Данил Темников: Как ИИ будет менять облачные технологии в ближайшие 5 лет

Личный архив Данила Темникова

Данил, добрый день! Хотим начать беседу с вопросов о том, как вы видите текущее состояние рынка ИТ-специалистов в контексте развития искусственного интеллекта.

Какие вызовы стоят перед Data-инженерами в связи с массовым внедрением искусственного интеллекта?

Спрос на реализацию продуктов с искусственным интеллектом существенно превышает предложение инженеров с необходимыми навыками. Потому что для массового разработчика ИИ как технология — новое явление, с которым не все умеют работать. Количество мануалов и туториалов по теме интеграции приложений пока не достаточно для того, чтобы удовлетворить запрос на рынке. Но современные реалии так или иначе заставят инженеров осваивать технологии на базе ИИ.

Как сегодня обстоят дела с интеграцией Java-приложений с инструментами на базе ИИ?

Это большой вызов для всего ИТ-рынка, с которым я пытаюсь бороться — пишу статьи, выпускаю книгу на тему простой интеграции с Java-сервисами. Большинство образовательных ресурсов для работы с ИИ выстроены вокруг Python, а он все же больше применяется для аналитики и построения моделей.

А вот интегрировать зачастую нужно сервисы на Java — но по ним инженеры чаще всего упираются в сырую документацию, в которой непонятно, с чего начать и как безопасно всё связать. Например, Google или Amazon предоставляют простой пошаговый гайд по работе с сервисами на Python и абсолютно сухую инструкцию на Java. Но рынок не стоит на месте, сейчас разрабатываются фреймворки для Java, например, SpringAI — однако по нему пока также мало образовательного контента, поэтому проблемы с интеграцией еще остаются.

Как изменится качество данных через 5 лет?

Чем выше качество данных, тем более сильные и точные модели можно построить. Если говорить про структурированные данные, то проблема уже давно решается крупными технологическими компаниями. Они внедряют индивидуальные подходы к хранению и использованию данных, например, data mesh. Он говорит о данных как об отдельном продукте, у которого есть владелец, описание, стандарты и т.д.

Неструктурированные данные — тоже большой вызов. Здесь проблема в другом: нужно научиться отделять действительно ценный контент от «мусора» — лишней информации, которая может привести к деградации и отклонению модели. Инструменты для фильтрации есть, но они пока слишком ресурсозатратны или не до конца эффективны.

Если говорить метафорически, то хорошая модель — это как образованный человек. Чтобы получить качественное «образование» для модели, ей нужны хорошие «учебники» — то есть качественные релевантные данные. Так что тренд очевиден: качество данных станет приоритетом, особенно по мере того, как ИИ будет глубже внедряться в бизнес-процессы.

Какие технологии и подходы на базе искусственного интеллекта, по вашему мнению, будут определять будущее интеграции данных в ближайшие годы?

Главный `тренд` в работе с технологиями по базе искусственного интеллекта — ИИ-агенты, про которые сегодня повсеместно говорят в ИТ-индустрии. Все профильные конференции в Америке и Европе посвящены именно искусственному интеллекту, причем непосредственно агентам отдается ключевая роль. Когда меня приглашают выступить на отраслевых мероприятиях, чаще всего просят поделиться спецификой работы с ИИ-агентами в контексте бизнес-процессов компаний. Поэтому могу сказать, что ИИ-агенты — не просто технология будущего, это большая трансформация в работе с данными, которая происходит прямо на наших глазах.

В чем заключается главная особенность и значимость ИИ-агентов для рынка ИТ?

Если кратко, то ИИ-агент — это интеллект, выполняющий определенные функции. Он может самостоятельно отправлять запросы, делать сравнения и выводы. Агенты с помощью заданных промтов автоматизируют взаимодействие с искусственным интеллектом. То есть работают как автономная система. Поэтому если из-за технологического прогресса люди начнут массово терять работу, то, прежде всего, в этом будут виноваты ИИ-агенты нового поколения.

Как ИИ помогает соединить разные форматы данных — особенно если часть из них хранится в неструктурированных файлах?

Здесь нужно понимать контекст аналитики данных. Структурированные данные — это те, что имеют конкретный результат и легко могут быть представлены в виде таблиц. Мы давно умеем хорошо работать со данными такого типа, потому как они прекрасно ложатся в классические BI-решения, SQL-запросы, модели анализа поведения и т.д. Структурированные данные, например, основа всех рекомендательных систем (любимый пример — подборки товаров на Wildberries).

Трансформация началась в тот момент, когда ИИ, особенно с LLM-подходом, стал достаточно зрелым, чтобы понимать смысл неструктурированного контента — текстов, документов, диалогов, изображений. Это уже не просто NLP-анализ ключевых слов. Мы говорим об осмыслении контекста: моделях, которые могут извлечь смыслы из пользовательских чатов, документации, научных статей — и сопоставить это с числовыми показателями, хранимыми в базе.

Это особенно критично для ИИ-driven решений в бизнесе, где одно и то же значение может быть выражено совершенно разными способами — и человек это интуитивно понимает, а теперь это начинает делать и ИИ.

Как вы ранее поделились, буквально за 3 года работы вы стали Lead-инженером в компании EPAM. В чем секрет быстрого роста: работа 24/7 или постоянное самообучение?

На серьезных проектах с сложными задачами или слабым менеджментом случаются переработки, без этого никуда. Другое дело, что работа 24/7 на длинной дистанции к результату не приведет. Во-первых, я старался делать больше (а главное, качественнее), чем от меня ждали. Во-вторых, тянулся и учился у тех, кто опытнее тебя. И, наконец, не боялся идти на должность выше, как только уровень становился выше среднего специалиста на текущей позиции.

Расскажите чуть больше о том, чем конкретно вы занимаетесь сейчас, про ваш ключевой проект, какая ваша роль на нем?

Из-за NDA я не могу раскрывать подробностей, но уточню, что работаю с компанией, которая делает финансовое ПО для налоговой системы в США. Занимаюсь развитием их инфраструктуры для данных, работаю над качеством данных и продуктом для доступа к ним. Основная задача — ускорить работу с данными всех отделов внутри компании. Моя роль — это engineering lead, на мне лежит вся работа с командой, взаимодействие с заказчиком, реализация готовых решений, планирование релизов и т.д.

Автор: Георгий Литвинов