ИИ в разработке: как ускорить создание масштабируемого решения

Искусственный интеллект  сокращает путь от идеи до продукта, но не отменяет инженерного мышления. Чем быстрее автоматизация, тем дороже обходятся архитектурные ошибки. Эффективность проекта с ИИ измеряется  сегодня  в значительной степени не самой моделью, а качеством подготовки инжиниринговых решений: архитектурой, ограничениями, проверенными гипотезами, организацией процессов разработки. Это во многом определяет, насколько быстро и эффективно ведется разработка коммерческих продуктов для заказчика.

Одна из возможностей для основателей и команд с ИИ-разработкой, которые не получают предсказуемого результата, столкнулись с проблемами или даже отказались от ИИ, — это проработать решение с профессиональными экспертами. Например,  в рамках программы Sk Технологии, где такие задачи являются фокусными.

Несмотря на возможности ИИ, универсальных решений не бывает – технология, команда, стадия развития каждого проекта уникальны. Именно поэтому, на программе участники вместе с менторами Сколково детально прорабатывают индивидуальные технологические решения под свою задачу, выходят с готовыми результатами и понятным планом дальнейшего развития. Выпускники остаются на связи по оперативным вопросам и после завершения программы. Подробнее о формате можно узнать на techup.sk.ru.

Сергей Кирилин — сооснователь EdTech-проекта, создатель многофункциональной ИИ-платформы для онлайн-школы «ЁШкола» (yoshkola.ru), выпускник программы «Sk Технологии» Фонда «Сколково» рассказал, чего может не хватать основателю, который идёт в разработку с ИИ, о технологических решениях и о том, почему при работе с ИИ важны архитектура и системный подход.

 

— Какие результаты показывает ваш продукт и как это изменило учебный процесс для учеников, родителей и преподавателей? 

Наш продукт выходит за рамки классической онлайн-школы. По функционалу и реализованному процессу это многофункциональная ИИ-платформа, которая объединяет в одной среде учеников, родителей и преподавателей. Все три группы дали решению высокую оценку.

Результаты внедрения показали: доля ручного труда в процессах подготовки сократилась минимум на 20%, повысилась эффективность учебного процесса, выросли результаты учащихся.

Но за такими цифрами стоит не только работающий код. Чтобы платформа стала продуктом, который можно развивать и масштабировать, в основу нужно заложить правильные решения. За помощью в грамотном структурировании подходов мы и приходили в Сколково.

 

— Идея «описать продукт словами и получить готовую платформу» привлекает многих основателей стартапов. Но насколько это реалистично?

Генеративный ИИ изменил скорость разработки. Но на пути от первого прототипа до коммерческого продукта остается масса инженерных решений. От них зависит, выдержит ли решение функциональное развитие, рост нагрузки и масштабирование — или его придется переписывать.

Когда я начинал, казалось, что всё будет примерно так: пишешь ИИ «Хочу платформу» — и всё готово. Но реальность «немного» другая. Ты должен понимать архитектуру платформы, frontend, backend, окружения, production, модели данных, базы данных, миграции, API, вебхуки, интеграции, realtime, WebSocket, кеширование, очереди задач, фоновые процессы.

А ещё — домены, DNS, HTTPS, SSL-сертификаты, reverse proxy, переменные окружения, секреты, авторизацию, роли и права, токены, источник истины, идемпотентность, транзакции, rollback, backup, Git, версионирование, deploy, CI/CD, логи, мониторинг, regression- и smoke-тесты и восстановление после сбоев.

 

— То есть опыта предпринимателя и активного использования ИИ недостаточно?

Именно так. Этого не всегда достаточно, когда речь заходит о системной архитектуре, инфраструктуре и выводе сложного продукта в прод. Чтобы довести продукт до промышленной эксплуатации, нужно ориентироваться в архитектуре и данных, инфраструктуре, безопасности и логике данных, выводе решения в прод и др. 

— Вы говорите о парадоксе скорости: чем быстрее автоматизация, тем дороже ошибка. В чём это проявляется?

Скорость генерации работает в обе стороны — так же быстро накапливаются и неудачные решения. Архитектурная ошибка, заложенная в начале, может обойтись переписыванием продукта с нуля. Чем быстрее ты можешь что-то автоматизировать с ИИ, тем важнее понимать, как это должно быть. Иначе вместо развития решения придётся начинать всё с нуля.

 

— При этом ИИ остаётся мощным инструментом?

Да, это действительно так. Но есть условие: понимать, что именно и как ИИ создаёт, всё равно приходится самому. Какую архитектуру взять? Что сделать сейчас, а что отложить? Где можно упростить решение ради быстрого запуска, а где такая экономия обернется проблемами позже? Какие гипотезы вообще стоит проверять?

 

— Инженерные решения определяют, сможет ли продукт расти и масштабироваться, но как на практике это учитывать стартапу?

 В какой-то момент нужен человек, который обладает не только знанием, но и практикой выбора и использования технологического решения. Архитектор, опытный DevOps, технологический эксперт — тот, кто может посмотреть на решение целиком и подсветить то, что легко не заметить. Дать ИИ «правильный» набор параметров, ограничений, условий, чтобы получить по-настоящему профессиональный продукт.

 

— Инженерная экспертиза требует практики технологических решений различных отраслевых задач. Как получить её проекту, который ещё не подтвердил себя на рынке? 

Не всегда это возможно, причём ещё до того, как продукт подтвердил себя на рынке. Не у каждой команды есть такой ресурс на старте. 

Одним из вариантов как раз может стать участие в программе развития стартапов Фонда «Сколково» «Sk Технологии». В рамках программы я проработал с ментором ряд технологических гипотез под свою задачу, сформулировал оптимальные подходы и план разработки. Это позволило двигаться к запуску платформы намного быстрее. А сейчас — быть уверенным, что развитие технического решения поможет без задержек реализовать функционал, который сделает процесс обучения ещё более эффективным и результативным для конечных пользователей платформы.