AWS: масштабирование ИИ тормозят не технологии, а базы данных и комплаенс

Когда компании пытаются масштабировать решения на основе искусственного интеллекта, тормозит процесс обычно вовсе не технология. Такой неожиданный вывод озвучил Озгур Тохумуджу, глобальный директор Amazon Web Services по автомобильной и производственной отраслям. За последние месяц-два в индустрии больших моделей даже развернулись дискуссии о том, не стоит ли замедлить темпы разработки передовых моделей: сами возможности моделей уже достаточно опережают время, да и платформенные сервисы находятся на высоком уровне. Реально же бизнес упирается в другие факторы — есть ли у него выдерживающая расширение ИИ-сервисов база данных, готовы ли для автономно действующих агентов ограждения, механизмы наблюдаемости и прослеживаемости, и наконец, способна ли организация вместить эксперимент.

По словам Тохумуджу, множество ИИ-проектов автопроизводителей застревают на стадии проверки концепции и так и не доходят до серийного производства и промышленного внедрения. Производственные компании уже доказали, что ИИ работает, остается решить, как распространить его на всю цепочку создания стоимости. Amazon Web Services предъявляет в качестве аргумента собственный операционный опыт: в сетях Amazon уже развернуто более миллиона роботов. И ценнее, чем обучение отдельной машины, оказывается обучение на уровне всего парка — и то, как этот опыт тиражируется по глобальной операционной сети. От региональных различий до отдачи от вложений в разработку и поставки, от данных и организации до безопасности — как физическому ИИ, выйдя из пилота, стать производственной системой, которая работает непрерывно и в которую стоит вкладываться дальше?

Тохумуджу в своем выступлении выделил три тренда: автономное вождение после многих лет обучения и развертывания начинает выходить на этап масштабного внедрения; применение физического ИИ в промышленных сценариях непрерывно растет, особенно заметно в производстве и автопроме; крупные глобальные компании движутся к агентной архитектуре и агентной организации, охватывая продажи, маркетинг, закупки, управление цепочками поставок и производство. Преимущества регионов при этом различаются. По его мнению, в передовых моделях лидируют США, вокруг них сформировался огромный центр тяжести, и при внедрении физического ИИ приходится опираться на эти возможности, поэтому Америка сохраняет первенство. Китай, Япония и Корея, и особенно Китай, лидируют по скорости и масштабу. Темп Китая он назвал поразительным: атмосфера экспериментирования здесь очень сильна, и как только какой-то подход подтверждает эффективность, компании расширяют его с чрезвычайной быстротой. В Европе сильны корпоративные политики управления и глубокое понимание суверенитета: при развертывании систем физического ИИ нужно заранее продумать, какие данные используются, где они хранятся, кто имеет к ним доступ и какова их природа. Помимо региональных различий, техническую траекторию автопроизводителей перекраивает еще одна переменная — ужесточение комплаенса, требования к суверенитету данных в сочетании с тарифным давлением. Компании отвечают на это регионализацией: сохраняя глобальные операции, они стараются замыкать бизнес-циклы внутри одного региона. Например, Amazon Web Services построил в Германии европейское суверенное облако, чтобы часть европейских данных оставалась в Европе.

Себе Amazon Web Services отводит роль универсальной платформы. Во-первых, доступ к моделям: клиент выбирает базовую модель под конкретную задачу, а некоторым задачам вовсе не нужна самая дорогая модель. Дистилляция и кастомизация — еще один акцент: после обучения, чтобы модель работала на заводском оборудовании или роботе, приходится заново продумывать среду развертывания, скорость отклика и стоимость. В этой системе Amazon Bedrock дает единый путь доступа к моделям, а Amazon Bedrock AgentCore поддерживает централизованное управление агентами. По мере роста числа агентов внутри компании управление правами, ходом работы и жизненным циклом становится все важнее. Цех чувствителен к задержкам, поэтому решения с низкой задержкой на периферии и базовая инфраструктура данных поддерживают переход модели из облачной разработки к развертыванию на месте.

После успешного пилота предстоит пройти два испытания — масштабом и стоимостью. Где в автопроизводстве ИИ окупается быстрее всего? Тохумуджу считает, что настоящие прорывы в эффективности редко приходят из отдельного звена — это синергия сквозной интеграции. Если говорить об отдаче, разработка обычно дает результат первой и быстрее всего: проектирование, разработка, проверка и развертывание автомобильного ПО — все четыре этапа выигрывают от ИИ. На этапе проектирования итерации идут быстрее, на этапе разработки помощники вроде Kiro повышают эффективность инженеров, на этапе проверки можно быстро генерировать симуляционные сценарии для высоконагруженных тестов. BMW, к примеру, уже провела на Amazon Web Services более миллиарда километров симуляционного обучения автономному вождению; европейские традиционные автопроизводители сократили цикл разработки с 4–5 лет до примерно трех, а китайским компаниям хватает 18–24 месяцев. На втором месте — цепочки поставок: перестраивать их сложно, но и потенциал снижения затрат максимален. Данные поставок разбросаны по множеству систем, и агенты могут собирать их сквозным образом, выстраивая сценарии извлечения ценности и упрощения процессов. По мнению Тохумуджу, типичный традиционный автопроизводитель, перестроив управление цепочками поставок, способен сэкономить миллиарды долларов. Сложность еще и в переходе от пилота к серии: насколько легко масштабировать, сколько усилий потребует вывод в производственную среду и останется ли бизнес прибыльным после масштабирования. Самый типичный случай, который видел Тохумуджу: пилот на одном немецком заводе дает отличный результат, но его нужно распространить на 140 заводов, а каждый директор управляет своей операционной системой, и Amazon Web Services приходится доказывать, что система полезна каждому. Финансовый барьер не легче: решение, хорошо работающее на одном автомобиле, при тираже в десятки миллионов машин у крупного автопроизводителя может заметно подорожать, и компании приходится заново выбирать базовую модель, чтобы снизить долгосрочные издержки. Бывало и так, что клиент доказал техническую масштабируемость решения, а финансовый директор счел его коммерчески невыгодным. В итоге все возвращается к данным, безопасности и организационной базе. На производстве операционные и ИТ-данные зачастую разрознены, и подключить OT-данные заводского оборудования к облаку, связав их с ИТ-данными корпоративных систем, звучит элементарно, но многим клиентам еще предстоит этот шаг сделать. Промышленная архитектура данных, которую продвигает Amazon Web Services, как раз и призвана соединить данные из разных источников — MES, PLM и других, — чтобы обеспечить основу для последующих приложений. Чем больше подключено устройств, тем выше требования к безопасности на площадке: клиентам нужно убедиться, что существующая инфраструктура безопасности охватит новые умные устройства и что их работу можно эффективно контролировать. Тохумуджу упомянул и легко упускаемую проблему: один робот уже демонстрирует сильные возможности, но в производственной среде важнее, как роботы communicating друг с другом, как они взаимодействуют и как трудятся вместе с людьми. Что касается рисков галлюцинаций моделей в автомобильных кокпитах и автономном вождении, Тохумуджу четко очертил границы ответственности: Amazon Web Services предоставляет инфраструктуру, а проектирование, обучение, эксплуатацию и валидацию конкретных систем автономного вождения по-прежнему несет клиент. Организация и кадры — другой конец этой цепочки внедрения. Тянь Фэн, директор отраслевого кластера Amazon Web Services, отметил, что автомобилестроение и производство — одни из немногих отраслей с физическими объектами и физической продукцией, с длинной цепочкой, где разработка устроена совершенно иначе, чем в других сферах, и запрос клиентов не ограничивается технологиями: ИИ-грамотность на уровне организации и кадров столь же важна.