Искусственный интеллект: экономический эффект неочевиден, принцип работы неясен

Компания Reksoft Consulting представила исследование о проблемах, с которыми сталкиваются российские Data-специалисты при разработке и внедрении решений на базе искусственного интеллекта. Авторы провели исследование методом глубинного интервью: они пообщались с руководителями команд Data Science, Data Science специалистами, руководителями направления Data Science, директорами по работе с данными (CDO) и техническими директорами. Участники интервью работают в области ИТ, тяжелой промышленности, медицины, ритейла и финансов. Выявленные проблемы авторы разделили на пять областей. Первая охватывает сложности во взаимодействии бизнеса и Data-специалистов. Основная проблема в том, что компании не понимают возможностей и принципов работы ИИ, внедряют его либо "для галочки", либо возлагают на технологии слишком большие надежды. Также бизнес не осознает, какой экономический эффект приносят решения на базе ИИ и как его оценить. Data-специалисты же не понимают целей бизнеса. Из-за этого бывает, что компании инвестируют в ИИ, но не видят результата или испытывают трудности с приживаемостью решений. Второй комплекс трудностей связан с данными. Не во всех компаниях достаточно автоматизированы бизнес-процессы и присутствует зрелая инфраструктура данных, а существующие процессы сбора данных не приспособлены для взаимодействия с искусственным интеллектом. Есть преграды, связанные с управлением разработкой и технологиями. Процессы разработки и технологический стек быстро меняются, поэтому бизнес должен быть гибким, чтобы подстраиваться под обстоятельства. При этом участники исследования рассказали, что часто все осложняется тем, что нет сформированных стандартов ИИ-разработки и подходов в работе с внешними разработчиками решений. Также авторы выделили сложности с передачей в эксплуатацию и поддержкой ИИ-решений. Трудности возникают из-за неорганизованности процесса передачи и отсутствия четких критериев приемки решений, в том числе с точки зрения экономического эффекта. Кроме того, нет выстроенного процесса мониторинга, поддержки и развития ИИ-решений. Подходы к информационной безопасности не адаптированы для внедрения ИИ-решений и оценки их рисков. Существуют проблемы с наймом, удержанием и развитием Data-специалистов. HR-специалисты не знают, как работать с такими сотрудниками. При этом ситуация в молодых и зрелых компаниях отличается. "Для конкретной компании приоритет проблем зависит от уровня зрелости: компании-новички больше говорят о проблемах со взаимодействием с бизнесом и с качеством и доступностью данных, а компании-лидеры скорее обеспокоены тем, как правильно выстроить операционную модель работы для успешного масштабирования ИИ-решений (управление разработкой и технологии, передача в эксплуатацию и поддержка)", - рассказал ComNews Алексей Богомолов, директор практики "Стратегия трансформации" компании "Рексофт Консалтинг" (подразделение технологической группы "Рексофт", которое занимается трансформационным и стратегическим консалтингом). Максим Жаров, менеджер по работе с ключевыми клиентами АО "Синимекс-Информатика" ("Синимекс" - компания-разработчик ИТ-систем для бизнеса), рассказал ComNews, что молодым компаниям трудно пробиться в нишу, так как барьер входа резко стал высоким из-за популярности генеративных сетей и скачка интереса к готовым ИИ-инструментам. "Крупным же ИТ-компаниям, хочется оптимизировать свои наработки и процесс их монетизации, так как "детские болезни" проектов уже пройдены", - считает Максим Жаров.\[quote\] https://www.comnews.ru/content/230080/2023-11-13/2023-w46/1008/generati… \[/quote\] Ключевое препятствие, c которым сталкивается ООО "Рексофт" - недоверие компаний к эффектам, которые могут дать технологии. "Чтобы решить эту проблему, мы детально обосновываем потенциальный экономический эффект и согласовываем его со всеми участниками процесса. Затем вместе с заказчиком пилотируем решение, подтверждаем эффект, и только потом начинается полномасштабное внедрение и крупные инвестиции", - объяснил Алексей Богомолов. Он добавил, что помимо этого "Рексофт" сталкивается с проблемой качества и доступности данных. В этом случае компания работает с сотрудниками клиента для структурирования и описания данных или предлагает проекты по модернизации ИТ-ландшафта в части данных и аналитики, выстраиванию системы управления данными. Что думают другие компании и эксперты Михаил Трегубенко, директор по организационным проектам ПАО "СИБУР Холдинг" (нефтегазохимическая компания), согласился, что выстраивание новых процессов разработки, развитие талантов и повышение качества данных - важные фокусы при внедрении ИИ. Кроме того, он обозначил еще два вызова: защита конфиденциальной информации и уязвимостей в системах, а также ограничение существующих систем к интеграции с ИИ. "Мы активно прорабатываем потенциал внедрения ИИ в "СИБУРе". Пожалуй, сейчас ключевой задачей является доведение текущего уровня цифровой зрелости к требуемому для внедрения ИИ в большинство процессов", - рассказал Михаил Трегубенко. Опрошенные ComNews эксперты в целом согласны с выводами исследования и подтверждают, что указанные проблемы существуют и являются важными. СЕО разработчика ООО "Ингри" (Ingry.Tech) Георгий Банчиков считает, что в действующие бизнес-процессы тяжело встраивать искусственный интеллект и нужно относиться к внедрению ИИ как к научно-исследовательской работе, быть готовым к отрицательным результатам. "Такая работа - постоянный реинжиниринг и изменения. При этом не факт, что каждое изменение будет успешным, поэтому очень быстро накапливается усталость от такой инновационной деятельности. Неважно, большая компания или маленькая - встраивание ИИ в работу все равно приведет к дополнительным издержкам", - считает Георгий Банчиков. К проблемам он добавил этические вопросы, такие как сохранность данных и информационная безопасность: для получения результатов данные необходимо выгружать, соответственно, можно столкнуться с вопросами информационной безопасности, а также валидации результатов. "Одно дело, когда кто-то пишет код и закладывает в него определенную логику: тогда понятно, кто за него отвечает. Если это делает искусственный интеллект, то неясно, чья это ответственность", - отмечает Георгий Банчиков. Илья Померанцев, руководитель направления ИИ ООО "Глобус ИТ" (Globus IT - компания, которая разрабатывает, внедряет ИТ-системы), считает, что за последние десять лет вызовы ML и Data Science специалистов претерпели минимальные изменения. При этом он выделяет несколько проблем. "Есть потребность в смене модели корпоративной культуры для эффективного внедрения решений на базе ИИ и принятий решений на основе инструментов ИИ. Сложности по внедрению возникают из-за отсутствия универсальных решений, которые бы позволили Data Science специалистам не дообучать ИИ-модели под каждый проект, что очень затратно и по времени, и по финансам", - считает Илья Померанцев. Он согласился с выводом авторов исследования в части проблем с качеством данных - зачастую оцифровка имеющейся информации очень длительна и трудоемка. "Сложность и характеристики ИИ-модели занимают в затратах на внедрение редко более 20%. Основная нагрузка ложится на работу с данными, в том числе на решение проблемы "дрифта" данных, когда информация изменяется и устаревает в реальном времени, отчего требует постоянного мониторинга и актуализации", - отметил Илья Померанцев. Максим Жаров из "Синимекс" также отметил, что данные являются "камнем преткновения" для старта разработки. Зачастую они находятся в разных внутренних системах и не унифицированы.\[quote\] https://www.comnews.ru/content/229733/2023-10-27/2023-w43/1008/ii-predo… \[/quote\] Александр Крушинский, директор департамента голосовых цифровых технологий ООО "Бэнкс Софт Системс" (BSS - компания, которая разрабатывает и внедряет автоматизированные системы дистанционного банковского обслуживания) считает, что сложно делать выводы о проблемах с использованием ИИ, так как тема слишком масштабная и разнородная. "Видеоаналитика, голосовые роботы, рекомендательные системы и беспилотное такси - все эти области невозможны без использования нейросетей, но уровень проникновения этих решений и технологическая готовность могут сильно отличаться. А значит и рекомендации по применению ИИ в этих областях будут отличаться", - считает Александр Крушинский. Он добавил, что организации разного масштаба будут внедрять совершенно разные по сложности решения, поэтому в исследованиях важно учитывать масштабы организаций. "ИИ часто воспринимается как "модная игрушка", при этом упускается главное - ИИ должен давать компании системный трансформационный эффект. Необходимо создание технологической и организационной базы для системного развития цифровых продуктов от прототипирования до получения эффекта. Здесь стоит задуматься над созданием "цифрового конвейера" в купе с бизнес-трансформацией самой компании. В результате ИИ должен стать понятной и привычной технологией для бизнеса - повседневным рабочим инструментом, интегрированным в текущие бизнес-системы такие, как ERP и CRM-системы и аналитику", - подвел итоги исследования Алексей Богомолов из "Рексофт Консалтинг". Ссылка на источник