Андрей Белевцев: «GigaChat приносит ощутимый бизнес-результат нашим клиентам»

О том, как генеративный искусственный интеллект становится необходимым инструментом для трансформации промышленных компаний, возможностях нейросетевой модели GigaChat для бизнеса, рассказал старший вице-президент, руководитель блока «Технологическое развитие» Сбербанка Андрей Белевцев.

— Ключевой темой сессии Сбера на конференции ЦИПР станет утверждение «Генеративный искусственный интеллект — пора действовать». Насколько отечественный бизнес готов к трансформации с применением технологий генеративного искусственного интеллекта (GenAI)?

— Необходимо чётко осознавать, что генеративный искусственный интеллект представляет собой мощный инструмент повышения операционной эффективности предприятий. Однако следует признать, что использование данной технологии в российском бизнесе находится лишь на начальной стадии. Согласно аналитическим отчётам агентства «Яков и Партнёры», лишь около трети отечественных организаций использовали генеративный ИИ в своей работе в течение прошлого года. Между тем зарубежные коллеги демонстрируют гораздо более активную позицию: исследование Boston Consulting Group показало, что порядка 85% крупнейших мировых компаний США и Европы уже применяют подобные технологии в своих проектах. Ещё один яркий пример — данные Deloitte, свидетельствующие о том, что свыше половины производственных предприятий активно исследуют потенциал генеративного ИИ. Крупнейшие мировые игроки, такие как горнорудная корпорация BHP, эффективно интегрируют большие языковые модели и цифровые двойники для оптимизации цепочек поставок и производства меди. Особняком стоит Китай, занимающий лидирующие позиции в применении генеративного ИИ: согласно исследованию компаний SAS и Coleman Parkes, доля китайских компаний, использующий генеративный ИИ, достигает впечатляющих 83%.

Эти данные подчёркивают необходимость активного освоения инновационных подходов. Именно поэтому нами была разработана мультимодальная нейронная сеть GigaChat, успешно применяемая в многочисленных процессах и продуктах Сбербанка. Она обеспечивает значительное увеличение производительности и ускорения работы многих подразделений банка. К примеру, сотрудники контактного центра оснащены персонализированным помощником на базе GigaChat, позволяющим мгновенно находить необходимую информацию, обобщать важные сведения и давать полезные рекомендации специалистам. В результате эффективность работы операторов существенно возрастает.

Кроме того, многие компании из разных отраслей экономики уже начинают интегрировать наши разработки в свои рабочие процессы. Примечательно разнообразие реализованных кейсов: от стандартных решений по поиску необходимой информации, созданию документов и управлению расписаниями до специализированных приложений промышленного назначения, таких как диагностика оборудования и подбор материалов при закупках. Например, компания «Лаборатория Касперского» разработала эффективный инструмент на базе GigaChat, позволяющий вдвое сократить сроки анализа инцидентов информационной безопасности. Компания «Азимут» запустила виртуального помощника, способного обрабатывать запросы пассажиров на уровне свыше 86%. Подобные успешные проекты показывают растущую востребованность наших решений: уже более 15 тысяч внешних клиентов оценили возможности нашей модели.

— Какие ключевые этапы должна пройти промышленная компания для успешного внедрения генеративного ИИ?

— Действительно, успешность реализации проектов с использованием генеративного ИИ требует комплексного подхода, учитывающего специфику конкретного бизнеса, качество используемых данных и профессионализм команды, управляющей разработкой и эксплуатацией моделей. Во-первых, необходимо провести детальный анализ текущих потребностей организации, выявить области возможного улучшения и сформулировать конкретные цели внедрения. Затем выбираются подходящие технические средства и инфраструктура, обеспечивающие требуемый уровень надёжности и защиты данных. Следует обратить внимание на выбор поставщиков услуг, отдавая предпочтение проверенным партнерам, поскольку рискованные эксперименты с зарубежными API несут значительные опасности: недостаточная прозрачность алгоритмов, отсутствие полноценной техподдержки и возможные проблемы информационной безопасности.

Особое значение имеет подготовка высококачественных данных, являющихся основой успешной работы генеративных моделей. Эти данные нужны прежде всего для того, чтобы нейросетевая модель могла использоваться через различные механизмы, как например RAG (генерация с дополненной выборкой). Она представляет собой процесс оптимизации выходных данных путем «подмешивания» в них соответствующей контексту запроса дополнительной информации. Также очень важно комплексно смотреть на то, как разрабатывать агентные системы, внедрять и управлять ими в ландшафте, разумеется с соблюдением всех требований безопасности. Мы как раз планируем представить руководство по разработке и применению мультиагентных систем в корпоративной среде, где особое внимание будет уделено различным вопросам внедрения генеративного ИИ.

В целом процесс внедрения должен осуществляться пошагово: вначале проводятся испытания в ограниченных масштабах, осуществляется контроль точности и оперативное устранение ошибок. Постоянная обратная связь от конечных пользователей играет решающую роль в улучшении результатов и обеспечении соответствия ожиданиям бизнеса. А если стоит задача дополнительной настройки модели (fine-tuning), чтобы она лучше понимала термины, характерные для конкретной отрасли, то здесь необходим надежный технологический партнёр. Совместными усилиями результата будет добиться куда быстрее.

— Почему важно приступить к использованию генеративного ИИ именно сейчас?

— Если ранее развитие технологий происходило десятилетиями, то в настоящее время, благодаря внедрению генеративного искусственного интеллекта, темпы прогресса беспрецедентно ускорились, существенно сократились сроки достижения значимых результатов.

Сегодня одна из ключевых задач заключается не столько в поиске идеальной модели, сколько в активном участии в процессе исследований и внедрении практических решений. Большинство успешных практик формируются именно в ходе экспериментов и постепенного накопления опыта. Работая над развитием GigaChat внутри группы Сбер, мы убедились, насколько важна способность адаптироваться к новым условиям и извлекать максимум пользы из передовых технологических решений. Наша миссия состоит не только в том, чтобы самим становиться ведущими игроками мирового уровня в сфере искусственного интеллекта, но и помогать другим организациям раскрывать весь потенциал генеративного ИИ. Для этого у нас есть полный набор инструментов для создания решений с генеративным ИИ, а также различные варианты развертывания больших языковых моделей — как в облаке, так и в виде локальной инсталляции.