Sber Data Science: Архитектура доверия в промышленном ИИ, Дамадан Шавлуков

Дамадан Шавлуков, эксперт по технологиям, Sber Data Science. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.

Суть проблемы: иллюзия универсального решения

В начале выступления Дамадан Шавлуков затронул фундаментальное заблуждение рынка относительно природы инструментов для работы с искусственным интеллектом. Часто покупатели ожидают, что приобретение программного обеспечения даст мгновенный результат по принципу «купил и пользуешься», однако реальность значительно сложнее. Как отметил эксперт, «коробочных решений для ИИ не существует». Это утверждение стало отправной точкой для разграничения понятий: платформа — это не готовый продукт с фиксированным функционалом, а набор инструментов, позволяющий разрабатывать собственные модели на конкретных данных.

В Sber Data Science подчёркивают, что гибкость является ключевым преимуществом такого подхода. Платформа позволяет компаниям самостоятельно настраивать пайплайны под свои бизнес-задачи, обучать модели и адаптировать процессы под уникальные требования отрасли. Это принципиально отличает предлагаемое решение от стандартных коробочных продуктов, которые не способны учесть специфику данных конкретного заказчика. Эксперт пояснил: «Это не коробка, это разработка просто с помощью инструментов». Таким образом, ценность заключается не в готовом алгоритме, а в возможности создать его под себя, используя проверенную инфраструктуру и экспертизу разработчиков платформы.

Такой подход решает проблему масштабируемости и релевантности. В классическом машинном обучении и генеративных моделях универсальные решения просто не работают, поскольку каждая задача требует глубокого понимания доменных данных. Платформа от Sber Data Science выступает как среда для создания таких решений, где компания может либо самостоятельно собрать модель, воспользовавшись внутренними компетенциями, либо совместно с разработчиками платформы пройти весь путь от идеи до продакшена. Это превращает ИИ из абстрактной технологии в конкретный рабочий инструмент, встроенный в бизнес-процессы.

Гибкость архитектуры и управление пайплайнами

Центральным элементом презентации стала демонстрация того, как платформа автоматизирует рутинные этапы разработки моделей. Традиционно процесс создания ML-решения представляет собой хаотичную последовательность действий: сбор данных, написание скриптов, проведение расчётов, формирование отчётов и их ручная проверка. Каждый новый проект требует повторного выполнения этих шагов, что приводит к потере времени и ресурсов на настройку проверок и сводку результатов.

Дамадан Шавлуков описал процесс, который ранее был разрозненным и требовал постоянного участия разработчиков в операционных задачах. Платформа Sber Data Science интегрирует эти этапы в единый конвейер, где логика проверки, расчётов и сбора отчётов автоматизирована. Это позволяет сократить время на подготовку модели к внедрению и снизить вероятность человеческих ошибок при переходе между этапами разработки. Эксперт подчеркнул важность того, что «на каждой модели повторяется работа: настройка проверок, расчёты, сбор отчётов», и именно эта рутинная часть наиболее подвержена ошибкам и задержкам.

Автоматизация этих процессов не означает полной замены человека, но существенно меняет его роль. Разработчик перестаёт быть оператором скриптов и становится архитектором решений, фокусируясь на логике модели и её бизнес-ценности. Платформа обеспечивает прозрачность каждого шага, фиксируя результаты и позволяя быстро возвращаться к предыдущим версиям при обнаружении проблем. Это создаёт основу для устойчивого развития ИИ-инфраструктуры внутри компании, где новые модели можно создавать быстрее и с меньшими затратами на поддержку.

Специфика валидации: доменные требования

Особое внимание в выступлении было уделено процессу валидации моделей, который является критически важным для внедрения ИИ в регулируемые отрасли. Дамадан Шавлуков пояснил, что универсального инструмента валидации не существует, поскольку требования сильно зависят от конкретного домена и нормативной базы. В одном из рассмотренных кейсов модель работала с данными, подпадающими под строгие государственные регламенты Центрального банка России.

Для обеспечения соответствия таким требованиям была разработана специализированная система проверок. «Мы разработали специально отдельные ноды с тестами, которые что-то конкретное в данных проверяли», — рассказал эксперт. Эти тесты включали проверку совместимости данных и модели, контроль стабильности результатов в заданных диапазонах, соблюдение нормативных правил и оценку интерпретируемости модели. Такой подход позволяет гарантировать, что модель не только технически корректна, но и соответствует юридическим и регуляторным стандартам отрасли.

Проверка в Sber Data Science — это не просто формальная процедура, а глубокий процесс анализа качества данных и логики принятия решений моделью. Команда валидаторов работает над созданием таких тестовых сценариев для каждого нового кейса, учитывая специфику бизнеса заказчика. Это требует тесного взаимодействия между разработчиками платформы и специалистами заказчика, что подчёркивает важность совместной работы при внедрении сложных ИИ-систем. Эксперт отметил: «Это очень сильно кастомизируется под домен», что делает каждый проект уникальным и требующим индивидуального подхода.

Масштабирование и нагрузочное тестирование

Переход модели из среды разработки в промышленную эксплуатацию сопряжён с серьёзными техническими вызовами, особенно при работе с большими объёмами данных и высоким потоком запросов. Дамадан Шавлуков детально разобрал процесс нагрузочного тестирования, которое является обязательным этапом перед выводом модели на продакшен. В масштабах такого крупного игрока, как Сбербанк, где внутренние пользователи исчисляются тысячами, стабильность работы системы имеет первостепенное значение.

Платформа Sber Data Science включает в себя встроенные механизмы управления ресурсами и нагрузкой. «Нагрузочное тестирование опять-таки вшита в саму платформу», — пояснил эксперт. Под капотом реализована логика регулирования количества ресурсов, что позволяет системе эффективно справляться с увеличением числа моделей или притоком пользователей. Это минимизирует риски падения производительности и обеспечивает плавное масштабирование инфраструктуры по мере роста нагрузки.

Для real-time систем критически важно проверить модель на реальном потоке данных, чтобы убедиться в её способности обрабатывать запросы без задержек. Платформа предоставляет API-выходы, к которым подключается остальная инфраструктура заказчика, позволяя проводить интеграционные тесты и проверять совместимость с существующими информационными системами. Эксперт подчеркнул: «Базовые проверки на нагрузку, они вшиты», что означает, что эти механизмы были заложены ещё на этапе разработки модели. Такой подход позволяет заранее выявить потенциальные узкие места и оптимизировать архитектуру решения до его внедрения в производственную среду.

Интеграция с экосистемой заказчика

Успешное внедрение ИИ-решений невозможно без глубокой интеграции с существующей IT-инфраструктурой компании. Дамадан Шавлуков отметил, что при работе с заказчиками необходимо учитывать специфику их информационных систем и бизнес-процессов. Платформа Sber Data Science проектировалась с учётом этого требования, предоставляя гибкие интерфейсы для подключения к внешним системам.

В случае с крупными корпоративными клиентами интеграция становится ключевым фактором успеха. Модель не существует в вакууме — она должна взаимодействовать с ERP-системами, базами данных и другими сервисами, которые обеспечивают операционную деятельность компании. Платформа позволяет настроить эти взаимодействия таким образом, чтобы данные корректно передавались между системами, а результаты работы модели могли быть использованы в бизнес-процессах без ручного вмешательства.

Эксперт подчеркнул важность совместной разработки с заказчиком при интеграции сложных компонентов. «В случае с заказчиками, да», — подтвердил он необходимость тесного взаимодействия для настройки тестов и проверок под конкретную среду. Это требует глубокого понимания архитектуры заказчика и готовности адаптировать решение под его требования. Такой подход обеспечивает не только техническую совместимость, но и бизнес-ценность внедряемого решения, которое становится органичной частью цифровой экосистемы компании.

Отличие от других продуктов Sber

В ходе дискуссии возник вопрос о различиях между платформой Sber Data Science и другими продуктами экосистемы Сбера, такими как Gigacode и Gigacowork. Дамадан Шавлуков пояснил, что эти решения решают разные задачи и ориентированы на различные типы пользователей и сценариев использования.

Gigacode, по словам эксперта, не решает конкретно задачу работы с большим количеством данных и моделей, а фокусируется на других аспектах разработки программного обеспечения. Gigacowork, в свою очередь, является инструментом для работы с файлами и интеграциями, похожим на облачные кодовые редакторы. «Это все равно другая задачка», — отметил эксперт, подчёркивая узкую специализацию своей платформы именно на данных, аналитике и разработке ML-моделей.

Платформа Sber Data Science позиционируется как продуктовое решение, сфокусированное на автоматизации пайплайнов работы с данными и моделями. Она предоставляет инструменты для полного цикла разработки: от подготовки данных до валидации и развёртывания моделей. Это делает её незаменимым инструментом для команд data science и ML-инженеров, которые нуждаются в надёжной инфраструктуре для создания сложных аналитических решений. Эксперт подчеркнул: «Тут задача более продуктовая, она более узко специализирована конкретно на данных», что определяет её уникальное место в портфеле технологических продуктов Сбера.

Экономика внедрения и модели ценообразования

Вопрос стоимости является одним из ключевых при выборе инструментов для работы с искусственным интеллектом. Дамадан Шавлуков раскрыл детали ценовой политики платформы Sber Data Science, отметив наличие различных моделей потребления в зависимости от потребностей заказчика.

Для компаний, предпочитающих облачную модель, доступен SaaS-вариант решения. «В SaaS-режиме оно стоит порядка двух миллионов рублей в год», — сообщил эксперт. Эта цена существенно ниже затрат на самостоятельную разработку и поддержку аналогичной инфраструктуры, что делает платформу доступным инструментом для широкого круга организаций. Однако стоимость может варьироваться в зависимости от объёма нагрузки и используемых ресурсов.

Для крупных корпоративных клиентов, работающих в контуре заказчика, оценка стоимости требует более детального анализа. «В контуре это надо отдельно с заказчиком считать», — пояснил эксперт. Это связано со сложностью интеграции, необходимостью кастомизации под конкретные требования и особенностями инфраструктуры клиента. Такой подход позволяет оптимизировать расходы, учитывая только фактически используемые ресурсы и функциональность. Эксперт подчеркнул, что инвестиции в платформу окупаются за счёт сокращения времени на разработку моделей и снижения операционных расходов на поддержку ML-инфраструктуры.

Стратегические выводы для бизнеса

Выступление Дамадана Шавлукова на конференции Tadviser AI продемонстрировало зрелость подхода к внедрению искусственного интеллекта в корпоративном секторе. Ключевым выводом является необходимость отказа от поиска универсальных решений в пользу построения гибких платформ, адаптированных под конкретные бизнес-задачи. Платформа Sber Data Science представляет собой пример такого подхода, где акцент сделан на автоматизацию рутинных процессов и обеспечение качества моделей через строгие процедуры валидации.

Для компаний, рассматривающих внедрение ИИ, критически важно понимать, что успех зависит не только от выбора технологий, но и от выстраивания процессов работы с данными. Инвестиции в инфраструктуру для управления жизненным циклом ML-моделей окупаются за счёт ускорения разработки и снижения рисков при внедрении. Эксперт подчёркивает важность совместной работы между разработчиками платформы и специалистами заказчика, что позволяет создавать решения, максимально отвечающие бизнес-потребностям.

В перспективе можно ожидать дальнейшего развития платформенного подхода в сфере искусственного интеллекта, где инструменты будут становиться всё более специализированными и интегрированными в корпоративные экосистемы. Платформа Sber Data Science демонстрирует, как можно преодолеть разрыв между экспериментальными проектами и промышленным применением ИИ, обеспечивая при этом соответствие регуляторным требованиям и экономическую эффективность. Это создаёт основу для устойчивого роста ценности данных в бизнесе и формирования конкурентных преимуществ за счёт аналитики.