От обучения модели к реальным действиям
Обучение искусственного интеллекта для прогнозирования сбоев в оборудовании представляет собой значительное инженерное достижение. Однако настоящая трансформация бизнеса наступает только тогда, когда прогноз приводит к практическим шагам — в тот момент, когда модель точно выявляет неисправность машины. Один этап существует в презентациях концепций; другой напрямую влияет на финансовые показатели компании.
Крейг Партридж, старший директор по глобальным консультациям Digital Next Advisory в HPE, убежден, что настоящая ценность ИИ проявляется именно в этапе вывода (inference). Этот этап позволяет ИИ оправдать свои затраты. Он формирует операционный уровень, где все накопленные знания от обучения применяются в реальных рабочих процессах. Партридж уточняет: «Мы говорим о 'доверенном выводе ИИ в масштабе и в производственной среде'. Именно здесь, по нашему мнению, принесет наибольшую отдачу от инвестиций в ИИ».
Достичь этого уровня непросто. Кристиан Райхенбах, глобальный цифровой консультант в HPE, ссылается на результаты недавнего опроса компании среди 1775 руководителей IT: хотя почти четверть (22%) организаций уже внедрили ИИ в операции — по сравнению с 15% годом ранее, — большинство все еще находится на стадии экспериментов.
Трехэтапный подход к внедрению
Переход на следующий уровень требует комплексного подхода из трех элементов: формирование доверия как основного принципа работы, обеспечение масштабируемости и достижение полноценного производства. Доверие подразумевает строгие меры безопасности, управление данными и создание центра компетенций, который принимает и разъясняет решения по использованию ИИ.
В рамках этого подхода выделяют четыре квадранта для работы с ИИ:
- Run: Доступ к внешней предобученной модели через интерфейс или API; организации не владеют моделью или данными. Внедрение требует надежной безопасности и управления. Необходимо также создать центр компетенций для принятия и коммуникации решений о применении ИИ.
- RAG (retrieval augmented generation): Комбинация внешних предобученных моделей с собственными данными компании для генерации уникальных выводов. Внедрение ориентировано на интеграцию потоков данных с возможностями вывода, обеспечивая быстрый доступ к полнофункциональным платформам ИИ.
- Riches: Обучение кастомных моделей на данных предприятия для создания уникальных преимуществ и инсайтов. Внедрение предполагает масштабируемые, энергоэффективные среды, часто с использованием высокопроизводительных систем.
- Regulate: Использование кастомных моделей, обученных на внешних данных, с теми же требованиями к масштабируемости, что и в Riches, но с акцентом на юридическое и регуляторное соответствие при осторожном обращении с чувствительными данными, не принадлежащими компании.
Важно отметить, что эти квадранты не исключают друг друга. Партридж подчеркивает, что большинство организаций, включая саму HPE, работают в нескольких из них. «Мы разрабатываем собственные модели, чтобы понять, как функционируют сети, — говорит он. — Затем внедряем эту интеллектуальную систему в наши продукты, позволяя конечным клиентам использовать возможности квадранта 'Run'. Для них это не их данные и не их модель — они просто интегрируют эту функцию в свою организацию».
Роль IT в масштабировании и лидерстве
Вторая часть формулировки Партриджа об этапе вывода — «в масштабе» — отражает ключевую проблему корпоративного ИИ: то, что работает для нескольких сценариев, часто выходит из строя при применении ко всей организации.
«Эксперименты и обсуждение идей имеют ценность, — отмечает он. — Но чтобы по-настоящему ощутить преимущества ИИ, он должен быть доступен всем и решать множество различных задач».
С точки зрения Партриджа, задача преобразования локальных пилотных проектов в системные решения на уровне всей компании идеально соответствует основным компетенциям IT-функции — и это шанс на лидерство, который нельзя упустить. «IT берёт небольшие инициативы и применяет дисциплину для их запуска в большом масштабе, — объясняет он. — Поэтому IT-отделам нужно активно участвовать в этом обсуждении».
Для IT-команд, предпочитающих оставаться в стороне, история предлагает урок из предыдущего крупного сдвига в инфраструктуре: миграции предприятий в облако. Многие IT-отделы не участвовали в принятии решений на ранней волне облачных внедрений десять лет назад, в то время как бизнес-подразделения самостоятельно развертывали облачные сервисы. Это привело к фрагментированным системам, дублирующим расходам и пробелам в безопасности, которые потребовали лет на устранение.
Аналогичная ситуация грозит повториться с ИИ, поскольку разные команды экспериментируют с инструментами и моделями вне контроля IT. Это явление, известное как теневой ИИ, описывает среды, где пилотные проекты множатся без надзора или управления. Партридж считает, что большинство организаций уже действуют в квадранте 'Run' в той или иной форме, поскольку сотрудники будут использовать ИИ-инструменты независимо от официального разрешения.
Структура и стратегия для производства ИИ
Вместо подавления экспериментов IT теперь обязан внести в них порядок. Предприятиям необходимо разработать стратегию платформы данных, объединяющую корпоративные данные с механизмами защиты, рамками управления и доступностью для питания ИИ. Кроме того, критически важно стандартизировать инфраструктуру (например, платформы частного облака для ИИ), обеспечивать целостность данных и защищать доверие к бренду, одновременно предоставляя скорость и гибкость, необходимые для приложений ИИ. Это условия для достижения финальной цели: ИИ, полностью интегрированный в производство.
Для команд, движущихся к этой цели, Райхенбах суммирует ключевые требования успеха. «Всё сводится к пониманию, где вы действуете: когда умнее использовать внешние модели в режиме Run, когда применять RAG для их обогащения, куда инвестировать, чтобы извлечь Riches из собственных данных и моделей, и когда Regulate то, что не контролируете, — говорит он. — Победителями станут те, кто внесет ясность во все квадранты и согласовывает технологические амбиции с управлением и созданием ценности».