Несмотря на высокий интерес к искусственному интеллекту, лишь небольшая часть проектов доходит до стадии полноценного внедрения. Об этом заявили эксперты на конференции Data Fusion в исследовании, подготовленном при участии ВТБ.
По их оценке, компании чаще всего сталкиваются с пятью ключевыми барьерами, которые мешают перевести ИИ-решения из пилотного этапа в промышленную эксплуатацию.
Первый из них — экономический. Проекты в сфере ИИ требуют значительных инвестиций, при этом их эффективность оценивается по тем же критериям, что и другие технологические инициативы, включая показатель возврата инвестиций. Высокая стоимость даже пилотных решений приводит к тому, что часть проектов не проходит отбор.
Вторая проблема связана с инфраструктурой. Для работы современных моделей, включая большие языковые модели (LLM), необходимы серьёзные вычислительные мощности и специализированное оборудование. Дополнительным ограничением остаётся дефицит высокопроизводительных чипов, включая видеокарты и процессоры.
Третьим фактором остаются так называемые «галлюцинации» нейросетей — случаи, когда модели выдают некорректные или вымышленные данные. Это создаёт риски для бизнеса и требует внедрения дополнительных систем контроля и проверки, что усложняет проекты.
Четвёртая проблема — нехватка качественных данных. Для обучения ИИ-моделей необходимы проверенные и структурированные массивы информации, однако их подготовка требует значительных ресурсов. При этом ограничения на обмен данными между компаниями сдерживают развитие более точных решений.
Пятый барьер — дефицит специалистов. Для работы с ИИ необходимы не только разработчики, но и новые категории сотрудников, включая специалистов по разметке данных и промпт-инженеров. Кроме того, пользователям требуется умение корректно формулировать задачи и критически оценивать результаты работы нейросетей.
Эксперты отмечают, что преодоление этих ограничений станет ключевым условием для масштабного внедрения технологий искусственного интеллекта в различных отраслях экономики.