ИТ-инфраструктура без сбоев: ИИ и виртуализация в энергетике

Почему компании энергетического сектора переходят на отечественные решения и какие реальные выгоды это приносит? Виталий Попов, директор департамента реализации инфраструктурных проектов, рассказывает о том, как команда реализовала масштабное обновление IT-инфраструктуры, какие технологии были задействованы и как искусственный интеллект уже сегодня помогает оптимизировать процессы.

Виталий, расскажите, с какой проблемой столкнулась компания, и какие были ключевые вызовы при модернизации инфраструктуры?

Ранее используемая система виртуализации компании имела несколько критических ограничений. В первую очередь, это недостаточная производительность, сложность масштабирования и невысокая отказоустойчивость. В энергетическом секторе, где критически важны стабильность и надежность, такие проблемы могли привести к серьезным последствиям. Также необходимо было учитывать требования информационной безопасности, особенно в условиях импортозамещения. Именно поэтому компания приняла решение о модернизации инфраструктуры, выбрав отечественные решения и более современные технологические подходы.

Какие решения были предложены и реализованы в рамках проекта?

Мы подошли к задаче комплексно. В первую очередь, модернизировали вычислительные мощности, установив российские серверы. Следующим шагом стало развертывание платформы виртуализации на базе отечественного ПО Space VM с кластером из четырех узлов и централизованным контроллером. Немаловажным аспектом стало обновление системы хранения данных. Мы установили массивы российского производства с поддержкой RAID 6 и RAID 60, а также использовали SSD-накопители и HDD-решения для обеспечения работы приложений с различными требованиями к IOPS. Кроме того, интегрировали современные системы безопасности, включая поддержку аутентификации через LDAP, разграничение доступа по RBAC-модели и интеграцию с Kaspersky Endpoint Security.

Для отчетности была выбрана Grafana — инструмент, который позволяет детально контролировать метрики производительности узлов и виртуальных машин. А чтобы гарантировать отказоустойчивость, мы реализовали репликацию контроллеров по модели master-slave, что позволило автоматически восстанавливать виртуальные машины при сбоях.

Какие результаты удалось достичь после внедрения новой системы?

В первую очередь, значительно повысилась отказоустойчивость платформы благодаря резервированию вычислительных узлов и модернизации системы хранения данных. Производительность выросла за счет использования SSD и оптимизации гипервизора. Кроме того, за счет централизованного управления и автоматизации процессов снизились затраты на администрирование. И, конечно, вся система теперь полностью соответствует требованиям ФСТЭК России и принципам импортозамещения, что является важнейшим фактором для энергетического сектора.

Помимо модернизации инфраструктуры, компания тестирует ИИ-решения. Какие задачи они решают?

Мы провели пилотирование искусственного интеллекта для автоматизации работы с базами знаний и обработки обращений в Service Desk. Основная цель — ускорить поиск информации, снизить нагрузку на техподдержку и повысить качество обслуживания. Мы протестировали два основных направления.

Первое — это чат-бот с доступом к базе знаний. Пользователи часто сталкиваются с проблемой долгого поиска информации в разрастающейся документации. Чат-бот позволяет автоматически извлекать ключевые слова, учитывать контекст, подсвечивать релевантные фрагменты и предоставлять ссылки на источники. Лучшие результаты показала модель QwQ:32B, которая дала 9 из 9 корректных ответов. Остальные модели, такие как DeepSeek-R1:32B, llama3.1:8b, gemma3:12b, давали компактные, но не всегда полные ответы.

Второе направление — категоризация обращений в Service Desk. Здесь основная сложность в размытых формулировках и дублировании запросов. Мы использовали алгоритмы поиска схожести в базе знаний и уточнение через LLM. Однако классификатор требует доработки, так как часто возникают ошибки из-за некорректных категорий и пересечения ключевых слов.

Какие выводы можно сделать по итогам тестирования?

Чат-бот уже рекомендован к внедрению, поскольку он показал отличные результаты. А вот классификатор обращений требует доработки. Необходимо улучшить описания категорий, исключить дублирование ключевых слов и сбалансировать данные. В ближайших планах — оптимизация моделей и тестирование их на расширенной базе данных.

Виталий, можно ли сказать, что внедрение виртуализации и пилотирование ИИ показали высокий потенциал этих технологий?

Однозначно! Благодаря комплексному подходу к модернизации IT-инфраструктуры компания получила отказоустойчивую и высокопроизводительную систему, соответствующую требованиям безопасности. А пилотные проекты с ИИ продемонстрировали, как машинное обучение может упростить работу с информацией и повысить эффективность технической поддержки. Мы продолжаем развивать инновационные решения, помогая компаниям оптимизировать их IT-процессы и внедрять современные технологии.