Каждой компании — свой интеллект
Как построить инфраструктуру для собственного искусственного интеллекта
Использование искусственного интеллекта для повышения эффективности бизнеса становится все более популярным. Согласно опросу McKinsey, 71% респондентов уже применяют AI в своих организациях по всем миру — за год показатель вырос на 6 процентных пунктов. В России рынок AI растет в среднем на 23% ежегодно с 2015 года, отмечается в исследовании МФТИ. При этом отечественные игроки предпочитают запускать ML-модели внутри контура своего бизнеса, чтобы повысить точность получаемых прогнозов и обеспечить конфиденциальность данных. На построение собственной инфраструктуры могут уйти миллиарды рублей и месяцы работы, однако облачные провайдеры снижают порог входа в AI, указывают эксперты.
Фото: Предоставлено Selectel
Фото: Предоставлено Selectel
AI в обороте
По данным исследования McKinsey, международные компании применяли инструмент в продажах и маркетинге (34%), создании продуктов и услуг (23%) и информационных технологиях (17%).
В России чаще всего компании используют AI также в маркетинге и продажах (55,9%) и управлении организацией (39,9%), реже — в работе с персоналом (16,5%), логистике и транспорте (17,4%), следует из исследования НИУ ВШЭ. В частности, 69,2% организаций используют AI для обработки визуальных данных, для обработки текста применяют 48,7%, технологии обработки звуковых данных — 46,3%. Эксперты уверены, что применение AI способно создать конкурентное преимущество для бизнеса. По словам лидера практики технологического консультирования компании ДРТ Тимофея Хорошева, AI может применяться практически во всех бизнес-процессах: от корпоративного центра, ключевыми элементами которого являются финансы, закупки, управление кадрами, маркетинг, сбыт, налоговый учет, до производственных процессов. Главный вызов в том, чтобы применение AI в конкретной точке процесса давало значительный экономический эффект, и, конечно, наибольших результатов можно добиться, применяя AI в ключевых производственных процессах, отмечает эксперт.
Эффективное использование решений на базе AI может способствовать сокращению трудозатрат на выполнение типовых рутинных задач и, соответственно, ускорению их выполнения, высвобождению трудовых ресурсов для более сложных задач, поясняют в Б1. Во всем мире, и особенно в России, сегодня есть кадровый голод и остро стоят задачи повышения эффективности бизнеса, отмечает аналитик AI-рынка в компании Apple Hills Digital Елена Семеновская. Почти половина (45%) российских компаний, которые занимались внедрением AI в работу, заметили повышение производительности труда, отмечается в исследовании НИУ ВШЭ.
По оценке господина Хорошева, большинство крупных компаний России из списка топ-100 по результатам 2025 года попробуют применить новые для себя технологии генеративного AI в своих процессах и создать соответствующие центры компетенций. Рост затрат на эту технологию составляет около 20–25% в год, добавляет госпожа Семеновская. По оценкам НИУ ВШЭ, общий вклад от использования технологий AI во всех отраслях экономики в ВВП России составит 11,6 трлн руб. в 2030 году и достигнет 46,5 трлн руб. в 2035 году.
Вместе с тем компании сталкиваются с вызовами при внедрении AI, в частности с оптимизацией процессов, оценкой финансовой целесообразности, обеспечением безопасности конфиденциальных данных.
Технологии на базе AI — это дорогой инструмент, и, очевидно, экономические эффекты от его внедрения должны значительно превосходить затраты на внедрение, иначе это нецелесообразно, считает Тимофей Хорошев.
Локальная инфраструктура
Большинство популярных на сегодняшний день сервисов (OpenAI, DeepSeek, Mistral) хранят и обрабатывают данные на своих серверах в странах разработчиков — США, Китае и Европе.
Чтобы минимизировать риски потенциальных утечек, а также работать с персональными данными российских пользователей, бизнес предпочитает использовать те же популярные модели, но на инфраструктуре, которая находится внутри страны.
Это помогает сохранить конфиденциальность и не раскрывать внутренние методики и подходы, которые могут быть заложены в алгоритм работы решений.
Кроме того, универсальные модели учатся на общих данных и не учитывают специфику, из?за чего теряется точность, указывает партнер технологической практики «ТеДо» Артем Семенихин. Для того чтобы математическая модель или нейронная сеть решала задачу бизнеса с необходимой точностью, ее нужно настраивать, «обучать» на данных конкретного процесса или объекта управления, поясняет Тимофей Хорошев.
Крупный бизнес подтверждает, что собственные модели эффективнее. «В 2ГИС искусственный интеллект используется для разных задач — в частности, чтобы сделать поиск удобнее и точнее для пользователя: AI обрабатывает огромные объемы данных — справочную информацию о компаниях, отзывы посетителей, фото — и помогает быстро найти то, что нужно, рассказывают в компании. Кроме того, по словам экспертов 2ГИС, нейросеть сортирует загруженные фото в карточках компаний: сначала показываются самые красивые, а еще изображения автоматически распределяются по категориям — «еда», «атмосфера», «интерьер».
«Мы чаще используем собственные нейросети, это позволяет максимально учесть специфику сервиса и пользовательских сценариев. Каждый день добавляются новые фотографии, отзывы, организации, пользователи ищут новые места, делают запросы — модель постоянно обучается и становится точнее. Такой подход позволяет нам глубже понимать городскую среду, обеспечивать высокую точность обработки данных и совершенствовать сервис»,— обращают внимание в 2ГИС.
Для развития собственных моделей необходима специальная инфраструктура. По словам партнера iKS-Consulting Татьяны Толмачевой, AI диктует новые правила к проектированию дата-центров: требуется больше мощности, более высокая плотность размещения, другой подход к охлаждению. В частности, по ее оценкам, для создания и обучения ML-моделей нужны суперкомпьютерные кластеры, до 120 кВт электрической мощности на стойку.
Если точнее, для AI-проектов необходимы графические процессоры (GPU, graphics processing unit), они применяются для ускорения вычислений больших массивов графических данных в десятки раз, на которых и строится машинное обучение. Полноценный AI-кластер стоит миллиарды рублей, поэтому компании предпочитают использовать облачные сервисы — аренду ресурсов у провайдеров, говорит госпожа Толмачева. В ряде случаев поставка соответствующего оборудования может занимать несколько месяцев, добавляют в Б1.
Кроме того, как и другая IT-инфраструктура, серверы с GPU требуют специализированных условий эксплуатации, в частности эффективного отвода тепла, стабильного и бесперебойного питания высокой мощности.
Эффективное решение
Сегодня создать такие условия возможно только в дата-центрах, которые гарантируют высокую степень безопасности оборудования и минимальные даунтаймы. Дата-центры обслуживаются профессиональными инженерами, которые обладают необходимыми компетенциями для работы с серверным оборудованием. Создание такого дата-центра и его обслуживание требуют значительных капитальных затрат, поэтому многие компании отдают предпочтение сотрудничеству со специализированным провайдером. Господин Семенихин отмечает, что облачные сервисы позволяют платить по мере использования и быстро масштабировать мощности.
На российском рынке (как и на международном) на данный момент представлено множество различных готовых решений, и они активно используются, говорят в Б1. Selectel обладает одной из самых широких линеек GPU на российском рынке и предоставляет преднастроенные сервисы для работы с технологиями на базе AI и машинного обучения. Так, есть несколько ключевых вариантов для работы:
Выделенный сервер. В этом случае клиент получает в аренду целый сервер или несколько серверов. Это удобно, если задача предполагает большие объемы данных и вычислительная нагрузка примерно одинакова вне зависимости от сезона и других факторов.
Облачные серверы. Они подходят для клиентов, которым важно оперативно масштабироваться, например увеличить нагрузку в два раза из-за сезонно высокого спроса на продукт. Это актуально для E-commerce во время акции «Черная пятница» или сервисов онлайн-образования в начале учебного года и в период перед экзаменами. При этом оплачиваются только фактически используемые мощности.
Managed Kubernetes с GPU. Это облачный сервис, который позволяет легко запускать и масштабировать приложения, требующие мощных графических процессоров, без необходимости самостоятельно настраивать и обслуживать сложную инфраструктуру.
Кроме этого, есть возможность использовать гибридные решения, то есть объединять выделенные серверы с облачными для одновременного выполнения задач, требующих высокопроизводительного оборудования и проведения ML-экспериментов.
Компания предлагает готовые и произвольные конфигурации серверов. «Стандартные сборки будут готовы к работе в течение нескольких минут после появления запроса со стороны клиента, а сборка кастомной вариации может занять до нескольких рабочих дней. Мы предоставляем максимально широкий выбор комплектующих и на собственных линиях сборки формируем серверы, которые способны решать самые разные задачи клиентов компании»,— говорит директор по продуктам Selectel Константин Ансимов.
В портфолио компании также есть и высокоуровневый класс решений для работы с искусственным интеллектом — AI-платформа. Она представляет собой сочетание ML- и Inference-платформы, вместе эти сервисы сокращают время запуска модели, затраты на разработку и обновления и стандартизируют работу ML-команды, говорят в компании. Недавно на конференции Selectel Tech Day 2025 был также представлен новый продукт, который дополнил AI-платформу Selectel — Foundation Models Catalog, сервис, позволяющий оперативно внедрять AI в бизнес, автоматизировать ключевые процессы и ускорять разработку кода.
Таким образом, использование сервисов облачных провайдеров снижает порог входа в AI для бизнеса.
Так, Selectel забирает на себя задачи, связанные с IT-инфраструктурой, повышая эффективность использования инвестиций и позволяя бизнесу фокусироваться на разработке ключевого продукта. «Мы предоставляем клиентам вертикально интегрированные сервисы, которые позволяют выбрать, какую часть работы бизнес хочет оставить на своей стороне, а какую ему было бы комфортно делегировать провайдеру. Для нас как для бизнеса важно предоставить клиентам как можно более гибкую инфраструктуру, которая способна адаптироваться под любые задачи»,— дополняет господин Ансимов.
Selectel планирует инвестировать 10 млрд руб. в экосистему инфраструктурных продуктов для AI-проектов до 2031 года. Средства пойдут на закупку специализированного оборудования для работы с AI (в основном GPU-ускорители), строительство и эксплуатацию дата-центров, а также R&D.