ИИ от пилота до промышленного внедрения. Как бизнес проверяет идеи в «Турбо Облаке»

Директор по технологическому развитию и стратегии «Турбо Облака» Илья Васильченко привел конкретный пример прикладного сервиса: транскрибацию аудиозаписей с помощью технологии распознавания речи. Такую небольшую модель заказчик может развернуть для своих задач в облаке, делегировав провайдеру все вопросы обслуживания вычислительной инфраструктуры. Однако сама возможность получить расшифровку еще не гарантирует качества сгенерированного текста, сокращения времени на его проверку и минимизации расходов на рутину.

Как же превратить доступную технологию в полезный рабочий инструмент?

Стенд «Турбо Облака»
Фото: Мария Суханова / spbIT.ru

Преимущества пилотных проектов

В ноябре 2025 года мы рассказывали о презентации «Турбо Облака» как самостоятельного продукта, выросшего из «Публичного облака 2.0» РТК-ЦОД. На нынешней «Территории» разговор о развитии платформы продолжили через конкретные задачи с ИИ и способы оплачивать нужные для них ресурсы.

Генеральный директор «Турбо Облака» Владимир Волков выступил на сессии «Четыре решения «Ростелекома» для бизнеса будущего» с презентацией обновленного продуктового портфеля провайдера. По его словам, инфраструктура «Турбо Облака» размещена в центрах обработки данных «Ростелекома». Компания предлагает как вычислительные ресурсы, так и сервисы, в которых часть технической работы уже берет на себя поставщик.

Выступление Владимира Волкова
Фото: Мария Суханова / spbIT.ru

При этом спикер обратил внимание на разницу между личной пользой сотрудника от нейросети и результатом для всей организации. Специалист может быстрее подготовить презентацию, но это не обязательно приводит к росту выручки или снижению затрат компании. По оценке разработчика, заказчикам часто не хватает понимания, какие операции целесообразно оптимизировать с помощью ИИ и как после этого должен измениться сам рабочий процесс.

Владимир Волков предложил начинать с тестового внедрения ИИ, для которого необходимо выделить небольшой объем ресурсов. На этом этапе можно выяснить, решает ли модель конкретную задачу, какие мощности ей нужны и имеет ли смысл расширять проект.

Три способа работать с ИИ

На выставке Илья Васильченко пояснил журналисту spbIT.ru, что предложения провайдера могут варьироваться в зависимости от того, насколько глубоко заказчик хочет заниматься технической частью. В основе остаются привычные облачные услуги, в том числе аренда виртуальных машин, сервисы хранения данных и резервного копирования. Для задач ИИ доступны графические процессоры (GPU), которые используются для обучения и работы моделей.

Крупные компании могут сочетать собственную инфраструктуру с ресурсами провайдера, выстраивая гибридное облако. По словам Ильи Васильченко, этот вариант интересен заказчикам, у которых есть свои жесткие требования к защите информации и архитектуре ИТ-систем.

Если компании достаточно готовой языковой модели, у «Турбо Облака» есть сервис доступа к готовым языковым моделям Foundation Model Hub. Через программный интерфейс (API) его можно подключить к своему приложению или внутреннему сервису, самостоятельно разворачивать модель для этого не нужно. Оплата зависит от количества затраченных клиентом токенов – фрагментов текста, на которые модель разбивает входящие запросы и ответы. Для отдельных пользователей в настройках сервиса можно задавать ограничения по запросам и потреблению токенов, включая дневные, недельные и месячные квоты.

Для собственной модели предусмотрена управляемая платформа для запуска и эксплуатации ИИ-моделей – Inference Platform. Инференсом называют применение уже обученной модели к новым данным, например к очередной аудиозаписи. Заказчик размещает модель в облаке, а провайдер обслуживает среду, в которой она работает. Этот вариант Илья Васильченко и использовал в указанном выше примере с распознаванием речи. Он также упомянул обратную задачу – преобразование текста в голос, а также обработку изображений.

В свою очередь, аренда виртуальной машины для задач ИИ дает заказчику больше самостоятельности, но требует специалистов, которые настроят оборудование и программную среду.

Модель может работать по расписанию

Илья Васильченко рассказал о том, что для тестирования сервиса заказчику может потребоваться бюджет в районе 300 тыс. рублей – достаточно демократичная сумма для подобного проекта. Важно, что это пример ограниченного объема расходов на эксперимент, а не цена готового проекта.

Помимо ограничений токенов, еще один способ контролировать затраты на ИИ связан с графиком работы. Внутренний помощник может быть нужен сотрудникам только в рабочие часы, поэтому модель можно настроить так, чтобы она «отдыхала» в определенное время.

Такую возможность провайдер добавил незадолго до форума. Как сообщал ICT-Online.ru, в октябре 2026 года в Inference Platform появилось расписание с учетом часового пояса и заданных временных интервалов. Модель становится доступна к началу нужного периода и отключается после его завершения. Вне этих интервалов плата за использование GPU заказчику не начисляется.

При этом хранение кеша моделей оплачивается отдельно. Провайдер разделяет оплату GPU по фактическому использованию и оплату выделенного пространства для хранения. Поэтому отключение вычислений по расписанию уменьшает соответствующую часть счета, но не означает, что все расходы на размещенную модель прекращаются.

Кейс: от половины видеокарты до обучения роботов

Владимир Волков рассказал о стартапе, который разрабатывает ИИ-помощника для программистов. По словам руководителя «Турбо Облака», команда начинала с половины ресурса одной видеокарты, а затем перешла на Inference Platform. Конфигурацию меняли по мере развития сервиса.

Выступление Владимира Волкова
Фото: Мария Суханова / spbIT.ru

Другой приведенный спикером пример касался команды аудиторов. ИИ-ассистент собирает материалы для проверки и сопоставляет их с внутренними правилами компании, причем документы могут поступать в разных форматах. По словам Владимира Волкова, заказчик сначала проверил идею на видеокартах предыдущих поколений, затем доработал модель и перенес ее на управляемую платформу. Получившееся решение компания использует у себя и предлагает другим организациям.

То, как облако используется в работе небольшой команды, на сессии «Попробовали – и что дальше? Практика ИИ в малом и среднем бизнесе» продемонстрировал основатель Mindrobots Алексей Кайгородов. В его компании работают 17 человек, из них пять занимаются подготовкой к международным соревнованиям человекоподобных роботов в Китае.

Сессия «Попробовали – и что дальше? Практика ИИ в малом и среднем бизнесе»
Фото: Мария Суханова / spbIT.ru

По словам спикера, одна итерация обучения занимает в среднем 8-10 часов, а таких попыток могут потребоваться десятки. Заранее неизвестно, какой вариант даст лучший результат. Облачные ресурсы позволяют запустить несколько вариантов параллельно, сравнить их и сосредоточиться на том, который оказался перспективнее.

После пилота нужен новый расчет

Директор продаж «Турбо Облака» Руслан Аширов на той же сессии говорил, что заказчику важно прийти с пониманием конечной задачи. Пилот нужен в том числе для оценки будущей нагрузки, которую трудно точно предсказать до начала работы. Получив эти данные, компания может рассчитать бюджет регулярного использования.

Руслан Аширов обратил внимание на особенность первых экспериментов. Пользователи пробуют разные запросы и возможности, поэтому расход токенов в этот период может заметно отличаться от последующей повседневной работы. Тестовый счет еще не описывает будущие затраты. Для расчета нужно понимать, сколько запросов останется в рабочем процессе и как часто они будут поступать.

Вопрос о пользе решения при этом остается за компанией. Провайдер может предоставить мощности и помочь с технической настройкой, но критерии успешного внедрения зависят от самой задачи. В конце дискуссии Руслан Аширов посоветовал руководителям сначала описать существующие в организации процессы и только после этого выбирать, что в них автоматизировать.