«Свой контур» или управляемая AI-платформа?
18 сентября Softman Group выступила технологическим партнером кейс-конференции BY DATA. На мероприятии лидеры рынка рассказали, какие сценарии внедрения искусственного интеллекта выбирают для себя, где безопаснее и выгоднее размещать решения, как ведут себя модели под реальной нагрузкой, и представили кейсы, демонстрирующие, как AI уже решает задачи бизнеса.
В рамках нашего партнерства с Yandex Cloud мы пригласили выступить на конференции руководителя направления развития бизнеса ML&AI Александра Пилецкого. В своем выступлении спикер рассмотрел пути внедрения искусственного интеллекта и предложил отталкиваться не от набора технологий, а от ресурсов, зрелости и целей компании.
В рамках нашего партнерства с Yandex Cloud мы пригласили выступить на конференции руководителя направления развития бизнеса ML&AI Александра Пилецкого. В своем выступлении спикер рассмотрел пути внедрения искусственного интеллекта и предложил отталкиваться не от набора технологий, а от ресурсов, зрелости и целей компании.
«Все сделаем сами» — а что в итоге?
Для многих компаний, у которых безопасность выходит на первый план, часто самым очевидным сценарием внедрения AI становится создание собственной платформы в закрытом контуре. Такой подход кажется логичным: данные остаются внутри организации, а контроль над инфраструктурой полностью находится в руках бизнеса. Кроме того, многих привлекает кастомизация под свои задачи, независимость от вендоров, ощущение, что в перспективе это окажется дешевле и в целом быстрее — ведь современный стек открытых технологий позволяет собрать собственное решение за несколько месяцев.
Однако на практике такие проекты часто оказываются значительно сложнее, чем ожидалось. Планы на два-три месяца нередко растягиваются на полгода или даже год, в то время как бизнес продолжает ждать ощутимых результатов от внедрения AI. Основные сложности начинают проявляться уже после запуска платформы. Вместо зависимости от внешнего вендора компания рискует попасть в зависимость от собственной команды разработчиков. Через некоторое время архитектура, логика работы и накопленная экспертиза оказываются сосредоточены в руках ограниченного числа специалистов, и любые кадровые изменения могут создать риски для дальнейшей эксплуатации решения.
Дополнительную нагрузку дает стремительное развитие AI-технологий. Модели, инструменты и подходы постоянно меняются, поэтому платформу необходимо регулярно обновлять, поддерживать и адаптировать. Для этого требуются не только вычислительные мощности, но и высококвалифицированные специалисты, расходы на которых остаются одной из крупнейших статей бюджета. При этом компании часто оценивают стоимость проекта через понятные показатели вроде подписок или токенов, но недооценивают совокупную стоимость владения. В результате реальные затраты на инфраструктуру, сопровождение и развитие платформы становятся очевидны лишь спустя время, когда финансовые показатели уже требуют объяснений.
Однако на практике такие проекты часто оказываются значительно сложнее, чем ожидалось. Планы на два-три месяца нередко растягиваются на полгода или даже год, в то время как бизнес продолжает ждать ощутимых результатов от внедрения AI. Основные сложности начинают проявляться уже после запуска платформы. Вместо зависимости от внешнего вендора компания рискует попасть в зависимость от собственной команды разработчиков. Через некоторое время архитектура, логика работы и накопленная экспертиза оказываются сосредоточены в руках ограниченного числа специалистов, и любые кадровые изменения могут создать риски для дальнейшей эксплуатации решения.
Дополнительную нагрузку дает стремительное развитие AI-технологий. Модели, инструменты и подходы постоянно меняются, поэтому платформу необходимо регулярно обновлять, поддерживать и адаптировать. Для этого требуются не только вычислительные мощности, но и высококвалифицированные специалисты, расходы на которых остаются одной из крупнейших статей бюджета. При этом компании часто оценивают стоимость проекта через понятные показатели вроде подписок или токенов, но недооценивают совокупную стоимость владения. В результате реальные затраты на инфраструктуру, сопровождение и развитие платформы становятся очевидны лишь спустя время, когда финансовые показатели уже требуют объяснений.
Как избежать разработки платформы с нуля
Однако есть и хорошие новости: закрытый контур и собственная разработка — не синонимы. Компаниям, которые предъявляет высокие требования к безопасности данных, вовсе не обязательно самостоятельно создавать всю технологическую платформу.
По словам спикера, прежде чем инвестировать ресурсы в разработку собственного решения, важно оценить зрелость компании, доступную экспертизу и бизнес-задачи, которые предстоит решать с помощью AI. Именно эти факторы помогают определить оптимальную модель размещения и избежать лишних затрат на инфраструктуру.
Сегодня доступны три основных варианта размещения AI-решений: облачная модель, гибридный подход и on-premise. Облако позволяет быстро запускать пилоты и проверять гипотезы на готовой инфраструктуре. Гибридная архитектура помогает найти баланс между безопасностью и стоимостью владения. Полностью локальное размещение оправдано в компаниях с высоким уровнем зрелости, развитой IT-командой и значительными вычислительными ресурсами.
По словам спикера, прежде чем инвестировать ресурсы в разработку собственного решения, важно оценить зрелость компании, доступную экспертизу и бизнес-задачи, которые предстоит решать с помощью AI. Именно эти факторы помогают определить оптимальную модель размещения и избежать лишних затрат на инфраструктуру.
Сегодня доступны три основных варианта размещения AI-решений: облачная модель, гибридный подход и on-premise. Облако позволяет быстро запускать пилоты и проверять гипотезы на готовой инфраструктуре. Гибридная архитектура помогает найти баланс между безопасностью и стоимостью владения. Полностью локальное размещение оправдано в компаниях с высоким уровнем зрелости, развитой IT-командой и значительными вычислительными ресурсами.
“Выбор архитектуры напрямую влияет на скорость получения результата, объем инвестиций и фокус команды. Если организация тратит ресурсы на построение платформы, то ей приходится фактически развивать внутри себя отдельную IT-компанию. Если же используются готовые технологические компоненты, команда может сосредоточиться на поиске бизнес-кейсов, тестировании гипотез и оценке экономического эффекта”.
Пять вопросов, на которые нужно ответить еще до внедрения AI
Александр выделил пять ключевых факторов, которые необходимо проработать до старта любого AI-проекта.
- Понимание бизнес-цели: обозначьте, какие проблемы нужно решить, где компания теряет деньги и за счет чего рассчитывает получить эффект.
- Представление о будущей архитектуре: определите, какие системы и данные будут задействованы, а также существуют ли ограничения по обработке информации.
- Оценка собственной экспертизы: честно ответьте на вопрос, есть в команде необходимые специалисты или их придется привлекать и обучать.
- Экономическая эффективность: просчитайте на старте ожидаемый ROI и определите критерии окупаемости проекта.
- Метрики успеха: зафиксируйте, какие показатели будут свидетельствовать о том, что внедрение действительно принесло результат бизнесу.
Почему компании выбирают готовые платформы
Завершая выступление, спикер отметил, что даже крупные организации с серьезными ресурсами все чаще используют готовые платформенные решения. Причина проста: бизнесу важно получать результат как можно быстрее и направлять усилия на трансформацию процессов, а не на создание базовой технологической инфраструктуры.
Готовые платформы позволяют снять с команды значительную часть задач, связанных с развертыванием, обновлением моделей, эксплуатацией и обеспечением безопасности. В итоге компания может сосредоточиться на поиске перспективных сценариев применения AI и масштабировании успешных инициатив.
Так, например, «Норникель» выбрал гибридную модель внедрения AI: сохранил наиболее чувствительные данные в собственном контуре, а часть задач вынес в другие среды, что позволило совместить требования безопасности с экономической эффективностью. Сегодня компания реализовала уже более 30 AI-инициатив, которые покрывают 70% ключевых производственных процессов, а совокупный экономический эффект от их внедрения оценивается примерно в 100 млн долларов в год.
В белорусских организациях также есть успешные кейсы совместного внедрения искусственного интеллекта Yandex Cloud и Softman Group, но спикер не смог ими поделиться из-за NDA. Если вам интересно узнать, как ваша компания может ускорить путь от AI-экспериментов к реальному бизнес-эффекту, позвоните нам по номеру +375 (29) 878-82-32 или отправьте запрос на info@softman.cloud.
Готовые платформы позволяют снять с команды значительную часть задач, связанных с развертыванием, обновлением моделей, эксплуатацией и обеспечением безопасности. В итоге компания может сосредоточиться на поиске перспективных сценариев применения AI и масштабировании успешных инициатив.
Так, например, «Норникель» выбрал гибридную модель внедрения AI: сохранил наиболее чувствительные данные в собственном контуре, а часть задач вынес в другие среды, что позволило совместить требования безопасности с экономической эффективностью. Сегодня компания реализовала уже более 30 AI-инициатив, которые покрывают 70% ключевых производственных процессов, а совокупный экономический эффект от их внедрения оценивается примерно в 100 млн долларов в год.
В белорусских организациях также есть успешные кейсы совместного внедрения искусственного интеллекта Yandex Cloud и Softman Group, но спикер не смог ими поделиться из-за NDA. Если вам интересно узнать, как ваша компания может ускорить путь от AI-экспериментов к реальному бизнес-эффекту, позвоните нам по номеру +375 (29) 878-82-32 или отправьте запрос на info@softman.cloud.