Они же являются точками роста для внедрения проектов.
На конференции Дата Фьюжн заместитель руководителя технологического блока ВТБ рассказал, почему многие проекты с искусственным интеллектом так и не выходят из стадии тестирования в полноценную эксплуатацию. По его словам, проблема характерна как для России, так и для всего мира. Вот основные барьеры:
1. Экономическая нецелесообразность. В банке действует принцип «бережливого ИИ»: проекты оцениваются по возврату инвестиций наравне с любыми другими технологическими инициативами. Генеративные модели требуют огромных вычислительных мощностей, и даже пилоты обходятся дорого, а эффект заранее неочевиден.
2. Высокая стоимость инфраструктуры. LLM-модели нуждаются в специализированных кластерах и мощном «железе». Часто затраты на оборудование (видеокарты, процессоры) делают внедрение экономически бессмысленным. Плюс сохраняется дефицит самих чипов.
3. Галлюцинации нейросетей. Генеративные ИИ выдают вымышленные факты, несуществующие ссылки и ошибочные ответы, что создает финансовые и репутационные риски. Чтобы это контролировать, нужны сложные системы обнаружения ошибок, которые настраиваются под каждую область отдельно — универсальных решений нет.
4. Нехватка качественных данных. Для обучения моделей требуются размеченные и проверенные массивы информации, но их дефицит. Внутри одной отрасли (например, в банках) данные часто однотипны, а межотраслевой обмен ограничен законодательством о чувствительной информации.
5. Кадровый голод. Нужны не просто программисты, а специалисты нового типа: промпт-инженеры, эксперты по разметке данных. Кроме того, сами пользователи должны учиться четко формулировать запросы и критически оценивать ответы нейросети, не перекладывая на нее всю ответственность.
ИА “Орелград”
