеса.
Преимущество получат те компании, которые смогут быстрее других превращать данные в решения, а гипотезы в работающие бизнес-процессы. Именно в этом направлении мы видим будущее рынка и развитие платформы «Лонч».
Реклама. ООО «ЮЗТЕХ ПРОФЕШНЛ», ИНН: 7717745183.