Компании, внедряющие проекты на базе искусственного интеллекта, часто встречают барьеры. Пять основных причин, по которым ИИ-проекты не переходят из пилотной стадии в промышленную эксплуатацию, назвали на конференции Data Fusion.
По словам зам. руководителя технологического блока ВТБ Сергея Безбогова, многие российские компании сегодня заинтересованы в применении ИИ-технологий, включая большие языковые модели (LLM). Но к промышленному внедрению допускаются немногие пилотные проекты. Тому есть несколько основных причин, и во-первых — экономическая.
«Если рассмотреть наш опыт, то мы придерживаемся принципа „бережливого ИИ“ и ориентируемся на показатель возврата инвестиций. Важно оценивать экономическую целесообразность запуска проектов с искусственным интеллектом по тем же критериям, что и другие проекты технологической трансформации. Мы установили срок окупаемости подобных инвестиций, от него уже зависят наши приоритеты. Если проект уже на этапе пилотного запуска требует слишком высоких затрат, а без пилота эффективность просчитать не выходит, такое решение отсеивается», — привёл пример Сергей Безбогов.
Второй преградой эксперт назвал высокую стоимость инфраструктуры. Для разработки и масштабирования LLM-решений нужны значительные вычислительные ресурсы и специализированные ИТ-кластеры. Между тем, на рынке ощущается нехватка средств производства, в частности таких, как видеокарты и процессоры. Так дороговизна необходимых технических мощностей делает экономически неоправданным даже применение высокоэффективных моделей.
Третий барьер на пути внедрения моделей с генеративным ИИ — несовершенство создаваемого контента: генерация вымышленных фактов, несуществующих ссылок или некорректных ответов. Из-за таких ошибок высок риск финансовых и репутационных потерь для компаний. Чтобы решить эту проблему, требуется прибегнуть к сложным каскадным решениям и системам детекции, а их в свою очередь ещё нужно разработать и настроить под каждую предметную область — универсальных решений пока не существует.
Четвертая проблема — нехватка качественных данных, на которых обучаются ИИ-модели. Для создания качественных выборок нужны дорогостоящая фильтрация и экспертная проверка достоверности. В то же время внутри одной отрасли, к примеру, банковской, наборы данных мало чем отличаются, что препятствует развитию уникальных моделей. Мог бы помочь межотраслевой обмен данными, но свободную передачу и обработку некоторых чувствительных категорий данных строго ограничивает закон.
Пятой причиной, по которой новые технологии «буксуют», является дефицит компетентных кадров. Чтобы решение вошло в промышленную эксплуатацию, в штате компании должны появиться команды специалистов по разметке данных и промпт-инженеры, способные максимально точно формулировать задачи для ИИ и критически оценивать ответ нейросети, нести ответственность за итоговый результат.
Подписывайтесь на АиФ в  MAX
|
