Искусственный интеллект меняет пользовательский опыт и экономику приложений. Как это отражается в ИТ-проектах, на чем фокусируется рынок и зачем разработчикам перестраивать подходы с помощью ИИ? Журналисты издания «Системный администратор» задали вопросы эксперту «Девелоники» (ГК Softline). Публикуем комментарий Романа Смирнова, специалиста по ИИ и коммерческого директора компании.

В заказной разработке сейчас ИИ-технологии — не точка входа, а гибкий механизм оперативного масштабирования ИТ-ландшафта. В проектах LLM и ML-модели нужны для автоматизации рутинных сценариев, адаптации интерфейсов под контекст пользователя и предиктивного анализа. Особенно актуально это в B2B-приложениях, где генеративный инструмент помогает интегрировать новые модули без переработки архитектуры.

Часто задача стоит не в создании ИИ-продукта, а в точечном встраивании умных компонентов в зрелый ИТ-ландшафт. Например, в CRM, ERP, логистику. Такой подход требует строгой модульности, тестируемости и контролируемого поведения моделей.

Мы движемся от интерфейсов к предиктивным системам, где поведение пользователя — источник нового бизнес-потока.

ИИ ускоряет внедрение новых функций, оптимизируют цепочки и дает бизнесу инструменты для роста. Но помимо функций, технологии влияют на бизнес-модели: ИИ упрощает онбординг, увеличивает LTV, снижает стоимость поддержки.

Какие задачи решает рынок прямо сейчас

Наиболее распространены сценарии персонализации, умных ассистентов, голосового и визуального распознавания. Это актуально в финтехе, e-commerce, медицине и образовании. Можно интегрировать LLM для чат-ботов, которые сокращают нагрузку на поддержку, модели скоринга — в мобильных банковских решениях, предиктивную аналитику и распознавание изображений в здравоохранении. Приведу примеры ИТ-задач и проектов с отраслевой спецификой.

ИИ применим у маркетплейсов и медиакомпаний: он адаптирует контент и интерфейсы в режиме реального времени. Голосовые и виртуальные помощники сейчас стали стандартом сервиса в банках, за счет возможностей поиска и обработки данных. В госсекторе, где взаимодействие часто идет по модели «государство как сервис», NLP-интеграции экономят время и ресурсы, обеспечивая оперативное получении соцуслуг. Предиктивная аналитика и scoring стали доступнее: можно построить план лечения на основе анамнеза или отследить путь мошенника.

Отдельно выделю проекты промышленности, логистики, ритейла и строительства. Умные камеры и компьютерное зрение позволяют автоматизировать рутину, распознавать брак, искать товар, считывать штрихкоды и OCR, фиксировать качество сборки и погрузки. Мы работали с системой, в которой пропорции и объемы разного типа сырья при замешивании материалов на производстве контролировалось ИИ. Интеграция принесла точность в 97%. В другой ситуации нейросеть отличала тип и вид живой рыбы, чтобы заказчик знал, кого и куда транспортирует и в каком количестве.

Сейчас компании начинают собирать и эксплуатировать данные как актив, на базе которого строятся новые продукты. И за последние пару лет уже можно составить реальную картину с опорой на аналитику рынка и на собственный опыт.

Собрали главное о возможностях мобильной разработки и мобильных приложений на iOS и Android

Узнать подробности

Как ии меняет подходы и драйвит разработку

Возможность решать сложные задачи — развивает рынок. Как в решениях, так и в технологическом разнообразии. Нельзя говорить про ИИ-проекты, не упоминая сложности и барьеры, которые необходимо решать разработчикам.

Например, часто мы сталкиваемся с нехваткой чистых доменных данных. Хорошо, если заказчик приходит с готовой базой, но чаще всего требуется подключать ресурсы на сбор, анонимизацию и очистку данных. Тут применимы компетенции специалистов, способных погружаться в контекст и специфику проекта, а их на рынке еще не так много. Часто нельзя запустить большие модели прямо на устройстве. Но решением проблемы становится inference через API, например, с использованием ONNX и edge-оптимизаций.

Помимо этого, в крупном бизнесе нужна высокая уверенность в валидации ИИ-результатов. Корпоративным клиентам важно знать, почему ИИ принял то или иное решение (особенно в банковской или страховой сферах). Часто требуется выстраивать процесс через автоматизированное тестирование, A/B-оценку и post-deployment аналитику.

И наконец, вопрос конфиденциальности и аудита действий модели. Сегодня в ИТ-проекте важно обеспечить соответствие всем регуляторным требованиям (ФЗ-152, GDPR и ISO 27001). Сейчас заметен тренд на on-device ML в связке с federated learning, чтобы сохранить приватность без потери функционала, но нужно время, чтобы оценить эффективность подхода.

Готова ли ваша компания к внедрению ИИ, на какие факты опираться при планировании проекта, читайте в материале эксперта на сайте Девелоники в колонке «Внедрение ИИ: обстановка и перспективы».

Источник