Вісім років тому, у 2017 році, у DataArt створили департамент AI Lab, який очолили Юрій Губін, Chief Innovation Officer у DataArt, та Дмитро Байков, AI Technical Director у DataArt. Ще тоді вони стратегічно передбачили попит на штучний інтелект у майбутньому, а компанія сприяла створенню відповідного департаменту.
В AI Lab фахівці працюють над власними розробками з ШІ, які надалі використовуються у DataArt і надаються замовникам. Для роботи в цьому департаменті компанія не шукала зовнішніх спеціалістів, а створювала можливості кар’єрного розвитку для своїх фахівців, оскільки в той час кваліфікованих спеціалістів із ШІ було недостатньо на ринку праці.
У DataArt усім охочим колегам пропонували пройти навчання. Спеціалісти, які успішно його пройшли та показали високі результати, почали працювати як з внутрішніми проєктами компанії, так і з клієнтськими.
dev.ua в межах нового циклу матеріалів про застосування ШІ в українських IT-компаніях поспілкувався з AI та ML developer у DataArt Анастасією Негодою, яка нині фахово розвиває ШІ-напрям у компанії, та дізнався, чого вдалося досягти завдяки роботі зі штучним інтелектом.
Як давно ви працюєте із ШІ? Чому вирішили розвиватися в цьому напрямі? Який бекграунд мали до того, як зайнялися ШІ?
— Я працюю як AI та ML developer уже понад три роки. До цього займалася науковою роботою. Мій перший досвід із ШІ був під час роботи над дисертацією, де я використовувала комбінацію нейронних мереж та нечіткої логіки для оцінки якості телекомунікаційних послуг. Я була вражена тим, наскільки ефективно спрацював алгоритм.
Пізніше, на Data Science bootcamp від IBM, я вперше тренувала нейронну мережу на Python.
Порівняно з моїм попереднім досвідом роботи з Matlab і C#, це було схоже на магію: написати кілька рядків коду й одразу побачити результат!
Цей досвід надихнув мене серйозно зануритися в дослідження штучного інтелекту. Я почала активно вивчати Python, відвідувати тематичні заходи. На одному з таких івентів, організованих DataArt, спікер із Data Scientist у Spotify порекомендувала курси з машинного навчання від викладача Стенфорда Ендрю Ина (Andrew Ng).
З цього моменту я почала системно вивчати алгоритми, згадувати вищу математику й остаточно зрозуміла, що хочу будувати кар’єру у сфері AI/ML.
Що входить у ваші обов’язки? Які завдання перед вами ставить компанія?
— Залежно від проєкту, мої задачі можуть значно відрізнятися. Основна робота охоплює такі етапи:
- Підготовка даних: збір, очищення та створення датасетів із різних джерел. Цей етап часто займає найбільше часу, але від нього залежить успіх усієї роботи.
- Розробка моделей: вибір алгоритму, тренування моделей і їхнє тестування для досягнення оптимальних результатів.
- Оптимізація: підбір параметрів для покращення точності роботи моделей.
- Інтеграція та моніторинг: впровадження моделей у реальні продукти та підтримка їхньої ефективності.
Цікаво, що найскладнішим етапом може бути будь-який із цих процесів — усе залежить від специфіки проєкту. Наприклад, іноді знайти та підготувати якісні дані важче, ніж створити саму модель.
Я працюю в команді разом із ML-розробниками, дата-інженерами, аналітиками, архітекторами й іншими спеціалістами. Кожен виконує свою частину роботи, і завдяки спільним зусиллям набагато легше вирішувати складні завдання.
AI/ML охоплює багато напрямів та інструментів, тому ніхто не може бути експертом у всьому. Мені подобається, що завжди можна звернутися до колег за порадою чи поділитися своїми знаннями. Така взаємодія допомагає як ефективно вирішувати завдання, так і розвиватися професійно.
Чи можете похвалитися результатами роботи — які процеси вдалося оптимізувати завдяки ШІ? Чи маєте оцінку економії ресурсів — часу, грошей, людського капіталу — завдяки впровадженню ШІ?
— Мені на думку спадає кілька проєктів, у яких я брала участь, і результатами яких можу пишатися:
- Автоматизація аналізу клітинних даних.
Рішення на базі хмарних технологій дозволило значно прискорити аналіз мікроскопічних зображень клітин і знизити вплив людського фактора. Швидкість зросла на 40%, а точність і ефективність значно покращилися. - Оптимізація банківських процесів.
Завдяки автоматизації обробки запитів і використанню методів обробки природної мови (NLP), процес став безперервним, скоротив участь людини на 90%, і значно зменшив кількість помилок. - Обробка медичних статей.
Автоматизували витяг важливих даних із наукових публікацій, що суттєво скоротило час роботи експертів, який коштує дуже дорого, і значно зменшило витрати.
Найбільше мене надихає момент, коли люди, які раніше витрачали багато часу на рутинну роботу, бачать, як автоматизована система бере ці завдання на себе, і щиро радіють результату.
Які ШІ-інструменти наразі активно використовуються в компанії й для чого? Чи розробляєте власні ШІ-рішення (якщо так — що це і для чого використовується)?
— Зі свого досвіду можу сказати, що сьогодні величезна увага зосереджена на проєктах із використанням великих мовних моделей (LLM), таких як ChatGPT, Gemini, Claude, Llama тощо. Їхню популярність легко пояснити універсальністю — вони можуть застосовуватись майже в будь-якій сфері. Наприклад, нещодавно я була долучена до проєктів із фінансової галузі, фешн, продажів, і це лише частина індустрій, де можна використовувати цей інструмент. Хоча я не можу розкрити всі деталі проєктів, які реалізуються у DataArt, сфера використання LLM дійсно дуже широка. Наприклад:
- у фінансах вони допомагають автоматизувати аналіз ризиків, перевірку документів або класифікацію транзакцій;
- у медицині — підказують у процесі діагностики, структурують клінічні дані чи створюють рекомендації на основі історій хвороб;
- у туризмі — персоналізують пропозиції та покращують клієнтський сервіс через інтерактивні чат-боти;
- у творчій сфері — генерують тексти, зображення, музику або сценарії.
Серед переваг LLM — можливість адаптації під конкретні задачі. Наприклад, такі моделі, як Llama, можна розгорнути локально, що забезпечує контроль над чутливими даними та скорочує витрати на хмарні обчислення.
Утім, важливо пам’ятати, що універсальні моделі не завжди є найкращим вибором. Вони можуть видавати некоректні результати, особливо при погано підготовлених даних, або поступатися спеціалізованим рішенням у вузьких галузях. Наше завдання — розуміти, коли і яку модель доцільніше використовувати, та донести це до клієнта. На щастя, зараз і самі клієнти дедалі частіше усвідомлюють, що класичні моделі, натреновані вирішувати конкретно їхню задачу, або комбінація таких моделей, може бути більш оптимальними, ніж універсальні LLM. Тому актуальними залишаються й інші напрями, такі як комп’ютерний зір (Computer Vision), рекомендаційні системи, прогнозування та оптимізація тощо.
Чи зможе, на вашу думку, ШІ замінити програмістів? А креативників? Як ви ставитесь до того, що вже зараз з’являється нова професія — промпт-інженер?
— На даному етапі мовні моделі, які ми називаємо ШІ, все ще залишаються інструментом, а не повноцінним інтелектом. Вони можуть значно допомогти програмістам — скоротити час на розробку, автоматизувати рутинні завдання або запропонувати рішення для певних проблем. Проте повністю замінити програмістів вони поки не здатні. Завжди необхідно перевіряти результати, адже ризик помилок моделей залишається.
У сфері креативу ШІ вже показує себе як потужний інструмент. Він здатний генерувати ідеї, поєднувати наявні концепції, створювати візуалізації або тексти. Однак він не створює принципово нові ідеї — для цього потрібні інтуїція, досвід і уява людини. Штучний інтелект швидше є помічником, який підсилює людські можливості, а не замінює їх.
Щодо появи нових професій, таких як промпт-інженер, — це природний етап розвитку технологій.
Ми не можемо зупинити прогрес, але можемо адаптуватися до змін. Важливо навчитися використовувати нові можливості на свою користь, знаходячи баланс між автоматизацією й творчістю.
Промпт-інженери — це приклад того, як люди пристосовуються до нових викликів і створюють потрібні спеціалізації у світі, що швидко змінюється.
Чи позділяєте ви думку про те, що ШІ є певною мірою загрозою для бізнесів та навіть людства? Як можна це попередити та уникнути негативних наслідків?
— Я вважаю, що ШІ сам по собі не є загрозою, але є ризики, пов’язані з тим, як ми його використовуємо та які процеси йому делегуємо. Це надзвичайно потужний інструмент, який може принести багато користі — від оптимізації бізнесу до революції в медицині й науці. Але важливо пам’ятати, що він працює на основі даних, які можуть бути упередженими, застарілими або неповними, а сам ШІ може робити помилки чи навіть «галюцинувати».
Одним із викликів є надмірна довіра до штучного інтелекту. Люди починають покладатися на нього для вирішення серйозних питань, включно з ухваленням рішень на рівні влади чи бізнесу.
Але там, де йдеться про життя людей (у медицині, правосудді чи соціальній політиці), остаточне слово повинно залишатися за людиною. ШІ має допомагати, а не замінювати людське судження.
Ще один важливий аспект — економічні зміни. Автоматизація може витіснити з ринку компанії, які не встигають адаптуватися.
Розвиток великих мовних моделей тісно пов’язаний із наявністю великих обчислювальних ресурсів, що робить його доступним лише для обмеженого кола осіб або організацій.
Щоб мінімізувати ці ризики, потрібна прозорість. ШІ має бути зрозумілим — як він працює, чому ухвалює ті чи інші рішення. Нам потрібні чіткі етичні стандарти, регуляції й механізми контролю, особливо там, де є ризики для безпеки.
Люди мають розуміти, як працює ШІ, щоб не боятися сучасних технологій, але й усвідомлювати їхні межі. Бізнеси мають працювати разом, щоб зробити ці інструменти доступними й корисними для всіх. Штучний інтелект — це не про страх чи конкуренцію, а про можливості, якими ми маємо навчитися правильно користуватися.
Порадьте тим, хто хоче займатися питаннями ШІ, що варто вивчити, на які курси-книги-блоги звернути увагу.
— Я б порадила для старту ті самі курси, з яких починала сама: Machine Learning та Deep Learning Specialization від Ендрю Ина (Andrew Ng). Вони доступні на порталах deeplearning.ai та Coursera. Ще раджу заглянути на DeepLearning.AI у розділ The Batch — там можна стежити за новинами зі світу ШІ.
З книг можу порекомендувати «Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow» від Орельєн Герон (Aurélien Géron) — вона надає як теоретичні знання, так і практику.
Крім того, мені дуже допомогли базові знання з програмування, теорії ймовірностей, статистики та вищої математики. І звісно, важливою є практика. Працюйте з реальними даними. Наприклад, платформа Kaggle — чудовий майданчик для практики та розвитку навичок. Найголовніше — не бійтеся почати, навіть якщо здається, що ви знаєте недостатньо. Навчання в процесі — це не лише найпродуктивніший, а й найцікавіший спосіб опанувати нове.
Також раджу відвідувати тематичні заходи, навіть онлайн, адже це можливість поставити питання, отримати цінні поради та поспілкуватися з однодумцями.
