Внедрение ИИ в работу коллектива – непростое дело

Сделать впечатляющую демонстрацию возможностей ИИ сегодня сравнительно просто, рассказали «Российской газете» эксперты группы ЛАНИТ. Намного сложнее превратить её в решение, которое выдержит реальную нагрузку, встроится в процессы компании, будет соответствовать требованиям безопасности и даст измеримый бизнес-результат.

Первая развилка возникает ещё до выбора архитектуры будущего ИИ-решения (будь то нейросеть, классический алгоритм машинного обучения или их комбинация). ИИ особенно полезен там, где приходится работать с неоднородными данными, учитывать контекст или объединять информацию из разных источников. Если же задача сводится, например, к контролю фиксированного показателя датчика, обычная автоматизация может оказаться проще и эффективнее.

«Начинать нужно не с желания внедрить ИИ, а с конкретной бизнес-задачи. Если выяснится, что её эффективнее решить без ИИ, это тоже правильный результат. Простые аналитические алгоритмы более предсказуемы, контролируемы и, как правило, дешевле», - говорит главный конструктор программно-аппаратных комплексов ЛАНИТ-ТЕРКОМ Михаил Смирнов.

Заказчик обычно приходит не с желанием обучить модель, а с конкретной проблемой: сократить брак, ускорить обработку документов или повысить качество контроля. Поэтому сначала необходимо понять, какая часть процесса действительно требует ИИ.

По мнению руководителя практики анализа данных Центра компетенций больших данных и искусственного интеллекта ЛАНИТ Владислава Балаева, важно различать разовую презентацию ИИ-технологии и её постоянное применение в реальных бизнес-процессах. В отличие от классической ИТ-разработки, результат ИИ-модели не всегда предсказуем, а данные и условия её работы со временем меняются.

«В обычном ИТ-проекте хотя бы примерно видна дорога в самом начале. В случае с искусственным интеллектом она не видна: результат работы модели вероятностный, и с этим нужно учиться жить. Сначала надо проверить, решает ли ИИ поставленную функциональную задачу с учётом ограничений по бюджету, информационной безопасности и других требований и достаточно ли качества этого решения для достижения экономического эффекта».

После проверки гипотезы начинается пилот. На этом этапе решение сталкивается с реальными пользователями и процессами: появляются вопросы разграничения прав, обратной связи, нагрузки и поддержки.

Последний этап – сопровождение и мониторинг. Меняются бизнес-процессы, поведение пользователей и сами данные, поэтому качество однажды настроенной системы необходимо постоянно проверять.

К примеру, в проектах с обработкой документов время заполнения карточки удалось сократить вдвое, при этом до 80% реквизитов ИИ подтягивает из доверенных баз данных самостоятельно. В поддержке пользователей 40% запросов автоматически закрывает ИИ без привлечения операторов, освобождая их для срочных и сложных задач.

В ЛАНИТ развивают платформу LANDEV AI, которая позволяет не переписывать одни и те же ИИ-функции для каждого нового заказчика. В этой системе базовые компоненты можно переиспользовать, быстро обеспечив взаимодействие с LLM-моделями, обработку документов, разграничение доступа, мониторинг использования сервисов и масштабирование.

За счёт этого первый прототип можно создать не за несколько недель, а за часы. Еще важнее то, что вместе с функциональностью переиспользуется и необходимая для промышленной эксплуатации обвязка: права доступа, безопасность, устойчивость и масштабирование.

Ещё одно направление - использование ИИ непосредственно в процессе создания программного обеспечения. Технический директор компании bpm Александр Лутай рассказывает, что агенты уже способны писать код и тесты, создавать макеты и помогать проектировать доработки:

«Задачу, на которую раньше уходил месяц работы трёх-четырёх сотрудников, сейчас в отдельных случаях один специалист может выполнить за четыре-пять дней. У некоторых клиентов мы уже видим рост производительности в подразделениях на 70-80%. Но бывает и наоборот, когда команда только осваивает новые практики, и на первом этапе продуктивность даже проседает».

Главный барьер - привычный способ работы. «Это ловушка для экспертов, ведь эти люди много раз проходили один и тот же путь разработки ПО, и перестроиться им сложнее всего».

Начинать внедрение он советует с внутренних «ИИ-чемпионов», которые затем распространяют новые практики на коллег. Одновременно необходимо учитывать требования безопасности: при взаимодействии с внешними моделями за пределы корпоративного контура потенциально могут уйти исходный код или чувствительные данные. Для системной и защищенной работы bpm развивает платформу APLAI.

В настоящий момент уже удалось создать предпосылки для перестроения процесса нагрузочного тестирования. Раньше оно требовало редкой экспертизы, которую дорого держать в каждой продуктовой команде. Теперь же кодинговый агент может проводить эту работу с минимальным задействованием инженеров, что существенно повышает производительность продуктовых команд.

«Система на основе ИИ живая, она требует поддержки и сопровождения. Вы обучали модель на данных определённого качества, которое изменилось, - качество модели тоже начинает меняться. Поэтому основной принцип здесь – постоянный мониторинг метрик", - говорит Смирнов.

Успешное внедрение начинается не с выбора самой мощной модели, а с правильно поставленной задачи. Затем нужны измеримые критерии успеха, пилотирование, инфраструктура для промышленной эксплуатации и постоянный мониторинг после запуска. В таком случае ИИ перестает быть набором разрозненных экспериментов и становится частью системы управления эффективностью бизнеса.