Искусственный интеллект без хайпа

Искусственный интеллект давно перестал быть просто модным трендом — сегодня это зрелая технология, которая требует продуманного подхода к внедрению. Дмитрий Басистый, директор департамента стратегии и консалтинга Группы Rubytech, рассказал, как правильно внедрить ИИ-технологии в корпоративную инфраструктуру и получить от них реальный бизнес-эффект.

Внедрение технологий искусственного интеллекта в бизнес-процессы требует ответственного подхода, тщательной организационной и технологической подготовки. Только тогда ИИ-инструменты смогут принести эффект.

Трезвый взгляд на искусственный интеллект

Информационный бум вокруг технологий искусственного интеллекта привел к тому, что на рынке сформировались различные мнения о них — от грамотных и обоснованных до превратных и искаженных. К последним стоит отнести представление о том, что ИИ — это абсолютно новая категория корпоративных информационных систем (КИС), которые существуют обособленно и являются некой панацеей от всех существующих бед. Такую мысль активно несут в массы некоторые ИТ-компании, стремящиеся быстрее продать свою услугу или продукт на основе ИИ как нечто уникальное, неизведанное и по умолчанию полезное. При этом они стараются лишний раз не говорить заказчику о том, что встраивание ИИ в существующую экосистему автоматизации бизнес-процессов — довольно тяжелый труд и может оказаться неподъемным бременем.

На самом деле любой модуль ИИ стоит рассматривать как дополнительный функциональный блок КИС, а не как отдельную систему. Более того — польза не «вшита» в технологии ИИ изначально: чтобы ее добиться, компании предстоит большая работа, как в технологическом, так и в организационном плане. На мировом рынке есть множество примеров, когда даже крупные компании в погоне за «инновационностью» теряли значительные инвестиции, если их перспективный, на первый взгляд, проект по внедрению ИИ не «взлетал» без должной подготовки и стараний.

Возможные подходы к внедрению ИИ в бизнес-процессы

На наш взгляд, оптимальный план внедрения ИИ должен начинаться с четкого осознания и обоснования того, что бизнес действительно нуждается в этих технологиях. Не исключено, что компания еще не до конца максимально эффективно использует более простые средства автоматизации и цифровизации деятельности — например, технологии RPA и алгоритмические подходы. Если это так, мы рекомендуем довести эти процессы до совершенства прежде, чем входить в историю внедрения средств ИИ.

Если этот предварительный этап пройден, следующим должна стать ревизия традиционного подхода компании к жизненному циклу своих штатных КИС с учетом того, как технологии ИИ и построенные на них продукты смогут улучшить их. Следует уделить пристальное внимание всем процессам жизненного цикла КИС, которые связаны с ИИ и его компонентами: поиску, сбору, очистке, обогащению данных, дообучению моделей, созданию репозиториев данных и моделей и многим другим. Также важно не забывать о вопросах расширения ИТ-инфраструктуры под нужды ИИ (вычислительных мощностей и хранилищ) и обеспечения информационной безопасности, учитывая передовую концепцию управления безопасностью ИИ — AI TRiSM (AI Trust, Risk and Security Management).

Такую ревизию можно провести самостоятельно или с привлечением компетентного внешнего подрядчика. Безусловно, она станет для компании источником новых открытий, поводом для тщательной подготовки и планирования всех аспектов применения ИИ в КИС. На базе результатов ревизии будет гораздо проще и комфортнее планомерно, без неестественной спешки внедрять именно те инструменты ИИ, которые смогут принести наибольший эффект.

Инфраструктурные особенности внедрения ИИ

Напомню, что Группа Rubytech специализируется на решениях для инфраструктуры высоконагруженных систем, поэтому наш опыт и знания в этой области позволяют более пристально рассматривать инфраструктурные аспекты внедрения ИИ. В этом разрезе мы рекомендуем придерживаться инструкции, в которой обозначены особенности внедрения ИИ.

На этапе разработки (модернизации) решения для КИС компания придется выполнить ряд задач, направленных на подготовку данных и LLM. По окончании этого этапа можно переходить к этапу развертывания решения для КИС, а потом и его эксплуатации.

Стоит учитывать то, что на этапе подготовки данных необходимо создать DEV-стенд, который будет жить до окончания разработки решения для КИС. Для перевода КИС в продуктивный режим следует масштабировать DEV-стенд до целевого решения. В этом вопросе, как никогда, важен правильный выбор инфраструктурной платформы, которая не только бы поддержала ресурсоемкие задачи подготовки данных и LLM на стадии разработки, но и обеспечила бы легкий и эффективный переход к работе КИС в продуктивном режиме.

Для решения всех этих задач рекомендуется применение преднастроенных специализированных программно-аппаратных комплексов (ПАК). С их помощью можно существенно сократить время на внедрение решений, ускорить вывод новых продуктов на рынок (минимизировать time-to-market), оптимизировать использование производственных ресурсов и повысить качество сервисов. Например, ПАК для ИИ имеет глубоко интегрированный программно-аппаратный стек для максимальной производительности при работе с ИИ-моделями и обладает высоким уровнем информационной безопасности, а благодаря модульной архитектуре можно выбрать комплекс в оптимальной конфигурации и легко масштабировать инфраструктуру.