Туман ИИ
БИЗНЕС / #8_ОКТЯБРЬ_2024
Текст: Наталия АНДРЕЕВА, CEO & founder аналитической группы «Другая стратегия», член Инвестиционного комитета Северо-Западного центра трансфера технологий / Фото: Aramco / Иллюстрация: Midjourney
Венчурно-финансовый угар вокруг ИИ не стихает, но потребители — в первую очередь корпорации — начинают задаваться резонным вопросом: что останется от темы, когда хайп увянет, а разработчики упадут в гартнеровскую долину разочарования? Попробуем разобраться, где ИИ уже принес реальную пользу компаниям, а где оказался неэффективен и почему.
Стратегические высоты
Если 2022 и 2023 годы прошли под лозунгом «сейчас [генеративный] ИИ спасет экономику, бизнес и вселенную», то в 2024‑м компании начали задаваться резонным вопросом: «Где деньги/польза от этого вашего ИИ?»
С точки зрения технологических политики и стратегий, место ИИ в корпоративном контуре уже более или менее определилось: ИИ (в т. ч. генИИ) выступает как это одно из приоритетных направлений инвестиций класса «прикупить долю в технологической компании»; до ВИЭ и прочих климатических технологий ему, конечно, еще предстоит дорасти, но хайп и венчурный пузырь делают свое дело: в 2023 году корпорации проинвестировали в ИИ-компании $ 125 млрд — почти столько же, сколько во все остальные цифровые бизнесы, вместе взятые ($ 146 млрд).
Инвестиционное внимание к ИИ-компаниям понятно: абсолютное большинство CEO (56 % по данным консалтинговой корпорации PricewaterhouseCoopers) рассматривают новые технологии как главный драйвер корпоративных изменений на ближайшие три года; а 47 % (по данным консалтинговой компании Gartner) планируют активно вкладывать корпоративные средства в новые технологии всех родов и видов, в первую очередь — чтобы подстраховаться в ситуации, когда большинство рисков непрогнозируемы и неуправляемы (геополитика, санкции, провалы в цепочках поставок и пр.).
При этом в собственно корпоративном контуре внимание к ИИ заметно меньше. Если судить по количеству вакансий, то лидирует в цифровой повестке все-таки разработка ПО следующих поколений (~0,84 млн вакансий); за разработкой с большим отрывом следуют классические ИИ/ML (0,58 млн), кибербезопасность (0,39 млн), облачные и периферийные вычисления (0,39 млн) и пр.
Если 2022 и 2023 годы прошли под лозунгом «сейчас [генеративный] ИИ спасет экономику, бизнес и вселенную», то в 2024‑м компании начали задаваться резонным вопросом: «Где деньги/польза от этого вашего ИИ?»
С точки зрения технологических политики и стратегий, место ИИ в корпоративном контуре уже более или менее определилось: ИИ (в т. ч. генИИ) выступает как это одно из приоритетных направлений инвестиций класса «прикупить долю в технологической компании»; до ВИЭ и прочих климатических технологий ему, конечно, еще предстоит дорасти, но хайп и венчурный пузырь делают свое дело: в 2023 году корпорации проинвестировали в ИИ-компании $ 125 млрд — почти столько же, сколько во все остальные цифровые бизнесы, вместе взятые ($ 146 млрд).
Инвестиционное внимание к ИИ-компаниям понятно: абсолютное большинство CEO (56 % по данным консалтинговой корпорации PricewaterhouseCoopers) рассматривают новые технологии как главный драйвер корпоративных изменений на ближайшие три года; а 47 % (по данным консалтинговой компании Gartner) планируют активно вкладывать корпоративные средства в новые технологии всех родов и видов, в первую очередь — чтобы подстраховаться в ситуации, когда большинство рисков непрогнозируемы и неуправляемы (геополитика, санкции, провалы в цепочках поставок и пр.).
При этом в собственно корпоративном контуре внимание к ИИ заметно меньше. Если судить по количеству вакансий, то лидирует в цифровой повестке все-таки разработка ПО следующих поколений (~0,84 млн вакансий); за разработкой с большим отрывом следуют классические ИИ/ML (0,58 млн), кибербезопасность (0,39 млн), облачные и периферийные вычисления (0,39 млн) и пр.
Корпоративные инвестиции в технологические компании в 2023 г., $ млрд
Количество корпоративных вакансий по направлениям в 2023 г., млн
Меньшее внимание к ИИ в корпоративном контуре тоже вполне обоснованно. В условиях экономической нестабильности руководство компаний начало внимательно относиться к эффективности покупки/внедрения цифровых технологий, платформ, продуктов и пр. В частности, еще в 2022 году 80 % СЕО начали требовать от своих «цифровых трансформаторов» конкретных, измеримых результатов, демонстрирующих пользу от «цифры» (рост прибыли, вовлеченности пользователей и пр.), отмечает Gartner. Требования появились не на пустом месте: в последние два года поставленных целей в области цифровой трансформации достигла только треть компаний, и только четверти компаний удалось сократить операционные расходы на столько, на сколько было запланировано (по данным McKinsey).
В целом систематическое «нарушение обещаний» со стороны вендоров, цифровых подразделений и околоцифрового хайпа привело к тому, что за последние 10 лет доверие к CDO и «цифре» со стороны CEO снизилось почти в два раза: по данным опросов IBM, если в 2013 году 64 % руководителей считали, что IT-департаменты и прочие цифровизаторы эффективны и в полной мере выполняют свои обязательства, то в 2024 году в этом уверены только 36 % CEO.
В целом систематическое «нарушение обещаний» со стороны вендоров, цифровых подразделений и околоцифрового хайпа привело к тому, что за последние 10 лет доверие к CDO и «цифре» со стороны CEO снизилось почти в два раза: по данным опросов IBM, если в 2013 году 64 % руководителей считали, что IT-департаменты и прочие цифровизаторы эффективны и в полной мере выполняют свои обязательства, то в 2024 году в этом уверены только 36 % CEO.
Доля руководителей, считающих IT и цифровые подразделения эффективными, % ответивших
В таких условиях инвестиции в ИИ — как с точки зрения покупки компаний, так и с точки зрения внедрения ИИ в бизнес — играют не то чтобы радужными красками.
Завод компании Saudi Aramco
Коза и баян
Во-первых, все счастливые [и пока не использующие ИИ] компании счастливы одинаково, все несчастные несчастны по-своему: устоявшихся практик и юзкейсов применения ИИ всех видов и родов на рынке пока просто нет, и практически каждая компания вынуждена искать их самостоятельно — кроме, разве что, типовых задач вроде анализа выгрузки из CRM, для решения которых можно быстро приспособить доступные коробочные решения. В частности, по результатам опросов Gartner, почти половина компаний из США и ЕС считают самым большим вызовом внедрения ИИ-решений нехватку «историй успеха» — с точки зрения оценки потенциальных выгод от ИИ и подготовки обоснований для соответствующих инвестиций.
Самые быстрые, четкие и богатые компании уже определились с тем, где, почем и зачем им нужен ИИ; а все остальные пока готовы разве что заменять роботами операторов колл-центров (каждая четвертая компания), «прикручивать» ИИ к продуктам (в том числе для шильдика «мы используем новейшие технологии, платите нам больше») и персонализировать пользовательский опыт (каждая пятая компания).
Во-первых, все счастливые [и пока не использующие ИИ] компании счастливы одинаково, все несчастные несчастны по-своему: устоявшихся практик и юзкейсов применения ИИ всех видов и родов на рынке пока просто нет, и практически каждая компания вынуждена искать их самостоятельно — кроме, разве что, типовых задач вроде анализа выгрузки из CRM, для решения которых можно быстро приспособить доступные коробочные решения. В частности, по результатам опросов Gartner, почти половина компаний из США и ЕС считают самым большим вызовом внедрения ИИ-решений нехватку «историй успеха» — с точки зрения оценки потенциальных выгод от ИИ и подготовки обоснований для соответствующих инвестиций.
Самые быстрые, четкие и богатые компании уже определились с тем, где, почем и зачем им нужен ИИ; а все остальные пока готовы разве что заменять роботами операторов колл-центров (каждая четвертая компания), «прикручивать» ИИ к продуктам (в том числе для шильдика «мы используем новейшие технологии, платите нам больше») и персонализировать пользовательский опыт (каждая пятая компания).
Наиболее частые применения ИИ в компаниях, % ответивших
Во-вторых, результаты корпоративного ИИ-самоопределения предсказуемы: ИИ в большинстве приличных компаний прикладной: классические ИИ с ML/DL и «тяжелые» аналитические ИИ (BI), работающие с большими [проприетарными/пользовательскими] данными. По данным Deloitte, в части применений ИИ большинство руководителей склоняются к сложной аналитике данных и разворачиванию масштабных рекомендательных систем; еще четверть верят в возможность использования ИИ для автоматизации решений.
Что до неприлично «перегретого» генИИ, то в контуре ИИ-экосистем он пока пробавляется ролями третьего плана, вроде драфтинга документов, генерации подсказок для продажников/консультантов и пр. Исключений (случаев, когда генИИ заметно повышает качество и скорость бизнес-процессов) пока только два: а) оптимизация разработки ПО, где генИИ таки работает и дает приличные результаты, б) кастомизация пользовательского опыта в компаниях, сидящих на CRM-системах, то есть в основном в e-commerce и банках.
Реальная востребованность генеративного ИИ хорошо видна по кадровым запросам корпораций: несмотря на заметный (+100−110 % в год) прирост профильных вакансий, спрос на специалистов в прикладных ИИ пока в 8−10 раз больше.
Что до неприлично «перегретого» генИИ, то в контуре ИИ-экосистем он пока пробавляется ролями третьего плана, вроде драфтинга документов, генерации подсказок для продажников/консультантов и пр. Исключений (случаев, когда генИИ заметно повышает качество и скорость бизнес-процессов) пока только два: а) оптимизация разработки ПО, где генИИ таки работает и дает приличные результаты, б) кастомизация пользовательского опыта в компаниях, сидящих на CRM-системах, то есть в основном в e-commerce и банках.
Реальная востребованность генеративного ИИ хорошо видна по кадровым запросам корпораций: несмотря на заметный (+100−110 % в год) прирост профильных вакансий, спрос на специалистов в прикладных ИИ пока в 8−10 раз больше.
Динамика корпоративных вакансий по направлениям, млн
ИИ в компании Saudi Aramco (Саудовская Аравия)
Saudi Aramco — национальная нефтегазовая компания, вторая в мире по объему выручки, вторая из нефтяных по размеру подтвержденных запасов нефти; одна из самых дорогих компаний в мире (по рыночной капитализации).
В 2019 году в компании был создан Центр четвертой промышленной революции (4IR Center), а в его контуре — ИИ-хаб, ответственный за разработку/покупку и внедрение ИИ-решений в бизнес-процессы. К 2024 году хаб разработал 55 ИИ-решений; в репозитории хаба поступают данные о 3 млн процессов (5 млрд дата-пойнтов в день).
Примеры применений ИИ в Saudi Aramco
В 2019 году в компании был создан Центр четвертой промышленной революции (4IR Center), а в его контуре — ИИ-хаб, ответственный за разработку/покупку и внедрение ИИ-решений в бизнес-процессы. К 2024 году хаб разработал 55 ИИ-решений; в репозитории хаба поступают данные о 3 млн процессов (5 млрд дата-пойнтов в день).
Примеры применений ИИ в Saudi Aramco
- Мониторинг возгораний газа в газопроводах и на производствах: ИИ, разработанный инхауз, в режиме реального времени обрабатывает данные с 18 тыс. источников (сенсоры, датчики, спутниковая съемка и пр.) и а) визуализирует состояние газопроводной и газоперерабатывающей систем, б) выявляет возгорания, в) прогнозирует потенциальные возгорания. Результаты применения: сокращение случаев возгорания на 50 % и достижение доли возгораний в потерях газа до 1 % (один из лучших показателей по нефтегазовой индустрии).
- Мониторинг состояния нефтяного поля Хурайс (500+ скважин): инхауз-ИИ обрабатывает данные с 40 тыс. датчиков для оптимизации широкого спектра процессов (количество топливного газа в бойлерах; управление роботами технического обслуживания; выявление потенциальных утечек и пр.). Результаты применения: +15 % добытой нефти; радикальное сокращение времени реагирования на технические проблемы.
- Моделирование нефтяных полей, скважин и пр.: собственный ИИ-симулятор полей и скважин TeraPOWERS включает всю нефте- и газоносную систему Аравийского полуострова; модели обновляются в режиме реального времени — интегрируют данные со скважин, пробных бурений и пр.
- Мониторинг производства и управление им: BI-система, в режиме реального времени собирающая и обрабатывающая данные из 100+ тыс. источников (сенсоры со скважин, трубопроводов, перерабатывающих мощностей и пр.); находится в пользовании отдела планирования добычи и поставок нефти.
- Мониторинг цепочек поставок и управление ими: набор ИИ-решений и решений в области автоматизации для а) оптимизации глобальной логистики поставок нефти и нефтепродуктов, б) end-to-end прослеживаемости поставок, в) своевременного выявления проблем.
Казалось бы, маркетинг и продажи должны активно использовать генИИ для генерации изображений/текстов (SMM, персонализированные предложения для потребителей и пр.). Но нет: хотя, по данным IBM, почти для половины организаций использование генИИ в маркетинге/взаимодействии с клиентами — цифровой приоритет номер один, реально для этих целей генИИ пока использует лишь каждая третья компания (по данным McKinsey); даже вроде бы уже привычные потребителям чат-боты служб поддержки внедрены пока всего в 6 % организаций (согласно стэнфордскому Artificial Intelligence Index Report 2024).
(Это, конечно, официальные цифры: сотрудники активно и массово используют ИИ-генерацию как для SMM-текстов, так и для обработки инфографики, и для решения прочих рутинных задач; просто руководители, которых опрашивают консультанты, об этом не знают или не готовы публично это признать; в частности, один из опросов Ernst&Young показал, что неофициально ИИ на работе используют девять из 10 работников.)
(Это, конечно, официальные цифры: сотрудники активно и массово используют ИИ-генерацию как для SMM-текстов, так и для обработки инфографики, и для решения прочих рутинных задач; просто руководители, которых опрашивают консультанты, об этом не знают или не готовы публично это признать; в частности, один из опросов Ernst&Young показал, что неофициально ИИ на работе используют девять из 10 работников.)
Корпоративные функции, выигрывающие от внедрения ИИ, % ответивших
Интересный [статистический] факт на полях: самый частый случай применения генИИ — использование ИИ, встроенного в массовые решения вендоров, типа Copilot от Microsoft или Adobe Firefly. Как показывают свежие опросы Gartner (2024), в США, Германии и Великобритании Copilot и аналоги — единственный вид генИИ, используемый 34 % компаний, считающихся «продвинутыми» в части применения генеративного искусственного интеллекта. Всё более сложное применяется реже: мало-мальски умное использование генИИ (промпт-инжиниринг) практикуют 25 % компаний; обучение и донастройку генИИ — 21 %, а использование самостоятельных решений (ChatGPT, Gemini и пр.), не встроенных в массовые IT-продукты, — уже только 19 %.
В-третьих, внедрение любого ИИ, хоть аналитического/прикладного, хоть генеративного, — не фунт изюма даже в тех [не самых частых] случаях, когда понятно, кому и зачем он, этот ИИ, нужен. Самый горящий вопрос тут — это, конечно, данные и всё, что с ними связано.
В-третьих, внедрение любого ИИ, хоть аналитического/прикладного, хоть генеративного, — не фунт изюма даже в тех [не самых частых] случаях, когда понятно, кому и зачем он, этот ИИ, нужен. Самый горящий вопрос тут — это, конечно, данные и всё, что с ними связано.
Больше данных
Самая главная (и самая неочевидная) проблема данных -как ни странно, не техническая, а управленческая и коммуникативная: по данным опросов IBM (2024), две трети CEO и директоров по финансам считают, что с чем с чем, а с данными для ИИ/ML у их компаний все в порядке.
При этом CDO и руководители, связанные с IT-функциями и внедрением новых технологий, не разделяют оптимизма начальства: только 29 % ответственных за технологии считают, что системы управления данными в компаниях соответствуют требованиям к качеству, доступности и безопасности данных, в том числе для внедрения генИИ; а еще 45 % говорят о том, что за последние полгода у них повысилась тревожность по поводу точности/байесов в данных, и как раз из-за сияющих ИИ-перспектив.
Тревоги CDO по поводу данных не случайны: сложности с данными — вторая по важности ИИ-проблема (25 % компаний) после дефицита навыков и экспертизы (33 %); опросы IBM показывают, что все остальное — вопросы этики, сложности с интеграцией ИИ-решений в бизнес-процессы, цены и пр. — волнует организации меньше.
Примерно та же история происходит и с генеративным ИИ. Как показали недавние опросы, проведенные компанией McKinsey, 70 % организаций, активно внедряющих генИИ, в той или иной форме сталкиваются с проблемой данных; она догоняет даже такую традиционную ИИ-страшилку, как дефицит кадров; а репутационные и/или юридические риски, связанные с ИИ-галлюцинациями, инфраструктурные вызовы и пр. со страшной скоростью обгоняет.
(Есть, конечно, нюансы, связанные с масштабами деятельности компаний: крупные организации, например, в связи с генИИ куда больше волнуются по поводу безопасности/приватности данных, представляя, во сколько им обойдутся иски от приличных, уважаемых клиентов в случае утечки; но в среднем по больнице данные «болят» больше.)
Самая главная (и самая неочевидная) проблема данных -как ни странно, не техническая, а управленческая и коммуникативная: по данным опросов IBM (2024), две трети CEO и директоров по финансам считают, что с чем с чем, а с данными для ИИ/ML у их компаний все в порядке.
При этом CDO и руководители, связанные с IT-функциями и внедрением новых технологий, не разделяют оптимизма начальства: только 29 % ответственных за технологии считают, что системы управления данными в компаниях соответствуют требованиям к качеству, доступности и безопасности данных, в том числе для внедрения генИИ; а еще 45 % говорят о том, что за последние полгода у них повысилась тревожность по поводу точности/байесов в данных, и как раз из-за сияющих ИИ-перспектив.
Тревоги CDO по поводу данных не случайны: сложности с данными — вторая по важности ИИ-проблема (25 % компаний) после дефицита навыков и экспертизы (33 %); опросы IBM показывают, что все остальное — вопросы этики, сложности с интеграцией ИИ-решений в бизнес-процессы, цены и пр. — волнует организации меньше.
Примерно та же история происходит и с генеративным ИИ. Как показали недавние опросы, проведенные компанией McKinsey, 70 % организаций, активно внедряющих генИИ, в той или иной форме сталкиваются с проблемой данных; она догоняет даже такую традиционную ИИ-страшилку, как дефицит кадров; а репутационные и/или юридические риски, связанные с ИИ-галлюцинациями, инфраструктурные вызовы и пр. со страшной скоростью обгоняет.
(Есть, конечно, нюансы, связанные с масштабами деятельности компаний: крупные организации, например, в связи с генИИ куда больше волнуются по поводу безопасности/приватности данных, представляя, во сколько им обойдутся иски от приличных, уважаемых клиентов в случае утечки; но в среднем по больнице данные «болят» больше.)
Наиболее распространенные вызовы, с которыми сталкивались компании при внедрении генИИ, % компаний, столкнувшихся с проблемой
Разрыв в понимании между CEO и CDO/прочими околотехнологическими управленцами, к сожалению, неизбежен. Сразу после слов: «Хьюстон, у нас проблемы с данными», — начинаются технические детали, рассказ о которых переживет не каждый генеральный директор.
Во-первых, данных нужно не просто много, а очень много: для обучения GPT‑3 от OpenAI (модель, на которой работает ChatGPT) понадобились около 45 Тб только текстовых данных и доступ к огромному количеству открытых и проприетарных (в частности, к базе Shutterstock’а — одного из крупнейших сервисов по продаже изображений в высоком качестве).
Плохая [для не-технологических управленцев] новость: данные нужны не только для «обучения ИИ с нуля», но и для тонкой настройки (fine-tuning) генеративного ИИ.
Например, рекомендуемые объемы дата-сетов для донастройки LLM (Large Language Model — нейросеть для работы с текстами) от Microsoft — десятки тысяч аннотированных примеров, и чем меньше тренируемая модель, тем больше нужно данных: для донастройки ada, например, — от 100 тыс. до 1 млн примеров; а для text-davinchi‑002 теоретически может хватить и ста.
(Кстати, дефицит данных — одна из причин, по которой LLM-предложения от российских вендоров пока не дотягивают до топовых зарубежных разработок: корпус доступных данных на русском языке на порядки меньше, чем на английском и китайском. Все, конечно, изворачиваются как могут: VK, например, использует как бы «ничей» контент открытых сообществ и комментариев в них, — но зарубежные LLM уже дошли до границ интернетов и начинают испытывать дефицит данных; а о том, как с этим обстоят дела в русскоязычном сегменте, наверное, лучше даже не думать.)
Во-вторых, нельзя скормить ИИ случайное содержимое корпоративного сервера и ждать чудес: ИИ не решит проблему разрозненных данных из разрозненных источников; чтобы получить связный и логичный результат, нужны связные и логичные данные/примеры. И вопреки радужным прогнозам («Уж генИИ-то сможет любой мусор превратить в конфетку!»), до конфеток еще далековато, особенно если вести речь не об обучении модели с нуля, а о тонкой донастройке: в открытых дата-сетах (Common Crawl, C4, The Pile, LAION и пр.), собранных по сусекам Интернета, много мусора, и годятся они в основном для обучения «универсальных» моделей.
Проще говоря, чем специфичнее домен знаний/примеры, необходимые для [до]обучения ИИ, тем сложнее получить и подготовить данные — в частности, потому, что люди, способные качественно подготовить примеры по какой-то узкой теме, влетят в копеечку. И еще потому, что это вам не проверка знаний YandexGPT на предмет того, какая страна первой применила ядерную бомбу.
Во-первых, данных нужно не просто много, а очень много: для обучения GPT‑3 от OpenAI (модель, на которой работает ChatGPT) понадобились около 45 Тб только текстовых данных и доступ к огромному количеству открытых и проприетарных (в частности, к базе Shutterstock’а — одного из крупнейших сервисов по продаже изображений в высоком качестве).
Плохая [для не-технологических управленцев] новость: данные нужны не только для «обучения ИИ с нуля», но и для тонкой настройки (fine-tuning) генеративного ИИ.
Например, рекомендуемые объемы дата-сетов для донастройки LLM (Large Language Model — нейросеть для работы с текстами) от Microsoft — десятки тысяч аннотированных примеров, и чем меньше тренируемая модель, тем больше нужно данных: для донастройки ada, например, — от 100 тыс. до 1 млн примеров; а для text-davinchi‑002 теоретически может хватить и ста.
(Кстати, дефицит данных — одна из причин, по которой LLM-предложения от российских вендоров пока не дотягивают до топовых зарубежных разработок: корпус доступных данных на русском языке на порядки меньше, чем на английском и китайском. Все, конечно, изворачиваются как могут: VK, например, использует как бы «ничей» контент открытых сообществ и комментариев в них, — но зарубежные LLM уже дошли до границ интернетов и начинают испытывать дефицит данных; а о том, как с этим обстоят дела в русскоязычном сегменте, наверное, лучше даже не думать.)
Во-вторых, нельзя скормить ИИ случайное содержимое корпоративного сервера и ждать чудес: ИИ не решит проблему разрозненных данных из разрозненных источников; чтобы получить связный и логичный результат, нужны связные и логичные данные/примеры. И вопреки радужным прогнозам («Уж генИИ-то сможет любой мусор превратить в конфетку!»), до конфеток еще далековато, особенно если вести речь не об обучении модели с нуля, а о тонкой донастройке: в открытых дата-сетах (Common Crawl, C4, The Pile, LAION и пр.), собранных по сусекам Интернета, много мусора, и годятся они в основном для обучения «универсальных» моделей.
Проще говоря, чем специфичнее домен знаний/примеры, необходимые для [до]обучения ИИ, тем сложнее получить и подготовить данные — в частности, потому, что люди, способные качественно подготовить примеры по какой-то узкой теме, влетят в копеечку. И еще потому, что это вам не проверка знаний YandexGPT на предмет того, какая страна первой применила ядерную бомбу.
Архитектура для дообучения GPT‑4 в Morgan Stanley
В Morgan Stanley (американский финансовый конгломерат, вторая по величине транснациональная компания США) работает около 16 тыс. «финансовых советников/консультантов», сопровождающих клиентов. В 2022 году на базе GPT‑3+ компания создала для них внутренний «вопрос-ответный» сервис, позволяющий быстро извлекать нужные инсайты и сведения из корпоративной базы знаний.
Основные компоненты сервиса
1. Базовая LLM + тематические субмодели по различным доменам финансового знания (инвестиционные рекомендации, страхование и пр.) на ее основе.
2. End-to-end система управления контентом/данными:
2.1. data-команда, занимающаяся наполнением/развитием единого корпоративного репозитория данных;
2.2. cтруктурированный и аннотированный массив из 100+ тыс. исследовательских (аналитических, социологических и пр.) проприетарных/закрытых документов Morgan Stanley, связанных со сферой финансов.
3. Процедуры поддержания работоспособности системы:
3.1. проверка данных, добавляемых в массив:
3.2. Регулярные техосмотры и «донастройки»:
4. Правила пользования системой: запрет на «долгие разговоры на посторонние темы» и на использование нетематических промптов (для снижения количества галлюцинаций; аналогичный запрет, например, введен для чат-бота Bing).
Основные компоненты сервиса
1. Базовая LLM + тематические субмодели по различным доменам финансового знания (инвестиционные рекомендации, страхование и пр.) на ее основе.
2. End-to-end система управления контентом/данными:
2.1. data-команда, занимающаяся наполнением/развитием единого корпоративного репозитория данных;
2.2. cтруктурированный и аннотированный массив из 100+ тыс. исследовательских (аналитических, социологических и пр.) проприетарных/закрытых документов Morgan Stanley, связанных со сферой финансов.
3. Процедуры поддержания работоспособности системы:
3.1. проверка данных, добавляемых в массив:
- data-комплаенс для качественных/исследовательских данных: каждый документ проверяется независимым оценщиком (тематическим экспертом) внутри компании;
- data-комплаенс для неисследовательских данных: команда «оценщиков», проверяющая все блоки данных (текстовых, табличных и пр.), вносимых в базу, с точки зрения качества разметки/тегов, «битых» ссылок, наличия summary и пр. и ранжирующая документы по качеству;
- data-комплаенс по актуальности: оперативные данные (например, стоимость акций компаний) регулярно обновляются, дабы обеспечить высокую добавленную ценность ответов системы.
3.2. Регулярные техосмотры и «донастройки»:
- еженедельная проверка по «мастер-вопросам» (выдает ли система правильные ответы);
- real-time доступ пользователей к коду/ссылкам, отсылающим к документам, на основании которых генерируются ответы.
4. Правила пользования системой: запрет на «долгие разговоры на посторонние темы» и на использование нетематических промптов (для снижения количества галлюцинаций; аналогичный запрет, например, введен для чат-бота Bing).
В-третьих, есть данные — и данные.
Условная база знаний, состоящая из исследовательских документов, художественной литературы и пр., устаревает очень медленно или вообще не устаревает. Но data-счастье не в базах, а в real-time данных, это верно для всех видов ИИ и почти для всех его применений [с высокой добавленной стоимостью]: мониторинг технических неполадок, персонализация пользовательского опыта (например, предложение товаров при использовании маркетплейса), извлечение свежих данных (курс акций конкретной компании на бирже) — всё это требует процессинга real-time данных, к которому мало кто готов. В 2024 году вопрос обработки real-time данных волнует две трети CDO/технических специалистов, ответственных за ИИ и ML в компаниях: 65 % говорят об инфраструктурных ограничениях для нормальной обработки данных, 62 % — о банальной недоступности нужных данных (несвоевременность получения, низкое качество и пр.).
В-четвертых, одно из самых узких мест в части получения нужных данных — человеческий фактор: по данным свежих опросов Amazon, 70 % CDO считают, что самый большой и сложный вызов в части внедрения ИИ (да и любых цифровых технологий) — организационные и поведенческие ограничения, или, если называть вещи своими именами, сопротивление сотрудников, которым навязывают новые решения, инструменты и — в случае с данными — задачи. На отсутствие «культуры обращения с данными» жалуются 59 % CDO, и по важности к этой проблеме приближается только традиционная нехватка ресурсов (55 %).
(Примерно на этом месте любой не-технический сотрудник, слушающий рассказ CDO, хоть офис-менеджер, хоть генеральный директор, должен начать просить пощады. А ведь дело еще не дошло до таких вопросов, как, скажем, MLOps/ModelOps и инфраструктура под них!)
Весь этот клубок проблем предсказуемо приводит к тому, что проблемами данных предпочитают не заниматься («Я не вижу — меня не видят!»): если верить IBM, только в половине организаций, более или менее системно вкладывающихся в цифровые технологии, разработана нормальная архитектура сбора/хранения/обработки данных; корпоративные стандарты данных есть у 42 % компаний, «потребительские» мастер-данные — у 46 %, а «продуктовые» — только у 35 %.
Условная база знаний, состоящая из исследовательских документов, художественной литературы и пр., устаревает очень медленно или вообще не устаревает. Но data-счастье не в базах, а в real-time данных, это верно для всех видов ИИ и почти для всех его применений [с высокой добавленной стоимостью]: мониторинг технических неполадок, персонализация пользовательского опыта (например, предложение товаров при использовании маркетплейса), извлечение свежих данных (курс акций конкретной компании на бирже) — всё это требует процессинга real-time данных, к которому мало кто готов. В 2024 году вопрос обработки real-time данных волнует две трети CDO/технических специалистов, ответственных за ИИ и ML в компаниях: 65 % говорят об инфраструктурных ограничениях для нормальной обработки данных, 62 % — о банальной недоступности нужных данных (несвоевременность получения, низкое качество и пр.).
В-четвертых, одно из самых узких мест в части получения нужных данных — человеческий фактор: по данным свежих опросов Amazon, 70 % CDO считают, что самый большой и сложный вызов в части внедрения ИИ (да и любых цифровых технологий) — организационные и поведенческие ограничения, или, если называть вещи своими именами, сопротивление сотрудников, которым навязывают новые решения, инструменты и — в случае с данными — задачи. На отсутствие «культуры обращения с данными» жалуются 59 % CDO, и по важности к этой проблеме приближается только традиционная нехватка ресурсов (55 %).
(Примерно на этом месте любой не-технический сотрудник, слушающий рассказ CDO, хоть офис-менеджер, хоть генеральный директор, должен начать просить пощады. А ведь дело еще не дошло до таких вопросов, как, скажем, MLOps/ModelOps и инфраструктура под них!)
Весь этот клубок проблем предсказуемо приводит к тому, что проблемами данных предпочитают не заниматься («Я не вижу — меня не видят!»): если верить IBM, только в половине организаций, более или менее системно вкладывающихся в цифровые технологии, разработана нормальная архитектура сбора/хранения/обработки данных; корпоративные стандарты данных есть у 42 % компаний, «потребительские» мастер-данные — у 46 %, а «продуктовые» — только у 35 %.
Кадровая анемия (да, но нет)
Ситуация с ИИ-кадрами в корпорациях складывается почти такая же парадоксальная, как с данными: как показывают опросы IBM, две трети СЕО считают, что у их цифровых команд и сотрудников вполне достаточно навыков для того, чтобы успешно внедрять новые технологии, в том числе генИИ. Управленцы же от технологий не уверены в прекрасной кадровой обеспеченности: более или менее позитивно оценивают кадровый потенциал компаний половина CTO, а 40 % говорят, что их сильно беспокоит ситуация с навыками в области генИИ.
Проблема не ограничивается неумением использовать ИИ (любой): внедрение в бизнес-процессы платформ/сервисов на основе ИИ приводит к тому, что меняется спектр требований к имеющимся и потенциальным сотрудникам. В частности, по данным свежих опросов Deloitte (2024), компании в США [вынужденно] приоритезируют навыки в части анализа данных, промпт-инжиниринга (предсказуемо) и оценки информации (видимо, в духе «как понять, что ваш ИИ не бредит?»).
Ситуация с ИИ-кадрами в корпорациях складывается почти такая же парадоксальная, как с данными: как показывают опросы IBM, две трети СЕО считают, что у их цифровых команд и сотрудников вполне достаточно навыков для того, чтобы успешно внедрять новые технологии, в том числе генИИ. Управленцы же от технологий не уверены в прекрасной кадровой обеспеченности: более или менее позитивно оценивают кадровый потенциал компаний половина CTO, а 40 % говорят, что их сильно беспокоит ситуация с навыками в области генИИ.
Проблема не ограничивается неумением использовать ИИ (любой): внедрение в бизнес-процессы платформ/сервисов на основе ИИ приводит к тому, что меняется спектр требований к имеющимся и потенциальным сотрудникам. В частности, по данным свежих опросов Deloitte (2024), компании в США [вынужденно] приоритезируют навыки в части анализа данных, промпт-инжиниринга (предсказуемо) и оценки информации (видимо, в духе «как понять, что ваш ИИ не бредит?»).
Навыки, выходящие на первый план в связи с развитием генИИ
Впрочем, управленцев от цифры и технологий беспокоят и другие вещи, и другие навыки. 58 % CTO испытывают сложности с наймом людей на ключевые должности, причем куда больше генИИ их тревожит дефицит специалистов по приватности/анонимизации данных (39 % CTO) и облачным технологиям (36 %); за кадровые судьбы ИИ тревожатся 29 % CTO. Ну и, для полноты картины, каждый третий считает, что в ближайшие три года «технологическим» специалистам компаний придется переобучаться (по данным IBM).
Универсального алгоритма для решения кадровых проблем у компаний пока нет, но (опять же по данным опросов) 66 % руководителей считают, что эффективнее нанять профильных ИИ-специалистов на рынке, чем переучивать собственных сотрудников. Подход «новых наделать» планируют применять и для того, чтобы «дособрать» куда менее сложные навыки, в том числе дата-грамотность (62 % СЕО склоняются к найму новых людей) и базовая цифровая грамотность (60 % СЕО).
(Как обычно, больше половины СТО при этом рапортуют (судя по опросам IBM), что им не дают нанимать нужных людей, объясняя это финансовыми ограничениями.)
Самое грустное — то, что в кадровом обеспечении ИИ (как прикладного, так и генереативного) уже сложился структурный дисбаланс спроса и предложения. Если верить последним оценкам McKinsey (2024), количество «специалистов по генИИ» (людей, указывающих навыки работы с генИИ в резюме) на рынке уже в 12+ раз превышает реальный спрос; при этом компании [вроде бы] страдают и не могут найти нужных людей.
Универсального алгоритма для решения кадровых проблем у компаний пока нет, но (опять же по данным опросов) 66 % руководителей считают, что эффективнее нанять профильных ИИ-специалистов на рынке, чем переучивать собственных сотрудников. Подход «новых наделать» планируют применять и для того, чтобы «дособрать» куда менее сложные навыки, в том числе дата-грамотность (62 % СЕО склоняются к найму новых людей) и базовая цифровая грамотность (60 % СЕО).
(Как обычно, больше половины СТО при этом рапортуют (судя по опросам IBM), что им не дают нанимать нужных людей, объясняя это финансовыми ограничениями.)
Самое грустное — то, что в кадровом обеспечении ИИ (как прикладного, так и генереативного) уже сложился структурный дисбаланс спроса и предложения. Если верить последним оценкам McKinsey (2024), количество «специалистов по генИИ» (людей, указывающих навыки работы с генИИ в резюме) на рынке уже в 12+ раз превышает реальный спрос; при этом компании [вроде бы] страдают и не могут найти нужных людей.
% спроса на специалистов, который может быть покрыт за счет [формально] доступных кадров (людей, указавших соответствующие навыки в резюме)
Лучше всего ситуацию с системным дисбалансом рынка «цифровых навыков», пожалуй, отражают кадровые планы компаний из разных индустрий: согласно отчету международного кадрового агентства Adecco, на внешнем рынке планируют искать ИИ-специалистов не только e-коммерс/ритейл (72 %), автопром (67 %), энергетика (65 %) и аэрокосмическая отрасль (64 %), но и больше половины IT-компаний (59 %), что — с учетом то и дело происходящих в хайтек-индустриях массовых сокращений персонала — выглядит прямо-таки угрожающе.
Далеко идущие выводы
Всё вышесказанное можно обобщить примерно следующим образом.
Во-первых, важно отделять хайп от котлет: ИИ — не панацея и не серебряная пуля; у него должно быть место в технологической/бизнес-стратегии компании, иначе получится искусство ради искусства (никогда такого не было, и вот опять!). Именно поэтому ключевые задачи, над которыми бьются цифровизаторы от сохи, — получение понятных юзкейсов и оценка эффективности применения ИИ.
Всё вышесказанное можно обобщить примерно следующим образом.
Во-первых, важно отделять хайп от котлет: ИИ — не панацея и не серебряная пуля; у него должно быть место в технологической/бизнес-стратегии компании, иначе получится искусство ради искусства (никогда такого не было, и вот опять!). Именно поэтому ключевые задачи, над которыми бьются цифровизаторы от сохи, — получение понятных юзкейсов и оценка эффективности применения ИИ.
Ключевые инициативы/активности CDO, % ответивших
Конечно, консалтерские компании много и со вкусом пишут/говорят о том, что ИИ — это революция, что компании должны создавать специальные управления/С-позиции для руководства повсеместной ИИ-зацией. Но, как известно, чем больше новых подразделений, тем лучше продаются консалтерские продукты.
Во-вторых, нет искусственного интеллекта в вакууме; есть цифровая экосистема компании, в которой у всех видов ИИ (прикладной/ML, генИИ, далее везде) есть свои роли, цели и задачи. Как показывает практика, сейчас основная добавленная ИИ-стоимость лежит в сфере скучного прикладного ИИ с предиктивной аналитикой, оптимизацией производственных процессов, сложнейшим процессингом real-time данных и пр.
В-третьих, не в ИИ-моделях счастье, а в проприетарных/уникальных данных, на которых эти модели можно довести до ума. Именно поэтому корпорации, могущие себе это позволить, разрабатывают собственные ИИ-модели и ИИ-подобные решения (как Aramco, у которой уже больше 50 внутренних ИИ-продуктов). Коробочные ИИ-продукты — это для бедных, а [как бы] бесплатные генИИ/LLM — еще и для глупых.
Во-вторых, нет искусственного интеллекта в вакууме; есть цифровая экосистема компании, в которой у всех видов ИИ (прикладной/ML, генИИ, далее везде) есть свои роли, цели и задачи. Как показывает практика, сейчас основная добавленная ИИ-стоимость лежит в сфере скучного прикладного ИИ с предиктивной аналитикой, оптимизацией производственных процессов, сложнейшим процессингом real-time данных и пр.
В-третьих, не в ИИ-моделях счастье, а в проприетарных/уникальных данных, на которых эти модели можно довести до ума. Именно поэтому корпорации, могущие себе это позволить, разрабатывают собственные ИИ-модели и ИИ-подобные решения (как Aramco, у которой уже больше 50 внутренних ИИ-продуктов). Коробочные ИИ-продукты — это для бедных, а [как бы] бесплатные генИИ/LLM — еще и для глупых.
Росс[ИИ]я
Доступная информация о том, насколько ИИ (любой) востребован в России, разнообразна, но, по официальным данным, ИИ используют около 52 % крупных российских организаций и 21 % говорит о планах его использования. Ситуация предсказуемо варьируется в зависимости от отраслей: в 2023 году лидерами по внедрению ИИ в стране были финансовые организации (читай, топ‑20 банков), ИКТ и ТЭК; аутсайдерами — экология, сфера образования и агропромышленный комплекс.
В части применения ИИ российские компании движутся строго в общемировом фарватере: согласно исследованию консалтинговой компании «Яков и партнеры», наиболее частые случаи применения (неуточненного) ИИ — это маркетинг/продажи и оптимизация взаимодействия с потребителями (кастомизация, чат-боты служб поддержки и пр.). Отраслевая специфика похожа на глобальную: о самых заметных эффектах от внедрения ИИ говорят предприятия из сферы ритейла, банки и ИКТ-компании.
Доступная информация о том, насколько ИИ (любой) востребован в России, разнообразна, но, по официальным данным, ИИ используют около 52 % крупных российских организаций и 21 % говорит о планах его использования. Ситуация предсказуемо варьируется в зависимости от отраслей: в 2023 году лидерами по внедрению ИИ в стране были финансовые организации (читай, топ‑20 банков), ИКТ и ТЭК; аутсайдерами — экология, сфера образования и агропромышленный комплекс.
В части применения ИИ российские компании движутся строго в общемировом фарватере: согласно исследованию консалтинговой компании «Яков и партнеры», наиболее частые случаи применения (неуточненного) ИИ — это маркетинг/продажи и оптимизация взаимодействия с потребителями (кастомизация, чат-боты служб поддержки и пр.). Отраслевая специфика похожа на глобальную: о самых заметных эффектах от внедрения ИИ говорят предприятия из сферы ритейла, банки и ИКТ-компании.
% компаний, внедряющих ИИ в разные бизнес-функции
Правда, тут есть одно очень существенное отличие: в России собственные ИИ-решения разрабатывают только 40 % компаний, внедряющих ИИ; а доля самостоятельных разработок в среднем по миру варьируется от 55 % (для ИИ-генерации кода) до 74,5 % (ИИ для новых продуктов/сервисов), и чем ближе сфера применения ИИ к ядру бизнеса, тем меньше компании склонны доверять покупным решениям и заодно вендорам, предпочитающим продавать вместе с ИИ свои облачные мощности (конечно, все они мамой клянутся, что не дадут утечь конфиденциальным данным).
Причин разрыва с мировыми практиками много, но основных — две: а) лишь немногие российские компании могут позволить себе содержать разработческие отделы нужного уровня, б) те, которые могут, вынуждены конкурировать. В таких условиях проще и дешевле купить коробочное/взять опенсорсное решение и дотянуть его до минимально приемлемого уровня собственными силами, что в 2023 году и делали 50−77 % российских компаний, использующих ИИ (по данным исследования, подготовленного Национальным центром развития искусственного интеллекта РФ с партнерами).
Что касается процесса внедрения ИИ, российские компании идут по тем же граблям, что и зарубежные коллеги и конкуренты, а именно — по граблям данных.
Согласно Индексу интеллектуальной зрелости отраслей экономики (2023), ИИ-желания руководства пока не совпадают с реальными возможностями: 39 % компаний, использующих или планирующих использовать ИИ, уже создали/выбрали подразделения, ответственные за внедрение ИИ; 27 % создали, ни много ни мало, внутренние «центры компетенций» в сфере ИИ. При этом нормальные системы управления данными развернуты только в 15 % организаций, а у 60 % оно отсутствует как класс, даже на уровне отдельных подразделений/бизнес-функций.
И этот разрыв уже начинает проступать в результатах опросов: в 2023 году данные оказались ИИ-проблемой, значимость которой выросла больше всего — на 7 % (по сравнению с 2021 годом); по поводу большинства других проблем (наличие средств, людей, ИИ-решений и пр.) компании стали беспокоиться меньше, чем двумя годами ранее.
Причин разрыва с мировыми практиками много, но основных — две: а) лишь немногие российские компании могут позволить себе содержать разработческие отделы нужного уровня, б) те, которые могут, вынуждены конкурировать. В таких условиях проще и дешевле купить коробочное/взять опенсорсное решение и дотянуть его до минимально приемлемого уровня собственными силами, что в 2023 году и делали 50−77 % российских компаний, использующих ИИ (по данным исследования, подготовленного Национальным центром развития искусственного интеллекта РФ с партнерами).
Что касается процесса внедрения ИИ, российские компании идут по тем же граблям, что и зарубежные коллеги и конкуренты, а именно — по граблям данных.
Согласно Индексу интеллектуальной зрелости отраслей экономики (2023), ИИ-желания руководства пока не совпадают с реальными возможностями: 39 % компаний, использующих или планирующих использовать ИИ, уже создали/выбрали подразделения, ответственные за внедрение ИИ; 27 % создали, ни много ни мало, внутренние «центры компетенций» в сфере ИИ. При этом нормальные системы управления данными развернуты только в 15 % организаций, а у 60 % оно отсутствует как класс, даже на уровне отдельных подразделений/бизнес-функций.
И этот разрыв уже начинает проступать в результатах опросов: в 2023 году данные оказались ИИ-проблемой, значимость которой выросла больше всего — на 7 % (по сравнению с 2021 годом); по поводу большинства других проблем (наличие средств, людей, ИИ-решений и пр.) компании стали беспокоиться меньше, чем двумя годами ранее.
Основные препятствия для использования ИИ, % выбравших вариант ответа
А дальше начинаются особенности национальной ИИ-зации.
Первый сложный момент — доступность вычислительных мощностей/железа (как для вендоров, так и для компаний, нуждающихся в собственных мощностях). С учетом ситуации на рынке GPU, шансы на получение чего-то приличного невелики: рынок наиболее ИИ-пригодных решений практически монополизирован компаниями из США (NVIDIA, AMD и Intel); ближайший конкурент — Китай — заметно отстает после того, как США запретили экспорт туда передовых ИИ-чипов; единственный высококлассный собственный продукт для ИИ в Китае — Huawei Ascend AI.
Проще говоря, взять state-of-the-art вычислительные мощности под ИИ российским разработчикам неоткуда. Параллельный импорт — это хорошо, но китайским ИИ-вендорам/компаниям и так GPU не хватает, вплоть до того, что они организуют схемы завоза видеокарт NVIDIA из Сингапура: карты провозят курьеры, покупающие GPU как бы для личного пользования.
Первый сложный момент — доступность вычислительных мощностей/железа (как для вендоров, так и для компаний, нуждающихся в собственных мощностях). С учетом ситуации на рынке GPU, шансы на получение чего-то приличного невелики: рынок наиболее ИИ-пригодных решений практически монополизирован компаниями из США (NVIDIA, AMD и Intel); ближайший конкурент — Китай — заметно отстает после того, как США запретили экспорт туда передовых ИИ-чипов; единственный высококлассный собственный продукт для ИИ в Китае — Huawei Ascend AI.
Проще говоря, взять state-of-the-art вычислительные мощности под ИИ российским разработчикам неоткуда. Параллельный импорт — это хорошо, но китайским ИИ-вендорам/компаниям и так GPU не хватает, вплоть до того, что они организуют схемы завоза видеокарт NVIDIA из Сингапура: карты провозят курьеры, покупающие GPU как бы для личного пользования.
Мощности и время, потребовавшиеся для обучения генеративных моделей
(Рекламы облачных мощностей от российских провайдеров не будет, поскольку 85 % организаций в России [вполне резонно и в соответствии с глобальными трендами] не готовы использовать для работы с ИИ чужие облака.) (Вопрос о качестве отечественных облачных сервисов — по сравнению с Amazon — тоже лучше не поднимать, чтобы никого не обидеть.)
Судя по всему, изворачиваться придется по-другому, по крайней мере в вопросах, связанных с применением генИИ.
1) Использовать не LLM, а SLM (Small Language Model). Иногда меньше — это больше. Малые языковые модели, «тонко настроенные» на тех же дата-сетах, что и большие, как правило, показывают лучшие результаты. Это подтвердило масштабное исследование 400 языковых моделей, проведенное в 2022 году: по итогам обучения на одном и том же дата-сете модель на 70 млрд параметров (Chinchilla) стабильно лучше выполняла тестовые задания, чем модели на 270+ млрд параметров (GPT‑3, Jurassic‑1, Megatron-Turing NLG и др.).
Кроме того, исследование 2024 года по двум главным семействам LLM (GPT и LLaMA) с использованием нескольких тысяч промптов показало: чем больше модель, тем чаще она дает неправильные ответы; в некоторых случаях их доля достигает 60 %.
2) Использовать эргономичные алгоритмы, допускающие тонкую настройку моделей без бешеных требований к вычислительным мощностям: LoRA (Low-Rank Adaptation), квантизацию и прямую оптимизацию предпочтений (Direct Preference Optimization, подходящую для замены обучения с подкреплением на основе отзывов людей/Reinforcement Learning from Human Feedback).
Это, конечно, хорошие новости для российских вендоров, развивающих собственные языковые модели (по количеству параметров до зарубежных конкурентов пока дотягивает только YandexGPT).
Судя по всему, изворачиваться придется по-другому, по крайней мере в вопросах, связанных с применением генИИ.
1) Использовать не LLM, а SLM (Small Language Model). Иногда меньше — это больше. Малые языковые модели, «тонко настроенные» на тех же дата-сетах, что и большие, как правило, показывают лучшие результаты. Это подтвердило масштабное исследование 400 языковых моделей, проведенное в 2022 году: по итогам обучения на одном и том же дата-сете модель на 70 млрд параметров (Chinchilla) стабильно лучше выполняла тестовые задания, чем модели на 270+ млрд параметров (GPT‑3, Jurassic‑1, Megatron-Turing NLG и др.).
Кроме того, исследование 2024 года по двум главным семействам LLM (GPT и LLaMA) с использованием нескольких тысяч промптов показало: чем больше модель, тем чаще она дает неправильные ответы; в некоторых случаях их доля достигает 60 %.
2) Использовать эргономичные алгоритмы, допускающие тонкую настройку моделей без бешеных требований к вычислительным мощностям: LoRA (Low-Rank Adaptation), квантизацию и прямую оптимизацию предпочтений (Direct Preference Optimization, подходящую для замены обучения с подкреплением на основе отзывов людей/Reinforcement Learning from Human Feedback).
Это, конечно, хорошие новости для российских вендоров, развивающих собственные языковые модели (по количеству параметров до зарубежных конкурентов пока дотягивает только YandexGPT).
Количество параметров в отдельных ИИ-моделях
Но это в теории.
А на практике возникает второй сложный момент: дефицит железа и вынужденная ставка на малые, эргономичные модели означают, что в России борьба за качественные данные в ближайшие годы станет совсем уж откровенной, и о том, каким образом разработчикам придется их добывать, даже думать не хочется.
Потому что вариантов на самом деле два: использовать данные пользователей без разрешения (спрятать согласие на обработку персональных данных в поддон 1000‑страничного «соглашения» — общераспространенная практика) или попросить государство принудительно раскулачить бизнес для укрепления технологического суверенитета. Что, собственно, уже мало-помалу происходит.
И наконец, третий сложный момент — самый, пожалуй, неприятный и при этом неочевидный.
Победные реляции российских вендоров по поводу качества LLM-моделей и генеративного ИИ заслонили тот факт, что в России беда с прикладным искусственным интеллектом и продуктами на его основе (ML/DL, продвинутой аналитикой, «тяжелыми» BI-системами, цифровыми двойниками производственных процессов, PLM и пр.). То есть с тем ИИ, который, по прогнозам отечественных консалтеров, к 2030 году должен дать 70 % экономического ИИ-эффекта.
А на практике возникает второй сложный момент: дефицит железа и вынужденная ставка на малые, эргономичные модели означают, что в России борьба за качественные данные в ближайшие годы станет совсем уж откровенной, и о том, каким образом разработчикам придется их добывать, даже думать не хочется.
Потому что вариантов на самом деле два: использовать данные пользователей без разрешения (спрятать согласие на обработку персональных данных в поддон 1000‑страничного «соглашения» — общераспространенная практика) или попросить государство принудительно раскулачить бизнес для укрепления технологического суверенитета. Что, собственно, уже мало-помалу происходит.
И наконец, третий сложный момент — самый, пожалуй, неприятный и при этом неочевидный.
Победные реляции российских вендоров по поводу качества LLM-моделей и генеративного ИИ заслонили тот факт, что в России беда с прикладным искусственным интеллектом и продуктами на его основе (ML/DL, продвинутой аналитикой, «тяжелыми» BI-системами, цифровыми двойниками производственных процессов, PLM и пр.). То есть с тем ИИ, который, по прогнозам отечественных консалтеров, к 2030 году должен дать 70 % экономического ИИ-эффекта.
Конечно, в России много примеров создания и использования прикладных ИИ/ML решений, в первую очередь в промышленности: ИИ активно используют металлургические и нефтегазовые компании, в том числе НЛМК (цифровые двойники, ИИ-управление оборудованием и пр.), Норникель (проекты в предиктивном анализе), Северсталь (лаборатория генИИ, пилотные проекты по его внедрению), Роснефть (40+ модулей ИИ/ML для инженерных расчетов; мониторинг трубопроводов), Газпромнефть (моделирование сложных процессов, в том числе бурения, нефтепереработки и пр.).
Однако у всех этих компаний есть ресурсы для того, чтобы вести собственные разработки и, слегка прислонившись к параллельному импорту, разворачивать вычислительные центры. Что делать всем остальным — вопрос открытый, поскольку в России: а) [пока] нет промышленного ПО мирового уровня (например, «тяжелых» PLM класса Siemens Teamcenter или ENOVIA от Dassault Systemes), б) имеющиеся разрозненные ИИ-решения мало совместимы как между собой, так и с легаси-ПО, оставшимся на предприятиях; между тем, по данным опросов ИСИЭЗ НИУ ВШЭ, примерно половине российских промышленных компаний придется совмещать ИИ с имеющимся ПО.
Поэтому генеративный ИИ генеративным ИИ (низкокачественных трэш-SMMщиков не жалко), а искать российский ИИ-суверенитет придется не под этим фонарем.
Однако у всех этих компаний есть ресурсы для того, чтобы вести собственные разработки и, слегка прислонившись к параллельному импорту, разворачивать вычислительные центры. Что делать всем остальным — вопрос открытый, поскольку в России: а) [пока] нет промышленного ПО мирового уровня (например, «тяжелых» PLM класса Siemens Teamcenter или ENOVIA от Dassault Systemes), б) имеющиеся разрозненные ИИ-решения мало совместимы как между собой, так и с легаси-ПО, оставшимся на предприятиях; между тем, по данным опросов ИСИЭЗ НИУ ВШЭ, примерно половине российских промышленных компаний придется совмещать ИИ с имеющимся ПО.
Поэтому генеративный ИИ генеративным ИИ (низкокачественных трэш-SMMщиков не жалко), а искать российский ИИ-суверенитет придется не под этим фонарем.
ДРУГИЕ МАТЕРИАЛЫ