Питон вездесущ. На него полагаются миллионы профессионалов, от ученых до разработчиков программного обеспечения. Такие организации, как Google и Meta, создали с его помощью критически важную инфраструктуру. Python даже помог НАСА исследовать Марс благодаря своим возможностям обработки изображений.
И в ближайшее время его рост не замедлится.
В 2024 году Python превзошел JavaScript как самый популярный язык на GitHub, и сегодня он стал основой современных систем искусственного интеллекта. Универсальность Python и страстное сообщество сделали его тем, чем он является сегодня. Однако, поскольку все больше предприятий полагаются на Python во всем, от веб-сервисов до моделей искусственного интеллекта, существуют уникальные потребности, которые предприятия должны учитывать в отношении прозрачности, производительности, управления и безопасности, чтобы обеспечить непрерывность бизнеса, быстрый выход на рынок и настоящую дифференциацию.
Как Python стал универсальным языком искусственного интеллекта
Большинство популярных языков получили выгоду от корпоративного спонсорства. Oracle поддерживает Java. Microsoft поддерживает C#. И Apple защищает Swift. Но Python почти всегда был общественным проектом, поддерживаемым несколькими компаниями, и на протяжении десятилетий разрабатывался и улучшался преданной своему делу группой, в основном добровольцами, под руководством Гвидо ван Россума как пожизненного великодушного диктатора до 2018 года.
В 1980-е годы ван Россум стремился создать язык, который был бы одновременно простым и красивым. С начала 90-х годов Python как проект с открытым исходным кодом был доступен каждому для проверки, изменения или улучшения.
Дзен Python, Тим Питерс, изображение первоначально опубликовано Pycon India на X.
Python быстро выделился среди своих аналогов. Было легко учиться, писать и понимать. Разработчики могли легко определить, что происходит в их коде и коде других, просто взглянув на него, что было аномалией во времена Perl, C++ и сложных сценариев оболочки. Этот низкий барьер входа сделал его очень доступным для новых пользователей.
Кроме того, Python обладал расширяемостью, а это означало, что его можно было легко интегрировать с другими языками и системами. С появлением Интернета в начале 2000-х годов эта расширяемость превратила Python из решения для создания сценариев в рабочий язык для веб-серверов, сервисов и приложений.
В 2010-х годах Python стал де-факто языком численных вычислений и науки о данных. Сегодня ведущие в мире пакеты искусственного интеллекта и машинного обучения (ML), такие как PyTorch, TensorFlow, scikit-learn, SciPy, Pandas и другие, основаны на Python. Тем не менее, высокопроизводительные данные и алгоритмы искусственного интеллекта, которые они используют, основаны на высокооптимизированном коде, написанном на компилируемых языках, таких как C или C++. Именно способность Python легко интегрироваться с этими и другими языками сыграла решающую роль в его способности предоставить лучшее из обоих миров: простой интерфейс к этим пакетам для миллионов пользователей, которые хотят их использовать, и гибкие интерфейсы для экспертов, которые могут оптимизировать их на языке по своему выбору. Эти факторы сделали Python незаменимым как для анализа данных, так и для рабочих процессов искусственного интеллекта.
Сегодня, если вы работаете с каким-либо приложением искусственного интеллекта или машинного обучения, вы, скорее всего, используете Python. Однако, поскольку Python стал одновременно связующим звеном и двигателем современных систем искусственного интеллекта, предприятиям необходимо осознавать критические потребности, характерные для корпораций, в отношении соответствия требованиям, безопасности и производительности, а сообщество должно стремиться их удовлетворить.
Помощь Python в удовлетворении потребностей предприятия
Бретт Кэннон, давний основной разработчик Python, сказал: «Я пришел ради языка, но остался ради сообщества».
Сообщество сделало Python тем невероятным языком, которым он является сегодня, служа пользователям превыше всего. Однако миссией сообщества всегда было создание языка, который работал бы для всех: от программистов до ученых и инженеров по обработке данных. Это оказалось правильным подходом. Это также означает, что Python не был разработан для конкретных нужд предприятий, ведущих свой бизнес с использованием Python.
И это нормально, пока эти потребности удовлетворяются.
В «Отчете о состоянии науки о данных и искусственном интеллекте за 2025 год» компании Anaconda было обнаружено, что предприятия сталкиваются со многими из одних и тех же повторяющихся проблем при перемещении данных и приложений искусственного интеллекта в производство. Более 57% сообщили, что переход проектов ИИ от разработки к производству занимает больше месяца. Чтобы продемонстрировать рентабельность инвестиций, респондентов больше всего интересовали бизнес-проблемы, такие как:
- Повышение производительности (58%)
- Экономия средств (48%)
- Влияние на доход (46%)
- Клиентский опыт/лояльность (45%)
Подумайте об этом, как об облачных вычислениях пятнадцать лет назад. Организации сразу же увидели огромные затраты и эксплуатационные преимущества перемещения рабочих нагрузок в облако. Однако они поняли, что модель безопасности, соответствия требованиям и стоимости полностью изменилась. Им нужно было постоянно контролировать, управлять и оптимизировать этот новый инструмент совершенно новыми способами. Python достиг той же точки для предприятий.
Я разговаривал с десятками руководителей организаций, использующих Python, и вот общие проблемы и темы, которые я вижу.
Безопасность
Хотя 82% организаций проверяют пакеты Python с открытым исходным кодом на предмет безопасности, почти 40% респондентов по-прежнему часто сталкиваются с уязвимостями безопасности в своих проектах. Эти проблемы безопасности приводят к задержкам развертывания более чем в двух третях организаций.
Одной из сильных сторон Python и всего программного обеспечения с открытым исходным кодом является то, что их можно бесплатно загрузить и использовать. Вы получаете новейшие и лучшие технологии и можете экспериментировать, разрабатывать и запускать приложения в производство, не платя ни копейки за программное обеспечение.
Однако история показала, что злоумышленники могут злоупотреблять этой открытостью и сотрудничеством сообщества или даже допускать распространение простых ошибок, что приводит к распространению уязвимого и вредоносного программного обеспечения. Часть программного обеспечения или пакет, которые выглядят нормально, на самом деле могут быть опасными. Эта проблема сейчас усугубляется, поскольку системы искусственного интеллекта теперь генерируют и выполняют код Python без участия человека. Предприятия должны защищать своих сотрудников, системы и данные и, в свою очередь, обеспечивать безопасное развертывание ИИ без нарушения сроков.
Оптимизация производительности
Хотя Python прост в использовании, его также можно расширить, что подходит для многих случаев использования. Но, как мы видели в «Отчете о состоянии науки о данных и искусственном интеллекте», основная задача современного предприятия — делать больше с меньшими затратами — постоянно совершенствовать и повышать эффективность, повышать производительность, экономить затраты, увеличивать доходы и т. д. Экономика производства приложений искусственного интеллекта только усугубляет проблемы производительности и эффективности.
Из-за ограниченности времени, опыта или инструментов большинству предприятий сложно точно настроить среду выполнения Python, что приводит к гораздо большему объему вычислений, чем необходимо, и к более высоким затратам или к использованию систем искусственного интеллекта, которые недостаточно производительны, чтобы обеспечить удобство использования.
Проверяемость
Каждый ИТ-директор и директор по информационной безопасности, которых я знаю, сталкивается с целой волной нормативных актов, от Закона ЕС об искусственном интеллекте до внутренних аудитов соответствия SOC 2 и ISO 27001. Предприятия должны иметь возможность доказать, какой код выполняется, где он выполняется и как он взаимодействует с конфиденциальными данными и системами.
Бесплатное программное обеспечение с открытым исходным кодом усложняет задачу, потому что, когда каждый может свободно загружать и запускать программное обеспечение, каждый сможет это сделать. Новые приложения Python появляются вне контроля ИТ-специалистов, пакеты постоянно обновляются, добавляются неизвестные или новые зависимости, а видимость во время выполнения ограничена. Отсутствие прозрачности во время выполнения создает настоящие и будущие риски, особенно для организаций в жестко регулируемых отраслях.
Управление развертываниями
Согласно недавнему опросу пользователей Anaconda, более 80% практиков тратят более 10% своего времени на разработку ИИ, устраняя конфликты зависимостей или проблемы безопасности. Более 40% тратят на эти задачи более четверти своего времени, а время — деньги.
После того как приложения запущены в эксплуатацию, постоянное обслуживание, обновления и усиление безопасности могут усугубить эти проблемы. Для человека, запускающего и поддерживающего небольшое количество скриптов и приложений, это не так сложно. Тем не менее, для крупного предприятия, управляющего тысячами производственных приложений, это становится серьезной проблемой.
Предприятиям нужен способ легко внедрять новые версии Python и новые технологии, одновременно сводя к минимуму разрастание версий, угрозу безопасности и накладные расходы на управление.
Как помочь корпоративному ИИ удовлетворить потребности современных предприятий
Хорошая новость в том, что вы можете начать решать многие из этих проблем уже сегодня. Все сводится к тщательному подходу к вашей стратегии управления.
Сегодня более половины организаций не имеют или имеют очень ограниченные политики или структуры управления открытым исходным кодом и искусственным интеллектом. Создание официальной политики управления и инвестиции в прозрачность и проверяемость уже ставят вас впереди большинства предприятий.
При построении стратегии управления начните с построения внутренних процессов, которые отслеживают использование Python в командах и системах. Убедитесь, что вы знаете, какие пакеты выполняются, где и в каких конфигурациях.
Далее вам необходимо убедиться, что вы управляете теневыми ИТ/ИИ и проверяете весь код, созданный ИИ. Агентские инструменты не могут заменить надежный процесс жизненного цикла разработки программного обеспечения (SDLC). Убедитесь, что у вас есть необходимая видимость, стандарты и процессы, чтобы предотвратить попадание непроверенных сценариев в производство.
Также крайне важно инвестировать в повышение квалификации сотрудников, повышение их грамотности в области ИИ, чтобы они лучше понимали риски, связанные с решениями с открытым исходным кодом и ИИ, а также почему управление так важно. Одним из лучших способов обучения является непосредственное использование этих инструментов и приобретение опыта.
Наконец, предоставьте своим командам безопасные и надежные решения для рабочих процессов искусственного интеллекта и обработки данных, чтобы правильные действия стали путем наименьшего сопротивления.
Сделайте Python своим конкурентным преимуществом
Открытость Python — его величайшая сила и самая серьезная проблема. Хотя это демократизировало разработку ИИ, оно также создало новые векторы риска и «слепые зоны», с которыми предприятиям необходимо бороться. ИТ-командам нужна такая же прозрачность и управление для решений с открытым исходным кодом, как и для любой другой части их технологического стека. Время показало, что это основной источник инноваций на предприятии, поэтому инвестиции в обеспечение этих инноваций того стоят. И хотя конкретные обновления самого языка могут помочь, целенаправленное управление уже сегодня может изменить ситуацию.
В Anaconda мы видели, как предприятия решают эти проблемы, создавая надежные уровни SDLC, управления и наблюдения вокруг своих сред Python. Это добавляет немного больше предварительной работы, но это критический сдвиг, который защитит вашу организацию в долгосрочной перспективе и обеспечит успех и долговечность ваших инициатив в области ИИ.
ТЕНДЕНЦИОННЫЕ ИСТОРИИ YOUTUBE.COM/THENEWSTACK Технологии развиваются быстро, не пропустите ни одной серии. Подпишитесь на наш канал YouTube, чтобы смотреть все наши подкасты, интервью, демонстрации и многое другое. ПОДПИСАТЬСЯ Группа, созданная в Sketch. Стив Кроче — главный технический директор компании Anaconda, где он объединяет технические инновации с успехом клиентов для ведущей в мире платформы Python для искусственного интеллекта и обработки данных. Имея более чем 20-летний опыт работы в сфере высоких технологий, он сочетает в себе глубокие… Подробнее от Стива Кроче.
