Игнат Ушев 11/03/25
Искусственный интеллект уже давно перестал быть футуристической концепцией и стал неотъемлемой частью современного бизнеса и государственного управления. Однако его внедрение и развитие сопряжены с рядом сложностей, которые требуют совместных усилий бизнеса, разработчиков и государства. В этой статье мы разберем ключевые вызовы, с которыми сталкиваются компании, и как государство может помочь преодолеть эти барьеры.
Поговорим о проблемах и перспективах искусственного интеллекта (ИИ) не только с теоретической, но и с практической точки зрения на примерах таких решений, как распознавание лиц, анализ изображений с рентгеновских установок, работа с большими данными и внедрение проектов видеоаналитики.
Сложность первая: осознание потребности в ИИ и формата его применения
Представьте, что вы владелец компании. Вы слышали, что нейросети – это трендовая технология, но вы не понимаете, как ИИ может помочь именно вам. Это типичная ситуация.
Многие компании до сих пор не осознают, зачем им нейросети.
Цифровизация – это первый шаг. Она позволяет перевести бизнес-процессы в цифровой формат и принимать решения на основе данных. Без данных цифровизация бесполезна. Например, на недавних форумах по ЖКХ и ИЦК (интеллектуальные цифровые комплексы) обсуждалась нехватка данных: показателей счетчиков воды, температуры, состояния инфраструктуры. Что делать, если данных нет или их недостаточно?
Здесь на помощь приходит видеоаналитика. Представьте, что нужно посчитать количество автомобилей, проезжающих через железнодорожный переезд. Видеоаналитика не только подсчитает количество машин, но и определит их тип: грузовые или легковые, скорые, пожарные, полиция. При необходимости система даже сможет распознать номерные знаки и определить, из какого региона автомобиль.
Это и есть те данные, которые может предоставить видеоаналитика. Их можно интегрировать в существующую систему цифровизации или использовать для создания отдельной аналитической платформы. На основе таких данных можно принимать взвешенные решения, например оптимизировать график движения поездов или улучшить логистику в регионе.
Таким образом, видеоаналитика становится не просто инструментом наблюдения, а источником ценных данных, которые делают цифровизацию реальной и полезной.
Сложность вторая: целесообразность внедрения ИИ
Даже если компания осознает свои проблемы, возникает вопрос: а нужно ли здесь применять искусственный интеллект? Возможно, достаточно улучшить внутренние процессы или использовать другие технологии.
Например, сегодня многие компании активно внедряют ChatGPT, считая его универсальным решением. Однако ChatGPT – это не "серебряная пуля". Он решает только определенный круг задач, и далеко не все бизнес-проблемы можно автоматизировать с его помощью.
Заказчики часто задаются вопросами: к кому обратиться? какие задачи можно решить с помощью ИИ? Отсутствие информации об успешных кейсах и коммерческой эффективности внедрения ИИ усугубляет ситуацию. Задача вендора в этом случае – помочь клиенту понять, что ему действительно нужно. Проанализировать запросы, предложить несколько решений с разными уровнями затрат и объяснить, какие задачи можно решить уже сегодня, а какие потребуют длительной разработки.
По нашим наблюдениям, более 70% запросов отклоняются еще на стадии обсуждения.
Подрядчик должен предлагать решения, которые обеспечат максимальную выгоду при минимальных вложениях. В результате лишь 15% проектов доходят до исполнения, однако они закрывают 80% потребностей клиента.
Например, клиент из производственной сферы обращается с запросом на автоматическое определение дефектов продукции. На первый взгляд, задача типичная для ИИ: анализ изображений, классификация дефектов, автоматизация контроля качества. Однако после детального анализа выясняется, что финансовые потери компании из-за этих дефектов составляют всего несколько тысяч рублей в месяц, то есть "овчинка не стоит выделки". Создание же полноценной системы ИИ, способной автоматически контролировать качество, обойдется в несколько миллионов рублей. Очевидно, что в таком случае внедрение ИИ было бы экономически нецелесообразным. Вместо этого нужно оптимизировать существующие процессы контроля качества и внедрить более простые и доступные решения, которые позволят сократить потери без значительных инвестиций.
Сложность третья: регуляторная роль государства чрезмерна
При внедрении искусственного интеллекта компании часто сталкиваются с серьезными барьерами, особенно когда государство вводит жесткие ограничения. Например, для использования систем распознавания лиц или анализа данных часто требуются специальные сертификаты и разрешения. Получить их не всегда просто: процесс может быть долгим, бюрократически сложным и дорогостоящим.
При этом бизнес и разработчики зачастую готовы сотрудничать. Компании-разработчики предлагают решения, которые устраивают бизнес по функционалу и стоимости. Но без необходимых сертификатов или разрешений такие проекты просто не могут быть реализованы. Это создает парадоксальную ситуацию: технологии есть, спрос есть, но внедрение тормозится из-за регуляторных барьеров.
Например, в случае с системами видеонаблюдения и распознавания лиц бизнес мог бы использовать их для повышения безопасности или оптимизации процессов. Но из-за строгих законов о защите персональных данных такие решения часто остаются недоступными, даже если они полностью соответствуют потребностям заказчика.
Таким образом, видеоаналитика и ИИ в целом – это мощные инструменты, которые могут стать драйвером цифровизации. Но для их успешного внедрения необходимо не только понимание со стороны бизнеса, но и поддержка со стороны государства. Регуляторные барьеры должны быть сбалансированы так, чтобы не препятствовать развитию технологий, но при этом защищать права граждан.
Сложность четвертая: отсутствие обмена опытом
Еще одна проблема, по которой вскользь прошлись чуть выше, – отсутствие обмена успешным и неудачным опытом внедрения ИИ. Даже специалисты по автоматизации бизнеса часто не знают, какие кейсы стоит внедрять, а какие нет.
Мы провели анализ запросов клиентов из различных отраслей – госсектора, ритейла, логистики, финансов, недвижимости. Например, в промышленности часто требуется определение касок и спецодежды, контроль присутствия сотрудников на территории. Однако, несмотря на очевидную пользу и "попсовость" таких решений, они внедрены далеко не везде, а какие-то реально мощные решения по типу детекции опасных предметов в багаже используют всего две-три компании.
Представьте, что на стройке камень падает на человека без каски или что на борт самолета попадает человек с оружием. Потери несут и семьи, и предприятия. Это вопрос не только экономии, но и безопасности.
Одной из идей, которая могла бы решить проблему отсутствия обмена опытом, является создание реестра решений. Это должна быть единая платформа, где были бы как собраны успешно внедренные решения, так и описаны те, которые не прошли этап пилотирования или не показали экономической целесообразности.
Государство могло бы стать ключевым звеном в создании такого реестра. Оно обладает ресурсами и авторитетом, чтобы объединить усилия компаний, разработчиков и экспертов. Такой реестр позволил бы бизнесу избежать повторения чужих ошибок, сэкономить время и ресурсы, а также быстрее находить подходящие решения для своих задач.
Почему это важно? Часто компании реализуют модели ИИ, проводят пилоты и только на практике выясняют, будет ли решение экономически эффективным. Однако во многих случаях можно было бы заранее оценить целесообразность внедрения с помощью более простых и дешевых методов, таких как ручной подсчет или анализ существующих данных.
Например, если компания хочет внедрить систему автоматического контроля качества на производстве, сначала можно провести ручной аудит и оценить, насколько часто возникают дефекты и какие финансовые потери они приносят. Если потери незначительны, то внедрение дорогостоящей системы ИИ может быть неоправданным.
Реестр решений помог бы компаниям заранее оценивать такие сценарии, опираясь на опыт других. Это не только сэкономило бы ресурсы, но и ускорило бы внедрение ИИ там, где он действительно необходим.
Сложность пятая: некорректные критерии оценки качества ИИ
Одной из ключевых проблем при внедрении искусственного интеллекта является отсутствие четких и понятных критериев оценки качества продуктов на основе ИИ. Зачастую заказчики, особенно те, кто далек от технологий, плохо понимают, как выглядит процесс обучения ИИ и какие параметры можно использовать для оценки его эффективности.
Это приводит к тому, что критерии приемки проекта становятся оторванными от реальности, а ожидания заказчика – завышенными или необоснованными.
Например, заказчик может ожидать, что система будет работать с точностью 99%, но не учитывать, что для достижения такого результата требуется огромный объем качественных данных и длительное обучение модели. В результате, когда система выдает точность 85%, заказчик считает это провалом, хотя такой показатель может быть вполне приемлемым.
Например, заказчик хочет внедрить систему видеоаналитики для автоматического выявления краж в магазине. Он ожидает, что система будет не только фиксировать факт кражи, но и однозначно классифицировать действия покупателя, например определять, положил ли человек товар в корзину или спрятал его во внутренний карман.
Однако на практике такая задача оказывается крайне сложной. Если покупатель поворачивается спиной к камере, система не может однозначно определить его действия. Для того чтобы видеоаналитика могла эффективно детектировать кражи, необходимо обеспечить полное покрытие магазина камерами, установленными под разными углами. Но даже в этом случае система не всегда сможет гарантировать 100%-ную точность из-за ограничений в качестве данных и сложности сценариев.
Заказчик ожидает, что система будет работать идеально, но не учитывает, что для достижения высокой точности требуется не только мощный алгоритм, но и тщательная подготовка данных, включая установку камер в правильных местах и настройку системы под конкретные условия магазина. В результате, когда система не может обеспечить ожидаемую точность, заказчик делает вывод, что проблема в вендоре, а не в изначально сформулированных требованиях к разработке и к оценке качества работы системы. Чтобы избежать таких ситуаций, необходимо внедрить понятные критерии оценки качества, которые будут понятны как заказчику, так и вендору.
Вендоры, со своей стороны, должны объяснять заказчикам, как работает ИИ, какие этапы включает процесс его создания и какие факторы влияют на качество результата. Это поможет заказчику сформировать реалистичные ожидания.
Роль государства в развитии ИИ
Государство традиционно воспринимается как регулятор, который устанавливает правила игры для бизнеса и технологических компаний. Однако в контексте развития искусственного интеллекта его роль должна быть гораздо шире. Государство должно стать активным участником процесса, который не только регулирует, но и способствует внедрению ИИ в реальные бизнес-процессы и социальные сферы, усиливая маркетинговые возможности.
Одной из ключевых проблем является разрыв между законодательными инициативами и их практическим применением. Возьмем, к примеру, Федеральный закон № 572, который регулирует использование биометрических данных. С одной стороны, закон понятен: он защищает права граждан и устанавливает правила обработки персональных данных. С другой стороны, его реализация на практике вызывает множество вопросов.
Например, вендоры, разрабатывающие системы распознавания лиц, сталкиваются с трудностями при внедрении своих решений. Возьмем кейс с шоплифтерами (ворами в магазинах). Казалось бы, использование биометрических данных для их идентификации – это эффективный способ борьбы с преступностью. Однако на практике такие люди никогда не дадут согласие на обработку своих данных, что делает применение закона невозможным в данном контексте.
Это лишь один из множества примеров, когда законодательные инициативы, хотя и направленные на благо, не учитывают реальных потребностей бизнеса и технологических компаний.
Государство может сыграть ключевую роль в преодолении всех упомянутых сложностей.
Во-первых, необходимо создать реестр успешных кейсов внедрения ИИ. Во-вторых, важно популяризировать успешные кейсы и делиться опытом неудачных внедрений. В-третьих, необходимо развивать профессиональные сообщества и конференции, посвященные ИИ.
Заключение
Развитие искусственного интеллекта – это сложный процесс, который требует совместных усилий бизнеса, разработчиков и государства. Осознание потребности в ИИ, целесообразность его внедрения, обмен опытом и понятные критерии оценки – вот ключевые аспекты, которые необходимо учитывать.
Мы рассмотрели основные вызовы, с которыми сталкиваются компании, от непонимания, зачем вообще нужен ИИ, до завышенных ожиданий и отсутствия обмена успешным опытом. Например, в ритейле внедрение системы для отслеживания воровства может столкнуться с техническими ограничениями, такими как необходимость полного покрытия камерами, а в производстве – с экономической нецелесообразностью, когда затраты на внедрение ИИ значительно превышают возможную выгоду.
Государство не должно ограничиваться ролью регулятора. Оно может и должно стать активным участником процесса развития ИИ, помогая бизнесу и разработчикам преодолевать барьеры. Создание реестра успешных и неудачных кейсов, популяризация лучших практик и поддержка профессиональных сообществ – это те шаги, которые помогут ускорить внедрение ИИ в реальные бизнес-процессы.
Кроме того, важно наладить диалог между всеми сторонами: бизнесом, разработчиками и регуляторами. Законы и нормативные акты должны не только защищать права граждан, но и учитывать реальные потребности отрасли. Например, строгие требования к обработке биометрических данных могут ограничивать использование перспективных технологий, таких как системы распознавания лиц, даже если они могут принести значительную пользу.
Только в таком партнерстве можно достичь синергии, которая позволит искусственному интеллекту стать не просто инструментом, а драйвером экономического и социального прогресса. Искусственный интеллект – это не панацея, но при грамотном подходе он может решать сложные задачи, повышать безопасность, оптимизировать процессы и создавать новые возможности для бизнеса и общества.
Опубликовано в журнале "Системы безопасности" № 1/2025
Все статьи журнала "Системы безопасности"
доступны для скачивания в iMag >>
Изображение от rawpixel.com на Freepik
Поделитесь вашими идеями