0: Уважаемые участники конференции, дата фьюжн начинается кейс сессия экономика ii сходится или нет? Модератор кейс сессии, руководитель исследовательского центра сильный ии в промышленности итмо буха.

1: Новский Александр.

2: Любезные друзья, большое спасибо, что проявили внимание к этой секции. Понимаю, что экономика это то, что волнует всех. Вот я с радостью даже отмечу, что здесь существенно больше людей, чем на искусственном

3: Интеллекте в науке. Вот, и на образовании. Ну, наверное, понятно, что мы хотим обсудить самые важные моменты, связанные с тем, как получать выгоду от искусственного интеллекта. Вопрос выгоды поднимал

4: Все очень давно, че то у меня колченогое кресло, как ни странно, но смотрите, дорогие друзья, казалось бы, ещё несколько лет назад нам всегда рассказывали.

5: Коллеги, внедряйте искусственный интеллект сэкономит ваше время. Мы знаем, что время деньги, соответственно, надо только уметь его продать. И вот тут то наступает самый

6: Сложный момент, потому что сказать, что мы теперь будем отдыхать, мы будем делать лучше, чем другие сотрудники. Это ничего не означает. Все эти разговоры о том, что там 3 человек уволил, искусственный интеллект поставил. Люди стали на работу ходить в 2 раза Реже.

7: Они не приводят к тому, что экономика будет расти, потому как раз сейчас мы хотим попробовать уйти от, скажем так, столь простого понимания искусственного интеллекта, как я могу быстрее, а потом все остальное время сплю, отдыхаю.

8: И осознать, а что такое его экономика, какая польза и что нужно потратить на то, чтобы эта польза у нас состоялась, и не будет ли то, что в перспективе мы потратимся, все запустим, все заработает, а в резу

9: В результате получится, что эти расходы, эти активности съедят весь тот эффект, который мы намеревались получить, учитывая, что все развивается, развивается очень быстро, и потому эти

10: И объясним наш выбор экспертов сразу отмечу у нас здесь нет ни 1 экономиста специально. А кто же у нас есть?

11: Хочу представить юрия Хохлова, председателя совета директоров института развития информационного общества, академика российской инженерной академии. Я вот из метро выходил, видел рядом улица академика Хохлова. Это вот, наверное, я. Правильно?

12: Понимаю, даже, они даже не однофамилец. Замечательно. И Юрий Евгеньевич является, я бы сказал, наверное, ведущим специалистом в Российской Федерации по

13: Нормативной базе, связанной с данными искусственным интеллектом. То есть, если появляется какая-то новая методика рекомендации, в том числе расчет по расчёту экономики, она все равно проходит через его руки, потому без него, навер,

14: Никак. Кроме того, у нас участвует в нашем мероприятии Елена Белоброва, руководитель группы развития бизнеса эмэль иай яндекс клауд. Ну, вообще, если говорить про cloud

15: Claude, это вообще про экономику, это не про компьютер, это про экономику, это экономическая модель изначально, а если уже и про развитие, то, наверное, у вас с экономикой должно быть все хорошо, вы должны понимать, во что стоит вкладываться, во что. Нет. Хорошо.

16: Идём дальше. Дмитрий Рузанов, директор департамента по разработке модели альфа банка.

17: В банках на самом деле замечательно. Можно как некой модельной арене отследить экономику искусственного интеллекта. Недаром 1 такая вот яркая методика у нас альянсом искусственного интеллекта и fine.

18: Была сделана в прошлом году как раз по оценке эффектов искусственного интеллекта в финансовой сфере, по той причине, что здесь нарушаются законы марксизма ленинизма, другими словами, не деньги.

19: Труд, деньги, а деньги, ну и чуть чуть труда. И опять деньги, финансы. Потому на самом деле здесь все очень хорошо видно. Можно это тиражировать дальше и на другие области. А дальше у нас участвует Екатерина Канунникова.

20: Директор по продуктам, направлении, дата сервисов вк тех. Вот мы понимаем, что яндекс велик, яндекс серьёзен, но в то же время мы видим, что концепции то развития разные, экономика разная.

21: Потому без приглашения 2 прекрасных дам мы не смогли обойтись.

22: Ну и в заключение вот солидный мужчина с солидной бородой, и фамилия у него такая, зовут его Юрий Бородачев. Вот казало, да.

23: Поприветствуем. Казалось бы, он здесь вроде не на месте, потому что он из мифи ещё мифи про экономику. Да, да, да, правильно. Коллеги, смотрите, он не просто из мифи мифи есть исследовательский центр.

24: Центр 2 волны по искусственному интеллекту, у которого основная задача, я скажу так прямо, работать с внедрением искусственного интеллекта для разного рода железяк. И вот у нас с вами есть облака, банки, а кто может сразу

25: Собрать мнение со всего ржавого пояса и рассказать нам, а как к ним то вообще это все относится?

26: Вот таким образом мы и определили состав экспертов, которые сегодня поделятся с вами своими представлениями о том, что такое хорошо и что такое плохо в сфере экономики, опять же не с точки зрения.

27: Экономических моделей или вопросов прямой выгоды, а скорее с точки зрения понимания, когда мы переходим массово, внедряем искусственный интеллект, что это может нам дать не прямо сейчас, а

28: Перспективе в долгосрочной. И не будет ли ситуация, когда мы сейчас нацелимся на одни сценарии, а к 30 году изменится все настолько, что те, кого мы хвалили и говорили вау вау, окажется, будут вынуждены

29: Отказываться от своих слов и не побоюсь этого слова раскаиваться в том, что они двигали искусственный интеллект именно в эту сторону. Вот такое интригующее введение. А теперь давайте начнём с 1 части.

30: Нашего марлизонского балета, а именно с возможности уважаемым коллегам экспертам представить своё мнение как раз на вопросы, связанные с областью их компетенции. Юрий Евгеньевич, вы нам расскажете про нормативку, которая

31: Вокруг экономики искусственного интеллекта двигается сейчас, что есть в стране хорошего? Да, Александр Валерьевич, спасибо. Но я не только про нормативку и про регулирование в целом. Я хочу немножко чуть более с общей картинки начать сейчас

32: Включат презентацию и на самом деле, как любой процесс, который мы смотрим, связанный с применением информационно коммуникационных или цифровых, в частности техно.

33: Технологий, он всегда имеет свой жизненный цикл. И этот жизненный цикл связан с тем, что для того, чтобы эти технологии каким-то образом воздействовали на экономику ли, на социальную жизнь, ну,

34: Нужно, чтобы эти технологии были сначала произведены, а потом использованы и чтобы вот эта вот цепочка от

35: Производство через использование к воздействию осуществлялось. Нужно, чтоб сложилось довольно большое количество факторов. И с этой точки зрения те факторы, которые есть и которые здесь приведены на

36: Slider работают только в своей совокупности, не будет каких-то факторов, этот процесс весь осуществляться не будет, если уж мы говорим про экономику и смотрим на воздействие, то нужно.

37: На самом деле точно также разграничивать. А чем мы хотим эту экономику или воздействие на социальную сферу измерить? Будем ли мы смотреть это в масштабах отдельно взятой страны или

38: В масштабах отдельно взятой сферы деятельности, отрасли экономики или системы государственного управления, или здравоохранения. Смотрим ли мы это отдельно на уровне организации в той или

39: Иной сфере деятельности. Или мы смотрим это воздействие на человека, а мы можем точно также смотреть и на экономику. Применительно к работнику. Использует он искусственный интеллект или нет. И получает ли он от этого соответствую

40: Выгоду в производительности, в скорости выполнения своих работ и так далее. Поэтому с этой точки зрения мы должны, глядя на эту общую рамку, понимать, каков объект нашего мониторинга, будь то страна.

41: Сфера деятельности организации или отдельно взятый человек на самом деле этими упражнениями занимаются давно, и с этой точки зрения технологии искусственного интеллекта, как и другие, например, сквозные цифровые технологии больших

42: Данных, они на самом деле подвергаются таким исследованиям уже не 1 год. Я привёл несколько картинок, далеко не полный набор того, как оценивают эти эффект.

43: В том числе и воздействие на экономику, на в масштабах там отдельных стран или отдельных сфер деятельности вот только некий перечень и то только нескольких международных организаций, которые этими вещами занимаются.

44: Как правило, это все, что связано с реализацией национальных стратегий развития и использования искусственного интеллекта, либо межнациональные объединения, такие как, например, евросоюз, либо

45: Другие организации. Ну, например, осиди или организация экономического сотрудничества и развития, много работает для своих членов, проводя такую вот аналитическую работу, позволяющую им строить системы.

46: Мониторинга и оценки того, как применяется искусственный интеллект, какое воздействие он оказывает на страны или на отдельные сферы деятельности. Это только небольшие примеры. Точно также, если мы опускаемся на следующий уровень и смотрим, а что происходит у нас

47: С организацией, то вот вам примеры тех методик, которые имеет каждая уважающая себя консалтинговая компания, большой четвёрки и гартнер, например, которые я здесь привёл. Просто несколько таких примеров и не хочу на них останавливаться. Их

48: Что они смотрят и по каким направлениям они такие оценки производят. Я думаю, что коллеги сегодня точно также расскажут о своих подходах, в том числе тот подход, который реализовывал альянс, но не только на международном уровне, но и на

49: Мы смотрим на такие моменты, связанные с воздействием, такие же упражнения довольно давно проделываются и у нас в Российской Федерации, и в масштабах страны, и в масштабах отдель.

50: Взятых организаций. И здесь как раз вот Александр Валерьевич упомянул, соответственно, и методику, которую разрабатывал альянс, но некоторые наши консультанты, отечественные консультанты тоже такие

51: Оценки проводили, и эффекты такие рассчитывали. Ежели говорить о том, с чем связано воздействие искусственного интеллекта, то нужно понимать, что по большому счёту мы говорим о том, что это

52: Процесс, который идёт от рождения, от зарождения некой идеи, заканчивая её реализацией в виде тех или иных промышленных решений или услуг, которые приводят к Такому эффекту и с этой точки зрения.

53: Инновации, которые мы смотрим, мы смотрим не только технологические инновации, каковыми являются собственно развитие самих технологий, машинного обучения или генеративного искусственного интеллекта. Но мы смотрим точно также и на институциональ.

54: Организационные инновации как по другому перестраивается деятельность той или иной организации или даже отдельной сферы деятельности, ну и 2 слова по поводу регулирования процессов создания, использования и воздействия.

55: Искусственного интеллекта. Регулирование это осуществляется по 3 основным направлениям, начиная с государственной политики, которая реализуется в виде нормативно правового регулирования, будь то соответствующие

56: Указы президента, утверждающие национальные стратегии развития информационного общества или развитие искусственного интеллекта в России до 30 года, будь то законы, ну, например, связанные с экспериментальными

57: Правовыми режимами, позволяющими осуществлять эксперименты с применением технологии искусственного интеллекта перед их масштабированием. Но точно также 2 очень серьёзное направление регулирования, которое связано с тех

58: Техническим регулированием, нормативным техническим регулированием. Это стандартизация. И здесь передовую роль в этом направлении играет наш технический комитет по стандартизации искусственного интеллекта или тк. 164. Сегодня уже больше

59: Сотни национальных стандартов и предварительных национальных стандартов принято и работает для технического регулирования, развития, использования и оценки воздействия искусственного интеллекта.

60: Скажу лишь, что последний утверждённый национальный стандарт, который является гармонизированным с международным стандартом исомэк, относящийся к оценке воздействия искусственного интеллекта, формулирует некую формирует.

61: Некую рамку, по которой та или иная методика, та или иная организация для оценки воздействия искусственного интеллекта учитывает все вот эти вот интересы. Есть и 3 направление, на котором я сейчас не буду останавливаться. Это вопросы

62: Касающиеся саморегулирования, вопросы, связанные с этичным использованием технологии искусственного интеллекта, разработки, технологии искусственного интеллекта, учитывающие этические аспекты. Но этому много посвяща.

63: Внимание и на других мероприятиях. Поэтому с этой точки зрения хочу лишь обратить внимание, что прежде всего вопросы, касающиеся приземлённых практических аспектов использова использования

64: И разработки искусственного интеллекта решений, связанных с применением искусственного интеллекта. Они лежат в области стандартизации, в области нормативного технического регулирования. И там очень много сделано. Я очень рекомендую всем в это и, во первых, изучи

65: Этот накопленный опыт и знания, потому что это тоже 1 из форм на самом деле передачи трансфера знаний уже накопленных знаний о том, как нужно поступать. И это не

66: Только, скажем, там научная публикация или патентная активность, но и стандарты это 3 такой вот Пласт знаний, который связан с применением, использованием искусственного интеллекта. Ну и на этом я как раз хотел бы

67: Описывая вот эту вот общую рамку, сказать, что

68: Нет единственной уникальной методики, которая позволяет сразу сказать, сходится или не сходится экономика применения искусственного интеллекта, или воздействие искусственного интеллекта на экономику.

69: Для разных случаев, для разных объектов будут настраиваться и будут разрабатываться свои собственные методики, свои собственные методологии, которые будут позволять в том или Ином случае ответ.

70: Отвечать на вопрос, насколько выгодно или невыгодно применять технологии искусственного интеллекта для решения социальных и экономических задач. Тем более что часть эффектов, которые мы с вами наблюдаем, они, но

71: Точно не денежный характер, но не учитывать их тоже будет нельзя. Спасибо.

72: Юрий Евгеньевич, а у меня сразу вот вопрос, очень интересно. Вы про этику сказали и даже вот кодекс показали, а там вообще экономические вопросы как-то затрагиваются. Ну, кроме там, судебных штрафов за дискриминацию и прочее.

73: Или это все-таки действительно уходит в вопросы, там больше, там личность, этика, там розовые пони и так далее. Ну смотрите, нужно сразу смотреть на этот вопрос, когда мы говорим о этичности и

74: Неэтичности, разработки, использования искусственного интеллекта. Давайте понимать, что это не закладывается применительно к самим технологиям. Технологии нейтральны. А вот то, как мы их разрабатываем, какие огра

75: Ограничения при разработке этих технологий. Мы ставим, какие барьеры мы применяем или, наоборот, снимаем. Это относится к людям, которые эти технологии разрабатывают, применяют и оценивают воздействие. Спаси.

76: Спасибо. Ну вот я понял, что сверху то идти сложно, потому что методики есть, но они настолько общие. Непонятно ещё, сработает или нет. Наверное, надо все-таки идти снизу. Получается, Елена, у вас есть своя методика, которая позволяет оценить, сходится или нет? Расскажите, пожалуйста.

77: Давайте так, не методика, но набор подходов есть, и я о них как раз сейчас расскажу.

78: Тогда начинаем всем привет. Меня зовут Лена. Я отвечаю за развитие искусственного интеллекта в компании яндекс клауд и в целом вижу очень много различных процессов в клиентах, как успешных, так и неуспешных. Поэтому

79: Поделюсь некими паттернами, которые важно выделять в ходе внедрения для того, чтобы оно привело к какому-то успеху давайте начнём немного со статистики это опрос компании прайс вотерхаус куперс об её агентах, причём в мае 2002.

80: 5 года, который говорит о том, что в целом внедрение я агентов и технологий в мире уже состоялось, причём достаточно широко. Уже год назад почти год прошёл, если вернуться к

81: Статистики в России её публичной, правда, мало в целом, но из того, что есть в паблике 10% пилотов и перешли в промышленную эксплуатацию, 40% это много, это почти половина свернули пилоты и

82: Половина продолжает экспериментировать, почему же они свернули пилоты? Потому что нет экономической эффективности, но отсутствие экономической эффективности чаще всего связано с тем, что решение или продукт не внедрился в бизнес процессы, он некий.

83: Отдельно стоящий, соответственно, плохо влияющий на экономику. Это 1 из ключевых факторов в целом того, что пилот не успешен. Теперь все мы, наверное, знаем. Но, напомню, есть такое понятие, как

84: Кривая продуктивности, джекер, при любом внедрении чего-то нового в процессы. Процессы начинают ухудшаться в начале. И если мы все делаем правильно, то через какой-то период времени кривая продуктивности возвращается на свои показатели и

85: Дальше растёт. И вот этот период времени важно пройти это, по сути, налог на перестройку процессов, на переобучение персонала, но уже в этот период, когда все падает, очень важно иметь какие-то опорные точки для того, чтобы понимать, а мы все де,

86: Правильно, она потом вырастет, эта кривая или останется внизу. Для того, чтобы правильно это сделать, нужно начать с того, чтобы выбрать. А в каких вообще сценариях мы внедряем? Аяяяй, я часто вижу.

87: Экселевские таблички со 150 различных сценариев, начиная от операций, которые повторяются 10 раз в течение месяца, и заканчивая теми, которые действительно масштабные и охватывают 1000. Так вот, для того, чтобы

88: Начать со всего нельзя. Нужно начинать с того, где 1 есть экономический потенциал. И 2 можно осуществить с текущим состоянием базы знаний, документов, актуальности айти ландшафта и

89: Знания людей. Вот для того, чтобы определить экономический потенциал, нужно, по сути, понять, во первых, на что мы его применяем, то есть единицу работы. Это может быть сделка, звонок, документ.

90: Какая-то единица, на которую мы тратим определённые затраты. Вот те затраты, которые мы тратим до внедрения яй, это бейзлайн, мы просто можем его оцифровать. И, соответственно, новая стоимость появляется после внедрения ии, она будет в себя включать

91: Определённое количество предыдущих затрат из бейзлайна плюс все затраты на реализацию ей проекта. И вот если у нас новая стоимость ниже бейзлайна, то это хорошее в целом направление для дальнейшего внедре.

92: И масштабирование. И если у нас единиц работы очень много, то это в 1 очередь тот процесс, с которого стоит начинать теперь, в тот момент, когда мы начали внедрение, и даже если кривая продуктивности у нас па,

93: Нам все равно важно учитывать в голове 4 ключевых показателя. 1 это качество процесса. Если у нас качество ответов, я приложение ниже 50%, как бы мы там не масштабировали, то мы там эффективности не добь.

94: И нам нужно над этим работать перед тем, как масштабировать 2, это то самое встраивание в процесс, которое многие недооценивают. На самом деле этот фактор является ключевым при успехе пилота, потому что

95: Любой сотрудник, он не захочет иметь какой-то отдельный инструмент, который нужно копипастить информацию. Для того, чтобы он как-то работал. Это должно быть нативно встроено в текущие процессы. Мы должны учитывать экономику на единицу, желательно её считать за

96: Ранее предугадывать и пересчитывать в процессе, ну и, соответственно, масштабируемость, потому что в идеале, когда мы автоматизируем какой-то 1 процесс, он должен иметь возможность дальше распространяться и на другие спектры, и на другие сценарии.

97: Покажу пример того, насколько важна масштабируемость на примере кейса. Не буду сейчас рассказывать компанию. Компания сделала очень классный продукт. Это было ещё давно, года 3 назад, до бума генеративных моделей сделала на осно.

98: И эль технологий виртуального оператора клиентской поддержки сделала его для очень, очень массового процесса похожих обращений. Окупаемость была сумасшедшая, очень действительно много денег сэкономили компании, вдохновившись.

99: Успехом решили, что можно это масштабировать и на другие кейсы, и на другие сценарии, и на другие компании, и вот тут случилось в целом ожидаемое, но кастомизация под каждый другой процесс занимала столько ресурсов.

100: Что она полностью съедала эффект, потому что другие процессы уже не были такими масштабными, а само решение, оно было заточено изначально под 1 единственный процесс, поэтому важно решение должно изначально проектироваться.

101: LIBOR под как универсальное, либо под конкретный процесс. Вот если посмотреть на другой кейс успешный, где внедрялся массовый продукт яндекс спич сенс, который на основе генеративных коммуникаций позволяет анализировать качество рабо.

102: Сотрудников и повышать его, то в кейсе яндекс недвижимость произошла практически магия и произошла она не только в этом кейсе, потому что продукт массовый, он изначально разрабатывается по другому, соответственно,

103: Какая была цель внедрения цель внедрения была повысить конверсию в продажи за счёт того, что генеративная модель очень хорошо определяет паттерны, как плохие, так и хорошие выявили совокупность паттернов позитивного поведения.

104: Изменили поведение плохих операторов, и конверсия выросла в разы как побочный положительный эффект. Сократили затраты на 90%, на ручной анализ. И вот ручной анализ звонков и вообще все ручные операции в колл центре это то, что в 1 очередь

105: Наверное, подлежит автоматизации, потому что это очень массовые, рутинные и не очень эффективные с точки зрения человеческого воплощения задачи.

106: Спасибо.

107: Елена, вот я и, наверное, все наши слушатели поняли, какой класс процессов вы рассматриваете? Вот операторы там вот классические цифровые сервисы. А скажите, пожалуйста, вы вот показывали окупаемость, там, прибавка, а за какой период времени то измеряется?

108: С учётом того, что ещё сотрудники вроде не научены, вот сколько нужно ждать, чтобы почувствовать эту самую выгоду, все сильно зависит от процесса. Где-то это происходит быстрее, где-то это медленнее, но в любом случае, в среднем вот срок какого-то нормального

109: Пилота для получения объективных данных это 2 3 месяца.

110: Спасибо. Спасибо.

111: Дмитрий, а вот вы знаете, я всегда восхищался идеологией альфа банка в части подхода к экономике своих цифровых сервисов, потому что я знаю, что у вас даже есть решения, которые позволяют

112: Ошибку системы искусственного интеллекта, даже классическую такую совсем ошибку 1, 2 рода, там эти, значит, пресижен реко, ну вот то, что используют классические датасантисты просто оцифровать в звонких рублях.

113: Скажете или не только про это? Да, спасибо за вопрос. Уважаемые коллеги, дорогие друзья, добрый день. Сначала немного расскажу про наш банк и про то, как мы работаем с моделями, поскольку действительно, как вот Александр уже заметил, мы как банк

114: Являемся участником альянса ии, и мы участвовали в разработке методических рекомендаций по оценке эффекта от ai, и это ну не просто некая теория, это реальный документ.

115: Которые мы применяем на практике по всем моделям, которые мы используем в банке, в промышленной эксплуатации, мы оцифровываем эффект. И для того, чтобы вы понимали масштабы. Собственно, здесь приведена эта статистика, мы имеем более 800 моделей в эксплу.

116: Эксплуатации и покрываем моделями процессы в которых задействованы, ну, порядка 70% всех подразделений банка и, наверное, наиболее крупные процессы, которые мы оцифровали, это, во первых, персонализация

117: Для банка она особенно важна модели CLTV, то есть client line тайм велю оценка пожизненной стоимости клиента для банка категорийный кэшбэк, который сейчас является де факто стандартом для работы с клиентом физлицом.

118: Принятие решений в рисках, безусловно. И, конечно же, операционализация диалоговых систем и помощников операторов. Мы в банке разделяем значимые эффекты от значимых кейсов внедрения на 2

119: Крупных 2 крупных группы эффектов. Мы их называем я augmented и a fused. 1 про то, что мы, ну, добавляем некий. Давайте называть это так, когнитив.

120: Протез, да, или усиливаем работу оператора искусственного интеллекта. Например, это все те кейсы, которые касаются операционализации и работы с системами баз.

121: Знаний, усилением работы операторов, колл центров и так далее. 2 группа методов и моделей. Я infused это про внедрение и построение нейтив процесса на основе тех моделей, которые

122: Собственно, мы используем в различных бизнес кейсах. И вот, собственно, на слайде мы попытались это оцифровать максимально верхнеуровнево, что было сделано в банке, что сейчас применяется и имеет реальный финансовый эффект.

123: Если говорить про экономику, коллеги уже абсолютно правильно заметили, что unit экономика это маст хэв без оцифровки доходной расходной части от внедрения искусственного интеллекта абсолютно бессмысленно говорить.

124: О том, как это будет влиять на процесс. То есть, по сути, для того, чтобы оценить эффект от внедрения ии. Здесь мы подходим согласно методическим рекомендациям, которые мы же сами разработали к нему как к некому инвестпроекту у него

125: Есть расходная часть, есть доходная часть, и мы каким-то образом меняем бизнес драйвера процесса. Ну, например, в рисках мы увеличиваем эксепт трейд долю выдач, снижаем уровень риска при тех же самых выдачах. Словом, меняем драйверы нашего процесса.

126: Изменение драйверов меняет юнит экономику. После этого можно уже оценить финансовый эффект. Гораздо более сложная история с генеративным искусственным интеллектом, поскольку юнит экономика не просчитывается так просто. Ну,

127: Действительно, как можно оценить влияние на клиентский опыт и влияние на нпс автоматизации с помощью робота или с помощью чат бота? Не всегда это возможно. Уровень автоматизации померить можно уровень нпс изме.

128: Уже сложнее, хотя тоже, возможно, и здесь мы понимаем, что, с 1 стороны, это даёт нам огромные возможности в части, ну, во первых, нативного интерфейса взаимодействия там с человеком и мультимодальности, а тем

129: Тем не менее, это генерирует и вызовы такие, как, например, проблемы с безопасностью, особенно если происходит взаимодействие агента с клиентом. Кто знает, что он ему наговорит завышенные ожидания у стейкхолдеров, все-таки важно понимать,

130: Мы сейчас на пике и по сути надулся серьёзный пузырь ожиданий от ai, и поэтому если говорить про ключевые истории, которые уже в банке работают и

131: Оцифрованы с точки зрения экономики, то это диалоговые системы для клиентов, которые мы оцениваем с помощью прироста метрики, автоматизации и прироста метрики, уровня удовлетворённости клиентов. Это кейсы.

132: По внутренней базе знаний конечно же, автоматизация разметки, а разметка это маст хэв для модели это как топливо для моделей, без которых невозможно их переобучать и обновлять и, конечно же, оценка операторов в части ii важный.

133: Момент, который, на котором хочу заострить ваше внимание, мы оцениваем эффект от внедрения не только по генеративке, но и по классическому ml. И несмотря на то, что мы 80% времени говорим про генеративный, искусственный

134: И лишь 20 про классический ml. На самом деле структура моделей практически в любой организации инвертирована 80% это классический эмэль 20 это в лучшем случае генеративный, а то и 10, а то и 5.

135: 5, а то и 1. Важно об этом тоже помнить. Ну и, наконец, пару слов про агенты, про агентов. Мы используем агентов и тоже оцениваем юнит экономику от их применения в юзкейсах. Но видим здесь тоже глобальные

136: Вызовы, которые серьёзно влияют на расходную часть этой самой юнит экономики. Вызовы следующие сложная архитектура. Агент это не про то, чтобы просто взять ллм, внедрить её в инфраструктуру банка и получать

137: Эффект зачастую нужно дорабатывать и адаптировать инфраструктуру банка. Многие информационные системы для того, чтобы сделать этот юскейс реалистичным. Тем не менее, сейчас на рынке не так много промышленных юзкейсов.

138: Которые бы сходились по юнит экономике. При этом мы верим, что в дальнейшем это будет работать, и юнит экономика будет сходиться. При этом агентива Ия будет использовать как технологии генератив.

139: Искусственного интеллекта, так и классический ml.

140: Спасибо. Спасибо, Дмитрий. А вот я слышал, что у вас в банке принято по спорным вопросам, когда непонятно, будет ли эффект от внедрения.

141: Сервисы или нет запускать короткий пилот. Ну, в принципе, как во многих других организациях, и какие-то пилоты идут, а какие-то, естественно, как у всех не идут. А вот вы можете вот на глазок примерно оценить, вот по вашему опыту, не общемировой.

142: А у вас вот сколько процентов пилотов вам приходится закрывать на 1 этапе? Потому что просто непонятно, зачем их дальше двигать. Ну, на самом деле мы здесь в части пилотов не сильно отличаемся от всех других прогрессивных организаций. Пилоты это часть жизненного цик.

143: Моделей и обязательная часть при внедрении модели. При этом я могу сказать, что мы отбраковываем существенную часть юзкейсов, где, ну прямо явно видно, что экономика не сходится, и поэтому, ну, доля

144: Отрицательных пилотов с там отрицательным эффектом или с недостаточно положительным эффектом. Ну, у нас не такая низкая, я бы её оценил. Ну, примерно, там процентов 30 40, но это, наверное, следствие там, эффективного

145: Жизненного цикла модели, когда мы видим уже по предварительным данным, что, ну, нет смысла запускать пилот, ну, не сойдётся эффект, особенно в долгосрочном периоде. Спасибо.

146: Вот, что-то мы с вами сейчас говорим про статику, да, про статику. Вот, вот взяли, внедрили, посмотрели. Ну вот, например, я знаю, что в компании вконтакте все-таки там достаточно, так сказать, серьёзная

147: Время были изменения инфраструктуры платформенных решений. Да, Екатерина, вы нам расскажете вообще, как вообще в динамике ваша экономика двигается. Я расскажу со стороны команды в котех как раз вендор, который производит программные продукты.

148: Для решения задач, связанных с дата с ii направлениями всем добрый день, Катя Канунникова вк. Тех отвечает за продуктовое направление дата сервисов как раз продолжу сегодня заданную спасибо, заданную коллегами.

149: Тему про эффективность внедрения инструментов в процесс компании, на то, как мы это видим со стороны вендора и как раз обсудим вообще, с чего начинается тренд на и сейчас у всех ощущение, что это будет революция, кот.

150: Которая поменяет все, что только можно в рамках работы всех компаний. На самом деле такие подобные циклы новых технологий, которые формировали очень высокие ожидания у бизнеса. Мы проходили уже за это время. Много раз. Это были кейсы.

151: Внедрение erp систем массовых, потом пришёл запрос на абак, виртуализацию, казалось, что все это меняется полноценный мир и никогда больше не будет на уровне Цодов собственной инфраструктуры у крупных корпораций, потом пришёл запрос на вообще бигдат.

152: Это тоже стало такой сменой парадигмы. Стало понятно, что данные являются ценностью и к ним нужно иметь специальные подходы для работы с ними. Потом эмэль эмэль научил нас, что из данных можно извлекать уже ценность. Это становится инструментом для бизнеса. И, наконец,

153: Ии. Это то, что приближает уже как можно ближе it к бизнесу и показывает реальную ценность, и при этом он уже становится инструментом, который помогает принимать решения или даже принимает решения самостоятельно, но при этом все тут.

154: Важно не сам перечень этих трендов и запросов бизнеса, а то, как это развивается волнами условно, есть эффект появления технологии, формирование высоких ожиданий, пик ожиданий со стороны бизнеса на эффект, внедрение 1 оши.

155: Первые неудачи и формируется долина разочарования дальше появляются уже какие-то кейсы, где получается подтвердить реальность, эффект и пользу, и мы выходим на поток продуктивности, который как раз показывает, что этот инструмент рабочий и уже формируется.

156: Вокруг этого методология, правила работы, с которыми бизнес учится работать либо не учится и фактически отстаёт от трендов, которыми живут другие компании, и фактически в итоге каждой волны в том числе и остаются 3 фактора.

157: Инфраструктура, форматы работы с ней данные и процессы, при этом конкретно в контексте ii именно последние 2 пункта являются таким вызовом для бизнеса, потому что требуют очень больших и сложных трансформаций для того, чтобы справиться с этим вызовом, при этом

158: Понятное дело, что бизнес эффект можно увидеть не во всех задачах компании, которые пытаются применить инструмент, поэтому не только правильные подходы в работе с инфраструктурой с данными приводят к тому, что появляется польза от ii.

159: Компании рассмотрим вообще, из чего состоит юнит экономика в большинстве компаний при внедрении инструментов конечно же, это ford, привычный для нас всех, это инфраструктура, и дальше появляются как раз инструменты для работы с данными, при этом бизнес

160: Научился в рамках расчёта жизненного цикла защиты инвестиций спокойно делать расчёты по инфраструктуре, по лицензиям, по gpu по фату прогнозировать найм команды, но при этом самое сложное является вызовом, который фактически самый такой айсберг.

161: Дно айсберга это то, как требуется внедрение новых процессов и методологий работы с данными, потому что это новое для бизнеса и как раз там большинство рисков и кроется, потому что сложно это оценивать. При этом в большинстве случаев компании недооценивают

162: Риски, которые на этих 2 этапах возникают воспринимание, воспринимают данные как просто таблицы с записями, но при этом за данными, за инфраструктурой для данных скрывается большой Пласт задач, достаточно сложных для

163: Компании сбор, очистка, разметка данных, управление данными и фактически здесь вызывает возникают самые сами сложности, которые приводят к большим рискам. При этом в рисках не учитывают вероятность, ошибки, ошибка. Все.

164: Ошибаются, в том числе ii, и при этом цена ошибки ии намного выше, чем ошибка человека давайте рассмотрим вообще, как можно рассчитать стоимость ошибки и стоимость рисков возникаемых, возникающих при внедрении инструментов.

165: Как раз ошибка на ошибку влияет вероятность ошибки, ущерб и объём решений, массовость внедрения этих инструментов. Когда мы говорим про ущерб, мы должны понимать, что это не просто какой-то минимальная там конфликтная

166: Ситуация с 1 из пользователей, который вдруг недополучил кредит или неправильно ему рассчитали какой-то сервис или кпп, здесь скрываются ещё дополнительно помимо прямых расходов, операционные регуляторные репутационные риски большие и при этом важность умения.

167: Рассчитывать, как правильно пинель для того, чтобы эти риски учитывать в расчёте бизнес модели по работе с ii. При этом самыми такими сложными задачами интеллектуальными являются процессы, которые мы

168: Сегодня, на самом деле, мне кажется, все спикеры говорят про процессы, и это не напросто так, потому что всегда это самые непростые вопросы, которые затрагивают большое количество систем, которые заказчиков становятся уже legacy, к которым привыкли, которые когда-то, кто

169: Кто-то построил и теперь нужно очень сложно и много инвестировать ресурсов человеческих и финансовых для того, чтобы это менять и в том числе на этом пути возникают задачи, связанные с перестроением практик работы с дата гас дата quality, внедрение этих инструментов, которые

170: Поддерживают функционально эти задачи, в том числе хьюман и ***. Мы находимся на таком этапе развития инструментов, когда невозможно оставлять системы и без контроля человека, и он должен стать частью этой системы.

171: Порогов, на которые мы можем пойти, и в том числе, как я сказала, корректный расчет пинеля по инвестициям и направлениям. При этом, понятное дело, как мы уже тоже говорили, что не во всех бизнес задачах и бизнес направлениях, даже при соблюдении всех этих правил

172: На текущий момент мы можем добиться позитивного эффекта. В 1 очередь мы выделяем самые такие массовые задачи. Массовый эффект, который мы видим. Это маркетинг, это разработка, поддержка и в том числе это персонализация данных и

173: Следующий, самый сложный, где пока что эффект не подтверждается, это связано как раз с ссылкам развития, опытом накопленным, который ещё не во всех компаниях есть, это уже более сложные задачи, связанные с производством, с медициной, где, во первых, влияет и стоимость

174: Ошибки и также влияет в целом как раз этап, на котором мы находимся по уровню экспертизы работы с данными. Как только он повысится, будет возможность переходить на более сложные задачи и в том числе масштабировать и инструменты в этих кейсах. Также

175: Если возвращаться вообще в целом, как это можно кратко суммаризировать все эти тезисы в целом, мы говорим сейчас не про технологии, мы не говорим про, нужно внедрять, ии не нужно внедрять. И мы говорим о том, что правильно считать экономику, правильно искать те,

176: Задачи, в которых можно добиться максимального эффекта и в том числе зрелый подход с точки зрения экспериментов, начинать с малого и масштабировать уже по этапам на более сложные задачи. Спасибо. Спасибо.

177: Екатерина, а вот вы действительно упомянули про важность учёта ошибок искусственного интеллекта, какая бы у них не была природа и риски, с этим связанные. В 24 году летом был подписан закон как раз о

178: Возможности страхования этих ошибок от искусственного интеллекта. Скажите, а вам приходилось сталкиваться именно со страхованием? Вы умеете страховую премию через ошибку искусственного интеллекта рассчитывать скорее, тут наши рекомендации наших заказчиков при внедре

179: Инструментов, как правильно эти риски закладывать. Конечно, фактически это должно, как я раз в пункте расчёта пинль должна быть заложена возможность компенсации в случае ошибок и возможность возмещения заказчиком стоимости этой ошибки. А, то есть

180: Не страхуйте, нет практики такой. Мы на нашем уровне страхуем компании вообще от ошибок работе с данными потери данных, а именно ошибок. Ии. У нас такого пока опыта нет. Я думаю, что ещё все впереди. Спаси.

181: Спасибо. Так, ну, я вижу, что в цифровых областях все хорошо идёт или, правильно сказать, в пост цифровых областях. Ну вот я тут не так давно прочитал отчёт высшей школы экономики.

182: По анализу применения искусственного интеллекта, машиностроения. В общем, читал, плакал, там что-то 3% компании используют агентов. Вот. И поскольку выборка маленькая и много тех, кто не использует вопрос, как бы не используют, потому

183: Что эффекта нет? Или потому, что другие причины, вот, юр, как на вообще вашем опыте? У вас много тех, кто работает с тяжёлой такой хорошей промкой, собственно, и по профилю университета тоже, как вы их ощущаете?

184: У них или нет? Добрый вечер, коллеги. Ну у меня на самом деле есть маленький спойлер. У меня экономическое образование все-таки есть 2, но есть. Вот видите, утаил специально, да? Ну почему?

185: Собственно говоря, в промышленности мало используется. Вот здесь коллеги рассказывают, очень хорошо, там инфраструктура, процессы, вот все, что можно выстроить с людьми и с электроникой, оно более менее красиво выстраивается к этому сейчас все

186: Научились это делать. Это уже вот такой вот как бы, ну, текущий технологический уровень. Как только мы приходим к железу, сразу же появляется и неопределённость, и физическая хрупкость, и оборудование людей.

187: Которые вокруг него бегают, вот, напротив, там бегают маленькие роботы. Я когда 1 раз там вплотную связался, я говорю, а че такие маленькие мне говорят, а ты знаешь, как больно они руками махаются, когда их программируют? Вот, поэтому внедре

188: В инфраструктуру это всегда такой более тяжёлый физический эксперимент, на который гораздо меньше специалистов. Вот даже вот, наверное, мы сейчас будем возвращаться к вопросу вот обучения там, да, чтобы инженер программист был инженером.

189: Программистом, не программистам, как в последнее время было там, а такие более сложные люди. И как раз вот самый яркий пример вам. Когда боинги начали 1 время падать, последние передовые, они кучу сертификаций прошли.

190: Решали программно физическую ошибку, да, то есть в проектировании не смогли они стали падать, и потом их на долгое время там посадили на землю. Вот, поэтому вот когда это внедряется в производство, там персонал

191: Гораздо менее квалифицированный. Зачастую он знает даже не то чтобы и обойти. Он знает только то, что оно есть и есть ворд эксель. Вот поэтому эти процессы, они требуют уже подхода особого.

192: И к внедренцам, и к разработчикам, и на самом деле к мотивации самой компании. Вот в 1 нашей дружественной стране меня приглашали на конференцию, там говорят, я говорю, а че то у вас 1 чисто научная, она говорит, а нам не надо внедрять пока и в промышл.

193: Потому что там, ну, директора все пока ещё считают, что не нужно и так работает. Вот. Поэтому процесс, он идёт медленнее и самое главное, чем ближе к тяжёлой там индустрии какой-то, тем он медленне.

194: Не происходит, потому что там изначально меньше айти инфраструктуры, меньше датчиков, меньше, там возможности что-то провести, протянуть. Поэтому этот процесс, он такой сложный. И когда мы говорим, вот

195: В том, что и ускоряет работу, он ускоряет работу там на 1 участке. Вопрос, что произойдёт в это время на другом. Поэтому зачастую эффект от внедрения, он очень отложенный и не всегда очевидный.

196: Плюс там идёт ещё такая вещь, как так как это нужно не только доказательно, но оно ещё должно работать всегда. То есть тут как раз мы и замешиваем с нормальным уже там математическим моделированием там простых физических процессов. И вот эти вот

197: Данные, да, которые получаются, они очень сильно требуют такого переосмысления, да, даже их получения. Вот когда мы центр искусственного интеллекта, там поняли, что физический это вот наш там Конёк, то

198: Как раз 1 вопрос, который у меня встал, это как программистов обучить физическому миру. То есть вот эти все датчики, да, там даже машинное зрение, как работает, пришлось им объяснять немножко. С другой стороны, потому что мне, например, там по машинному зрению картин

199: Не та, и никто не мог объяснить, какая она не та. Ну, в принципе, да, там, ну, ничего, научили сейчас уже как бы, нормально там, как это яблоки летят по это, по конвейеру уже быстро. Вот, поэтому для

200: Того, чтобы подготовить нашу промышленность к Такому ещё великому переходу к искусственному интеллекту, нужно подготовить смежные отрасли, которые будут, скажем,

201: Так, помогать и вытягивать из них. То есть, если мы говорим, если мы говорим о том, что, например, вот китайский автомобиль, это гаджет на колёсах, да, то есть, ну вот момент, что обвязку сделать очень легко, то есть поставить мони,

202: Да, все, но в то же время заставить мотор работать хорошо. Ресурсно это совершенно другая задача. Вот мы там занимаемся предиктивной аналитикой, там и калибровками, там 2, ну и двигателей электрических автомобилей.

203: Задача, она совершенно как бы другая, она требует экспериментальной базы, дорогой, которая ещё и долго создаётся. При этом. Вот когда коллеги говорят, что у них срок проекта, там 2 месяца, за 2 месяца мы можем только, наверное, там закупки.

204: Какие-то начать пока все это соберётся сделается там проект это там полгода это подготовка к новому эксперименту. А если мы говорим о промыш, о тех продуктах, которые выходят в люди, то это уже там годы, потому что сертифика

205: Там автомобильной техники авиационной, там сама сертификация по полгода длится. И самое главное, вот здесь у нас самая сложность в том, что доказать что-то тот ии, который мы применили, что он, скажем так, безопасен, это

206: Такой вопрос очень открытый. Вот когда мы говорим сейчас беспилотное такси начнёт кататься, 1 вопрос встанет, какие нормы этики заложены у него там с точки зрения задачи стрелочника? Ну и, собственно говоря, вот действительно там правовые, а кто на себя возьмёт эту обязанност?

207: Поэтому вот, наверное, нам путь этот пройти будет с внедрением искусственного интеллекта сложнее. Ну, для разработчиков он гораздо интереснее, кстати, и как раз айтишники приходят часто вот в лаборатории как раз, чтобы

208: Этим заняться, поэтому он сложнее, он дольше, но мы этот путь обязательно пройдём, потому что без этого наша экономика, ну вообще мировая экономика, она без цифровизации, автоматизации, роботизации не выживет у меня все

209: Спасибо.

210: Дорогие друзья, у нас ещё осталось целых 18 минут, потому сейчас у нас могут быть вопросы из зала, хотя 1 вопрос будет задан не из зала. Задам я его сам. А вы пока готовьте свои вопросы, коллеги. Все, кро.

211: Юрия евгеньевича. Вот смотрите, представьте себе гипотетическую ситуацию.

212: Искусственный интеллект внедряется в вашей области повсеместно. Раньше были дорогие работы, они оттягивали на себя определённые суммы денег. Собственно, создавали стоимость. Но после того, как все начали применять искусственный интеллект, соответственно трудоемкост.

213: Сократилась и стоимость тоже. И эти деньги должны были перетечь куда-то в другое место, в другую часть экономики. Вот как вы ощущаете в вашем бизнесе, вашей компании, какие процессы или

214: Какие юниты можно считать наиболее уязвимыми с точки зрения перетекания денег, когда все сядут на искусственный интеллект в этой области?

215: В любом порядке, да, я могу начать, наверное, финтехи и в банковском бизнесе. В 1 очередь, я бы отметил, юз кейсы, связанные с автоматизацией и операционализацией процессов клиентских менеджеров, поскольку

216: Они уже сейчас поддаются существенной автоматизации и де факто это на горизонте несколько лет может стать неким стандартом крупного финтеха и, по сути, конкурентная бизнес модель будет

217: Заключаться в нете подходе. То есть, либо у тебя есть эта технология, либо у тебя её нет, и ты не конкурентен. Это 1 история, 2 история, это то, что уже произошло, это, ну, конкуренция на уровне моделей в управ.

218: Рисками, рисками. Управление в банке уже, ну, на протяжении, наверное, последней декады точно происходит на основе ml моделей. И де факто это уже стандарт отрасли никто не делает по другому. Вот, соответственно,

219: Если ты не делаешь этого, не инвестируешь в свою инфраструктуру, ну ты просто не конкурентен, особенно в бизнесе, в розничном бизнесе для физических лиц, в корпоративном ещё хоть как-то ты можешь пока выплывать, поэтому, ну вот эти

220: Отрасли они уже, ну, не то чтобы под угрозой кажется, эта трансформация уже полным ходом идёт. Спасибо. Ну, ключевая, наверное, статья расходов и сила яндекса это разрабо.

221: Но здесь не стоит вопрос того, что мы их начинаем увольнять. Мы, мы ещё ни разу не увольняли массово разработчиков. Наоборот, у нас идёт постоянный найм, при том, что мы уже, ну, достаточно долго внедряем искусственный интеллект.

222: В ускорении разработки делаем это успешно. Просто количество задач на разработку, оно растёт очень быстро, а количество айти специалистов, оно так не увеличивается. Поэтому мы здесь просто увеличиваем копасити компании и увеличиваем количество новых

223: Сервисов новых продуктов, которые мы можем сделать. А можно я переспрошу таким образом? А вот как бы вы оценили удельное количество специалистов в яндексе, разработчиков, который был, например, 5 лет назад и сейчас

224: Исходя из того, что вы сказали, что новые технологии, искусственный интеллект, новые продукты, то есть, казалось бы, их должно стать меньше, но их стало больше, их стало больше в удельном отношении на продукт, как их меньше все равно стало или больше. Давайте так.

225: Продукты за 5 лет очень сильно изменились, поэтому нельзя считать, что продукт это стандартный квант. Там появилось гораздо больше различных возможностей, функций, фичей и, конечно же, количество людей на продукт, оно скорее выросло. Просто если продукт не меняется, то он умирает.

226: Спасибо, Екатерина. Да, я думаю, на самом деле, что возникают новые требования к людям, которые просто должны внедрять в свою повсеместную жизнь свою рутину рабочую и инструменты. Те, кто смогут адаптироваться и будут эффективны в этом для тех,

227: Никаких Страхов нет, в том числе независимо от того, в какой команде они работают, в каком направлении те, кто будут отрицать необходимость использования ии, я думаю, там будут сложности, но при этом, если говорить про то, с чего начинается, конечно же, это максимально, где большая часть это рутинных

228: Задач. Техническая поддержка, написание документации, в том числе какие-то базовые процессы эксплуатации или разработки, но при этом массового там уменьшения команд, конечно же, нет. Вопрос в том, что раньше всегда все бигтех компании

229: Они находились в дефиците кадров, и всегда это был такой кадровый голод, который необходимо массово было быстро заполнять. Нужно было очень быстро нанимать людей. Сейчас просто эта проблема становится менее жёсткой, и при этом есть возможность уже существующих людей и тех, кого все

230: Продолжаем нанимать, переквалифицировать и направлять на более сложные задачи, которые там условно были. Большую часть бэклоги. Это как раз повышает эффективность бизнеса и увеличивает темп, влияет на темп ту маркет и делает его более эффективным. Ну да, то есть, как говорил,

231: Незабвенный Владимир ильич. Лучше, меньше. Да, лучше. Да все так, юр.

232: Ну, мы как читтеры, мы же при вузе находимся, поэтому новые кадры у нас самые квалифицированные, генерируются сами собой. Но когда приходится заниматься промышленностью, сложно, конечно, найти специалистов, которые к нам захотят прийти.

233: Там, ну, не уйдя куда-то там, в финтех, там во что-то такое крупное, но в целом, так как работу уже ещё можно мотивировать уже и нематериально, потому что очень интересно. Вот, ну, к нам народ приходит, а дальше вопрос кину.

234: Реальным партнёрам, которые уже там дают задачи, которыми очень интересно заниматься.

235: Спасибо. Коллеги дорогие, есть ли у нас вопросы из зала? Да, прошу. Так, кто микрофон поднесёт, коллеги? Да.

236: Добрый день. Спасибо за вашу презентацию. Очень интересно. Меня зовут Алексей Железняк. Компания просто робот. Мы делаем и агентов для среднего и малого бизнеса там тоже и агента внедряют. Подскажите, пожалуйста, я продолжу вопрос Александра про

237: Цену на продукт. Прозвучал вопрос. Да, у меня вопрос про, я никогда. Ну, давайте так. Я очень редко слышу про цену. Внедре.

238: На прибыль. Скажите, пожалуйста, есть ли у вас в компаниях и слышали ли вы где-то по рынку оценку стоимости внедрения на конечную прибыль?

239: Компании в целом, то есть сколько компания получила прибыль в прошлом периоде и сколько у неё было живых людей.

240: Коллеги, кто готов, понятен? Я думаю, вопрос понятен. Ответ непонятен. Очень сложный, потому что зависит исключительно от задачи. Как вот уже был вопрос относительно. А сколько времени на pilot нужно выделять и там, коллеги,

241: Коллега из яндекса сказала 2 месяца на самом деле это зависит от компании, если речь идёт о построении, дата офиса, где в целом необходимо, помимо внедрения инструментов полностью менять инфраструктуру, проект может занимать 3 5 лет и там совершенно другие стоимость проекта.

242: Который исчисляется миллиардами, например. А если есть какая-то локальная задача, понятная внутри компании и бизнесу, что они хотят сделать, то это может быть достаточно дешёвый эксперимент. На самом деле это можно развернуть даже локально у себя какую-то опенсорс.

243: Model, быстро провести эксперимент. Главная, наверное, сложность будет как раз экспертиза и инфраструктура под это, ну, это все про про гипотезы, да, коллеги, дополните, пожалуйста, да, тут может быть момент, так как у нас все очень быстро, меня

244: Зачастую вы говорите стоимость внедрения на увеличенную прибыль. Может быть, чтобы не потерять прибыль, надо было это делать. И ваш эффект, он просто не даст вам упасть вниз. Действительно сложный вопрос. Я

245: Извините, тогда уточню себя в контексте вот этих вот прогнозов, когда миллиардная компания может состоять там из 3, 5, 10 человек с учётом прибыли. И вот исходя из этого вопрос, задаю. Все, спасиб.

246: Давайте я тоже прокомментирую. Я на самом деле поддержу подход екатерины. И более того, я бы сказал, что бенчмарка в отрасли нет, ну это данность, их нет, потому что технологические, инфраструктурные, модельные, бизнесовые, процессные.

247: Ландшафт настолько сильно отличаются, что бенчмарки в каждом из них нужно составлять свои. Вот. И, ну, в этой связи я вот сейчас подумал, а как бы я ответил на этот вопрос относительно своего банка и понимаю, что даже внутри 1 организа

248: Необходимо создавать какие-то подразделы и отвечать на этот вопрос в разрезе каких-то конкретных бизнес процессов, где ты занимаешься автоматизацией и внедрением искусственного интеллекта и помимо этого ещё учитывать затраты на

249: Централизованную инфраструктуру, если она есть, она удешевляет все эксперименты. Если её нет, она её отсутствие очень сильно удорожает эксперименты. Мы пошли по 1 пути, вложившись в инфраструктуру, мы получаем более дешёвые эксперименты. Ну, естественно, в unit экон,

250: Экономики мы учитываем в том числе и стоимость расходов на инфраструктуру.

251: Тут, если можно, добавлю ещё очень сильно зависит от того, в какие процессы мы внедряем. Аяй, если мы внедряем в обслуживающие процессы, то, скорее всего, действительно у нас столько факторов, что мы не сможем её вычислить, если у нас есть ключевой продукт, на котором зарабатывает

252: Компания, и мы его полностью меняем и переделываем на ai продукт, то вот здесь наверное можно говорить о том, что есть влияние в целом на выручку и тогда действительно ну но тогда мы полностью меняем продукт и таких кейсов на рынке не так много.

253: А можно я добавлю все-таки, опять же, поскольку не экономист, но экономические модельки считать могу. На самом деле все зависит действительно от стратегии, которую вы применяете, потому что если вы идёте в логике, там

254: Классическая, а там внедрил gpt, там получил эффект, там можно где-то через год уже про эффекты говорить, если вы идёте в логике биг теха, который начал разрабатывать свой продукт, а ещё начал готовить кадры под него с вузами, договорился на поддержку образовательных программ.

255: Так вот, там первые 2, 3 года на самом деле не прибыль, а вся эта прибыль ухает вот в деятельность по развитию полностью, и только потом у вас получаются эффекты. А что, коллеги говорят, что очень быстро все развивается? Часто бывает то, что начали развивать и заложили в стратегию 3 года назад.

256: Прибыль то надо считать не от того, что было 3 года назад, а от того, во что она превратилась потом. И вот потому как бы возникают такие, скажем так, сложности, отсутствия оценок или, правильно сказать, множественность оценок, что одни говорят 1, другие другое, кто-то говорит, там за 3 года, там полностью окупится, в 5 раз заработаю.

257: Кто-то говорит едва едва, так сказать, покрою издержки, вот как бы следствие такой, так сказать, неопределённой нормировки, потому, увы, точнее не скажем так, коллеги, вопросы вот так. Ну кто, кто, кто, кто?

258: Кто 1 принесёт микрофон? Вот смотрите, даже человек встал, вот видно, что вот все микрофон рядом, даже замечательно слышно. Да, всем добрый вечер. Александр хотел вас поблагодарить. И в прошлом году была отличная сессия, и в этом подбор спикеров просто прекрасный у меня будет вопрос. Меня Игорь зовут к 2.

259: Юрием он будет состоять из 2 частей теоретического и практического толка. Юрий, скажите, есть ли сейчас вообще спрос у вузов на практиков, которые готовы пойти в науку? У меня 1 образование.

260: Экономическое, 2, техническое нужны 6 лет, я занимаюсь автоматизацией последние 3 года это ii агенты, и у меня есть своё представление о методологиях, я, мне кажется, могу привнести в науку что-то хорошее.

261: И, ну, 1 вопрос, нужно ли это вообще кому-то? Или спасибо, Игорь, там достаточно, вот наши головы там уже кипят последние 3 года. Фундамент есть, не надо или надо? Потому что я практик, я там провёл более 3000 интервью с предпринимателями, сам предприни.

262: Приниматель действующий. И 2 вопрос более практический. Исходя из этого, если нужны, то куда идти? То есть, если такая точка, я куда, где вуз, какой понятен? Да, вопрос. Спасибо большое. Юрьев, могу попросить оперативно отвечать.

263: А то, видите, там таймер тикает. Да, хорошо, спасибо за вопрос. Смотрите. 1, 1, 1, как говорится, полуанекдотическое высказывание, где когда-то?

264: В прошлой жизни приходилось заниматься преподаванием математических методов для библиотекарей в институте культуры, и вот когда шли всякие обсуждения, я 1 раз сформулировал шутку она, может быть, для кого-то прозвучит обидно.

265: Что из математика можно сделать? Библиотекаря, а из библиотекаря математика не сделаешь. То есть для этого нужен, соответственно, совсем другой бэкграунд. Поэтому с этой точки зрения, если вы хотите, как говорится, заниматься

266: Разработкой и технологии искусственного интеллекта, то с практической обладаете практическим опытом в какой-то предметной сфере, то вам будет очень трудно, но

267: Не, наоборот, меня интересует методология. У меня много методологий по оценке эффективности. Мы же об этом говорили. Не математика, а именно оценка. Позвольте ответить экспертам. Вот. А дальше уточнить можно будет?

268: Кулуарах спасибо. Да, где-то год назад или 2 была даже группа по геймдеву создана. Я в ней немножко побыл, потом перестал и стоял момент. Куча людей в отрасли, без высшего образования, даже они

269: Учить, преподавать не могут по закону. И вот этот вопрос там рассматривается. Но и у нас такие, у меня такие примеры есть. Если у вас есть наработки методологии, все, вы приходите в вуз, в те, ну там в структуры, которые занимаются тем, что вам нравится.

270: И там уже на месте вы разберётесь, как вы можете быть полезны, как это сделать, коллабы внутрь погрузиться, совместные учебные курсы. Это все работает, все есть. Это просто каждый раз это такой итерационный процесс. У меня тоже есть пара человек.

271: У них ещё высшего образования нету, но они там ведущие специалисты, там по ряду вопросов. Они просто очень много практиковались. Это нормально работает. Спасибо большое. Спасибо. И теперь у нас спринт заключительный вопрос, на который прошу ответить, словосоче.

272: Питанием, например, жуть жуткая. А вопрос такой, коллеги, к 30 году, что вы думаете про экономику искусственного интеллекта, что будет в любом порядке? Можно начинать

273: Маст хэв.

274: Что будет революции не будет.

275: Я оптимист, я думаю, что все будет хорошо, много будет ценности от данных и инструментов, и компании, ну и как положено, роботизация всей страны?

276: Ну, если, если короткий ответ, то я думаю, что мы вообще не будем говорить про отдельно технологии искусственного интеллекта, это будет просто частью экономики.

277: Частью экономики. Хорошо, а тогда что будет следующим хайпом? Людям нужен хайп. Люди должны чувствовать вот что-то такое прекрасное, о чем можно поговорить, собраться, как вы думаете?

278: Ну, про hype мы говорили в конце прошлого года на форсайте в области искусственного интеллекта, но при этом, если вы помните, у нас самой слабой такой частью была 10 группа, связанная с

279: Социальными, экономическими эффектами. И с этой точки зрения, если уж говорить о том, что будет к 30 году с воздействием социальным, или экономическим, или и тем и другим, то я думаю,

280: То технологии искусственного интеллекта просто станут рутиной, и мы об этом говорить не будем. То есть экономика и будет вот на этой прекрасной ноте.