Сбер Бизнес Софт - внедрение искусственного интеллекта в крупных корпорациях
Максим Шпилькин , CPO по AI продуктам для бизнеса, Сбер Бизнес Софт.
Конференция CNews «Технологии искусственного интеллекта 2026».
Основные тезисы:
Доклад о внедрении искусственного интеллекта (ИИ) в крупных корпорациях, значимость практического подхода, ориентированного на окупаемость и масштабируемость проектов. Спикер отметил, что, помимо трендовых генеративных ИИ, остаются актуальными классические технологии, такие как распознавание документов, видеоаналитика и речевая аналитика.
Ключевые моменты:
Гибридный подход: Рекомендуется использование гибридных конструкций, где Large Language Models (LLM) выступают в роли оркестратора, а классические технологии используются как субагенты или дополнительные функции.
Правильная последовательность внедрения: Важно начинать с диагностики процесса, цифровой гигиены и только потом переходить к разработке модулей.
Модульный подход: В крупных компаниях часто возникают уникальные требования, поэтому стандартные "коробочные" решения не всегда применимы. Чаще всего требуется модульная сборка из готовых элементов.
Метрики: Метрики в ИИ-проектах являются комплексными, учитывающими стоимость ошибки, скорость, качество и стоимость. Необходимо задавать метрики с самого начала.
Данные: Качество данных критично для успеха ИИ-проектов. Необходимо учитывать, что многие компании сталкиваются с проблемой неготовности данных.
Пилотные проекты: Пилотные проекты нужны для оценки достижимости заданных метрик и выявления необходимых улучшений.
Мониторинг и итерации: Важно постоянно проверять качество работы модели, учитывая возможность дрейфа, итеративно улучшая продукт.
Безопасность: Вопросы безопасности должны быть заложены в проект с самого начала.
Предотвращение "болталки": ИИ-решения не должны восприниматься как просто чат-боты. Необходимо встраивать их в существующие процессы с учетом SLA и оценки рисков.
Защита от проблем LLM: Для эффективной работы LLM необходимы контроль источников данных (RAG), guardrails (слой для контроля запросов и цензуры) и постоянная проверка качества.
Пример кейса: Умный бот для контакт-центра: Два варианта решения показывали разную эффективность, и для оценки лучшего решения необходимо учитывать метрики, основанные на потребностях бизнеса.
Пример кейса: Агент для ветеранов СВО: Реализована мультиагентная схема для консультаций по льготам, включающая агентов для заполнения анкет, поиска информации, создания документов и сбора мер поддержки.
Ответы на вопросы:
Низкий уровень цифровой зрелости: В таких случаях рекомендуется начинать с диагностики процессов и, при необходимости, переключать клиентов на классические технологии, такие как электронный документооборот, откладывая внедрение ИИ.
Используемые модели: Используется GigaChat.
Оценка качества и развитие базы знаний: Оценка качества позволяет понять, на каких сценариях ассистент ошибается, и взвесить цену этих ошибок. Это позволяет принять решения о дальнейшем развитии и улучшении базы знаний, в зависимости от потребностей бизнеса и его приоритетов.
Основные выводы:
Внедрение ИИ в корпорации требует комплексного подхода, учитывающего как технические, так и бизнес-аспекты. Важно начинать с анализа процессов и постановки четких целей, применять гибридные решения, тщательно контролировать качество, данные и безопасность. Ориентация на практические результаты, измеримые метрики и гибкий подход к масштабированию — ключевые факторы успеха.
