5 барьеров внедрения ИИ назвал замглавы ВТБ
Пять ключевых барьеров на пути промышленного внедрения проектов искусственного интеллекта
Компании, внедряющие решения на основе искусственного интеллекта, сталкиваются с комплексом препятствий, затрудняющих переход от пилотных испытаний к полноценной промышленной эксплуатации. О пяти основных факторах, сдерживающих этот процесс, рассказал заместитель руководителя технологического блока ВТБ Сергей Безбогов на конференции Data Fusion.
Несмотря на сохраняющийся высокий интерес к технологиям ИИ, лишь ограниченная часть инициатив достигает стадии реального внедрения. Эта тенденция характерна как для российского, так и для международного рынка.
Первый и фундаментальный барьер носит экономический характер. При реализации ИИ-проектов необходимо руководствоваться принципами «бережливого ИИ» и четко оценивать показатель возврата на инвестиции. Экономическая целесообразность таких проектов оценивается по тем же критериям, что и другие инициативы технологической трансформации. При этом разработка, особенно с использованием генеративных моделей, требует значительных вычислительных мощностей, что ведет к высоким начальным затратам даже на пилотной стадии.
Вторым существенным препятствием является высокая стоимость необходимой инфраструктуры. Создание и масштабирование решений на базе больших языковых моделей предполагает задействование значительных вычислительных ресурсов и специализированных ИТ-кластеров. В ряде случаев использование высокоэффективных моделей может быть экономически неоправданным из-за чрезмерной стоимости требуемого для них аппаратного обеспечения.
Третья проблема связана с особенностями генеративного ИИ, способного самостоятельно создавать контент. Такие модели могут демонстрировать так называемые «галлюцинации» — выдавать вымышленные факты, несуществующие ссылки или некорректные ответы. Подобные ошибки создают прямые финансовые и репутационные риски для бизнеса. Для их минимизации требуются сложные каскадные архитектуры решений и внедрение систем детекции недостоверных данных.
Четвертым барьером выступает дефицит качественных данных для обучения ИИ-моделей. Их подготовка является дорогостоящим процессом, требующим тщательной фильтрации и экспертной верификации информации. Кроме того, внутри одной отрасли наборы данных зачастую оказываются идентичными, что ограничивает возможность создания уникальных конкурентных моделей. Одним из потенциальных решений этой проблемы может стать развитие межотраслевого обмена данными.
Пятым ключевым фактором является кадровый дефицит. Для успешной реализации проектов необходимы не просто разработчики, а междисциплинарные команды, включающие специалистов по разметке данных и промпт-инженеров, которые корректно формулируют задачи для нейросетей. Также важна осознанность конечных пользователей при взаимодействии с системой, что подразумевает умение четко формулировать запросы и критически оценивать полученные ответы.