Светлана Потапова, генеральный директор «Северсталь Диджитал», рассказала Ирине Хворостян, партнеру Kept, как удалось преодолеть сопротивление персонала новым технологиям, и поделилась примерами, когда искусственный интеллект помог повысить производительность и, наоборот, оказался бесполезен.
Расскажите, пожалуйста, о роли и целях «Северсталь Диджитал». Верна ли наша гипотеза, что это не классическая функциональная история, а некое отдельно стоящее подразделение?
В 2017—2018 гг., когда «Северсталь» только начала заниматься искусственным интеллектом (ИИ), это был, скорее, «черный ящик» — некий стартап. Постепенно он показал свою эффективность, и сейчас это полноценное подразделение, кластер, который отвечает за внедрение ИИ.
У вас необычный карьерный трек — вы не айтишник по образованию. Как так случилось, что вы стали руководителем этого подразделения?
В результате возможностей, которые предоставила компания, умноженных на интерес и усилия в изучении определенной технологии. После университета я работала в HR «Северстали», и у нас была возможность поучаствовать в проектах по автоматизации HR-блока. В тот момент я подумала, что было бы здорово попробовать себя в этом. Так, я, пройдя определенные этапы повышения и развития себя, оказалась на этой позиции. Достаточно много людей пришли в ИT, сменив профессию, образ жизни. Я получила классическое образование в менеджменте, и можно сказать, что все-таки сейчас я на своем месте.
Вы не жалеете о том, что в свое время сменили профиль?
Абсолютно нет. Я сейчас чувствую, что я на том самом месте, где и должна быть. Нужно не бояться изменить что-то в жизни, даже если ты уже прошел определенный путь и у тебя есть успехи. Есть возможность и в новой для себя сфере тоже приложить усилия и достичь определенных результатов.
Ваша цитата: «Нас отправляли читать книги по металлургии и призывали довериться многолетнему опыту. Но нас таким не напугаешь. И никогда не забыть удивление коллег, когда мы смотрели первые результаты». Очевидно, вы сталкивались с неким недоверием к вашим идеям. Как удалось преодолеть сопротивление?
В металлургии много людей, которые потомственно работают в отрасли и обладают немалым опытом. Эта экспертиза позволяет им утверждать, что они лучше знают, как работает тот или иной агрегат, и ничего не заменит этот опыт. Поэтому, конечно же, приходилось убеждать и вовлекать их в процесс создания решения. Мы демонстрировали на данных: смотрите, действительно ваша теория здесь тоже видна. И, конечно же, мы всячески разъяснили, что ИИ призван не заменить людей, а помочь предотвратить поломку оборудования, выпуск бракованной продукции и т. п. И постепенно формировалось доверие.
Мы начинали с того, что оператор мог перейти на ручное управление, т. е. модель была под контролем.
Мы начинали с того, что оператор мог перейти на ручное управление, т. е. модель была под контролем.
Сейчас мы дошли до стадии, когда модель становится не просто какой-то фичей, как говорят в ИT-мире, — второстепенной опцией, которую можно включить, а можно и не включать. Теперь модель становится частью технологического процесса, несмотря на то, что персонал все еще может управлять вручную.
Преодоление страха, что Skynet заменит человека, и никто из нас не будет больше востребованным, было основной проблематикой, с которой вы боролись? Или просто все новое вызывает отторжение?
Когда мы начинали, ИИ не был мейнстримом, как сейчас, когда каждый раз нам задают вопрос: «Заменит ли он человека?». Раньше было, скорее, непонимание, как это работает, и недоверие, не навредит ли и не придется ли потом производству отвечать за ошибки модели. Было важно достичь стадии открытости к новым технологиям и вообще к изменениям.
Вы проводили образовательные программы для сотрудников, которые отвечали за функции, в которые внедряется ИИ: что это такое и с чем его едят, почему можно доверять и так далее?
Изначально мы проводили воркшопы для топ-руководителей. Приезжали непосредственно в производственные блоки и рассказывали о возможностях. На лекциях можно было заметить людей — апологетов нового, которые готовы пробовать. Постепенно в компании начался период трансформации: были созданы центры технологического развития.
Есть ли у вас истории успеха — конкретные примеры, когда ИИ помог сотрудникам повысить эффективность, обеспечить безопасность, бесперебойность производственного процесса?
Отдельный повод для гордости — порядка 60 решений находятся уже в промышленной эксплуатации. Они призваны повысить производственную эффективность, снизить издержки, улучшить производительность, контролировать работу оборудования, подрядчиков, а также безопасность на производстве. Надо отдать должное, мы в большинстве решений достигаем эффекта на имеющемся оборудовании, без дополнительной существенной автоматизации — грубо говоря, за счет голой статистики и понимания того, как работают агрегаты.
Изначально мы брали ключевое оборудование — ускоряли его работу и шли далее по технологической цепочке, чтобы не было узких звеньев. Из ярких примеров — есть Стан 2000, самый производительный агрегат Череповецкого металлургического комбината. Цена ошибки в автоматизации его работы достаточно высока. Мы смогли в 2023 году дополнительно произвести порядка 60 000 тонн, управляя темпом выдачи металлических заготовок, которые далее идут в прокат. Эффект оценивается в 180 млн рублей. Есть агрегаты, которые занимаются оцинковкой металла. Например, агрегат непрерывного горячего цинкования № 4. Только за 3 месяца пилотирования удалось получить эффект более 100 млн рублей — улучшить производительность на 3,4%.
Изначально мы брали ключевое оборудование — ускоряли его работу и шли далее по технологической цепочке, чтобы не было узких звеньев. Из ярких примеров — есть Стан 2000, самый производительный агрегат Череповецкого металлургического комбината. Цена ошибки в автоматизации его работы достаточно высока. Мы смогли в 2023 году дополнительно произвести порядка 60 000 тонн, управляя темпом выдачи металлических заготовок, которые далее идут в прокат. Эффект оценивается в 180 млн рублей. Есть агрегаты, которые занимаются оцинковкой металла. Например, агрегат непрерывного горячего цинкования № 4. Только за 3 месяца пилотирования удалось получить эффект более 100 млн рублей — улучшить производительность на 3,4%.
За счет чего происходит ускорение?
Мы смотрим на статистику и ищем, при каком стечении обстоятельств — например, сортаменте металлопроката, режимах работы оборудования — был наилучший результат, и далее стабильно воспроизводим лучшие условия. То есть выверенность решений основана на статистике прошлых действий оператора. Оператор же может выполнять более высокоуровневую аналитическую работу — думать, как улучшить модель либо расширить ее применение. Мы исходим из концепции MVP (Minimal viable product — прим. Mustread). Минимально жизнеспособный продукт может подтвердить гипотезу в одной области. На примере с оцинковкой: мы сначала вывели модель, которая повышает производительность, а после автоматизировали переходы между сортаментами, чтобы не приходилось отключать модель. И оператор уже на полном цикле просто отслеживает работу модели и качество продукта на выходе.
Мы создали систему, которая позволяет эффективно выявлять и классифицировать дефекты на металле.
Иностранные производители уже использовали классические и достаточно консервативные подходы определения дефектов. Это был challenge — доказать нашей дирекции по техническому развитию и качеству, что стоит перейти от этого класса систем к более прогрессивным нейросетям, которые могут выявлять бóльшее количество дефектов.
Проблема заключалась в том, что нет общепринятого классификатора. Это точно царапина? Вот это плена, а вот это не вскрывшаяся плена? Потому что, развиваясь, дефект может выглядеть совершенно по-разному. И мы в свое время проводили соревнования на Kaggle, чтобы поднять inference модели и в целом улучшить качество, привлекали участников со всего мира, чтобы помочь с этой моделью. Мы взяли эту модель за базу и продолжали развивать, и сейчас это линейка продуктов, которые работают на всех ключевых точках инспекции и могут выявлять до 40−60 классов дефектов.
Над проектом совместно с нами работали дефектоскописты, группа разметчиков. Мы пробовали работать с Toloka — просто разметить эти дефекты, создав некий гайд: «Вот, пожалуйста, разметьте нам». Такой подход был, наверное, провальным. Все-таки люди, которые не погружены, не понимают специфику отрасли, не могут качественно сделать разметку. А там действительно десятками тысяч измеряется количество примеров для того, чтобы модель могла с точностью сказать, что это тот самый класс дефектов, не путать их и правильно классифицировать. Сейчас специалисты со стороны бизнеса следят за тем, какие новые виды дефектов появляются, работают над совершенствованием модели.
Система видеоинспекции позволяет нам улучшать качество поставляемой клиентам продукции. Есть правила аттестации — условно, на 1 м² металла не должно быть больше определенного количества дефектов. Модель может считывать тысячи дефектов — какая-то царапинка, коррозия — и помогать аттестовывать продукцию. Эта система вошла в бизнес-процесс. Если она не работает, то мы, например, сортамент снимаем с аттестации.
Проблема заключалась в том, что нет общепринятого классификатора. Это точно царапина? Вот это плена, а вот это не вскрывшаяся плена? Потому что, развиваясь, дефект может выглядеть совершенно по-разному. И мы в свое время проводили соревнования на Kaggle, чтобы поднять inference модели и в целом улучшить качество, привлекали участников со всего мира, чтобы помочь с этой моделью. Мы взяли эту модель за базу и продолжали развивать, и сейчас это линейка продуктов, которые работают на всех ключевых точках инспекции и могут выявлять до 40−60 классов дефектов.
Над проектом совместно с нами работали дефектоскописты, группа разметчиков. Мы пробовали работать с Toloka — просто разметить эти дефекты, создав некий гайд: «Вот, пожалуйста, разметьте нам». Такой подход был, наверное, провальным. Все-таки люди, которые не погружены, не понимают специфику отрасли, не могут качественно сделать разметку. А там действительно десятками тысяч измеряется количество примеров для того, чтобы модель могла с точностью сказать, что это тот самый класс дефектов, не путать их и правильно классифицировать. Сейчас специалисты со стороны бизнеса следят за тем, какие новые виды дефектов появляются, работают над совершенствованием модели.
Система видеоинспекции позволяет нам улучшать качество поставляемой клиентам продукции. Есть правила аттестации — условно, на 1 м² металла не должно быть больше определенного количества дефектов. Модель может считывать тысячи дефектов — какая-то царапинка, коррозия — и помогать аттестовывать продукцию. Эта система вошла в бизнес-процесс. Если она не работает, то мы, например, сортамент снимаем с аттестации.
А были, наоборот, неудачные кейсы? Потому что успехов без неудач, наверно, не бывает. В каких областях точно не стоит применять ИИ? Такой ваш кровью написанный чек-лист.
Общая проблема — это нехватка данных и их качество в принципе. Мы перешли к физическому моделированию агрегатов. Цифровой двойник позволяет понимать в целом, что происходит на физическом уровне.
Один из последних кейсов: представим фабрику по производству окатышей — одного из основных компонентов производства стали. Если утрировать, большой барабан крутится и создает эти окатыши. Они должны быть определенной прочности, нужно учесть множество факторов. Мы смогли смоделировать процесс таким образом, чтобы ускорить производство. На одной линии получилось увеличить производительность на 11% и внедрить дополнительные инструменты, такие как компьютерное зрение, чтобы оценивать результат. Сейчас мы продолжаем масштабировать модель на все секции, чтобы получить уже более комплексные эффекты в плане расхода электроэнергии и экономии мазута в процессе обжига, чтобы оборудование могло работать более производительно. Это позволит качественнее планировать ремонт оборудования и получить массу дополнительных возможностей, которые дает цифровизация.
Инсайты, порой стоившие нам немалых нервов, в основном связаны с компьютерным зрением.
Один из последних кейсов: представим фабрику по производству окатышей — одного из основных компонентов производства стали. Если утрировать, большой барабан крутится и создает эти окатыши. Они должны быть определенной прочности, нужно учесть множество факторов. Мы смогли смоделировать процесс таким образом, чтобы ускорить производство. На одной линии получилось увеличить производительность на 11% и внедрить дополнительные инструменты, такие как компьютерное зрение, чтобы оценивать результат. Сейчас мы продолжаем масштабировать модель на все секции, чтобы получить уже более комплексные эффекты в плане расхода электроэнергии и экономии мазута в процессе обжига, чтобы оборудование могло работать более производительно. Это позволит качественнее планировать ремонт оборудования и получить массу дополнительных возможностей, которые дает цифровизация.
Инсайты, порой стоившие нам немалых нервов, в основном связаны с компьютерным зрением.
Модель не видит 3D-пространство, как человек. Она видит картинку плоской, и из-за этого могут возникать ошибки. Компьютерное зрение — это не прибор, и оно не дает 100% точности. Это классическое заблуждение бизнеса.
Так, мы пытались определять дефекты на рулонах в промежуточном пункте транспортировки. Сотрудники предоставляли фотографии под разными ракурсами, с zoom и без. Компьютерное зрение неспособно определить расстояние до объекта или новый ракурс — для него это новый рулон. Первое правило — вовремя остановиться, fail fast, чтобы не отвлекать ресурсы. Мы эту ошибку поняли и теперь, учитывая опыт, всегда проверяем, какова вероятность, что поток изображений будет поступать в стандартизированном виде.
На этапе внедрения могут быть другие проблемы, но решаемые. Повысить вовлеченность руководителей позволяют KPI или конкурс для бригад, чтобы у них выросла мотивация применять модель, они прочувствовали пользу и стали ежедневно пользоваться моделью.
На этапе внедрения могут быть другие проблемы, но решаемые. Повысить вовлеченность руководителей позволяют KPI или конкурс для бригад, чтобы у них выросла мотивация применять модель, они прочувствовали пользу и стали ежедневно пользоваться моделью.
Формирование модели изучения статистики, тюнинг и тестирование модели — это все равно инвестиция, как ни крути. Наши собеседники отмечали, что внедрение ИИ — это, скорее, венчур. И оценка любого венчура — не самая понятная история. Есть стандартные методики, но они не дают 100%-ного результата. Как вы оцениваете эффективность проектов? По ROE (рентабельность собственного капитала) или иначе?
Мы стараемся разделять эффекты от классической автоматизации, например, с АСУ ТП (автоматизированная система управления технологическим процессом), и эффекты именно благодаря модели. Если говорить про условно «прямые агрегаты» — что-то зашло, что-то вышло, — мы просто измеряем, насколько увеличились скорость и производительность.
Но представим себе доменную печь. Внутри протекает масса процессов. Это закрытая система, и мы не можем однозначно сказать, что конкретно произвело эффект. В таких случаях мы можем обратиться к экспертам нашего Центра технологического развития, которые отлично знают технологический процесс, и определить долю влияния того или иного фактора на результат.
Если говорить про методологию, у нас есть определенные Stage gate. Прежде чем начать проект, мы оцениваем потенциал совместно с бизнесом. Это акцептует контроллинг, проверяет, что мы не придумали что-то, что просто находится в вакууме. Далее, когда решение уже прошло этап валидации, некий proof of concept (доказательство концепции — прим. Mustread), мы подтверждаем, что в целом за счет определенной модели можно повлиять на данный показатель. Насколько конкретно повлияет, мы можем предварительно проследить на статистике.
Но проверить фактический эффект мы можем только уже на этапе эксплуатации. Во время опытно-промышленной эксплуатации мы тестируем модель в среднем около трех месяцев и делаем замеры, на основании которых уже принимаются решения. Конечно же, это не единственный фактор, влияющий на принятие решения, перевести модель в промышленную эксплуатацию или нет, но отсечку в виде экономического и технического эффекта мы, естественно, делаем. Далее мы следим за приживаемостью модели — определенные метрики позволяют отследить, насколько часто решением пользуются на производстве. Некий триггер — если процент производства упал, может быть, что-то изменилось в процессе или сортамент изменился, и надо что-то доработать.
Но представим себе доменную печь. Внутри протекает масса процессов. Это закрытая система, и мы не можем однозначно сказать, что конкретно произвело эффект. В таких случаях мы можем обратиться к экспертам нашего Центра технологического развития, которые отлично знают технологический процесс, и определить долю влияния того или иного фактора на результат.
Если говорить про методологию, у нас есть определенные Stage gate. Прежде чем начать проект, мы оцениваем потенциал совместно с бизнесом. Это акцептует контроллинг, проверяет, что мы не придумали что-то, что просто находится в вакууме. Далее, когда решение уже прошло этап валидации, некий proof of concept (доказательство концепции — прим. Mustread), мы подтверждаем, что в целом за счет определенной модели можно повлиять на данный показатель. Насколько конкретно повлияет, мы можем предварительно проследить на статистике.
Но проверить фактический эффект мы можем только уже на этапе эксплуатации. Во время опытно-промышленной эксплуатации мы тестируем модель в среднем около трех месяцев и делаем замеры, на основании которых уже принимаются решения. Конечно же, это не единственный фактор, влияющий на принятие решения, перевести модель в промышленную эксплуатацию или нет, но отсечку в виде экономического и технического эффекта мы, естественно, делаем. Далее мы следим за приживаемостью модели — определенные метрики позволяют отследить, насколько часто решением пользуются на производстве. Некий триггер — если процент производства упал, может быть, что-то изменилось в процессе или сортамент изменился, и надо что-то доработать.
Читайте также
Как вы выбираете и калибруете проекты? И кто предлагает идеи? Производственный персонал? У вас специальная система поиска идей?
Раньше идеи приходили во время воркшопов и точечных проработок с конкретными специалистами. Сейчас бизнес уже больше знает о возможностях ИИ, и мы рассказываем внутри компании, какие решения внедрены и как они работают. Пиар направлен на то, чтобы запустить у других сотрудников мыслительный процесс на тему: «Может ли ИИ помочь в моей рутине?».
Этот портфель идей обязательно валидируется по экономическому эффекту, качеству продукции, области охраны труда, промышленной безопасности, защите экологии — надо вычленить, на основании чего мы будем принимать решение. Мы с нашими экологами, мне кажется, совершили подвиг, посчитав эти эффекты. Сейчас портфель действительно большой, идей много. Далее нужно оценить, какие из них в русле производственной стратегии компании, как они улучшат наши показатели.
Этот портфель идей обязательно валидируется по экономическому эффекту, качеству продукции, области охраны труда, промышленной безопасности, защите экологии — надо вычленить, на основании чего мы будем принимать решение. Мы с нашими экологами, мне кажется, совершили подвиг, посчитав эти эффекты. Сейчас портфель действительно большой, идей много. Далее нужно оценить, какие из них в русле производственной стратегии компании, как они улучшат наши показатели.
Какая доля идей идет в MVP-проверку тестирования гипотезы и после — в промышленную эксплуатацию? А какой процент отсеивается или остается на потом? Каких идей больше — тех, что пошли в жизнь или что признали неинтересными?
Предварительно бизнес может прийти к нашей команде как к центру экспертизы и проконсультироваться. И если уже на этом этапе понятно, что игра не стоит свеч, то мы прямо и откровенно об этом говорим. Это первый фильтр.
Второй фильтр, и один из поводов для гордости, — есть сотрудники, которые самостоятельно изучают инструменты ИИ, могут проверить какую-то гипотезу, выгрузить данные и сделать отсев. Примерно 30% идей таким образом точно отсеивается, и к нам уже приносят более-менее продуманные.
Мы делаем сильный акцент на этапе предпроектной проработки, потому что это обеспечивает успех дальнейшей разработки и внедрения. На этом этапе возникает вопрос: «А нужны ли нам эти инвестиции, окупится ли это мероприятие?».
Второй фильтр, и один из поводов для гордости, — есть сотрудники, которые самостоятельно изучают инструменты ИИ, могут проверить какую-то гипотезу, выгрузить данные и сделать отсев. Примерно 30% идей таким образом точно отсеивается, и к нам уже приносят более-менее продуманные.
Мы делаем сильный акцент на этапе предпроектной проработки, потому что это обеспечивает успех дальнейшей разработки и внедрения. На этом этапе возникает вопрос: «А нужны ли нам эти инвестиции, окупится ли это мероприятие?».
Сколько времени у вас занимает такая калибровка?
Изначально мы стремились к тому, чтобы поглубже поисследовать какую-то задачу и все-таки прийти к результату. Но сейчас, скажем так, уже рука набита. Например, есть такой триггер: если аналитик уже полтора месяца исследует данные, и нет хороших гипотез, которые еще можно проверить, для нас это некий звоночек, и уже подключается более опытный аналитик — тимлид, который подкидывает идей и подходов. В целом процесс может занять три месяца. Но идеал, к которому мы стремимся, — получить некую baseline-модель за месяц. Мы делаем акцент в том числе на автоматизации своей работы.
Когда бизнес видит, что модель получилась, то уже стоит над душой: «Ну когда уже заработает, можно что-нибудь попробовать?». Проекты в классических областях компьютерного зрения мы можем разработать за 4−6 месяцев. По ML, если вся инфраструктура готова, за 6−8 месяцев можно вывести модель в пилот.
Когда бизнес видит, что модель получилась, то уже стоит над душой: «Ну когда уже заработает, можно что-нибудь попробовать?». Проекты в классических областях компьютерного зрения мы можем разработать за 4−6 месяцев. По ML, если вся инфраструктура готова, за 6−8 месяцев можно вывести модель в пилот.
Предлагаю перейти от локальной темы к глобальной. Верите ли вы, что ИИ может что-то глобально изменить в металлургии? Что появится новая технология, новый металл, который трансформирует вашу бизнес-модель? Или все-таки ИИ остается помощником человеку, и космических прорывов не будет?
Интересная провокация. Я считаю, что каждый раз внедряя модель ИИ в какой-либо процесс, мы проводим мини-трансформацию. Это не классическое программное обеспечение, которое можно установить и пользоваться. Внедряя ИИ в бизнес-процессы, нужно совершенно по-другому мыслить.
Можно трансформировать, например, отдельные процессы — продажи действительно возможно сильно автоматизировать. Но глобально поменять металлургию, наверное, вряд ли. В таком случае надо построить завод заново, а это нецелесообразно. Часто возможности дополнительной автоматизации ограничены из-за возраста оборудования. Иногда чтобы внедрить какую-то систему, нужно переоборудовать линию — это очень большие инвестиции, и вопрос, насколько это надо.
Можно трансформировать, например, отдельные процессы — продажи действительно возможно сильно автоматизировать. Но глобально поменять металлургию, наверное, вряд ли. В таком случае надо построить завод заново, а это нецелесообразно. Часто возможности дополнительной автоматизации ограничены из-за возраста оборудования. Иногда чтобы внедрить какую-то систему, нужно переоборудовать линию — это очень большие инвестиции, и вопрос, насколько это надо.
Действительно есть исследования, направленные на поиск новых видов металла, новых сплавов с помощью генеративного ИИ в том числе. Думаю, наша компания тоже к этому придет в перспективе.
Пока искусственный интеллект — это фактически помощник. Во главе стоит человек. Может ли теоретически возникнуть ситуации, когда ИИ будет принимать действительно серьезные решения, а человек будет руководствоваться ими, или нет?
Это вполне возможно. Если говорить о классическом ИИ, то надо понимать, в какую среду мы погружаем ИИ, на каких этапах, насколько четко выстроены какие-то критерии и правила, потому что система может хорошо работать, когда для нее понятна среда. Чем стандартизированнее диапазоны и этапы, меньше вариативность каких-то параметров, тем больше процесс может быть автоматизирован. Если много человеческого фактора, контекста, который невозможно учесть, то тогда вовлечение человека будет больше.
Словарь английского языка Коллинза признал аббревиатуру AI в 2023 году самым популярным словом года. Видите ли вы какие-то риски для человечества в целом и для бизнеса в частности в таком стремительном развитии именно генеративных моделей искусственного интеллекта? Например, нужно ли регламентировать использование ChatGPT? Или можно расслабиться и сказать, что совершенно точно Skynet с нами не случится и мы ставим технологию на службу человечеству?
Драйвером ИИ являются прежде всего люди — ИИ сам себя не развивает. Надо будет бояться, если, условно, модели начнут сами себя воспроизводить без участия человека. Я думаю, что в перспективе мы к этому не придем.
Естественно, ИИ будет сильно влиять на жизнь. Мы уже сталкиваемся с появлением недостоверной информации, дипфейков. Эта область должна регулироваться. Аналитики прогнозируют, что и после 2030 года инвестиции, особенно в генеративный искусственный интеллект, будут продолжаться. Думаю, мы увидим еще много интересного. Может быть, что-то действительно станет пережитком.
Естественно, ИИ будет сильно влиять на жизнь. Мы уже сталкиваемся с появлением недостоверной информации, дипфейков. Эта область должна регулироваться. Аналитики прогнозируют, что и после 2030 года инвестиции, особенно в генеративный искусственный интеллект, будут продолжаться. Думаю, мы увидим еще много интересного. Может быть, что-то действительно станет пережитком.
Есть два пути: либо страх нас загоняет в угол, и на этом конец развития; либо мы будем двигаться дальше, и человек будет только усиливаться за счет подобных инструментов. Я думаю, что правильнее видеть возможности технологий, как они могут помочь даже в вашей повседневной жизни.
Популярные генеративные нейросети научились лгать. В этом ИИ похож на человека. Вас это не пугает? Вы считаете, что все это управляемая история?
Надо отдать должное, что есть кейсы, когда и люди обманывали ИИ и даже заставляли выдавать тайны — информацию, которую разработчики заложили не разглашать. Если информация поступает от помощника в лице ИИ, нужно проверять, достоверна ли она, по разным источниками. А то, что разработчики закладывают в ИИ, чему его учат, будет регулироваться.
В начале 2024 года нейросеть успешно сдала экзамен на врача. ИИ может выполнять определенные задачи даже лучше, чем среднестатистический выпускник вуза. Означает ли это challenge для человечества, что необходимо гораздо интенсивнее и лучше учиться? Не так, что я год не ходил в институт, потом ночь поспал на учебнике — и вот готовый специалист. Иначе действительно ИИ заменит врачей на этапе анализов, постановки диагноза. Или человечество, наоборот, может расслабиться и передать эту функцию ИИ?
Если люди прекратят учиться, прогресс зайдет в никуда. Сейчас это просто новый виток. Нужно умело использовать технологии и при этом знать их ограничения. Так, языковые модели действительно могут обманывать, предоставлять недостоверную информацию. Надо отдавать отчет, какую роль мы отводим языковой модели.
Внедрение ИИ может снизить стоимость услуг. Каждому сейчас стоит задуматься, что я из себя представляю как профессионал. Как технологии изменят мою жизнь, как изменится моя индустрия и в каком направлении я хочу двигаться дальше.
Внедрение ИИ может снизить стоимость услуг. Каждому сейчас стоит задуматься, что я из себя представляю как профессионал. Как технологии изменят мою жизнь, как изменится моя индустрия и в каком направлении я хочу двигаться дальше.
Светлана Потапова
Генеральный директор «Северсталь Диджитал»
В 2011 г. окончила Российский экономический университет им. Г. В. Плеханова по специальности «Менеджмент».
С 2015 г. работала в компании Yota, с 2016 г. — в «Евроцемент Груп». В компании «Северсталь Диджитал» работает с 2019 г. С 2021 г. возглавляла отдел проектного управления, занималась внедрением цифровых продуктов в направлениях Downstream и Upstream, выстраиванием процессов управления проектами. В 2022 г. назначена директором «Северсталь Диджитал».
