Поделиться
Что тормозит использование искусственного интеллекта
На сегодняшний день, пожалуй, уже не осталось компаний, которые бы не внедрили искусственный интеллект для решения тех или иных задач. Главная задача — правильно расставить приоритеты и сконцентрироваться на решениях, которые принесут реальный экономический эффект. И, конечно, привлекать рядовых сотрудников к использованию технологии. Как выбрать, обучить и запустить ИИ-модель, обсудили участники секции «Искусственный интеллект и большие данные», которая прошла в рамках CNews FORUM Кейсы.
ИИ должен приносить прибыль
«Прежде чем начинать ML-проект, надо сформулировать, каких результатов, в том числе финансовых, планируется достичь», — говорит Владимир Новоженов, руководитель продуктового направления VK Data Platform. Очень важно также убедиться, что все участники процесса (Data Scientists, инженеры, DevOps, бизнес-команда) понимают цели и готовы к согласованной работе. Владимир Новоженов рекомендовал составить подробную карту процесса и добавить в нее инструменты оркестрации.
Что тормозит развитие технологий искусственного интеллекта и машинного обучения? По мнению эксперта, это разрозненность источников данных, дорогие DWH-решения, медленные и сложные ETL-процессы, зависимость от централизованных ИТ-ресурсов, деградация lake в data swamp: нет схем, нет контроля качества, нет доверия и отсутствие компетенций. «Надо навести порядок в инфраструктуре, например, с помощью VK Tech», — говорит Владимир Новоженов.
Реализация Lakehouse в VK Data Platform
Он рассказал о VK Data Lakehouse. Хранить данные на платформе на порядок дешевле, чем в DWH. Благодаря использованию Iceberg для версионности, ACID и каталогизации «озеро» не превратится в «болото», а Managed инструменты с легким масштабированием и управлением из единого окна позволят не привлекать DevOps, дата/BI инженеров, DBA. Trino напрямую обращается к различным источникам без сложных ETL трансформаций, а значит, ML-модели будут запускаться быстрее. Также разделение storage и compute ведет к снижению расходов за счет раздельной оплаты и уменьшению числа конфликтов с командой DWH за ресурсы и стабильность хранилища.
В МТС более 600 систем-источников данных, имеющих отношение к услугам связи. Описать эти данные вручную практически невозможно. «Мы использовали систему Resource Inventory. 7 аналитиков за 3 месяца обработали обработали 310 витрин», — рассказал Виталий Ляпер, Cluster lead Architect МТС Web Services. Попробовали подключить для описания LLM-модель, однако результаты ее работы не впечатлили — исходных данных оказалось недостаточно для работы ИИ. Решили обогатить данные семантически, за основу взяли таблицы BIAN и eTom модели бизнесов, сделали их описание, потом описание колонок.
Как описать все данные в компании в 5 раз быстрее с помощью InDatabase
Теперь описание таблицы занимает 60 сек вместо 6 часов работы аналитика. 80% описаний не требуют корректировки, и этот показатель будет расти по мере совершенствования модели. Виталий Ляпер предложил другим компаниям воспользоваться созданным МТС инструментом.
ИИ для автоматизации сложных процессов
Андрей Овчинников, руководитель направления искусственного интеллекта Siblion, рассказал, что его компания использует LLM при автоматизации сложных бизнес-процессов, например, таких как процесс рассмотрения кредитных заявок, автоматизация настройки тарифов телеком-оператора под VIP-клиентов, оптимизация времени логистического планирования производственной компании и пр. У компании есть собственная платформа Synplity, с помощью которой можно построить любые бизнес-процессы. Однако до самого последнего времени это надо было делать вручную — автоматизировать сложные процессы с помощью low-code невозможно.
Александр Виноградов, независимый эксперт, модератор секции
Владимир Новоженов, руководитель продуктового направления VK Data Platform: Прежде чем начинать ML-проект, надо сформулировать, каких результатов, в том числе финансовых, планируется достичь
Виталий Ляпер, Cluster lead Architect МТС Web Services: В МТС более 600 систем-источников данных, имеющих отношение к услугам связи. Описать эти данные вручную практически невозможно
Андрей Овчинников, руководитель направления искусственного интеллекта Siblion: Платформа осталась ядром — ИИ стал мозгом
Сергей Иванов, заместитель генерального директора по стратегии «Дамате»: Мировые компании используют ИИ как стратегический инструмент трансформации сельского хозяйства — от автоматизации техники до аналитики больших данных
Фёдор Лежнёв, директор департамента информационных технологий «Альфа-Капитал»: Наша цель — сделать так, чтобы инвестиции в ИИ окупились менее чем за 1 год
Сергей Черномырдин, руководитель направления по архитектуре данных, владелец продукта Data Lake Magnit Tech: Как выяснилось, к старой платформе было подключено 60 источников данных, в ней было более 1000 объектов
Ускорить разработку, снизить стоимость, упростить процесс и при этом не потерять в качестве помог ИИ. В платформу была интегрирована LLM как полноценный участник процесса — так на свет появилась Synplity AI. «Платформа осталась ядром — ИИ стал мозгом», — говорит Андрей Овчинников. ИИ подключается на этапе создания бизнес-требований, системного анализа, создания базы данных, генерации backend и frontend, тестирования. В результате время на разработку сократилось в 5–10 раз, радикально снизилась ее стоимость, выросла надежность, а команда стала работать быстрее и увереннее.
ИИ в сельском хозяйстве
«Мировые компании используют ИИ как стратегический инструмент трансформации сельского хозяйства — от автоматизации техники до аналитики больших данных», — говорит Сергей Иванов, заместитель генерального директора по стратегии «Дамате». Эти инновации позволяют повысить эффективность производства, снизить экологический след и обеспечить продовольственную безопасность. Повсеместное использование технологии сдерживает достаточно высокая стоимость проектов. Кроме того, в сельской местности не всегда есть устойчивое высокоскоростное подключение к интернету. Важный фактор — нехватка специалистов по работе с новыми системами.
Развитие ИИ в сельском хозяйстве России находится на стадии активного формирования. По прогнозам Института статистических исследований и экономики знаний НИУ ВШЭ, к 2030 г. спрос российской отрасли сельского хозяйства на ИИ-решения может достигнуть 86 млрд руб., что в 20 раз больше по сравнению с показателями 2020 г. (3,9 млрд руб.). В списке основных вызовов недостаток квалифицированных кадров, высокие инвестиционные затраты, необходимость адаптации технологий к российским климатическим условиям, недостаточная инфраструктура и технологическая база, правовые и нормативные барьеры.
Сергей Иванов рассказал, что в «Дамате» создан первый в АПК ситуационный центр. Внедрены ИИ-система контроля санитарной обработки рук, компьютерное зрение в птичниках, создан роботизированный склад, проведена автоматизация производственного учета (MES).
ИИ в финансовом секторе
В «Альфа-Капитал» внедрение ИИ началось два года назад. Было принято решение, что модели будут доступны всем сотрудникам. «Наша цель — сделать так, чтобы инвестиции в ИИ окупились менее чем за 1 год», — говорит Фёдор Лежнёв, директор департамента информационных технологий «Альфа-Капитал». На сегодняшний день использование ИИ позволяет сэкономить 5% рабочего времени ИТ-специалистов, однако к концу 2025 г. этот показатель вырастет до 10%.
80% сотрудников ИТ-подразделения используют GPT и CoPilot, пилотируется использование ИИ в Jira для анализа ранее решенных обращений, формирования рекомендаций сотруднику поддержки. Ии также используется для постановки задач и автоматического измерений их трудоемкости. Запущен пилот по ИИ-оценке стоимости доработки. В клиентском сервисе ИИ используется как суфлер в текстовых каналах. Искусственный интеллект категоризирует сообщения, контролирует качество разговоров, анализирует комментарии и отвечает на 20% претензий.
В «Альфа-Капитал» создан веб-портал ИИ, сотрудники могут воспользоваться ИИ-сервисами через Telegram. А у клиентов появилась возможность получать сгенерированные ИИ индивидуальные отчеты: обзор рыночной ситуации, анализ состояния и изменений портфеля, мониторинг обновлений в продуктах.
ИИ в торговле и логистике
В «Магните» платформа Data LakeHouse была создана более 10 лет назад. Она обеспечивает данными корпоративную отчетность, а также ряд критичных процессов. Однако она была слабо задокументирована и унифицирована, не было доступа к сырым данным, а цикл появления новой функциональности достигал 50 дней. В компании решили перенести ее на отечественные технологии и параллельно изменить подход к работе с данными.
«Как выяснилось, к старой платформе было подключено 60 источников данных, в ней было более 1000 объектов», — рассказал Сергей Черномырдин, руководитель направления по архитектуре данных, владелец продукта Data Lake Magnit Tech. Ответственность за эти данные переложили на их владельцев, после чего они согласились подключить их к Data Lake. Затем на платформе запустили self-service. Сейчас Data Lake используется для формирования аналитики, отчетности и т.д.
Елена Катасонова, руководитель направления инновационных продуктов торговой сети «Лента»: Все роботы на российском рынке из Китая, поэтому возникает проблема русификации и техподдержки
Наталья Лошкарева, директор по управлению проектами клиентского сервиса DPD в России: Экономический эффект от использования робота «Юля» превышает 200 млн руб. в год
Рустам Ерижоков, руководитель отдела стандартизации и контроля качества НПКЦ диагностики и телемедицинских технологий Департамента здравоохранения Москвы: ИИ в лучевой диагностике стал реальностью, независимо от личных точек зрения, предпочтений, предубеждений
Павел Клепинин, проректор РАНХиГС: Более того, вместо того чтобы бороться с использованием GPT студентами, мы создали киберпрофессора
Дмитрий Бунеев, CDO ИДС Боржоми Россия и Беларусь: В какой-то момент сотрудники решили, что GPT может все
Александр Котельников, руководитель департамента технологий индустрии 4.0. компании «ЕвроХим»: Результативность нашей модели при регулярном дообучении составила 60-65%, что примерно в 2 раза точнее прогнозов известных экспертов
По мнению Елены Катасоновой, руководителя направления инновационных продуктов торговой сети «Лента», в ритейле существует множество направлений, где можно применять роботизацию. Сейчас в торговой сети запускают робота-уборщика помещений. Началось тестирование робота-промоутера. «Все роботы на российском рынке из Китая, поэтому возникает проблема русификации и техподдержки», — поделилась она. Также внедряется робот для перевозки паллет в распределительном центре — пока он находится на этапе обучения. «Готовых решений и опыта их внедрения у российских интеграторов нет», — говорит Елена Катасонова.
Примером использования ИИ в клиентском сервисе поделилась Наталья Лошкарева, директор по управлению проектами клиентского сервиса DPD в России. Компания получает около 4 млн клиентских запросов в день. Обрабатывать их помогает робот «Юля». В 2017 г. она принимала звонки, в 2019 г. научилась отвечать на письма, в 2020 г. освоила мессенджеры, в сейчас способна найти индивидуальный подход к каждому клиенту.
На сегодняшний день «Юля» обслуживает 57% входящих звонков, обрабатывает 55% письменных запросов, 93% обращений в чате. Экономический эффект от ее использования превышает 200 млн руб. в год.
ИИ в социальной сфере
Активное внедрение ИИ в лучевую диагностику началось на фоне COVID 19. В Москве запустили эксперимент по использованию компьютерного зрения для распознавания медицинских изображений. На сегодняшний день проведено более 15 млн исследований, началось распространение сервиса в российские регионы. Рустам Ерижоков, руководитель отдела стандартизации и контроля качества Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы, рассказал, как развивалась и совершенствовалась технология.
Так, базовые функциональные требования постепенно менялись с учетом обратной связи от врачей-рентгенологов, для снижения нагрузки на врача-рентгенолога, а также с целью стандартизации. Сегодня ИИ способен выявлять патологию не хуже среднестатистического врача. «ИИ в лучевой диагностике стал реальностью, независимо от личных точек зрения, предпочтений, предубеждений», — говорит Рустам Ерижоков.
Павел Клепинин, проректор Президентской академии (РАНХиГС), рассказал, что еще в конце 2023 г. уровень цифровизации вуза был очень низкий — отсутствовала даже техподдержка. За 9 месяцев удалось коренным образом изменить ситуацию — в РАНХиГС внедрили процессный подход ITIL, а затем запустили робота «Артура». Он обучен обрабатывать письма сотрудников на help.ranepa, регистрировать их в ITSM-системе и отправлять нужному исполнителю в цифровом блоке.
Кроме того, в вузе создали единый централизованный деканат, который работает по принципу МФЦ. Более того, вместо того чтобы бороться с использованием GPT студентами, создали киберпрофессора, который генерирует план для курсовой, диссертации, статьи: разбивает тему на ключевые вопросы для изучения, создает уникальные названия глав и параграфов, формирует структуру из 3 глав по 3 параграфа. Также при создании обучающего контента вместо реального спикера используется его цифровой аватар, на вопросы абитуриентов отвечает цифровой помощник, а на тренингах по ведению переговоров оттачивать мастерство помогает диалоговый ИИ-тренажер.
ИИ в промышленности
Дмитрий Бунеев, CDO ИДС Боржоми Россия и Беларусь, рассказал, что в его компании внедрены компьютерное зрение, система прогнозирования производства и запасов, чат-бот для взаимодействия с покупателями. «В какой-то момент сотрудники решили, что GPT может все», — вспоминает он. Список задач рос на глазах.
ИТ-департамент запустил ряд пилотов: сервис транскрибации встреч и подготовки «минуток», сервис генерации презентаций и обучающего контента, ИИ ассистентов для рутинных задач. Одновременно стартовали и крупные инициативы, такие как мониторинг производственных линий и предсказание поломок, ведение базы знаний по поломкам, прогнозирование всего и вся. В результате выяснилось, что решения стоят очень дорого. Плюс к этому, надо серьезно заниматься вопросами безопасности данных. При этом стандартные методы цифровизации часто дают лучшие результаты – их ресурс не выработан.
Экономика ИИ ассистента для генерации «минуток»
В результате было принято решение развивать только одно решение — ИИ-помощника для сотрудников «Борю». На сегодняшний день он способен генерировать отчеты по запросу (например, результаты полевой команды и рекомендации по улучшению KPI), отвечать на вопросы по маркировке и кадровые вопросы (как оформить отпуск или командировку, что делать в той или иной ситуации), собирать данные по поломкам линий, формировать предложения по починке на основе базы знаний по поломкам. В ближайшее время появится интеграция с интранет-порталом и с on-prem LLM для расширения функционала генерации отчетов по запросу на естественном языке.
В «ЕвроХиме» ИИ используют для прогнозирования цен на удобрения. ИИ помогает осуществлять строить долгосрочные, среднесрочные и оперативные прогнозы. Точность прогноза составляет 85%. Александр Котельников, руководитель департамента технологий индустрии 4.0. компании «ЕвроХим», рассказал, как устроена модель.
Традиционно, для построения прогностических моделей используются исторические данные по прогнозируемым метрикам и фундаментальным рыночным факторам. Но, помимо этого, в компании предположили, что рынок акций, а также рынок фьючерсов и прочих вторичных инструментов может быстро реагировать на изменение рыночной конъюнктуры рынка биржевых сырьевых товаров. Кроме того, цены на карбамид могут коррелировать с публикуемыми новостями, формирующими новостной фон. Была создана модель, которая учитывала все эти факторы. Ее результативность при регулярном дообучении составила 60-65%, что примерно в 2 раза точнее прогнозов известных экспертов.
CNews FORUM Кейсы 2025 посетили более 1200 человек. Было представлено более 100 экспертных докладов. Гости форума получили возможность ознакомиться с продуктами российских разработчиков более чем на 40 стендах.
Короткая ссылка
