Sber Data Science: Архитектура доверия в промышленном ИИ, Дамадан Шавлуков

Дамадан Шавлуков, эксперт по технологиям, Sber Data Science. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser. Дамадан Шавлуков из Sber Data Science на конференции Tadviser AI обозначил ключевую проблему рынка: заблуждение о существовании универсальных «коробочных» решений для искусственного интеллекта. Эксперт утвердил тезис, что ИИ не является готовым продуктом с фиксированным функционалом, а представляет собой сложную среду разработки. Главная задача бизнеса — перейти от разрозненных экспериментов к системному управлению жизненным циклом моделей, где ценностью выступает не сам алгоритм, а возможность адаптировать его под уникальные доменные данные и регуляторные требования конкретной отрасли. Миф о готовом продукте и ценность гибкости Фундаментальное различие между платформой и коробочным решением заключается в природе взаимодействия с данными. Покупатели часто ожидают мгновенного результата по принципу «купил и пользуешься», однако реальность машинного обучения требует глубокой кастомизации. В Sber Data Science подчёркивают, что платформа — это набор инструментов для создания собственных моделей на конкретных данных заказчика. Гибкость здесь является ключевым преимуществом: компания может самостоятельно настраивать пайплайны, обучать модели и адаптировать процессы под свои бизнес-задачи. Это принципиально отличает подход от стандартных продуктов, которые не способны учесть специфику данных. Эксперт пояснил, что это не готовая коробка, а разработка с помощью инструментов. Ценность заключается в возможности создать решение под себя, используя проверенную инфраструктуру. Такой подход решает проблему масштабируемости и релевантности, превращая ИИ из абстрактной технологии в рабочий инструмент, встроенный в бизнес-процессы. Автоматизация конвейера разработки моделей Центральным элементом презентации стала демонстрация автоматизации рутинных этапов создания ML-решений. Традиционно процесс представляет собой хаотичную последовательность: сбор данных, написание скриптов, расчёты и ручная проверка отчётов. Каждый новый проект требует повторения этих шагов, что приводит к потере ресурсов и росту вероятности человеческих ошибок. Платформа Sber Data Science интегрирует эти этапы в единый автоматизированный конвейер. Логика проверки, расчётов и сбора отчётов выполняется системой, что сокращает время подготовки модели к внедрению. Роль разработчика меняется: он перестаёт быть оператором скриптов и становится архитектором решений, фокусируясь на логике модели и её бизнес-ценности. Платформа обеспечивает прозрачность каждого шага, фиксируя результаты и позволяя быстро возвращаться к предыдущим версиям при обнаружении проблем. Это создаёт основу для устойчивого развития ИИ-инфраструктуры внутри компании. Специфика валидации и регуляторные требования Особое внимание уделено процессу валидации, который критически важен для внедрения ИИ в регулируемые отрасли. Универсального инструмента валидации не существует, так как требования зависят от конкретного домена и нормативной базы. В качестве примера был приведён кейс работы с данными под строгими регламентами Центрального банка России. Для обеспечения соответствия были разработаны специализированные ноды с тестами, проверяющими совместимость данных и модели, стабильность результатов в заданных диапазонах, соблюдение нормативных правил и интерпретируемость. Это гарантирует, что модель не только технически корректна, но и соответствует юридическим стандартам. Команда валидаторов создаёт такие сценарии для каждого нового кейса, учитывая специфику бизнеса заказчика. Такой подход требует тесного взаимодействия между разработчиками платформы и специалистами заказчика, делая каждый проект уникальным. Масштабирование и нагрузочное тестирование Переход модели в промышленную эксплуатацию сопряжён с техническими вызовами при работе с большими объёмами данных. В масштабах крупного игрока, такого как Сбербанк, где внутренние пользователи исчисляются тысячами, стабильность имеет первостепенное значение. Платформа включает встроенные механизмы управления ресурсами и нагрузкой. Нагрузочное тестирование вшито непосредственно в платформу, что позволяет системе эффективно справляться с увеличением числа моделей или притоком пользователей. Для real-time систем критически важно проверить модель на реальном потоке данных. Платформа предоставляет API-выходы для подключения остальной инфраструктуры заказчика, позволяя проводить интеграционные тесты и проверять совместимость. Базовые проверки на нагрузку заложены ещё на этапе разработки модели, что позволяет заранее выявить узкие места и оптимизировать архитектуру до внедрения в производственную среду.