MAGNIT TECH совместно с «Росатомом» запустил первый в российском ретейле пилот по применению квантовых вычислений для оптимизации цепочки поставок. Об этом в колонке, опубликованной на RB.RU, рассказал CEO MAGNIT TECH Вячеслав Кубаев. По его словам, в рамках пилота решалась задача оптимизации плана отгрузок товаров в магазины, и результат показал улучшение качества планирования на 30–40%. Это важно потому, что речь идёт о практическом, а не лабораторном применении квантовых подходов в одном из крупнейших бизнесов страны.
Кто участник и чем занимается MAGNIT TECH
MAGNIT TECH — ИТ-команда из более чем пяти тысяч специалистов, которая создаёт системы для разных форматов бизнеса, от «Магнита» до «Азбуки вкуса». Масштаб, с которым она работает, в колонке описан так: более 35 тысяч магазинов и свыше 20 миллионов покупателей ежедневно. По словам Кубаева, технологии в таком масштабе уже не могут быть просто функцией поддержки и превращаются в инструмент стратегического развития бизнеса.
Что показал квантовый пилот
Для ретейла квантовые вычисления интересны прежде всего задачами оптимизации, где число вариантов растёт взрывообразно и классические алгоритмы не всегда дают хороший результат за разумное время. В качестве одного из первых кейсов в MAGNIT TECH взяли задачу выравнивания временных рядов поставок: важно не просто понимать, сколько товара нужно магазину, но и распределять поставки так, чтобы нагрузка на цепочку была более равномерной.
Кубаев подчёркивает, что цель не в том, чтобы завтра заменить классические вычисления квантовыми. По его словам, уже сейчас можно выстраивать архитектуру так, чтобы на ней работали классические и квантово-вдохновлённые методы (quantum-inspired), а в будущем к ней можно было подключить квантовый процессор.
Почему ретейлу вообще нужны квантовые вычисления
В колонке объясняется контекст: десятилетиями рост вычислительной мощности обеспечивался уменьшением транзисторов, но примерно к середине 2010-х этот подход начал упираться в физические ограничения. Квантовые вычисления используют кубиты, которые благодаря суперпозиции могут находиться в комбинации состояний, а при запутанности состояния нескольких кубитов оказываются связаны. С добавлением каждого кубита пространство возможных состояний удваивается.
При этом квантовые системы пока остаются сложной лабораторной технологией: кубитами трудно управлять, их состояния нестабильны, а вычисления подвержены ошибкам. Поэтому наиболее реалистичный сценарий — не полная замена классических компьютеров, а совместная работа: классическая система решает привычные задачи, а специализированный квантовый блок подключается там, где обычных вычислений требуется слишком много.
ИИ: где трансформация уже идёт, а где нет
Отдельная часть колонки посвящена генеративному ИИ. MAGNIT TECH вместе с Российской экономической школой и МФТИ провёл совместное исследование и на его основе сформировал форсайт о развитии ИИ в ретейле. Стартовая точка — охват GenAI: примерно в 30% профессий технология потенциально может использоваться более чем в четверти рабочих задач. Если же считать радикальной трансформацией ситуацию, когда GenAI затрагивает не менее 75% операций внутри профессии, таких профессий пока 4%.
По оценке автора, в среднесрочной перспективе аугментация будет встречаться значительно чаще автоматизации, а отдельный потенциал для автоматизации виден в развитии ИИ-агентов, способных самостоятельно выполнять целые последовательности задач. Скорость развития технологии иллюстрируется данными исследовательской организации METR: с 2019 года длина задач, с которыми модели справляются хотя бы в половине случаев, удваивалась примерно каждые семь месяцев, а по обновлённым оценкам — ещё быстрее.
Профессии в колонке разделены на три группы. Сильнее всего к внедрению ИИ готова работа с текстом — например, junior-разработчики, аналитики, маркетологи, юристы. Для профессий с визуальным или цифровым интерфейсом многое зависит от развития инструментов управления процессами. Физические профессии — кассиры, кладовщики, курьеры — потребуют ещё нескольких технологических циклов: одной языковой модели здесь недостаточно.
Для ретейла одна из главных сложностей — данные: их много, они приходят из разных систем и источников, и перед полноценной работой ИИ-инструментов этот массив нужно собрать и привести в пригодный вид. По оценке из колонки, около 35% работоспособного населения затрагивает текущий уровень ИИ, ещё около 30% ждут развития роботизации.
Роботы: почему нельзя просто поставить машину в магазин
Ещё одна причина заниматься роботизацией — дефицит рабочей силы. Для «Магнита» это особенно чувствительно: только рабочего персонала около 200 тысяч человек. Примерно 170 тысяч работают в магазинах, около 17 тысяч — в складской логистике, 10 тысяч — в транспортной и ещё около 3 тысяч — на собственном производстве. Поэтому в роботизации решили начать с этой категории задач: здесь сходятся высокая потребность бизнеса в людях и масштаб компании.
Дальше возникает выбор между специализированной роботизацией и универсальными антропоморфными роботами. Со специализированными решениями проще: новый склад или производство можно сразу спроектировать под конкретные машины. У «Магнита» же огромная существующая инфраструктура — магазины, распределительные центры, производства, — и перестроить её целиком под роботов невозможно. Значит, технология должна научиться работать в среде, изначально созданной для человека.
Отсюда прикладные требования: грузоподъёмность, габариты, скорость передвижения, время автономной работы, возможность маневрировать в существующем пространстве. Роль ретейлера здесь не в производстве «железа», а в определении требований к системам и работе над алгоритмами навигации, взаимодействия с окружающей средой и интеграции в реальные процессы. По словам Кубаева, до полноценного решения этой задачи ещё далеко.
Что это значит
Колонка показывает, что квантовые вычисления в ретейле пока рассматриваются как дополнение к классическим, а не замена: пилот с «Росатомом» дал измеримый результат на одной задаче — оптимизации плана отгрузок. ИИ, в свою очередь, распространяется неравномерно: быстрее там, где работа связана с текстом, медленнее — в физическом труде, где нужны роботизация и данные о взаимодействии с реальной средой. Для MAGNIT TECH это означает постепенную перестройку архитектуры под гибридные методы и подготовку данных, без которых внедрение ИИ в масштабе сети остаётся ограниченным.
Комментарии · 0
Войдите, чтобы участвовать в обсуждении.