Подчас кажется, что искусственный интеллект, это скорее «фишка» потребительского хайпа, а не реальная технология. При этом западные медиа говорят о проникновении ИИ чуть ли не во все индустрии, более 60 стран приняли госстратегии развития ИИ, а к 2300 чуть ли не создадут «машину», способную полностью заменить разум человека (источник McKinsey Insights).
А что у нас? Отечественное ТВ строит «картинку», согласно которой ИИ в медицине распознает «нехорошие» родинки; банки могут оценивать риски; Сбер сделал Голосового Ассистента, а Яндекс представил «поумневшую» Алису и пытается научить беспилотные машины ездить безопасно и хорошо. И все?
На деле, возможности ИИ нужно в системообразующих отраслях экономики, в промышленности, в машиностроении. И тут мы сильно отстаем, и вот почему.
Сегодня российская промышленность «оцифрована» в гораздо меньшей степени, чем банки, телекомы или интернет-компании. Соответственно, здесь гораздо меньше структурированных данных, на чем можно было бы учить нейросеть.
Следующее и, возможно, более важное препятствие – предположение (ощущение) крупных промпредприятий, что внедрение ИИ — это, больше, эксперимент, чем бизнес-инструмент. А эксперименты, как известно, имеют свойство «проваливаться», что, понятно, никому не нравится. Поэтому многие руководители «крупняка» относятся к этому с опаской и скепсисом.
Еще одна препона — наша изоляция. Во-многом, именно из-за этого у нас либо крайне мало, либо вообще нет проектов, на которых можно было бы научиться реальному применению ИИ в бизнесе. Мы вынуждено закрылись от иностранного опыта (не полностью, но очень во-многом), сократили к нему доступ. Но ведь только на «живых» проектах могут развиваться команды и практики, которые могли бы принести реальную пользу экономике, промышленности.
Известные мне кейсы использования ИИ:
В BMW используют LM (компьютерное зрение) для осуществления контроля качества производимой продукции. ZF Group, Немецкая компания производящая механические компоненты для автомобильной индустрии, полностью обвязала датчиками и сенсорами производственное оборудование и в реальном времени собирает данные, предиктивно планирует ремонты, потребление электроэнергии и выбросы углерода. Rio Tinto пользуется инструментами ИИ для оптимизации расхода топлива для горнодобывающей техники.
Что в этой ситуации делать?
Кроме банальных советов (нужно больше денег вкладывать в ИИ, инвестировать в передовые ИТ-технологии, нужные промышленности, вводить правила адмнистирования с учетом возможных ошибок в экспериментах с ИИ и пр.), — отмечу следующее:
Обязательно нужно развивать новые специальности, т.к. постоянно появляются новые роли в командах, способных обеспечить подлинную ИТ-трансформацию, в том числе, конечно, за счет сильного ИИ. Например, это индустриальные датасайнтисты, которые, знают реальное производство и могут нащупать болевые точки процесса; системные внедренцы и управленцы, которые могут подобрать и адаптировать нужный под задачу продукт, имплементировать технологию, причем качественно и в короткие сроки.
Но где брать таких специалистов сегодня? Заказчики и интеграторы знают – это огромная проблема. Значит, нужно думать о будущем, и как можно скорее, в инженерных ВУЗАХ вводить дисциплины AI, ML, создать условия, чтобы туда шли преподавать не теоретики, а практики.
И вот еще что. Я думаю, нам нужно всерьез задуматься о технологическом промышленном шпионаже в области ИИ. О миграционной политике мозгов из западных стран. В конце концов, Петр Первый именно так построил русский флот, заманив иностранных кораблестроителей в Россию и переняв их технологии. В Китае в ВУЗах преподают приемы технологической разведки. Считаю, это далеко не худшая была бы практика для нас всех.
Справка:
Олег Логвинов, генеральный директор «Логвинов Консалтинг Сервис» (отвечал за ИТ в Концерне «Калашников» и в «Новой Горной Управляющей компании», управлял внедрением ERP, CRM в МТС и ERP в Башнефть)
