Платформенный подход ускорит внедрение ИИ в производственные процессы

Пионеры направления фактически формируют новый рынок и начинают с себя. «Команда Т1 уже несколько лет  внедряет технологии внутри Холдинга. Это могут быть цифровые ассистенты менеджеров поддержки, помощники по работе с документацией для бухгалтеров или юристов, и главное — для разработки кода и тестирования программных продуктов.  По сути, это инструменты для ежедневной работы. В Холдинге 27 тысяч человек, среди них более 10 тысяч тестировщиков и разработчиков, поэтому для нас ассистенты разработки или ко-пилоты, — это необходимость», — подчеркнул Сергей Голицын.

В промышленности ИИ приходит с некоторой задержкой. «Наши исследования фиксируют тренд на повышение инвестиций в искусственный интеллект в промышленности. Мы ожидаем, что на горизонте трех лет капиталовложения реального сектора в нейросетевые технологии вполне могут обогнать инвестиции сегодняшнего лидера — финтех», — отметил Сергей Голицын.

По его мнению, есть ощутимая разница в подходах к применению ИИ. Если финсектор действует масштабно: применяет платформенный подход, реализует покрытие всех бизнес-линий и функций, то в промышленности наблюдается «точечное» внедрение — закрытие определенной рутинной операции либо процессного узла. Стимулом для более активного проникновения ИИ в промышленность Голицын называет — растущий интерес к MLOps и LLMOps платформам, которые позволяют бизнесу в режиме софт-сервиса развивать бизнес-приложения с ИИ-инструментами. Именно платформенный подход обеспечивает максимальную скорость внедрения ИИ в производственные процессы

Важный тренд –  комбинация искусственного интеллекта и виртуальной реальности, особенно в сфере опасных производств либо работы на труднодоступных территориях. 

«Потребность в оптимизационных алгоритмах, с помощью которых строятся сложные математические модели и кейсы теории игр на исторических датасетах, не исчезнет, но в связке с генеративным ИИ получится реализовать предиктивные модели», — считает Сергей Голицын.

Для бизнеса принципиальным становится вопрос эффективности искусственного интеллекта. Речь не то столько о метриках качества моделей Data Science (они уже сложились), сколько о том, как технология работает внутри сложных бизнес-процессов. Трудности в оценке связаны с тем, что многие модели взаимосвязаны друг с другом и понять вклад того или иного сервиса в общий процесс затруднительно. Международная практика — учитывать процент кода, написанного ИИ или время использования цифровых агентов. 

«Вопрос окупаемости ИИ-технологий особенно актуален для крупных корпораций с большим штатом сотрудников. При этом разработкой самих фундаментальных моделей, ИИ-платформ должны заниматься компании с сотрудниками высокой квалификации. В этом случае вендорам необходимо развивать технологическое партнерство, чтобы давать компаниям зрелые инструменты. А бизнесу – учиться их применять и грамотно тестировать новые бизнес-гипотезы. И делать это придется всем компаниям без исключения», — подчеркнул Сергей Голицын.