AI as a Service: як перетворити штучний інтелект на мейнстрим
Штучний інтелект ще ніколи так не хайпував. MidJourney малює неймовірні ілюстрації, ChatGPT пише переконливі тексти та вчиться кодити. Здається, ШІ відкриває перед будь-яким бізнесом безліч нових можливостей, його переваги очевидні. Але наразі ніхто не розуміє, як реалізувати ці можливості на практиці, особливо для невеликих компаній. Вважається, що впровадження засобів машинного навчання — це прерогатива IT-велетнів на кшталт Microsoft та Google.
Та чи є альтернатива у цього шляху? Чи обов'язково штучний інтелект мають застовпити за собою корпорації Big Tech? Ні, усе може бути інакше, якщо застосувати до технологій модель As a Service.
Що таке AI as a Service
Йдеться про застосування сервісної моделі Software as a Service до продуктів на основі штучного інтелекту — машинне навчання, генеративний ШІ, нейромережі, комп'ютерний зір тощо. Звідси й назва AI as a Service (AIaaS) — штучний інтелект як послуга. Принцип As a Service зазвичай передбачає користування хмарним софтом за передплатою. Обираєте відповідний тарифний план — і вперед.
У такій моделі компанія реального сектору має змогу отримати ШІ-продукти від стороннього вендора, замість того щоб експериментувати з cutting edge технологіями самостійно.
Сьогодні послуги AIaaS мають змогу надавати передусім гіганти Big Tech: IBM зі своєю платформою Watson, Microsoft зі своєю Azure, Google зі своїм хмарним ML рушієм. Однак паралельно у цій сфері народжуються та зростають нові й нові стартапи, а ринок росте, наче на дріжджах.
За прогнозом Market Research Future, обсяг ринку рішень AIaaS до 2030 року перевищить позначку у $43 млрд за сукупного річного темпу зростання у понад 25%. А експерти Brandessence налаштовані ще оптимістичніше, бо вважають, що вже до 2028 року обсяг ринку перетне позначку у $90 млрд за середньорічного темпу зростання в 48%.
Таке зростання виглядає цілком природним, адже у найближчі роки реальному сектору та інвесторам без жодних сумнівів доведеться «в'їхати» у тему генеративного ШІ та машинного навчання. Вже сьогодні ми бачимо, наскільки корисним та ефективним буде штучний інтелект для бізнесу. Data-аналітика небаченого рівня та оперативності, робота з клієнтським досвідом, чатботи та голосові боти нового покоління, комп'ютерний зір для промисловості та логістики, автономні роботи та дрони, створення унікального візуального та текстового контенту і навіть кодинг — це лише ті можливості, які ми бачимо зараз. Штучний інтелект фактично лише починає свою переможну ходу.
Чому світові потрібен AI as a Service
Ми вже згадали, що модель AIaaS — це відносно дешевий та швидкий спосіб скористатися можливостями штучного інтелекту для бізнесу. Але набагато важливіше те, що саме AIaaS має потенціал перетворити штучний інтелект на мейнстрим — привести його буквально у кожну компанію, у кожний бізнес.
Які переваги AIaaS мають зробити це можливим?
- Низький поріг входу. Якщо щось і буде стримувати поширення технологій ШІ у найближчі роки, то це брак фахівців. Це означає, що далеко не кожна компанія буде мати у своєму штаті бодай одного фахівця, що розуміється на роботі з ML або data science. Модель AIaaS частково розв'язує цю проблему, адже має зробити інструменти ШІ доступними для кінцевого користувача, навіть далекого від програмування як такого. Будь-який ШІ-сервіс потребуватиме рішень no-code та вкрай вдалого UX, аби бути життєздатним.
- Мінімальні вимоги до заліза. Робота із засобами ШІ потребує серйозних обчислювальних потужностей. Для цього застосовують потужні GPU та TPU, але у світі майнінгу та дефіциту напівпровідників розгортання такої інфраструктури може бути занадто дорогим. Концентрація обчислювальних потужностей у великих data-центрах робить побудову інфраструктури для ШІ дешевшою завдяки ефекту масштабу. Але бізнес взагалі може про це не думати, адже всі проблеми із залізом — це проблеми вендора.
- Простота інтеграції. Постачальники AIaaS будуть докладати максимум зусиль, аби їхні продукти були сумісними з будь-яким іншим корпоративним софтом та хмарними сервісами. Їхні рішення можна буде інтегрувати у бізнес за лічені тижні завдяки максимально простим та зручним в роботі API. Та ймовірно хтось піде ще далі, створюючи, наприклад, відповідні плагіни для браузерів та доступні вебінтерфейси.
- Гнучкість. Машинна обробка даних — це поле для творчості та експериментів. Нерідко виникає необхідність паралельно тестувати декілька моделей ML або навчати їх на різних добірках даних. І можливість користуватися одночасно декількома платформами ШІ, або змінювати їх «на льоту» з огляду на це виглядає вельми корисною.
Ясна річ, фінансове питання матиме вирішальний характер. Платформи AIaaS будуть особливо корисні для тих бізнесів, які навіть теоретично не розглядають можливість інвестувати у власні інструменти ШІ, тим, хто бажає поекспериментувати, або тим, хто прагне заощадити тут і зараз — під час кризи це природно. Сервісна модель надає усі переваги технології, закриваючи усі ризики.
Слабкі місця AI as a Service
Звісно, слабкі місця у цієї моделі є, і вони значно серйозніші, ніж може здаватись. Загалом вони характерні для будь-якого хмарного софту.
- Кібербезпека та захист даних. Засоби ML будуть застосовуватись серед іншого й для обробки чутливих даних, що стосуються показників бізнесу або його користувачів. Відтак випускати ці дані за межі вашої компанії, на сервери далекого data-центру — це додатковий чинник ризику. Ніхто не може дати гарантію, що віддалена хмарна платформа захищена від витоку даних, працює прозоро та вільна від впливу іноземних урядів чи сторонніх гравців.
- Швидкодія. Навантаження на хмарні data-центри щороку зростає, що впливає на швидкість й надійність їх роботи. Перетворюючись на мейнстрим AIaaS-платформи теж можуть зіткнутися з цією проблемою, адже вони й без того потребують потужного «заліза». Для деяких галузей хмарна архітектура просто не підходить. Як, наприклад, створити на її основі надійну систему управління безпілотними авто чи дронами? Чи систему промислового комп'ютерного зору?
- Обмежена кастомізованість. Одна з ключових проблем коробкового та SaaS-софту як такого — він створюється «для всіх одразу», а не конкретно для вас, тож завжди вимагає певної готовності підлаштовуватися під логіку постачальника платформи. Однак застосування ШІ потребує максимально індивідуального підходу, детального налаштування моделі ML та дуже прискіпливого підбору даних для неї. Компроміси в подібних питаннях можуть суттєво знизити ефект від впровадження ШІ у бізнес.
Саме від подолання цих проблем у найближчій перспективі залежить, чи принесе AIaaS величезну технологічну революцію. Така модель цілком може залишитися нішевим рішенням, що має обмежений простір до використання.
Звідки чекати революції
Можливості штучного інтелекту виглядають занадто апетитно, аби не перетворюватись на сервіси найближчими роками. Не складно уявити собі розумних голосових та чатботів, які можуть замінити у компанії цілий колцентр. Не важко уявити собі автоматизованого копірайтера чи дизайнера на основі генеративного ШІ, який не вміє втрачати дедлайни. Не важко уявити собі, як ШІ без втручання людини оптимізує рух вантажівок у складських доках та контролює якість продукції на промисловій лінії.
Настав ідеальний час, аби інвестувати у розробку засобів ШІ, причому не лише для світу IT. Компанії реального сектору, що почнуть вкладатись у такі технології зараз, не лише отримають фору в боротьбі з конкурентами. Завтра вони отримають у своє розпорядження робочі інструменти ШІ, а післязавтра матимуть змогу вийти з ними на ринок AIaaS, стати постачальниками софту. Тож революція може прийти звідти, звідки її не чекали — не з території Big Tech, яка нині переживає масштабні скорочення, а зі світу виробництва, ритейлу, енергетики, логістики — галузей, що нині потребують можливостей ШІ найбільше.
