Предиктивный ИИ: российский код будущего

На фоне глобального бума генеративного ИИ в России сохраняется ниша для развития альтернативных направлений искусственного интеллекта. О потенциальных конкурентных преимуществах российской школы в области прогнозной аналитики и о вызовах, стоящих на пути ее внедрения в реальный сектор экономики, в интервью РБК Компании рассказал генеральный директор компании «Стратегия Ра» Игорь Краев.

Игорь Владимирович, сегодня доминирующий тренд в ИИ — это генеративные модели. Насколько это направление актуально для России?

Глобальная гонка в области больших языковых моделей требует колоссальных инвестиций в вычислительные мощности, которые измеряются миллиардами долларов. Для многих стран, включая Россию, попытка конкурировать в этой области на условиях догоняющего может быть не самым эффективным распределением ресурсов. Это не означает, что направление не важно, но оно создает высокий барьер для входа. 

Альтернативой может быть фокус на тех сегментах, где уже сегодня существует сформированный научный задел и конкретные потребности промышленности, сельском хозяйстве и государственном управлении. Одним из таких сегментов является прогнозный искусственный интеллект, ориентированный на анализ данных и поддержку принятия решений в условиях неопределенности.

В чем заключается специфика и потенциальные преимущества именно прогнозного ИИ?

В отличие от моделей, генерирующих контент, прогнозный ИИ фокусируется на анализе многомерных данных по тысячам параметров для выявления скрытых закономерностей и построения сценариев. 

Его сила — в работе с задачами, где человеческое мышление ограничено объемом и скоростью обработки информации. Речь идет действительно о тысячах взаимосвязанных параметров: от логистических цепочек и рыночных цен до показаний датчиков на производстве. 

Исторически сильной стороной российской инженерной школы как раз была подготовка специалистов, способных работать в условиях неполных данных и строить прогнозные модели, что создает хорошую основу для развития этого направления.

Где, на ваш взгляд, прогнозная аналитика может дать максимальный эффект?

Наиболее востребованными такие решения видятся в реальном секторе экономики: в логистике, энергетике, строительстве, сельском хозяйстве. 

Например, в рамках одного из отраслевых проектов в сфере портовой инфраструктуры стояла задача не просто автоматизировать учет, а создать систему для предиктивного управления рисками. Аналитическая платформа агрегировала данные из множества источников — государственных реестров, систем мониторинга поставок, данных о рыночной конъюнктуре — и оценивала вероятность срывов сроков или поставок. Такой подход позволяет перейти от реагирования на проблемы к их упреждающему предсказанию.

Насколько подобные системы доступны для среднего и малого бизнеса, или это все еще удел крупных корпораций?

Это ключевой вопрос для массового применения технологии. Традиционно сложные системы аналитики требуют значительных инвестиций в инфраструктуру и экспертизу, что создает барьер для небольших компаний. Однако современный тренд заключается в разработке решений, которые могут интегрироваться в существующую ИТ-инфраструктуру бизнеса через стандартные шлюзы и API. Это позволяет подключать аналитические модули к уже работающим системам — бухгалтерским, логистическим, ERP — без их полной замены. 

Таким образом, малый и средний бизнес потенциально может получать доступ к инструментам прогнозной аналитики по модели SaaS (программное обеспечение как услуга), что снижает порог входа.

С какими основными вызовами сталкивается внедрение прогнозного ИИ в промышленности?

Можно выделить несколько системных проблем:

1. Качество и доступность данных. Эффективность любой прогнозной модели напрямую зависит от объема, структурированности и релевантности данных, что является серьезным препятствием для многих предприятий из-за разрозненности технологий, и для некоторых, практически полного отсутствия цифровизации.
2. Дефицит кадров. Разработка и, что важнее, эксплуатация таких систем требуют специалистов на стыке управления данными и предметной области.
3. Сложность интеграции. Внедрение всегда сопряжено с необходимостью адаптации под существующие бизнес-процессы и может встречать сопротивление не только топ-менеджеров, но и рядового персонала.
4. Вопросы доверия. Для управленцев «черный ящик», выдающий прогноз, часто менее убедителен, чем традиционные отчеты. Необходима интерпретируемость результатов и развитие определенной культуры взаимодействия с подобными решениями.

Какие условия необходимы для успешного развития этого направления в России?

Требуется комплексный подход, включающий:

• Стимулирование спроса на применение прогнозного искусственного интеллекта со стороны реального сектора через демонстрацию успешных пилотных проектов и расчет возврата на инвестиции.
• Развитие образовательных программ, готовящих специалистов, способных работать с промышленными данными и аналитическими моделями, а также управленцев, понимающих принципы работы и потенциал таких решений.
• Формирование отраслевых стандартов и практик по сбору и обработке данных, что упростит тиражирование решений.
• Создание регуляторной среды, способствующей тестированию и внедрению новых технологий.

Ваш прогноз: сможет ли Россия занять заметную нишу в глобальной экосистеме ИИ, делая ставку на такие направления?

Мировой опыт показывает, что технологический суверенитет строится не на копировании, а на развитии собственных компетенций в тех областях, где есть уникальные изначальные условия и потенциал. Прогнозная аналитика для управления сложными производственными и логистическими системами — как раз для России такая область. 

Успех будет зависеть от способности консолидировать усилия науки, бизнеса и государства вокруг этой стратегической цели.