Эксперт рассказал про главные барьеры, мешающие внедрению ИИ в промышленный сектор
Илья Горшков, управляющий директор по информационным технологиям VESNA: если у компании нет подходящей инфраструктуры для поддержки решений на базе ИИ, то не стоит создавать и внедрять эти решения.
Ключевой барьер заключается в тoм, чтo многие компании из нефтегазового сектора работают на устаревших технологиях, которые плохо совместимы с современными ИИ-решениями, а также не имеют подходящей инфраструктуры для их поддержки. Создание такой инфраструктуры требует крупных инвестиций, которые не всегда доступны бизнесу. Эта проблема особенно актуальна из-за распределённой структуры и удалённого расположения месторождений в нефтегазовых компаниях. Однако такие трудности испытывают не только нефтегазовые компании. Согласно опросу «К2 НейроТех», 34% российских компаний отметили дефицит инфраструктурных решений и готовых инструментов для развертывания ИИ, а остальные подчеркнули необходимость увеличить вычислительные мощности в контуре компании под эту задачу.
«Для развития ИИ также требуется высокий уровень затрат на разработку ИИ-инструментов. Пo данным компании NtechLab, стоимость разработки софта и IT-систем на базе искусственного интеллекта (ИИ) за 2023 год увеличилась в России на 30–40%. Если говорить про генеративный ИИ, который часто используют в промышленности, то здесь есть потребность в инвестициях. Например, стоимость обучения моделей OpenAI оценивается экспертами так: GPT-3 (175 млрд параметров) — около 4,6 млн долл. США, GPT-4 (около 1,7 трлн параметров) — более 100 млн долл. США», — поделился он.
Илья Горшков отметил также в качестве ещё одного значимого барьера — отсутствие на ИТ-рынке высококвалифицированных кадров, способных одновременно разбираться в технологиях и особенностях нефтегазовой отрасли. Пo данным отчёта «Искусственный интеллект в России — 2023: тренды и перспективы», 61% работодателей сталкиваются со сложностями в поиске кандидатов с навыками в сфере цифровых технологий. Особенно это важно для сферы ИИ. Сейчас есть дефицит инженеров и разработчиков. Они необходимы для внедрения и поддержки ИИ-решений, а также для их интеграции с текущими бизнес-процессами. Даже если в компании есть технические специалисты, часто им не хватает специфических знаний о применении ИИ в контексте конкретных отраслей промышленности.
Ещё очень важный барьер — чистота данных. Это существенный показатель для обучения в промышленном секторе, поскольку ошибки в решениях могут привести к серьёзным последствиям. В нефтегазовой отрасли данные зачастую бывают неполными или недоступными для анализа из-за устаревших методов хранения, что затрудняет применение алгоритмов.
Но не стоит перекладывать всю ответственность за ошибки только на ИИ. При работе с искусственным интеллектом существует такое понятие, как Кодекс, и один из его принципов гласит: «Ответственность за последствия применения ИИ всегда несёт человек». При создании любого инструмента или решения на базе ИИ, мы вкладываем в него этические принципы. Разработчики заранее определяют правила (например, «не наносить вред») и учат алгоритмы следовать им. Это подобно тому, как родители воспитывают ребенка: «Не делай плохого, даже если тебя об этом попросят».
В качестве примера можно привести системы управления скважинами, которые контролируют давление и подачу нефти, используя данные с датчиков и прогнозные алгоритмы, но окончательное решение остаётся за ответственным сотрудником. Нарушение этих правил может привести к аварии, остановке производственных процессов и угрозе для жизни людей.
