С тех пор как нейросети стали переходить из категории технологических новшеств в зрелые и необходимые инструменты для бизнеса, компании столкнулись с выбором: внедрять решения на основе ИИ сейчас или ждать их усовершенствования. На сегодняшний день этот вопрос уже не актуален — на его место пришел новый: внедрять готовую ИИ-модель или разрабатывать собственную? Ответ на этот вопрос не так очевиден, поскольку у каждого варианта есть свои плюсы и минусы. О недостатках и преимуществах рассказывает Михаил Красильников, кандидат физико-математических наук, директор департамента разработки и внедрения систем искусственного интеллекта ИТ-компании BIA Technologies.
Решения от внешних вендоров: плюсы и ограничения
Когда у компании нет собственной команды разработчиков, естественным шагом становится выбор готового внешнего решения. Данный подход действительно имеет свои плюсы, однако важно отметить, что эти преимущества часто ситуативны и могут быть ограничены определенными обстоятельствами.
Среди очевидных преимуществ готовых ИИ-инструментов выделяются как общие для всех программных решений, так и специфичные, относящиеся только к нейросетевым продуктам.
Скорость поставки. Если внедрение системы не задевает множество бизнес-процессов и автоматизирует локальные операции, её можно быстро интегрировать в организацию. Однако это преимущество не касается сложных решений, требующих комплексного подключения. В этом случае могут понадобиться внешние специалисты для настройки системы, а также работники компании для связи с внутренними источниками данных, что отвлечет их от основной работы.
Широта экспертизы. Если рассмотренное готовое решение имеет множество внедрений, это подразумевает богатую экспертизу у поставщика. Я считаю, что о реальной экспертизе можно говорить, если разработчик осуществил не менее трёх внедрений аналогичных систем в разных компаниях.
Простота развертывания системы. Часто коробочные решения легки в плане вычислительных требований, так как избегают сложных CI/CD-процессов. Однако стоимость дополнительных серверных ресурсов и необходимость привлечения новых сотрудников противоречат идее доступности готового продукта. Поэтому разработчики акцентируют внимание на простоте поставки. Некоторые вендоры предлагают услуги в формате SaaS, однако крупные организации зачастую видят риски в использовании внешних сервисов, касающиеся безопасности и контроля над данными.
Стоимость. Существует простая закономерность: чем меньше размер бизнеса, тем меньше ему требуется функциональности и аналитических инструментов. Соответственно, более крупные и сложные компании предъявляют более высокие требования к разработке, что увеличивает стоимость проекта. В результате коробочные решения чаще требуют меньших бюджетов и подходят для небольших компаний.
Инфраструктура и данные. Значительным плюсом готовых ИИ-решений является наличие у вендора обширного набора данных для обучения модели, которых может не быть у заказчика. Эти данные обычно собираются и обрабатываются в течение длительного времени, что позволяет создавать более точные и эффективные модели. Кроме того, ИТ-компании могут использовать разнообразные источники информации, что способствует повышению качества обучения и общей производительности решений. Наличие у вендоров инфраструктуры для обучения на данных компании-заказчика также имеет значение. Например, для создания одной из самых известных языковых моделей потребовалось около тысячи GPU NVIDIA A100, что оценочно могло стоить компании порядка $5 млн.
Стандарты внедрения и соблюдение законодательства. Еще одно преимущество готовых ИИ-решений заключается в наличии у разработчика выработанных стандартов по развертыванию ПО, что значительно повышает качество реализации продукта. Обычно это уже проверенные методологии и лучшие практики, которые помогают минимизировать риски и ускорить процесс.
Кроме того, приобретая готовое решение, заказчик может быть уверен в соответствии продукта действующим правовым нормам, а вендор отслеживает изменения и своевременно будет информировать заказчика при обновлении продукта.
Собственная разработка: преимущества и недостатки
Чем больше компания, тем более масштабными становятся её задачи, что подразумевает наличие ресурсов для собственной разработки. Поэтому крупные корпорации чаще выбирают этот путь. У такого подхода есть как преимущества, так и недостатки.
Решение как ключевая компетенция. Например, алгоритм рекомендаций популярного стримингового сервиса является значительным конкурентным преимуществом. Такой ресурс, разработанный командой внутри компании, приносит огромную прибыль. Однако для получения выдающегося решения необходимы значительные вложения в научно-исследовательские работы (R&D).
Удобство интеграции. Если в организации много кастомизаций, внешним поставщикам сложнее адаптировать свои решения к данным заказчика. Разработчики «коробки» ориентируются на типовые ситуации, в то время как внутренние специалисты создают решения, исходя из особенностей собственного ИТ-ландшафта.
Независимость. Решение может быть получено у вендора под определённые условия, однако позднее стоимость услуги может измениться. Например, если компания в течение года использует ИИ-сервис, а затем разработчик в 10 раз увеличивает цену. В этом случае отказ от решения потребует дополнительных усилий по перестройке и переобучению персонала. Также стоит учитывать риск неожиданного ухода вендора с рынка.
Необходима сильная ИТ-команда. В большинстве случаев нужны специалисты с экспертизой, соответствующей требованиям задачи, а также опытом работы в компании от трех до пяти лет. Это позволяет лучше разобраться в особенностях внедрения и обработки данных. Наличие таких специалистов в компании даёт значительное преимущество, однако формирование новой команды может быть сложным процессом, требующим времени на адаптацию.
Что выбрать?
Есть ситуации, когда выбор очевиден: в отсутствии бюджета и квалифицированной команды разработчиков альтернативы внешнему решению нет. В крупных компаниях с уникальной инфраструктурой и непростыми задачами остаётся только вариант собственной разработки. Но иногда ситуация может быть пограничной, когда есть доводы в пользу обоих подходов. В таких случаях полезно учесть несколько моментов.
Все, что касается экономики, ценообразования и систем безопасности, предпочтительнее разрабатывать внутри компании. В противном случае есть риск потерять конкурентные преимущества, так как третья сторона сможет быстрее создать аналогичное решение, зная о разработке. Сохраняя конфиденциальность, бизнес может выиграть время, пока соперник разрабатывает подобный продукт.
Если в компании имеются уникальные, такие как финансовые и юридические данные, которые не следует передавать для обучения внешним моделям, это также является поводом для выбора собственной разработки. Обфусцирование данных — сложный процесс, и порой труднее, чем разрабатывать собственное решение.
Также важно учитывать риск смещения модели. Например, если вендор обучал алгоритм на одном наборе данных, а в компании используются другие данные, модель может оказаться неактуальной.
Если принято решение о разработке ИИ-модели, соответствующей нуждам компании (либо самостоятельно, либо с привлечением сторонних специалистов), важно сосредоточиться на основах технологии. Возможно, стоит начать с доступных недорогих моделей для формирования практического опыта и первоначальных требований для дальнейшей доработки.