Не дайте себя обмануть “эксклюзивными моделями”: Руководители, разве стоит тратить деньги впустую?
Уважаемые руководители и CIO (главные информационные офицеры), за последние полгода вас, наверное, неоднократно спрашивали с помощью презентаций: “Не стоит ли нам создать собственную крупную модель?”
Это звучит очень импозантно, словно без нее компания останется позади времени. Но, честно говоря, такие расходы вызывают сомнения. Сегодня мы не будем использовать сложные технические термины и проясним ситуацию простым языком.
В одном предложении:
Так называемые “эксклюзивные модели” на самом деле представляют собой смесь трех видов “товаров”, которые теряют в цене (самообучение, микрорегулирование, частное развертывание), и одного вида “актива”, который приносит пользу (уникальный для компании контекст/бизнес-логика). Большинство компаний покупают эти “товары”, считая их “активами”, но в итоге деньги тратятся впустую, а ресурсы становятся все менее эффективными. Настоящая защита компании не в самой модели, а в данных и правилах, которые у нее есть.
Далее я разберу эту ситуацию на пять аспектов.
---
1. Раскройте четыре маски “эксклюзивных моделей”: что на самом деле вы покупаете?
Современные “эксклюзивные модели” похожи на корзины, в которые кладут все подряд. Давайте разобраться: внутри на самом деле только четыре вещи, каждая из которых имеет совершенно разную природу:
- Первый вид: самообучение с нуля (самое дорогое и сложное)
- Что это значит: это когда модель тренируется с нуля, используя собственные данные и код.
- Стоимость: от 100 до 1 миллиарда долларов плюс команда из нескольких сотен талантливых специалистов.
- Ситуация на рынке: такие модели создаются лишь немногими компаниями.
- Второй вид: микрорегулирование (самое похожее на “собственное решение”)
- Что это значит: используется готовая открытая модель (например, общедоступная модель), к которой добавляются данные вашей компании, чтобы она начала использовать специфический для вашей отрасли язык.
- Стоимость: достаточно одной видеокарты и нескольких дней работы.
- Ситуация на рынке: это кажется привлекательным вариантом, но часто вводит в заблуждение относительно реальной ценности модели.
- Третий вид: частное развертывание (самое безопасное, но не обязательно самое эффективное)
- Что это значит: модель остается чужой (например, от Huawei или Baidu), но размещается на серверах вашей компании. Данные не выходят наружу, что обеспечивает безопасность.
- Стоимость: необходимо приобрести оборудование и лицензии.
- Ситуация на рынке: банки и государственные органы предпочитают этот вариант. Однако часто покупаемая модель не является самой эффективной.
- Четвертый вид: уникальный контекст (самый ценный, но невидимый)
- Что это значит: это данные вашей компании, бизнес-правила, опыт опытных сотрудников, процедуры утверждения. Эти факторы не указаны в контракте, но они определяют, будет ли ИИ полезен или приведет к проблемам.
- Стоимость: требуется долгосрочное накопление и систематизация информации.
- Ситуация на рынке: именно этот аспект является настоящим “эксклюзивом” для компании.
Ключевое отличие:
Первые три вида являются “товарами”, их ценность ограничена моментом покупки и со временем снижается (так как технологии быстро развиваются). Четвертый вид – это “актив”, который становится ценнее с каждым использованием; чем больше данных, тем выше защита компании.
---
2. Почему поставщики предпочитают продавать “товары” как “активы”?
Если только четвертый вид является настоящим активом, почему продавцы постоянно говорят о “эксклюзивных моделях”?
Потому что так легче продать и получить больше денег.
- Смешение элементов: поставщики редко указывают, что именно покупается (актив или товар) и что нужно продлевать в будущем. Если разграничения четко определены, сделка становится сложнее.
- Реальность отраслевых моделей: такие модели, как “Hengsheng Finance” или “iFlytek Medical”, звучат как индивидуальные решения, но на самом деле продаются в общем формате. Термин “эксклюзивность” в данном случае условный.
- Создание страха: главная цель – заставить клиентов поверить, что без такой модели компания отстанет от конкурентов.
Пример:
Товар похож на новую машину, которая сразу теряет в цене после покупки; актив – на старый дом, который становится ценнее со временем. На рынке сейчас “новые машины” продаются как “наследственные дома”, и клиенты думают, что они получают выгоду.
---
3. Рассмотрим примеры неудачных инвестиций в модели от Bloomberg, микрорегулирование и частное развертывание
Давайте рассмотрим несколько реальных примеров:
Пример 1: Мечта Bloomberg о самообучении
- Обстоятельства: Bloomberg располагает лучшими финансовыми данными в мире и в 2023 году потратила много денег (1,3 миллиарда долларов на использование 500 видеокарт в течение 53 дней) на создание модели с 50 миллиардами параметров.
- Результат: спустя три года руководство Bloomberg признало, что эта модель использовалась только в исследовательских целях и не была внедрена в продуктах.
- Урок: наличие хороших данных не гарантирует победы над постоянно развивающимися конкурентами. Самообучение – это игра для крупных компаний; обычным предприятиям лучше не участвовать в ней.
Пример 2: Микрорегулирование как ложный путь к успеху
- Обстоятельства: микрорегулирование кажется простым и эффективным вариантом (нужна лишь одна видеокарта и несколько дней работы).
- Реальность: исследования VentureBeat показывают, что 73% проектов по микрорегулированию терпят неудачу или вообще не выходят в эксплуатацию.
- Проблемы:
1. Проблемы с разработкой: 45% компаний застревают на этом этапе; модели, работающие в лабораторных условиях, не функционируют эффективно в производственной среде.
2. Сложные требования: для успешного внедрения необходимы стабильные условия, большой объем данных и соответствующие критерии оценки. Отсутствие хотя бы одного из этих факторов приводит к неудаче.
3 Статичные результаты: модели становятся неэффективными при изменениях бизнес-процессов; их приходится переобучать, что требует дополнительных затрат.
Пример 3: Частное развертывание как иллюзия безопасности
- Обстоятельства: 82% компаний предпочитают частное развертывание из-за сохранения данных внутри предприятия.
- Реальность:
1. Низкая эффективность: средний уровень использования ресурсов в центрах обработки данных составляет 58,3%; в некоторых регионах он даже меньше 30%. Оборудование работает, но бизнес не развивается.
2 Иллюзия контроля: Компании, стремящиеся к “суверенитету в использовании ИИ” (например, Корея), часто используют чужие модели (например, от Alibaba). Однако в конечном итоге они все равно зависят от поставщиков оборудования (например, Nvidia).
Вывод: на первый взгляд эти инвестиции кажутся выгодными, но на самом деле они приводят к потере ценности ресурсов.
---
4. Почему, зная о рисках, люди продолжают их делать? (Человеческая природа и корпоративная логика)
Почему, несмотря на очевидные риски, компании продолжают инвестировать в модели? Потому что это своего рода политическое решение, а не простая математическая задача:
- Неравенство ответственности: если что-то покупается неправильно, убытки ложатся на компанию; руководителя обычно не увольняют за это. Если не покупать модели, риск остаться позади ложится на личность сотрудника.
- Дилемма CIO: треть CIO сожалеют о покупках ИИ-решений, но они сами их подписывали; почти треть CIO вынуждены объяснять результаты работы ИИ, которых не понимают; семьдесят процентов CIO боятся, что не смогут доказать ценность инвестиций, что повлияет на бюджет и их карьеру.
- Решение: покупка моделей – это способ выполнить требования руководства; отказ от них – это риск быть обвиненным в непринятии решений. В результате покупка часто основывается на страхе, а не на рациональных рассуждениях.
---
5. Как выйти из этой ситуации: не покупайте модели, создавайте реальные активы
Чтобы изменить ситуацию, нужно изменить подход. Спросите не “какая модель лучше”, а “где находятся наши реальные активы”.
Что стоит покупать (какие товары):
1. Самообучение: если у вас нет нескольких миллиардов долларов и команды из нескольких сотен специалистов, даже не думайте об этом.
2. Микрорегулирование: начинайте только при наличии стабильных условий, достаточного количества данных и возможностей для оценки результатов; иначе вы просто тратите деньги впустую.
3. Частное развертывание: рассматривайте этот вариант только в случае, если данные крайне важны (финансы, государственные услуги, медицина). Сначала обеспечьте безопасность данных, затем думайте о эффективности модели.
4. Реальные активы: настоящие активы скрыты в уникальном контексте вашей компании. Обратите внимание на компании, которые успешно используют данные для развития бизнеса (например, SAP, Palantir, Harvey).
Практические рекомендации:
1. Для компаний с критически важными данными (финансы, государственные услуги, медицина): сначала реализуйте частное развертывание для обеспечения соблюдения правил и стандартов.
2. Для большинства компаний: покупайте лучшие модели, но не экономьте на них (так как они быстро устаревают); сэкономленные средства и усилия инвестируйте в развитие уникального контекста компании.
3. **Для небольших