Искусственный интеллект: от фантастики к реальности в бизнесе и данных

Время, когда искусственный интеллект существовал только в фантастических фильмах, прошло. Сегодня он стал важным инструментом, который активно используют российские компании в различных отраслях. Расходы на ИИ растут во всем мире, однако не во всех случаях эта технология приносит реальные результаты 

Где и как применяется ИИ

Первые масштабные проекты по внедрению искусственного интеллекта в России начались еще в 2020 году, когда в Москве появились системы идентификации и верификации человека по лицу. С тех пор компьютерное зрение значительно развилось: помимо распознавания лиц, human-centric аналитика теперь позволяет определять направление взгляда, эмоции, средства индивидуальной защиты, позы и жесты. В ряде регионов России, где вторжение диких зверей в города приводит к человеческим жертвам, на основе ИИ уже работают системы распознавания медведей и других животных.

На сегодняшний день классический ИИ применяется преимущественно в отраслях с большими объемами данных и необходимостью быстрой реакции, таких как финансовые услуги, промышленность, розничная торговля, телекоммуникации. В то же время генеративный ИИ, который активно используется последние два года, получил популярность во множестве отраслей, где важна креативная работа с людьми.

Одна из ключевых сфер применения ИИ — здравоохранение. Большинство регионов страны активно внедряют технологии для распознавания медицинских изображений. Более половины колл-центров используют голосовых роботов и системы распознавания речи для обработки запросов, записи на прием к врачу или в многофункциональные центры. Значительные усилия направлены на внедрение ИИ для анализа геоданных, включая снимки дистанционного зондирования и аэрофотосъемку. Эти технологии позволяют эффективно отслеживать незаконные вырубки лесов и выявлять потенциальные экологические и технологические угрозы.

По словам министра экономического развития Максима Решетникова, в приоритетных отраслях — сельском хозяйстве, промышленности, энергетике, на транспорте — искусственный интеллект уже применяет пятая часть компаний. А по таким направлениям, как финансы, инновационно- коммуникационные технологии и телеком, ИИ-решения внедрили более половины компаний.

Что с затратами

За последние годы во всем мире, включая Россию, значительно возросли расходы на разработку и внедрение решений на базе искусственного интеллекта. По данным Национального центра развития ИИ при правительстве России, лидирующие позиции в области исследований и разработок традиционно занимают Китай и США. В то же время Россия, по данным Минэкономразвития, входит в десятку мировых лидеров по объему совокупных вычислительных мощностей, а уровень внедрения ИИ в ключевых секторах экономики страны достиг 32%.

В Европе, по данным IDC, расходы на ИИ в 2023 году увеличились на 20,6%, достигнув 34,2 млрд долларов США. Прогнозы указывают на еще более впечатляющий рост — к 2027 году объем инвестиций может составить $96,1 млрд.

В России активно реализуется федеральный проект «Искусственный интеллект», главная цель которого — создать условия для массового использования отечественных ИИ-решений предприятиями и гражданами. Национальная стратегия развития ИИ до 2030 года предусматривает амбициозные результаты: увеличение ВВП на 11,2 трлн рублей, рост ежегодных инвестиций в ИИ со 120 до 850 млрд рублей, а также внедрение ИИ в 95% компаний приоритетных отраслей. Эти инициативы направлены на укрепление технологического суверенитета страны и обеспечение устойчивого экономического роста.

Практическое применение

Расходы на ИИ растут, однако не так часто приносят практические результаты. Поэтому Группа Arenadata подошла к этому вопросу иначе, используя генеративный искусственный интеллект только в тех случаях, когда он либо улучшает качественные характеристики продуктов, либо дает понятную ценность заказчикам.

Генеративный ИИ, активно внедряющийся в системное ПО различных отраслей, начал стремительно развиваться с лета 2024 года. Этот прорыв стал возможен благодаря появлению в широком доступе больших языковых моделей (LLM, Large Language Model), которые научились формировать структурированные ответы и успешно работать в связке с традиционными инструментами автоматизации.

Еще год назад перенос базы данных крупного предприятия с Oracle на отечественные СУБД занимал десятки тысяч человеко-дней. Для компаний это было крайне ресурсозатратно, так как чем больше организация, тем больше ресурсов требуется на миграцию. С появлением генеративного ИИ процессы миграции стали значительно проще и эффективнее. Команда Группы Arenadata смогла задействовать искусственный интеллект на всех этапах миграции: он преобразует синтаксис SQL-запросов, адаптирует функции и процедуры, проверяет совместимость кода и учитывает особенности исходной и целевой платформ. Алгоритмы машинного обучения анализируют выполненные преобразования и предлагают наиболее подходящие шаблоны. Это сокращает ручной труд, ускоряет выполнение задач и снижает риск ошибок.

Внедрение ИИ в процессы миграции позволяет существенно снизить временные и финансовые издержки, добиться высокой точности преобразований и ускорить переход на современные платформы. При этом сохраняется целостность бизнес-логики и стабильность функциональности приложений, что делает процесс более прогнозируемым и эффективным.

Уже сейчас начинают строиться платформы данных, интегрированные с ИИ. В них искусственному интеллекту доступно выполнение тех же задач, что и сотруднику компании, так как ему доступны те же данные. Взаимодействие с такими ИИ-агентами построено на постановке задач аналогично тому, как это происходит при общении с аналитиками данных.

Кроме того, чат-боты или поисковые системы, управляемые ИИ, в RAG-базах (Retrieval Augmented Generation векторных, полнотекстовых, графовых базах с дополненной выборкой) ищут ответы на вопросы по документации ПО. При этом могут отвечать как в голосовом, так и в текстовом формате на языке вопрошающего даже если необходимые документы написаны на другом языке. Такой подход делает взаимодействие с ИИ более интуитивным и удобным, значительно упрощая доступ к информации.

Классические ИИ-решения часто характеризуются длительным сроком окупаемости, что обусловлено спецификой бизнес-кейсов и значительными трудозатратами на сбор данных для обучения. В отличие от них генеративный ИИ обычно окупается значительно быстрее. 

Это происходит благодаря тому, что он радикально удешевил прототипирование решений. Можно быстро собирать минимально жизнеспособный продукт, который затем доводить до enterprise-уровня, когда уже понятны краеугольные камни его работы. 

Предполагается, что в ближайший год или два до 90% компаний смогут достичь заметных результатов от использования генеративного ИИ при инвестициях в пределах семизначных сумм. Однако стоит подходить к вопросу затрат на внедрение ИИ разумно и сразу искать практические задачи, в решении которых он действительно способен помочь уже сейчас, а не в какой-то долгосрочной перспективе.