Орталық Азиядағы AI бірте-бірте ұшқыштар шеңберінен шығып жатыр, бірақ табысты шешімдерді кеңейту компаниялар үшін әлі де оңай емес. Біз Servercore COO Юрий Капелкомен аймақтың AI нарығы қандай сатыда тұрғаны, бизнеске дайын үлгіні жай ғана қосу неліктен жеткіліксіз екендігі және өнеркәсіптік AI-ға көшуде жергілікті инфрақұрылым қандай рөл атқаратыны туралы әңгімелестік. Юрий Капелко, Алматы, Servercore, LinkedIn компаниясының бас директоры Мен туралы Мен Servercore компаниясының бас директорымын және 10 жылдан астам уақыттан бері нақты бизнес тапсырмалары үшін инфрақұрылым мен бұлттық өнімдерді жасап, кеңейтіп келемін. Мен өз жұмысымда адамға бағытталған көзқарас принциптеріне негізделген адамдарды, бизнес мақсаттарын және технологияларды байланыстырамын. Бүгінгі таңда Орталық Азиядағы AI нарығы қай кезеңде? Орталық Азиядағы AI нарығы бірте-бірте генеративті модельдермен танысудан оларды бизнес-процестерге практикалық енгізуге көшуде. Бұл ауысу біркелкі емес жүріп жатыр: ірі банктер, телекоммуникация компаниялары, мемлекеттік мекемелер, FinTech және e-com көптеген дәстүрлі салаларға қарағанда айтарлықтай алға жылжыды. AI-дағы басты артықшылық күшті модельдерге қол жеткізудің айырмашылығы болмайды - барлығы оны шамамен бір уақытта алады. Басқа бір нәрсе өзгере бастайды: — мәліметтердің сапасы, оның ішінде облыстың ұлттық тілдерінде — компанияның AI үшін технологиялық негізді бір рет құру — корпоративтік деректерге қосылу, қол жеткізу құқықтары, сапаны бақылау — әр шешімді нөлден емес, жаңа тапсырмалар үшін пайдалану мүмкіндігі. — нақты шаруашылық операция деңгейінде экономикалық тиімділікті дәлелдеу мүмкіндігі. Деректер сапасы AI жобалары арасындағы айырмашылықты жасайтын факторлардың біріне айналуда. Аймақ үшін ұлттық тілдердегі материалдар, сондай-ақ заманауи AI үлгілерін оқыту және бағалау үшін қажетті салалық мәтіндер мен басқа да көздер ерекше маңызды. Жаһандық тіл үлгілерінің көпшілігі негізінен ағылшын тілінде және ашық цифрлық көздерде жақсы ұсынылған басқа тілдерде оқытылады. Қазақ, өзбек және басқа да Орталық Азия тілдерінде жоғары сапалы цифрлық мәтіндер, салалық материалдар және заманауи AI үлгілерін оқыту және бағалау үшін қажетті басқа деректер аз. Бұл диалогтың табиғилығына ғана әсер етпеуі мүмкін. Айырмашылық ең кең таралған тапсырмаларда көрінеді: екі тіл мен салалық терминдер араласқан қоңырау жазбаларындағы сөйлеуді тану ағылшын тіліне қарағанда айтарлықтай нашар жұмыс істейді; келісім-шарттар мен шот-фактуралардан деректерді алу кәсіби терминологиямен шектеледі, бұл ашық көздерде тапшы. Дәл осындай шектеулер заңдық, нормативтік және мемлекеттік мәтіндерді талдауда да кездеседі. Үкімет пен академиялық бастамалар ұлттық тілдерде жоғары сапалы цифрлық деректерді дамыту AI инфрақұрылымының жеке саласына айналып отырғанын көрсетеді. Қазақстанда бұл KazLLM әзірлемесі, сондай-ақ әл-Фараби атындағы ҚазҰУ-дың 2024 жылы іске қосылған жобасы. Ондағы жұмыстың маңызды бөлігі үлгінің өзінде емес, қазақ тіліндегі мәтіндер массивін қалыптастыру - оқытуға арналған материалдарды жинау, тазалау және құрылымдау болды. Өзбекстанда да осындай бағдарламалар жасалып жатыр. Компанияда AI-ны масштабтау үшін не қажет Сонымен қатар, жергілікті деректердің дамуы әрбір компания өзінің AI моделін жасау керек дегенді білдірмейді. Аймақтағы компаниялардың көпшілігіне өздерінің іргелі моделін оқытудың қажеті жоқ. Әртүрлі үлгілерді қауіпсіз қосуға, оларға корпоративтік деректерге қол жеткізуге, қауіпсіздікті басқаруға, жұмыс сапасы мен құнын бақылауға мүмкіндік беретін технологиялық ортаны құру әлдеқайда маңызды. AI дамыған сайын модельдер өзгереді, бірақ кәсіпорын деректері, процестер мен интеграциялар қалады. Сондықтан мұндай ортаның құндылығы компанияның әрбір шешімді нөлден жасау емес, сәтті AI сценарийлерін жаңа бизнес-процестерге қаншалықты жылдам масштабтай алатынымен анықталады. Тәжірибеде мұны кейінгі жобалардың біріншіге қарағанда айтарлықтай жылдам іске қосылуынан көруге болады. Бір кездері ішкі білім базасы арқылы іздеу жасаған компания: қосылған деректер көздері, конфигурацияланған қол жеткізу құқықтары және жауаптардың сапасын тексерген, қолдау сұрауларын өңдеу және жаңа қызметкерлерге көмектесу үшін бірдей негізді пайдаланады. Шешімнің архитектурасы емес, құжаттар жинағы мен мәселенің тұжырымы өзгереді. Мұндай шешімдердің көбеюі нарыққа қатысушылардың рөлін де өзгертуде. Интеграторлар, бұлттық провайдерлер, әзірлеушілер мен салалық кеңесшілер проблемалардың жаңа класын шеше бастады және барған сайын технологиялық серіктестерге айналады: AI-ды корпоративтік деректерге қосу, ішкі жүйелермен қауіпсіз интеграцияны қамтамасыз ету, операциялық процестерді құру және енгізу нәтижесіне жауапты болу. Жасанды интеллект бизнес үшін өте тиімді жерде AI жобалары ұшқыштан өндіріске көшкен сайын, компаниялар оларды модельдердің технологиялық мүмкіндіктеріне емес, күтілетін экономикалық әсерге қарай көбірек бағалайды. Егер бұрын назар ұшқыштар санына және үлгіні таңдауға аударылса, бүгінде компаниялар процестің өзін экономикалық тұрғыдан қарастырады: АИ енгізуге дейін және одан кейінгі операцияны орындау құны, қателердің жиілігі, сапаны бақылау құны және соңғы қаржылық әсер. Ең перспективалы процестерге бір мезгілде мыналар кіреді: - қайталанатын операциялардың үлкен көлемі - қол еңбегінің елеулі үлесі — цифрлық енгізу деректері — нәтижелерді бағалаудың нақты критерийлері — қатенің өлшенетін құны. Сондықтан алғашқы сәтті жобалар көбінесе құжаттарды өңдеуде, тұтынушыларды қолдауда, типтік сұраныстарды талдауда, қаржылық операцияларда, логистикада және мемлекеттік қызметтерде пайда болады. Дәл осындай процестерде AI-ның экономикалық тиімділігін дәлелдеу және масштабтау туралы шешім қабылдау оңайырақ. Типтік мысал - қоңырау жазбаларының декодтауы және талдауы: дыбыс көлемі үлкен, кіріс деректері қазірдің өзінде цифрлық, біз нәтижені тексереміз және іске асыру алдында мұндай жазбалар әрдайым дерлік таңдамалы түрде тыңдалды немесе мүлдем тыңдалмайды. Бұл процестерге AI біріктірілген пішін де өзгереді. Чат-боттардан AI агенттеріне көшу модель тек мәтінді жасап қана қоймайды, сонымен қатар әрекеттер тізбегін орындайды: ақпаратты іздейді, құжаттармен жұмыс істейді, корпоративтік жүйелермен әрекеттеседі және нәтижені процестің келесі қатысушысына береді. Бұл ретте болжамды әсер кез келген тапсырманы орындауға қабілетті әмбебап агенттермен емес, белгілі бір процеске енгізілген тар шешімдермен қамтамасыз етіледі: бірі құжаттардың толықтығын тексереді, екіншісі жауап жобасын дайындайды, ал үшіншісі есеп үшін деректерді жинайды. Such an agent can clearly define the powers, check the result and limit the consequences of an error - that is, fulfill exactly those conditions that make the economic effect measurable. AI бірте-бірте IT бөлімінің міндеті емес, компанияның P&L қызметінің маңызды бөлігіне айналады. For businesses, it is not the price of one GPU card or token that is important, but the cost of performing a specific business operation, taking into account data preparation, integration, infrastructure, information security, maintenance and human participation where it is needed. At the same time, at scale, it is inference that becomes a constant cost item - and the question of where and on what it is performed returns already at the operational stage. Why businesses need GPUs when scaling AI At the pilot stage, computing resources really ceased to be a barrier: access to models via API closes most of the first scenarios. Сұрақ өнеркәсіптік пайдалану сатысында қайтарылады, бірақ басқа тұжырымда. Біріншіден, жүктеме профилі өзгереді. The pilot is one-time experiments, industrial implementation is constant interference with predictable delays and costs that directly fall into the cost of the business operation. Салалық терминология мен жергілікті тілдерді қосымша оқыту бұған бір реттік емес, тұрақты есептеу қажеттілігін қосады. Кәсіпорындар үшін бір GPU картасының немесе таңбалауыштың бағасы емес, деректерді дайындау, біріктіру, инфрақұрылым, ақпараттық қауіпсіздік, техникалық қызмет көрсету және қажет болған жағдайда адамның қатысуын ескере отырып, белгілі бір бизнес операциясын орындау құны маңызды. Сонымен бірге, үлкен көлемде, бұл тұрақты шығыс бабына айналатын қорытынды. Екіншіден, есептеулер физикалық түрде орындалатын жерге қойылатын талап бар. AI клиент сұраныстарымен, персонал және қаржылық құжаттармен және ішкі нормативтік материалдармен жұмыс істей бастағанда жобаға локализация және деректерді қорғау талаптары қолданылады. Бұл талап жабдыққа меншік нысанына емес, сайттың орналасқан жеріне қатысты болуы маңызды. Компанияға GPU серверлерін сатып алу және өзінің серверлік бөлмесін ұстау қажет емес: дәл осындай талаптарды ел ішінде орналасқан бұлтта есептеу ресурстарын жалға алу арқылы орындауға болады. Сондықтан, жергілікті бұлтты GPU ресурстарының қолжетімділігі тек шығын мәселесі ғана емес, сонымен бірге сценарийдің өзін қабылдау мүмкіндігі туралы мәселе: егер деректер елде қалуы керек болса, AI шешімін есептеулер ел ішінде орындалатын жерде ғана іске қосуға болады. Көптеген сценарийлер үшін жалға алу сатып алудан гөрі тиімдірек. Жүктеме профилі біркелкі емес: қосымша жаттығулар қысқа шыңдарды тудырады, қорытынды тұрақты, бірақ қалыпты жүктемені тудырады. Ең жоғары уақытта сатып алынған жабдық көп уақыт жұмыс істемейді, ал бұлттық модель тапсырманың өсуіне қарай конфигурацияны өзгертуге және капиталды бірнеше жыл бұрын тоқтатпауға мүмкіндік береді - бұл қолданба сценарийлері әлі де нақтыланып жатқан кезде өте маңызды. Бұл жерде жергілікті бұлттық провайдерлер бизнестің AI инфрақұрылымының бір бөлігіне айналады. Олар күрделі шығындарсыз және ұзақ сатып алуларсыз қажетті қуаттылыққа қол жеткізуді қамтамасыз етеді, конфигурацияны нақты жүктемеге сәйкес өзгертуге мүмкіндік береді және сонымен бірге деректерді ел ішінде сақтауға мүмкіндік береді. Мысалы, Servercore бұлттағы GPU ресурстарын Алматы мен Ташкенттегі сайттарда қамтамасыз етеді. Компаниялар үшін бұл GPU инфрақұрылымын сатып алмай-ақ және оларға қызмет көрсетпестен AI сценарийлерін масштабтау мүмкіндігі. Орталық Азияда жасанды интеллектті дамыту үшін не қажет Бүгінгі күні барлығы бір уақытта күшті үлгілерге қол жеткізуде. Сондықтан аймақтағы АИ дамуы енді модельдің өзімен емес, оның айналасындағылармен анықталады. Мен төрт компонентті атап өтер едім. Біріншісі – ұлттық тілдердегі деректер. Аймақтағы қазақ, өзбек және басқа тілдер цифрлық дереккөздерде аз қамтылған, бұл кең таралған міндеттерге әсер етеді. Сондықтан мәтіндік массивтерді қалыптастыру, яғни оларды жинау, тазалау және құрылымдау AI инфрақұрылымының жеке саласына айналуда. Екіншісі – компаниялар ішіндегі технологиялық орта. Ол әртүрлі үлгілерді корпоративтік деректерге қауіпсіз қосуға және әрқайсысын нөлден қайта жинаудың орнына сәтті шешімдерді жаңа процестерге тасымалдауға мүмкіндік береді. Үшіншісі – өлшенетін экономикалық әсері бар қолданбалы сценарийлер: құжаттарды өңдеу, тұтынушыларды қолдау, қаржылық операциялар, логистика, мемлекеттік қызметтер. Дәл оларда AI-ның ақтайтынын дәлелдеу және масштабтау туралы шешім қабылдау оңайырақ. Төртінші – ел ішіндегі есептеу ресурстары. Тұрақты жұмысқа көшу кезінде қорытынды тұрақты шығыс бабына айналады. Клиентпен, персоналмен және қаржылық деректермен жұмыс істеу локализация және деректерді қорғау талаптарымен жүзеге асырылады. Қазақстан мен Өзбекстанның мемлекеттік стратегиялары дәл осы кешенді тәсілді көрсетеді. Есептеу инфрақұрылымымен қатар олар деректерді әзірлеуді, реттеуді, оқытуды және қолдану сценарийлерін, яғни нақты салалар мен процестерде АИ-ді практикалық қолдануды қамтиды. Есептеу қуаты оның орнына емес, реттеу мен деректермен қатар дамып келеді. Орталық Азиядағы жасанды интеллекттің келесі кезеңі қандай болмақ? Өңірдегі AI-ның келесі кезеңі ұшқыштардан тұрақты жұмыс істеуге көшумен байланысты болады. Заманауи үлгілерге қол жеткізу кең таралғандықтан, негізгі құндылық компаниялардың AI-ны жылдам біріктіру және масштабтау қабілеті арқылы жасалады. Бұл кезеңде ұлттық тілдердегі деректер ерекше рөл атқарады. Бүгінгі күні олардың жетіспеушілігі ең кең таралған міндеттерге әсер етеді. Сөйлеуді тану екі тіл мен салалық терминдер араласқан қоңырауларда нашар жұмыс істейді. Келісімшарттар мен шот-фактуралардан деректерді алу, сондай-ақ құқықтық және нормативтік мәтіндерді талдау қиынырақ. Қазақ, өзбек және облыстың басқа тілдеріндегі сапалы мәтіндер неғұрлым көп жиналса, ағылшын тілімен бұл алшақтық соғұрлым аз болады. Сондықтан KazLLM және әл-Фараби атындағы ҚазҰУ-дың жұмысы сияқты жобалар ғылым үшін ғана емес, бизнес үшін де маңызды. Компаниялар үшін әрбір шешімді нөлден жасау емес, жаңа AI сценарийлері үшін қайта пайдалануға болатын технологиялық ортаны құру және нақты бизнес операциясы деңгейінде экономикалық әсерді дәлелдеу маңызды. Ал AI тұрақты жұмысқа кіріскенде, қорытындының құны және есептеулер физикалық түрде қайда орындалатыны туралы қосымша сұрақ туындайды. Орталық Азиядағы AI ұшқыштардан шығады: компанияларға оны енгізуді кеңейтуге не кедергі келтіреді деген мақала THE TECH сайтында бірінші рет пайда болды.