«Простота, эффективность и большая вычислительная мощность»

СNews: В чем заключаются основные возможности и преимущества платформы Cloud.ru ML Space?

Дмитрий Юдин: Наша ML-платформа для разработки полного цикла решает задачи обучения моделей разного размера — начиная от типовых задач, например, обучения CV-моделей и рекомендательных алгоритмов, заканчивая обучением больших языковых моделей.

Одно из преимуществ Cloud.ru ML Space в том, что у пользователей есть возможность значительно сократить время, используя популярные инструменты ML-разработки как готовые сервисы. Например, можно воспользоваться уже готовыми образами, собранными специально для распределенного обучения, которое также доступно на платформе и помогает решать ресурсоемкие задачи, такие как дообучение или обучение LLM.

Cloud.ru ML Space — это набор компонентов, используя которые можно обеспечить более стабильную работу вычислительных ресурсов. Этого удается достичь за счет автоматической замены вычислительных узлов в кластере, которые из-за интенсивной нагрузки могут выходить из строя, а также возможности распределять приоритеты задач обучения и управлять очередью. Кроме того, наша ML-платформа предполагает проактивный мониторинг всех возможных ошибок. А их возникает много, если ресурсы работают под непрерывной нагрузкой на максимуме.

СNews: В чем в первую очередь выигрывают заказчики, выбирая ваш продукт?

Дмитрий Юдин: Мы берем на себя задачи отказоустойчивости, масштабируемости, а также другие рутинные задачи, необходимые в ML-разработке. Как один из примеров, на подготовку своего окружения может уходить значительное время, мы же предоставляем уже готовое окружение и сами следим за обновлением и актуализацией наполненности образов для обучения, содержащие в себе популярные инструменты, такие как: VSCode, PyTorch, Conda, MLFlow. Они предустановленные и доступны «из коробки». Также Cloud.ru гарантирует простоту, эффективность и большую вычислительную мощность ресурсов. Стоит упомянуть и поддержку, где наши инженеры готовы помочь и проконсультировать пользователей 24/7. В результате пользователь получает гибкую, надежную и функциональную платформу для end‑to‑end ML‑разработки, соответствующую 152-ФЗ.

СNews: На ваш взгляд, каковы горизонты возможностей искусственного интеллекта в сфере ритейла и ecom? Есть ли опыт иностранных компаний, на который уже можно ориентироваться?

Дмитрий Юдин: Горизонты возможностей искусственного интеллекта в этих областях безграничны: от стандартных кейсов, которые подразумевают организацию деятельности внутреннего персонала, до непосредственной работы с потребителями.

В частности, сеть оптовой и розничной торговли Walmart внедряет инструменты искусственного интеллекта, которые помогают пользователям задавать неформализованные запросы для поиска продуктов, ИИ позволяет их формализовать и выдавать итог в виде рекомендаций.

Сейчас многие ритейл-компании работают над тем, чтобы внедрять похожие технологии, и уже такие решения пилотируют.

Российский рынок не отстает в применении больших языковых моделей (LLM) для оптимизации процессов и сокращения сроков реализации проектов. Это хорошо демонстрируют примеры крупнейших российских маркетплейсов, которые уже активно применяют LLM и другие модели для оптимизации поиска и рекомендаций. Такие инновации не только повышают качество обслуживания клиентов, но и значительно увеличивают эффективность бизнес-процессов.

Использование LLM позволяет автоматизировать обработку огромных объемов данных, улучшать персонализацию предложений и предоставлять более точные рекомендации, что ведет к увеличению удовлетворенности клиентов и росту продаж. Более того, внедрение таких технологий способствует снижению операционных затрат, так как позволяет автоматизировать рутинные задачи и оптимизировать управление ресурсами.

«ИИ — это помощник, выполняющий рутинный функционал»

СNews: В каких департаментах генеративный ИИ используют наиболее эффективно и какие ключевые преимущества он дает?

Дмитрий Юдин: В первую очередь искусственный интеллект внедряют в департаментах и отделах, где риск его применения минимален. Все-таки ИИ еще не умеет на 100% полноценно выполнять поставленные задачи вместо человека. Его скорее нужно рассматривать как некого помощника, выполняющего рутинный функционал.

Один из распространенных сценариев — «умный поиск» по внутренней нормативной документации или AI-ассистенты, в том числе встроенные в HR- и юридические процессы ритейлеров.

В HR-департаменте генеративный искусственный интеллект используют для описания вакансий на основе профессиональных требований к позиции. AI таким образом сокращает рекрутеру время работы.

Также это хороший инструмент поддержки, который, например, помогает быстро оформить отпуск: он формулирует понятные инструкции, как все сделать без участия сотрудника.

В юридических департаментах генеративный ИИ может справиться с формализацией неформализованных запросов. Благодаря этим технологиям можно осуществить быстрый поиск по базе данных и сгенерировать наиболее клиентоцентричный ответ.

СNews: А как насчет сферы маркетинга?

Дмитрий Юдин: В этой области генеративный искусственный интеллект активно применяют последние пару лет.

В первую очередь речь идет о SEO-продвижении: за счет ИИ можно быстро проанализировать наиболее популярные запросы и правильно построить аналитику. Также он позволяет сгенерировать подходящие заголовки, и нужный сайт быстрее находят в интернете. Это помогает улучшить видимость интернет-магазинов в поисковых системах, привлекать целевой трафик и влиять на продажи.

Одним из способов применения ИИ в e-commerce является генерация карточек товара на маркетплейсах. Основная цель — автоматизация, оптимизация и качественное улучшение контента. Применение LLM в данного рода задачах помогает ускорить процесс и снизить затраты, к тому же это легко масштабируется.

Еще одно направление — решение проблемы «белого листа». Предположим, маркетологу нужно решить ту или иную задачу, а с чего начать — не придумать. Человек может написать общий запрос в языковую модель, а она выдаст первичную фактуру для дальнейшей работы.

Я привел всего несколько кейсов, но на самом деле их, конечно, гораздо больше.

СNews: А в каких сферах ИИ пока не дает должного результата?

Дмитрий Юдин: Это случаи, которые требуют узконаправленных знаний, которые сложно найти в публичных датасетах. Следовательно, модели искусственного интеллекта пока еще плохо работают на этом направлении. Но при должных ресурсах и желании компаний, модели можно дообучить или применить ряд методов, позволяющих улучшить точность работы AI, например ныне популярный RAG (Retrieval-augmented generation — генерация с дополненной выборкой). Наша внутренняя команда уже применяет данную технологию для задач генеративного поиска.

«Кадровый голод есть, но эту задачу совершенно точно можно решить»

СNews: Какое будущее нас ждет с точки зрения подходов к внедрению генеративного искусственного интеллекта? Компаниям будет проще обучать его самим или брать готовые решения?

Дмитрий Юдин: Все зависит от компании и ее готовности инвестировать в ИИ. Мало кто обучает свои модели, в России эти компании можно перечислить на пальцах одной руки, в основном все берут готовые модели из open source и занимаются их дообучением. Тут правильнее говорить про готовые ИИ-сервисы, т.е генеративную модель, которая предоставляется уже как API, без возможности дообучения. Основная причина, почему компании не берут уже готовые ИИ-cервисы — это неготовность выносить чувствительные данные из своего контура.

Но важно понимать, что сам процесс дообучения модели — очень трудоемкая задача.

Без сомнения, среди даже небольших ISV-компаний тоже есть свои неограненные алмазы, которые будут разрабатывать свои решения и дообучать модели. На рынке уже есть ряд семейств переведенных моделей достаточного уровня по качеству. Наша платформа открыта для таких компаний, и мы готовы предоставить необходимые инструменты, которые могут упростить и ускорить процесс создания своих моделей.

СNews: Сфера искусственного интеллекта предполагает серьезную квалификацию сотрудников. Есть ли кадровый голод в области глубокого обучения?

Дмитрий Юдин: Мы наблюдаем нехватку Data Science специалистов, ML-инженеров, аналитиков, Data-инженеров. Мы в Cloud.ru уже сейчас готовим ряд курсов, которые позволят растить специалистов для рынка, выстраиваем сотрудничество с ведущими вузами.

Конечно, мы как разработчики делаем и сервисы, которые позволят снизить входной порог для работы с ИИ. Мы также предоставляем возможности наших платформ и инфраструктурных сервисов для решения задач студентами в ходе хакатонов, поддерживая культуру ML-разработки в облаке.

СNews: Дайте, пожалуйста, три совета оптимального пути внедрения искусственного интеллекта в ритейл и ecom.

Дмитрий Юдин: Первый совет — на начальном этапе нужно реалистично оценить экономическую модель и эффективность внедрения искусственного интеллекта. Или просто надо быть готовым к рискам, в противном случае можно очень сильно разочароваться от результата.

Во-вторых, начать лучше все-таки с готовых ИИ-сервисов, хотя бы на не чувствительных данных, и понять результат. Один из возможных сценариев — это русскоязычная LLM, которую можно развернуть как private в Cloud.ru.

Наконец, тем кто смотрит в сторону дообучения моделей, для R&D-разработки и пилотных проектов, я бы посоветовал попробовать облачные решения, прежде чем начать вкладываться в большую собственную инфраструктуру.

■ erid:LjN8K1JZ9Рекламодатель: ООО "Облачные технологии"ИНН/ОГРН: 7736279160/5167746080057Сайт: https://cloud.ru/ru