За рамками хайпа: на что способен генеративный ИИ в энергетике и сырьевом секторе

Фото: pixabay.com

Генеративный искусственный интеллект – самая горячая тема для обсуждения. ChatGPT, Bard и десятки им подобных обсуждаются всеми вокруг, от инноваторов из Кремниевой долины и инвесторов до менеджеров в офисах и на заводах. Бизнес заворожен потенциалом инструментов, возможности которых выходят далеко за рамки воображения.

Насколько серьезно относиться к подобному хайпу? Отвергнуть ли модную причуду и дождаться новых улучшенных версий – или уже сейчас это панацея от многих проблем?

Ни то, ни другое. Исследование McKinsey показывает, что организации, которые опираются на анализ данных и автоматизацию процессов, могут извлечь выгоду от использования генеративного ИИ прямо сейчас. В сельском хозяйстве, химической промышленности, энергетическом и сырьевом секторах многие компании вышли далеко за рамки простых сценариев использования генеративного инструментария, применяя более инновационные подходы к внедрению. В ближайшие годы генеративный ИИ способен создавать в бизнесе суммарную дополнительную стоимость в $390-550 млрд ежегодно.

Использование возможностей генеративного ИИ

Потенциал генеративного ИИ нельзя игнорировать, особенно в энергетической и сырьевой промышленности, которые опираются на анализ данных и включают сектора со сложным процессингом. Генеративный ИИ обеспечивает там дополнительную интеллектуальную обработку любых данных, превращая их в понятный материал для принятия решений. Сокращая длинные цепочки до одного вопроса, новинка позволяет за секунды получать новые знания и возможности. Соответственно, растет и список потенциальных сценариев эффективного использования этого инструмента в горнодобывающей, нефтегазовой, химической отраслях, сельском хозяйстве, энергетическом и сырьевом секторах.

Потенциальное влияние ИИ на мировую экономику, трлн долл. США

¹ Обновленные оценки сценариев использования из «Заметок о границах ИИ: применение и ценность технологии глубокого обучения», Глобальный институт McKinsey, 17 апреля 2018 г. Источник: «Экономический потенциал генеративного ИИ: следующий рубеж производительности», McKinsey, 14 июня 2023 г.

Однако реализовать потенциал можно только при четком представлении о том, как именно использовать возможности генеративного ИИ в конкретной организации. Это не всегда просто. Предприятиям придется внимательно изучить, как генеративный ИИ вписывается в их текущие цифровые стратегии, оценить имеющиеся возможности для реализации новой технологии, по развертыванию коммерческих решений на ее основе. Также необходимо оценить риски – а они есть.

Те, кто уже сейчас займет лидирующие позиции в применении генеративного ИИ, сможет обеспечить своим компаниям лучшие стартовые условия для внедрения более продвинутых версий: в течение следующих двух-трех лет эксперты ожидают стремительного роста от больших языковых моделей (LLM).

Как приоритизировать и внедрять генеративный ИИ

Наиболее актуальная на сегодня задача – выработка эффективных сценариев использования генеративного ИИ. А самая частая ошибка, которую допускается при внедрении, – запуск в организации нескольких не связанных друг с другом пилотных проектов без проработки комплексной цифровой стратегии. Лидерам имеет смысл не распылять ресурсы, а сосредоточиться на сценариях, которые и высокоэффективны, и при этом практически осуществимы.

Что могут дать бизнесу квантовые технологии

Пригодный для корпоративных целей квантовый компьютер может появиться уже в... →

Прежде всего необходимо выяснить, является ли генеративный ИИ правильным выбором для решения конкретной проблемы. Хотя модели, созданные генеративным ИИ, обеспечивают преимущество, задачи, которые они могут решать, иногда вполне по силам «традиционным» ИИ-инструментам – таким, как упрощенное прогнозирование, системное моделирование или приложения для оптимизации. На некоторых задачах генеративный ИИ – не самый подходящий выбор, там эффективнее применять более простые решения.

Хотя готовые модели генеративного ИИ легко разрабатывать и внедрять, они обычно требуют серьезной адаптации в секторах, где технические процессы весьма специфичны. Например, распознавание и разработка химической формулы требует кастомизированной инфраструктуры модели и специальной базы данных, которая может являться чужой собственностью. Кроме того, почти все варианты применения генеративного ИИ требуют не только глубоких, но и абсолютно точных оперативных и отраслевых данных. А иногда и участия на стадии разработки конечных пользователей. Тем не менее основные элементы, которые сделают цифровую стратегию успешной, уже сформулированы на практике.

Слагаемые успеха цифровой стратегии

Для того чтобы в полном объеме извлечь потенциальную ценность генеративного ИИ, важно учитывать следующие моменты:

• Стратегическая дорожная карта, ориентированная на бизнес компании, включает понимание, в чем основная ценность проекта, что достижимо в процессе внедрения и что можно упорядочить, чтобы процесс шел быстрее и успешнее. Необходимо согласование карты с высшим руководством, чтобы сбалансировать цели с необходимыми ресурсами. И главное: путь к созданию ощутимого конкурентного преимущества с помощью ИИ должен быть определен максимально четко.
• Кадры, уже работающие в традиционной корпоративной аналитике, могут быть использованы в проекте с генеративным ИИ после получения новых навыков. Однако для сложных и комплексных вариантов, требующих разработки индивидуальных моделей LLM, нужны новые люди. Это специалисты по работе с данными, инженеры по машинному обучению и архитекторы облачных решений.
• Гибкие стратегии внедрения. К сценариям использования генеративного ИИ следует относиться так же, как и к любому другому цифровому проекту. Это оперативное создание минимально жизнеспособного продукта, извлечение уроков из ошибок на самых ранних этапах. График выпуска продуктов или услуг и заданный уровень приемлемого риска должны сочетаться с гибким контролем – юридическим и финансовым.
• Технологии и инструменты. Применение генеративного ИИ может потребовать привлечения новых активов, доступа к новым инструментам и облачным решениям, подходам MLOps (операции машинного обучения), которые позволяют безопасно и стабильно масштабировать ИИ.
• Управление данными, которые являются реальным источником конкурентной уникальности для промышленных компаний – ключевой элемент внедрения. Генеративный ИИ может сделать данные более полезными, но только если они доступны и надежны. Многие компании энергетического и сырьевого секторов уже запустили процесс централизации и разделения данных, но, чтобы данные были полностью готовы для генеративного ИИ, предстоит пройти еще немалый путь. Организациям нужно найти баланс между централизованным управлением внутренними данными и данными из внешних источников. Это имеет решающее значение.
• Смена операционной модели. При внедрении генеративного ИИ конечные пользователи участвуют в разработке продуктов, которые ускорят, дополнят или автоматизируют часть их деятельность, а руководители бизнеса несут ответственность за внедрение технологий.

Потенциальные риски применения генеративного ИИ

Эти риски разнообразны – и не зависят от конкретных отраслей:

• Точность. Модели генеративного ИИ могут «придумывать» ответы, которые кажутся правдоподобными. На первый взгляд качественные решения могут представлять мало ценности для конечных пользователей. Рекомендации опытного специалиста-человека по замене компонента двигателя зачастую объективнее, чем рекомендации ИИ по устранению неполадок.
• Безопасность. Генеративный ИИ подвержен бэкдор-атакам, которые иногда сложно отследить. Были случаи, когда хакеры захватывали модели, крали данные или создавали ложные.
• Конфиденциальность. Информация, представляющая особую ценность для конкурентов, конфиденциальные или секретные данные могут быть раскрыты через общедоступные API-интерфейсы LLM-моделей. Их необходимо надежно изолировать.
• Объективность. Генеративный ИИ иногда может выдавать необъективные результаты.
• Юридические вопросы. При использовании генеративного ИИ есть потенциальный риск нарушения прав интеллектуальной собственности, авторских прав, возникновения ответственности за неправильное использование. До сих пор неясно, как законы разных юрисдикций применяются к результатам, созданным генеративным ИИ.

В Казахстане планируют исследовать и производить материалы для 3D-принтеров

С рисками можно и нужно бороться. Их минимизация, например, может включать настройку производительности и объективное измерение точности результатов в сочетании с другими инструментами для предотвращения или выявления «галлюцинаторных» ответов. А команды, разрабатывающие инструменты на основе LLM, могут дополнять или разрабатывать запросы, повышающие точность ответов. Внедрение также должно предусматривать проверку данных и запросов для защиты от вредоносных атак, тесты для фильтрации ответов и другие механизмы для защиты и улучшения качества и безопасности данных.

Несмотря на риски, промышленные руководители имеют возможность быть первыми, кто на практике начнет глубоко изучать возможности использования генеративного ИИ, перейдя от вопроса «Где я могу применить генеративный ИИ?» к более правильному: «Как применить ИИ для достижения ценности?».