Если попробовать выделить 4 основных проблемы внедрения ИИ в отечественное производство, то самой первой из них я бы поставил недостаток усилий, финансирования и подготовленных кадров в области когнитивных исследований и когнитивного моделирования человеко-машинных систем (ЧМС).
Когнитивная модель производства — это способ представить, как работает цифровым образом трансформированное производство, используя понятные и структурированные данные. Она напоминает детализированную «интеллект-карту», которая
связывает все человеко-машинные процессы предприятия в единую систему — с единой структурой, формой и ресурсами. В основе цифровой трансформации производств с использованием искусственного интеллекта всегда лежит подобное моделирование.
И чем сложнее деятельность — тем выше должна быть квалификация междисциплинарной команды специалистов, подобным моделированием занимающихся. Нужно сказать, что на западе когнитивная наука активно развивается с 50-х годов прошлого столетия, в России же буквально только в сентябре этого года была защищена первая докторская диссертация по когнитивным наукам в ВШЭ. Дело в том, что информатика, ИИ и нейронаука — это только части пазла человеко-машинной системы, коей является современное предприятие. Когнитивистика же междисциплинарно занимается, как показано на картинке, еще и психологическим, лингвистическим и даже философско-антропологическим продумыванием человеко -машинной коммуникации. Для успешного внедрения ИИ требуется синхронизация когнитивных (познавательных) процессов людей и машин.
Что естественным образом ставит более общую вторую проблему — проблему дефицита хорошо подготовленных специалистов по когнитивистике, цифровой трансформации производственных и бизнес процессов, по ИИ и нейросетям. И это проблема системная, поскольку таких специалистов нужно все больше и больше, и пока что наша система подготовки не поспевает за растущим запросом. Крупным предприятиям, как правило, нужны целые команды разнопрофильных специалистов с качественным высшим образованием и хотя бы минимальным опытом в этих сферах.
Из этого вытекает третья проблема — недостаточная или незавершенная цифровая трансформация информационной инфраструктуры многих отечественных предприятий. Когнитивное моделирование ЧМС с использованием ИИ опирается на информационные инфраструктуры, способные собирать высококачественные цифровые данные для формирования прогнозов и принятия решений. Однако существующие информационные потоки на предприятиях все еще оказываются недостаточно (не целостно) оцифрованы. Это создает «пробелы данных» — участки, где моделям нечего анализировать. В итоге когнитивная модель, создаваемая ИИ, оказывается неполной или недостоверной, что ограничивает возможности автоматизации процессов.
Четвертой причиной я бы назвал управленческую инерцию, вызывающую дополнительные ресурсные барьеры. Дело не столько в отсутствии финансов на ИИ трансформацию, а именно в том, что финансовые ограничения часто усиливаются инерцией руководства предприятий, которая проявляется в нежелании рисковать устойчивостью устаревших бизнес-процессов. Эта инерция препятствует пересмотру моделей принятия решений с человеческих на человеко-машинные, особенно если ожидаемая выгода не очевидна в краткосрочной перспективе. Это осложняет эффективное освоение даже уже выделенной государственной поддержки на развитие ИИ решений. Для преодоления этих барьеров важно создать когнитивно-ориентированные подходы к внедрению ИИ технологий: заняться развитием когнитивной совместимости человеко-машинных систем, обучением сотрудников взаимодействию с ИИ и формированием гибких управленческо-аналитических структур, способных эффективно интегрировать новые технологические модели с инфраструктурами промышленных предприятий.
Илья Гункин,
зам.ген.директора по развитию
Нефтехимической компании Relynolli