ИИ «взлетит» только на качественных данных и оптимизированной инфраструктуре: три подхода к внедрению

Участники дискуссии единогласно пришли к выводу, что этап первоначального «хайпа» вокруг искусственного интеллекта пройден, и бизнес переходит к этапу прагматичного внедрения. Однако успешность таких проектов напрямую зависит от трех фундаментальных основ: оптимизированной ИТ-инфраструктуры, трансформации мышления сотрудников и качества сбора, хранения и обработки данных.

Согласно Global AI Index, Россия занимает 31-е место из 83 стран в мировом рейтинге по внедрению ИИ. Во многом это результат государственной поддержки развития искусственного интеллекта — это направление признано стратегическим на уровне национальной политики. Перед всеми компаниями стоит чёткая задача — внедрить и эффективно использовать технологии искусственного интеллекта в своей деятельности повсеместно.

Святослав Соловьев, директор по искусственному интеллекту в ИТ Альфа-Банк, подчеркнул: «В современном мире технологий создание качественной платформы и инновационных продуктов — это лишь половина успеха. Мы должны не просто внедрять передовые решения, но и активно работать над тем, чтобы каждый участник процесса понимал: искусственный интеллект — это инструмент оптимизации, который помогает нам стать эффективнее. Внутри компании мы разработали способы мотивации, а с 2026 года введем KPI по применению ИИ».

Эксперты выделили три основных направления, для которых требуются принципиально разные подходы к построению ИИ-инфраструктуры:

1. Функционал для бэк-офиса. Для создания агентов-помощников на базе LLM для работы таких департаментов, как юридический, финансовый и кадровый, необходима стабильная инфраструктура. Как правило, у этого направления есть четкие требования, что упрощает расчеты и внедрение.
2. Инструментарий для R&D-подразделений. Для исследователей и разработчиков, которые постоянно генерируют и проверяют гипотезы, сложно сформировать единые требования к инфраструктуре из-за быстрой смены задач и их разнородности. Им требуется гибкая и масштабируемая on-premise среда.
3. Работа со сложными расчетами и математическими моделями. Это ключевой вектор для отраслевых компаний, например, в логистике или авиации. 

Анна Смирнова, руководитель направления ИИ АФЛТ-Системс, объяснила: «Не существует универсального ИИ-решения — каждая технология имеет свою нишу применения. Нашумевшие генеративные модели эффективны как интеллектуальные ассистенты для сотрудников, но имеют ограничения в задачах, требующих сложных вычислений. ML-модели, напротив, демонстрируют превосходство в критически важных бизнес-процессах, где необходима высокая точность, прозрачность и возможность верификации результата. Например, в авиации ML используется в системе топливной эффективности. Благодаря расчету параметров пути воздушного судна система позволяет оптимизировать расход топлива. Потенциальная экономия может достигать 8 млрд рублей в год».

Эксперты отмечают, что для реализации многозадачных ИИ-проектов компании нужна гибкая инфраструктура, способная поддерживать различные технологии. Ответом на эти требования могут стать программно-аппаратные комплексы. Они позволяют разворачивать и обслуживать как генеративные модели, так и сложные ML-решения, обеспечивая основу для цифровой трансформации.

Святослав Смирнов, руководитель подразделения К2 НейроТех, отметил: «Для создания ИИ-инфраструктуры недостаточно просто поставить “железо” — нужен комплексный подход, обеспечивающий связность и интеграцию. Ключевым остается и вопрос работы с данными: они должны быть структурированы, размечены и интегрированы с учетом требований регуляторов. Поэтому мы сегментируем компании и предлагаем оптимальный вариант в зависимости от уровня ИИ-зрелости: для быстрых экспериментов имеет смысл использовать облако или песочницу в собственной ИТ-инфраструктуре. Для продуктива – полноценную гибкую инсталляцию, которая позволит быстро масштабировать аппаратную и программную среду без нарушения однородности ИТ-ландшафта».