Свои модели вместо публичных: подводные камни AI‑инфраструктуры. Радио РБК

Почему даже при наличии идей и бюджета компании застревают на этапе внедрения ИИ? Какие технические сложности возникают у IT-отделов и чем инфраструктура для машинного обучения принципиально отличается от привычной «офисной»? Эксперты Selectel отмечают, что ключевые барьеры внедрения ИИ — дефицит и долгие поставки специализированного оборудования, а также нехватка экспертизы по сборке и запуску ML‑кластеров, из‑за чего техника простаивает и успевает устареть. Инфраструктура для ИИ опирается на GPU, без которых модели работают на порядки медленнее и фактически непригодны для масштабных задач бизнеса. С точки зрения безопасности главный риск связан с отправкой корпоративных данных в публичные зарубежные модели. Решение — изолированные модели в российских ЦОДах и приватные сети, чтобы данные оставались внутри защищенного периметра. При выборе партнера компании стоит ориентироваться на комплексный подход: от консалтинга и формулировки бизнес‑задачи до проектирования архитектуры и подбора инфраструктуры совместно с технологическими интеграторами. Подробнее об этом — в интервью с экспертами компании Selectel Александром Туговым, директором по AI-вертикали, и Владиславом Кирпинским, директором направления облачной интеграции.