15.07.2026 05:21
«Голодная нейросеть»: главная причина провала ИИ прячется не в алгоритмах ▪️ В погоне за ИИ компании штампуют пилоты, р
«Голодная нейросеть»: главная причина провала ИИ прячется не в алгоритмах
▪️ В погоне за ИИ компании штампуют пилоты, рапортуют о «внедрении» и рисуют красивые слайды. Но когда решение пытаются запустить в промышленную эксплуатацию, оно перестаёт работать. Причина не в алгоритмах и не в качестве обучения.
Она лежит гораздо ниже - на уровне того, как данные вообще попадают в систему. Такое мнение выразил руководитель продукта «Интеграционная платформа» (Digital Q.Integration) компании «Диасофт» Виктор Овчинников.
Сейчас ИИ - тренд, в него идут практически поголовно, и почти всегда по одному сценарию. Команда делает пилот: разбирается, какие данные нужны под конкретную задачу, один раз наполняет ими хранилище, модель на этих данных считает, прогнозирует, заказчику нравится. Все выглядит убедительно. А потом решение пытаются поставить на поток - и оно встаёт. Причина простая: на пилоте данные загрузили однократно и прогнали по ним тестовые сценарии, а в реальной работе те же самые данные должны обновляться постоянно, в идеале в ту же секунду, как они изменились в системе-источнике.
Именно на этом переходе - от разового наполнения к непрерывному потоку - спотыкается большинство проектов. Модель получает запрос, а нужных данных в контуре ещё нет, они физически не доехали. И даже самая совершенная нейросеть остаётся «голодной».
Подписывайтесь на МашТех
▪️ В погоне за ИИ компании штампуют пилоты, рапортуют о «внедрении» и рисуют красивые слайды. Но когда решение пытаются запустить в промышленную эксплуатацию, оно перестаёт работать. Причина не в алгоритмах и не в качестве обучения.
Она лежит гораздо ниже - на уровне того, как данные вообще попадают в систему. Такое мнение выразил руководитель продукта «Интеграционная платформа» (Digital Q.Integration) компании «Диасофт» Виктор Овчинников.
Сейчас ИИ - тренд, в него идут практически поголовно, и почти всегда по одному сценарию. Команда делает пилот: разбирается, какие данные нужны под конкретную задачу, один раз наполняет ими хранилище, модель на этих данных считает, прогнозирует, заказчику нравится. Все выглядит убедительно. А потом решение пытаются поставить на поток - и оно встаёт. Причина простая: на пилоте данные загрузили однократно и прогнали по ним тестовые сценарии, а в реальной работе те же самые данные должны обновляться постоянно, в идеале в ту же секунду, как они изменились в системе-источнике.
Именно на этом переходе - от разового наполнения к непрерывному потоку - спотыкается большинство проектов. Модель получает запрос, а нужных данных в контуре ещё нет, они физически не доехали. И даже самая совершенная нейросеть остаётся «голодной».
Подписывайтесь на МашТех