«Люди. Не мощности, не данные и даже не деньги»: Тадевосян о том, что мешает внедрять ИИ
▫️ Пока рынок спорит о том, хватит ли GPU и дата-центров для нового витка ИИ-гонки, в корпоративном сегменте всё чаще звучит другой аргумент: главным ограничением становится не «железо», а люди. Об этом в интервью «Ведомости. Инновации и технологии» рассказал гендиректор
fabricaONE.AI Максим Тадевосян.
Парадокс в том, что ИИ должен сокращать потребность в людях, но именно нехватка специалистов будет тормозить его внедрение. Речь идет не только о разработчиках моделей. Нужны инженеры, архитекторы, специалисты по данным и люди, которые понимают производство, финансы или ритейл и способны сформулировать задачу для технологии.
Этот дефицит ощущается не только в России. По словам Тадевосяна, с ним столкнутся и в Китае, и в США. Вузы пока не выпускают готовых специалистов по внедрению ИИ в отраслевые процессы: математическая база есть, а отраслевой контекст и умение решать конкретные задачи — нет.
Импортозамещение и ИИ: бюджет приходится делить
▫️ Российские компании оказались в двойной повестке. С одной стороны — незавершённое импортозамещение, которое требует времени, команд и компетенций. С другой — давление кадрового дефицита и маржинальности, которое подталкивает внедрять ИИ уже сейчас.
Бюджет приходится делить между долгосрочным импортозамещением и решениями, способными дать результат уже сейчас
Из-за сокращения горизонта планирования до квартала или года приоритет часто получают проекты с быстрым эффектом на операционные показатели. У компаний с госучастием логика может быть другой — из-за требований к сертификации и отечественному происхождению компонентов.
Большие модели нужны не всем
▫️ Один из ключевых тезисов интервью: универсальные модели — не универсальное решение. Для повторяющихся задач применяются специализированные, или доменные, модели, обученные на правилах и исторических данных конкретного процесса.
Для этого используются специализированные, или доменные, ИИ-модели. Они обучены на правилах и исторических данных конкретного процесса. Если сильно упростить, универсальная модель ищет нужный ответ в огромном массиве информации, а у доменной модели область поиска ограничена конкретной задачей. Поэтому она может точнее следовать требованиям и быстрее отвечать.
Особенно востребован такой подход в промышленности: предприятия годами собирают данные с контроллеров и оборудования, которых нет в открытых источниках. Эти массивы можно использовать для оптимизации производства — но только если модель обучена под конкретный процесс.
▫️ Так или иначе, а корпоративный ИИ в России переходит от экспериментов к промышленному применению. Но его развитие будет ограничивать не «железо», а люди, которые умеют соединять технологию с отраслью. И инвестировать в ИИ стоит не только в инфраструктуру, но и в людей, которые смогут поставить задачу и проверить результат.
Подписывайтесь на AI для бизнеса