Артём Мочалов - PRO ПРОИЗВОДСТВО

ИИ не плачет от сложных задач. Он плачет от ваших данных На днях был на сессии по ИИ в пищевых компаниях. Сидел, слушал, и в какой-то момент поймал себя на мысли: проблемы у всех одинаковые. Хорошая новость: ИИ распробовали. Это уже не «давайте попробуем, вдруг хайп». Компании реально получают эффект и чувствуют его на процессах — прогнозирование спроса, контроль качества, оптимизация производства, работа с документами. Скепсиса «а зачем нам это» стало заметно меньше. Плохая новость: многие компании застряли в «пилоте». Вот тут начинается интересное. Пилотов — достаточно. А переход от пилота к нормальному масштабированию — у единиц. И тому, конечно, есть объяснение. Основные причины три: данные, финансы и серверные мощности. Якорь №1 — данные. Самый коварный. О нём подробно ниже. Якорь №2 — финансы. Пилот стоит относительно недорого — это эксперимент на ограниченном куске. А масштабирование — это уже другой бюджет: на всю инфраструктуру, интеграции, людей и поддержку. И часто оказывается, что денег заложили на «попробовать», а не на «жить с этим постоянно». Якорь №3 — серверные мощности. Развернуть модель в проде — это вам не ноутбук дата-сайентиста. Нужны мощности, чтобы модель работала стабильно и быстро на реальных объёмах. И вот здесь компания внезапно упирается в железо, облако, их стоимость — и в безопасность данных. Куда складывать чувствительную информацию, как её защитить и не отдать лишнего «на сторону» — вопрос, который на пилоте обычно откладывают, а на масштабе он встаёт в полный рост. А теперь — про первый и самый болезненный якорь. Когда пилот делают, данные готовят «в вакууме». Под конкретную узкую задачу аккуратно собирают красивый, чистый, размеченный датасет. Часто — почти вручную. А потом наступает масштабирование. И выясняется, что кормить ИИ в реальном процессе… нечем. Потому что данные: — либо вообще не собирали; — либо собирали, но в журналах, тетрадках и в голове у Степаныча из ночной смены; — либо они раскиданы по пяти системам, которые друг с другом не разговаривают; — либо собраны, но не размечены — и для модели это просто шум. И вот ИИ тихо плачет в углу. Пилот-то взлетел. А воз, как говорится, и ныне там. Главный вывод, который мало кому нравится. Финансы, серверы и даже безопасность — вопросы важные, но решаемые: бюджет можно спланировать, мощности — арендовать, контур — защитить. А вот данные за выходные не нарастишь. Если их годами собирали как попало, никакие деньги и серверы не спасут — модели просто не на чем учиться. Поэтому самым актуальным становится вещи поскучнее, но решающие всё: — ИТ-архитектура — как у вас вообще движутся и хранятся данные; — структура и качество данных — собираете ли вы их системно, а не «когда вспомнили»; — разметка и единая база — превращены ли данные в то, что модель может понять и переварить. Звучит не так эффектно, как «мы запустили ИИ». На слайде красиво не покажешь. Зато именно это превращает удачный пилот в работающий инструмент. Так что если резюмировать одной фразой: данные — это ваше узкое место. И чем раньше вы наведёте там порядок, тем дешевле и быстрее потом полетит всё остальное — и финансы, и мощности приложатся. Поняв это, сейчас активно в проектах, стараюсь с лидерами проектов обсуждать этот , момент вроде люди понимают,что дело нужное , но нудное и делать не хочется ) такие дела! Вы, что думаете , согласны что данные большая проблема , чем финансы ?

ИИ Начал замечать, что в последнее время всё больше моего внимания уходит в проекты, связанные с ИИ. Наверное, это связано с внутренними ориентирами. Кажется, что традиционные подходы к повышению производительности труда уже хорошо известны и понятны многим, а ИИ — это новая территория, где сегодня можно искать настоящие прорывы. Но потом ловлю себя на мысли, что традиционные инструменты кажутся мне очевидными только потому, что последние 14 лет я практически непрерывно ими занимаюсь. Поэтому обязательно верну в канал посты и про классические методы оптимизации процессов — есть несколько интересных тем, которыми хочу поделиться. Но пока снова про ИИ. Про него сейчас действительно сложно молчать. Посмотрите, что происходит вокруг: • Китайские исследователи запускают решения для памяти квантовых компьютеров, которые могут принципиально изменить вычислительные возможности будущих систем. • В России разрабатывают специализированные процессоры для задач искусственного интеллекта. • По всему миру активно обсуждаются мини-атомные станции как источник энергии для дата-центров нового поколения. Аппетиты ИИ растут настолько быстро, что вопрос вычислительных мощностей уже становится вопросом энергетики. И это только вершина айсберга. Проведя 14 лет в операционной эффективности, я хорошо понимаю, как повышать производительность производства с помощью «кожаных биодронов» — то есть нас с вами. И, честно говоря, уже вижу, как многие процессы поиска потерь, анализа данных, принятия решений и повышения эффективности можно постепенно передавать ИИ. Пока этому мешают вполне понятные ограничения: — бюджеты; — страх изменений; — недоверие к технологиям; — нехватка вычислительных мощностей; — отсутствие сформированного запроса со стороны бизнеса. Но перемены точно приближаются. И моя задача — быть к ним готовым. Вас призываю делать то же самое.

С юмором у них там маркетологи! Но, видимо, это ёмкое описание бизнес-атмосферы в стране)