Справка: Согласно исследованию компании «Инфосистемы Джет» с 2017 по 2019 в России более чем в 3 раза выросло число AL/ML проектов. И если в 2018 году был ощутим резкий рост популярности, но сфера оставалась узкоспециализированной, то в 2019 году искусственный интеллект стал технологией, применяемой уже во многих отраслях.
— Многие современные разработки неразрывно связаны с технологиями машинного обучения, откуда такой интерес к рынку ML?
— Повышенное внимание к разработкам и технологиям в области ML сформировалось давно, поскольку результаты этого внедрения позволяют компаниям увеличивать прибыль на базе уже функционирующих инструментов с небольшим, всего в несколько месяцев, сроком окупаемости. Среди основных заказчиков по понятным причинам все еще крупный бизнес, поскольку велика ресурсная составляющая. Для получения качественного результата в начале необходимо большое количество неструктурированных данных или средства на их сбор, что при их изначальном отсутствии значит довольно дорого и достаточно долго.
— Облачные сервисы в этом смысле обходят офлайн или базовая конкуренция формируется на смешанном рынке?
— На рынке уже представлено несколько различных вариантов оффлайн сервисов по анализу big data, но эта часть отрасли развивается с осторожностью. В первую очередь потому, что деятельность оказалась весьма трудоемкой. Недостаточно иметь технические возможности для обработки и анализа данных по заданным параметрам. Нужно погружаться с головой в каждый проект в отдельности, ведь качество ответа, если говорить, например, о прогнозном анализе, будет напрямую зависеть от правильности постановки вопроса, на это нужны люди и их время. Разметкой данных для машинного обучения занимаются профильные специалисты — дата-сайентисты, и они хорошо знают свое дело, но специфику различных видов бизнеса они не знают, а иммерсия требует значительных временных затрат.
Между тем, где есть запрос клиента, неизбежно возникает конкурентная среда, которая порождает альтернативные предложения. В данном случае облачный ML сервис.
— Как появилась идея создания облачного сервиса ML Space?
— Идея проекта родилась из собственных потребностей. Экосистема Сбера сама активно использует серверные ресурсы для обучения моделей искусственного интеллекта, поэтому в определенный момент стало очевидно, что необходимо запускать свой суперкомпьютер для решения задач машинного обучения. Так появился «Кристофари» и облачный сервис для его использования. Потом мощности суперкомпьютера стали предоставлять внешним заказчикам на коммерческой основе. И уже позже появился ML Space в виде модульной платформы объединяющей все возможности компьютера. Это был скажем так путь к демократизации или упрощению работы системы. На первом этапе она была, спроектирована под узкого специалиста и оставалась непонятной для всех кроме предусмотренного пользователя. Рыночный проект ML Space компании SberCloud был презентован в 2021 году, как облачный продукт для широкого круга специалистов в области машинного обучения (machine learning). По своей сути это уникальный цифровой сервис, способный ускорить и оптимизировать разработку и применение моделей машинного обучения и нейросетей.
— Какой бизнес потенциал заложен в ML Space и кто ее массовый пользователь?
— На сегодняшний день сервис уже вызывает активный интерес стартапов, в основе которых заложено машинное обучение, поскольку ML ощутимо снижает порог старта разработки и эксплуатации машинного обучения. Среди сфер бизнеса к «подключению» практически полностью готовы и бизнес, и наука и транспорт и государственный сектор. Все, кто обладает доступом к большому количеству первичных данных и способностью их накапливать и анализировать. Сейчас это в первую очередь ритейл, особенно e-commerce (электронная коммерция) направление, страховые компании, телекоммуникации и банковская сфера.
В мире подобных проектов не так много, в России пока аналогов нет совсем. По подсчетам наших экспертов потенциальные темпы роста рынка около 40% год.
Справка: Лидерство в применении ML делят банковская отрасль (20%) с ритейлом (20%). Среди причин первенства наличие большого количества данных для анализа и бюджеты на внедрения.
— Насколько быстрый ожидается рост внутри потенциальной емкости рынка и каким видится в этом процессе место ML Space?
— Спрос на готовые сервисы, которые применяют ML в производственном процессе будет постоянно расти, вместе с ним будет взрывным темпом расти и востребованность технологии. SberCloud планирует быть внутри этого процесса в положение лидирующей экосистемы.
Учитывая тот факт, что в основе своей технология очень громоздкая и дорогая, разработчики делают ставку на небольшие компании и частных представителей, для которых еще недавно преодолеть порог входа в систему функционирования машинного обучения было просто невозможно. Компания предоставляет сейчас сервис уровня SaaS по цене, способной конкурировать с чистой инфраструктурой основных облачных провайдеров. Кроме того ML Space внедрил специальную форму оплаты по мере потребления (pay as you go) и посекундную тарификацию, а для особенно интересных проектов SberCloud предоставляет гранты до 1 млн. руб. Такое решение позволяет предоставить требовательным клиентам инструменты для машинного обучения и ранее недоступные возможности доступа к технологиям малому бизнесу.
По-настоящему активный рост использования технологии рынок ожидает тогда, когда машинное обучение начнет использовать малый бизнес. На это, если темпы развития не упадут, уйдет примерно 2-3 года. Оставшееся время компания планирует потратить на то, чтобы занять устойчивые лидерские позиции в нише ML.
— Сергей, у вас большой опыт управления большими командами разработчиков, вы создавали порталы и платформы для «Лукойл» и Mail.ru, занимались запуском суперкомпьютеров Christofari и Christofari Neo, платформы для совместной ML-разработки с ускорением до более 1700 GPU Tesla v100 и A100, а также интеграцией проекта суперкомпьютера с технологиями Intel. Скажите, какие знания нужны специалисту, чтобы работать в таких крупных компаниях и с такими масштабными проектами?
— Я давно понял, что нужно работать с командой. Необходимо не только формировать ее, но и мотивировать на положительный результат. Считаю, что нужно работать в условиях ограниченного дедлайна, быстро осмыслять поставленные задачи, уметь предлагать заказчику дополнительные возможности. Конечно, я всегда стремлюсь к изящной интегрированной архитектуре при разработке платформ и создавать интеллектуальную web-упаковку разработки.
