Эталонная ИИ-инфраструктура

0 0

Эталонная ИИ-инфраструктура

Изображение сгенерировано нейросетью

Предприятия должны начать переосмысливать взаимодействие людей и машин в эпоху цифровой трансформации уже сейчас во избежание дублирования затрат и разработки локальных ИИ решений на каком-либо из участков бизнес-процесса, которые могут иметь существенные барьеры развития.

Занимаясь более 17 лет разработкой ИТ-проектов и фокусируясь на автоматизации и внедрении передовых технологий, мы все чаще сталкиваемся с проектами по внедрению искусственного интеллекта. Полученный опыт и те тенденции, которые мы наблюдаем, показывает, что гиперавтоматизация и масштабное применение ИИ в России не за горами. Это наша среднесрочная перспектива, к которой мы идем семимильными шагами.

На примере нашего опыта можно констатировать, что на сегодня искусственный интеллект (ИИ) достаточно активно используется для решения важных практических задач, но пока это внедрение и использование — фрагментарное. То есть локально, в рамках оптимизации бизнес-процесса на каком-то участке. Например, мы разрабатывали различные модели на основе ИИ по потреблению энергоресурсов для установок фракционирования нефти, но не в части всего технологического процесса, а лишь небольшой кусочек. Или реализовывали проекты по поиску углеводородов и рудных месторождений, но без учета их эффективной добычи.

В части компьютерного зрения за последние годы, мы решали множество задач. Например, задачи по распознаванию гранул на конвейерной ленте для сокращения простоя мельниц и дистанционному мониторингу состояния линий электропередач. Другие практические аспекты внедрения ИИ были связаны с автоматическим подбором и конструированием шаблона договора в зависимости от типа подрядчика для клиента, у которого более 1 000 контрагентов, или с разработкой алгоритмов построения динамического плана эвакуации при задымлении от пожаров или утечки газов в здании и с моделированием распространения облака заражения газов от движущихся объектов.

И это лишь малая часть проектов, которые реализовала команда Юзтех за последние годы. Спектр проектов достаточно обширен и их можно условно разделить на 3 группы по процессам интеграции:

  • Проекты, в которых реализована необходимая интеграция информационных потоков;
  • Проекты, использующие данные нескольких систем, интегрировать которые можно разными способами, например, через API или шину данных;
  • Проекты, для работы которых нужно существенно перестраивать ИТ-инфраструктуру, разрабатывать стратегию управления данными и внедрять современные подходы к управлению и хранению данными такими, как DWH, Hadoop, озера данных.
  • Чаще всего мы сталкиваемся с третьим типом проектов. С одной стороны, рабочие нагрузки ИИ предъявляют новые требования к вычислительным и сетевым ресурсам по сравнению с потребностями традиционных приложений и систем. С другой стороны, фрагментарное применение ИИ вынужденно упирается “в стену” — как в части бизнес-практик, так и в части технологических ограничений. Фрагментарный подход к разработке соответствующих моделей ИИ приводит к тому, что архитекторы решений конструируют только то, что необходимо для разрабатываемых их командами отдельных ИИ-проектов, вместо того, чтобы учитывать общую картину ИТ-ландшафта предприятия. В результате разрозненные системы затрудняют компаниям внедрение лучших практик ИИ и ограничивают эффективность технологии. Эти структурные барьеры делают слабо эффективными реализуемые технологическими изменениями.

    Эталонная ИИ-инфраструктура

    Проблемы, связанные с внедрением ИИ на разных участках единого бизнес-процесса

    Такой подход не гарантирует, что созданное ИИ-решение действительно будет адаптивным к возможным изменениям бизнес-процесса. И компаниям придется инвестировать в новые ИИ-модели, которые будут учитывать все бизнес-данные, а не поддерживать несколько моделей, работающих изолированно.

    Эталонная ИИ-архитектура, обеспечивающая целостное и гибкое внедрение ИИ, предполагает сочетание многоуровневого подхода и модульности разработки ИИ для нивелирования каких-либо зависимостей от базовых технологий и обеспечения всем заинтересованным сторонам в области ИИ возможность участвовать в процессе разработки.

    ИИ-архитектура должна состоять из пяти элементов-модулей, каждый из которых может быть разработан независимо друг от друга со своими пользователями, интерфейсом, технологиями, службами и сценариями развертывания. Реализация каждого модуля связана с используемым технологическим стеком компании. Это позволяет внедрять лучшие в своем классе решения, не зависят от одной технологии или поставщика.

    Содержание:

    Эталонная ИИ-инфраструктура

    Эталонная ИИ-инфраструктура по версии ГК Юзтех


    1. База знаний реализованных ИИ-моделей

    Этот модуль включает в себя единое представление всех артефактов ИИ: описание кейсов, фреймворков, моделей, исходных данных и других артефактов. Этот уровень предназначен в первую очередь для информирования об успешно внедренных ИИ-решениях всех заинтересованных сторон, включая конечных пользователей, тестировщиков, специалистов по обработке и анализу данных, операционных групп, команд по инфраструктуре и ИТ-менеджеров.

    2. Сервисы ИИ и классификатор реализованных ИИ-моделей по типам обрабатываемых данных, хранящихся в базе знаний (речь, текст, компьютерное зрение, табличные данные)

    В рамках данного модуля используется единый API и классификатор моделей, чтобы пользователи могли получать доступ к службам ИИ. Микросервисная архитектура позволяет каждому API предоставлять небольшие и четко определенные функции. Этот модуль также дает возможность использовать одну ИИ-модель в нескольких приложениях.

    3. Среда разработки новых ИИ-моделей и настройки существующих (управление полным жизненным циклом ИИ-моделей)

    Этот модуль включает инструменты и платформы разработки, которые стандартизируют жизненный цикл ИИ. Он собирает артефакты ИИ (версии и метаданные) в моделях для повторного использования. Этот уровень позволяет специалистам по обработке и анализу данных использовать средства разработки машинного обучения для создания и развертывания моделей в компании. Кроме того, он помогает проверять работу моделей и настраивать политики ИИ-решения.

    4. Серверная и сетевая инфраструктуры для хранения данных, обучения и исполнения ИИ-моделей

    Этот модуль оптимизирует инфраструктуру для нескольких поставщиков, обеспечивая при этом достаточную вычислительную мощность для обучения модели. Кросс-функциональные команды разрабатывают эти модели таким образом, чтобы они были актуальны для подразделений по всему предприятию. Уровень управляет хранилищем данных, размещает приложения (локально и в облаке), обучает модели ИИ и исполняет модели.

    5. Центр управления и мониторинга реализованных ИИ-моделей

    Этот сервис обеспечивает согласованность и оптимизацию систем ИИ во всех бизнес-функциях, собирает метрики ИИ, сопоставляет их с ключевыми показателями эффективности бизнеса. Этот уровень позволяет бизнесу оценивать эффективность использования модели и вмешиваться, если модель ИИ переобучена или не дает ожидаемых результатов.

    Заключение

    Роль искусственного интеллекта в бизнесе возрастает благодаря способности ИИ снижать издержки и повышать эффективность работы. В эпоху цифровой трансформации использование наилучших доступных технологий — это уже не вопрос конкурентного преимущества, а вопрос выживания и поддержания работы предприятия в актуальном состоянии. Искусственный интеллект не только способен повысить производительность человека, но и полностью автоматизировать многие бизнес-процессы.

    Несмотря на то, что это прогнозы, предприятия должны начать переосмысливать взаимодействие людей и машин в эпоху цифровой трансформации уже сейчас во избежание дублирования затрат и разработки локальных ИИ решений на каком-либо из участков бизнес-процесса, которые могут иметь существенные барьеры развития.

    Эталонная ИИ-инфраструктура

    Илья Смирнов

    Руководитель практики ГК Юзтех
    Источник

    Оставьте ответ

    Ваш электронный адрес не будет опубликован.