Поскольку федеральные ведомства и национальные лаборатории продолжают внедрять ИИ в критически важные рабочие процессы, они сталкиваются со сложной задачей: как применять ИИ в ситуациях, где безопасность, суверенитет данных и управление имеют первостепенное значение?
На мероприятии 2026 NLIT Summit Иэн Брукс (Ian Brooks), доктор наук, директор по глобальным отраслевым решениям в сфере ИИ для государственного сектора в компании Cloudera, провел сессию, посвященную разработке программного обеспечения с поддержкой ИИ. Он продемонстрировал, как разработчики могут использовать ИИ-помощников для написания кода в типичной среде разработки, подключенной к частной службе инференса, что обеспечивает более строгий контроль как над конфиденциальными данными, так и над инфраструктурой ИИ.
В этом интервью Брукс делится своими выводами по итогам конференции NLIT, рассказывает о роли частного ИИ в защищенных средах, объясняет фундаментальную важность готовности данных и рассуждает о том, как управление может определить следующий этап внедрения ИИ в федеральных структурах.
В: Ранее в этом году вы выступали на конференции NLIT с докладом о разработке ПО с поддержкой ИИ в средах, где суверенитет данных, безопасность и управление критически важны для успеха. Как эта тема вписалась в более широкие дискуссии на саммите?
Брукс: Когда организации внедряют ИИ во все новые рабочие процессы, один из самых сложных вопросов заключается в том, как сделать это безопасно. Ситуация еще больше осложняется в средах, представленных на NLIT, где организации работают с конфиденциальными данными и закрытыми сетями. Многие обсуждения сводятся к одному: «Как нам реализовать это на практике безопасно? Как заставить это работать в закрытых сетях?»
Этому была посвящена большая часть моей презентации. Мы рассмотрели, как разработчики могут использовать инструменты написания кода на базе ИИ в интегрированной среде разработки (IDE), подключенной к частной службе инференса. Цель заключалась в том, чтобы показать, как извлечь выгоду из ИИ-помощников в программировании, сохраняя при этом контроль над тем, где запускается модель и как обрабатываются данные.
Существует множество причин, по которым организации выбирают такой подход с использованием частного ИИ. Суверенитет данных — одна из главных, наряду с корпоративной безопасностью данных, контролем над моделью и управлением доступом. Это также позволяет организациям контролировать собственную инфраструктуру и затраты, вместо того чтобы зависеть от сторонних моделей и непредсказуемого ценообразования за токен.
Конференция NLIT также позволила мне увидеть, как лаборатории подходят к решению этих архитектурных задач с разных сторон, в том числе во время сессии Lawrence Livermore, посвященной шлюзам ИИ, способным перенаправлять трафик на различные большие языковые модели (LLM) с учетом таких факторов, как стоимость токенов.
Именно это я больше всего ценю в NLIT. Это возможность пообщаться с клиентами, узнать, над чем работают лаборатории, и обсудить с партнерами то, что актуально прямо сейчас. Уезжаешь с гораздо более четким пониманием того, как эти организации действительно используют ИИ в повседневной работе.
В: Что нужно организациям, работающим с конфиденциальными или секретными данными, чтобы воспользоваться преимуществами современного ИИ и при этом не потерять контроль над моделями, инфраструктурой или данными?
Брукс: В некоторых государственных структурах существуют реалии безопасности, которые не изменятся просто потому, что технологии ИИ развиваются. Такие организации, как NNSA (Национальное управление по ядерной безопасности), не станут брать секретные данные и переносить их в публичную среду только ради использования модели ИИ. Эти рабочие нагрузки должны оставаться в высокозащищенных средах, а возможности ИИ должны работать там, где находятся эти данные.
Именно здесь в игру вступает частный ИИ. С помощью частного ИИ организации могут размещать собственные большие языковые модели на контролируемой ими инфраструктуре, запускать их через собственные службы инференса и сохранять контроль над доступом к конечной точке модели. Они также могут использовать те открытые модели, которые подходят для конкретного сценария использования, сохраняя при другими конфиденциальную информацию в пределах соответствующей среды. Другими словами, вы можете привезти модель к данным, а не переносить конфиденциальные данные к модели.
Разработка программного обеспечения с поддержкой ИИ — наглядный пример. Разработчики хотят иметь доступ к ассистентам кодинга и связанным с ними преимуществам в производительности, но организации также должны понимать, что происходит с кодом, подсказками (промптами) и другой информацией, которую разработчики предоставляют этим инструментам. В защищенной среде этот вопрос неотделим от обсуждения безопасности.
Цель моей демонстрации на NLIT заключалась в том, чтобы показать: эти приоритеты не обязательно должны противоречить друг другу. Среда разработки может быть настроена на частную службу инференса, что позволяет ИИ функционировать там, где это необходимо организации. В конечном счете архитектура должна соответствовать требованиям безопасности и работы с данными конкретной задачи, а не наоборот.
В: Стремление внедрить ИИ в рабочий процесс привлекло повышенное внимание к готовности данных. Почему фундамент данных так важен для целевых задач, и на чем ведомствам следует сосредоточиться в первую очередь?
Брукс: Готовность данных всегда была важна, но ИИ привлекает к ней особое внимание. По мере того как организации внедряют ИИ для все большего числа сценариев использования, они обнаруживают в своих фундаментальных данных пробелы, которые раньше могли быть незаметны. ИИ зависит от доступности, надежности и качества управления данными, поэтому такие пробелы становится гораздо труднее обходить.
Мне нравится сравнивать это со строительством дома. Если фундамент прочен, на нем можно построить все что угодно. Если он шаткий, вы будете постоянно сталкиваться с проблемами, чтобы вы ни пытались добавить. То же самое касается и ИИ.
Это означает необходимость охватить весь жизненный цикл данных: то, как вы привлекаете данные, управляете ими в больших масштабах, обеспечиваете надлежащую безопасность и управление, а также подготавливаете их для таких задач, как аналитика, хранилища данных и ИИ.
Именно в доступе к данным проблема проявляется ярче всего. Согласно недавнему исследованию Cloudera, почти 80% предприятий заявляют, что ограниченный доступ к данным сдерживает их проекты в области ИИ и работы с данными. В частности, в государственном секторе лишь 16% заявляют, что могут получить доступ к любым своим данным тогда, когда это необходимо.
Даже самая лучшая модель ИИ не исправит шаткий фундамент. Если к данным трудно получить доступ, если ими плохо управляют или они ненадлежащим образом регламентированы, вы все равно столкнетесь с проблемами. Для критически важных задач готовность к ИИ начинается с обеспечения того, чтобы ваши данные были пригодны к использованию, надежны, защищены и доступны тогда, когда они вам нужны.
В: По мере того как ведомства переходят от отдельных экспериментов с ИИ к более масштабным развертываниям, в какой момент управление становится ограничительным фактором и что именно требует регулирования?
Брукс: Управление — это сфера, за которой я слежу пристальнее всего по мере перехода организаций от теории ИИ к реальному применению. Одно дело — продемонстрировать, что LLM способна справиться с задачей. Совсем другое — внедрить эти возможности во всей организации.
Именно тогда возникают новые вопросы. Как вы будете осуществлять управление моделями? А как насчет управления данными? И по мере того как организации начинают использовать все больше агентов ИИ, как вы будете управлять этими агентами?
Я разделяю управление ИИ на три части: модель, данные и агенты. Что касается моделей, организациям необходимо знать, какие из них они используют, где они работают и кто имеет к ним доступ. В отношении данных речь идет о контроле над тем, какую информацию модели могут видеть, и о том, чтобы этот доступ соответствовал требованиям безопасности и задачам организации. Управление агентами — это новый уровень, поскольку теперь у вас есть ИИ, который может взаимодействовать с другими системами или совершать действия, а не просто генерировать ответы.
По моему мнению, все это является частью кривой зрелости. Организации могут начать с вопроса о том, как они могут использовать LLM, но управление должно быть частью этого обсуждения с самого начала. Если вы будете ждать момента готовности к масштабированию, чтобы заняться вопросами управления моделями, данными и агентами, эти вопросы могут быстро превратиться в препятствия.
В: Каков главный вывод из NLIT 2026, который федеральные ИТ-лидеры должны учесть на следующем этапе внедрения ИИ?
Брукс: Управление — это, пожалуй, самый главный вывод для меня.
Остается еще множество технических вопросов, над которыми организации работают сегодня: какие модели имеют смысл, где они должны работать, как следует управлять инференсом и как контролировать расходы. Я думаю, что мы будем чувствовать себя все более уверенно в отношении многих из этих вопросов. По мере этого разговор сместится с того, как использовать ИИ, на то, как управлять им в масштабах всей организации.
Это важный сдвиг, поскольку федеральным ИТ-лидерам необходимо мыслить шире любой отдельной модели или сценария использования. Основа данных должна быть надежной. Инфраструктура должна отвечать требованиям безопасности и задачам ведомства. А средства контроля ИИ должны совершенствоваться по мере роста масштабов внедрения.
Именно туда, как мне кажется, движется дискуссия. Мы потратили много времени на вопросы о том, как использовать LLM и на что они способны. Теперь следующий этап заключается в том, чтобы у организаций было налажено правильное управление для устойчивого использования этих инструментов по мере того, как они становятся все более важной частью предприятия.
Создание основы для частного ИИ
Поскольку ИИ становится все более значимой частью федеральной деятельности, ведомствам придется мыслить шире отдельных моделей и сценариев использования. Следующий этап будет зависеть от наличия данных, инфраструктуры и системы управления для безопасного и масштабного использования ИИ при сохранении контроля над конфиденциальными данными и системами.
Узнайте больше о том, как Cloudera помогает организациям государственного сектора создавать безопасную и управляемую основу данных для ИИ.
