Развитие генеративного искусственного интеллекта и реальность, стоящая за ним
За последние два года генеративный искусственный интеллект стал одной из самых обсуждаемых тем в мире технологий. Крупные корпорации инвестируют миллиарды, и почти каждая компания ищет способ включить интеллектуальных помощников и автоматизированные системы в свою бизнес-модель. Обещания революции впечатляют — от автоматизации рутинных процессов до открытия новых бизнес-моделей.
Но, по мнению Алексея Уткина, возглавляющего лабораторию данных и аналитики глобальной технологической компании DataArt, существует риск, что этот энтузиазм может привести к поспешным решениям. «ИИ настолько силен, насколько силен фундамент, стоящий под ним» — говорит эксперт. Другими словами, какими бы продвинутыми ни были технологии, при отсутствии устойчивой инфраструктуры результаты могут разочаровать.
Многие компании уже ощущают этот эффект. Они экспериментируют с новыми инструментами, но не достигают обещанных эффектов. Это, по мнению Уткина, первый сигнал «трезвой фазы» — момента, когда ожидания и реальность сталкиваются.
Где организации часто ошибаются
1. Производительность не равна трансформации
Впечатляет, как быстро завоевывают популярность такие инструменты, как GitHub Copilot, которые уже используются тысячами разработчиков по всему миру. Они позволяют повысить производительность на 10-20%. Но Уткин предупреждает: «Синтаксический код не означает надежную архитектуру».
Реальность такова, что автоматизированная генерация кода не решает таких проблем, как зависимости между модулями или хорошая архитектурная логика. И именно эти факторы определяют, будет ли проект устойчивым в долгосрочной перспективе.
2. Управление данными – самое слабое звено
Если и следует отметить самое большое препятствие на пути реального внедрения ИИ, то это качество и организация данных. Эксперт отмечает, что даже при наличии множества инструментов — от озер данных до современных ETL-платформ — проблемы фрагментации данных и владения ими остаются нерешенными.
Менее 30% компаний имеют четкую модель владения так называемыми «продуктами данных», добавляет он. Это означает, что в большинстве случаев не существует ответственной команды или лица, обеспечивающего целостность и качество информации. В результате системы основаны на неполных или противоречивых данных — проблема, которая напрямую подрывает доверие к решениям ИИ.
3. Скрытые затраты: энергия, выбросы, соблюдение требований.
Когда мы говорим о внедрении ИИ, мы обычно думаем о лицензиях, облачных сервисах или зарплатах специалистов. Но реальность гораздо сложнее. «Одним из самых больших скрытых бремен являются затраты на электроэнергию и соответствующие нормативные требования», – отмечает Алексей Уткин.
Прогнозы показывают, что к 2030 году центры обработки данных, используемые для приложений искусственного интеллекта, могут достичь годового потребления 945 тераватт-часов — суммы, сопоставимой со всем потреблением энергии в Японии. Это поднимает вопросы об устойчивости, выбросах углекислого газа и глобальных обязательствах в отношении более экологически чистых технологий.
Там, где ИИ уже приносит реальную пользу
Конечно, дело не только в рисках и неопределенности. ИИ уже оказывается ценным инструментом в конкретных, более ограниченных областях. Эксперт приводит такие примеры, как сопоставление схем, обнаружение аномалий, маркировка метаданных и оптимизация потока. Это деятельность с относительно низким уровнем риска, но с высокой добавленной стоимостью. Они позволяют компаниям набираться опыта и выстраивать внутренние процессы проверки.
«Начните с небольших шагов, которые приносят определенную пользу, а уже потом думайте о масштабных внедрениях», — советует специалист по ИИ.
Четырехэтапный подход
Чтобы избежать ловушек поспешного внедрения, организации должны мыслить стратегически. Уткин выделяет четыре основных шага:
- Очистка устаревших систем
Устаревшие локальные решения и базы данных часто являются препятствием для модернизации. Миграция на облачные решения — неизбежный этап, но его нужно делать тщательно и планированно. - Сосредоточьтесь на ценности
Вместо того, чтобы покупать дорогие платформы «потому что они модные», компаниям следует запускать пилотные проекты, которые оказывают измеримое влияние на бизнес. - Умные эксперименты
Лучший способ обучения – это контролируемые тесты. Сначала поэкспериментируйте в областях с меньшим риском, где возможные ошибки не нанесут вреда основному бизнесу. - Внешние факторы
Нормативное регулирование, энергоэффективность, экологическая устойчивость – все это следует учитывать с самого начала, а не добавлять потом.
Основной посыл: устойчивость важнее скорости
В мире, где новости о технологиях меняются буквально ежедневно, у компаний возникает соблазн погнаться за последними тенденциями. Но, по мнению Алексея Уткина, это рискованный подход.
«Компании, которые не поддаются искушению развернуть ИИ как можно быстрее и вместо этого инвестируют в основную работу, которая делает его надежным и заслуживающим доверия, добьются большего успеха», — резюмирует он.
Это означает терпение, стратегическое мышление и готовность заложить прочный фундамент, прежде чем переходить к большим амбициям.
