Максим Тадевосян: «ИИ не обязательно нужны гигантские мощности»

Искусственный интеллект (ИИ) позволяет компаниям сокращать затраты на рутинные операции, но в перспективе может привести к дефициту квалифицированных специалистов, считает генеральный директор fabricaONE.AI Максим Тадевосян. Группа компаний специализируется на разработке программного обеспечения и создании ИИ-решений. По мнению эксперта, главным ограничением для развития корпоративного ИИ станут не вычислительные мощности и даже не деньги, а нехватка людей, способных внедрять технологию в бизнес-процессы. В интервью «Ведомости. Инновации и технологии» он рассказал, почему инвестиции в крупную вычислительную инфраструктуру могут оказаться избыточными, в каких задачах специализированные модели эффективнее универсальных и как автоматизация меняет требования к сотрудникам.

– Компании еще не завершили импортозамещение, оно требует не только денег, но прежде всего времени. Чтобы создать альтернативу крупной зарубежной промышленной или корпоративной системе, нужно собрать команду, накопить компетенции, разработать продукт и встроить его в действующие процессы. При этом бизнесу необходимо внедрять ИИ: к этому подталкивают кадровый дефицит и давление на маржинальность. Бюджет приходится делить между долгосрочным импортозамещением и решениями, способными дать результат уже сейчас.

У многих компаний горизонт планирования сократился до квартала или года, поэтому приоритет получают проекты, которые способны быстро отразиться на операционных показателях и повысить конкурентоспособность. У компаний с госучастием приоритеты могут быть другими из-за требований к сертификации и отечественному происхождению компонентов.

«Запрос смещается к ИИ-инструментам для конкретных процессов»

– Крупные компании экспериментировали с ИИ в отдельных подразделениях: создавали изолированные тестовые среды, загружали тестовые данные и проверяли гипотезы на нескольких моделях. Это позволяло оценить технологию, но не влияло на экономику бизнеса. Теперь запрос смещается к ИИ-инструментам для конкретных процессов: документооборота, бюджетирования, логистики, производственного планирования, контроля параметров оборудования. Модель должна работать с реальными данными и давать измеримый эффект. Одновременно растут требования к безопасности, качеству результатов и ответственности поставщика.

Первыми ИИ-технологии начали применять банки. Затем к ним присоединилась тяжелая промышленность, где даже небольшое повышение эффективности дает значимый финансовый результат. За последний год мы выделили в отдельное направление ритейл: при низкой маржинальности даже повышение эффективности на доли процента может иметь для крупной сети существенный эффект. В телекоме и других отраслях внедрения тоже идут, но именно финансы, промышленность и розница сейчас формируют основной спрос.

Для таких задач мы развиваем ПАК (программно-аппаратный комплекс. – «Ведомости. Инновации и технологии») с малыми языковыми моделями: комплекс размещается внутри контура заказчика, а модель обучается на данных и правилах конкретного бизнес-процесса.

– Большие модели нужны далеко не для всех задач. Универсальная модель полезна, например, когда компания исследует новое направление, по которому еще нет накопленных данных и формализованных правил. Но большинство ежедневных операций повторяются. В таких процессах важнее точность, скорость ответа и предсказуемость результата, а не широта знаний модели.

Для этого используются специализированные, или доменные, ИИ-модели. Они обучены на правилах и исторических данных конкретного процесса. Если сильно упростить, универсальная модель ищет нужный ответ в огромном массиве информации, а у доменной модели область поиска ограничена конкретной задачей. Поэтому она может точнее следовать требованиям и быстрее отвечать.

Особенно востребован такой подход в промышленности. Еще в начале 2010-х гг. крупные предприятия начали собирать данные с оборудования. Десятки контроллеров на каждом агрегате ежедневно формируют массивы показателей, которых нет в открытых источниках. Эти данные можно использовать для оптимизации производства.

В наших проектах для таких задач применяются малые предметно-специфические модели, которые объединяют преимущества малых моделей – меньшее количество параметров для запуска на менее мощном оборудовании – и доменных моделей. По нашим оценкам, точность выполнения задач в агентских средах, работающих с ними, может достигать 80–85% против 60–70% у универсальных моделей без дополнительного обучения. Также скорость обработки отдельных запросов к модели увеличивается за счет сужения области поиска подходящих результатов. Если модель встроена в производственный или корпоративный процесс, такая разница может влиять уже не только на удобство пользователя, но и на производительность и экономику операции.

«Закрытый контур не исключает человеческий фактор»

– Программно-аппаратные комплексы существовали и 10 лет назад, но тогда обычно поставляли набор оборудования. Для ИИ нужен готовый продукт под конкретную задачу. Он включает вычислительное оборудование, программное обеспечение (ПО) для управления ими и модель, которую необходимо обучить, встроить в процесс и поддерживать.

По нашей оценке, оборудование составляет 55–60% стоимости решения, программное обеспечение – 15–20%, еще около 20% приходится на обучение, внедрение, интеграцию и поддержку модели. Именно последняя часть определяет результат: заказчику нужно улучшить планирование, ускорить обработку документов или повысить выпуск продукции.

Раньше заказчик мог приобрести серверную стойку, затем отдельно решать вопросы совместимости и искать команду для обучения модели. В ИИ-проектах такой подход часто приводит к перекладыванию ответственности: поставщик оборудования ссылается на разработчика ПО, а разработчик – на особенности инфраструктуры. Мы считаем более устойчивой модель единого продукта, когда один исполнитель отвечает за оборудование, программное обеспечение, модель, интеграцию, результат и дальнейшую поддержку.

При этом заказчику важно не попасть в полную зависимость от одного поставщика. Архитектура должна допускать обновление и замену компонентов, а договор – определять, кто поддерживает оборудование, дообучает модель и отвечает за ее работу после изменения исходных данных или бизнес-процесса.

– Нужно разделять прикладной ИИ и инвестиции в крупнейшие центры обработки данных. Я не считаю прикладной ИИ пузырем: компании уже используют его в работе. Но ИИ не обязательно нужны гигантские мощности. Для большинства корпоративных задач достаточно значительно более скромных вычислительных ресурсов.

Мы, вероятно, увидим ту же эволюцию, которую проходила вычислительная техника. Когда-то вычислительная машина занимала несколько этажей, затем появились персональные компьютеры, ноутбуки, планшеты и смартфоны. Сейчас модели уже можно запускать на достаточно мощном персональном устройстве без постоянного подключения к интернету. По мере развития технологии требования к оборудованию для повседневных задач будут снижаться, а сами модели – становиться компактнее.

Крупная инфраструктура сохранится для особо сложных задач с большим объемом вычислений, к примеру фундаментальных исследований, атомной энергетики, космоса и т. д. Но значительная часть корпоративного спроса сместится к специализированным моделям, которые можно развернуть непосредственно на предприятии. Поэтому риск переоценки я вижу скорее в отдельных масштабных инвестициях в вычислительную инфраструктуру, чем в практическом применении ИИ.

– Размещение модели внутри инфраструктуры заказчика снижает риск передачи данных внешним сервисам. Для банков и промышленности с их чувствительной информацией это особенно важно.

Но закрытый контур (внутри собственной IT-инфраструктуры компании. – «Ведомости. Инновации и технологии») не исключает человеческий фактор. Нам известен случай, когда сотрудники публичной компании загрузили финансовую информацию во внешнюю модель для анализа. Служба безопасности заметила передачу данных. Локальный комплекс не поможет, если сотрудники пользуются внешними сервисами без контроля. Подобные риски существовали и раньше – информацию копировали на внешние носители или отправляли за пределы компании. ИИ создал новый канал, но не новую природу проблемы.

Поэтому защита складывается из архитектуры и внутренних политик. Компания должна определить, какие данные допустимо передавать модели и кто имеет к ней доступ. Также важно установить, какие операции она может выполнять и как фиксируются ее действия. Особенно это важно с развитием ИИ-агентов: риск смещается от возможной утечки к реальному действию в корпоративной системе.

В России ИИ в корпоративных процессах пока в основном выступает ассистентом: выявляет отклонения, готовит рекомендации, отмечает подозрительные операции, но окончательное решение принимает человек. Например, антифрод-системы уже используют машинное обучение для поиска нетипичной активности, но решение о дальнейшем взаимодействии с клиентом остается за сотрудником банка. Пределы автоматизации должны определять руководитель процесса вместе со специалистами по рискам, ИТ и безопасности.

– Я бы не спешил вводить детальное регулирование для каждого сценария. Рынок еще формируется, и даже в более зрелых юрисдикциях законодательство не всегда успевает за технологией. На нынешнем этапе общей рамки достаточно, а конкретные требования должны уточняться по мере накопления практики. Если слишком рано подробно описать технологию в нормативных документах, есть риск зафиксировать подходы, которые быстро устареют.

При этом вопросы ответственности уже нельзя откладывать. Необходимо понимать, кто отвечает за качество исходных данных, кто определяет допустимый уровень ошибки, кто проверяет вывод модели и кто принимает окончательное решение. Для разных процессов ответы будут разными: рекомендации по документообороту и управление промышленным агрегатом связаны с разным уровнем риска.

Так было с автомобилями: правила движения и требования безопасности появились по мере распространения технологии. С корпоративным ИИ тоже нужно разбирать инциденты и на их основе вырабатывать стандарты ответственности.

«ИИ берет на себя работу, которую выполняли начинающие специалисты»

– ИИ уже берет на себя часть задач, которые раньше выполняли начинающие разработчики: написание типового кода, тестирование и другие повторяющиеся операции. Для бизнеса это дает быстрый эффект – можно снизить трудозатраты на рутинные задачи и оставить в команде больше узкоспециализированных сотрудников.

В отчетности за первое полугодие мы указывали, что скорректированная EBITDA на одного разработчика в сегменте услуг выросла на 63%. Эту динамику обеспечили не только собственные ИИ-инструменты, сокращающие время написания и тестирования кода, но и оптимизация портфеля проектов и кадровой структуры. Поэтому было бы неверно объяснять изменение численности только внедрением ИИ.

Но здесь возникает долгосрочная проблема. Если компании перестанут нанимать специалистов начального уровня, через несколько лет может оказаться, что не из кого растить ведущих разработчиков, архитекторов и инженеров. Раньше в отрасль входила широкая группа начинающих специалистов, они получали практический опыт, и лишь часть со временем становилась экспертами. Автоматизация сокращает верхнюю часть этой кадровой воронки.

Тот же риск есть в юридической функции, бухгалтерии, проектировании – во всех профессиях, где массовые стартовые позиции служили школой для будущих экспертов и руководителей. Бизнес получает экономию сегодня, но может столкнуться с дефицитом компетенций через несколько лет. Готового ответа, как решить эту проблему, пока нет ни у российского, ни у мирового рынка.

У нас есть собственная образовательная база. Мы продолжаем готовить инженеров и архитекторов для ИИ внутри группы. Для компании это одновременно инвестиция и риск: специалист может получить опыт и перейти к другому работодателю. Но отказаться от подготовки нельзя, иначе кадровая база будет только сужаться.

– ИИ способен оптимизировать повторяющиеся операции, но только отраслевой эксперт понимает исключения, ограничения и цену ошибки. Например, специалист по логистике в металлургии годами изучает цепочку от поставки сырья до отгрузки продукции. Эти знания часто формируются внутри предприятия и отсутствуют в открытых источниках.

Модель способна предложить вариант, но в нестандартной ситуации – например, при нарушении логистической цепочки, дефиците подвижного состава или остановке производства – ответственность за решение остается у человека. У ИИ может не быть достаточной ретроспективы для события, которого раньше не происходило, а стоимость ошибки слишком высока, чтобы передать ему последнее слово.

Поэтому компании важно не только измерять экономию от автоматизации, но и сохранять компетенции, необходимые для проверки выводов модели. Если вместе с рутинной функцией исчезнут все люди, которые понимают процесс изнутри, через несколько лет бизнес может потерять способность определить, права ли система.

– Люди. Не вычислительные мощности, не данные и даже не деньги. Вузы пока не выпускают готовых специалистов по внедрению ИИ в отраслевые процессы. Математическая подготовка дает базу, но нужно еще освоить отрасль и научиться решать ее задачи с помощью технологии.

Парадокс в том, что ИИ должен сокращать потребность в людях, но именно нехватка специалистов будет тормозить его внедрение. Речь идет не только о разработчиках моделей. Нужны инженеры, архитекторы, специалисты по данным и люди, которые понимают производство, финансы или ритейл и способны сформулировать задачу для технологии. Дефицит будет ощущаться не только в России, но и в Китае и США.

При этом один из наиболее недооцененных трендов – рост малых языковых моделей. По нашей предварительной оценке, российский рынок таких решений сейчас составляет около 25,5 млрд руб. и в ближайший год может увеличиться более чем вдвое. Рынок еще не поделен.

Для нас это одно из ключевых направлений. Такие решения востребованы в процессах с множеством взаимодействий между системами, оборудованием и людьми, где даже небольшое улучшение дает финансовый результат.