От пилота к результату
Сделать впечатляющую демонстрацию возможностей искусственного интеллекта сегодня сравнительно просто. Намного сложнее превратить ее в решение, которое выдержит реальную нагрузку, встроится в процессы компании, будет соответствовать требованиям безопасности и даст измеримый бизнес-результат.
Эксперты группы ЛАНИТ рассказали «РГ», почему ИИ-проект стоит начинать с определения бизнес-проблемы, чем пилот отличается от полноценного внедрения, как оценивать экономический эффект и почему после того, как созданный алгоритм начнет использовать живые данные, работа над ним не заканчивается.
Сначала задача
Первая развилка возникает еще до выбора архитектуры будущего ИИ-решения (будь то нейросеть, классический алгоритм машинного обучения или их комбинация). Искусственный интеллект особенно полезен там, где приходится работать с неоднородными данными, учитывать контекст или объединять информацию из разных источников. Если же задача сводится, например, к контролю фиксированного показателя датчика, обычная автоматизация может оказаться проще и эффективнее.
«Начинать нужно не с желания внедрить ИИ, а с конкретной бизнес-задачи. Если выяснится, что ее эффективнее решить без искусственного интеллекта, это тоже правильный результат. Простые аналитические алгоритмы более предсказуемы, контролируемы и, как правило, дешевле», – говорит главный конструктор программно-аппаратных комплексов ЛАНИТ-ТЕРКОМ Михаил Смирнов.
Заказчик обычно приходит не с желанием обучить модель, а с конкретной проблемой: сократить брак, ускорить обработку документов или повысить качество контроля. Поэтому сначала необходимо понять, какая часть процесса действительно требует ИИ.
«Если мы говорим про промышленную систему, то обучение модели – это условно десять процентов проекта вместе со сбором данных. Основная сложность – перевести проблему в архитектуру системы, понять, что именно должен делать искусственный интеллект и каким требованиям он должен отвечать. И второй сложный переход – обратно: как качество модели преобразовать в решение исходной задачи заказчика», – объясняет Смирнов.
От демо до внедрения
По мнению руководителя практики анализа данных Центра компетенций больших данных и искусственного интеллекта ЛАНИТ Владислава Балаева важно различать разовую презентацию ИИ-технологии и ее постоянное применение в реальных бизнес-процессах. В отличие от классической ИТ-разработки, результат ИИ-модели не всегда предсказуем, а данные и условия ее работы со временем меняются.
«В обычном ИТ-проекте хотя бы примерно видна дорога в самом начале. В случае с искусственным интеллектом она не видна: результат работы модели вероятностный, и с этим нужно учиться жить. Сначала надо проверить, решает ли ИИ поставленную функциональную задачу с учетом ограничений по бюджету, информационной безопасности и другим требованиям и достаточно ли качества этого решения для достижения экономического эффекта», – отмечает Балаев.
После проверки гипотезы начинается пилот. На этом этапе решение сталкивается с реальными пользователями и процессами: появляются вопросы разграничения прав, обратной связи, нагрузки и поддержки.
«Есть большой разрыв между демо и промышленной эксплуатацией. Следующим должен идти пилот, чтобы продвинуться от того, что мы просто сделали какую-то поделку, до решения, которым действительно могут пользоваться сотрудники крупной организации. А промышленная эксплуатация – это уже внедрение непосредственно в работу людей и операционную деятельность компании», – говорит Балаев.
Последний этап – сопровождение и мониторинг. Меняются бизнес-процессы, поведение пользователей и сами данные, поэтому качество однажды настроенной системы необходимо постоянно проверять.
Вовремя остановиться
Чтобы пилот не превратился в бесконечный эксперимент, критерии успеха нужно зафиксировать заранее. Для одних проектов это экономия времени сотрудников, для других – снижение брака или увеличение пропускной способности оборудования.
«Пример – экономия времени как общий показатель, который плюс-минус можно применить во многих задачах. Однако каждая конкретная ситуация диктует свои способы его оценки. И это нужно определить в самом начале проекта: как именно будет измеряться эффект и что станет параметрами для принятия решения», – подчеркивает Балаев.
К примеру, в проектах с обработкой документов время заполнения карточки удалось сократить вдвое, при этом до 80 процентов реквизитов ИИ подтягивает из доверенных баз данных самостоятельно. В поддержке пользователей 40 процентов запросов автоматически закрывает искусственный интеллект без привлечения операторов, освобождая их для срочных и сложных задач.
Вместе с тем измерение нужно не только для фиксации успеха. «У нас бывают недельные или двухнедельные итерации. Допустим, договорились, что нужно получить 85 процентов качества, а получили 80. Если понимаем, что есть конкретная идея, как добрать оставшееся, продолжаем. А если следующая итерация показывает, что результата все равно нет, значит, нужно остановиться. Очень многие не умеют вовремя остановиться», — рассказывает Балаев.
Иногда разумнее вернуться к задаче через несколько месяцев, когда технологии изменятся, чем продолжать оплачивать работу команды над решением, которое пока либо недостижимо, либо неоправданно дорого.
АКЦЕНТ
Вместо повторения
В ЛАНИТ развивают платформу LANDEV AI, которая позволяет не переписывать одни и те же ИИ-функции для каждого нового заказчика (у компаний часто возникают схожие потребности: расшифровка совещаний, подготовка описаний вакансий для HR‑специалистов, автоматическое закрытие типовых обращений в службе поддержки и т.д.). В этой системе базовые компоненты можно переиспользовать, быстро обеспечив взаимодействие с LLM-моделями, обработку документов, разграничение доступа, мониторинг использования сервисов и масштабирование.
«Мы увидели, что у нас возникают сотни пресейлов со множеством повторяющихся задач. Если один раз обеспечить их выполнение с помощью ИИ-инструментов, то дотачивать этот алгоритм можно на новых клиентах. Поэтому появилась идея платформы: закрыть типовые функции единожды и дальше собирать из этих "кубиков" решение под конкретные запросы заказчика», – объясняет Балаев.
За счет этого первый прототип можно создать не за несколько недель, а за часы. Еще важнее то, что вместе с функциональностью переиспользуется и необходимая для промышленной эксплуатации обвязка: права доступа, безопасность, устойчивость и масштабирование.
«Если эти вопросы уже решены на уровне платформы, то продукт, который мы создаем на пресейле, фактически уже стоит на промышленных рельсах. Это позволяет системе перейти от нескольких десятков тестовых запросов к миллионам и при этом не сломаться», – отмечает эксперт.
Агенты меняют разработку
Еще одно направление – использование ИИ непосредственно в процессе создания программного обеспечения. Технический директор компании bpm Александр Лутай рассказывает, что агенты уже способны писать код и тесты, создавать макеты и помогать проектировать доработки.
«Когда мы делаем пилотные проекты, ускорение может быть феноменальным. Задачу, на которую раньше уходил месяц работы трех-четырех сотрудников, сейчас в отдельных случаях один специалист может выполнить за четыре-пять дней. У некоторых клиентов мы уже видим рост производительности в подразделениях на 70-80 процентов. Но бывает и наоборот, когда команда только осваивает новые практики, и на первом этапе продуктивность даже проседает», – говорит Лутай.
Главный барьер – привычный способ работы. «Это ловушка для экспертов, ведь эти люди много раз проходили один и тот же путь разработки ПО, и перестроиться им сложнее всего. Это как товарный поезд с огромной инерцией, который нам нужно развернуть на 180 градусов и не дать сойти с пути», – подчеркивает Лутай.
Начинать внедрение он советует с внутренних «ИИ-чемпионов», которые затем распространяют новые практики на коллег. Одновременно необходимо учитывать требования безопасности: при взаимодействии с внешними моделями за пределы корпоративного контура потенциально могут уйти исходный код или чувствительные данные. Для системной и защищенной работы bpm развивает платформу APLAI.
Применимость принципов, заложенных в APLAI, в масштабе крупной организации проверяют на реальных проектах. Сейчас совместная команда bpm и трайба «Риски корпоративного-инвестиционного бизнеса» Сбера ведет в банке следующий пилот: может ли один специалист с инженерным бэкграундом при поддержке агентов провести бизнес-намерение от идеи до промышленного запуска, а небольшая команда таких инженеров – развивать продукты, на которые раньше требовались большие коллективы.
В настоящий момент уже удалось создать предпосылки для перестроения процесса нагрузочного тестирования. Раньше оно требовало редкой экспертизы, которую дорого держать в каждой продуктовой команде. Теперь же кодинговый агент может проводить эту работу с минимальным задействованием инженеров, что существенно повышает производительность продуктовых команд.
После запуска
Промышленное внедрение ИИ-решения – это старт нового этапа жизненного цикла в проекте. Именно в ходе реальной эксплуатации проявляются скрытые ограничения модели, меняются внешние условия и появляются данные, которые позволяют ее улучшать. Могут измениться формат документов, сырье, внешний вид продукции, скорость конвейера или даже освещение в цехе.
«Система на основе искусственного интеллекта живая, она требует поддержки и сопровождения. Вы обучали модель на данных определенного качества, которое изменилось – качество модели тоже начинает меняться. Поэтому основной принцип здесь – постоянный мониторинг метрик», – говорит Смирнов.
Показательный пример – система компьютерного зрения на горнорудном производстве. Ей необходимо контролировать конвейерную ленту длиной около 12 километров, которая движется со скоростью пять метров в секунду.
«Человеческий контроль для выявления дефектов там объективно невозможен. Раньше приходилось раз в сутки останавливать погрузку, запускать ленту примерно на час на медленной скорости и сажать рядом человека: сколько он за это время посмотрит, столько и посмотрит. Другого варианта просто не было», – рассказывает Смирнов.
Теперь система обнаруживает повреждения, классифицирует их и привязывает к конкретному участку ленты. При этом развитие идет постепенно: сбор данных, анализ ошибок продолжаются и становятся основой для следующих итераций.
«Иногда заказчику достаточно для начала хоть какого-то контроля, чтобы он уже приносил пользу. Если можно сделать небольшой инструмент, который решает часть проблемы и одновременно начинает собирать данные, это прекрасный вариант. Тогда большую задачу удается разделить на несколько простых шагов, а не пытаться сделать все одним большим взрывом», – отмечает Смирнов.
В итоге успешное внедрение начинается не с выбора самой мощной модели, а с правильно поставленной задачи. Затем нужны измеримые критерии успеха, пилотирование, инфраструктура для промышленной эксплуатации и постоянный мониторинг после запуска. В таком случае ИИ перестает быть набором разрозненных экспериментов и становится частью обычной системы управления эффективностью бизнеса.
