ИИ не плачет от сложных задач. Он плачет от ваших данных

На днях был на сессии по ИИ в пищевых компаниях. Сидел, слушал, и в какой-то момент поймал себя на мысли: проблемы у всех одинаковые.

Хорошая новость: ИИ распробовали.
Это уже не «давайте попробуем, вдруг хайп». Компании реально получают эффект и чувствуют его на процессах — прогнозирование спроса, контроль качества, оптимизация производства, работа с документами. Скепсиса «а зачем нам это» стало заметно меньше.

Плохая новость: многие компании застряли в «пилоте».
Вот тут начинается интересное. Пилотов — достаточно. А переход от пилота к нормальному масштабированию — у единиц. И тому, конечно, есть объяснение. Основные причины три: данные, финансы и серверные мощности.

Якорь №1 — данные. Самый коварный. О нём подробно ниже.

Якорь №2 — финансы. Пилот стоит относительно недорого — это эксперимент на ограниченном куске. А масштабирование — это уже другой бюджет: на всю инфраструктуру, интеграции, людей и поддержку. И часто оказывается, что денег заложили на «попробовать», а не на «жить с этим постоянно».

Якорь №3 — серверные мощности. Развернуть модель в проде — это вам не ноутбук дата-сайентиста. Нужны мощности, чтобы модель работала стабильно и быстро на реальных объёмах. И вот здесь компания внезапно упирается в железо, облако, их стоимость — и в безопасность данных. Куда складывать чувствительную информацию, как её защитить и не отдать лишнего «на сторону» — вопрос, который на пилоте обычно откладывают, а на масштабе он встаёт в полный рост.

А теперь — про первый и самый болезненный якорь.
Когда пилот делают, данные готовят «в вакууме».
Под конкретную узкую задачу аккуратно собирают красивый, чистый, размеченный датасет. Часто — почти вручную.

А потом наступает масштабирование. И выясняется, что кормить ИИ в реальном процессе… нечем.

Потому что данные:
— либо вообще не собирали;
— либо собирали, но в журналах, тетрадках и в голове у Степаныча из ночной смены;
— либо они раскиданы по пяти системам, которые друг с другом не разговаривают;
— либо собраны, но не размечены — и для модели это просто шум.

И вот ИИ тихо плачет в углу. Пилот-то взлетел. А воз, как говорится, и ныне там.

Главный вывод, который мало кому нравится.
Финансы, серверы и даже безопасность — вопросы важные, но решаемые: бюджет можно спланировать, мощности — арендовать, контур — защитить.

А вот данные за выходные не нарастишь. Если их годами собирали как попало, никакие деньги и серверы не спасут — модели просто не на чем учиться.

Поэтому самым актуальным становится вещи поскучнее, но решающие всё:
— ИТ-архитектура — как у вас вообще движутся и хранятся данные;
— структура и качество данных — собираете ли вы их системно, а не «когда вспомнили»;
— разметка и единая база — превращены ли данные в то, что модель может понять и переварить.

Звучит не так эффектно, как «мы запустили ИИ». На слайде красиво не покажешь. Зато именно это превращает удачный пилот в работающий инструмент.

Так что если резюмировать одной фразой: данные — это ваше узкое место. И чем раньше вы наведёте там порядок, тем дешевле и быстрее потом полетит всё остальное — и финансы, и мощности приложатся.

Поняв это, сейчас активно в проектах, стараюсь с лидерами проектов обсуждать этот , момент вроде люди понимают,что дело нужное , но нудное и делать не хочется ) такие дела!

Вы, что думаете , согласны что данные большая проблема , чем финансы ?