Тренды в работе с данными и искусственным интеллектом 2024/2025

Некоторые компании, несмотря на события последних лет, только встают на путь импортозамещения, работы с открытыми программными решениями и начинают переход на модели, снижающие возможность вендор-лока. Такие тенденции есть как в применении систем в промышленности, так и использования ИИ в логистике (трекинговые системы), а также в страховых и банковских услугах (скоринг). 

Объем проектов по работе с данными у группы ‎Рексофт увеличился на 40%, что связано с активизацией импортозамещения.

Распространение применения генеративного искусственного интеллекта в бизнес-процессах сегодня отмечается практически во всех сферах — от финансов и ритейла до промышленности. Так, если в прошлом году такими возможностями интересовались, то в 2024 году уже появляются продакшн-решения, основанные на GPT-подобных моделях.

Например, крупнейшие компании России внедряют такие решения для обобщения и анализа документации, что позволяет в том числе создавать обучающие материалы для различных категорий специалистов. Эффективность этого подхода особенно заметна в компаниях от 1000+ сотрудников. Помимо разработки учебных материалов ИИ-ассистенты могут использоваться для оптимизации работы с какой-то специфичной нормативной документацией, например, юридической. 

Наиболее применимой технологией в данном случае является RAG, Retrieval Augmented Generation, — техника, позволяющая дополнить знания больших языковых моделей (LLM) внутренними данными. Основная идея заключается в том, чтобы расширить возможности LLM, предоставляя им доступ к специфической информации, которая не входит в их исходный обучающий набор данных. 

Еще одно применение больших языковых моделей в бизнесе связано с внедрением мультиагентского подхода. В этом случае нейросеть, обученная на данных компании, исполняет роль различных сотрудников, например, финансового, технического и HR-директора, что позволяет готовить тезисы и анализировать различные подходы к бизнес-задачам до начала личной коммуникации с сотрудниками. 

Предварительная консультация с нейросетями помогает отсеивать наименее жизнесобные идеи, а на обсуждение с командами выносить подготовленные аргументы. Подобная технология только начинает внедряться в процессы принятия решений, поэтому статистики эффективности не собрано, однако, по опыту применения, мультиагентский подход позволяет экономить один-два часа на задачу только на совещаниях для каждого задействованного топ-менеджера. 

На сегодняшний день многие компании, в том числе и российские, предлагают решения-ассистенты, позволяющие генерировать и анализировать код. В данный момент наиболее известным таким продуктом остается Copilot. Однако существуют и российские аналоги — Yandex Code Assistant от Яндекса, MTS AI от МТС, GigaCode от Сбера, а также эффективные open source решения китайских провайдеров. Например, сейчас разработчики могут создать прототип многостраничного веб-ресурса приблизительно за день, что значительно оптимизирует усилия на этапе коммерческого предложения, при этом все задачи могут быть выполнены одним специалистом вместо трех или четырех. 

С учетом скорости развития технологий, можно предполагать, что в ближайшей перспективе начнется «гонка»‎ производителей по внедрению подобных решений в полный цикл производства ПО: создание кода, верификацию, развертывание, тестирование. На данный момент эффективность использования подобных ассистентов на разных этапах в российских компаниях составляет до 15%. 

Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!