Компании, разрабатывающие проекты с использованием искусственного интеллекта, сталкиваются с пятью основными препятствиями.
Эти барьеры затрудняют переход ИИ-проектов из пилотной стадии в промышленное использование. Об этом на конференции Data Fusion сообщил Сергей Безбогов, заместитель руководителя технологического блока ВТБ.
Хотя интерес к ИИ, включая большие языковые модели (LLM), высок, лишь немногие проекты достигают стадии промышленного внедрения. Эта проблема актуальна как для российского, так и для международного рынка. Основные препятствия включают следующие факторы:
Первое препятствие — экономическая целесообразность. ВТБ придерживается принципа «бережливого ИИ» и оценивает проекты по их рентабельности. Для запуска ИИ-проектов установлены единые критерии с другими технологическими инициативами, включая срок окупаемости инвестиций и приоритетность проектов. Разработка и эксплуатация ИИ требуют значительных вычислительных ресурсов, что делает даже пилотные проекты дорогостоящими. Это ограничивает использование сложных решений, эффективность которых трудно оценить без пилотного тестирования.
Второе препятствие связано с высокой стоимостью инфраструктуры. Создание и масштабирование ИИ-решений на базе LLM требует мощных вычислительных мощностей и специализированных ИТ-инфраструктур. В некоторых случаях даже использование эффективных моделей оказывается экономически нецелесообразным из-за высокой стоимости оборудования. Недостаток доступных вычислительных ресурсов, таких как видеокарты и процессоры, также замедляет развитие рынка.
Третье препятствие — проблема галлюцинаций. Модели с генеративным ИИ могут выдавать вымышленные данные, несуществующие ссылки или некорректные ответы. Эти ошибки создают финансовые и репутационные риски для компаний. Для их минимизации требуются сложные каскадные системы и детекторы, которые необходимо разрабатывать и настраивать для каждой конкретной области. Универсальных решений на данный момент не существует.
Четвёртое препятствие — недостаток качественных данных. На рынке наблюдается дефицит данных высокого качества для обучения ИИ-моделей. Создание таких выборок требует значительных затрат на фильтрацию и проверку данных. Внутри одной отрасли, например, в банковской сфере, данные часто повторяются, что ограничивает разработку уникальных моделей. Проблема может быть решена через межотраслевой обмен данными, но строгие правила защиты и обработки чувствительной информации ограничивают свободный обмен данными между компаниями.
Пятое препятствие — нехватка специалистов с новыми компетенциями. Для промышленного внедрения ИИ необходимы не только разработчики, но и полутехнологические команды, включающие специалистов по разметке данных и промпт-инженеров, способных формулировать задачи для нейросетей. Важно также, чтобы пользователи осознавали свою ответственность при взаимодействии с ИИ: они должны четко формулировать вопросы и критически оценивать ответы, не перекладывая на ИИ всю ответственность за принятие решений.