Перспективы ИИ на производстве - Сергей Рудницкий - Юрий Уваров

Расшифровка видео:

00:00
у нас будет выступать Сергей Францвич Рудницкий. И сегодня я не хочу представлять, сегодня вообще короткий УДМ, я не буду представлять долго, все этих людей знают, ну и про большинство из них очень много информации. Я хочу обратить внимание сегодня, что у нас батл Камаза с Камазом. Да, Камаз действительно приложился к тому, чтобы организовался УДМ.

00:26
УДМ-0 проходил в набережных Челнах, я не помню эту гостиницу, как называется, хорошая гостиница. Но сегодня может быть хороший признак толерантности, что мы увидим сначала одного аналитика с КАМАЗа, который скажет нам, какие у нас есть грандиозные перспективы с искусственным интеллектом, а сразу после обеда мы увидим в час дня.

00:55
Борис Михайлович нам расскажет, что фигня этот искусственный интеллект, что сначала надо договориться с людьми, потому что предприятие – это люди. Ну а подробности вы увидите, собственно, в докладах. Поэтому, пожалуйста, Сергей Францевич, я сейчас вас увеличу на весь экран. Во-первых, прежде чем приступить к основной теме доклада, хочу сказать следующее в пандан, то есть продолжение развития вашей темы,

01:25
Я еще раз послушал, это ваша концепция, она каждый раз становится все стройнее и все структурнее и логичнее. И хочу сказать следующее, что я призадумался и очень здорово. Вот то, что вы предложили, это как раз то, что в курсе разработки нового продукта NPD называется потребительское требование. Большое вам респект и уважение за то, что вы...

01:54
просто обозначили то, что нужно от ARM для производства, но не стали указывать, какими конкретно методами, то есть какими способами, механизмами это нужно делать. Как раз и есть разделение, то, что в NPD мы учили студентов, давайте отделять потребительские требования от инженерных, от конструкторских.

02:23
Поэтому в данном случае я хочу предложить, сразу буду спойлерить, хочу предложить один из способов, как можно реализовать эти требования. И ответ достаточно простой. Ответ заключается в следующем, что пора не смотреть под ноги, пора посмотреть в будущее, то есть прикручивать ко всем вашим, ко всем элементам.

02:48
которые вы перечислили, я думаю возражать против них никто не будет, и очень трудно добавить что-либо другое, приручивать искусственный интеллект. Понятно, что это может выглядеть немножко банально с одной стороны, но я постараюсь саргументировать поподробнее. Спасибо вам за картинку, которую вы прислали в телеграмме, что вас пугает прогресс в области искусственного интеллекта. Нет, больше всего меня пугает...

03:17
регресс в области естественного интеллекта, вы про это тоже упомянули. Дальше опять же таки, оказывается, в присказку, все мы с вами разработчики, все мы знаем, знаем такую теорию, что любая идея проходит три стадии, это абсурд, потом в этом что-то есть, и потом, ну конечно же, это всем известно. Есть различные мнения, вот оказывается и для себя.

03:46
узнал, что это, оказывается, Эрнест Ризерфурт сказал, ну вполне возможно, что это сказал Александр Гумбольт. Ну не важно, в общем смысл такой. Так вот, искусственный интеллект, применение искусственного интеллекта к управлению, к местсистему, к управлению производством, мне кажется, находится где-то сейчас в промежуточной стадии. Между это абсурд и в этом что-то есть. Хотя я считаю, что в принципе уже...

04:12
пора переходить на более высокую стадию. В этом что-то есть. В этом что-то есть. Я постараюсь это показать. Ну и ещё, это просто как, раз пошла речь про стадии, про инженерные поговорки, вот одна из них – это стадии внедрения осу. Шумиха, неразбериха, поиск виновных, наказание невиновных, награждение непричастных. Опять же такие, если применительно к искусственному интеллекту, то нетрудно сказать на какой-то стадии.

04:40
находится скорее всего на стадии неразберихи. Пока что существует неразбериха. Ну и так далее. Так получилось, и может быть это вполне знаменательно, что буквально вчера прошла вторая большая конференция GigaConf от Сбербанка. Я краем глаза ее послушал и вечером просмотрел материалы и сюда добавил. Вот это конференция.

05:07
подтвердила моё внутреннее убеждение, что всё плот созрел, что искусственным интеллектом нужно заниматься и прикручивать его к местам. Почему? Во-первых, оказывается, за истекший период, за последние годы в искусственном интеллекте произошли такие вещи, которые внешне меньше заметны, но заметны где те, кто этим занимается. Сбербанк отчитался на этой конференции о том, что

05:36
создал полностью отечественную инфраструктуру для того, чтобы мы, отечественные разработчики, производственники, могли спокойно заниматься искусственным интеллектом. Что я имею в виду? В первую очередь, наверное, многие из вас знают, что такое GitHub. Я бы, конечно, спросил тут. Можете проголосовать, кто знает это. Было бы интересно. Но смысл такой.

06:05
всех кодов, в частности, open source весь хранится на GitHub. Так вот, Sberbank сделал собственный, то есть наш отечественный GitHub, который называется Git-версия. Дальше точно также, наверное вы знаете, что чат GPT это у всех на ушах, то есть все слышали про чат GPT, второй, там третий, четвертый, уже пятый движется.

06:34
но наверное меньшее из вас знает что наш гигачат это полностью наш аналог чатгп, он конечно уступает многие некоторые специалисты говорят очень сильно уступает чатгп, некоторые я вот считаю что не так уж много тем более его можно топелить но

06:55
Самое ценное в том, что он наш отечественный. Если кто-то пытался работать по-серьезному с чат-депети, кроме использования бесплатными чат-каналами, где там якобы, кавычка, бесплатно ему давали пользовательство с чат-депети, тот прекрасно знает, что чат-депети, ну, во-первых, как Игорь Вячеславович сказал, вражеский, ну, то есть есть такое термин, вражеский.

07:25
отечественные им можно пользоваться и стоит в разы дешевле в некоторых случаях и даже бесплатно для наших для отечественных разработчиков но это еще не все cberbank сделал такую вещь которая называется гига код гига код опять же такие наверное про копайлот многие слышали купай лот это типа помощник именно программистов то есть один из

07:52
Следствие, которое отсюда следует, что скоро написание тех же МЕС-систем будет гораздо делаться быстрее, потому что появится почему-то, ну, программисты в первую очередь разработали инструментарии для себя, которые будут ускорять их работу. И вот после меня будет выступать Алексей Кислов. Интересно, что он скажет по поводу того, используя ли они в своих разработках вот эти помощники при разработке кода.

08:21
И самое последнее, самое последнее, это в содружестве GIGA-Code. Вот я просказал про GIGA-Code. Еще один аспект, это облачные решения. То есть опять же такие для того, чтобы крутить вот эти модельки, про которые я может и скажу попозже, нужны ресурсы. Они огромные, занимают место и памяти и все прочее. Так вот Sberbank в содружестве с компанией облака дают.

08:51
нашим, отечественным разработчикам возможность пользоваться инфраструктурой. И вот это все вот эти гигаверс, гигачат, гигокод, плюс облака, оно как-то там называется, я забыл слово. Для меня как раз подтверждает то, что инфраструктура для разработки, для приложений с искусственным интеллектом создана. Ура, товарищи! Еще год назад я бы такой, это бы не утверждал.

09:21
были сложности, были нюансы, все против, все, что год назад мы имели, это жалкое подобие GigaChat. Вот, дальше на этой конференции выступил Ксут Шадаев, в частности он сказал такую вещь, что да, наше государство будет двигаться в ту сторону. Вы представляете, государство будет двигаться в искусственный интеллект, а производство в искусственный интеллект двигаться что, не будет что ли? То есть это тоже...

09:51
вызывает вопросы. Более того, я не стал приводить здесь в этой презентации, есть несколько распоряжений правительства о том, что будут отдаваться предпочтения разработкам, которых там 20-30 процентов искусственного интеллекта. В общем, мы туда движемся. То есть основной тезис, я уже в принципе сказал, основной тезис заключается в том, то есть спойлер, заключается в том, что время для

10:20
В мест системах для разработки промышленных разработок приложение уже пришло. Но! Одно маленькое но. Почему это я вот с такой уверенностью, как там Саша Черный говорил, сей факт сеющим лицом вношу как ценный вклад науку, почему у меня такая уверенность и крылья за спиной? Потому что для тех, кто в теме хочу, а тем более для тех, кто не в теме, хочу сказать следующее, что

10:50
сейчас именно в тренде слова, но появился новый даже термин, который называется generation AI, то есть генеративный искусственный интеллект, то есть не просто искусственный интеллект, а именно генеративный. То, что три года назад, где-то два с полтины года продемонстрировал ЧАД-GPT, это были начатки именно этого генеративного интеллекта и разница

11:19
между обычным искусственным интеллектом и генеративным, она достаточно существенна именно благодаря такой технологии, как Latch Language Model. Тут я смотрю, у меня есть коллега, я ему предоставлю потом слово, он меня допомнит. Именно вот буквально за последний год произошла прорыва вот в этих технологиях. То есть что такое генеративный искусственный интеллект?

11:48
это возможность обработки огромных массивов информации и выдачи опять же таких огромных массивов информации в ответ. Раньше это было достаточно сложно, то есть если кто-то пользовался первыми версиями чат GPT и все прочее, я тоже видел, как люди умилялись, что там на вопрос, на вопрос там напиши мне мое резюме в форме.

12:17
стихов Маяковского, там действительно он это делал, но там было ограничение, там было достаточно существенное ограничение по объему, ограничение по объему вводимого текста и ограничение по объему выдаваемого текста. Далее, до последнего момента искусственный интеллект мы могли пользоваться только данными, которые общедоступны, которые находятся в интернете.

12:45
и так далее и тому подобное. Сейчас же как раз развивались технологии, которые позволяют каждому предприятию фактически, вплоть до того, что ограничить всю информацию только по своей собственной информации, эти технологии появились и мы можем пользоваться и работать, то есть фактически, ну, для тех, кто использует ChartGPT только лично для себя,

13:15
Вот я смотрел те пункты, которые Игорь Вячеславович перечислил, и посмотрел, что фактически каждый из тех пунктов, вот этот GEM.AI может приложить свои 5 копеек, то есть внести свою лепту. Я готовил огромную презентацию, сейчас я ее не буду рассказывать, скажу буквально краткие вещи. Для тех, кому интересно, рекомендую, буквально где-то две недели назад вышла белая цифра, белая книга цифровой экономики. Я ее вам сейчас продемонстрирую.

13:45
кому интересно, ссылки. Здесь полностью расписано цифровая экономика, состояние делали в России. И я, естественно, выбрал те моменты, которые касаются искусственного интеллекта. Но прежде надо отметить следующее, что если мы посмотрим на драйвер роста вообще цифровой трансформации в России, я тут выделил специально, что два направления новое индустриальное ПО и искусственный интеллект. Вот это будет

14:13
считается высокотехнологичным направлением. Вот как раз призываю к тому, что вот это индустриальное ПО, требование которым Игорь Вячеславович обозначил, как раз использовать принципы, делать новое индустриальное ПО на новых принципах, в частности с использованием искусственного интеллекта и вот этих новых технологий. Но есть сложности, очень большие сложности, например,

14:40
54% опрошенных компаний назвали сложности с подбором работников. Я считаю, что в нашей местности у нас этот процент еще больше, чем 54%. Я кратко пробегусь, посмотрим.

15:05
рынок и все прочее. Я хотел обратиться. Есть специальный даже сайт, где были собраны все разработки в области искусственного интеллекта до последнего времени. И хочу отметить следующее, что оказывается у нас про вот это генеративный искусственный интеллект до последнего времени речь не шла. Это, знаете, такая тема прямо как горячий пирожок.

15:33
То есть если посмотреть, у меня где-то тут есть сайт, специальный сайт, на котором ведутся все разработки в искусственном телекте. Вот эти кейсы. Это то, что государство отметило и описывает. Если вы посмотрите, там, оказывается, наиболее развито у нас применение искусственного телекта до сих пор, это было в машинном зрении. А извините меня, машинное зрение, оно, технология машинного зрения была разработана еще 10 лет назад.

16:03
только буквально, конечно, там меняется, появляется новая библиотека, но это уже настолько устоявшаяся технология. Вот не хотелось бы, не хотелось бы, чтобы вот этот вот перечень кейс-проектов, который делается, чтобы мы узнавали про проекты с искусственным, с генеративным искусственным интеллектом через 10 лет. Я призываю всех заниматься этим прямо сейчас. Ну вот, например, можете посмотреть.

16:33
значит управление ресурсами, там диспетчер с настраиваемым и модулем. Вот первые начатки появляются. И то еще второе направление, которое у нас достаточно развито, опять же таки хорошо устоявшись, это предиктивная аналитика. Вот интеллектуальная система измерения круглого лесоматериала, рекомендаторные сервисы достаточно развитые, прогнозный сервис.

17:01
цифровой системы для автоматизации технологии вчерашнего дня. Я хочу который расскажет про практические теория, как вот там, что это все только разработки. Так вот, хочу довести до вашей

17:31
разработка, это тоже наша, опять же таки она идет в стык с белой книгой, если кого-то эти материалы заинтересует, дам ссылки, дам ресурсы и все прочее, но посмотрите, что первый тренд это демократизация генеративного ИИ, я уже об этом сказал, еще раз повторю, если раньше мы могли просто пользоваться тупо chat-gpt в

17:59
нам кто-то предоставил и могли только работать в режиме вопрос-ответ, то сейчас это расширяется, то сейчас это можно встроить в любую программу, в любую прикладнину, и это дает гораздо больше возможностей. То, что появляются новые модели, понятно. Второй момент, который тоже с существенным трендом этим относится, это развитие так называемого мультимодального ИИ.

18:28
Это вот я считаю как раз тоже то, чего не хватало для систем управления производством. Что такое мультимодальные? Это фактически использование всех информации в любом виде. В текстовом, в видео, сканы всякой разной, речь, изображение и так далее. То есть, если представить такую картинку,

18:58
Вот вы идёте по производству, либо вы сделали фотографии, заслали в систему, и система обрабатывала, то есть приняла эту информацию и в дальнейшем её как-то использовать, либо вы загружаете в эту систему видео и генеративные, и помогают вам найти какие-то несоответствия и так далее. А так в основном такая же работа голосом.

19:27
Я считаю очень важных аспектов, которые может применяться в системах управления производством, это голосовой. Ведь люди до последних времен в Советском Союзе в основном обращались по телефону, потом эту информацию записали на какие-то клочочки бумаги. А теперь это всё есть возможность делать в одной системе, куда не важно, как в мясорубке.

19:54
есть там значит такой фарш, то за мной все перемелется и все обработается, не важно в каком виде оно приходит вам информация. Такие вещи дальше. Опять же такие мультиагентные системы, это еще дополнительное допиливание технологий. Если раньше у вас система могла работать только с одним видом информации, условно говоря вопрос-ответ, то сейчас мультиагенты могут, можно их...

20:23
построить целую цепочку работы, это будет нечто похоже, как на роботы автоматизированные. То есть в начале она ваш голос распознает, потом она залезет в систему, базу данных проверит, то есть поймет, что от нее нужно, залезет в систему, проведет какой-то анализ, потом выдаст это, нарисует какой-то там график и выдаст вам рекомендации. Вот это на каждом этапе будет заниматься

20:52
возможность делать, проектировать системы на новом уровне. Из таких трендов еще можно учесть остальные технологические современетет, регулированные технологии сервисов. Основные вещи я сказал. Кому интересно эту презентацию Игоря Вячеславовича, я оставлю. В принципе, у меня основной тезис, основной посыл, я его высказал. Призываю всех!

21:21
подумать в эту сторону. Естественно находить проблемы будет. Там море проблем, которые с этим есть. В белой книге это описано. Я не стану их перечислять, хотя они есть и существует. Понятно, это и кадры и все прочее, но часть проблем буквально с последними конференциями, они сняты. То есть с точки зрения инфраструктуры сейчас гораздо легче заниматься.

21:50
искусственным интеллектом, нам разработчикам, и вам разработчикам, чем еще год назад, потому что создана инфраструктура наша. Но проблема будет с кадрами, ее надо будет как-то решать. Сейчас я хочу передать слово Юрию Александровичу УВАЕО. У него и фирма так называется Аспект АИ. Юрий Александрович. Здравствуйте, коллеги. Вы сможете запустить презентацию или мне вам запустить, или так скажите.

22:20
Да, если позволите, я буквально пять минут в продолжении, в подтверждении ваших слов про наш практический опыт, Сергей Францевич. Давайте. Коллеги, позвольте, да, немного продолжить экскурс, но уже в практической плоскости того, что докладчик сейчас излагал. Мы занимаемся системами управленческого учёта в производстве, для управления активами, основными фондами, и также занимаемся технологиями...

22:49
интеллекта и машинного обучения. Все наши эксперименты с ЧАД-ДЖПТ и прочими вещами за последние 3-4 года назад, они не приводили к практическим каким-то интересным вещам. Но появление буквально с начала года новых стандартизированных вещей, связанных с большими языковыми моделями, объединение их в мультиагентные сети и возможности дополнительного дообучения

23:19
собственных данных привело к тому, что мы провели, как мы считаем, ряд успешных экспериментов у себя, таких как... первое, что мы делали. Мы проверяли возможность до генерации кода для наших систем, достаточно простых пока, на базе четырех-пяти больших языковых моделей разных. В принципе, уже себя результаты показывают неплохо. Что мы видим? Какой путь? Мы видим эту возможность в двух

23:49
Первое, это позволит доделывать достаточно простые участки производственных систем, которые связаны с интеграцией, связаны с достаточно простой обработкой данных. И второе, к чему это идет, это идет к тому, что появляется возможность генерировать наиболее красивые и подходящие для обучения людей интерфейс.

24:17
где это возможно уходить от табличных представлений, уходить в инфографики, уходить в трехмерные представления информации, в дополненную реальность. И эти вещи позволяют... Ну, я показать что-то можно под рукой есть, хотя бы как это выглядит приблизительно? Коллеги, буквально месяц-два еще, и мы сможем показывать. Сейчас мы опробируем это на заказчиках. Это не идет не в...

24:45
У нас просто компания вместе с заказчиками идет. Я пока не могу показывать. Месяц-два и скорее всего уже дадут разрешение. Это что касается генерации кода. Еще раз, ключевое. Это стало доступно после появления мультиагентной технологии. То есть просто попросить написать чад GPT модель, да, она напишет очень простую функцию, но это очень далеко от реальности. В реальности код сложен.

25:12
И для того, чтобы это делать, необходимо генерить огромное количество шагов. Шагов с проверками, с тестами. Все как в жизни при разработке программного обеспечения. Текущие ChattGPT модели не позволяют этого делать. ChattGPT 5 версии, которая, по-моему, на следующий год запланирована, они сразу говорят, что у нас туда будут строены мультиагентные технологии раз, и второе, мы работаем над стратегическим целеполаганием моделей.

25:40
То есть в нее пролетает запрос или промп, если использовать, скажем так, сленговую тематику. Пошаговый вывод с предсториальным результатов сейчас определенной сложности вызывает, если таких шагов много. Соответственно, это то, что касается кода генерации и проектирования интерфейса. Что касается виртуальных помощников, значит, мы на текущий момент нащупали наиболее продуктивная вещь,

26:09
берется корпоративная база знаний. Например, вот мы сейчас один из подпроектов тестируем систему менеджмента качества. Мы знаем, как обычно на производстве, это одни из наиболее емких и сложных документов, и требуется достаточно много времени, чтобы люди как бы были вовлечены, новые люди, которые приходят на производство. Вот одна из задач, которую мы сейчас пытаемся катать и решать.

26:35
связано с тем, чтобы быстрее дообучать. То есть мы в нейроассистент пытаемся и загружаем данные системы менеджерта качества, пытаемся научить его помогать людям в освоении задач по входному контроль продукции, по контрольному производству. Следующая вещь, на которую мы смотрим, мы на самом деле в продолжении, опять же цифр, который Сергей Францевич указывает, по статистике последних лет...

27:04
Достаточно высокая доля проектов по объему, она связана на производстве, связана с темами компьютерного зрения. В ближайшие годы мы ожидаем, может быть, даже некий перелом в этом рынке, потому что появились технологии использования больших языковых моделей в компьютерном зрении. Самый простой пример, он неприменим производству в чистую, но вышли такие модели, как Lava,

27:31
И еще ряд определенных вещей, которые что делают. Они смотрят видео, и вы с текстом можете общаться. А что ты там видишь? То есть она смотрит в камеру, и она говорит, я вижу двух людей в строительных касках. А какого цвета каски? Одна желтая, одна оранжевая. Она на самом деле отвечает с какой-то погрешностью, но достаточно неплохими результатами. Что надо было делать раньше? Надо было брать этот видеоряд, надо было размечать это, создавать базы данных.

28:01
людей, объектов, кассок. И это требовало огромного количества труда. Как раз высо которое может эти работы делать. Вот сейчас появление этих технологий приводит к тому, что уровень доступности резко увеличивается. И стартовых требований для того, чтобы заниматься этим, все становится меньше и меньше. Поэтому я хочу лишь только...

28:28
поддержать предложение, что этим да, реально надо заниматься. На самом деле с нашей оценки в 2025 году пойдут уже новые продукты, связанные с генеративным интеллектом, который дополнит либо алгоритмы машинного обучения, либо системы компьютерного зрения и сильно усилит. Вот четвертое направление, которое наверное упустил, это

28:56
работы, связанные с автоматическим машинным обучением. Все мы прекрасно знаем, как хорошо там, предиктивку где-то уже научились делать и прочее, но все равно от людей требуется подбор алгоритмов, их подбор весов, каких-то комбинаций, оптимизаций. Сейчас уже появляются библиотеки, которые в автоматическом режиме. Вы просто отдаете свой набор данных, вы просто говорите.

29:24
а я хочу решить такую-то задачу. Я хочу найти зависимость вот этого дефекта, появления этого дефекта продукции от вот этих вот фактических там показателей технологического процесса. И алгоритм начинает перебирать все возможные математические методы и пытается оптимизировать гиперпараметры этих моделей, потому что выбор алгоритма этого недостаточно глубоко. И как мы видим, вот все эти как бы разноплановые вещи

29:54
и разноплановые задачи, которые решаются на производстве, они все получили поддержку и развитие с этим генеративкой. Поэтому надо заниматься, надо пробовать. В 2025 году мы ожидаем, по крайней мере, с нашей компании выход продуктов какой-то одного-двух будет для производственных компаний. Коллеги, спасибо. Ребята, давайте вопросы. У нас есть еще какое-то время до следующего доклада.

30:23
У меня есть вопрос. Я вижу как бы коллапс модели. Это для меня слово года. Я выбрал слово года. Я понимаю, что нам сейчас будет с этим искусственным интеллектом. Уже первые есть ласточки. Я был на Каннских огнях в дайвичах. Замечательно отдохнули, но показывали и работающие системы. Очень интересные. В том числе были генеративные модели. И в том числе, что самое важное, особенно хозяева, показали ряд провальных проектов.

30:53
То есть то, что либо не взлетело, либо завело в дебре, что еще более вероятно. Так вот отсюда два вопроса. Какие у нас есть технологии натравить один искусственный инжектор на другой? Ну условно у нас есть два робота, один работает, а другой нам на него стучит. Или которые мы используем по разным алгоритмам, то есть один ищет дефекты...

31:17
а второй пытается понять, если мы говорим про контроль качества, а второй пытается понять, чем качественное изделие отличается от некачественного. Таким образом он на гораздо более длинных данных, но нам сможет найти те дефекты, которые мы не описали. Ну хотя и для этого мне предполагается нужно будет гораздо больше data set. Создание гибридных моделей, потому что есть вещи, которые лучше описываются симплексами, есть вещи, где лучше работают дифуры.

31:46
Есть вещи, где лучше работают ивристики. Есть вещи, где сетки генетических алгоритмов попадают в локальные экстремумы. Есть вещи, которые просто надо прибить гвоздями. Волка впадает в Каспийское море. Помните, в наших детствах был такой? Да. Спасибо. Замечательный вопрос. Ответ лежит в простой технологии, которая называется мультиагентная система. Мультиагентная система позволяет...

32:15
собирать в единую неделимую систему целый набор арсеналов из ллмок, которые заточены под определенные задачи. Можно брать общедоступные, пытаться их использовать, можно пытаться доучивать свои. Из определенных сервисов, будь то как Волга впадает в Каспийское море, это та информация, которая является аксиомой на предприятии. Она не может меняться и мы

32:44
ставим табу для языковых моделей по пресечении этих границ. По математическим решателям, как вы абсолютно правильно говорите, генетические алгоритмы гораздо лучше решают ту же задачу оптимизации гиперпараметров, алгоритма машинного обучения, чем другие вещи. Вот, и эти вещи, как раз, мультиагентные системы, в симбиозе между собой, они позволяют выстраивать

33:12
картину и автоматической проверки того рецепта, и того пути решения, которое предлагает этот инструмент. Я позволю себе сослаться, я в начале мая был на конференции в Питере, где люди делились результатами своих исследований. Одной из задач, которую решали, это, по-моему, размещение определенного производственного комплекса на берегу шельфа. И вот там одна из...

33:41
Проблема была то, что большая языковая модель упорно понимала, что электрические клещи опасны для человеческой жизни, потому что клещ инцефалитный может нанести вред организму. Таких коллапсов много, но это не говорит о том, что эти технологии не готовы для жизни. Их надо обходить. Опять же, я вернусь к примеру кодогенерации.

34:09
Вот и написание кода. Ее надо организовывать не просто, а напиши мне такую-то программку. Эту задачу надо решать, и лучше получается решать, когда одна модель ставит задачи, вторая модель расписывает шаги, которые надо сделать, третья модель, она пробует написать код, четвертая модель запускает этот код, а появились интерфейсы, которые автоматически либо в контейнерах, либо в кубернет все это запускают.

34:37
А пятая модель тестируют. Эти все модели разные. И критерием решения задачи этой мультиагентной системы является общий критерий. И как я уже в начале своего рассказа говорил, вот именно эта мультиагентность, она позволила получать лучшие результаты. И еще один момент, который немаловажный, и он везде присутствует. Даже вот в обычных алгоритмах машинного обучения

35:07
просят... есть такой стандарт уж, извините за фреслогизм, экспланы и баллаи. Экспланы и баллаи, он как бы показывает что? Он показывает объяснение, а что же там модель надумала. Вот нейросеть прогнозирует какой-то результат, сейчас уже людей не устраивает почему так. Они просят показать связь, взаимосвязь, как сложилась в мозге этой модели, от входных признаков до результативного. То же самое и для больших языковых моделей.

35:37
Системы должны визуализировать и объяснять, а как сложилось это знание. Поэтому, отвечая на ваш вопрос, именно проектирование архитектуры этих систем лежит в основе залога успеха этого проекта. То, что провальные проекты будут продолжаться, – этот факт, но я считаю, что их доля будет понижаться со временем. Отсюда два вопроса. Первый. В некоторых странах

36:05
объяснительные модели, то есть мотивация решения или мотивирование, не знаю как по-русски, является законодательно утвержденной. Ну то есть нельзя, что вот искусственный интеллект сказал тебе отрезать ногу, пошли под наркоз. Да, то есть он должен объяснить, как он до этого додумался. Ну то есть и достаточно, кстати, давно, это еще, по-моему, до карантинных законов. Так вот, что экспертные системы в каких-то случаях должны свое решение мотивировать. Второй вопрос.

36:33
Вот у нас есть там несколько искусственных интеллектов. В том числе один такой шустрый работает на конвейере, говорит тут драк, тут не драк, тут я дырку нашел. Ну то есть стоит у нас на контроле качество. Второй у нас жирный, но умный. Он ночью занимает все серверные мощности и ищет более глубокие взаимосвязи в исторически накопленных данных. Ну что естественно оперативность снижает, но позволяет думать глубже.

37:01
А потом у нас получается есть две модели, как нам их слить. То есть есть возможность слить. Или вот вопрос, как происходит вот это дообучение, то есть как то, чему научилась одна сетка на одном датасете, или на других алгоритмах, ну более глубоко анализируя исторические данные. Как она может дообучить вот эту сетку, которая должна оперативно решать кривая фанера, ровная фанера, то есть там целое яйцо, разбитое яйцо.

37:30
нормальный болт, кривой болт. Значит, с точки зрения до обучения сейчас появляются уже абсолютно безумные вещи для понимания, которые позволяют практически, даже большие языковые модели из любых источников до обучать информации. То есть это не просто какие-то вордовские документы или поддание. Не расширить, Юра, не расширить датасет, это понятно, как делаться, подлить данных. А именно один надумал одно.

37:59
Другой надумал другое. И как нам вот эти их опыты, их выводы, их модели действий, как их слить в одну? Ну, смотрите. Ну, у нас есть неросетки, они учатся, учатся. Один одно надумал другое, другое, третий, третий. К чему-то научились. Как их компетенции слить в одну? Смотрите, как бы давайте пример с тем же, что вы говорите, качества и конвейер. Вот есть у нас неросетка, которая в реальном масштабе времени прогнозирует наступление одного литового...

38:28
видо дефекта. Скорее всего, это сетка какого-то глубокого обучения, какой-то автоэнкодер или еще чего-то. Она обучена. В любом случае, она просто так не может существовать и пудрить мозг рабочим. То есть, должна быть система с обратной связью, которая каждый момент времени регистрирует ее прогноз, и она отслеживает ее точность, точность и достоверность. Рядом, как вы говорите, может быть модель, которая шарится по данным.

38:58
и пытается вывести еще дополнительные взаимосвязи. Так вот, помимо того, что она шарится, что если большая жирная сетка найдет какие-то еще параметры, которые, возможно, влияют и аналитики не нашли, то она должна запустить несколько параллельных процессов перегенерации этой первой сетки, пусть это автоэнкодер будет, это сетки, которые могут это делать, и посмотреть на исторических данных, повышается точность или нет. Если точность повышается,

39:28
то при определенных пороговых значениях автоэнкодер, который стоит на конвейере, должен быть автоматически заменен перед, соответственно, новой сменой. Неросетка, она не может жить отдельно, она должна постоянно быть... То есть это гибрид глубокого обвечение и генетическая модель, я правильно понимаю? Да. То есть два подхода. Но у нас время подходит к концу, вот Сергей Францевич у нас что-то, он поднял руку нечаянно или хочет что-то добавить.

39:55
У вас был в самом начале вопрос про соревнования. Одна и другая. То есть Юрий Александрович в принципе озвучил. Но я хочу сказать следующее, поймите, что величайшие успехи дипфейковских и всяких разных вот этих генераций изображения появился благодаря тому, что две модельки фактически соревнуются друг с другом. Одна рисует одну, а вторая пытается увеличить в этом самом волжи.

40:24
Я хочу сказать, что метода в искусственном интеллекте, поскольку на это работает весь мир и лучшие представители всего мира, на ваш хитрый вопрос найдется такой же хитрый ответ. Другое дело, что кто этим будет заниматься и насколько это целесообразно. Это раз и второй момент. Тут было сказано, Юрий Александрович, хочу сказать следующее, без обратной связи, да, ничего не получится. Более того, если у вас будет обратная связь...

40:54
то есть такое направление, которое называется обучение с подкреплением и тогда в принципе для него по идее даже не надо первоначальных данных готовить. Вот я почему считаю, что это как раз хорошо именно для производства. То есть можно просто поставить сетку, которая будет просто наблюдать и собирать данные. Как только она их наберет достаточно количества, она скажет, я вот поняла, у вас тут вот это самое, вот этот станок надо переставить. Ну, утрируйте.

41:23
Вот это то, что я хотел сказать. То есть, для тех, кто в теме, вот это вот энкодер-декодер, это фактически есть конкурирующие с собой сетки. Одна против другой. И они соревнуются, и вот в этом соревновании как раз получается то, что мы видим. Но я еще хочу сказать следующее, что принцип стоит это говорить. Юрий Александрович, не стоит насчет конференции.

41:51
В общем, у них еще более подпольная конференция есть по искусственному интеллекту. То есть это вот Сергей Францевич, он занимается с детьми. Они, кстати, там что-то выиграли в инополис. Интересно, они хоть здороваться не перестанут, они зазвездят там. Еще у них есть своя суперподпольная конференция. Так что если кому интересно, сильно проситесь, может быть вас спустят. Давайте этот вопрос вынесем за предел УДМ. В общем...

42:18
у них с Юрой есть своя супер подпольная конференция по искусству интеллекту, еженедельная практически. И кто пройдет отбор, сдаст на крамповый берет, принесет ящик пива, того пусто. Спасибо, Игорь Вячеславович, за предоставленную возможность. Я понимаю, запись будет к тому, чтобы вот через полгода встретиться и сказать, вот дядя Сережа говорил,

42:45
это полная чушь, мы быст через стадию, в этом что-то есть, добрались через полгода, но кто ж про это не знает. Уверен, через полгода все будут говорить, ну джена и, ну кто ж про это, ну как же, ну как же мы можем без него жить? Никак. Ладно, благодарю докладчиков, спасибо Сергею Слуранцевичу, спасибо вашим коллегам, очень тщательный доклад, тем более много информации по стандартам, по всему, но у вас грандиозная презентация, я не знаю.

43:13
какому поводу вы ее делали или это ваша, это энциклопедия. Я на каждом проекте веду три бумаги, то есть библия проекта, конституция проекта, энциклопедия проекта. Возможно, что это личная энциклопедия, но грандиозная презентация, поэтому кто три раза попросит, тому дадим посмотреть. Большое спасибо, благодарю докладчиков.