Российский ИИ ищет знания

медиатехнологЕкатерина Набатникова

Российские ИИ-модели постепенно упираются уже не столько в объем доступной информации, сколько в ее качество и специализацию. Для развития отечественных решений нужны отраслевые и верифицированные данные — от медицины и финансов до промышленности и юриспруденции. При этом возникает вопрос, как выстроить господдержку так, чтобы бюджет не финансировал создание одинаковых наборов данных и чтобы результатом становились реальные технологические решения, а не просто терабайты информации в отчетах. Об этом с «Актуальными комментариями» поговорила медиатехнолог, член Экспертного клуба «Дигория», директор по развитию Корпорации AIR Екатерина Набатникова.

Какие данные сегодня наиболее дефицитны для обучения российских больших ИИ-моделей — языковые, отраслевые или специализированные?

— Дефицит сместился в сторону отраслевых и узкоспециализированных данных. Базовый русскоязычный массив для обучения общего «словесного» контекста у основных игроков уже так или иначе накоплен. Главная боль сегодня — это верифицированные доменные знания: медицина (особенно с учетом бурного роста телемедицины), тяжелая промышленность, сложная инженерия, юриспруденция, финансы и региональная специфика. Именно качественная «экспертная» разметка и структурированные отраслевые датасеты определяют, сможет ли модель решать прикладные задачи бизнеса, а не просто поддерживать диалог.

Как устроить систему господдержки так, чтобы государство не финансировало создание нескольких одинаковых датасетов?

— Здесь нужен жесткий экспертный фильтр на этапе отбора и единый государственный реестр (депозитарий) датасетов. Механизм должен быть устроен по принципу проектного консорциума: гранты выделяются под открытые консорциумы игроков рынка под конкретные верифицированные индустриальные запросы. Если пул компаний уже заявляет потребность в датасете по условной промышленной безопасности или фармакологии, Минцифры должно субсидировать создание одного эталонного национального датасета с открытым доступом для участников, а не плодить конкурирующие дубликаты на бюджетные деньги.

Кому должны принадлежать созданные при господдержке наборы данных и кто должен получать доступ к ним?

— Справедливый баланс здесь — государственная (или общественная) интеллектуальная собственность при операторском управлении профильного консорциума. Созданные за бюджетные средства массивы не должны становиться закрытой коммерческой монополией одной частной компании. Доступ к ним должен предоставляться российским исследователям, стартапам и ИТ-разработчикам на льготных или безвозмездных условиях (по принципу открытой лицензии для резидентов РФ), возможно, через национальные репозитории данных, с соблюдением требований безопасности и коммерческой тайны.

Как измерять эффективность таких грантов: объемом созданных данных, числом использующих их компаний или практическим эффектом для ИИ-разработки?

— Объем гигабайтов или терабайтов сегодня — худший KPI, он стимулирует «мусорное» наполнение ради отчетности. Измерять нужно исключительно комплексным практическим эффектом.

Первый критерий — тиражируемость: сколько независимых команд внедрили этот датасет в свои рабочие контуры.

Второй и главный критерий — прикладная метрика: прирост точности моделей (бенчмарков), сокращение времени на дообучение (fine-tuning) отраслевых ИИ-решений и реальный экономический эффект от их внедрения на предприятиях реального сектора или в госуправлении. Деньги налогоплательщиков должны работать на суверенный технологический продукт, а не на статистику в отчетах.

Екатерина Набатникова, медиатехнолог, член Экспертного клуба «Дигория», директор по развитию Корпорации AIR.

#ЕкатеринаНабатникова