Пока Маск с Дуровым решают, быть ли ИИ-чат-боту Grok в Telegram или не быть, поговорим о наших местных махаллинских делах.

На фоне сильнейшего информационного шума о развитии ИИ, многих владельцев управленцев и директоров IT-компаний волнует вопрос: куда дальше двигаться, как быть, что будет в будущем?

Нашим локальным компаниям, не важно, государственная это контора или частная, сервисная или продуктовая, я бы сейчас порекомендовал убедиться, что в компании реализованы два момента:
во-первых, жизненный цикл разработки и поддержки ПО перестроен с учетом использования нейроассистентов (ChatGPT, Claude, Cursor AI);
во-вторых, в компании освоен хотя бы один фреймворк для работы с нейросетями и машинным обучением, например тот же самый TensorFlow от Google.

Почему необходимо заплатить 20 баксов и внедрить тот же Claude или Cursor AI в процесс создания продуктов? Потому что это снизит затраты, ускорит сроки разработки, повысит продуктивность команды и позволит остаться в тренде. А тренд таков: программирование сдвигается от написания кода руками к постановке задач ИИ и проверке полученного результата.

Да, будет некое сопротивление технарей, да, всегда есть какие-то проекты, которые нужно доделать «еще вчера». Но нужно принять, что переход к обязательному использованию ИИ в разработке — это такой же эволюционный процесс, как когда-то внедрение Git, переход к CI/CD, Agile и DevOps, использование фреймворков и библиотек. И чем раньше это произойдет — тем лучше.

Заменит ли ИИ программистов? Нет. Более того, ваши разработчики на данном этапе должны быть умнее и опытнее ИИ, так как ошибок и «говнокода» в ответах хватает.

Сейчас использование нейроассистентов в компании зачастую это инициатива снизу. Отдельные разработчики давно используют ИИ, но в целом подход остался на старом уровне, а вместе с ним — планирование, сроки и бюджеты.

Казалось бы, это очевидно выгодно, но ни в одной локальной IT-компании, с кем я общаюсь, я не вижу системных движений в этом направлении.

Второй момент — освоение фреймворка для работы с нейросетями и создания моделей. Тут тренд таков, что при проектировании нового продукта или доработке имеющегося, отдельный функционал уже надо уметь реализовывать с использованием возможностей ИИ.

Простой пример из недавнего прошлого: во времена моей работы в Налоговом комитете прилетела задача организовать мониторинг добычи песка и щебня в одном из районов Бухарской области. Мол, полезные ископаемые вывозятся в одном объеме, а налоги на недра платятся совсем в другом.

Тогда мы предложили решение на базе ИИ: 8 выездов оснастили камерами, обучили модель отличать грузовой транспорт от легкового, груженый от порожнего, и, если груженый, то чем именно — песком, щебнем или чем-то к недрам не относящимся. По госномерам с МВД подтягивали владельцев и сравнивали поданные декларации с данными мониторинга.

Без нейросетей и машинного обучения пришлось бы ставить будки с шлагбаумами, где максимум камера считывала бы госномер, а человек уже вручную вносил бы все остальное: что везет и куда везет. Устойчивость такой системы, зависящей от человеческого фактора, несложно предсказать.

Сейчас очень важно, чтобы архитекторы, системные и бизнес-аналитики понимали, как работают нейросети и обучение моделей и умели часть функций отдавать нейросетям.

Для начала отлично подойдет TensorFlow от Google, а для работы с большими данными можно арендовать Google Cloud Storage, чтобы не занимать имеющиеся серверные мощности.

На мой взгляд, внедрив два этих компонента в свою компанию, можно смело смотреть в будущее в горизонте 2–3 лет и не испытывать муки совести, что что-то вовремя не сделано для развития лучшей в мире компании :)

Удачной трансформации, коллеги 🚀