НовостиОбзорыСобытияIT@WorkРеклама
Искусственный интеллект:
От ITSM до ESM: почему архитектура данных платформы определяет успех масштабирования корпоративных сервисов
Компании, внедряющие ESM-подход — то есть расширяющие практики сервисного подхода в ИТ ITSM на HR …
Curator.CDN: гибкая сеть доставки веб-контента с защитой от сетевых атак
По мере постоянно увеличивающегося объема передаваемых по интернету данных их получатели предъявляют все более …
Как Data-инженер победил «произвол» вендоров и сэкономил компании миллионы
Георгий Андрончик, Lead Data Engineer компании Sanofi, создал универсальный семантический слой для данных, который позволяет …
Российский ИИ — реальному сектору экономики РФ
Системы, использующие искусственный интеллект, сегодня внедряют многие российские компании. Конечно, чтобы был эффект …
Как построить высокопроизводительное отказоустойчивое хранилище на недорогих компонентах
Резервное копирование данных является одним из базовых компонентов обеспечения корпоративной ИБ, который помогает …
 

Российский ИИ — реальному сектору экономики РФ

01.07.2025

Системы, использующие искусственный интеллект, сегодня внедряют многие российские компании. Конечно, чтобы был эффект от ИИ-инструментов, корпоративному заказчику нужна определенная степень цифровой зрелости, включающая технологический бэкграунд, наличие специалистов с профильными компетенциями, а также понимание возможностей оптимизации бизнес-процессов с использованием искусственного интеллекта. RAMAX Group, системный интегратор с более 30-летним стажем на ИТ-рынке, поделился своим экспертным мнением о пользе ИИ для реального сектора экономики.

Какая часть российских ИИ-решений доходят до внедрения...

В среднем до реализации не доходит далеко не каждый проект с внедрением ИИ-инструментов. Это вполне нормально и не является чем-то характерным именно для цифровых инструментов с AI. Далеко не все проекты по внедрению цифровых решений заканчиваются, собственно, внедрением и работой в ИТ-рельефе заказчика новых инструментов, как использующих ИИ, так и построенных на традиционных алгоритмах.

Судьба проекта сильно зависит от особенностей решаемой задачи, уровня цифровой зрелости компании, деталей бизнес-процессов и ряда других факторов, включая особенности вертикального рынка, которые также имеют значение. Следует помнить о необходимости оценки проекта «по месту», чтобы он оказался избыточно дорогим в разработке, а результирующий инструмент — и сложным в применении, нужно учитывать требования экономической эффективности и т.д.

...и что мешает недошедшим?

Высокий уровень ожиданий корпоративных заказчиков от ИИ-инструментов, с одной стороны, привлекает компании к созданию и внедрению таких решений, с другой — разочарование иногда оказывается сильнее обычного, приводя к сворачиванию проектов с ИИ. Топ-менеджменту зачастую по-прежнему приходится объяснять, что ИИ — не волшебство, в технология, внедрение которой требует традиционных подходов — от предварительного анализа и детального планирования до разработки бизнес-инструментов с их последующей интеграцией в корпоративный рельеф и дальнейшим развитием с контролем всех этапов жизненного цикла. «Планирование изменений относится к числу проектных активностей и будет сугубо индивидуальным в каждом конкретном случае». — подчеркивает Александр Борисов, эксперт направления Data Science.

Александр Борисов, эксперт направления Data Science

Если говорить про технологическую зрелость, то для нее нужны специфические вычислительные мощности и большие объемы под размещение данных для обучения моделей, но в данном случае «железо» не главное — его достаточно легко и просто получить, например, от облачных провайдеров. Дефицит квалифицированных сотрудников с профильными компетенциями может оказаться существенно более серьезным препятствием: найти таких людей на имеющемся рынке труда сложно, а подготовить в своем коллективе — дорого и долго.

Наконец, главное, что нужно для создания ИИ-инструментов — большие объемы данных, пригодных для обучения нейросетей заказчика. Тут важно умение препарировать массивы данных для обучения, обеспечить соответствие процессов требованиям законодательства (например, в плане сохранности персональных данных в соответствии с законом № 152-ФЗ и другой чувствительной информации) и т.д. Проще всего это сделать компаниям, у которых уже есть развитые политики в отношении данных. «Общим требованием для таких проектов является согласование процессов управления данными и управления жизненным циклом моделей машинного обучения. — уверен Александр Борисов. — Другими словами, необходимо реализовать связку Data Governance и MLOps».

ИИ построен на данных и способствует ускорению обработки данных. Чтобы ИИ-решения были эффективными и работали точно, корпорации нужно навести порядок в собственных данных, что будет крайне полезно как для создания/внедрения ИИ, так и для общего повышения конкурентоспособности компании. Эффективное управление данными — основа для повышения конкурентоспособности и устойчивости бизнеса сегодня, в условиях стремительного развития технологий, уверен Марат Зайдуллин, советник по нефтегазовой индустрии вице-президента RAMAX.

Марат Зайдуллин, советник по нефтегазовой индустрии вице-президента RAMAX

В чем сложность внедрений и как это оптимизируют

ИИ — инструмент с нечеткой логикой, что должен понимать заказчик и к чему заранее готовить своих сотрудников. Некорректные ответы от ИИ-сервисов бывают достаточно часто, это определяет особенность технологии.

Причин тому много, но главная, которая приводит к предвзятости ИИ — неправильно подготовленные данные для обучения моделей. ИИ, обученный на некорректных и/или или на ограниченных данных, с большей степенью вероятности будет предлагать ошибочные выводы и решения. Заметим, что и прекрасно подготовленные данные не являются страховкой от некорректных выводов ИИ.

Поэтому результаты, полученные от ИИ, нужно оценивать на корректность и даже выглядящие адекватными перепроверять традиционными методами, дорабатывать, а иногда и перерабатывать. «Лекарством» от этой проблемы выступает подготовка сотрудников корпоративного заказчика к использованию новых инструментов, использующих искусственный интеллект. Культуру применения ИИ нужно целенаправленно формировать, прививать сотрудникам и последовательно развивать.

Аналогично — развитием культуры работы с ИИ, с данными и основами цифровой гигиены — решают проблему снижения рисков утечек конфиденциальных данных и другой чувствительной информации, которая для ИИ-инструментов достаточно актуальна. Зачастую ИИ-инструменты корпоративные заказчики получают из облака, а это требует повышенного внимания к данным, далеко не все из которых можно передавать «на сторону».

Упомянутые риски, разумеется, можно смягчить. Только делать это следует не по наитию, а планово, в ходе предварительного анализа определяя риски, разрабатывая методологию их смягчения и варианты реализации соответствующих действий. «Используйте план по митигации рисков, адаптированный под конкретную проектную среду и архитектуру предприятия», — рекомендует Александр Борисов.

Иногда бывает достаточно обучения персонала, обновления принципов цифровой гигиены в современных условиях, иногда — адаптацией инструментальных средств, например, корпоративной DLP-системы, которая в современных условиях должна контролировать в том числе и данные, передаваемые сторонним ИИ.

Какие направления ИИ сейчас наиболее востребованы?

В современных условиях компании активно экспериментируют с ИИ-инструментами, что в сочетании с растущей конкуренцией, ответом на которую является цифровизация и цифровая трансформация, приводит к парадоксальному ответу: сегодня российскими корпоративными заказчиками востребованы практически все направления ИИ. Компании прекрасно видят перспективы таких инструментов, а также осознают сопутствующие риски.

Как показывает практика, использование генеративного ИИ и языковых моделей сегодня актуально для автоматизации рутинных процессов (анализ инженерной документации, подготовка отчетов и автопротоколирование), говорит Марат Зайдуллин. Второе направление — создание интеллектуальных решений для контроля качества данных, построения сквозных процессов и интеграции разнородных систем. Третье — применение ИИ-инструментов для виртуализации данных, каталогизации и управления данными.

К основным трендам игроки рынка относят повышение покрытия ИИ-системами процессов компаний и применение LLM в системах, способных работать с разнообразными техническими данными и решать инженерные задачи. Заметим, что ИИ бывает встроен в системы видеоаналитики, его применяют для оптимизации производственных процессов.

Применение искусственного интеллекта дает очевидный экономический эффект, более того, ИИ становится ключевым фактором для повышения эффективности современных производств и, как показывают кейсы внедрения в российских реалиях, может не только предотвращать опасные инциденты на производстве (на 30-40%), но и повысить производительность труда (на 15-20%). Среди российских компаний сегодня ИИ также востребован для задач маркетинга, например, у прогнозирования различных рыночных показателей: динамики цен, спроса и предложения.

Сегодня чаще всего ИИ выступает в роли цифрового помощника, обрабатывая данные и предоставляя варианты дальнейших действий. Окончательные решения за сотрудниками — менеджерами, аналитиками, инженерами, охранниками и т.д. — причем уже после того, как они провели обязательную проверку предложении ИИ-решениями.

Вертикальные рынки и ИИ: кто лидер, а кто отстающий

Традиционно лидерами по внедрению новых технологий становятся компании из сегмента ИТ/телекома, а также банки и другие финансовые организации. Эти компании располагают квалифицированными специалистами в области математики и ИТ, а также — что крайне важно в случае с ИИ — большими объемами собственных данных и умением обращаться с ними, они понимают, что такое Data Governance и зачем он нужен в современных условиях. Из лидеров по внедрению ИИ следует отметить предприятия топливно-энергетического комплекса и индустриальный сегмент (например, металлургию).

Для некоторых отраслей ИИ становится одним из драйверов цифровой трансформации. В текущей повестке цифровой трансформации ТЭК доминируют три стратегических направления: импортозамещение технологических решений, обеспечение кибербезопасности критической инфраструктуры и внедрение в производственные процессы «искусственного интеллекта», уверен Марат Зайдуллин. К началу 2025 года практически все компании в ТЭК уже создали у себя центры компетенций и запустили программы разворачивания проектов с ИИ.

Следует отметить, что другие вертикальные рынки в рассматриваемом направлении разворачивают высокую активность. Прецеденты успешных внедрений, наработанные компетенции, идущая цифровизация — приводящая к появлению больших массивов данных, пригодных для обучения профильного ИИ — все это является мощным мотиватором для предприятий ряда отраслей: транспорт & логистика, госуправление и т.д.

В каждой конкретной ситуации результат внедрения новых инструментов будет зависеть от оценки зрелости управления данными и бизнес-задач, реализуемых с помощью ИИ-сервиса, говорит Александр Борисов.

Наиболее выраженный эффект от внедрения ИИ можно видеть в комплексных проектах. Пример — кейс с использованием ИИ в системе концептуального проектирования, реализованной RAMAX по заказу крупной российской нефтедобывающей компании. ИИ-ассистент в данном случае взаимодействует с базой знаний, генерирует вызовы функций редактора и смежных систем, а также использует специализированные агенты для выполнения отдельных задач заказчика. В ходе презентации был представлен пример Результатом внедрения данного решения стало значительное ускорить процесс проектирования и повышение точности работы с данными, сказал Марат Зайдуллин.

Вместо заключения

Технологии создания ИИ-инструментов новые, а методологии их внедрения в бизнес-процессы корпоративных заказчиков еще очень молоды, а поэтому зачастую недостаточно глубоко проработаны. Существует мало компаний, обладающие широким практическим опытом внедрений ИИ-инструментов, что создает порочный круг: малый опыт может привести к неэффективному использованию ресурсов и затруднить интеграцию ИИ в бизнес-процессы, что снизит в конкретной компании интерес к ИИ, а это приводит к тому, что опыт останется малым.

Основные проблемы с внедрением связаны не столько с технологией, которую развивают достаточно быстро и стремительно демократизируют, а с сопутствующими факторами, связанными с вопросами бизнес-администрирования, управления рисками, HR-политики и т.д. Например, отсутствие опыта в оценке эффективности ИИ-проектов может вызвать трудности в обосновании инвестиций и в оценке их окупаемости, Нужно уметь работать с вероятным сопротивлением со стороны сотрудников, которые зачастую необоснованно считают, что «после внедрения ИИ нас всех уволят!», а чтобы переломить ситуацию нужно эффективное управление изменениями и качественное обучение пользователей, для чего уже существуют отработанные методологии. Для учета риска со стороны регуляторных требований важна экспертиза в области законодательства, касающегося ИИ, которое, кстати, динамично развивается.

Со стороны организации-заказчика нужно четкая постановка бизнес-задач, которые должны быть решены внедрением ИИ, но и тут компаниям в современных условиях, как отмечают в RAMAX Group, часто бывает нужна помощь внешнего консалтера, обладающего штатом сотрудников с многопрофильной экспертизой и разноплановым практическим опытом работы с искусственным интеллектом. Оптимальный выход — обращение к внешним консалтинговым агентствам и интеграторам, обладающим как глубоким пониманием самой технологии «искусственного интеллекта», так и уже накопили практический опыт внедрения решений на предприятиях разного размера, специализации, организационной структуры и т.д.

Другие спецпроекты
ПечатьПечать без изображений

Комментарии

Только зарегистрированные пользователи могут оставлять комментарий.

Регистрация
Авторизация

ПОДГОТОВЛЕНО ITWEEK EXPERT

 
Интересно
Почему наблюдаемость данных — это недостающий слой современной сети
Джастин Дэй, директор по продуктам и соучредитель Cloud Gateway, рассказывает на портале Information Age …
Бумеранг гибридного облака: на что способны современные дата-центры
Некоторые родились в публичном облаке и хотят перейти в центр обработки данных, но не знают, с чего …
От Software 1.0 к Software 3.0: как меняется парадигма разработки
Андрей Карпатый, соучредитель OpenAI и бывший старший директор по ИИ в Tesla, рассказал на недавней …
Российский ИИ — реальному сектору экономики РФ
Системы, использующие искусственный интеллект, сегодня внедряют многие российские компании. Конечно, чтобы был эффект …
Forrester: AppGen уже здесь — попрощайтесь с разработкой ПО, какой вы ее знаете
Мир разработки ПО стоит на пороге сейсмического сдвига — а большинство организаций этого даже …