Компании, которые внедряют проекты, связанные с искусственным интеллектом, обычно сталкиваются с пятью барьерами. Эти ограничения мешают ИИ-проектам переходить из стадии пилота в стадию промышленной эксплуатации. Об этом на конференции Data Fusion рассказал заместитель руководителя технологического блока ВТБ Сергей Безбогов.
Несмотря на высокий интерес к технологиям искусственного интеллекта, в том числе большим языковым моделям (LLM), лишь ограниченное число проектов достигает стадии промышленного внедрения. Ситуация с полномасштабным запуском ИИ-проектов после пилота характерна как для российского, так и для международного рынка. Барьерами являются следующие причины:
Первая причина — экономическая. ВТБ придерживается принципа «бережливого ИИ» и ориентируется на показатель возврата инвестиций (ROI). Экономическая целесообразность запуска проектов с ИИ оценивается по единым критериям со всеми другими проектами технологической трансформации. ИИ и генеративные модели требуют значительных вычислительных мощностей, поэтому даже пилоты могут требовать высоких начальных затрат. Это отсеивает дорогие решения, эффект по которым сложно оценить без пилотирования.
Вторая причина вытекает из первой — высокая стоимость инфраструктуры. Разработка и масштабирование решений на базе LLM требует значительных вычислительных ресурсов и специализированных ИТ-кластеров. В ряде случаев даже использование высокоэффективных моделей оказывается экономически нецелесообразным из-за стоимости необходимого для неё «железа». Дефицит средств производства, в том числе видеокарт и процессоров, также сдерживает развитие рынка.
Третья причина — галлюцинации. Модели с генеративным ИИ, который самостоятельно создает контент, могут выдавать вымышленные факты, несуществующие ссылки или некорректные ответы, то есть «галлюционировать». Такие ошибки создают финансовые и репутационные риски для бизнеса. Для минимизации этих рисков требуются сложные каскадные решения и системы детекции, которые требуют отдельной разработки и настройки под каждую предметную область — универсальных решений пока нет.
Четвертая причина — дефицит качественных данных. На рынке наблюдается нехватка качественных данных для обучения ИИ-моделей. Создание качественных выборок требует дорогостоящей фильтрации и экспертной проверки данных на достоверность. При этом внутри одной отрасли, например, банковской, наборы данных часто идентичны, что ограничивает развитие уникальных моделей.
Пятая причина — нехватка кадров с новыми компетенциями. Для промышленной эксплуатации нужны не просто разработчики, а появление в штате полутехнологических команд — специалистов по разметке данных и промпт-инженеров, способных правильно формулировать задачи для нейросетей. Также важна осознанность пользователей при взаимодействовии с нейросетью — от них требуется по возможности более четко формулировать вопрос и критически относиться к ответу.
