Стремление к внедрению приложений искусственного интеллекта означает, что вам нужно уметь быстро ориентироваться в мире ИИ, и рассматриваемая ниже модель зрелости предприятия в области ИИ может помочь наметить ваш путь, пишут на портале The New Stack Майкл Коте, штатный технолог VMware, и Камилла Кроуэлл-Ли, руководитель маркетинга решений VMware Tanzu by Broadcom.

Заметили ли вы, что сейчас мы переживаем эпоху «ИИ или смерть!»? Кажется, каждая организация отчаянно пытается понять, как ИИ впишется в ее бизнес-стратегию. За последний год мы пообщались с командами крупных предприятий, работающих в разных отраслях — от глобальных финансовых сервисов до авторитетных автопроизводителей с тяжелым бременем регулирования, — чтобы узнать, как они на самом деле используют и управляют своими ИИ-приложениями. В настоящее время существует множество определений того, что делает приложение «интеллектуальным», но есть лишь несколько сценариев использования, лучших практик и моделей.

Учитывая аспект «корпоративности» корпоративных приложений — то есть безопасности, соответствия требованиям и производительности, которые потребители привыкли ожидать от приложений, созданных и поддерживаемых авторитетными брендами, — мы видим два серьезных препятствия на пути к созданию приложений со встроенным ИИ. Во-первых, командам необходимо приобрести новые ИИ-навыки и инструменты. Во-вторых, они должны доказать, что у них есть весомое бизнес-обоснование — возврат инвестиций (ROI) и все остальное, — если они хотят, чтобы внедрение ИИ не ограничилось только ранним тестированием концепции (PoC) и экспериментами.

Если говорить конкретно о корпоративных приложениях, то здесь часто встречаются два препятствия. Первое — это соответствие нормативным требованиям: мы видим, как команды в спешном порядке обновляют давно существующие системы безопасности и управления, чтобы приспособить их к моделям ИИ, и даже делают временные исключения, чтобы не останавливать проекты. Хуже того, они могут просто игнорировать требования, практикуя «теневой ИИ». Кроме того, существует «барьер выполнения» — командам нужны новые навыки и инструменты ИИ, а также надежное бизнес-обоснование с четкой окупаемостью инвестиций. В противном случае любой пилотный проект рискует остаться одноразовым экспериментом, а не превратиться в устойчивую практику.

Устранение препятствий с помощью модели зрелости корпоративного ИИ

Модель зрелости корпоративного ИИ — это то, что может помочь вашей организации избежать этих препятствий. Структуризация вашего подхода к добавлению «интеллекта» в приложения может способствовать в достижении ваших целей. Эта модель проясняет, что означает добавление ИИ в приложения, и, что еще важнее, показывает, как обеспечить реальную отдачу. Другими словами, это ваш путь к тем неуловимым «бизнес-результатам», за которыми мы все гонимся с помощью ИИ.

Использование модели зрелости в качестве инструмента для развивающейся технологии может показаться неочевидным. Но мы рассматриваем ее скорее как карту ожиданий и план «по умолчанию», с которого можно начать. Она также проясняет, как преодолеть проблемы, связанные с навыками и окупаемостью инвестиций.

Эта модель зрелости ИИ-приложений включает в себя четыре этапа на пути к созданию более «интеллектуальных» приложений:

  1. Приложения до ИИ, отвечающие трехуровневой архитектуре.
  2. Добавление машинного обучения.
  3. Добавление генеративного ИИ (GenAI).
  4. Создание приложений и рабочих процессов на основе агентного ИИ.

Однако каждый из этих этапов опирается на одни и те же базовые ингредиенты: серверы, фреймворки и четкие бизнес-требования. По мере продвижения по модели все большее значение приобретает степень самостоятельности приложения.

Давайте посмотрим подробнее.

Этап 1: трехуровневые приложения

Прежде чем приступить к рассмотрению использования ИИ, нужно начать с классической трехуровневой архитектуры, состоящей из пользовательского интерфейса (UI), фреймворков и сервисов приложений, а также базы данных. Представьте себе простое приложение для бронирования столиков в ресторанах, которое отображает свободные столики, позволяет людям фильтровать и сортировать их по типу ресторана и расстоянию до него, а также дает возможность забронировать столик. Это приложение функционально и полезно для людей и предприятий, но не «интеллектуально».

Таких приложений сегодня, скорее всего, большинство, и на самом деле они просто прекрасны. Организации уже давно успешно работают благодаря плодам десятилетней цифровой трансформации. Окупаемость инвестиций в приложения этого типа давно доказана, и мы знаем, как создавать бизнес-модели для постоянных инвестиций в них. Разработчики и операционные сотрудники обладают необходимыми навыками для создания и запуска приложений такого типа.

Это дает нам отправную точку и помогает нам судить, что «лучше» и стоит ли это своей цены.

Этап 2: добавление интеллекта машинного обучения

Следующим этапом перед GenAI было МО. Этот тип интеллекта основан на изучении специалистами в области науки о данных прошлого поведения пользователей для создания предиктивных систем. С его помощью вы можете прогнозировать такие простые вещи, как заказ блюд или вероятность отмены бронирования. Но, скорее всего, вы хотите нацелиться на решение таких важных задач, как предиктивное обслуживание и обнаружение мошенничества, поскольку добавление МО требует больших затрат и времени.

Одна из причин заключается в том, что навыки, необходимые для МО, отличаются от навыков стандартной разработки приложений. Специалисты в области науки о данных обладают иным набором навыков, чем разработчики приложений. Они в большей степени сосредоточены на применении статистического моделирования и расчетов для больших массивов данных. Как правило, они используют собственные языки и наборы инструментов, например Python. Им также приходится заниматься сбором и очисткой данных, что может быть утомительным делом в крупных организациях.

В то же время разработчики приложений, как правило, имеют совершенно другие наборы навыков, инструменты и даже рабочие отношения с остальными сотрудниками организации. Скорее всего, вы не найдете разработчиков приложений, которые могут быть экспертами в области МО, равно как и специалистов в области науки о данных, которые могут разрабатывать приложения.

Такая разница в навыках означает, что добавление МО в приложения может быть сложным и дорогостоящим. Это не так просто, как научить разработчика приложений добавлять новые элементы пользовательского интерфейса или внедрять новые фреймворки. Такое разделение создает узкое место, ограничивая частоту внедрения МО в корпоративные приложения.

Возможно, именно из-за этих затрат на этом этапе мы не наблюдаем огромной волны интеллектуальных приложений, которые создаются с помощью GenAI. В отличие от традиционного MО, для которого требовались специализированные команды и сложная интеграция, GenAI пришел с предварительно обученными моделями и удобными API. Предприятия внезапно смогли генерировать текст, код и даже изображения, не нанимая специализированные команды и не добавляя новую инфраструктуру, персонал и процессы. Простота внедрения сделала GenAI более доступным и практичным по сравнению с более ранними МО-подходами.

Там, где традиционное MО с трудом прокладывает себе путь в корпоративные приложения, GenAI быстро находит свое место, поскольку он снижает барьеры сложности и стоимости, которые сдерживали MО в течение многих лет.

Этап 3: применение генеративного ИИ

Именно здесь в игру вступает GenAI, меняя уравнение затрат и выгод. С точки зрения бизнеса, внедрение ИИ с помощью генеративных моделей обычно обходится дешевле и происходит быстрее по сравнению с традиционным МО. Это означает, что вы можете применять ИИ более широко в своем портфеле, а не только в высокоценных приложениях, которые оправдывают затраты времени и денег.

Давайте вернемся к нашему примеру с бронированием столиков. Представьте, что пользователи могут сказать: «Забронируйте мне что-нибудь вроде моего последнего итальянского ресторана, но с веганскими блюдами». GenAI берет на себя всю тяжелую работу — интерпретацию человеческого языка, фильтрацию данных и реагирование — без специализированной работы в области науки о данных, которая требуется при традиционном подходе к рабочему процессу MО.

Вам не нужно начинать с нуля — или тратить целое состояние — чтобы добавить ИИ в существующие приложения.

Природа GenAI также решает «проблему людей». В то время как разработчики приложений могут не обладать навыками специалистов в области науки о данных, GenAI кажется гораздо более доступным. Как говорит наш коллега Адиб Сайкали, «вам не нужно знать ничего о линейной алгебре, исчислении или любой другой математике, которую вы изучали в университете. Все, что вам нужно знать, это как вызвать REST API».

В результате вы можете начать внедрять более продвинутый интеллект во все свои приложения. В крупных организациях ваши разработчики, скорее всего, уже обладают многими инструментами и ноу-хау для этого. Такой подход «ИИ-брокера» обеспечивает безопасность, управление и защитные ограждения, а не оставляет каждую команду разбираться в этом самостоятельно. Это очень важно, потому что слишком часто команды безопасности выясняют, как обеспечить безопасность и управление, уже после того, как все это сделано.

Этап 4: агентные приложения

Что ждет нас за пределами GenAI? На данный момент ИИ-сообщество остановилось на концепции, называемой «агентный ИИ», или ИИ, который автономно «делает что-то». Несмотря на потрясающие возможности GenAI, он в большей степени предназначен «только для чтения» и реагирует на ваши запросы ответами, предложениями и прогнозами. В отличие от этого, агентный ИИ не просто отвечает на запросы, он действует в соответствии с ними... автономно.

Это достигается за счет реализации для GenAI нового шаблона. Когда вы вводите запрос, приложение агентного ИИ:

  1. Разбивает запрос на пошаговый план.
  2. Выполняет каждый шаг (вызов API, запуск микросервисов, исполнение кода).
  3. Анализирует результаты и при необходимости вносит коррективы.

Вспомните приложение для бронирования столиков. Сначала агентное приложение решит, что ему нужно определить ваши предпочтения относительно ресторана. Для этого можно спросить вас напрямую, но можно и изучить ваши прошлые бронирования и отзывы о них. Возможно, вам нравится сидеть на улице, но не идет ли дождь? Интеллектуальное приложение изучит погоду в вашем районе. И так далее. После проведения такого «исследования» агентный ИИ с помощью своих инструментов найдет свободные столики в подходящих ресторанах и, если найдет хороший вариант, забронирует для вас столик, опять же с помощью вызова API. Конечно, человек (то есть вы!) может вмешаться в процесс в любой момент, чтобы продвинуть его или изменить.

Для этого требуется дополнительный набор сервисов поверх базового набора инструментов GenAI. Вам нужна возможность управлять «контекстом» и «памятью» этого непрерывного процесса, вам нужен фреймворк для выполнения этих вызовов API и т. д.

Хорошая новость заключается в том, что разработчикам приложений не нужно осваивать совершенно новый набор навыков, например МО. Они могут использовать свои существующие инструменты и навыки, чтобы начать использовать агентный ИИ для добавления интеллекта в свои приложения.

Концепция агентного ИИ развивалась в течение последнего года или около того, и было разработано множество фреймворков. Продуман весь набор необходимых сервисов: хранилища данных, фреймворки выполнения и пр.

Интеллектуальный выход из тумана возможностей

Надеемся, эта модель зрелости показывает, что вам не нужно начинать с нуля или тратить целое состояние, чтобы добавить ИИ в существующие приложения. Вы можете начать прямо сейчас, используя людей и инструменты, которые у вас уже есть. Наш совет — убедитесь, что у вас есть основа на уровне приложений GenAI. После этого вы сможете начать изучать и экспериментировать с агентными ИИ-приложениями.

И последнее, что следует учесть. Выше мы акцентировали внимание на разработчиках приложений. Очевидно, что они играют важнейшую роль в создании приложений. Но операционные команды имеют не меньшее значение. Хорошая новость заключается в том, что они уже знают, как запускать, управлять и обеспечивать безопасность большинства частей этих приложений, поскольку основные строительные блоки одинаковы. Конечно, есть нюансы и несколько новых вещей, которые нужно изучить, но с точки зрения операционных служб ИИ — это просто еще одна служба, за которой нужно следить. При наличии правильной платформы им не придется перестраивать все и ломать бюджет. Вы можете просто продолжать совершенствовать свои приложения, делая их еще интеллектуальнее.