Мы уже сейчас видим решения, которые претендуют на подобный функционал. Потому что изучение нагрузки, расхода ресурсов системы применимо к концепции цифрового двойника. Здесь в первую очередь важную роль играет прогнозирование. Дело в том, что сегодня мы можем предугадать нагрузку в ближайшей перспективе, но как она будет развиваться в будущем? Внедрение ИИ в подобные задачи — это в первую очередь анализ и прогнозирование на более продолжительные промежутки, а также создание более качественных и сложных прогнозов.
В английском языке есть такое понятие — analytics translator. Оно появилось в профильной литературе ещё в конце 2010 годов. Это человек, который может с одной стороны объяснить задачу команде по искусственному интеллекту, а с другой стороны объяснить её бизнесу. И такие люди, которые понимают и бизнес, и data science, будут нужны и востребованы всегда.
Говоря про специалистов по data science, то они могут быть разными. В это понятие входит аналитика данных, которая может рассматриваться как первая ступень подобных компетенций. А data science — это уже использование математических моделей в прогнозировании, то есть это ниша человека.
Мне кажется, что SAAS-решения будут занимать какую-то роль. Человек, который будет их внедрять, будет обязан знать, какие задачи и цели ставить алгоритмам. Однако это не снимает вопроса наличия специалистов по изучению данных, которые будут работать там, где алгоритмы неприменимы. Поэтому здесь мы увидим определённый баланс.
Первая услуга — это, разумеется, подготовка кадров. Кадры для цифровой экономики, экономики данных, в сфере ИИ — это то, зачем к нам приходят в первую очередь. Если говорить о решениях, которые нужны бизнесу, то я бы обратил внимание на компьютерное зрение. Недавно нам поступила задача по созданию алгоритма, необходимого для распознавания определённых вещей. В основе было математическое моделирование, а также использование механизмов, которые многими студентами и сотрудниками нашего вуза изучаются и исследуются.
Если говорить о разработке ботов, то это сейчас так упрощается, что даже один человек не пойдёт за этой услугой, он попытается сделать что-то сам. Поэтому в вуз приходят более наукоёмкие задачи. Например, есть запросы на виртуальную реальность, на создание тренажёров-симуляторов, которые помогают моделировать среду. Подобными разработками и исследованиями также занимается наш институт.
Многие из них справляются сами. Кроме того, у них свои собственные лаборатории. Однако у нашего университета есть опыт работы и по системам связи, и по беспилотной технике. Телеком-компании обращаются, но я не скажу, что это поток заказов, потому что бизнес в первую очередь хочет решать подобные вопросы самостоятельно. Но такие проекты и у университета, и, в частности, у нашего института есть.
Сейчас необходимо время на то, чтобы «устаканить» понятие ИИ в работе медиа. Например, ответить на вопрос: какая часть работы может быть отдана искусственному интеллекту без проблем? Кажется, что он может сделать всё, однако после могут возникнуть проблемы.
В каждой сфере сейчас идёт поиск границы, который определяют какие задачи можно передать ИИ и не проверять его, а какие задачи требуют контроля. То есть сейчас необходимо определённое время на «институционализацию» его использования. Речь идёт и о правовых вопросах, например, права при генерации контента. Мне кажется, что технологии предстоит пройти этап, связанный с нормализацией и гармонизацией её использования.
Я рассуждаю с точки зрения разработчика подобных систем. Везде будет граница: здесь ИИ, а потом человек. Она может сдвигаться или структурироваться. Например, в части премиального или не премиального обслуживания. У нас уже сейчас банки, которые при обращении клиента в техническую поддержку в первую очередь перенаправляют к боту, а только потом к подключают оператора.
Компания всё равно должна обрабатывать 100% ответов, но у любой модели искусственного интеллекта есть небольшая доля погрешности, и здесь уже будет вмешиваться человек. Премиум-обслуживание это не исключает, но я уверен, что в ситуации, когда и обычный запрос не может быть обработан, будет задействован человек.
Да, но мы, скорее, применяем подобные технологии для профессиональной деятельности. Например, у нас есть кафедра, занимающаяся разработкой видеоигр, и там есть частная задача генерации сценарных прототипов, аудиодорожек, персонажей. Поэтому генеративный ИИ для нас скорее полезный инструмент. Вместе с тем, в юридическом факультете нашего университета изучаются правовые вопросы использования подобных технологий.
Самой разработкой «дипфейков» мы не занимаемся. Могу сказать, что это – бесконечная гонка. То есть мы будем видеть улучшение модели по производству «дипфейка», а после – улучшение уже другой модели для идентификации поддельного видео. И так далее. Подобные архитектуры нейронных сетей, основанные на этой гонке, уже существуют.
ИТИС был образован для решения этой проблемы. Дело в том, что обычно, когда выпускник вуза приходит на рынок — он является серьёзным, образованным человеком, но для индустрии все же начинающим специалистом. Его знания и опыт необходимо адаптировать для работы, а потом еще нужно дождаться, пока начинающий сотрудник перестанет быть новичком.
Поэтому возник вопрос: как мы можем решить этот вопрос в стенах университета? Для этого был образован наш институт, особенностью которого заключается интеграция опыта ИТ-компаний в образовательные программы. Наши партнёры включены в процесс образования студента в течение всего периода обучения.
С первого курса занятия у студента ведут работники ИТ-компаний и студент узнаёт о сфере из уст тех, кто в ней находится. То есть этот вопрос связан и с качеством кода, и с работой в команде, потому что разработка – это всегда коммуникация.
Кроме того, это профильная проектная работа, которую тоже курируют специалисты из индустрии. Наша задача — быть в тренде технологий. Для этого у нас каждый год проходят элективы, актуальность тематики которых обеспечивают наши компании-партнёры. Нам необходимо, чтобы студенты были сразу встроены в работу ИТ-индустрии и чтобы они, выпустившись, были отнюдь не начинающими разработчиками.
В контексте искусственного интеллекта вызов в том, что начинающим специалистам сегодня сложно искать первую работу, ведь ИИ в первую очередь сокращает количество вакансий для начинающих. Поэтому студент должен выпускаться из вуза уже действующим серьезным разработчиком, в этом и есть наша задача.
Институту интересна взаимовыгодная история. Бывает так, что к нам приходит компания и говорит: опубликуйте объявление о вакансии. Однако есть компании, которые вкладываются в образование, а те, что лишь приходят и публикуют объявления. Это видится неравноценным.
Поэтому мы хотим развивать более серьёзное партнёрство. Например, мы предлагаем организовать какой-то курс или практику. Под этим «соусом» студенты распределяются в компанию, а компания может фактически выбрать подходящего кандидата. Для стартапов могут быть уместны другие истории.
Моя позиция заключается в том, что компании и университеты должны работать взаимовыгодно, а студенты-айтишники должны встречаться с компаниями в основном образовании, а не между занятий или вместо них.
