Почему недостаточно просто «добавить» ИИ к продукту? Беседа с Леонидом Абасовым, ведущим инженером Prometheus Group

Сегодня искусственный интеллект пытаются добавить почти к каждому цифровому продукту — от чат-ботов до сложных систем управления производством. Но на практике многие такие проекты так и остаются демонстрационными прототипами или нестабильными решениями, которые не выдерживают реальной нагрузки.

Проблема в том, что ИИ нельзя просто «прикрутить» к продукту как ещё один сервис, объясняет Леонид Абасов, Principal Software Engineer в Prometheus Group. Ранее он работал над инженерными проектами, связанными с Microsoft и NASA, занимался масштабированием инфраструктуры Namecheap, а также разрабатывает open-source инструменты для построения pipeline-архитектур.

Мы поговорили с ним о том, как появление ИИ меняет архитектуру программного обеспечения и какой опыт работы с крупными платформами помогает не повторять типичные ошибки.

ㅤ Новости компаний ㅤ

Почему просто «прикрутить модель» не получится

— Сегодня многие компании пытаются просто добавить ИИ в продукт. Почему подход «прикрутить модель» почти не работает?

— Потому что ИИ — это не просто функция, которую можно добавить в существующий сервис через API. В реальных системах он влияет на всю архитектуру: на то, как собираются данные, как они обрабатываются, как система принимает решения и как эти решения проверяются. Если просто вызывать модель, не меняя структуру системы, вы получаете неконтролируемое поведение.

В продуктовых системах это быстро оборачивается проблемами с масштабированием, непрозрачными результатами и сложной поддержкой.

— Если ИИ должен быть частью архитектуры, где именно он должен находиться в системе?

— Чаще всего в data pipeline. Именно там формируется качество данных, от которого зависит результат модели.

— Вы работаете с решениями для предприятий в Prometheus Group. Какие требования возникают, когда ИИ интегрируется в промышленные системы?

— В промышленных системах ошибка алгоритма всегда имеет конкретную цену. Мы работаем с платформами планирования технического обслуживания и операций для крупных предприятий, где анализируются большие объёмы исторических данных. Иногда это десятки лет эксплуатационной информации.

ИИ в таких системах помогает оптимизировать планирование работ и прогнозировать потенциальные проблемы. Но он никогда не работает изолированно. Мы всегда строим архитектуру так, чтобы результаты моделей можно было проверить, объяснить и, при необходимости, скорректировать.

— Какие архитектурные ошибки вы чаще всего видите в ИИ-проектах?

— Самая распространённая ошибка — это фокус на модели, а не на системе.

О собственном опыте, который помогает в контексте ИИ

— До Prometheus Group вы работали в Namecheap. Как опыт работы с инфраструктурой для миллионов пользователей влияет на подход к ИИ?

— В Namecheap я работал над микросервисной архитектурой для систем, которые обслуживали миллионы доменов и пользователей. В таких системах главное — это стабильность и предсказуемость. Любая новая технология должна вписываться в уже существующую инфраструктуру и не нарушать её работу.

Этот опыт в Namecheap очень полезен в контексте искусственного интеллекта. Многие ИИ-проекты начинаются как эксперименты, но если система работает в большом масштабе, она должна быть построена так же дисциплинированно, как и любая другая распределённая система.

— Вы также работали над проектами, связанными с Microsoft и NASA. Чем отличается архитектура таких систем?

— Там очень высокие требования к стабильности и предсказуемости. Экспериментировать можно только в чётко контролируемых пределах.

— Вы создали open-source библиотеку PipelineLauncher. Для чего она была разработана?

— Всё началось с практической задачи — упростить построение pipeline-архитектур в .NET-проектах. Так появился инструмент PipelineLauncher. Многие системы, особенно те, что работают с большими объёмами данных, на самом деле состоят из цепочки этапов обработки: подготовка данных, трансформация, анализ и формирование результата.

Такой подход хорошо подходит и для ИИ-систем, где нужно чётко контролировать каждый этап обработки. Инструменты с открытым кодом позволяют стандартизировать эти процессы и делают архитектуру более прозрачной.

О изменениях и будущем отрасли

— Как меняется роль программистов в мире, где появились ИИ-ассистенты для написания кода?

— Роль инженера становится более архитектурной. ИИ может помочь с генерацией кода, но он не принимает системных решений.

— Как, по вашему мнению, изменится архитектура программного обеспечения в ближайшие годы?

— Я думаю, что мы увидим больше систем, где ИИ работает не как отдельный инструмент, а как часть более сложной архитектуры с несколькими агентами. В таких системах разные ИИ-компоненты выполняют отдельные роли: анализируют данные, генерируют решения, проверяют результаты и так далее.

Но вместе с этим растёт и важность контроля. Чем сложнее система, тем больше внимания нужно уделять управлению доступом, логированию и мониторингу.

— И напоследок: какую одну архитектурную ошибку вы бы посоветовали избегать компаниям, которые строят ИИ-системы?

— Не начинать с модели. Начинать нужно с архитектуры данных.

Искусственный интеллект постепенно становится частью архитектуры современных программных систем. Но, как показывает практика, успех таких проектов зависит не от того, какую модель использует компания, а от того, насколько продуманно построена вся система — от сбора данных до контроля результатов. Именно этот инженерный подход, по словам Леонида Абасова (Leonid Abasov), и определяет будущее ИИ в реальных продуктах.

ㅤ Новости компаний ㅤ