Комментарии

Спасибо за отзыв. Какие лучшие инструменты автоматизации DevOps посоветовали бы?

Концепция DevOps не нова. В IT-индустрии все понимают, что это правильная методология построения ПО. DevOps пленила мир своим обещанием ускоренной доставки высококачественного продукта. Однако, несмотря на это обещание, многие бизнес-проекты не осознают весь потенциал этой методологии. И хотя отчасти это обусловлено культурной инертностью и недостатком навыков, основным препятствием для получения полноценной отдачи от вложений в DevOps остаётся отсутствие автоматизации. Именно за счёт интеграции и автоматизации можно добиться более эффективного потока разработки ПО. Поэтому в текущей статье мы разберём, что подразумевает собой автоматизация DevOps, и как можно начать автоматизировать ваши процессы в рамках данной методологии.

Что такое автоматизация DevOps?

Автоматизация является фундаментальным принципом DevOps. На деле конечной целью применения DevOps выступает полная автоматизация всех повторяющихся задач в цикле разработки ПО, начиная с проектирования и заканчивая развёртыванием с последующим управлением релизами.

Как правило, разработка ПО состоит из множества задач, над которыми трудятся различные команды. Сюда относится анализ кода, модульное тестирование, выполняемые командами разработки; тестирование функциональности, производительности и прочих процессов, реализуемое командами тестировщиков; а также поэтапное развёртывание и управление релизами, за которое отвечают операционные группы. Автоматизация и оптимизация всех этих процессов в DevOps реализуется с помощью различных инструментов и технологий.

В качестве наиболее популярных инструментов здесь можно назвать Puppet, Chef, Ansible и Jenkins, а к распространённым технологиям относится автоматизация IT и инфраструктуры.

Пять основных преимуществ автоматизации DevOps для бизнеса

Автоматизация необходима для воплощения в жизнь обещания DevOps по ускоренной доставке высококачественных продуктов. Она упрощает и ускоряет процессы разработки, а также делает их более эффективными, позволяя командам создавать, тестировать, развёртывать и обслуживать код в ускоренном темпе и более качественно по сравнению с ручными подходами.

Автоматизация DevOps предлагает множество преимуществ, и далее я перечислю пять основных.

1. Повышенная продуктивность

Поскольку почти все задачи DevOps, вроде интеграции кода и развёртывания приложения, автоматизированы, это определённо приводит к ускорению выпуска ПО и повышенной продуктивности. Автоматизация исключает задержку в процессах, которая порой возникает в случае их ручной обработки. Более того, поскольку участие человека практически исключается, разработчики и операционная команда могут сосредоточиться на важнейших для бизнеса процессах, не тратя время на повторяющиеся второстепенные задачи.

2. Высокая стандартизация

Автоматизация DevOps позволяет стандартизировать рабочие потоки, процессы, технологии и метрики. Это, в свою очередь, помогает минимизировать повторы, снизить риски и обеспечить подобающие руководства к реализации задач. Использование стандартизованных практик также даёт возможность автоматизировать и другие ручные процессы, помогая экосистеме DevOps перейти от автоматизации к оркестрации.

3. Повышенная гибкость

За счёт автоматизации DevOps ваши команды получают бо́льшую гибкость в плане охвата и функциональности автоматизированных процессов. Теперь они могут настраивать и оптимизировать их даже после изменения стека технологий.

4. Высокая масштабируемость

Автоматизация даёт возможность с лёгкостью масштабировать имеющиеся процессы путём простого создания дополнительных для соответствия возросшим потребностям. При ручной же разработке любое масштабирование вызывает трудности и всегда требует доступной для его выполнения команды. В случае же автоматизации масштабирование зависит лишь от доступности необходимого ПО или аппаратных средств, что не является проблемой в облачных инфраструктурах, где ресурсы автоматически масштабируются согласно рабочим нагрузкам.

5. Высокая согласованность

В результате автоматизации процессов DevOps мы получаем согласованный и предсказуемый результат, поскольку внутренние инструменты непреклонно выполняют свои задачи указанным образом. Этого нельзя сказать о ручных процессах, в которых вмешательство человека накладывает риск внесения ошибок.

Подготовка к автоматизации DevOps

По автоматизации DevOps не существует какого-то конкретного свода правил. В этом направлении постоянно происходят различные изменения. Поэтому перед вами лежит огромная область, где вы можете столкнуться со множеством вопросов вроде: «С чего начать?» или «Какие процессы можно и нужно автоматизировать?»

Прежде чем знакомиться с лучшими практиками автоматизации DevOps, мы разберём некоторые типичные рекомендации, которые помогут понять, что и как следует автоматизировать.

1. Отдавайте предпочтение открытым стандартам

Реализуйте инструменты автоматизации DevOps, которые следуют распространённым открытым стандартам и процедурам. Таким образом, в случае появления новых людей в команде вы сможете упростить онбординг и сэкономить время на обучении. Кроме того, поскольку DevOps и деплои переходят в облако, предпочтение следует отдавать управляемым сообществом стандартам упаковывания, настройки, выполнения, сетевого взаимодействия и хранения.

2. Используйте динамические переменные

Переиспользование кода помогает значительно сократить объём повторно выполняемой работы, которую требуется проделать сейчас и в дальнейшем. Задействование в скриптах или специализированных инструментах внешних переменных является оптимальным способом применения автоматизации к различным средам без необходимости изменять сам код.

3. Выбирайте гибкий инструментарий

Гибкий набор инструментов помогает адаптироваться к изменяющейся экосистеме DevOps. Сложно найти инструмент, подходящий под все случаи, однако использование таких решений DevOps, которые обеспечивают гибкость в изменении технологий, помогает уменьшить объём повторной работы в случаях перестройки конечных целей или общей смены направления проекта. Выбирайте такой инструмент, который обладает широким спектром партнёрских интеграций, работающих с любым облаком, чтобы у вас была возможность добиться поставленных целей, не будучи ограниченным имеющимся набором инструментов.

4. Используйте ИИ

Используйте алгоритмы ИИ для определения конкретных паттернов в процессах DevOps, устранения узких мест и решения проблем. Инструменты на базе ИИ могут существенно упростить вашу работу, когда дело доходит до мониторинга разработки и продакшена.

5. Унифицируйте набор инструментов DevOps

Раздробленность инструментария DevOps и различие пайплайнов препятствует отчётливой видимости цикла разработки ПО. Сильная раздробленность усложняет централизованное управление и оптимизацию инструментов автоматизации DevOps в реальном времени. Поэтому крайне важно обеспечить единое видение жизненного цикла DevOps, чтобы оценивать и улучшать доставку, а также развёртывание ПО.

Лучшие практики автоматизации DevOps

Познакомившись с основными рекомендациями по началу автоматизации DevOps, можно перейти к лучшим практикам, которые позволят задействовать весь её потенциал.

1. CI/CD

Непрерывная интеграция, доставка и развёртывание (CI/CD) тесно связаны с DevOps. Методологии DevOps, наряду с конвейером CI/CD, повышают продуктивность разработки. И хотя CI/CD и DevOps отличаются, первая выступает ключевым аспектом автоматизации второй. Автоматизацию можно применить ко всем аспектам CI/CD, включая коммиты кода, его сборку и развёртывание упакованных приложений в тестировочных или продакшен-средах. Это помогает проводить мониторинг, интеграцию и тестирование с целью ускоренного внедрения изменений в приложение с сохранением высокого качества. Более того, автоматизация CI/CD освобождает команду от рутинных задач, позволяя сфокусироваться на освоении нового и привнесении ценности.

2. Контроль версий

Контроль версий является важным элементом любой стратегии DevOps, помогая командам управлять изменениями в коде на протяжении всего жизненного цикла разработки ПО. Он позволяет отслеживать подробности вроде «когда и какие были внесены изменения», а также «кто и зачем их внёс». Это исключает конфликты параллельных рабочих процессов. Таким образом, автоматизация контроля версий переносит вышеперечисленные преимущества на новый уровень. Более того, она экономит время и даёт согласованные результаты.

3. Контроль изменений

В дополнение к версионированию кода реализация конкретного процесса внедрения изменений в приложение помогает планировать и развёртывать эти изменения с минимальным влиянием на существующих клиентов. Это также помогает сохранять направленность продукта, попутно сокращая спектр вредоносных изменений кода.

Один из важнейших аспектов управления изменениями заключается в определении правильной схемы их оценки, принятия и отслеживания. Новые запросы на изменения должны получать приоритет в соответствии с имеющимся объёмом запланированных работ.

Внедрение автоматизации в экосистему DevOps позволяет оптимизировать процесс управления изменениями. Автоматизированные элементы контроля качества, такие как тестовые прогоны и отслеживание уведомлений, помогают команде анализировать основное состояние изменений, не прибегая к обширному ручному тестированию.

4. Управление конфигурацией

Для поддержания системы в оптимальном состоянии необходимо конфигурировать ОС, программное обеспечение, зависимости и системные файлы. Однако традиционный процесс управления конфигурацией, будь то вручную или с помощью скриптов, может оказываться сложным и дорогостоящим. За счёт автоматизации можно получить готовый настроенный сервер в течение считаных минут при меньшем пространстве для ошибок. Автоматизация также помогает поддерживать сервер в нужном состоянии, например со стандартной операционной средой, без необходимости использовать скрипты конфигурирования.

5. Инфраструктура как код (IaC)

Освойте практику «Инфраструктура как код», поскольку она позволяет настраивать и обслуживать компоненты инфраструктуры, такие как сетевые элементы и виртуальные машины, путём использования предопределённого кода. В случае внесения изменений это упрощает автоматическое определение, тестирование и развёртывание новой инфраструктуры с новой конфигурацией. Кроме того, это помогает избежать ошибок вследствие ручной работы, а также экономит время и средства.

6. Непрерывный мониторинг

Непрерывный мониторинг помогает отбирать важную операционную информацию путём отслеживания производительности и стабильности приложений и инфраструктуры в течение всего жизненного цикла ПО. Правильно подобранные инструменты мониторинга позволят автоматически интерпретировать сырые данные и предоставят связанную с ними информацию. Автоматизация также позволяет устанавливать правила мониторинга и генерировать уведомления для отслеживания доступности инфраструктуры, производительности приложений, вопросов безопасности и прочего.

7. Управление логами

Логи скапливают огромное количество данных о важнейших компонентах бизнеса. Логи приложения, инфраструктуры и аудита предоставляют полезную информацию, которая помогает находить проблемы, а также корректировать код и конфигурацию инфраструктуры для повышения быстродействия. За счёт автоматизации можно легко агрегировать и анализировать эти логи, выявляя ошибки, отслеживая активности и метрики производительности.

Всё давно уже придумано и протестировано. Какими бы ни были старыми базовые законы, они работают. Никто же не пытается переоткрыть закон притяжения тел, например. И здесь тот же принцип. Нужно просто сделать всё по алгоритму.

Коротко весь путь выглядит так:
— Сегментирование ЦА
— Описание сегментов (выдвижение первичных гипотез)
— Интервьюирование

Распределение данных анализа

Всю работу по сегментации целевой аудитории удобно делать в какой-нибудь программе для составления ментальных карт. Я пользуюсь Xmind. Но, если нравится работать с таблицами или структурированными текстами, то же самое можно делать и с Excel, Word или на Google Docs.

Важный момент: маркетинг — не математика. Здесь всё работает исключительно на гипотезах, которые проверяются и отбраковываются. Остаётся только то, что работает. Заранее никак нельзя сказать, что сработает наверняка, но с опытом можно попадать всё точнее.

Важно понимать разницу между целевой аудиторией и её сегментами. Для начала определения.

Целевая аудитория — это аудитория потенциальных потребителей какого-либо товара или услуги.

Сегментирование целевой аудитории — это разделение аудитории на группы, где они объединены по признаку схожих потребностей (запросов).

Интересно и как же правильно?

Всё начинается с исследования потребителей

Это то, с чего ВСЕГДА нужно начинать, и то, что в большинстве случаев делается неправильно.

Если этот этап пропустить, сделать небрежно или с ошибками, остальное не имеет смысла. Продвижение продукта базируется на информации о тех, для кого он предназначен. Неприятные последствия будут, когда сольётся рекламный бюджет. Именно тогда наступает осознание, но ничего исправить уже нельзя, можно только переделать всё снова.

Часто целевая аудитория описывается примерно так: мои клиенты — это мужчины от 25 до 40 лет со средним достатком и выше. Ну или что-то в этом духе. Суть в том, что это вообще никак не назвать целевой аудиторией. Определенно, в этом множестве есть потенциальные клиенты. Если повезёт, то с такими настройками ещё и окупаемость может случиться. Однако, это крайне не эффективная стратегия. Из Владивостока в Москву ведь тоже пешком можно дойти, и это сработает, только стоит ли оно того, когда есть поезда и самолёты?

И ещё раз: если исследование потребителей не сделано, всё остальное не имеет большого значения. Техническая часть, качественный контент, огромные рекламные бюджеты… всё не важно. Ну не продать говяжий бургер в общине воинствующих веганов эко-активистов, их лучше исключить из ЦА :)

Такой помощник больше не является уделом немногих счастливчиков, которые могут позволить себе частных репетиторов или отправиться на отдых в другую страну для общения с носителями языка.

Прежде чем объявить ChatGPT-4 бесспорным чемпионом в области изучения языков, давайте проясним: он не идеален. И хотя, действительно, ИИ иногда может выдать нелепый ответ, а опора на один только ИИ не может обеспечить полный спектр культурного понимания, его преимущества сложно переоценить.

ChatGPT4 меняет представление о том, как мы взаимодействуем с машинами и общаемся друг с другом. Его естественные ответы и способность понимать контекст делают его ценным инструментом для различных отраслей, таких как здравоохранение, маркетинг и образование. Тем не менее, его ограничения, такие как отсутствие эмоционального интеллекта и этические проблемы, требуют решения. ChatGPT4 обладает огромным потенциалом, но мы должны использовать ответственно и обеспечивать соответствие нашим этическим ценностям и принципам.

В целом, ChatGPT4 — это революционная технология, которая способна произвести революцию в том, как мы общаемся и взаимодействуем с машинами. Ее возможности обработки естественного языка и способность понимать контекст делают ее ценным инструментом для различных отраслей, таких как здравоохранение, маркетинг и образование. Однако мы должны знать о его ограничениях и учитывать этические аспекты, чтобы его использование соответствовало нашим ценностям и принципам.

Ожидается, что в 2025 году рынок ИИ (включая системы ADAS и роботизированные автомобили) будет оцениваться в 2,75 миллиарда долларов, и из них 2,5 будут приходиться только на ADAS

Искусственный интеллект постепенно вторгается в нашу жизнь через смартфоны, умные колонки и камеры видеонаблюдения. Шумиха вокруг ИИ заставила некоторых игроков на рынке рассматривать его как сравнительно трудностижимую вторичную цель, а не основной инструмент для создания беспилотного транспорта. Кто же победил и кто проиграл в этой гонке за автономностью?

ИИ прокладывает путь для беспилотного транспорта

«ИИ постепенно вторгается в нашу жизнь, и это особенно актуально в автомобильном мире», — утверждает Йоханн Чуди, аналитик по технологиям, рынку, вычислительной технике и программному обеспечению в компании Yole Développement (сокращенно Yole). «ИИ может стать основным инструментом для создания систем беспилотной езды, хотя многие компании боятся чрезмерного ажиотажа и не опираются на интеллектуальные системы в рамках своих стратегий по созданию систем беспилотной езды».

Компании, уловившие этот аспект технологической битвы, уже вырываются вперед. Влияние COVID-19 пока непонятно, но аналитики из Yole уже сейчас утверждают, что пандемия будет иметь серьезные последствия. Скорее всего, исследования в области беспилотного транспорта будут замедлены в этом и следующем году из-за недостатка денежных средств.

Готовы ли системы ИИ к применению в автомобилестроении? Какие компании участвуют в этой гонке? Какие отношения существуют внутри этой экосистемы? Кто победит в «битве за автономность»? Какие поставщики являются ключевыми и какими технологиями они занимаются? Yole представляет свой взгляд на достижения отрасли ИИ и их применение в автомобилестроении.

Кто выигрывает в «гонке за автономностью»

Давайте взглянем на Tesla, компанию, построившую свой стек технологий беспилотной езды (включающий программное и аппаратное обеспечение) самостоятельно, и являющуюся единоличным правообладателем множества решений. Для Tesla стратегия продвижения небольшими шагами будет выгодной, поскольку она не подразумевает каких-то «побочных исследований», она скорее позволяет интегрировать отдельные проекты в общую систему (именно так компания и работает с электромобилями). Скорее всего, недавний кризис подчеркнет лидерство Tesla на рынке (которое, по некоторым оценкам, длится уже несколько лет). Во второй строке аналитики выделили OEM-производителей, разрабатывающих собственный программный стек на основе аппаратного обеспечения, поставляемого другими игроками на рынке.

Нехватка денежных средств может замедлить работу над некоторыми платформами, хотя разработка некоторых проектов длится несколько лет, и, вероятно, она не будет прервана. Даже в случае возникновения задержек, создание систем беспилотной езды является неотъемлемой частью среднесрочных стратегий OEM-производителей (это касается и Tesla). Что касается выжидающих компаний, которые не ставят автономность во главу угла, то скорее всего их исследовательские программы (если они есть) будут приостановлены до момента урегулирования кризиса. Эти компании отстанут в гонке за автономностью, и им придется полагаться на продукты других компаний, которые будут поставлять полноценные решения/функциональные системы для беспилотной езды.

Основной мотив гонки – союз ИИ и электроники

Развитие различных функциональных возможностей и повышение их сложности требует создания специальных программных решений. Во-первых, все сложнее игнорировать аспект нейронных сетей. Несмотря на то, что их фактор «черного ящика» не обсуждается в широких кругах, он может стать препятствием на пути к реализации систем по принципу «безопасность прежде всего».

Yole делает акцент на интеграции ускорителей (нейронных движков/нейронных процессоров – все это разные маркетинговые названия одной и той же архитектуры) в системы ADAS. Эти модули, которые начали появляться в процессорах мобильных телефонов, предназначены для обработки алгоритмов глубокого обучения – наиболее известный из этих алгоритмов используется в интеллектуальных системах для распознавания объектов в изображениях. В прошлом году компания Tesla интегрировала эти ускорители и ИИ в свой чип Full Self-Driving (FSD).

Большинство OEM-производителей реализуют это решение к 2021 — 2022 годам, так как в настоящее время эти устройства интегрированы во все существующие (и будут интегрироваться в будущем) чипсеты ADAS от компаний Mobileye, Xilinx, TI, Toshiba, Ambarella и Renesas. Эта тенденция к интеграции все большего количества интеллектуальных систем и, следовательно, нейронных процессоров линейно следует за развитием технологий беспилотной езды. Другие тенденции, такие как централизация, будут постепенно преобразовывать будущее вычислений.

Рынок поделен между едиными платформами и процессорами компьютерного зрения

В своем отчете «Artificial Intelligence Computing for Automotive 2020» Yole делает вывод, что рынок автомобильных интеллектуальных систем поделен между едиными платформами и процессорами для компьютерного зрения.

Пьеррик Буле, аналитик по технологиям и рынку твердотельного освещения в Yole сделал следующее заявление: «Мы предполагаем, что существует два варианта архитектуры платформ. Первый – единый чип-компьютер от Nvidia или система беспилотной езды, взятая с топовых роботизированных автомобилей (т.е. „мозг“ транспортного средства). Второй – множество процессоров компьютерного зрения с интегрированными ускорителями – этой архитектурой уже сейчас пользуются многие OEM-производители».

Между этими двумя технологиями возникнет конкуренция, и именно она определит распределение прибыли на рынке. Компания, занимающаяся маркетинговыми исследованиями и стратегическим консалтингом в своем отчете о новых технологиях и рынке пишет, что «в 2025 году рынок ИИ (включая системы ADAS и роботизированные автомобили) будет оцениваться в 2,75 миллиарда долларов, и из них 2,5 будут приходиться только на ADAS».

Yole сотрудничает с System Plus Consulting, чтобы исследовать все прорывные технологии, связанные с приложениями систем ADAS. Недавно представители System Plus взяли интервью у Джунко Йошиды из EE Times: темой разговора стали инновации в новой Audi A8. Часть этого интервью посвящена достижениям Nvidia.

Ромен Фро, генеральный директор System Plus Consulting, объясняет: "… В состав платформы входят процессоры NVIDIA Tegra K1, используемые для распознавания трафика, обнаружения пешеходов, предотвращения столкновений, обнаружения света и распознавания полос движения. Tegra K1 с восемью слоями печатных плат содержит 192 ядра Cuda – столько же, сколько NVIDIA интегрирует в один модуль SMX в графических процессорах на базе архитектуры Kepler. Эти процессоры представлены на рынке в настоящий момент и обладают поддержкой DirectX 11 и OpenGL 4.4"

«Это только начало, и проблемы, связанные с ИИ и его влиянием на автомобильную промышленность, заметны уже сейчас" — комментирует Йоханн Чуди из Yole. У некоторых компаний есть заметное преимущество, и догнать их будет сложно – особенно без интеграции систем ИИ и технологий, связанных с ними.

У искусственного интеллекта (ИИ), появляется все больше новых решений, таких как интеллектуальная диспетчеризация, предиктивное обслуживание, оптимизация маршрутов и т.д. Эти решения помогают компаниям сократить расход топлива, повысить эффективность использования транспортных средств и минимизировать время простоя. При этом преимущества варьируются от оптимизации рабочего процесса и повышения удовлетворенности клиентов до повышения безопасности водителей и сокращения выбросов углекислого газа в атмосферу.

Повышение эффективности с помощью программного обеспечения для управления автопарком на основе искусственного интеллекта

Программное обеспечение для управления автопарком — это централизованная платформа, позволяющая в режиме реального времени получать данные о производительности, использовании транспортных средств и техническом обслуживании. Это программное решение призвано помочь предприятиям управлять парком транспортных средств, оборудования и активов. Оно часто используется для отслеживания местоположения и состояния транспортных средств, оптимизации маршрутов, контроля расхода топлива и т.д. Все это помогает руководителям автопарков принимать взвешенные решения по оптимизации бизнеса.

Однако искусственный интеллект может быть внедрен в программное обеспечение для управления автопарком, чтобы расширить его возможности и обеспечить дополнительные преимущества для руководителей автопарков. Благодаря использованию таких технологий, как облачные вычисления, машинное обучение (ML), Интернет вещей (IoT), обработка естественного языка (NLP), аналитика больших данных и робототехника, разработчики программного обеспечения могут повысить эффективность и даже автоматизировать операции для решения стоящих перед этими предприятиями задач. Речь идет о таких проблемах, как:

— Оптимизация автопарка
— — FMS с искусственным интеллектом, способные предоставлять данные и события в режиме реального времени, могут анализировать данные о трафике, погодных условиях и других факторах, оптимизируя маршруты в режиме реального времени, сокращая время в пути, расход топлива и улучшая своевременность доставки.
— — ИИ может принимать соответствующие решения о диспетчеризации на основе данных о наличии транспортных средств, квалификации водителей и других аспектов, сокращая время простоя и повышая эффективность использования парка, т.е. «умная диспетчеризация».
— Техническое обслуживание и ремонт
— — Способность прогнозировать необходимость технического обслуживания на основе анализа данных позволяет предприятиям проводить его заблаговременно, что в свою очередь снижает риск поломок и минимизирует время простоя.
— — Программное обеспечение для управления автопарком на основе искусственного интеллекта также может помочь в составлении расписания и предупреждении о необходимости технического обслуживания на основе данных об износе и использовании техники в режиме реального времени. Это позволяет снизить вероятность поломок и улучшить состояние транспортных средств.
— Соблюдение требований и безопасность
— — Благодаря возможности отслеживать поведение водителей, например, скорость, ускорение, торможение и прохождение поворотов, компании могут решать любые потенциальные проблемы со своими водителями, чтобы снизить вероятность аварий.
— — Кроме того, на основе полученных данных предприятия могут проводить индивидуальное обучение и тренинги.
— — Это также поможет обеспечить соблюдение таких нормативных требований, как Hours of Service (HOS) и Electronic Logging Device (ELD).

Однако как это выглядит на практике? Ниже приводится анализ трех ключевых отраслей и того, как программное обеспечение для управления автопарком на основе искусственного интеллекта может их оптимизировать.

— Доставка и логистика
— — В отрасли, где водители работают по многу часов, программное обеспечение для управления автопарком на базе искусственного интеллекта может помочь справиться с усталостью водителя и обеспечить соблюдение норм HOS.
— — Предприятия могут использовать этот инструмент для оптимизации маршрутов и расписаний с целью повышения эффективности и снижения затрат. Это особенно важно для предприятий, работающих в городах с интенсивным движением.
— Транспортные и курьерские услуги
— — Компании могут повысить уровень удовлетворенности клиентов и своевременности доставки, используя данные о поведении водителей и состоянии транспортных средств в режиме реального времени.
— — Данные о состоянии транспортных средств позволяют компаниям выявлять потенциальные проблемы до того, как они станут проблемой, и соответствующим образом решать их.
— Строительство и инжиниринг

— Отслеживая местоположение и наличие транспортных средств и оборудования в режиме реального времени, компании могут управлять сложной логистикой и оптимизировать их использование.
— В результате это позволяет сократить время простоя и повысить эффективность работы на стройплощадках.

Это лишь часть отраслей, однако есть и другие сферы, где подобное программное обеспечение будет полезно. Такие отрасли, как аварийные службы, сельское хозяйство, розничная торговля и электронная коммерция, могут использовать эту технологию.

Направление бизнеса в нужное русло

По мере развития технологий и роста нашей зависимости от транспортировки товаров и услуг традиционное программное обеспечение для управления автопарком начинает давать трещины. Эта реальность сделала очевидной необходимость внедрения FMS с искусственным интеллектом для решения различных задач.

Ориентируясь на эффективность и безопасность, разработчики могут создавать программное обеспечение для различных отраслей, от фундаментальных, таких как транспорт, логистика и здравоохранение, до таких неожиданных, как сельское хозяйство, розничная торговля и электронная коммерция. Инновационные решения могут оптимизировать и другие аспекты, такие как техническое обслуживание и улучшение экологической обстановки.

В целом ограничения традиционного подхода могут быть преодолены, и благодаря внедрению FMS с искусственным интеллектом можно получить выгоду от устойчивой и эффективной работы.

iOS-разработка никуда не денется — даже несмотря на ограничения

Ситуация в iOS-разработке тоже сложнее, чем несколько лет назад, — по данным hh.ru, если с 2022 по 2023 год количество вакансий Android-разработчиков сократилось на 20,5%, то предложений для iOS-разработчиков стало меньше на 29,9%.

Такие проблемы связаны с традиционными ограничениями платформы Apple, и есть основания полагать, что дальше будет лучше.

Во-первых, недавно компания разрешила российским разработчикам принимать платежи вне App Store. Значит, сервисы могут брать оплату за подписки и вне магазина, в котором не работают российские банковские карты.

Во-вторых, Apple анонсировала возможность загружать приложения из сторонних магазинов для пользователей из Евросоюза. Как это будет работать в России и можно ли будет загрузить приложения подсанкционных компаний на iPhone, пока неизвестно, но факт — монополия Apple начинает пошатываться, а разработчики, возможно, уже скоро начнут чувствовать себя свободнее.

Хоть наём и сократился, но рынок точно не исчезнет. Россияне по-прежнему покупают iPhone, а пользователи App Store традиционно платят за приложения, причём в полтора раза больше, чем пользователи Android и Google Play. Доля вакансий iOS-разработчиков сократилась, но в абсолютном количестве их всё ещё много.

— «Всё будто зафиксировалось на местах: меньше вакансий, но меньше и людей в активном поиске. Это может измениться в один момент — если какие-то события повлекут снятие санкций и разрядят геополитическую обстановку, я уверен, количество “айосеров” на рынке значительно увеличится, а многие компании, сократившие разработчиков, снова откроют эти позиции»

3. Нативная разработка по-прежнему будет востребованнее кросс-платформенной

Рост спроса на кросс-платформенные инструменты традиционно называют в числе тенденций каждого последнего года. Данные hh.ru подтверждают, что количество вакансий для Flutter- и React Native-разработчиков действительно увеличилось с начала 2023 года.

— «В стартапах кросс-платформенные решения приживаются, потому что так маленькие компании могут за более короткое время охватить большую долю рынка. Среднепродуктовые компании в 2023-м “щупали” кросс-платформу и оценивали, насколько им подходит, например, Flutter. Равнодушие продемонстрировал бигтех — там слишком большой багаж и долгая история поддержки проверенных продуктов»

Такой рост доли кросс-платформы может быть связан с тем, что новые компании, которым нужны не только приложения, но и сайты, адаптированные под мобильные экраны, часто выбирают Flutter. Это может быть ритейл, сервисы из бьюти-сферы, побочные продукты бигтех-компаний — что угодно. Всё потому, что кросс-платформенная разработка дешевле, и её часто проще поддерживать.

Кроме того, Flutter — один из вариантов, с которым можно заходить в поле PWA-разработки (создания приложений, выглядящих для пользователя как сохранённые закладки сайтов). Такие сервисы нужны не только вместо тех, что удалили из App Store и Google Play, — их в принципе проще поддерживать из-за единой кодовой базы. Среди удачных примеров можно назвать «Диск» от Сбера или приложение «Тинькофф», которое разработали в PWA-формате ещё до санкций.

Но несмотря на умеренный рост, позиции нативной разработки вряд ли заметно пошатнутся. Эксперты относятся к тренду скептически и считают кросс-платформенные инструменты уместными при решении ограниченного набора задач.

— «В последние пару лет кросс-платформа снова ожила. Во фрилансе сейчас сильно популярен Flutter. Небольшой процент бизнес-логики занимает Kotlin Multiplatform. Но многие эксперты сомневаются: а не повторится ли история с поиском серебряной пули? Ярких доказательств пользы на реальных проектах почти нет — скорее, больше маркетинга. Также усложняет веру в кросс-платформу отказ от неё многих крупных компаний. Наём качественных специалистов чаще идёт туго, сложно найти талантливого универсала. Команды закрываются и переводятся на натив»

Вот несколько причин, по которым нативная разработка будет преобладать над кросс-платформенной:

— большие компании продолжат разрабатывать основные продукты привычным способом,

— на кросс-платформу не перейдут сервисы, которые взаимодействуют с железом смартфона и имеют много «нативного» функционала. Например, приложения, работающие с AR, картами, криптоподписями или сим-картами,

— менеджмент давно существующих компаний консервативен и с трудом перестраивается на новые способы разработки продуктов.

— «Наверное, Flutter подойдёт тем, кто хочет работать на фрилансе и быстро делать приложения разным клиентам. В этой сфере всегда было круто, если ты можешь сделать оба приложения, а ещё лучше, если ещё и дизайн нарисуешь.

— А так я бы советовал новичкам начинать с нативной разработки. Flutter — это всё-таки надстройка над нативом, и я, как и многие в индустрии, считаю, что здорово иметь бэкграунд в iOS или Android. Это закаляет начинающих разработчиков, даёт понимание архитектурных паттернов и так далее. Если знаешь особенности одной из платформ, то будешь писать более качественный код, в том числе и на Flutter»

Для тех, кто присматривается: что такое мобильная разработка и чем она отличается от других направлений

Большинство людей пользуются смартфонами. А мобильные разработчики помогают им это делать — благодаря их труду пользователь может вызвать такси, перевести деньги за несколько секунд, посмотреть расписание электричек или проверить почту.

Для этого мобильные разработчики создают приложения. В этот процесс, например, входит:

— Работа с интерфейсом. Кнопки, переходы, анимация и жесты — перенос всех этих элементов и сценариев из макета в приложение входит в задачи разработчиков.

— Настройка взаимодействия с сетью и бэкенд-частью приложения. Приложения работают с интернетом: посылают запросы и получают оттуда информацию, и за поддержку этого взаимодействия тоже отвечают мобильные разработчики. При этом они не занимаются именно бэкенд-разработкой — сложные «мозги» пишут другие разработчики на Python, Go и других языках.

— Настройка работы приложения с памятью. Данные пользователя можно хранить, менять и модифицировать, отправлять и запрашивать. Например, однажды введя данные, человек ждёт, что приложение их запомнит, и за хранение этой информации с учетом ограничений процессора или оперативной памяти смартфона также отвечают мобильные разработчики.

Чтобы выполнять эти и другие задачи, разработчики пишут код. Android-разработчики на языках Java и Kotlin, iOS-разработчики — на Swift и Objective-C. Такая разработка называется нативной.

Кроме нативной, есть кросс-платформенная разработка. При таком подходе разработчики пользуются Flutter, React Native, Kotlin Multiplatform и другими фреймворками, а потом написанный код адаптируется под разные платформы.

Как и во всех направлениях разработки, в мобильной есть база — знания и навыки, без которых не получится продвинуться. Но есть особенность: эта база если и совершенствуется, то понемногу. В ней вряд ли могут пройти такие изменения, что, например, знания, полученные год назад, станут неактуальными.

С направлением в мобильной разработке лучше определиться сразу, потому что фреймворки и средства разработки в них сильно отличаются и быстро поменять платформу не получится. Кроме того, у Android- и у iOS-разработчиков есть гайдлайны — нормативы, в которых описано, как должны выглядеть и работать приложения. И если у Google политика в этом более демократичная, то Apple может просто не пропустить в App Store приложение, которое не соответствует требованиям.

Ещё одно отличие — требования к системе. Для iOS-разработки необходим компьютер на macOS, причём не слишком старый. Всё потому, что среда разработки Xcode постоянно обновляется, а вместе с ней и требования к операционной системе. Например, самая актуальная версия программы требует macOS Ventura или новее, которая поддерживается на компьютерах Apple, выпущенных не ранее 2017 года. С Android всё проще, а актуальные требования можно прочитать в характеристиках среды разработки Android Studio. Например, сейчас для Android-разработчиков достаточно 64-битной Windows 8 и 8 ГБ оперативной памяти.

ИИ и геоаналитика только начинают формировать проекты и сервисы. Примеры единичны, но они есть и в России — в сегментах ретейла, строительства, государственного управления.

Распознавание космических снимков и использование нейронных сеток будет только улучшаться, а технологии — становиться точнее и доступнее. При этом они существенно ускоряют работу картографов, уточняют карты, улучшают их точность и качество для разных задач человеческой деятельности, в том числе помогая понять причины в разных нарушениях, связанных с землей.

Существуют калькуляторы прогноза посетителей магазина или товарооборота. Для каждого магазина одной сети и одного формата — свои, они существенно ускоряют рутинные процесс оценки помещений внутри крупных компаний. А внутри малого бизнеса существуют модели спроса (бизнес-потенциала) для разных категорий бизнеса в виде тепловых крат.

Для строительного рынка есть модели прогнозирования цен на недвижимость определенных квартир в домах, а также рейтингование земельных участков по спросу, комфортности проживания и т. д.

В государственном управлении рейтингование жилых кварталов, или муниципалитетов, или субъектов — это метод контроля и управления лицами, принимающими решения на региональном или муниципальном уровне соответственно, а также метод понимания уровня цифровизации в регионе.

Мы постоянно говорим о том, что ИИ сокращает время выполнения задач и позволяет сосредоточиться на более важных процессах. А какие процессы более важные?

Мы можем быстрее получать данные для анализа, на основе которых мы с невиданной ранее скоростью можем делать выводы и полученную информацию применять для принятия решений.

И получается, что тот самый важный процесс, для которого нам высвобождает время ИИ – это именно принятие решений: постановка целей, формулирование задач и пр.
ИИ может дать нам ответ на вопрос, а вот что с этой информацией делать решает человек.

Главное отличие искусственного интеллекта от естественного разума в отсутствии воли. Сам ИИ не задает вопросов, что там – на глубине океана, в недрах Земли или на бескрайних просторах космоса.

То же самое происходит и на более приземленном уровне – сам по себе ИИ денег не заработает и бизнес не создаст. А вот человек с ИИ в качестве инструмента получает не только новые, ранее недоступные возможности, но новые требования к уровню собственного развития и скорости адаптации к изменениям.

Управление ИИ стало новой компетенцией. Уже сейчас мы сталкиваемся с таким явлением, как нейросотрудники, по применению которых надо как-то принимать решения, обучать взаимодействию персонал, писать ТЗ разработчикам на их функционал и пр.

Я бы сказал, что ИИ забирает у нас тот функционал, который мы уже давно хорошо освоили, но медленно выполняем, и ставит перед нами необходимость выполнения более сложной деятельности: находить цель и стремиться к ее достижению.

Мы постоянно говорим о том, что ИИ сокращает время выполнения задач и позволяет сосредоточиться на более важных процессах. А какие процессы более важные?

Мы можем быстрее получать данные для анализа, на основе которых мы с невиданной ранее скоростью можем делать выводы и полученную информацию применять для принятия решений.

И получается, что тот самый важный процесс, для которого нам высвобождает время ИИ – это именно принятие решений: постановка целей, формулирование задач и пр.
ИИ может дать нам ответ на вопрос, а вот что с этой информацией делать решает человек.

Главное отличие искусственного интеллекта от естественного разума в отсутствии воли. Сам ИИ не задает вопросов, что там – на глубине океана, в недрах Земли или на бескрайних просторах космоса.

То же самое происходит и на более приземленном уровне – сам по себе ИИ денег не заработает и бизнес не создаст. А вот человек с ИИ в качестве инструмента получает не только новые, ранее недоступные возможности, но новые требования к уровню собственного развития и скорости адаптации к изменениям.

Управление ИИ стало новой компетенцией. Уже сейчас мы сталкиваемся с таким явлением, как нейросотрудники, по применению которых надо как-то принимать решения, обучать взаимодействию персонал, писать ТЗ разработчикам на их функционал и пр.

Я бы сказал, что ИИ забирает у нас тот функционал, который мы уже давно хорошо освоили, но медленно выполняем, и ставит перед нами необходимость выполнения более сложной деятельности: находить цель и стремиться к ее достижению.

Мы постоянно говорим о том, что ИИ сокращает время выполнения задач и позволяет сосредоточиться на более важных процессах. А какие процессы более важные?

Мы можем быстрее получать данные для анализа, на основе которых мы с невиданной ранее скоростью можем делать выводы и полученную информацию применять для принятия решений.

И получается, что тот самый важный процесс, для которого нам высвобождает время ИИ – это именно принятие решений: постановка целей, формулирование задач и пр.
ИИ может дать нам ответ на вопрос, а вот что с этой информацией делать решает человек.

Главное отличие искусственного интеллекта от естественного разума в отсутствии воли. Сам ИИ не задает вопросов, что там – на глубине океана, в недрах Земли или на бескрайних просторах космоса.

То же самое происходит и на более приземленном уровне – сам по себе ИИ денег не заработает и бизнес не создаст. А вот человек с ИИ в качестве инструмента получает не только новые, ранее недоступные возможности, но новые требования к уровню собственного развития и скорости адаптации к изменениям.

Управление ИИ стало новой компетенцией. Уже сейчас мы сталкиваемся с таким явлением, как нейросотрудники, по применению которых надо как-то принимать решения, обучать взаимодействию персонал, писать ТЗ разработчикам на их функционал и пр.

Я бы сказал, что ИИ забирает у нас тот функционал, который мы уже давно хорошо освоили, но медленно выполняем, и ставит перед нами необходимость выполнения более сложной деятельности: находить цель и стремиться к ее достижению.

Мы постоянно говорим о том, что ИИ сокращает время выполнения задач и позволяет сосредоточиться на более важных процессах. А какие процессы более важные?

Мы можем быстрее получать данные для анализа, на основе которых мы с невиданной ранее скоростью можем делать выводы и полученную информацию применять для принятия решений.

И получается, что тот самый важный процесс, для которого нам высвобождает время ИИ – это именно принятие решений: постановка целей, формулирование задач и пр.
ИИ может дать нам ответ на вопрос, а вот что с этой информацией делать решает человек.

Главное отличие искусственного интеллекта от естественного разума в отсутствии воли. Сам ИИ не задает вопросов, что там – на глубине океана, в недрах Земли или на бескрайних просторах космоса.

То же самое происходит и на более приземленном уровне – сам по себе ИИ денег не заработает и бизнес не создаст. А вот человек с ИИ в качестве инструмента получает не только новые, ранее недоступные возможности, но новые требования к уровню собственного развития и скорости адаптации к изменениям.

Управление ИИ стало новой компетенцией. Уже сейчас мы сталкиваемся с таким явлением, как нейросотрудники, по применению которых надо как-то принимать решения, обучать взаимодействию персонал, писать ТЗ разработчикам на их функционал и пр.

Я бы сказал, что ИИ забирает у нас тот функционал, который мы уже давно хорошо освоили, но медленно выполняем, и ставит перед нами необходимость выполнения более сложной деятельности: находить цель и стремиться к ее достижению.

Мы постоянно говорим о том, что ИИ сокращает время выполнения задач и позволяет сосредоточиться на более важных процессах. А какие процессы более важные?

Мы можем быстрее получать данные для анализа, на основе которых мы с невиданной ранее скоростью можем делать выводы и полученную информацию применять для принятия решений.

И получается, что тот самый важный процесс, для которого нам высвобождает время ИИ – это именно принятие решений: постановка целей, формулирование задач и пр.
ИИ может дать нам ответ на вопрос, а вот что с этой информацией делать решает человек.

Главное отличие искусственного интеллекта от естественного разума в отсутствии воли. Сам ИИ не задает вопросов, что там – на глубине океана, в недрах Земли или на бескрайних просторах космоса.

То же самое происходит и на более приземленном уровне – сам по себе ИИ денег не заработает и бизнес не создаст. А вот человек с ИИ в качестве инструмента получает не только новые, ранее недоступные возможности, но новые требования к уровню собственного развития и скорости адаптации к изменениям.

Управление ИИ стало новой компетенцией. Уже сейчас мы сталкиваемся с таким явлением, как нейросотрудники, по применению которых надо как-то принимать решения, обучать взаимодействию персонал, писать ТЗ разработчикам на их функционал и пр.

Я бы сказал, что ИИ забирает у нас тот функционал, который мы уже давно хорошо освоили, но медленно выполняем, и ставит перед нами необходимость выполнения более сложной деятельности: находить цель и стремиться к ее достижению.

Мы постоянно говорим о том, что ИИ сокращает время выполнения задач и позволяет сосредоточиться на более важных процессах. А какие процессы более важные?

Мы можем быстрее получать данные для анализа, на основе которых мы с невиданной ранее скоростью можем делать выводы и полученную информацию применять для принятия решений.

И получается, что тот самый важный процесс, для которого нам высвобождает время ИИ – это именно принятие решений: постановка целей, формулирование задач и пр.
ИИ может дать нам ответ на вопрос, а вот что с этой информацией делать решает человек.

Главное отличие искусственного интеллекта от естественного разума в отсутствии воли. Сам ИИ не задает вопросов, что там – на глубине океана, в недрах Земли или на бескрайних просторах космоса.

То же самое происходит и на более приземленном уровне – сам по себе ИИ денег не заработает и бизнес не создаст. А вот человек с ИИ в качестве инструмента получает не только новые, ранее недоступные возможности, но новые требования к уровню собственного развития и скорости адаптации к изменениям.

Управление ИИ стало новой компетенцией. Уже сейчас мы сталкиваемся с таким явлением, как нейросотрудники, по применению которых надо как-то принимать решения, обучать взаимодействию персонал, писать ТЗ разработчикам на их функционал и пр.

Я бы сказал, что ИИ забирает у нас тот функционал, который мы уже давно хорошо освоили, но медленно выполняем, и ставит перед нами необходимость выполнения более сложной деятельности: находить цель и стремиться к ее достижению.

При всех преимуществах применение ИИ связано и с различными рисками. Рассмотрим некоторые из них.

Неверный подбор модели и настроек. В некоторых случаях ИИ может выдавать неточный или ошибочный результат. Например, если сама модель подобрана без учета задач и специфики компании, при настройке выбраны неподходящие значения, не учтены SLA и другие особенности.

Зависимость от данных. Точность результатов, которые выдает ИИ, во многом обусловлена качеством и полнотой обучающих данных и тех, что поступают в систему. Например, можно получить неудовлетворительный результат, если в компании мало информации об активах, их характеристиках и состоянии или же в систему поступают неочищенные и нестандартизированные данные.

Технологические сложности. ИИ — это инструмент, который не заменяет человека, а помогает ему. Чтобы инструмент приносил пользу, его нужно настроить, контролировать и использовать информацию для дальнейших решений. Также для работы с ИИ сотрудникам потребуются специальные компетенции, которым нужно обучаться дополнительно.

Чтобы не столкнуться с типовыми рисками, лучше внедрять такие автоматизированные инфраструктурные решения, где уже содержатся встроенные функции ИИ и есть практика настройки бизнес-кейсов под различные задачи. Дополнительным преимуществом будет, если разработчик ПО имеет собственный центр компетенций в вопросах искусственного интеллекта.

В этом случае использование ИИ и машинного обучения в управлении ИТ-активами не только повысит операционную эффективность, но и поможет добиться стратегической гармонизации управления инфраструктурой с целями компании, способствуя общей конкурентоспособности и росту бизнеса.

Команда VK Cloud перевела расшифровку подкаста Harvard Business Review HBR IdeaCast. В нем Сундар Пичай, генеральный директор Google и его родительской компании Alphabet, рассказывает о генеративном ИИ и других вопросах, касающихся искусственного интеллекта и развития крупных ИТ-компаний в будущем. Сделали краткую выжимку из этого подкаста и делимся с вами.

Роль генеративного ИИ в работе людей

Сегодня все вокруг говорят о генеративном ИИ. Но как воспринимать на рабочем месте возможности GenAI, которые есть уже сейчас и, может быть, появятся в ближайшем будущем?

Проще всего представлять ИИ своим помощником. Программисты часто занимаются парным программированием. Мы выяснили, что два программиста вместе работают лучше, чем каждый по отдельности. Теперь представьте, что ИИ — ваш второй программист, финансовый аналитик или еще какой-то специалист. Вот направление развития, и это развитие мы как раз и наблюдаем.

Именно это происходит в программировании. Но и наши клиенты, например, Deutsche Bank, сейчас используют генеративный ИИ как помощника финансовых аналитиков. Представьте себе рентгенологов, изучающих рентгеновские снимки, и ИИ, который им помогает: рассортировывает для них данные в пайплайне, выдвигает предположения, если они что-то пропустили, и т. п.

Мультимодальные ИИ

Мы все создаем современные модели генеративного ИИ. Модель и рабочее решение, которые мы уже запустили и используем для своих продуктов, называется PaLM 2. Модель нового поколения, над которой мы работаем в нашем новом подразделении Google DeepMind, называется Gemini. Сегодня у нас есть модели, которые создают тексты, модели, которые создают изображения, и так далее. Но следующее поколение моделей будет мультимодальным. Они обучаются на разных модальностях: тексте, изображениях, аудио, может быть еще видео, и поэтому могут выдавать результаты в каждой модальности.

Что это означает? Например, вы говорите: напиши мне сочинение на эту тему. Модель не только напишет сочинение, но еще добавит к нему картинки, — она все это сможет генерировать. Или, допустим, вы хотите испечь пирог и спрашиваете рецепт. Она не просто выдаст вам текст, но и покажет картинки. И нам в Gemini нравится именно сама идея мультимодальности.

Использование моделями инструментов — еще одно направление развития, над которым мы все работаем. Человек все время использует разные инструменты. Вы берете калькулятор, печатаете в текстовом редакторе. Если вам нужно что-то узнать, вы это загуглите. И мы учим эти модели понимать, что в мире есть инструменты, которые можно использовать, если пользователю нужна помощь.

Интересный опыт использования генеративных ИИ

Мы в компании создали Lambda, виртуального собеседника на базе этих больших языковых моделей. Я с ним разговаривал. Мы придумывали для него разных персонажей. Например, можно было попросить его вести себя как планета Плутон и подолгу с ним беседовать. Отличный инструмент обучения. Фактически мы с сыном довольно много с ним разговаривали. От него можно было узнать много интересного о солнечной системе, задавать ему вопросы, но в какой-то момент во время беседы с Плутоном я вдруг почувствовал себя очень-очень одиноко. Диалог постепенно окрасился в мрачные тона. Это был первый опыт, который меня встревожил и показал мне, что в принципе возможно, как ИИ может влиять на человека.

Кстати, в этом есть смысл: вполне может быть, что модель пытается думать как Плутон. Плутон находится в холодном дальнем уголке вселенной. Так что неудивительно, что он начал перенимать некоторые свойства этого персонажа. Это был мой первый опыт, но не единственный.

Многие из нас стремятся встроить в решения системы безопасности: прежде чем сделать модель общедоступной, мы добавляем в решение определенный уровень ответственности. Это одна из причин, по которой Google придерживается достаточно консервативного подхода, учитывая масштаб наших решений для пользователей.

Осторожность в создании искусственного интеллекта

Кажется, что Google более консервативен, чем некоторые компании, которые ринулись создавать ИИ-ботов, как их правильно ни назови, с довольно большой скоростью. Я имею в виду, что все это произошло буквально в считанные месяцы. Как же находить компромисс между потребностью оставаться на рынке, выпускать продукты, необходимостью создавать инновации и той осторожностью, о которой шла речь выше?

Мы знаем, что в этой сфере не обойтись без компромиссов и противоречий, так что мы создаем определенные рамки внутри компании. При этом мы хотим делать инновации. Можно открыть миру удивительные возможности, и мы хотим смело разрабатывать инновационные технологии. Смело, но правильно. Мы готовы нести ответственность за то, что мы делаем. В нашем подходе объединяются смелость, ответственность и понимание установленных рамок. Именно так мы относимся к тому, что делаем.

Мы не стремимся всегда быть первыми. Мы стремимся делать все правильно. Мы работаем с интересом и ускоряемся, чтобы продвигаться вперед, но сбавляем обороты, чтобы добавить «подушку безопасности». Мы ведь предоставляем сторонним пользователям ранний доступ к продуктам, чтобы они могли протестировать решение и дать нам обратную связь.

Все это важно. Именно это надо встраивать в компанию, чтобы аккуратно обойти острые углы и в то же время их сглаживать. У нас недавно прошла крупнейшая конференция разработчиков, где мы рассказывали о работе над искусственным интеллектом, которой мы занимаемся. Мы хотим сделать ИИ помощником для всех, кто пользуется нашими продуктами. Мы уже включили генеративный ИИ в 25 наших продуктов, в том числе Gmail, Google Docs, интернет-поиск, YouTube и так далее. Повторюсь: мы хотим действовать смело и ответственно одновременно.

Что такое «подушка безопасности» в создании искусственного интеллекта

Тут позвольте привести несколько примеров. Один пример — адверсариальное тестирование. Мы создаем модель и тут же пытаемся сломать ее, понимаете? У нас есть рабочие группы специалистов по безопасности, есть так называемые красные команды, основная задача которых — ломать эти модели всеми возможными способами. После разработки модели попадают к этим командам, которые проводят их испытания. Потом мы начинаем новую итерацию, в ходе которой модели становятся гораздо лучше. Вот один пример.

Другой пример: мы как раз сейчас добавляем в модели водяные знаки и метаданные. Возьмем изображения, созданные искусственным интеллектом. Я думаю, показать, что эти изображения созданы генеративным ИИ, — это ответственный подход к работе.

С помощью водяных знаков другие системы смогут определять, что эти изображения созданы генеративным ИИ, а метаданные помогут выяснить, когда, кем было создано это изображение и т. п. Так что сейчас мы разрабатываем такие технологии и проводим исследования, чтобы подготовить эти функции к моменту, когда мы выпустим наши решения. Вот что можно сделать в плане безопасности и ответственности.

Как компаниям подходить к обучению и адаптации нетехнического персонала в рамках стратегии перехода на генеративный ИИ

Каждой компании важно найти возможные сценарии использования ИИ и внедрять их в свои рабочие процессы. Один интересный момент, связанный с этими моделями, — это то, что мы называем доработкой. Базовые модели можно доработать для своей компании, исходя из данных, которые у вас имеются. И тогда они начнут отлично работать в вашем контексте. Так что нужно задуматься об их развертывании в конкретном контексте.

Это не так уж сложно. Например, мы встраиваем их в инструменты для повышения производительности, скажем, Google Docs, Google Slides или Google Sheets; другие компании делают то же самое. Представьте, что ваши сотрудники привыкли использовать ИИ в качестве помощника. Чтобы сотрудники адаптировались к переменам в компании, важно изменить менталитет.

Я бы начал с этого. Это важно для любой организации, начиная с высшего руководства. Надо продумать, какие области можно трансформировать, внедрив генеративный ИИ. Лично мне было очень интересно.

На прошлой неделе мы анонсировали инновации в компании Wendy: они используют генеративный ИИ для приема заказов в автокафе. Клиенты озвучивают заказ, не выходя из машины, и система эти заказы принимает. Модель знает, что люди могут говорить совершенно по-разному. Они используют систему на базе ИИ, чтобы повысить эффективность своего рабочего процесса. Компания применяет генеративный ИИ, это нравится ее клиентам, и сотрудники адаптируются к новой системе. В использовании искусственного интеллекта нет предела совершенству. Движение в этом направлении уже началось.

Как применить ИИ в своей компании

Сегодня ведь многие компании пользуются услугами облачных провайдеров. И я думаю, для начала надо обратиться к поставщику облачных сервисов. Люди слишком много думают о том, как начать. Буквально, речь о том, чтобы внедрить в организации четыре-пять пилотных идей. Руководство компании ставит перед сотрудниками задачу: найти, где можно применить генеративный ИИ, а затем запускает в работу несколько пилотных предложений. Так организация начинает об этом думать. Это примерно как новая мышечная память, которую надо развить. И эти перемены сопровождаются трансформацией корпоративной культуры. Просто надо поставить задачу перед командами и руководителями и получить от них несколько пилотных идей.