Барьеры внедрения ИИ: с какими сложностями сталкивается бизнес

Сегодня все больше компаний задаются вопросом включения искусственного интеллекта в бизнес-процессы. Скорость распространения этой технологии зависит от множества факторов, включая технологический потенциал организаций, государственное регулирование, доступность данных и многие другие. И вне зависимости от модели ИИ, которую предстоит интегрировать, на этом пути существуют преграды - что это за барьеры и какими могут быть способы их преодоления, рассказывает Михаил Красильников, директор департамента разработки и внедрения систем искусственного интеллекта BIA Technologies.

Внедрять или подождать?

У искусственного интеллекта, как и у любой технологии, есть фазы развития. На ранних этапах внедрение шло точечно, поскольку для массового использования было недостаточно специалистов, способных с ним работать, не создана инфраструктура для широкого применения. Обычно этот этап - лучшее время, чтобы получить максимальное преимущество, однако затраты на создание условий для внедрения ИИ-решений тоже достаточно высоки.

Вспомним историю с биткоином. Этот пример иллюстрирует сложность оценки перспектив новых технологий. Пятнадцать лет назад его стоимость составляла всего несколько центов, и большинство людей воспринимали его как шутку, не предвидя будущего роста. С течением времени, когда его потенциал стал очевиден - цена значительно возросла, что снизило выгоду от инвестиций. Инвесторы, вошедшие на ранних стадиях, получили фантастические прибыли, в то время как поздние столкнулись с высокими ценами и меньшими шансами на аналогичный рост, что подчеркивает важность глубокого анализа рыночных трендов в контексте новых технологий, таких как блокчейн и криптовалюты.

Искусственный интеллект уже прошел начальные этапы, и сейчас понятно, что он дает бизнесу серьезную выгоду. К примеру, с помощью ИИ можно существенно сократить затраты на операционное обслуживание клиентского сервиса. Уже не нужно множество сотрудников, чтобы консультировать клиента - большую часть подобных задач прекрасно решают AI-инструменты.

С другой стороны, инфраструктура для внедрения искусственного интеллекта остается достаточно дорогой, что заставляет многие компании проявлять осторожность. Понимание необходимости интеграции ИИ существует, однако предприятия оценивают целесообразность инвестиций в текущий момент по сравнению с возможностью отложить вложения на полгода или год. С экономической точки зрения, более выгодным представляется инвестирование в более поздние сроки, поскольку ожидается снижение стоимости технологий. Тем не менее ранние вложения в инновации предоставляют компаниям стратегическое преимущество и способствуют формированию репутации современного технологического лидера в своей отрасли. В конечном итоге каждая компания принимает решение, основываясь на своих приоритетах и стратегических целях.

Три барьера

При внедрении ИИ компании обычно сталкиваются с барьерами, условно их можно разделить на три типа: административные, технические и финансовые. Первый тип сложностей особенно актуален для крупных компаний. С увеличением масштаба организации возрастает количество административных взаимосвязей, что может приводить к длительным процедурам согласования на каждом этапе внедрения. Часто инициатива по интеграции новых технологий оказывается жизнеспособной лишь при условии, что генеральный директор или собственник компании даст прямую директиву на ее реализацию. В противном случае проект сталкивается с административными барьерами, что препятствует его успешной реализации. Кроме того, к данному типу сложностей можно отнести некоторые ограничения со стороны нормативно-правовой системы.

Второй тип барьеров - технические. Сегодня они не такие существенные, как были еще лет 5-10 назад, когда инженер самостоятельно полностью создавал архитектуру сети, прописывал слои системы. Сейчас есть множество готовых фреймворков, которые сильно упрощают работу и снижают требования к квалификации программиста. Разработчику лишь необходимо указать системе источники данных и методы их интеграции. И сейчас ключевым аспектом становится техническая реализация модели, которая должна быть экономически эффективной и не требовать значительных затрат на оборудование. Это подразумевает такую оптимизацию архитектуры, чтобы работа ИИ-модели минимизировала потребность в ресурсах.

Наконец, третья большая группа барьеров на пути внедрения ИИ-технологий касается финансовых вопросов. Интегрирование новых инструментов и нейросетевых алгоритмов возможно двумя способами: использовать уже готовый и широко применяемый продукт или разработать свой.

У каждой организации обычно есть своя специфика, процессы и особенные данные. И зачастую готовые модели не настроены на задачи конкретного бизнеса. В свою очередь, для разработки нового ИИ-продукта, учитывающего нюансы и данные, накопленные предприятием, необходимы инженеры и программисты высокой квалификации, технологическая инфраструктура, оборудование, а значит, и значительные финансы.

Крупные компании в отношении экономических ресурсов имеют большее преимущество: как правило, они заблаговременно выделяют бюджеты на развитие и инновации. Это же обстоятельство работает и в отношении технических барьеров. Бизнес-гиганты заботятся о наличии в штате пула высококвалифицированных инженеров. Однако отсутствие административных барьеров становится сильной стороной средних и малых компаний: меньше этапов согласования и бюрократических преград, в отличие от корпораций, где процесс согласования версий ИТ-продукта может длиться месяцами.

Внедрение ИИ в разных сферах бизнеса

Финансовые, административные и технические барьеры интегрирования искусственного интеллекта в работу стоят перед любыми компаниями, однако в зависимости от направления бизнеса актуальность у них неодинакова. К примеру, для применения ИИ в аналитике видеонаблюдения требуется определенное техническое оборудование - графические процессоры (GPU). Возможности того или иного предприятия приобрести необходимое количество процессоров или выстроить алгоритмы модели для работы в зонах интереса компании непосредственно будут влиять на развитие ИИ в отрасли.

Для работы систем ИИ необходимы данные, без достаточного количества которых нейросетевые инструменты не смогут выполнять свои функции. Соответственно, такие сервисы в первую очередь используются в отраслях, где уже есть большой объем оцифрованной информации либо где ее легко извлечь - например, на маркетплейсах или других онлайн-платформах. Собрать данные в этом случае не составит труда, поскольку эти сервисы сами по себе являются цифровыми продуктами.

Инструменты на основе ИИ хорошо показали себя для планирования спроса и предиктивной аналитики периодов пиковых нагрузок в промышленности, логистике, ретейле. С их помощью можно повысить точность прогнозирования, заранее запланировать необходимое количество сотрудников, выстроить оптимальное расписание и сократить простой в технологических процессах согласно спросу или плану производства.

Сроки окупаемости зависят от масштабов внедрения и дальнейшего развития предприятий. Поэтому на вопрос применения ИИ стоит посмотреть не только с точки зрения эффективности инвестиций. Уже очевидно, что нейросети - это и необходимость, и превентивная мера от кризисных ситуаций, и преимущество перед конкурентами.

Как регламентировать нейросети?

Отдельный тип проблем связан с комплаенсом. Сейчас еще не разработаны четкие регламенты и законодательные нормы относительно ИИ-технологий, в целом действует правило "если не разрешено, то запрещено". Нейросети - инструмент достаточно новый, по многим нюансам их использования правовая основа или отсутствует, или устарела и не адаптирована под текущий уровень развития технологий. Однако государственный аппарат в настоящее время активно восполняет эти пробелы.

Несмотря на существующие трудности, их решение возможно. Например, для обучения искусственного интеллекта определять диагноз по медицинским снимкам или симптомам необходима большая база медицинской информации и результатов диагностики. Однако эти данные относятся к категории врачебной тайны, и учреждения здравоохранения не имеют прав на их распространение. Выходом может стать федеративное обучение модели. В контуре каждого медицинского учреждения, участвующего в проекте, запускается локальная нейросеть, обучающаяся на данных, полученных в больнице. В общую же сеть аккумулируются не сами сведения, а подготовленные результаты, обезличенный и проанализированный итог.

Полностью доверить искусственному интеллекту окончательную постановку диагноза на данном этапе нельзя, но его можно использовать для анализа результатов исследования и их сортировки между медицинскими специалистами. Таким образом, достигается оптимизация процессов в рамках действующего законодательства.

Все перечисленные барьеры внедрения ИИ преодолимы, и в обозримом будущем часть из них будет устранена, а часть станет менее существенной, что сделает технологию более доступной. Уже сейчас появляются нейросети, требующие меньших вычислительных ресурсов, что снижает стоимость и устраняет часть технических проблем. Административные барьеры также будут ослабевать благодаря прорывам со стороны ведущих игроков. В условиях конкурентной борьбы бизнесу придется предпринимать более решительные и быстрые шаги, чтобы не отстать и сохранить свои позиции на рынке.