Дмитрий Пенязь (OpenYard): «Компании сейчас подходят к выбору ИИ-решений заметно прагматичнее, чем несколько лет назад»

 — Дмитрий, как российские компании подходят к выбору ИИ-инструментов и решений?

 — Компании сейчас подходят к выбору ИИ-решений заметно прагматичнее, чем несколько лет назад. Если раньше сама возможность использовать ИИ часто становилась поводом для эксперимента, то сегодня заказчики все чаще начинают с конкретной бизнес-задачи. Уже под нее оцениваются возможности модели, требования к данным и инфраструктуре, варианты интеграции, стоимость эксплуатации и дальнейшего масштабирования.

При выборе между российскими и зарубежными решениями одного универсального подхода нет. Для корпоративного сегмента важны возможность развернуть решение в контролируемом контуре, доступность технической поддержки, совместимость с существующей ИТ-инфраструктурой и снижение зависимости от внешних ограничений. Поэтому в проектах, рассчитанных на длительную эксплуатацию, российские решения получают дополнительное преимущество.

Руководитель отдела продуктов и решений OpenYard Дмитрий Пенязь
Фото: OpenYard

 — Для каких задач, процессов, подразделений ИИ-решения уже уверенно используются, а для каких набирают популярность?

 — Наиболее зрелыми сегодня остаются сценарии, где ИИ решает понятную прикладную задачу, а результат можно достаточно точно измерить. Это обработка документов и текстов, корпоративный поиск, поддержка операторов, анализ больших массивов информации, компьютерное зрение, видеоаналитика и инструменты для разработчиков.

При этом рынок постепенно движется в сторону более сложных задач. Растет интерес к обучению и дообучению моделей на собственных данных, промышленной аналитике, обработке потоковых данных и внедрению ИИ непосредственно в производственные и ключевые бизнес-процессы. В таких проектах требования уже выходят далеко за рамки самой модели. Становятся критичными производительность вычислительной платформы, скорость доступа к данным, пропускная способность сети, отказоустойчивость и возможность масштабировать систему без резкого роста стоимости.

По сути, здесь проходит важная граница между отдельным ИИ-инструментом и полноценной корпоративной системой. Пока речь идет о локальной задаче, можно обойтись относительно компактной инфраструктурой. Когда ИИ становится частью постоянного процесса, нагрузка и требования к системе быстро растут, и инфраструктуру приходится проектировать уже с учетом этого масштаба.

 — Как заказчики оценивают эффективность таких решений, как выбирают между эффективностью и безопасностью?

 — Сейчас заказчики все чаще смотрят не только на результат пилота, но и на то, во сколько обойдется его дальнейшая эксплуатация. На тестовой нагрузке решение может показывать отличный результат, но при переходе к промышленному использованию меняется и экономика: растет объем данных, число пользователей, требования к вычислительным ресурсам и, соответственно, стоимость инфраструктуры.

Поэтому важно оценивать не только то, удалось ли решить задачу, но и сколько будет стоить работа системы при реальной нагрузке, как изменится производительность сотрудников или процессов и насколько полученный эффект оправдывает затраты на оборудование, инфраструктуру и поддержку.

Безопасность при этом нельзя рассматривать отдельно от эффективности. Если ИИ работает с корпоративными или чувствительными данными, требования к их защите закладываются в архитектуру проекта с самого начала: где будет развернута модель, как хранятся и передаются данные, кто получает к ним доступ. В некоторых случаях именно эти требования делают собственную или выделенную инфраструктуру наиболее подходящим вариантом.

 — Что является стоп-фактором для внедрения ИИ?

 — Первый стоп-фактор — отсутствие понятного бизнес-сценария. Если компания не может определить, какую конкретно задачу она решает с помощью ИИ и по каким показателям будет оценивать результат, проект легко остается на уровне эксперимента. Кроме того, на практике часто оказывается, что данные недостаточно качественные или разрозненные, а существующие системы сложно интегрировать с новым решением.

На этапе перехода к промышленной эксплуатации появляются уже инфраструктурные ограничения. ИИ-нагрузки предъявляют повышенные требования не только к GPU, но и к памяти, сети, системам хранения, электропитанию и охлаждению. При этом все компоненты должны быть сбалансированы между собой и соответствовать конкретному типу нагрузки.

Поэтому недостаточно просто установить в существующий ЦОД больше ускорителей. Нужно заранее понимать, как система будет работать под реальной нагрузкой, где будут храниться данные, насколько быстро они должны передаваться между компонентами и как инфраструктура будет масштабироваться. Ошибки, которые почти незаметны на этапе пилота, при промышленной эксплуатации начинают напрямую влиять на производительность и стоимость проекта.

 — Расскажите о практике вашей компании в этом направлении.

 — Для OpenYard работа с ИИ связана прежде всего с развитием вычислительной инфраструктуры. Мы видим интерес к серверным платформам с GPU-ускорителями для задач искусственного интеллекта, высокопроизводительных вычислений и обработки больших объемов данных. При этом запрос заказчика, как правило, не сводится к покупке максимально производительного сервера.

Подбор системы начинается с характера нагрузки. Нужно понимать, идет ли речь об обучении модели или инференсе, какие объемы данных предстоит обрабатывать, насколько критично время отклика и как будет расти нагрузка. Только после этого можно определить необходимую конфигурацию процессоров и памяти, тип и количество GPU, требования к сети и системам хранения.

Это особенно важно потому, что ИИ-инфраструктура должна быть сбалансированной. Можно установить большое количество ускорителей, но не получить ожидаемой производительности, если данные не успевают поступать к ним с нужной скоростью или недостаточно пропускной способности других компонентов системы.

Поэтому мы рассматриваем сервер под ИИ как часть целой вычислительной системы, а не как набор отдельных характеристик. При масштабировании это становится особенно заметно: ограничения, которые практически не проявляются на этапе пилота, под промышленной нагрузкой начинают напрямую влиять и на производительность, и на стоимость эксплуатации.

 — Поделитесь, пожалуйста, вашим видением развития тренда на использование бизнесом ИИ.

 — Бизнес точно будет продолжать использовать ИИ. Вопрос уже не в том, станет ли эта технология частью корпоративной практики, а в том, насколько глубоко она будет встроена в процессы. Думаю, рынок постепенно будет уходить от большого количества экспериментов к проектам, которые действительно доходят до промышленной эксплуатации и дают понятный экономический эффект.

Одним из главных вызовов при этом станет энергоэффективность. Современная ИИ-инфраструктура требует очень больших объемов энергии, и по мере роста вычислительных мощностей это будет становиться все более заметным ограничением. Поэтому конкуренция будет идти не только за производительность ускорителей, но и за эффективность всей системы — сколько вычислений можно выполнить при определенном энергопотреблении.

В перспективе это может привести к развитию новых вычислительных архитектур и технологий. Сегодня в качестве одного из возможных направлений обсуждаются, например, нейроморфные вычисления и другие специализированные архитектуры, которые потенциально позволят повысить эффективность обработки данных и снизить энергопотребление. Здесь пока больше вопросов, чем готовых решений, но направление выглядит очень интересным.

При этом будет меняться и привычная серверная архитектура. Универсальные процессоры сохранят свою роль, но рядом с ними продолжат развиваться GPU и другие специализированные ускорители. Поэтому при проектировании ИИ-инфраструктуры придется учитывать уже не отдельный сервер, а всю систему целиком — вычисления, сеть, хранение данных, питание и охлаждение.

 — Большое спасибо за беседу!