Релевантность важнее масштаба: Создание ИИ, который выдерживает контакт с реальностью

Почему более мелкие, специализированные модели необходимы для ИИ в полевых условиях

Команды теперь могут переходить от подсказки ИИ к прототипу быстрее, чем когда‑либо. Однако такие прототипы часто ломаются в реальных рабочих процессах, таких как полевое обслуживание, производство или управление объектами, где точность, согласованность и подотчётность имеют наибольшее значение. Проблема в том, что хотя ИИ всегда может дать вам ответ, вам действительно нужен правильный ответ, в правильном контексте, каждый раз.

Именно здесь большинство больших языковых моделей (LLM) теряют свою ценность. При работе с LLM простое переформулирование одного и того же вопроса может привести к совершенно разным результатам. Это связано с тем, что многие LLM ориентированы на широту, а не на специализированную глубину. И хотя гибкость может быть полезна в творческой работе, такая широта знаний становится обузой для тех, кто стремится к точности. 

Операционные среды требуют согласованности. Активы известны, процедуры задокументированы, а протоколы безопасности и нормативные требования определяют приемлемые параметры. Любая изменчивость вывода, основанная на общих интернет‑знаниях, может усугубить проблему. Например, при ремонте систем HVAC техникам нужны выводы, привязанные к конкретному объекту — его истории обслуживания и известным паттернам отказов. 

Представьте, что техник реагирует на отказ оборудования под давлением времени. Если система выдаёт непоследовательные ответы в зависимости от формулировки вопроса или не может связать свои рекомендации с проверенными данными, возникает серьёзная проблема. Время отклика важно для клиентов и для успеха бизнеса. 

Переход от масштаба к релевантности

Сейчас происходит переход от универсального ИИ к релевантному ИИ. Вместо того чтобы просить ИИ делать всё, всё больше организаций ограничивают его роль конкретными, повторяемыми задачами. Меньшие, специализированные модели и узконаправленные системы ИИ набирают популярность, поскольку они могут опираться на живые операционные данные, быть ограничены бизнес‑правилами и непосредственно внедряться в существующие рабочие процессы. 

Показано, что меньшие модели лучше справляются с:

• Устранение неполадок: Меньшие модели могут преобразовать высоко детализированные входные данные, такие как руководства, предыдущий опыт и неформальный обмен знаниями, в дистилляты знаний, позволяя менее опытным членам команды учиться быстрее и действовать с большей уверенностью. Малые модели ИИ также могут дополнительно использовать специально релевантные исторические наряды, журналы ремонтов и паттерны отказов, чтобы предлагать вероятные дальнейшие шаги. Это сокращает время, затрачиваемое на поиск по системам. 
• Передача работ: Неполная или непоследовательная документация может сделать передачу между сменами или командами опасной. Однако модели, обученные на сервисных данных, могут суммировать, что было сделано, какие детали заменены и что остаётся открытым. Это позволяет следующему технику начать работу с ясной картиной вместо того, чтобы собирать её вручную. 
• Соответствие и безопасность: В регулируемых средах пропуск шага несёт реальный риск. Модели небольших языков, ориентированные на конкретные задачи, могут направлять стандартизированные процедуры инспекции, подтверждать необходимые шаги и выявлять или отмечать несоответствия в реальном времени. 

Эти меньшие модели могут быть обучены и ограничены известными данными, утверждёнными рабочими процессами и определёнными действиями. Вместо того чтобы выступать отдельным инструментом, они находятся внутри существующих систем, где могут получать живые данные, обновлять записи и предлагать следующие шаги.  

Создание ИИ, которому могут доверять операционные команды

Чтобы ИИ был успешен в полевых сервисных и производственных средах, он должен быть основан на реальности того, как выполняется работа: подключённые системы, структурированные операционные данные и рабочие процессы, которым команды уже доверяют. И он должен быть надёжным. 

Доверие начинается с основы из последовательных, структурированных данных, чтобы модели интерпретировали активы, наряды и метрики одинаково каждый раз. Выводы также нуждаются в ограничениях и управлении, чтобы рекомендации оставались в рамках утверждённых процессов, проверенных источников данных и не подталкивали работников к действиям за пределами их роли или навыков. Если рекомендацию нельзя проследить до известных данных, ИИ не должен её предлагать. 

ИИ также необходимо интегрировать — внедрять в системы, которые команды уже используют при принятии решений; иначе он будет менее полезен или даже игнорироваться. И человеческий надзор остаётся важным. Цель не в том, чтобы заменить операторов — её никогда не должно быть; задача — работать рядом с ними. Это значит, что люди всегда должны одобрять критические действия, переопределять рекомендации, выполнять критические операции и эскалировать, когда что‑то выходит за пределы ожидаемых паттернов.

Доверие к ИИ формируется так же, как и к любой операционной системе: за счёт последовательной работы и согласования с тем, как выполняется работа. Вы всегда можете получить ответ от ИИ, но действительно важным является получение надёжно правильного и согласованного ответа. Операционные среды, где ИИ способен принести наибольшую ценность, также являются теми, где допускается минимум неоднозначности. 

Эффективность правильно масштабированного ИИ

There is also a практическое преимущество to smaller models. They are lighter, faster, and easier to manage. They also require less computing, generate results with lower latency, and can be updated as processes change. 

И возможно сочетать два подхода к ИИ. Некоторые компании используют более крупные, универсальные модели для захвата широких паттернов и рассуждений, а затем дистиллируют эти знания в меньшие модели, настроенные под конкретные задачи. Это позволяет организациям сохранять преимущества обучения в большом масштабе, одновременно предоставляя системы, которые работают надёжнее в полевых условиях. 

Эффективность наиболее очевидна в процессах с высоким объёмом, таких как управление нарядами или мониторинг производства, где улучшения производительности можно измерить по операционным метрикам, например, более быстрым срокам решения и сокращённому времени простоя.  

Переопределение успеха

Доверие находится в основе следующей фазы ИИ. Системы будут успешны, когда они работают в реальных условиях, а не тем, насколько умными они выглядят в прототипе. ИИ достигает своего лучшего состояния, когда он действительно делает процессы безопаснее, сокращает передачи работ или делает подотчётность яснее. ИИ надёжен, когда он последовательный. Масштабирование интеллекта без разбора ради самого масштабирования не создаёт операционного преимущества. Система, спроектированная так, чтобы вы могли полагаться на её работу в поле тогда и так, как вам это нужно, является ключом к реальному прогрессу.