ВТБ определил ключевые точки роста для внедрения ИИ-проектов

Компании, реализующие инициативы, связанные с искусственным интеллектом, сталкиваются с пятью основными препятствиями, мешающими выйти за рамки пилотных запусков и перейти к промышленному использованию. Об этом сообщил заместитель руководителя технологического направления ВТБ Сергей Безбогов на конференции «Дата Фьюжн».

Несмотря на значительный интерес к ИИ, включая крупные языковые модели (LLM), лишь небольшой процент проектов достигает стадии масштабного внедрения. Подобная ситуация характерна как для российского, так и для международного рынка. Основными барьерами становятся следующие факторы:

Первый — экономическая составляющая. Приоритет отдаётся подходу «бережливый ИИ», ориентированному на показатель окупаемости инвестиций (ROI). Экономическая целесообразность ИИ-инициатив оценивается по тем же критериям, что и любые иные проекты цифровой трансформации. В ВТБ установлен жёсткий лимит окупаемости, а приоритеты формируются с учётом этого срока. Проекты на базе ИИ и генеративных моделей требуют значительных вычислительных мощностей, поэтому даже пилотные запуски сопряжены с высокими первоначальными расходами. Это делает нецелесообразными дорогостоящие решения, эффект от которых сложно оценить без предварительного тестирования.

Второй фактор — высокая стоимость инфраструктуры. Создание и масштабирование решений на базе крупных языковых моделей (LLM) сопряжено с необходимостью использования значительных вычислительных мощностей и специализированных IT-кластеров. Иногда даже применение высокоэффективных моделей оказывается экономически невыгодным из-за дороговизны требуемого оборудования. Ограниченность поставок компонентов, включая видеокарты и процессоры, также замедляет темпы развития рынка.

Третий фактор — склонность к галлюцинациям. Модели с генеративным ИИ, формирующие контент самостоятельно, способны порождать ложные факты, изобретать несуществующие ссылки или давать неточные ответы. Такие ошибки несут репутационные и финансовые угрозы для компаний. Для снижения подобных рисков необходимы сложные многоуровневые системы проверки и обнаружения ошибок, которые требуют индивидуальной разработки и настройки под каждую отрасль — универсальных решений на данный момент не существует.

Четвёртый фактор — нехватка качественных данных. На рынке наблюдается дефицит достоверных и пригодных для обучения данных. Формирование надёжных выборок требует дорогостоящей очистки и ручной проверки на достоверность. При этом в пределах одной сферы, например в банковской сфере, данные часто повторяются, что ограничивает возможность создания уникальных моделей. Решить эту проблему может обмен данными между отраслями, однако жёсткие нормы законодательства в отношении передачи и обработки чувствительной информации препятствуют свободному обмену информацией между организациями.

Пятый фактор — дефицит кадров с новыми навыками. Для промышленного применения требуются не только программисты, но и формирование полутехнологических команд, включающих специалистов по разметке данных и промпт-инженеров, способных грамотно ставить задачи для нейросетей. Критически важно, чтобы пользователи осознанно подходили к работе с ИИ: максимально точно формулировали запросы и критически оценивали полученные ответы, не перекладывая ответственность за итоговый выбор на искусственный интеллект.