Будущее данных: ИИ, кодогенераторы и импортозамещение

Локализация и импортозамещение решений

Некоторые компании, несмотря на события последних лет, только встают на путь импортозамещения, работы с открытыми программными решениями и начинают переход на модели, снижающие возможность вендор-лока. Такие тенденции есть как в применении систем в промышленности, так и использования ИИ в логистике (трекинговые системы), а также в страховых и банковских услугах (скоринг).

Российский рынок систем управления и обработки данных растет. Согласно отчету фонда «Центр стратегических разработок», к 2027 году следует ожидать роста рынка до ₽170 млрд в сравнении с ₽72 млрд в 2021 году.

Внедрение генеративного интеллекта

Распространение применения генеративного искусственного интеллекта в бизнес-процессах сегодня отмечается практически во всех сферах. Если в прошлом году такими возможностями интересовались, то в 2024 году уже появляются продакшен-решения, основанные на GPT-подобных моделях.

Например, крупнейшие компании России, в частности предприятия горнодобывающей, обрабатывающей и химической промышленности, внедряют продукты для обобщения и анализа документов. Это связано с огромными объемами технологической и нормативной документации, с которой работают сотни сотрудников разных уровней. Это позволяет в том числе создавать обучающие материалы для различных категорий специалистов. Эффективность этого подхода особенно заметна в компаниях от 1000+ сотрудников. Помимо разработки учебных материалов ИИ-ассистенты могут использоваться для оптимизации работы со специфичной нормативной документацией, например юридической.

Наиболее применимой технологией в данном случае является RAG, Retrieval Augmented Generation, — техника, позволяющая дополнить знания больших языковых моделей (LLM) внутренними данными. Основная идея заключается в том, чтобы расширить возможности LLM, предоставляя им доступ к специфической информации, которая не входит в их исходный обучающий набор данных. Этот подход особенно полезен для разработки приложений, которые должны обрабатывать корпоративные (конфиденциальные) данные или данные, появившиеся после даты, когда модель была обучена. Иными словами, ее не обязательно обучать заново — достаточно «показать»‎ модели документацию, из которой необходимо извлекать информацию.

Например, в сентябре 2024 года MTS AI объявила о создании системы «умного» поиска по документам на базе RAG для одного из крупнейших российских государственных холдингов. Внедрение системы должно значительно повысить эффективность работы с внутренними данными корпорации. Ожидается, что среднее время поиска ответов на вопросы сократится с 30 минут до трех секунд, а сотрудники HR и юридического отделов смогут экономить до четырех часов рабочего времени ежедневно.

Мультиагентский подход

Следующим поколением применения больших языковых моделей в бизнесе можно назвать внедрение мультиагентского подхода. В этом случае нейросеть, обученная на данных компании, исполняет роль различных руководителей, например финансового, технического и HR-директора. Это позволяет готовить тезисы и анализировать различные подходы к бизнес-задачам до начала личной коммуникации с сотрудниками, время которых ограничено (проведение виртуальных совещаний с директорами-ИИ-агентами для экономии времени живых людей). Подобная технология только начинает внедряться в процессы принятия решений, поэтому полноценной статистики эффективности не собрано. Однако видится, что этот подход перспективен и в ближайшем будущем будет превалировать и активно развиваться.

К примеру, «Рексофт» уже сейчас использует мультиагентский подход внутри компании. Предварительная консультация с нейросетями помогает отсеивать наименее жизнеспособные идеи, а на обсуждение с командами выносить подготовленные аргументы. Это позволяет экономить один-два часа на задачу только на совещаниях для каждого задействованного топ-менеджера.

Другой пример — Т-Банк, который в этом году запустил свою «Вселенную ассистентов»: шесть ИИ-помощников, включая финассистента, инвест-ассистента, шопинг-ассистента и других, которые подстраиваются под запросы клиентов и предлагают персонализированные ответы. Ассистенты обучаются каждый день: в их основе специализированные LLM — альтернатива ChatGPT. По заявлениям банка, их собственные модели решают реальные задачи клиентов лучше, чем любые аналоги. Например, джуниор-ассистент дает более корректный ответ на 20% чаще по сравнению с ChatGpt. При этом каждый из помощников обучен решать конкретные задачи и обрабатывать запросы более глубокого уровня именно в своей сфере.

Внедрение генераторов кода в процесс разработки

Сегодня многие компании, в том числе и российские, предлагают решения-ассистенты, позволяющие генерировать и анализировать код. Наиболее известным таким продуктом остается Github Copilot. Однако существуют и российские аналоги — Yandex Code Assistant от «Яндекса», Kodify MTS AI от МТС, GigaCode от «Сбера», а также эффективные OpenSource-решения китайских провайдеров. При этом компании, обладающие сильными внутренними IT-командами, отдают предпочтение решениям, замкнутым в их контуре, самостоятельно созданным на основе OpenSource-решений. Они гарантируют защиту конфиденциальной информации и могут быть максимально адаптированы к специфике организации. С использованием ИИ-ассистента разработчики могут создать прототип многостраничного веб-ресурса приблизительно за день, что значительно оптимизирует усилия на этапе коммерческого предложения, при этом все задачи могут быть выполнены одним специалистом вместо трех или четырех.

С учетом скорости развития технологий можно предполагать, что в ближайшей перспективе начнется гонка производителей по внедрению подобных продуктов в полный цикл производства ПО: создание кода, верификацию, развертывание, тестирование. На данный момент эффективность использования таких ассистентов на разных этапах в российских компаниях составляет до 15%.

Реальность такова, что практически повсеместная интеграция искусственного интеллекта и работа с данными становятся ключевыми аспектами бизнес-стратегий в различных отраслях. Компании все активнее обращаются к технологиям, которые позволяют организациям не только адаптироваться к быстро меняющимся условиям рынка, но и предвосхищать их. Импортозамещение и работа с открытыми программными решениями становятся важными элементами стратегического планирования, обеспечивая компаниям большую независимость и гибкость. В различных сферах — от промышленности до банковских услуг — внедрение искусственного интеллекта ведет к повышению эффективности. В ближайшие годы можно ожидать, что эти тенденции будут только усиливаться, открывая новые горизонты для инноваций‎.