Как стать автором
Обновить
49.13
Ингосстрах
Строим ИТ в большой страховой

Искусственный интеллект без иллюзий: от модных трендов к реальным решениям

Уровень сложностиПростой
Время на прочтение7 мин
Количество просмотров2.5K

Прошедший год стал переломным моментом для искусственного интеллекта, когда технологии, ещё недавно кажущиеся чем-то из области фантастики, начали закрепляться в реальных бизнес-процессах и научных исследованиях. Как человек, который следит за развитием ИИ и его влиянием на разные сферы, я хочу поделиться с вами свежими наблюдениями и трендами, которые уже сегодня формируют будущее.

В статье будет рассмотрено, как искусственный интеллект достигает зрелости, перемещаясь от периода хайпа к конкретным решениям. Вы узнаете о ключевых технологиях и методах, ставших актуальными в 2024 году, о том, как компании адаптируются к новым вызовам, а также о причинах, по которым композитный ИИ, RAG и графы знаний становятся наиболее значимыми.

2024 год стал для ИИ годом зрелости и осознания реальных возможностей технологий. Мы наблюдаем, как ажиотаж вокруг генеративных моделей уступает место более практичным и проверенным решениям, которые активно применяются в бизнесе. Компании всё чаще выбирают подходы, сочетающие разные методы ИИ, такие как композитный ИИ, чтобы создавать гибкие и масштабируемые решения. В фокусе остаётся не только достижение технологического прогресса, но и решение этических, социальных и регуляторных вопросов. Это время, когда ИИ превращается из эксперимента в инструмент, способный делать реальную работу.

Agentic AI

Одним из ключевых направлений стало развитие Agentic AI — систем, способных автономно решать задачи без постоянного вмешательства человека. Уже сейчас такие решения активно применяются для автоматизации рутинных процессов, например, в HR (обработка запросов сотрудников) или в управлении цепочками поставок.

Сравнение OpenAI o1 - Gemini 2.0

Представленные в 2024 году OpenAI o1 и Gemini 2.0 подняли планку возможностей. Эти модели не просто генерируют текст — они умеют анализировать сложные сценарии и декомпозировать задачи на последовательные этапы. GPT-o1 значительно превосходит GPT-4o в задачах, связанных с математикой и логикой, демонстрируя более высокую точность и способность к пошаговому анализу сложных задач. В области работы с текстами разница между моделями менее выражена, но GPT-o1 всё же показывает преимущество в контекстной интерпретации и обработке текстовой информации. Это делает её особенно ценной для таких сфер, как программирование, медицина и юриспруденция, где важны точность, логика и последовательность. На рисунке ниже отлично видно, как o1 справляется с задачами разной сложности, и это, пожалуй, один из самых интересных шагов в развитии ИИ за последние годы.

Возможности ChatGPT o1
Возможности ChatGPT o1

GenAI

Генеративный ИИ (далее GenAI) также расширяет свои возможности. Если раньше его основным применением было создание текстов и изображений, то в 2025 году фокус заметно смещается на более амбициозные задачи — создание виртуальных миров. Одним из ярких примеров этого тренда стала новая разработка от Google DeepMind — модель Genie 2. Её ключевая особенность в том, что она способна преобразовывать статичные изображения в интерактивные виртуальные среды.

Genie 2: A large-scale foundation world model - Google DeepMind
Genie 2: A large-scale foundation world model - Google DeepMind

Как это работает? Исходный снимок игрового мира с воином передаётся через модель Imagen 3, которая кодирует сцену в форму структурированных данных. Затем с помощью энкодера и декодера модель обрабатывает пользовательские команды, такие как движение вперёд ("W"), поворот влево ("A") и атака ("E"), генерируя соответствующие изменения сцены. Этот процесс позволяет на основе статичного изображения создавать динамичные сценарии, реагирующие на действия пользователя в режиме реального времени.

ИИ в науке

Также стоит отметить увеличение роли ИИ в науке. В 2024 году Microsoft Research представила систему AI2BMD, которая ускорила процесс моделирования биомолекулярной динамики.

figure 1
Пайплайн  AI2BMD

AI2BMD стал настоящим прорывом в области моделирования динамики биомолекул. Используя подход ab initio, который ранее был недоступен из-за огромных вычислительных затрат, система добилась впечатляющих результатов. Благодаря комбинации метода фрагментации белков и машинного обучения, AI2BMD позволяет проводить расчёты с квантовой точностью, при этом сокращая время моделирования на несколько порядков по сравнению с традиционными методами, такими как теория функционала плотности.

Это не просто ускорение вычислений — это революция, которая открывает доступ к моделированию сложнейших биологических систем, ранее недостижимых для анализа. Теперь можно с высокой точностью исследовать динамику крупных белков и других биомолекул, что значительно дополняет лабораторные эксперименты. AI2BMD уже сейчас расширяет границы биомедицинских исследований, создавая новые возможности для разработки лекарств, изучения заболеваний и понимания фундаментальных биологических процессов.

RAG

Работа с неструктурированными данными, такими как текст, изображения или видео, становится одним из ключевых направлений в развитии технологий. Одним из самых интересных подходов здесь является Retrieval-Augmented Generation (далее - RAG), который позволяет эффективно интегрировать и анализировать огромные массивы данных. Эта методика особенно актуальна для компаний, которые хотят повысить продуктивность своих сотрудников, упростив доступ к информации.

Принципы работы RAG
Принципы работы RAG

Как это работает? Всё довольно просто. Пользователь вводит запрос — например, ищет данные о проекте или хочет уточнить детали сложного процесса. Система запускает семантический поиск по внутренним базам компании, извлекая наиболее релевантную информацию. Эти данные передаются в языковую модель, которая использует их в качестве контекста для формирования ответа. В результате пользователь получает не просто сгенерированный текст, а полноценный ответ, основанный на корпоративных источниках.

Такой подход отлично зарекомендовал себя в работе с большими объёмами данных. Он позволяет мгновенно находить нужную информацию, анализировать её и представлять в понятной форме, что особенно важно в тех случаях, когда требуется объяснить сложные процессы или ускорить принятие решений. RAG уже показал свою эффективность в различных отраслях и продолжает набирать популярность как инструмент, способный раскрыть полный потенциал корпоративных данных.

Hype cycle for AI

При анализе основных трендов ушедшего года, мне попался очень интересный график от не малоизвестной консалтинговой компании Gartner. Ежегодно Компания разрабатывает Hype cycle for AI - концептуальную модель, которая описывает стадии развития и принятия технологий ИИ. Она помогает понять, на каком этапе находится конкретная технология, и предсказать её развитие.

Hype Cycle for Artificial Intelligence
Hype Cycle for Artificial Intelligence

2024 год стал годом трезвого и практичного взгляда на искусственный интеллект. Компании начали отходить от завышенных ожиданий и модных трендов, переключившись на проверенные, рабочие решения GenAI, который ещё недавно находился в центре внимания, утратил статус "главного героя", но сохранил стратегическое значение. Бизнес сосредоточился на проектах, использующих устоявшиеся методы ИИ, которые часто комбинируются с генеративными моделями. Такой подход, основанный на стандартизированных процессах, позволяет достигать предсказуемых результатов и упрощает внедрение технологий.

Несмотря на спад «хайп», GenAI продолжил активно использоваться для автоматизации рабочих процессов, создания контента, его проверки на достоверность, а также для улучшения взаимодействия с клиентами и сотрудниками. Однако технология столкнулась с рядом проблем. Среди них — необходимость решения этических и социальных вопросов, таких как борьба с дезинформацией и deepfake, отсутствие единых стандартов безопасности и ужесточение регуляторного контроля. Компании всё чаще обращали внимание на необходимость устранения предвзятости в данных, защиты конфиденциальной информации и обеспечения прозрачности работы ИИ. Эти вызовы привели к более взвешенному подходу в использовании технологий, где акцент был сделан на качество данных, соблюдение норм безопасности и долгосрочную масштабируемость.

Согласно Gartner одной из ключевых технологий года стал композитный ИИ. Этот подход объединяет различные методы, включая машинное обучение, обработку естественного языка и графы знаний, что позволяет создавать более гибкие и адаптивные решения. Композитный подход оказался особенно полезным в задачах, где одна технология не могла обеспечить желаемого результата. Например, сочетание правил и алгоритмов машинного обучения улучшило обработку неструктурированных данных, что позволило извлекать больше пользы из разнородных источников. Композитный ИИ также помог снижать риски за счёт распределения нагрузки между различными методами, что делает системы более надёжными и устойчивыми.

Для масштабного внедрения технологий компании начали активно использовать инженерные подходы вроде DataOps, ModelOps и DevOps. Эти методики структурировали процессы работы с данными и моделями, что позволило сократить разрыв между экспериментами и реальной эксплуатацией ИИ. Одной из главных трудностей оставалась нехватка инфраструктуры, однако внедрение подобных подходов сделало процессы внедрения более предсказуемыми и повторяемыми.

Графы знаний заняли важное место в развитии ИИ (выйдя на плато продуктивности по Gartner). Они позволяют визуализировать сложные взаимосвязи и обеспечивают объяснимость решений, что выгодно отличает их от генеративных моделей, склонных к ошибкам. Графы знаний не только обеспечивают надёжность и логику, но и помогают справляться с задачами, которые ранее считались слишком сложными из-за их ресурсоёмкости. В сочетании с композитным ИИ графы знаний стали ключевым инструментом для решения таких задач, как управление цепочками поставок или обработка больших объёмов разнородной информации. Эти технологии заложили основу для построения будущих архитектур ИИ, где гибкость, точность и надёжность становятся стандартом.

Как итог:

ИИ продолжает изменять бизнес и науку, переходя от экспериментов к повседневным решениям, которые действительно работают. 2024 год чётко показал, что успех в применении ИИ требует не только технологической экспертизы, но и грамотного управления данными, этики и безопасности. Компании, которые сделали ставку на композитные подходы и качественную инфраструктуру, уже сейчас получают конкурентное преимущество. Будущее ИИ видится не как гонка за новыми моделями, а как создание надёжных, адаптивных систем, которые меняют не только бизнес, но и повседневную жизнь.

 

Какие из этих технологий, на ваш взгляд, окажут наибольшее влияние на развитие бизнеса и общества в 2025 году?

 

Теги:
Хабы:
Всего голосов 2: ↑2 и ↓0+2
Комментарии4

Публикации

Информация

Сайт
www.ingos.ru
Дата регистрации
Дата основания
Численность
5 001–10 000 человек
Местоположение
Россия
Представитель
Eline