Введение

В современном мире растёт тенденция внедрения искусственного интеллекта в ряд бизнес-процессов компаний. Влияние нейросетей на бизнес сложно переоценить: повышается как удовлетворённость сотрудников, так и результаты производства.

На сегодняшний день, в России, компании уже активно переходят от пилотных проектов до боевых внедрений. Кто-то тестировал на модели SaaS (Soft as a Service - предоставление доступа к облачному ресурсу), кто-то on-premise (локальная инфраструктура). Но когда речь касается внедрения AI в продакшн – большинство клиентов предпочитают поселить данное решение у себя, без передачи данных во внешний контур. Это связано с тем, что ввиду новизны технологии, бизнес стремится обеспечить максимальную безопасность, контроль и конфиденциальность данных.

В этой статье мы разберём внедрение искусственного интеллекта в локальную (on-prem) инфраструктуру: какие стратегии внедрения считаются best practice и какой архитектуры развёртывания решения придерживаются в текущих реалиях.

Потребность в интеграции ИИ

В узких кругах всё больше и больше распространяются результаты первых внедрений и пилотов в РФ. Зачастую компании внедряют ИИ в целях оптимизации следующих бизнес-процессов:

1. Помощь сотруднику в решении рутинных задач, уточнения по внутренним базам знаний/данных

2. Повышение эффективности контура кибербезопасности и предотвращение мошеннических операций (особенно актуально для банковского сектора)

3. Обслуживание клиентов и улучшение пользовательского опыта, чат-боты (актуально для B2C сегмента, в частности услуг)

В планах внедрение и тестировании ИИ для следующих задач:

1. Прогнозирование тренда, спроса

2. Автоматизированное (более, чем на 60%) создание контента

Объективно, положительные результаты таких проектов заставляют рынок задуматься над реализацией такой технологии в своём контуре. Наличие AI платформы у компании и повышает эффективность процессов, и улучшает работоспособность сотрудников, и повышает репутацию в глазах клиентов.

Остаётся только выделить подходящие процессы для внедрения, ведь эта технология по-разному приживается в разных отраслях. Финтех и Ритейл уже активно пользуются благами технологии, когда производство и промышленность медленнее и аккуратнее подходят к вопросу в силу бОльшей специфичности бизнес-процессов.

Стратегии интеграции

В текущих реалиях алгоритм трансформации бизнеса и подход к реализации отличается от партнёра к партнёру. Однако, практически все они придерживаются одних и тех же важных и глобальных шагов.
Конечно, всё зависит от специфики Заказчика, но зачастую в большинстве проектов пересекаются следующие пункты:

1. Идентификация бизнес-проблем и целей.

   Определение конкретных проблем, которые могут быть решены с помощью ИИ. На этом этапе важно сформулировать бизнес-цели, которые должны быть достигнуты с помощью ИИ. Это может быть улучшение качества обслуживания клиентов, повышение эффективности производства или оптимизация затрат.

2. Анализ данных и подготовка.

   Проведение оценки качества данных и их доступности. ИИ-модели требуют качественных данных для обучения, поэтому важно оценить, какие данные доступны, насколько они полны и точны, и какие из них можно использовать для обучения моделей. Помимо этого, потребуется время на разметку данных.

3. Расчёт и утверждение эффективности.

   Анализ стоимости проекта (как по времени, так и по ресурсам), возможной выгоды (ROI) и рисков. Это поможет удостовериться в целесообразности проекта и поддержке его со стороны руководства компании.

4. Подготовка организационной инфраструктуры и изменений.

   Подготовка команды, настройка процессов и обучение сотрудников для работы с новыми технологиями. Этот шаг также включает анализ того, как ИИ будет взаимодействовать с другими системами и процессами в компании. Важно подумать о том, как адаптировать организацию под внедрение новых технологий, расчертить зоны интеграции и взаимодействия процессов.

5. Разработка технического задания (ТЗ).

   Определение функциональных и технических требований к ИИ-решению. ТЗ должно включать описание целей, технологий, сроков, бюджетов, а также критериев успешности и ожиданий от проекта/пилоты.

6. Выбор и подготовка технологии и инструментов.

   На основе ТЗ следует выбрать платформу и инструменты для развертывания ИИ. Также важно выбрать подходящие модели и алгоритмы, которые будут эффективно решать поставленные задачи.

7. Пилотное внедрение.

   Запуск пилотного проекта для проверки гипотез и тестирования технологии на выделенной группе данных и/или пользователей. Пилот позволит понять, насколько эффективно выбранное решение решает поставленные задачи и какие корректировки могут потребоваться на следующих этапах.

8. Анализ результатов пилотного внедрения и коррекция.

   По итогам пилотного проекта проводится анализ эффективности внедрения, сверка с критериями успешности, выявление проблем и корректировка решений. Это поможет улучшить модель, процессы и определиться с необходимыми изменениями в стратегии.

9. Масштабирование.

   На основании успешных результатов пилота можно масштабировать внедрение на весь бизнес. Это может потребовать изменений в инфраструктуре, обучении сотрудников и настройке новых рабочих процессов.

10. Интеграция с текущими бизнес-процессами.

    ИИ-решение должно быть интегрировано в существующие бизнес-процессы и системы организации. Это требует внимания к работоспособности решения в долгосрочной перспективе, поддержке и обновлениям моделей.

11. Обучение и адаптация персонала.

    Одним из ключевых элементов стратегии является обучение сотрудников работать с новыми инструментами, анализировать результаты и вносить изменения в работу систем на основе рекомендаций ИИ. Вопрос, как правило, поднимается на уровень корпоративной культуры.

12. Непрерывная оптимизация и мониторинг.

    После полного развертывания необходимо регулярно проводить мониторинг и оптимизацию работы ИИ-системы, чтобы поддерживать ее актуальность и эффективность. Модели ИИ могут требовать переобучения или обновлений, особенно в условиях изменяющихся данных.

Подходы к архитектуре

Внедрение искусственного интеллекта в локальную ИТ-инфраструктуру предприятия требует продуманного подхода к архитектуре. На основе текущих практик, можно выделить наиболее популярных и эффективных подходов, которые помогают интегрировать ИИ в существующую локальную инфраструктуру с учетом масштабируемости, безопасности и производительности. На текущий момент на рынке представлены два актуальный сценария:

1. Интеграция в рамках существующих систем (внедрение в локальные ИТ-системы)

2. Гибридная интеграция (локальные системы + облачные решения)

В формате, связанным с интеграцией исключительно в локальный сектор, инсталляция происходит через внедрение алгоритмов или нейросетей, которые работают в рамках текущих бизнес-процессов.

В данном случае используются следующие подходы:

1. Использование API для интеграции моделей с локальными информационными системами

2. Размещение нейросети на серверах в локальной сети или частном облаке

3. Применение гибридной модели. В данном сценарии данные обрабатываются локально, а алгоритмы используют внешние вычислительные ресурсы при переполнении собственных.

Подход зарекомендовал себя положительно, так как не требует высоких затрат в случае наличия подготовленной и производительной инфраструктуры, оставляет за бизнесом контроль над данными и процессами полностью сохраняется и, соответственно, нивелирует риски, связанные с внешними зависимостями (например, облачными провайдерами).

Но несмотря на это, стоит учитывать, что «подготовленная и производительная инфраструктура» - дело не из дешёвых. На такого рода модернизацию может уйти длительное время и большой бюджет. Из сложностей с модернизацией вытекают и ограничения, связанные с использованием сложных моделей и больший объёмов данных.

Гибридный вариант предлагает предприятию комбинирование локальных ресурсов с облачными сервисами. Обработка данных и развертывание ИИ-моделей может происходить в облаке, когда важные и чувствительные данные остаются в контуре компании.

Такой вариант подразумевает следующие подходы:

1. Использование облачных платформ для обучения/тренировки моделей, при этом обработка и анализ данных производятся локально

2. Облако позволяет легко масштабировать вычисления в случае прироста объёма данных

Такой формат тоже является довольно популярным у российских компаний: он открывает пользователям быструю масштабируемость, а так же экономию затрат на поддержку локальной инфраструктуры

Но здесь, конечно же, кроются те самые «вопросы» к безопасности и конфиденциальности данных (часть данных всё же попадает вовне). Так же иногда возникают сложности с интеграцией облачных сервисов с локальными ИТ-системами.

Выбор подхода зависит от конкретных требований предприятия, объёма данных, скорости обработки, бюджета и уровня готовности ИТ-инфраструктуры.

Заключение

Интеграция искусственного интеллекта в локальную инфраструктуру предприятий становится нередким явлением в проектах по трансформации современного бизнеса. Внедрение ИИ позволяет значительно повысить эффективность бизнес-процессов, улучшить пользовательский опыт и оптимизировать различные аспекты деятельности, от обслуживания клиентов до кибербезопасности. Однако успешная реализация ИИ-решений требует тщательного подхода, начиная с правильной идентификации проблем и целей, которые можно решить с помощью ИИ, и заканчивая выбором подхода к реализации, утверждением архитектуры внедрения и т.п.