Решения на основе искусственного интеллекта в России преодолели период хайпа и планомерно переходят к фиксации прямой прибыли от внедрения ИИ. Крупный бизнес осторожно интегрирует ИИ в ключевые процессы, балансируя между ожиданиями от технологии и реальными барьерами: галлюцинациями моделей, дефицитом качественных данных, кризисом масштабирования и высокой стоимостью вычислительного оборудования. На рынке уже существуют зрелые решения, помогающие преодолеть эти вызовы. О них в статье расскажет Яков Букин, директор по развитию бизнеса Скала^р (Группа Rubytech).
Стратегия «на вырост»: крупный бизнес в эпоху ИИ
Технологии искусственного интеллекта развиваются крайне динамично. Если еще вчера компании внедряли простых чат-ботов, то сегодня речь идет уже о комплексных автономных ИИ-агентах и мультимодальных системах — решениях, которые способны самостоятельно обрабатывать информацию из разных источников и автоматизировать не одну конкретную задачу, а целый бизнес-процесс.
В России развитие ИИ имеет стратегически важное значение на государственном уровне. Об этом свидетельствует в том числе активная разработка законодательной базы в этой сфере. Еще в 2021 году был опубликован «Кодекс этики в сфере искусственного интеллекта», а совсем недавно был принят 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации». Крупнейшие локальные игроки, такие как Яндекс и Сбер, представили фундаментальные модели, множество других разработчиков выпускают собственные прикладные ИИ-сервисы, включая агентные системы.
Можно сказать, что в плане ИИ Россия следует за мировыми тенденциями, но также имеет специфические особенности. Прежде всего, по понятным причинам страна делает ставку на создание полностью независимого стека ИИ-технологий. Это накладывает высокие требования по надежности и безопасности как к разработчикам ИИ-продуктов, так и к пользователям, особенно в сегменте крупного бизнеса, в госсекторе и КИИ.
По нашим наблюдениям, среди крупного бизнеса основными потребителями ИИ-решений на данном этапе являются финансовые, ИТ-, энергетические и промышленные компании. В свою очередь, государство выступает заказчиком интеллектуальных решений, прежде всего, в области автоматизации госуслуг и умных городов.
Однако в том и другом случае практика внедрения ИИ-решений в России пока только нарабатывается. Крупные компании осторожно включают ИИ в стратегию развития бизнеса, и это обусловлено как рациональным подходом к оценке эффективности ИТ-проектов, так и рисками в области ИБ.
Галлюцинации, сырые данные и кризис ожиданий: как это исправить
Основная сложность, с которой сталкиваются организации, уже внедрившие ИИ, это галлюцинации модели, а также недостаточное понимание контекста, причинно-следственных связей. С этим напрямую связана и проблема нехватки качественных данных. Известно, что объективность ответа на выходе напрямую зависит от качества информации на входе. Поэтому фундаментальным фактором для эффективного применения искусственного интеллекта является повышение качества данных: структурирование, очистка, верификация, обогащение, устранение ошибок и дублей и т.д. Проблема сырых данных решается за счет интеграции в ПАК специализированных инструментов (например, Arenadata Catalog), которые автоматически очищают и структурируют датасеты перед подачей в модель.
Эффект завышенных ожиданий порождает кризис внедрения ИИ. По данным аналитиков, более половины компаний на российском рынке, закладывающих в бюджет проекты в области искусственного интеллекта, не имеют четкой стратегии в этой сфере. В результате компания может успешно создать MVP и провести его пилотирование на одном подразделении или процессе, но не понимать, куда двигаться дальше. Бизнесу некогда учиться на своих ошибках в ИИ. Чтобы миновать кризис завышенных ожиданий, необходимо сразу внедрять ИИ на базе жесткой промышленной архитектуры — программно-аппаратных комплексов, а также прибегать к помощи ИТ-экспертов. Отдельно отметим большое значение ПАК для реализации комплексного ИИ-проекта. Приобретая программно-аппаратный комплекс, заказчик получает готовое решение, которое гарантированно закрывает его бизнес-задачи как на текущем этапе, так и в перспективе.
Высокая стоимость оборудования для хранения датасетов, обучения и инференса ИИ-моделей также ограничивает возможности компаний, и не только в России, но и по всему миру. Выход из этой ситуации тоже есть. Группа Rubytech первой сняла риски аппаратного дефицита. ПАК работают на альтернативных графических процессорах, которые по результатам тестов не уступают западным аналогам и полностью закрывают задачи Enterprise-уровня.
ИИ для масштабных проектов и большой выгоды
В компаниях уровня Enterprise ИИ решает не только «офисные» задачи, связанные, например, с HR или документооборотом. Сценарии его применения гораздо более серьезные, а выгода увеличивается на масштабе.
Цифровые двойники промышленного оборудования на базе искусственного интеллекта помогают предприятиям оптимизировать сложные технологические процессы. Например, при производстве аммиака модель, основанная на законах химии и термодинамики, может подобрать идеальное решение для снижения расхода природного газа на 1,5–2%, что для завода эквивалентно годовой экономии в миллионы долларов.
Предиктивная аналитика — второе перспективное направление. Например, на нефтеперерабатывающем заводе ИИ непрерывно анализирует телеметрию с сотен центробежных насосов и может выявить аномалии в спектре вибрации подшипника за несколько дней до его фактического заклинивания. Это на десятки процентов снижает количество аварийных остановок оборудования и, соответственно, сокращает затраты на ремонт.
Технологии компьютерного зрения также зарекомендовали себя как эффективный инструмент, причем уже доступный «из коробки», как полноценный продукт. В металлургии «умные» камеры, расположенные над конвейером, в реальном времени сканируют поверхность стальных листов, обнаруживают микротрещины, дефекты сварного шва и другие недостатки. Очевидно, что это напрямую влияет на прибыль промышленных предприятий, а также на их конкурентоспособность на российском и мировом рынках.
Поскольку в подобных сценариях от работы искусственного интеллекта зависят ключевые бизнес-процессы предприятия, решения такого уровня требуют заложенной возможности масштабирования, высокой отказоустойчивости, а также доступности технологий. Для бизнеса очень важно закладывать в стратегию развития затраты на hardware-компоненты. Это опять же заставляет компании смотреть в сторону ПАК, производители которых готовы построить определенную архитектуру, чтобы ИИ-решение гармонично и корректно вписалось в ИТ-ландшафт заказчика и в дальнейшем могло масштабироваться без каких-либо сложностей, связанных с периодичностью закупок, бюджетированием и другими факторами.
От MVP к стратегическому активу
Оценка эффективности внедрения ИИ должна отталкиваться от бизнес-задач компании и тех конкурентных преимуществ, которые ей необходимо усилить. Так, если у компании уже внедрен MVP, следующий шаг — прогнозирование как минимум на 2-3 года вперед, то есть оценить, какое количество пользователей будет применять это решение и как его предстоит масштабировать. Только долгосрочный прогноз на 2–3 года позволяет точно рассчитать спецификацию ПАК и защитить инвестиции от хаотичных трат.
Стоит заметить, что производители оборудования учитывают такую потребность заказчиков. К примеру, в экосистеме Скала^р есть специальный калькулятор, позволяющий самой компании или ее партнеру-системному интегратору произвести расчет необходимых вложений в создание ИТ-инфраструктуры. Если же компания только рассматривает возможность внедрения ИИ-решений, предоставляется модуль для инференса на тестирование. Такой вариант отлично подходит для проверки гипотез, реализации первых MVP и формирования технического задания для полноценного проекта.
Решения на основе ИИ сегодня становятся инструментом не только оптимизации операционных задач, но и повышения конкурентоспособности крупных компаний. Успех ИИ-трансформации лежит на стыке трех компетенций: бизнес-логики заказчика, экспертизы разработчиков и надежной аппаратной базы (ПАК).