Інтерв’ю з Нікітою Гладкіх: як працює штучний інтелект, якому можна довіряти
14 квітня 2025 року компанія OpenAI представила нове покоління моделей штучного інтелекту – GPT-4.1. Ці моделі особливо добре справляються із завданнями програмування, обробки великих обсягів тексту та точного виконання інструкцій. Уже в перші дні вони викликали великий інтерес серед розробників – завдяки вищій якості відповідей і зниженій вартості використання.
На тлі таких технологічних проривів особливо важливо почути думку тих, хто працює з ШІ не на рівні теорії, а впроваджує його в реальні цифрові продукти. Нікіта Гладкіх – один із таких спеціалістів. Він створював рішення з використанням ШІ для банків і маркетплейсів, а зараз працює в компанії Primer AI, де займається інтелектуальними пошуковими системами. У 2023 році він отримав престижну міжнародну нагороду BrainTech Awards за внесок у розвиток прикладного штучного інтелекту.
Ми поговорили з Нікітою про те, як він прийшов у сферу ШІ, над якими проєктами працював і що, на його думку, очікує технології в найближчі роки.
Від прикладної науки – до масштабованих систем
– Нікіто, ваша історія у ШІ почалася досить нестандартно. Розкажіть, з чого все почалося.
Усе почалося в 2014 році, коли я працював у Київському науково-дослідному інституті гідроакустики. Там я створював автоматизовані системи для вимірювання акустичних полів, використовуючи Python, C та Matlab. Це був мій перший досвід на стику інженерії, даних і програмування. Але моє захоплення технологіями та можливостями їх застосування у реальному світі привело мене до машинного навчання та штучного інтелекту. Вже з 2017 року я почав працювати над проєктами, пов’язаними з автоматизацією та створенням ефективних програмних рішень, використовуючи ШІ для оптимізації бізнес-процесів.
Одним із таких ключових етапів була моя робота в компанії Lalafo – це маркетплейс, який працював одночасно на кількох ринках. Там я очолив проєкт зі створення ML-пайплайна для обробки зображень. Ми використовували потокові технології – Kafka, ElasticSearch – та машинне навчання, щоб аналізувати фото і пришвидшувати модерацію контенту. Це дало змогу суттєво покращити роботу з великими даними та підвищити продуктивність системи. Цим проєктом я особливо пишаюсь: розроблена система автоматизації отримала міжнародне визнання та була відзначена нагородою BrainTech Awards за внесок у розвиток практичного застосування ШІ. У подальшому я продовжив розробляти рішення для інших компаній, таких як Revolut і Primer AI, де вже працював із більш складними системами та даними в реальному часі.
Прорив: проєкт, що змінив правила
– Ви згадали нагороду BrainTech Awards, яку вручають за значущі технологічні рішення у сфері ШІ. Розкажіть детальніше про проєкт, що приніс вам це визнання.
– Я отримав нагороду за розробку інтелектуальної системи автоматизації контент-процесів для міжнародного маркетплейсу Lalafo. Зазвичай користувачу доводилося вручну завантажувати фотографії товару, заповнювати опис, обирати категорію, вказувати характеристики – колір, розмір, стан. Це займало багато часу й створювало бар’єр для розміщення оголошень.
Я розробив систему, яка робить це автоматично. Користувач завантажує фото товару, а модель:
- розпізнає об’єкт (наприклад, футболку);
- визначає категорію товару;
- виділяє візуальні ознаки: колір, розмір, стан;
- оцінює приблизну ціну;
- і в результаті формує готове оголошення – від тексту до рекомендованої категорії.
Ця розробка дозволила суттєво спростити процес для користувачів, пришвидшити завантаження контенту та покращити пошукові алгоритми на платформі.
– Ваша розробка стала прикладом того, як штучний інтелект може приносити практичну користь – оптимізуючи процеси та роблячи технології доступнішими для користувачів. Чому, на вашу думку, саме цей проєкт так високо оцінили журі?
– Я вважаю, що ключовими факторами стали практична значущість і зрілість рішення. Розроблена мною система була не просто прототипом, а повноцінним продуктом, інтегрованим у реальну високонавантажену екосистему, яка справді працювала: зменшувала навантаження на модераторів, прискорювала публікації, допомагала в класифікації та пошуку.
І найголовніше – мій проєкт наочно продемонстрував, як ШІ може бути корисним без зайвої "магії", уже зараз, для мільйонів користувачів. Думаю, саме ця реальна користь для людей і бізнесу стала вирішальним фактором при присудженні високої оцінки.
Що було далі: Фінтех і виклики реального часу
– Після успішної реалізації проєкту в маркетплейсі, наскільки я знаю, ви перейшли до нових масштабних завдань. Які саме виклики чекали вас далі?
– Наступним етапом стала робота у фінтех-секторі – я приєднався до команди Revolut, де завдання були ще складніші: робота в реальному часі, високі вимоги до надійності та швидкості обробки даних.
– Revolut – один із найбільших європейських фінтехів. Що робить роботу з ШІ в таких системах особливо складною?
Revolut – це банк із мільйонами користувачів, і система там повинна бути максимально надійною. На відміну від експериментальних середовищ, у фінтеху не можна допускати помилок. Там, де система працює з даними в реальному часі, ціна затримки чи неточності – це реальні гроші, користувацький досвід, довіра. У цій компанії я керував проєктом, який обробляв події з понад 100 джерел і обробляв близько 200 000 подій на хвилину. Це не лише банківські транзакції, а й будь-які дії користувача – оновлення профілю, входи в систему, взаємодія з інтерфейсом. Архітектура мала бути стійкою, швидкою, масштабованою й безпечною. Цей досвід був дуже важливим – він навчив мене працювати з реальним часом, із системами високої довіри, де немає місця збоям. Усе це стало основою для роботи з мовними моделями вже в Primer AI.
Як побудувати ШІ, якому можна довіряти
– Сьогодні ви працюєте в Primer AI – одній із провідних компаній у сфері інтелектуальних пошукових рішень. Які завдання стоять перед вами зараз і як ви вирішуєте проблему довіри до ШІ?
Одна з найважливіших задач, яку мені вдалося вирішити, – це зниження помилок ШІ.Раніше система іноді "вигадувала" відповіді – відповідала з упевненістю, навіть якщо не знала точної відповіді. Ми розробили спеціальну перевірку, завдяки якій вдалося знизити такі помилки у 500 разів – із 5% до 0.01%. Це суттєво підвищило надійність системи.
Ще один напрям, над яким я працюю – це пошукова система. Уявіть собі: раніше вона відповідала на запити за 10 секунд, а тепер – менше ніж за одну. Це особливо важливо, коли користувач шукає щось складне або термінове. Крім того, ми робимо пошук розумнішим і персоналізованішим. Система починає розуміти, що цікаво саме вам – наприклад, враховує, які теми ви шукали раніше, чим займаєтесь, у якому контексті ставите запитання. Це дозволяє давати точні, адаптовані до людини відповіді, а не просто список документів.
І найголовніше: знайти – замало. Треба ще перетворити "сирі" дані – таблиці, звіти, фрагменти текстів – на готову, зрозумілу та корисну інформацію. Щоб людина отримала не просто набір фактів, а чітку, структуровану відповідь на своє запитання. Наразі я якраз і займаюся побудовою таких систем: від запиту – до сенсу, від даних – до дії.
Майбутнє ШІ – у розумінні, довірі та автономії
– Які, на вашу думку, напрями розвитку ШІ стануть ключовими в найближчі роки?
– Один із головних трендів – поява вузькоспеціалізованих ШІ-систем, орієнтованих на одну конкретну сферу. Це вже не універсальні чат-боти, а, наприклад, медичні консультанти, які вміють точно інтерпретувати аналізи й симптоми, або юридичні помічники, що працюють у рамках конкретної країни та галузі права. Такі моделі навчатимуться на спеціалізованих, ретельно перевірених даних і враховуватимуть особливості професійного середовища. У результаті точність їх роботи може сягати 99.9% – а це вже рівень, при якому ШІ можна довірити ухвалення серйозних рішень.
При цьому такі моделі стануть набагато компактнішими й дешевшими у використанні. Якщо раніше потужний ШІ потребував серверів і хмар, то незабаром багато з таких систем можна буде запускати прямо на звичайних пристроях – ноутбуках, смартфонах, навіть усередині корпоративних застосунків. Це відкриє шлях до масового та приватного використання ШІ без постійної залежності від хмари чи інтернету.
Друге – це робота з довгими контекстами. Раніше модель могла охопити порівняно невелику кількість інформації. Сьогодні вона вчиться опрацьовувати цілі документи, листування, історії хвороб, дослідницькі звіти. Це відкриває нові можливості для ШІ в тих сферах, де важливо враховувати десятки взаємопов’язаних факторів.
Третій важливий тренд – ШІ дедалі краще розуміє, чого від нього хочуть. Сьогодні моделі набагато краще виконують інструкції – достатньо пояснити один раз, і ШІ робить саме те, що потрібно.
Чому це важливо? Бо тепер розробники можуть довіряти результату, не витрачаючи час на постійні перевірки. Це відкриває шлях до створення складніших, багатокрокових рішень, які працюють автоматично й надійно. Уявіть: ШІ не просто відповідає на запитання, а послідовно аналізує ситуацію, робить висновки, формує рекомендації й запускає потрібні дії – і все це без потреби втручання людини на кожному кроці.
Такий ШІ – це вже не просто помічник, а повноцінний учасник команд і процесів – надійний, точний, адаптивний.
– На завершення: що б ви порадили тим, хто лише починає свій шлях у сфері ШІ?
Не бійтеся пробувати й експериментувати. ШІ – це галузь, де щодня з’являється щось нове, і якщо ви хочете бути на передовій – важливо постійно навчатися. Почніть з основ – машинного навчання, обробки даних, нейронних мереж. Створюйте власні проєкти, навіть невеликі, і шукайте способи практичного застосування теорії. І пам’ятайте: ШІ – це не лише код, а й мистецтво проектування систем, які здатні вирішувати реальні проблеми.
Нікіта Гладкіх – приклад того, як інженер може не просто бути частиною ШІ-революції, а формувати її зсередини. Його проекти – це внесок, що вже сьогодні формує майбутнє технологій і забезпечує нам доступ до розумних і ефективних рішень.