Эксперты группы ЛАНИТ рассказали "РГ", почему ИИ-проект стоит начинать с определения бизнес-проблемы, чем пилот отличается от полноценного внедрения, как оценивать экономический эффект и почему после того, как созданный алгоритм начнет использовать живые данные, работа над ним не заканчивается.

Первая развилка возникает еще до выбора архитектуры будущего ИИ-решения (будь то нейросеть, классический алгоритм машинного обучения или их комбинация). Искусственный интеллект особенно полезен там, где приходится работать с неоднородными данными, учитывать контекст или объединять информацию из разных источников. Если же задача сводится, например, к контролю фиксированного показателя датчика, обычная автоматизация может оказаться проще и эффективнее.

"Начинать нужно не с желания внедрить ИИ, а с конкретной бизнес-задачи. Если выяснится, что ее эффективнее решить без искусственного интеллекта, это тоже правильный результат. Простые аналитические алгоритмы более предсказуемы, контролируемы и, как правило, дешевле", - говорит главный конструктор программно-аппаратных комплексов ЛАНИТ-ТЕРКОМ Михаил Смирнов.

Заказчик обычно приходит не с желанием обучить модель, а с конкретной проблемой: сократить брак, ускорить обработку документов или повысить качество контроля. Поэтому сначала необходимо понять, какая часть процесса действительно требует ИИ.

"Если мы говорим про промышленную систему, то обучение модели - это условно десять процентов проекта вместе со сбором данных. Основная сложность - перевести проблему в архитектуру системы, понять, что именно должен делать ИИ и каким требованиям он должен отвечать. И второй сложный переход - обратно: как качество модели преобразовать в решение исходной задачи заказчика", - объясняет Смирнов.

По мнению руководителя практики анализа данных Центра компетенций больших данных и искусственного интеллекта ЛАНИТ Владислава Балаева важно различать разовую презентацию ИИ-технологии и ее постоянное применение в реальных бизнес-процессах. В отличие от классической ИТ-разработки, результат ИИ-модели не всегда предсказуем, а данные и условия ее работы со временем меняются.

"В обычном ИТ-проекте хотя бы примерно видна дорога в самом начале. В случае с искусственным интеллектом она не видна: результат работы модели вероятностный, и с этим нужно учиться жить. Сначала надо проверить, решает ли ИИ поставленную функциональную задачу с учетом ограничений по бюджету, информационной безопасности и другим требованиям и достаточно ли качества этого решения для достижения экономического эффекта", - отмечает Балаев.

После проверки гипотезы начинается пилот. На этом этапе решение сталкивается с реальными пользователями и процессами: появляются вопросы разграничения прав, обратной связи, нагрузки и поддержки.

"Есть большой разрыв между демо и промышленной эксплуатацией. Следующим должен идти пилот, чтобы продвинуться от того, что мы просто сделали какую-то поделку, до решения, которым действительно могут пользоваться сотрудники крупной организации. А промышленная эксплуатация - это уже внедрение непосредственно в работу людей и операционную деятельность компании", - говорит Балаев.

Последний этап - сопровождение и мониторинг. Меняются бизнес-процессы, поведение пользователей и сами данные, поэтому качество однажды настроенной системы необходимо постоянно проверять.

Чтобы пилот не превратился в бесконечный эксперимент, критерии успеха нужно зафиксировать заранее. Для одних проектов это экономия времени сотрудников, для других - снижение брака или увеличение пропускной способности оборудования.

"Пример - экономия времени как общий показатель, который плюс-минус можно применить во многих задачах. Однако каждая конкретная ситуация диктует свои способы его оценки. И это нужно определить в самом начале проекта: как именно будет измеряться эффект и что станет параметрами для принятия решения", - подчеркивает Балаев.

К примеру, в проектах с обработкой документов время заполнения карточки удалось сократить вдвое, при этом до 80 процентов реквизитов ИИ подтягивает из доверенных баз данных самостоятельно. В поддержке пользователей 40 процентов запросов автоматически закрывает искусственный интеллект без привлечения операторов, освобождая их для срочных и сложных задач.

Вместе с тем измерение нужно не только для фиксации успеха. "У нас бывают недельные или двухнедельные итерации. Допустим, договорились, что нужно получить 85 процентов качества, а получили 80. Если понимаем, что есть конкретная идея, как добрать оставшееся, продолжаем. А если следующая итерация показывает, что результата все равно нет, значит, нужно остановиться. Очень многие не умеют вовремя остановиться", - рассказывает Балаев.

Иногда разумнее вернуться к задаче через несколько месяцев, когда технологии изменятся, чем продолжать оплачивать работу команды над решением, которое пока либо недостижимо, либо неоправданно дорого.

В ЛАНИТ развивают платформу LANDEV AI, которая позволяет не переписывать одни и те же ИИ-функции для каждого нового заказчика (у компаний часто возникают схожие потребности: расшифровка совещаний, подготовка описаний вакансий для HR-специалистов, автоматическое закрытие типовых обращений в службе поддержки и т.д.). В этой системе базовые компоненты можно переиспользовать, быстро обеспечив взаимодействие с LLM-моделями, обработку документов, разграничение доступа, мониторинг использования сервисов и масштабирование.

"Мы увидели, что у нас возникают сотни пресейлов со множеством повторяющихся задач. Если один раз обеспечить их выполнение с помощью ИИ-инструментов, то дотачивать этот алгоритм можно на новых клиентах. Поэтому появилась идея платформы: закрыть типовые функции единожды и дальше собирать из этих "кубиков" решение под конкретные запросы заказчика", - объясняет Балаев.

Платформенный подход обеспечивает быстрый доступ сотрудников к LLM-моделям

За счет этого первый прототип можно создать не за несколько недель, а за часы. Еще важнее то, что вместе с функциональностью переиспользуется и необходимая для промышленной эксплуатации обвязка: права доступа, безопасность, устойчивость и масштабирование.

"Если эти вопросы уже решены на уровне платформы, то продукт, который мы создаем на пресейле, фактически уже стоит на промышленных рельсах. Это позволяет системе перейти от нескольких десятков тестовых запросов к миллионам и при этом не сломаться", - отмечает эксперт.

Еще одно направление - использование ИИ непосредственно в процессе создания программного обеспечения. Технический директор компании bpm Александр Лутай рассказывает, что агенты уже способны писать код и тесты, создавать макеты и помогать проектировать доработки.

"Когда мы делаем пилотные проекты, ускорение может быть феноменальным. Задачу, на которую раньше уходил месяц работы трех-четырех сотрудников, сейчас в отдельных случаях один специалист может выполнить за четыре-пять дней. У некоторых клиентов мы уже видим рост производительности в подразделениях на 70-80 процентов. Но бывает и наоборот, когда команда только осваивает новые практики, и на первом этапе продуктивность даже проседает", - говорит Лутай.

Главный барьер - привычный способ работы. "Это ловушка для экспертов, ведь эти люди много раз проходили один и тот же путь разработки ПО, и перестроиться им сложнее всего. Это как товарный поезд с огромной инерцией, который нам нужно развернуть на 180 градусов и не дать сойти с пути", - подчеркивает Лутай.

Начинать внедрение он советует с внутренних "ИИ-чемпионов", которые затем распространяют новые практики на коллег. Одновременно необходимо учитывать требования безопасности: при взаимодействии с внешними моделями за пределы корпоративного контура потенциально могут уйти исходный код или чувствительные данные. Для системной и защищенной работы bpm развивает платформу APLAI.

Применимость принципов, заложенных в APLAI, в масштабе крупной организации проверяют на реальных проектах. Сейчас совместная команда bpm и трайба "Риски корпоративного-инвестиционного бизнеса" Сбера ведет в банке следующий пилот: может ли один специалист с инженерным бэкграундом при поддержке агентов провести бизнес-намерение от идеи до промышленного запуска, а небольшая команда таких инженеров - развивать продукты, на которые раньше требовались большие коллективы.

В настоящий момент уже удалось создать предпосылки для перестроения процесса нагрузочного тестирования. Раньше оно требовало редкой экспертизы, которую дорого держать в каждой продуктовой команде. Теперь же кодинговый агент может проводить эту работу с минимальным задействованием инженеров, что существенно повышает производительность продуктовых команд.

Промышленное внедрение ИИ-решения - это старт нового этапа жизненного цикла в проекте. Именно в ходе реальной эксплуатации проявляются скрытые ограничения модели, меняются внешние условия и появляются данные, которые позволяют ее улучшать. Могут измениться формат документов, сырье, внешний вид продукции, скорость конвейера или даже освещение в цехе.

"Система на основе искусственного интеллекта живая, она требует поддержки и сопровождения. Вы обучали модель на данных определенного качества, которое изменилось, - качество модели тоже начинает меняться. Поэтому основной принцип здесь - постоянный мониторинг метрик", - говорит Смирнов. Показательный пример - система компьютерного зрения на горнорудном производстве. Ей необходимо контролировать конвейерную ленту длиной около 12 километров, которая движется со скоростью пять метров в секунду.

"Человеческий контроль для выявления дефектов там объективно невозможен. Раньше приходилось раз в сутки останавливать погрузку, запускать ленту примерно на час на медленной скорости и сажать рядом человека: сколько он за это время посмотрит, столько и посмотрит. Другого варианта просто не было", - рассказывает Смирнов.

Теперь система обнаруживает повреждения, классифицирует их и привязывает к конкретному участку ленты. При этом развитие идет постепенно: сбор данных, анализ ошибок продолжаются и становятся основой для следующих итераций.

"Иногда заказчику достаточно для начала хоть какого-то контроля, чтобы он уже приносил пользу. Если можно сделать небольшой инструмент, который решает часть проблемы и одновременно начинает собирать данные, это прекрасный вариант. Тогда большую задачу удается разделить на несколько простых шагов, а не пытаться сделать все одним большим взрывом", - отмечает Смирнов.

В итоге успешное внедрение начинается не с выбора самой мощной модели, а с правильно поставленной задачи. Затем нужны измеримые критерии успеха, пилотирование, инфраструктура для промышленной эксплуатации и постоянный мониторинг после запуска. В таком случае ИИ перестает быть набором разрозненных экспериментов и становится частью системы управления эффективностью бизнеса.