Компании стали внимательнее оценивать не только возможности искусственного интеллекта, но и весь жизненный цикл ИИ-проектов после запуска. Эксперты группы ЛАНИТ отмечают, что эффектная демонстрация технологии еще не означает готовность решения к реальной работе. Об этом сообщает «Российская газета».
Специалисты советуют начинать не с выбора нейросети, а с конкретной бизнес-задачи. Если проблему эффективнее решить обычной автоматизацией или простыми аналитическими алгоритмами, использование ИИ может оказаться неоправданным. По оценке главного конструктора программно-аппаратных комплексов ЛАНИТ-ТЕРКОМ Михаила Смирнова, обучение модели вместе со сбором данных занимает лишь около 10% промышленного проекта.
После проверки гипотезы решение должно пройти пилотирование в реальных процессах. На этом этапе становятся заметны вопросы нагрузки, прав доступа, обратной связи и поддержки. Руководитель практики анализа данных ЛАНИТ Владислав Балаев подчеркивает, что заранее необходимо определить измеримые критерии успеха и вовремя останавливать проект, если нужного результата достичь не удается.
В отдельных проектах обработка документов с помощью ИИ позволила сократить время заполнения карточек вдвое, а до 80% реквизитов система подтягивает из доверенных баз автоматически. В службах поддержки искусственный интеллект способен закрывать до 40% типовых обращений без участия операторов. При этом эффект оценивают не по самой модели, а по тому, как она влияет на производительность, качество и экономику процесса.
Для ускорения внедрения ЛАНИТ развивает платформу LANDEV AI, где повторяющиеся функции можно переиспользовать между проектами. Такой подход позволяет создавать первые прототипы за часы, а не за недели, при этом заранее учитывать права доступа, безопасность, устойчивость и масштабирование. Отдельное направление связано с ИИ-агентами, которые уже пишут код и тесты, создают макеты и помогают проектировать доработки.
После промышленного запуска работа над ИИ-системой не заканчивается. Эксперты указывают, что данные, внешние условия и бизнес-процессы меняются, поэтому метрики качества необходимо контролировать постоянно. В качестве примера приводится система компьютерного зрения на горнорудном производстве, которая следит за конвейерной лентой длиной около 12 километров, движущейся со скоростью пять метров в секунду, и выявляет повреждения без постоянного человеческого контроля.