Миф об идеальных данных

Существует устойчивое заблуждение: прежде чем приступить к работе с генеративными и агентными ИИ-системами, необходимо обеспечить безупречность данных. Такое мнение часто транслируют вендоры и консультанты, предлагая масштабные хранилища и многолетние программы трансформации данных. Однако реальность оказывается куда прагматичнее.

«Инструменты для работы с данными низкого качества никогда не были такими хорошими, как сейчас», — отмечает Джо Роуз, президент стратегического технологического провайдера JBS Dev. — «Поразительно, что языковая модель способна понять набросок запроса, написанный небрежно».

Логика проста: если инструмент уже есть, его нужно использовать с умом — при условии соблюдения необходимых защитных механизмов. Внутренняя непредсказуемость моделей требует обработки ошибочных результатов, и здесь ключевую роль играет принцип «человек в цикле».

Как ИИ справляется с хаосом реальных данных

Роуз приводит конкретный пример из медицинской отрасли: клиент стремился мигрировать на новую систему сверки биллинга. Записи были разнородными — часть хранилась в PDF, часть представляла собой изображения, а имена врачей и пациентов нередко перепутались между собой.

Генеративный ИИ смог выделить чистые данные по простому запросу: распознавание текста через OCR, извлечение информации из изображений и PDF, а затем — более агентные подходы, включая сравнение клиентской записи со страховым контрактом для проверки корректности тарификации.

«Вы начинаете накладывать разные сценарии использования друг на друга, — поясняет Роуз. — Это не значит, что система всё делает безупречно — человек в цикле по-прежнему необходим. Но важно показать прогресс: начнём с 20% автоматизации, затем 40%, потом 60, 80% — и так наращивать со временем».

Последняя миля: стоимость и портативность моделей

Глядя в будущее, Роуз ожидает смещения фокуса дискуссий — от радикальных прорывов в возможностях моделей к вопросам экономической устойчивости и доступности.

«Я думаю, мы увидим отход от резких скачков в возможностях моделей и больший акцент на том, как сделать затраты более устойчивыми, чтобы не строить дата-центры в том темпе, в котором мы их строим сейчас», — говорит он. Последняя миля, по мнению эксперта, — это вопрос запуска моделей на ноутбуке или смартфоне вместо необходимости эксплуатации в масштабных дата-центрах.

Модели обучены на огромном корпусе данных — по сути, на каждой странице интернета и не только. Запас данных, способный привести к следующему прорыву, не бесконечен, и индустрия всё острее ощущает необходимость оптимизации инфраструктурных расходов.

От SaaS к собственным облачным решениям

На предстоящем AI & Big Data Expo, где JBS Dev примет участие, Роуз планирует озвучить ещё одно провокационное мнение: пора перестать покупать решения у SaaS-провайдеров, если можно реализовать их самостоятельно.

«Это не так сложно, как звучит, — уверен он. — У почти каждой компании уже есть какое-то облачное присутствие, и с этого стоит начать. Облачные инструменты, особенно у больших трёх поставщиков, содержат всё необходимое для запуска агентных рабочих процессов уже завтра — без новых лицензий на ПО и без дополнительного обучения».

После внедрения базовой инфраструктуры JBS Dev готова взять на себя следующие этапы этого пути — от масштабирования до глубокой интеграции ИИ-решений в бизнес-процессы компаний.