Главная задача в области корпоративного ИИ, которую никто не решает одним лишь генерированием кода.

Персонал VB

Представлено компанией SAP.

Генерация кода с помощью ИИ — это быстро, но обеспечение надежной работы этого кода внутри крупного предприятия, его интеграция с действующими системами, соответствие нормативным требованиям и возможность поддержки в течение многих лет требуют фундаментальной работы, которую большинство организаций недооценивают.

По словам Майкла Амелинга, директора по продуктам SAP Business Technology Platform, хотя 81% всех организаций имеют подробную стратегию, только 12–16% достигают реализации с помощью ИИ, и причины этого редко сводятся к качеству сгенерированного кода.

«В разных отраслях предприятия, вложившие значительные средства в инструменты искусственного интеллекта, сталкиваются с проблемой, когда сгенерированный код сталкивается с реальностью их существующих сред, поскольку генерация кода и его внедрение в эксплуатацию — это разные задачи», — говорит Амелинг.

Для развертывания логики, генерируемой ИИ, в масштабах предприятия существуют определенные требования: какова реальная готовность данных и интеграции, как работает управление, когда агенты ИИ переходят от выработки рекомендаций к выполнению рабочих процессов, и как меняется роль команд разработчиков по мере того, как ИИ берет на себя все большую часть работы по кодированию.

Почему генерация кода с помощью ИИ терпит неудачу в корпоративных производственных средах

Повышение производительности за счет генерации кода с помощью ИИ реально и хорошо задокументировано, но простота прототипирования вводит многие организации в заблуждение относительно того, насколько далеко они на самом деле продвинулись.

«Создание кода — это одно дело, — говорит Амелинг. — Корпоративные клиенты, включая транснациональные корпорации и крупные организации, должны гарантировать отсутствие компромиссов в отношении соответствия требованиям или безопасности. Код, который надежно работает в течение десяти или двадцати лет, как это происходит у многих крупнейших клиентов SAP, также должен поддерживаться, обновляться и быть понятным тому, кто его унаследует. Другими словами, управление жизненным циклом не создается само собой».

Проблема редко заключается в качестве генерации. Команды создают что-то убедительное, а затем обнаруживают, что им не хватает доступа к данным, от которых оно зависит, к интеграциям, которые оно предполагает, или к разрешениям, необходимым для его запуска в реальной среде. Проблема, по сути, заключается в том, что ИИ усиливает существующую зрелость данных и процессов организации, но не может их заменить.

Эта динамика усиливается по мере того, как ИИ переходит от создания кода к выполнению действий. Задержка, стоимость и нагрузка на систему возрастают, когда логика непрерывно обрабатывает данные в реальном времени, а не выдает одноразовый результат. Требования к производительности автономного агента, работающего в транзакционных системах транснациональной корпорации, кардинально отличаются от требований к пилоту-разработчику.

Как подключить логику, сгенерированную искусственным интеллектом, к разрозненным корпоративным системам

Основная архитектурная проблема, которую большинство корпоративных проектов в области ИИ недооценивают, — это интеграция. Реальные корпоративные среды — это не чистый лист: они объединяют облачные системы, устаревшую локальную инфраструктуру, фрагментированные хранилища данных и десятки бизнес-приложений, которые изначально не были предназначены для взаимодействия друг с другом. Для обеспечения надежной работы логики, генерируемой ИИ, во всех этих средах необходим слой, который объединяет доступ к данным, контекст процесса и управление, и он должен быть создан до начала выполнения любого агента. И организации, которые рассматривают ИИ как причину для откладывания модернизации инфраструктуры, совершают ошибку.

«Вопрос не в том, модернизировать или нет. Конечно, модернизация необходима, — говорит Амелинг. — Но выгода от этого значительно выше при использовании ИИ. Федеративный доступ к данным и согласованные уровни процессов — это не альтернатива модернизации разрозненной инфраструктуры, это то, что делает модернизацию оправданной».

На уровне платформы это выражается в наборе практических требований: интеграция структурированных данных, сквозная прозрачность процессов и возможность обнаружения и подключения к API как в современных, так и в устаревших системах. Подход SAP к платформе Business AI Platform основан на использовании таких инструментов, как Joule Studio, Integration Suite, Business Data Cloud и архитектурный слой предприятия SAP AI Agent Hub, для обеспечения этого контекста. Цель состоит в том, чтобы предоставить генерируемой ИИ логике точные и актуальные знания о том, что делает бизнес и как, а не просто доступ к необработанным данным.

Агенты искусственного интеллекта решают масштабные задачи, разбивая их на более мелкие автономные этапы, при этом каждый агент отвечает за определенную область, а все остальные координируются для достижения общего результата. Например, закрытие финансового периода включает в себя десятки отдельных подпроцессов. Агенты, обрабатывающие каждую задачу параллельно, в рамках заданных ограничений, могут значительно сократить время цикла, но только если базовые системы, с которыми они взаимодействуют, являются согласованными и доступными.

Управление и контроль, необходимые для работы агентов ИИ в производственной среде.

Когда ИИ переходит от роли помощника к роли оперативного субъекта, вопросы управления приобретают большое значение, поскольку агенты, запускающие рабочие процессы, обновляющие записи и взаимодействующие с действующими бизнес-системами, нуждаются в той же системе подотчетности, что и сотрудники-люди, а именно: идентификация, определенные привилегии и подлежащее аудиту поведение.

Существуют две различные модели:

Распространение прав принципала, при котором агент действует от имени пользователя, наследуя его права доступа и область действия.

Системно-управляемые агенты, которые действуют под собственной идентификацией и с определенными ролями привилегиями, функционируя скорее как автоматизированная функция отдела кадров, чем как личный помощник.

Обе модели требуют одинаковой базовой инфраструктуры: центра управления агентами, где операторы могут видеть, какие агенты существуют, к каким API они имеют доступ и что им разрешено делать. Для ИИ также необходимо правильно организовать мониторинг, сочетая его с технической и бизнес-оценкой.

«В производственной среде открытость очень важна», — говорит Амелинг. «Мы используем OpenTelemetry в качестве фреймворка, чтобы иметь возможность интегрироваться с другими решениями для сквозного мониторинга инструмента, сторонних агентов и тому подобного».

Кроме того, стандартные технические оценки, проверяющие, обеспечивает ли агент стабильные результаты, необходимы, но недостаточны. Бизнес-оценки позволяют определить, действительно ли агент улучшает показатели производительности, для достижения которых он был создан, но они должны работать от начала до конца.

Место проведения тестирования имеет не меньшее значение. Традиционный цикл разработки программного обеспечения, охватывающий среды разработки, тестирования и производства, нарушается, когда модель выдает разные результаты в зависимости от того, работает ли она с тестовыми данными или с реальными данными. Для создания надежного ИИ в производственной среде необходимо признать, что валидация принципиально отличается от того, что инженерные команды практиковали десятилетиями, включая тестирование в реальной среде, даже A/B/C-тестирование, чтобы гарантировать надежность результатов.

Как генерация кода с помощью ИИ меняет роли разработчиков программного обеспечения

В этой среде роль разработчика не исчезает, но центр его тяжести смещается. Значительный множитель производительности достигается, когда разработчики могут запускать несколько агентов кодирования параллельно на открытых терминалах, каждый из которых работает над отдельной задачей и на выполнение которой уходит несколько минут. Но это создает новый вид когнитивной нагрузки, поскольку людям необходимо оставаться в курсе событий. Это означает отслеживание контекста в параллельно выполняемых рабочих процессах, оценку результатов, охватывающих большие кодовые базы, и принятие архитектурных решений, которые ни один агент не может принять в одиночку.

«Чем конкретнее и полнее запрос, тем меньше требуется вмешательство, и разработчики понимают, что предоставление большего контекста заранее приносит свои плоды в виде сокращения количества переписок», — говорит Амелинг. «Но результат все равно нужно понять, а не просто принять».

Конкурентным преимуществом по-прежнему останется интеллектуальная собственность, а не инструменты. Вырваться вперед смогут те компании, которые наиболее эффективно интегрируют свои знания в предметную область в создаваемые ими системы.

«Технологическая экспертиза производителя, логика управления рисками финансового учреждения, интеллектуальные системы маршрутизации логистической компании — все это активы, которые ИИ может ускорить, но только если организации, обладающие ими, приложат усилия для того, чтобы сделать их доступными и пригодными для использования», — говорит Амелинг. «Защитите это и используйте ИИ для ускорения вашего конкурентного преимущества».

Спонсорские статьи — это контент, созданный компанией, которая либо оплачивает публикацию, либо имеет деловые отношения с VentureBeat, и они всегда четко обозначены. Для получения дополнительной информации обращайтесь по адресу sales@venturebeat.com .

Источник: venturebeat.com