(C) 2023 Digital Future
Что будет с искусственным интеллектом и роботами в России: новая реальность
Дмитрий Буланцев, технический директор MTS AI
Российский рынок AI живет в новой реальности уже более полугода. Практически каждая компания столкнулась с «брожением в командах», оттоком ИТ-кадров и влиянием санкций на высокотехнологичный сектор.
Бурный рост ИИ-рынка и новые вызовы
Несмотря на впечатляющие объемы глобального рынка искусственного интеллекта, которые оцениваются в $310 млрд к 2026, доля России в этом объеме не превышает 1,5%. И с учетом имеющихся и будущих ограничений нам нужно целиться в индустрии с высоким качеством данных и стремиться занять свое место на зарождающихся рынках ИИ, к которым можно отнести агротех, промышленность, строительство.
Объем рынка ИИ в промышленности будет расти с CAGR 44,3% с 2022 по 2030 и достигнет $78,7 млрд.
В последние годы в стране были реализованы десятки крупных проектов, так или иначе связанных с искусственным интеллектом. Наиболее заметные из них для конечного пользователя связаны с машинным обучением и компьютерным зрением.
Например, на стадии полноценной промышленной эксплуатации оплата проезда в метро с помощью лица (FacePay). Сюда же можно отнести проект по созданию Единой биометрической системы в банках. Взаимодействие с банкоматами без пластика и QR-кодов, а только посредством встроенной видеокамеры.
Объем рынка ИИ в промышленности будет расти с CAGR 44,3% с 2022 по 2030 и достигнет $78,7 млрд.
В последние годы в стране были реализованы десятки крупных проектов, так или иначе связанных с искусственным интеллектом. Наиболее заметные из них для конечного пользователя связаны с машинным обучением и компьютерным зрением.
Например, на стадии полноценной промышленной эксплуатации оплата проезда в метро с помощью лица (FacePay). Сюда же можно отнести проект по созданию Единой биометрической системы в банках. Взаимодействие с банкоматами без пластика и QR-кодов, а только посредством встроенной видеокамеры.
Другой большой проект — системы уличного видеонаблюдения, которые уже не только в мегаполисах, но и в городах среднего размера помогают бороться с преступностью (если говорить о социальной функции) и определять точки максимальных скоплений людей в интересах бизнеса, в первую очередь ритейла и телеком-компаний.
ИИ лежит в основе проекта по поиску пропавших людей:
Создавать подобные технологии помогают отечественные платформы, представляющие собой конструкторы с расширенными библиотеками. С их помощью разработчики применяют лучшие мировые практики, но с использованием российских подходов или решений с открытым кодом.
Помимо них в стране запустилось множество стартапов, усилия которых направлены как на социально-значимые отрасли, так и на малый и средний бизнес.
Бурно развивающийся в последние несколько лет отечественный ИИ-рынок сейчас переживает сложные времена: зарубежные партнеры уходят, цены на покупку оборудования и ПО растут, а ИТ-специалисты релоцируются за рубеж. Из-за последних событий последствия могут быть еще хуже.
Какие барьеры есть сейчас:
ИИ лежит в основе проекта по поиску пропавших людей:
- дроны, оборудованные высокоточными камерами, патрулируют труднопроходимые районы, куда обычным спасателям добраться довольно проблематично;
- нейросети помогают обрабатывать полученную с дронов информацию: они делают это в 2,5 раза быстрее чем люди, на один кадр уходит около двух секунд.
Создавать подобные технологии помогают отечественные платформы, представляющие собой конструкторы с расширенными библиотеками. С их помощью разработчики применяют лучшие мировые практики, но с использованием российских подходов или решений с открытым кодом.
Помимо них в стране запустилось множество стартапов, усилия которых направлены как на социально-значимые отрасли, так и на малый и средний бизнес.
Бурно развивающийся в последние несколько лет отечественный ИИ-рынок сейчас переживает сложные времена: зарубежные партнеры уходят, цены на покупку оборудования и ПО растут, а ИТ-специалисты релоцируются за рубеж. Из-за последних событий последствия могут быть еще хуже.
Какие барьеры есть сейчас:
- Ограничение поставок процессоров и графических карт, необходимых для разработки моделей машинного обучения.
- Прекращение обслуживания зарубежными вендорами действующих ИТ-систем.
- Закрытие доступа к зарубежным датасетам и другим инструментам работы.
Как снизить зависимость от иностранного железа
Самым острым вопросом остается импортозамещение оборудования, необходимого для тренировки алгоритмов искусственного интеллекта и создания умных устройств.
В настоящий момент такое оборудование предоставляет несколько компаний — Nvidia, Intel и AMD, и все они прекратили работу на территории России. К сожалению, эти ограничения происходят в условиях стремительного роста производительности процессоров.
Например, выпущенная в конце марта модель GPU Nvidia H100 может решать задачи машинного обучения в восемь раз быстрее, чем предыдущая модель компании A100, представленная два года назад.
Это означает не просто существенное ограничение количества ресурсов для развития технологий машинного обучения, но и стремительное увеличение отставания в доступных вычислительных мощностях относительно мировых конкурентов.
Сейчас необходимо искать способы решения этой проблемы. На рынке появился огромный спрос на железо, а это значит, что кризис может стать возможностью для компаний на российском рынке.
Ведущие технологические компании, крупнейшие китайские поставщики интеллектуальных устройств, могут разработать аналоги, сопоставимые по производительности с западным оборудованием — но для этого нужно время.
Еще один вариант — получение доступа к вычислительным ресурсам, которые расположены за пределами Российской Федерации. Это в некоторой степени позволит преодолеть существующие ограничения для разработки моделей машинного обучения.
Если говорить об ИТ-инфраструктуре, то лучшим решением сейчас является упор на взаимодействие с китайскими и отечественными вендорами. Например, использованием продуктов на основе компьютерного зрения и ИИ-ускорителей Atlas.
В настоящий момент такое оборудование предоставляет несколько компаний — Nvidia, Intel и AMD, и все они прекратили работу на территории России. К сожалению, эти ограничения происходят в условиях стремительного роста производительности процессоров.
Например, выпущенная в конце марта модель GPU Nvidia H100 может решать задачи машинного обучения в восемь раз быстрее, чем предыдущая модель компании A100, представленная два года назад.
Это означает не просто существенное ограничение количества ресурсов для развития технологий машинного обучения, но и стремительное увеличение отставания в доступных вычислительных мощностях относительно мировых конкурентов.
Сейчас необходимо искать способы решения этой проблемы. На рынке появился огромный спрос на железо, а это значит, что кризис может стать возможностью для компаний на российском рынке.
Ведущие технологические компании, крупнейшие китайские поставщики интеллектуальных устройств, могут разработать аналоги, сопоставимые по производительности с западным оборудованием — но для этого нужно время.
Еще один вариант — получение доступа к вычислительным ресурсам, которые расположены за пределами Российской Федерации. Это в некоторой степени позволит преодолеть существующие ограничения для разработки моделей машинного обучения.
Если говорить об ИТ-инфраструктуре, то лучшим решением сейчас является упор на взаимодействие с китайскими и отечественными вендорами. Например, использованием продуктов на основе компьютерного зрения и ИИ-ускорителей Atlas.
Отсутствие поддержки зарубежного ПО
Еще один фактор, осложняющий дальнейшее развитие компаний — прекращение обслуживания зарубежными вендорами действующих ИТ-систем. Здесь важно прорабатывать совместимость технологий с отечественными операционными системами, чтобы алгоритмы можно было запустить на «Ред» ОС, Astra Linux, ОС «Аврора».
Кроме того, стоит уделить внимание разработке собственного фреймворка для запуска готовых нейронных сетей. Большинство библиотек для нейронных сетей — зарубежные, наиболее популярные разрабатывают Google, Nvidia и Intel.
Разработка своего фреймворка повышает автономность компании, дает больший контроль над исполнением кода и потребляемыми ресурсами, а также позволяет адаптироваться под изменения рынка быстрее и с учетом конкретных потребностей клиентов
Кроме того, стоит уделить внимание разработке собственного фреймворка для запуска готовых нейронных сетей. Большинство библиотек для нейронных сетей — зарубежные, наиболее популярные разрабатывают Google, Nvidia и Intel.
Разработка своего фреймворка повышает автономность компании, дает больший контроль над исполнением кода и потребляемыми ресурсами, а также позволяет адаптироваться под изменения рынка быстрее и с учетом конкретных потребностей клиентов
Нехватка данных
На модернизации ИИ-технологий негативно сказываются сложности в закупке баз данных, которые необходимы для обучения нейросетей. В настоящее время российские компании не могут их оплатить: либо им просто отказывают в приобретении, либо у них нет зарубежного юридического лица, чтобы оплатить счета.
И здесь у ИИ-компаний есть два пути:
В перспективе альтернативным источником датасетов на внутренний рынок могут стать компании, близкие к экосистемам. Рассматривается идея создать государственных операторов данных, с помощью которых разработчики решений в области искусственного интеллекта смогут получать доступ к государственным наборам данных.
И здесь у ИИ-компаний есть два пути:
- регистрировать зарубежные филиалы, чтобы оплачивать датасеты,
- собирать их самостоятельно.
В перспективе альтернативным источником датасетов на внутренний рынок могут стать компании, близкие к экосистемам. Рассматривается идея создать государственных операторов данных, с помощью которых разработчики решений в области искусственного интеллекта смогут получать доступ к государственным наборам данных.
Какие решения будут актуальны
В условиях дефицита вычислительных мощностей можно выделить четыре основных вида решений, которые будут наиболее актуальны в России.
Мы уже используем их в девайсах, кейсах с удаленной верификацией на смартфонах и решениях для умного города — это помогает ускорить обработку информации с большого количества камер.
Возможность обеспечить идентификацию или верификацию по лицу за доли секунды повышает качество и надежность обслуживания во всех клиентских каналах.
Главный вызов при разработке решений для embedded-устройств — создание быстрых моделей нейронных сетей без потери точности распознавания.
Отдельно стоит сказать, что на фоне отключения Apple/Google/Samsung Pay, к которым привыкло большинство покупателей, еще более актуальной становится оплата по лицу. Такой способ не менее быстр и удобен — для совершения платежа достаточно просто посмотреть в камеру.
Сейчас для российских ИИ-разработчиков обеспечение технологического суверенитета стало обязательным условием существования. Поэтому развивая имеющийся продукт или создавая новый, необходимо в первую очередь думать о том, как работать с минимальными зависимостями.
Конечно, не во всех сферах можно применять аналогичный подход, особенно если это касается чипов, микроэлектроники.
- оптимизированные ИИ-технологии
Мы уже используем их в девайсах, кейсах с удаленной верификацией на смартфонах и решениях для умного города — это помогает ускорить обработку информации с большого количества камер.
- оптимизированные алгоритмы машинного обучения для работы с большими данными
Возможность обеспечить идентификацию или верификацию по лицу за доли секунды повышает качество и надежность обслуживания во всех клиентских каналах.
- решения для NPU
Главный вызов при разработке решений для embedded-устройств — создание быстрых моделей нейронных сетей без потери точности распознавания.
- облачные технологии
Отдельно стоит сказать, что на фоне отключения Apple/Google/Samsung Pay, к которым привыкло большинство покупателей, еще более актуальной становится оплата по лицу. Такой способ не менее быстр и удобен — для совершения платежа достаточно просто посмотреть в камеру.
Сейчас для российских ИИ-разработчиков обеспечение технологического суверенитета стало обязательным условием существования. Поэтому развивая имеющийся продукт или создавая новый, необходимо в первую очередь думать о том, как работать с минимальными зависимостями.
Конечно, не во всех сферах можно применять аналогичный подход, особенно если это касается чипов, микроэлектроники.