Импортозамещение, генеративный ИИ в HR, мультиагентность и генераторы кода: тренды в работе с данными и искусственным интеллектом 2024/2025

Группа компаний Рексофт‎ отмечает рост заказов на 40% в области работы с данными и интеграции решений искусственного интеллекта по сравнению с предыдущим годом.

Локализация и импортозамещение решений

Некоторые компании, несмотря на события последних лет, только встают на путь импортозамещения, работы с открытыми программными решениями и начинают переход на модели, снижающие возможность вендор-лока. Такие тенденции есть как в применении систем в промышленности, так и использования ИИ в логистике (трекинговые системы), а также в страховых и банковских услугах (скоринг).

Объем проектов по работе с данными у группы ‎Рексофт увеличился на 40%, что связано с активизацией импортозамещения.

Внедрение генеративного интеллекта

Распространение применения генеративного искусственного интеллекта в бизнес-процессах сегодня отмечается практически во всех сферах — от финансов и ритейла до промышленности. Так, если в прошлом году такими возможностями интересовались, то в 2024 году уже появляются продакшн-решения, основанные на GPT-подобных моделях.

Например, крупнейшие компании России внедряют такие решения для обобщения и анализа документации, что позволяет в том числе создавать обучающие материалы для различных категорий специалистов. Эффективность этого подхода особенно заметна в компаниях от 1000+ сотрудников. Помимо разработки учебных материалов ИИ-ассистенты могут использоваться для оптимизации работы с какой-то специфичной нормативной документацией, например, юридической.

Наиболее применимой технологией в данном случае является RAG, Retrieval Augmented Generation, — техника, позволяющая дополнить знания больших языковых моделей (LLM) внутренними данными. Основная идея заключается в том, чтобы расширить возможности LLM, предоставляя им доступ к специфической информации, которая не входит в их исходный обучающий набор данных. Этот подход особенно полезен для разработки приложений, которые должны обрабатывать частные данные или данные, появившиеся после определенной даты, когда модель была обучена. Иными словами, ее не обязательно обучать заново – достаточно «показать»‎ модели документацию, из которой необходимо извлекать информацию.

Мультиагентский подход

Еще одно применение больших языковых моделей в бизнесе связано с внедрением мультиагентского подхода. В этом случае нейросеть, обученная на данных компании, исполняет роль различных сотрудников, например, финансового, технического и HR-директора, что позволяет готовить тезисы и анализировать различные подходы к бизнес-задачам до начала личной коммуникации с сотрудниками.

Предварительная консультация с нейросетями помогает отсеивать наименее жизнесобные идеи, а на обсуждение с командами выносить подготовленные аргументы. Подобная технология только начинает внедряться в процессы принятия решений, поэтому статистики эффективности не собрано, однако, по опыту применения, мультиагентский подход позволяет экономить один-два часа на задачу только на совещаниях для каждого задействованного топ-менеджера.

Внедрение генераторов кода в процесс разработки

На сегодняшний день многие компании, в том числе и российские, предлагают решения-ассистенты, позволяющие генерировать и анализировать код. В данный момент наиболее известным таким продуктом остается Copilot. Однако существуют и российские аналоги — Yandex Code Assistant от Яндекса, MTS AI от МТС, GigaCode от Сбера, а также эффективные open source решения китайских провайдеров. Например, сейчас разработчики могут создать прототип многостраничного веб-ресурса приблизительно за день, что значительно оптимизирует усилия на этапе коммерческого предложения, при этом все задачи могут быть выполнены одним специалистом вместо трех или четырех.

С учетом скорости развития технологий, можно предполагать, что в ближайшей перспективе начнется «гонка»‎ производителей по внедрению подобных решений в полный цикл производства ПО: создание кода, верификацию, развертывание, тестирование. На данный момент эффективность использования подобных ассистентов на разных этапах в российских компаниях составляет до 15%. Цель Рексофт‎ — добиться роста экономической эффективности в Software Development Lifecycle до 40%.

«Реальность такова, что практически повсеместная интеграция искусственного интеллекта и работа с данными становятся ключевыми аспектами бизнес-стратегий в различных отраслях. Компании все активнее обращаются к решениям, которые позволяют организациям не только адаптироваться к быстро меняющимся условиям рынка, но и предвосхищать их, — отметил Алексей Киселёв, руководитель Data-практики Рексофт‎. — Импортозамещение и работа с открытыми программными решениями становятся важными элементами стратегического планирования, обеспечивая компаниям большую независимость и гибкость. Мы видим, как в различных сферах, от логистики до банковских услуг, внедрение искусственного интеллекта ведет к повышению эффективности. В ближайшие годы мы ожидаем, что эти тенденции будут только усиливаться, открывая новые горизонты для инноваций»‎.