Объём инвестиций в искусственный интеллект (Artificial Intelligence, ИИ) в России по итогам 2024 года вырос на 36%, до 305 млрд долларов. По мнению аналитиков, к 2030 году ИИ изменит структуру 86% предприятий в мире. Эти цифры свидетельствуют о том, что ИИ-трансформация бизнеса уже началась.
Такой переход стал возможным благодаря технологическим достижениям, накопленным за последнее десятилетие. Они касаются не только самих моделей, но также ИТ-инфраструктуры и зрелости процессов. Именно это способствовало сквозному внедрению искусственного интеллекта в компаниях.
Рассказываем о ключевых технологиях, которые стали основой ИИ-трансформации бизнеса.
Содержание:
Большие данные (big data)
Технология больших данных помогает компаниям строить прогнозы, принимать более точные решения и улучшать бизнес-показатели. Например, строительная организация внедрила ИИ-платформу на базе СберАналитики, которая анализирует рынок недвижимости, собирает данные о доходах и кредитной нагрузке населения и формирует портрет потенциальных покупателей. Решение позволило добиться почти 100% выполнения плана продаж.
Обрабатывать и систематизировать данные в режиме реального времени помогает машинное обучение (machine learning, ML), это одна из наиболее распространённых форм применения искусственного интеллекта в компаниях.
Подробнее о том, как аналитика больших данных помогает развивать бизнес в разных отраслях, рассказываем в этой статье.
Директор технологической практики «ТеДо» Марина Кубанина отмечает, что от качества данных напрямую зависит эффективность внедряемых ИИ-решений. При этом, по её словам, более 60% отечественных компаний сталкиваются с проблемами качества и структурированности данных.
В российском бизнесе реагируют на эти вызовы. Так, в 2025 году почти треть предприятий увеличит свои инвестиции в big data, а каждая вторая организация считает такие вложения стратегическими. При этом почти 40% компаний в России используют облачные решения для работы с большими данными и ИИ.
Облачные технологии (cloud)
Облачные технологии (предоставление вычислительных ресурсов онлайн) избавляют компании от необходимости закупать и эксплуатировать собственное оборудование. Вместо этого бизнес арендует мощности, расположенные в дата-центрах облачных провайдеров.
Один из ключевых трендов облачного рынка — спрос на модель XaaS (от англ. anything as a service — «всё как услуга»). Этот формат предполагает, что в облаке развёрнуты и инфраструктура, и среда для разработки, и программное обеспечение. По данным аналитиков, такой подход сокращает ИТ-расходы бизнеса на 15—30%.
О том, что учесть в процессе миграции в облако, рассказываем в этом материале. Опыт российского бизнеса по переходу на облачную инфраструктуру — в кейсплейсе СберПро.
Как отмечает Руслан Заединов, директор департамента «Облака и данные» в «Рексофте», главное преимущество облачного подхода — возможность быстро и гибко масштабировать вычисления. «Именно облачные платформы становятся ключевым фактором в развитии генеративного ИИ, который в режиме ежедневного использования требует высоких вычислительных мощностей», — говорит он.
Действительно, ИИ в бизнесе ассоциируется преимущественно с облачными вычислениями и централизованными платформами. При этом потребность в мгновенном реагировании привели к развитию альтернативного подхода — локальной обработки данных на периферийных устройствах (Edge ИИ).
Периферийные вычисления (edge)
Edge-вычисления (с англ. «край») — это подход, при котором информация не передаётся на удалённые сервисы, а обрабатывается локально, на устройствах рядом с источником данных (техникой, оборудованием, камерами, датчиками, автономными роботами).
Например, в энергетической отрасли данные обрабатываются на ИТ-инфраструктуре буровых установок и компрессорных станций. Это позволяет системам бесперебойно работать в сложных условиях месторождений, где критична оперативность, а интернет-соединение может быть нестабильным.
Периферийные вычисления стали основой концепции Edge ИИ — систем искусственного интеллекта, расположенных на локальном компьютерном оборудовании. Такой подход востребован в ИИ-сервисах, где критичны любые задержки: в медицинских технологиях, транспорте, промышленности, системах видеонаблюдения.
О том, как технология Edge ИИ помогает бизнесу, читайте в этом материале.
Область применения Edge-вычислений быстро расширяется: объём глобального рынка оценивается в 45,1 млрд долларов в 2025 году, а к 2030-му может вырасти в четыре раза, до 192 млрд долларов.
Упростить разработку и выпуск моделей искусственного интеллекта помогают практики MLOps.
Операции машинного обучения (MLOps)
MLOps (от англ. machine learning operations — «методология машинного обучения») — это подход к разработке, который объединяет создание ML-моделей и их эксплуатацию в единую систему. Это помогает компаниям быстрее внедрять алгоритмы в процессы и регулярно обновлять их новыми данными. Так, благодаря использованию MLOps-платформы ИТ-интегратор кратно ускорил каждый этап в построении моделей и вдвое сократил расходы на поддержку ИИ/ML-сервисов.
Подробнее о том, как в RAMAX Group используют платформу для разработки моделей искусственного интеллекта, читайте здесь.
По итогам 2024 года глобальный рынок MLOps оценивается в 1,58 млрд долларов, ожидается, что к 2032-му он вырастет в 20 раз. Ключевые отрасли, формирующие спрос на такие инструменты, — ИТ, телеком, финтех, ретейл, промышленность, здравоохранение.
Инструменты для взаимодействия программ и бизнес-приложений с готовыми моделями искусственного интеллекта предоставляет технология API.
API-ориентированная архитектура
API (от англ. application programming interface — «программный интерфейс приложений») позволяет различным информационным системам взаимодействовать друг с другом и обмениваться данными.
Подробнее о том, как интегрировать финтех-сервисы в цифровые продукты компании с помощью API, читайте здесь.
С помощью технологии API компания может интегрировать в свои программы и приложения не только банковские инструменты, но и модели искусственного интеллекта для автоматизации различных задач. Например, продавец одежды внедрил нейросеть для работы с обращениями клиентов через API GigaChat. Благодаря такому решению компания снизила операционные расходы на обработку отзывов на 55%.
API-ориентированную архитектуру всё чаще используют при построении корпоративных ИТ-систем — их проектируют так, чтобы все функции были доступны через стандартизированные API. Система разбивается на независимые модули (микросервисы), каждый из которых предоставляет свой API для взаимодействия с другими компонентами. Такой подход ускоряет интеграцию новых функций и позволяет легко подключать готовые ИИ-модели к существующим бизнес-процессам.
Анна Лоевская,
директор дивизиона «Цифровой корпоративный банк» Сбербанка:
Цифровая трансформация и API как инструмент для её реализации становятся необходимым условием успешного существования любого бизнеса, стремящегося расширять свою деятельность и укреплять позиции в условиях быстро меняющегося мира. Бизнес в моменте как никогда заинтересован в сокращении издержек одновременно с повышением качества и эффективности процессов. И, конечно, сокращении time-to-market (времени вывода продуктов на рынок). Различными методами в канале Sber API пользуются более 9000 компаний из разных отраслей, которые совершают свыше 12 млн транзакций в день. Перечень предлагаемых нами сервисов позволяет клиентам и партнёрам Сбера выстроить настоящую инфраструктуру вокруг своих сервисов и услуг, от простой авторизации до финансового обеспечения в режиме онлайн. Кроме того, всё больше компаний смотрят в сторону ИИ и создания агентов, которые могут решать самые разные задачи. Такие решения также требуют наличия автоматизированных операций «под капотом» и API в своей базе. Дополнительно особую значимость приобретает внедрение отечественного ПО в бизнес-процессы. Программы российского производства обеспечивают устойчивость и надёжность функционирования корпоративных систем, снижая риски зависимости от импорта. Такой подход также помогает создавать новые возможности для развития инновационных систем.
Альтернативой внешним решениям выступают закрытые корпоративные нейросети, которые разрабатываются под нужды конкретного бизнеса.
Корпоративные модели (LLM)
Корпоративная нейросеть на основе большой языковой модели (large language models, LLM) развёртывается внутри собственной ИТ-инфраструктуры организации, не опираясь на какие-либо внешние связи. Её используют для формирования и анализа документов, генерации контента, разработки новых продуктов, автоматизации рутинных операций и многих других бизнес-задач. Вся информация хранится и обрабатывается в защищённом контуре, а обучение модели на внутренних данных компании делает её более точной в процессинге запросов.
О преимуществах корпоративной нейросети и подходах к её внедрению рассказываем в этом материале.
Корпоративные LLM становятся важным инструментом для бизнеса, позволяя повысить производительность, снизить затраты и улучшить безопасность данных. Но их разработка и внедрение предполагают значительные вложения в инфраструктуру и поддержку.
Решать задачи бизнеса, связанные с анализом, оптимизацией и прогнозированием процессов, помогает технология цифровых двойников.
Цифровые двойники (digital twins)
Цифровой двойник (виртуальная копия реального объекта или системы) может быть у завода, здания, комплекса промышленного оборудования, энергетической сети. С помощью этой технологии бизнес может моделировать и прогнозировать поведение объектов, принимать обоснованные решения и снижать затраты. Так, внедрение цифрового двойника на месторождении в Башкирии экономит предприятию около 1 млрд рублей в год.
Интеграция с искусственным интеллектом расширяет возможности цифровых двойников. ИИ-модели генерируют сценарии работы систем, предсказывают поломки оборудования, строят оптимальные маршруты транспорта.
Основные цели внедрения цифровых двойников
Источник: IOT-Analytics
Подробнее о том, какие задачи решают цифровые двойники в разных отраслях, читайте в этой статье.
Технология цифровых двойников становится основой ИИ-трансформации бизнеса: она собирает огромные объёмы данных, необходимые для разработки моделей, и позволяет обучать алгоритмы в безопасной виртуальной среде. Например, модели для управления турбинами сначала проверяются на цифровом двойнике электростанции.
Имитировать действия человека при работе с корпоративными системами для автоматизации рутинных задач помогает другая технология — RPA.
Программные роботы (RPA)
Технология RPA (от англ. robotic process automation — «роботизированная автоматизация процессов») позволяет освободить сотрудников от однотипных повторяющихся операций. Речь о программных роботах, которые имитируют действия человека в цифровых системах. Например, такой робот может переводить отсканированные документы в текстовый электронный формат, извлекать из них данные и загружать в учётную систему компании. Когда такое решение внедрили в строительной группе, обработка документов ускорилась в 5 раз.
Подробнее о том, как внедрять программных роботов и оценивать их эффективность, читайте здесь.
Эксперты отмечают, что один из главных трендов RPA — интеграция с искусственным интеллектом. ИИ не только расширяет возможности программных роботов (анализирует документы, пишет тексты, распознаёт и генерирует речь). Он служит основой для разработки полноценных виртуальных ассистентов, которые совершают действия в цифровых интерфейсах.
Что нужно бизнесу для ИИ-трансформации
Директор технологической практики «ТеДо» Марина Кубанина отмечает, что ИИ-трансформация бизнеса предполагает комплексный подход, включающий системное управлению ИИ-инициативами, изменение корпоративной культуры, развитие ИТ-инфраструктуры и улучшение качества данных. «Ускорение внедрения ИИ требует формирования зрелых операционных моделей, где искусственный интеллект рассматривается не как дополнение к ИТ, а как отдельное бизнес-направление с собственными процессами управления», — говорит эксперт. По её словам, ИИ-культуру необходимо формировать на всех уровнях организации.
С ней согласен директор департамента «Облака и данные» в «Рексофт» Руслан Заединов. Он считает, что ключевые компетенции для ИИ-трансформации бизнеса связаны с оптимизацией, преобразованием и реформами бизнес-процессов в компании под технологии генеративного ИИ. При этом он подчёркивает, что на переизобретение процессов потребуется терпение и время. «Параллельно можно делать любые технологические пилоты, но чтобы правильно поставить задачу, необходимо около года. Все должны отдавать себе отчёт в таких сроках. Потом на этой основе можно начинать внедрять технологическое решение. Не нужно ставить телегу впереди лошади и создавать GenAI-инструменты до того, как вы поймёте, зачем они бизнесу», — рассказывает Руслан Заединов.
Ключевые барьеры внедрения ИИ для российских компаний
Источник: TAdviser
Одной из главных сложностей для российского бизнеса на пути к ИИ-трансформации является инфраструктура. По словам Марины Кубаниной, сегодня российские мощности для искусственного интеллекта покрывают около 60—70% потребностей рынка. Для полноценного удовлетворения растущего спроса необходима модернизация дата-центров. По её прогнозам, на это потребуется 3—5 лет с учётом активной государственной поддержки и регулирования.
Главное по тексту:
Нынешний бум искусственного интеллекта — результат развития целого комплекса технологий, которые за последнее десятилетие стали основой для автоматизации бизнеса. Успешная ИИ-трансформация невозможна без работы с большими данными, облачной инфраструктуры, выстроенных процессов управления моделями и современной API-ориентированной архитектуры.