Можно ли ускорить работу с помощью ИИ и в итоге замедлить ее в 50 раз? В корпоративной аналитике такое развитие событий вполне реально: универсальные решения не всегда оказываются эффективнее простых алгоритмов. Сложные задачи требуют не одной технологии, а удачного сочетания разных подходов.
Появление современных ИИ-моделей добавило новые возможности аналитике данных. Они действительно позволяют решать задачи, которые раньше было трудно или невозможно автоматизировать.
Отсюда возникает естественное ожидание: если ИИ настолько универсален, может быть, теперь большинство сложных аналитических задач можно решить только с его помощью? Практика показывает, что все не так просто.
ИИ может оказаться очень эффективным компонентом решения, но задача требует дополнительных инструментов. Модели по-прежнему нужны данные и контекст. Полученные результаты необходимо встроить в существующие процессы. В системе могут оставаться обязательные расчеты, бизнес-правила и ограничения.
Поэтому речь идет не о выборе между ИИ и классическими подходами. Реальная задача заключается в том, чтобы использовать каждый из них там, где он дает необходимый результат. Именно это отличает демонстрацию отдельной технологии от полноценной аналитической системы.
ИИ расширяет возможности аналитических систем, но не отменяет остальные компоненты, необходимые для решения прикладных задач. В реальном корпоративном проекте всегда существует среда, в которой она должна работать модель: исходные данные, правила обработки, расчеты, бизнес-процессы, требования к результату и ограничения, связанные с безопасностью и регулированием.
Условно в такой системе можно выделить два типа компонентов. Первый — жесткий, детерминированный контур. В него входят бизнес-логика, расчеты, проверки, маршрутизация, ограничения и другие операции, результат которых должен быть точным, конкретным и предсказуемым. Второй — мягкий, вероятностный контур, где результат зависит от характера входных данных. Здесь применяются большие языковые модели, классическое машинное обучение и другие методы ИИ.
При этом жесткие и мягкие составляющие системы нельзя просто считать «старыми» и «новыми», хорошими и плохими. Каждый метод имеет свои преимущества и связанные с ними недостатки.
Если результат можно однозначно формализовать, детерминированный алгоритм обеспечивает предсказуемость, контроль и чаще всего более высокую скорость обработки. Если задача требует работы с неструктурированными данными или допускает вариативность результата, возможности моделей ИИ оказываются более востребованными.
Проект может начинаться по-разному. Например, можно строить решение на основе классических правил. Но в процессе реализации оказывается, что для части задачи нужна большая гибкость и вариативность. И наоборот, внедрение ИИ в аналитические системы требует создания системы ограничений — жестких правил, по которым будут использоваться LLM. В результате система постепенно дополняется теми инструментами, которых не хватало на предыдущем этапе.
Каждый проект, конечно, имеет свои особенности. Но если смотреть на них на уровне архитектуры, они снова и снова приходят к сочетанию различных методов. Проект начинается с одного подхода — сталкиваемся с его ограничением, добавляется другой. В результате формируются составные (композитные) системы.
Для такого подхода в построении систем искусственного интеллекта есть название: composite AI — композитный ИИ. Показательный пример — обработка клиентских данных.
В одном из проектов компании Loginom сначала попытались решить задачу с помощью регулярных выражений и жестких правил. Однако большой объем неформатированного текста ограничивал возможности такого решения. Следующим шагом стала попытка передать обработку целиком LLM.
На реальном объеме данных оказалось, что такой подход резко увеличивает время выполнения. Процесс, который с «классическими» методами занимал один день, при обработке моделью растянулся бы примерно на два месяца. Эксперимент пришлось остановить.
После этого решение разделили. Проверку полей, маршрутизацию и предобработку стандартных случаев оставили детерминированным правилам, а модели передали работу с нестандартным текстом и извлечение из него смысла.
При таком распределении задач система оказалась устойчивее: правила обеспечивали контроль там, где он необходим, а модель обрабатывала случаи, которые трудно описать заранее заданными шаблонами.
Преимущества использования композитного ИИ
В системе композитного ИИ принципиально разные методы не конкурируют, а усиливают друг друга. Детерминированные алгоритмы обеспечивают предсказуемость там, где она необходима, а ИИ закрывает часть задачи, связанную с вариативностью и интерпретациями.
Например, валидацию заполненности поля можно выполнить обычным условием. Формат результата — проверить по заданной схеме. Таймаут — задать явно. Маршрутизацию можно построить на сочетании правил и классификации намерения. А извлечение смысла из неструктурированного текста или его суммаризацию можно передать LLM с последующей проверкой результата.
Такой принцип позволяет использовать ИИ там, где его вероятностная природа действительно полезна, и не применять его там, где задачу проще и надежнее решить иначе.
Задача построения композитной архитектуры заключается не в том, чтобы найти технологию без издержек, а в том, чтобы правильно распределить их. Получить приемлемое сочетание качества, скорости, стоимости и надежности. Такой подход особенно важен в корпоративных системах, где технический результат должен соответствовать не только требованиям самой модели, но и бизнес-процессам, регламентам и требованиям регуляторов.
Если сложная аналитическая задача требует сочетания разных методов, то и среда для ее решения должна позволять объединять эти методы в единые процессы.
Отдельная модель может решать одну часть задачи, но корпоративная система обычно требует большего. Необходимо подготовить данные, выполнить расчеты, применить правила, обработать исключения, использовать машинное обучение или ИИ, проверить результаты и передать их в следующий этап процесса.
Поэтому композитная ИИ-платформа — это не просто среда для работы с моделями искусственного интеллекта. Ее задача заключается в том, чтобы объединить ИИ с другими инструментами аналитики и дать возможность распределить между ними работу в соответствии с конкретной задачей.
Именно такой принцип лежит в основе подхода Loginom. В одном аналитическом процессе здесь можно сочетать работу с данными, расчеты, бизнес-правила, машинное обучение и инструменты ИИ. При этом ИИ становится не заменой всех остальных методов, а одним из компонентов системы.
Такой подход обеспечивает рациональное решение задач аналитики данных. При построении композитной системы не нужно выбирать между классическими алгоритмами и ИИ. Она может использовать каждый метод там, где он дает наилучший результат.
В сложных корпоративных системах классические подходы и системы с LLM не исключают друг друга. Их сочетание позволяет использовать сильные стороны каждого и одновременно контролировать присущие им ограничения. Важным становится определение того, какую часть задачи разумно передать модели, а какую — оставить детерминированным алгоритмам.
Именно в этом заключается идея композитного ИИ: не заменить классическую аналитику искусственным интеллектом, а объединить разные методы в одной системе и распределить между ними задачи в соответствии с их свойствами.
Другие материалы по теме:
Запускаем «Умные инструменты» для Loginom
Loginom и AI: от экспериментов с LLM к корпоративным решениям
