Последнее время про генеративный ИИ не говорит и не пишет только ленивый (я вот, например, точно не ленивый). Причем это последнее время тянется уже минимум года 2–3 — с тех пор, как, собственно, OpenAI прогремели с ChatGPT 3. И скажу даже больше, если посмотреть на профильные ИИ‑конференции, то 80-90% докладов будет про генеративный ИИ. А если посмотреть на отраслевые конференции, то 80-90% докладов про применение ИИ в той или иной отрасли.

Честно скажу — такое засилье генИИ меня несколько удивляет. Складывается ощущение, что никакого другого ИИ уже не существует и все уже забыли про видеоаналитику, предиктивку и вот эти все непонятные слова.

Что любопытно, если посмотреть на оценки экономического эффекта от внедрения генИИ, то он достаточно скромен — 20%, по данным исследования «Яков и Партнеры». Вот и получается — 80% шума дает нам ИИ, который на самом деле принесет только 20% денег. Такой «принцип Парето» наоборот получается. И эти цифры меня заставили задуматься — а в чем же причина такой популярности генеративного ИИ, и почему так много шума из‑за не самой полезной темы?

Когда мы говорим про решения на базе ИИ, кто-то может представлять себе просто обученные модели машинного обучения или нейросети, кто-то магический черный ящик, который умеет «делать магию» и желательно с «точностью 100%», а кто-то просто кусок кода, который надо заставить работать. И с определенной точки зрения каждый будет прав. Кто и в какой части прав, как все происходит чаще всего и какие типовые ошибки ждут на пути внедрения решений на базе ИИ – об этом решил рассказать в статье ниже.

Вопрос, который актуален для любого вида разработки и машинное обучение (ML) тут не исключение. Но при этом наверняка многие спросят - чем ваш ML отличается от стандартной разработки? Статей на эту тему уже написано вагон - читай, анализируй и выбирай нужный путь. 

С одной стороны так оно и есть - и статей вагон и проанализировать есть что. С другой, стороны есть специфика - и этапность ML разработки несколько отличается от стандартной и работа идет не только с кодом, но и с данными.

Но давайте обо всем по порядку - в двух словах пробежимся по отличиям, а потом разберемся есть ли место аутсорсу в ML разработке и какое оно это место.

Машинное обучение выходит из зоны хайпа. И сложно однозначно сказать насколько это хорошо или плохо, но что совершенно точно видно - все больше людей задаются вопросами «а деньги где?», все меньше футуристических статей про тотальную победу машины над человеком, все больше докладов и обсуждений посвящается автоматизации и систематизации процессов работы над ML-проектами. И эта статья не будет исключением – хайп закончился, работать надо.

Если говорить про выстраивание каких-либо процессов, то лично я очень люблю оперировать термином «уровень зрелости». Ведь если перед глазами есть понятная оценочная шкала, всегда можно понять где ты находишься, что тебя ждет впереди, можно определиться с приоритетами и заняться налаживанием того что нужно здесь и сейчас, а не перепрыгивать через пару уровней и устраивать революцию, изобретая велосипед в придачу… а он ведь может потом и не пригодиться. В общем полезное со всех точек зрения упражнение.