|
Поделиться
Поделиться
Как приручить ИИ: 3 возможных сценария внедрения
Внедрение ИИ стало обязательным для компаний, получающих субсидирование из госбюджета — об этом говорится в Национальной стратегии развития искусственного интеллекта РФ. К 2025-2030 годам ожидается, что ИИ-решения будут работать на программном обеспечении и железе российского производства. При этом, по результатам опроса К2 НейроТех от октября 2024 года, ИТ-инфраструктура 51% российских компаний не готова к внедрению искусственного интеллекта.
Как приручить ИИ:
3 возможных сценария внедрения и их особенности
Внедрение ИИ стало обязательным для компаний, получающих субсидирование из госбюджета — об этом говорится в Национальной стратегии развития искусственного интеллекта РФ.
К 2025-2030 годам ожидается, что ИИ-решения будут работать на программном обеспечении и железе российского производства. При этом, по результатам опроса К2 НейроТех от октября 2024 года, ИТ-инфраструктура 51% российских компаний не готова к внедрению искусственного интеллекта.
Разбираемся, в каких функциях можно внедрить ИИ и какие решения для этого можно использовать.
Где внедрять
Сценарии внедрения ИИ
Глобально инструменты применения ИИ в компании делятся на 2 вида:
01
Общедоступные облачные сервисы вроде ChatGPT.
02
On-premise решения — ИИ-платформы, разработанные под нужды конкретной организации. Их можно создать самим или купить готовый программно-аппаратный комплекс (ПАК), доработав его под нужные задачи.
Чтобы разобраться подробнее, поговорим о преимуществах и недостатках этих сценариев внедрения ИИ в организации, а заодно обсудим два самых важных вопроса, которые возникают при попытке выбрать между готовой платформой и on-premise решением: закрытый или открытый исходный код нейросети?
Для начала поясним: программно-аппаратный комплекс — это еще не нейросеть, а набор инструментов для ее обучения и использования. То есть у бизнеса появляется возможность создать свою ИИ-модель для решения каких-то специфических задач: создание базы знаний, оптимизация документооборота, антиспам-фильтр и т.д.
Когда достаточно готовой нейросети:
Типовые задачи для автоматизации
01
Если искусственный интеллект нужен для более-менее стандартных задач, таких как расшифровка голоса, генерация текста, изображений, с большой вероятностью вам подойдет любой готовый нейросервис, обученный на открытых источниках: ChatGPT-4, YandexGPT, GigaChat, Kandinsky и т.п.
В работе не используются конфиденциальные данные
02
Открытые нейросети забирают в свою базу данных все, что получат из вашего запроса. Если запрос не связан с чем-то секретным и для него не критично применение большого пула данных — смело обращайтесь к известным решениям.
Начинать работу надо как можно скорее
03
Разработка собственной нейросети — трудоемкая задача, связанная с определением ключевых процессов для автоматизации, сбором данных для обучения и др. Если нет времени ждать и данные не слишком закрытые, можно воспользоваться готовым решением.
Когда лучше разработать свою нейросеть:
1. Если предполагается работа
с конфиденциальной информацией
Очень важный пункт — безопасность данных. Требования к сохранности информации, особенно в условиях постоянной угрозы атак, растут, а в открытой нейросети нельзя работать с конфиденциальными сведениями: всё это уйдет в общую базу данных и станет доступно всем пользователям. С учетом того, что сервера открытых нейросетей могут находиться за границей, доступ к данным может прекратиться в любой момент. В таких случаях рекомендуют обращаться к коробочным провайдерам, которые обрабатывают данные в России и не зависят от санкций.
2. Если нужна узкая
выборка данных
Нейросети на базе Open Source обучены на основе очень обширного массива данных, поэтому запрос наподобие поиска информации в конкретном документе или вычленение данных из специализированной выборки они, скорее всего, не решат.
3. Если поставлена
нестандартная задача
Полезно будет обучить свою нейросеть, если нужно работать либо по какому-то нестандартному запросу, либо на основании своего каталога данных. Это даст возможность добавлять свои параметры и получить более кастомизированный под запрос результат.
4. Важна точность
результатов
В общедоступных нейросетях собрано огромное количество данных, которые могут в итоге привести к неточным или даже фейковым результатам выборки. Если обучать свою нейросеть, ей можно «скормить» выверенную релевантную информацию, в итоге вероятность ошибочных ответов существенно снизится.
Для крупных предприятий с высокими требованиями к безопасности и масштабными проектами часто предпочтительнее развертывание собственного ПАК. Это позволит сохранить контроль над данными и обеспечить максимальную гибкость в настройке решений.
Небольшим и средним компаниям, которым нужны быстрые результаты и минимизация затрат, скорее всего, подойдет использование готовых облачных сервисов. Они позволят сэкономить время и финансы на начальном этапе и сосредоточиться на бизнес-задачах, оставив технические вопросы специалистам провайдеров.
Облако, самописная платформа или моновендорное решение?
Выбор между on-premise решением и использованием сторонней платформы зависит от множества факторов, таких как размер компании, бюджет, уровень внутренней технической экспертизы и специфика задач, которые предстоит решить с помощью ИИ. На мировом рынке существуют крупные игроки, такие как OpenAI, предлагающие доступ к своим ресурсам через облако.
Пользователи могут работать с нейросетями и другими технологиями, не имея собственной инфраструктуры. Такой вариант подойдет тем, кто хочет минимизировать начальные вложения и быстро получить доступ к мощным вычислительным мощностям.
Из недостатков облачных сервисов можно выделить следующие:
По мере роста потребностей компании стоимость услуг может значительно увеличиться, при этом эти расходы не возвращаются и не увеличивают капитализацию компании.
Проблема безопасности данных: обработка информации происходит вне корпоративного периметра, особенно высоки риски при использовании зарубежных ресурсов.
Если у компании есть потребность в системе, адаптированной под специфику её бизнеса или же связанной с конфиденциальными данными, то альтернативным решением станет создание собственной инфраструктуры, включая покупку вычислительных ресурсов и сборку системы из Open Source компонентов.
Такой путь потребует значительных инвестиций и технических знаний, но зато даст возможность полностью контролировать процесс с учетом собственных потребностей.
Сложности этого подхода:
- Разрабатывать и поддерживать самописное решение придется также самостоятельно, в лучшем случае, подключать системного интегратора.
- Платформа будет мультивендорная и включать в себя, соответственно, набор аппаратных и программных продуктов от разных вендоров. Это может привести к сбоям интеграции компонентов платформы между собой и необходимости срочно достраивать те или иные участки.
- Разработка и отладка собственной платформы займет много времени.
Третий сценарий заключается в использовании готовых решений — полноценных платформ для работы с AI.
Из зарубежных on-premise платформ наиболее известна NVIDIA DGX. В России ближайшим аналогом является программно-аппаратный комплекс К2 НейроТех, который обучает нейросеть на основе реальных данных организации и упрощает внедрение технологий искусственного интеллекта благодаря интеграции всех необходимых компонентов в одной системе. С точки зрения перспективы и долгосрочности использования on-premise решение российского производства для многих компаний более эффективное:
- Единое окно техподдержки по всем компонентам платформы.
- Есть возможность получить налоговые льготы, которые дают за использование доверенных ПАКов и российских решений.
- Перейти на российскую инфраструктуру через коробочное решение гораздо легче, чем самостоятельно разрабатывать платформу из нескольких продуктов.
- Отечественные компоненты в составе ПАКа решают вопрос с поставкой необходимого железа и не требует обхода санкций.
Из потенциальных недостатков, пожалуй, только стоимость: если у компаний небольшие запросы на автоматизацию, затраты на on-premise решение едва ли окажутся рентабельными.
Вместе с тем, у крупного бизнеса со стабильным потоком задач наличие коробочного ИИ-сервиса станет хорошей инвестицией для доработки системы на перспективу.
Несмотря на то, что 34% респондентов опроса К2 НейроТех заявили о нехватке на рынке инфраструктурных решений готовых инструментов для развертывания ИИ, видно, что это не так: решения есть, и уже достаточно много вариантов отечественной разработки.
Более того, для тех компаний, кто заинтересован в on-premise платформе, есть возможность использовать ПАКи К2 НейроТех, которые включают в себя российские аппаратные и программные решения из реестров Минцифры и Минпромторга.
Таким образом, дорога к обязательному внедрению ИИ оказывается не так уж и трудна.
Короткая ссылка
