70% — так упала стоимость обработки счетов в некоторых компаниях с AI, но финансы всё равно нажимают «Approve» сами.

Главный риск — не «злой ИИ», а потеря продуктивности, когда модели живут отдельно от людей.

Datatonic: следующий шаг — Human‑in‑the‑Loop с чётким говернансом. Без встройки в процессы — вечные пилоты, низкое доверие и ROI не растёт.

Практика: люди задают требования, агенты собирают подсказки; ИИ парсит документы, финансы подтверждают. Нужны чекпоинты, метрики, роли и журналирование — иначе автономы натыкаются на дыры комплаенса.

Вывод: проектируйте совместную работу — ИИ делает подготовку и валидацию, люди задают цели и несут ответственность. Где у вас approvals, какие метрики/SLA и кто владелец оценки? Что сильнее тормозит — недоверие, безопасность или процессная инерция?

https://www.ai-expo.net/

#ИИ #HiTL #MLOps #DataGovernance #Продуктивность

Источник: https://www.artificialintelligence-news.com/news/ai-workflows-need-human-in-the-loop-say-datatonic/

Обзор за неделю

На этой неделе ИИ перестал быть лабораторным проектом и начал инициировать реальные платежи, управлять радиосетями и переписывать операции гигантов индустрии. От банков и телеком-операторов до ритейла и производства — картина одна: компании встраивают агентов в критичные процессы и одновременно переосмысляют управление, инфраструктуру и ответственность. Это неделя, когда AI перешёл из PowerPoint в production.


AI-native сети из лаба в эфир: На MWC 2026 полевые тесты AI-RAN с Nvidia, Nokia и SoftBank заместили слайды. Операторы решают архитектурный вопрос: где держать инференс — в универсальных GPU или в специализированном кремнии прямо в радиоблоке. Это влияет на TCO, задержку и новые модели монетизации простаивающих вычислений.

Европейский банк впустил ИИ-агента в живую платёжную сеть: Santander и Mastercard запустили первый в Европе пилот, где агент сам инициировал и завершил платёж без финального одобрения человека. Реальные rails, реальные лимиты и аутентификация — это задача для продактов про периметр полномочий, ключи и аудит.

Эмпатия робота стоит миллисекунд, а не токенов: KDDI и AVITA показали, что в физических аватарах эффективность зависит не только от LLM, но от QoS сети и GPU-мощности. Невербальные сигналы и реакция на аномалии распадаются при лаге — это заставляет пересмотреть архитектуру inference между edge и облаком.

Процессная разведка высвобождает капитал по-тихому: Florida Crystals встроил process intelligence (смесь process mining и BI) в биллинг, закупки и логистику. Результат — миллионы в оборотке и меньше переплат по налогам. Модель: сначала встраиваемся в SAP, потом считаем процессы, потом — кастом.

Оценка ИИ переросла в постоянную функцию, а не гейт: Google Cloud и enterprise компании собирают eval-команды прямо рядом с разработчиками. Выяснилось: большинство сбоев агентов — не баги, а недостаток контекста. Нужны люди, которые владеют вето и карты реальных процессов.

Финансовый сектор завершил стадию «есть ли AI», перешёл на масштаб и управление: 2% финорганизаций вообще не используют ИИ. Узкое горлышко — инфраструктура (87% модернизируют облако и дата-платформы) и дефицит талантов (43% глобально). Топ-кейсы уже в ядре: риск, фрод и документы.

SK Telecom переустраивает себя вокруг ИИ — не в мечтах, а в железе: 1 ГВт дата-центров, LLM >1T параметров, 2000+ агент-ботов внутри и единый AI-агент для всех фронтов (продажи, биллинг, контакт-центр). Это транзит от реактивного сервиса к предиктивному — и это enterprise-масштаб, не стартап.


Общий сигнал: агенты и ИИ уже не выбор — выбор в том, где они приземляются, кто отвечает и какие метрики на первый квартал. На фронте инфраструктуры — спор о локализации inference (edge vs облако), управлении контекстом и энергоэффективности. На фронте организации — появляется новая функция (eval, AI Ops) и переписываются ответственность, процессы, аудит. Очевидно, что переход через production-gate идёт быстрее, чем адаптация управления. Ключевой вопрос недели: если ваши агенты уже в проде или планируются туда, где в компании сидит функция, которая говорит «нет»?

Ссылки:

https://www.artificialintelligence-news.com/news/ai-native-networks-mwc-2026/

https://www.cio.com/article/4137022/new-it-roles-emerge-to-tackle-ai-evaluation

https://www.artificialintelligence-news.com/news/santander-and-mastercard-run-europe-first-ai-executed-payment-pilot/

#AI #AIAgents #FinTech #Telecom #ProcessIntelligence #MLOps

Обратил внимание на партнёрство TD SYNNEX и SCAILIUM. Чем больше общаюсь с командами ИИ, тем яснее: упираемся не в модели и не в GPU, а в данные.

По их замерам GPU простаивают 40–70% из‑за CPU‑зависимых пайплайнов: storage → CPU‑препроцессинг → GPU. SCAILIUM предлагает «AI Production Layer», который гонит дата‑пайплайн нативно на GPU и снимает узкое место между storage и compute.

Это даёт рост утилизации, экономию энергии и переход к продакшену без доп. железа; в связке с TD SYNNEX масштабируется по партнёрам.

ROI H100/MI300 можно получить не новой моделью, а переработкой тракта: GPU‑native ETL/feature‑сторы, меньше сериализации, больше zero‑copy. Но придётся менять I/O, сеть, планировщики и телеметрию.

Как меряете «GPU starvation»: busy‑time, throughput/Вт или доля CPU в критическом пути? Перенос препроцессинга на GPU без CapEx — реален?

https://scailium.ai

#AI #MLOps #GPU

Источник: https://ai-techpark.com/scailium-partners-with-td-synnex-to-solve-global-gpu-starvation/

Стартап ElastixAI вышел из стелса и обещает до 50× ниже TCO инференса LLM и −80% энергии. Фокус — не в новом чипе, а в co‑design софта/ML‑«железа» поверх обычных FPGA‑серверов. Команда — экс‑Apple/Meta, $18M сид. Платформа превращает «с полки» FPGA в AI‑«суперкомпы» и обещает drop‑in замену GPU‑пайплайнов. Инференс упирается в память, GPU заточены под тренинг; ElastixAI подгоняет железо под модель пост‑тренировочными оптимизациями на FPGA и убирает «dark silicon». Если бенчмарки подтвердят — дата‑центры пойдут в пилоты. Вопросы: латентность и сеть, цена FPGA в облаках, операбельность кластера, зрелость компилятора и реальная drop‑in совместимость. https://www.elastix.ai
#AI #LLM #FPGA #инференс #энергоэффективность

Источник: https://ai-techpark.com/elastixai-exits-stealth-with-fpga-ai-supercomputers/

Почти половина всех взаимодействий с AI‑агентами — разработка; в самых длинных сессиях автономная работа за 3 месяца выросла с 45 минут.

Anthropic проанализировала миллионы сессий (Claude Code, публичные API): основной кейс — писать, запускать и тестировать код. Пользователи всё чаще оставляют агентов работать дольше — автономность растёт.

Вне dev применения пока точечные (медицина, финансы, кибербезопасность) — в основном низкорисковые обратимые задачи. Для масштабирования нужны более жёсткие мониторинг и контроль человек‑в‑контуре.

Вывод: агенты полезны для генерации/рефакторинга кода, автотестов и запуска скриптов. В чувствительных доменах вводите «ограждения»: лимиты по времени/шагам/бюджету, минимальные права, песочницы, обязательные ревью и логи с откатом.

Как вы встраиваете агентов в CI/CD (PR‑боты, автоген тестов, triage)? Кто задаёт лимиты автономности — платформа, SRE или команда?

Источник: https://www.cio.com/article/4137033/ai-agents-popular-for-programming-but-not-for-much-else.html

Если ваши «агенты» в финансах всё ещё в пилотах — вы в мейнстриме.

FT Longitude: 61% внедрений — эксперименты; 1/4 финлидеров не знает, как агент выглядит в проде.

Ценность приходит, когда LLM+бизнес‑логика закрывают сквозной AP: от инжеста до выверки. ILM‑платформы привозят «напарников»: бизнес‑агенты подсказывают next best action, data‑агенты отвечают на NL‑вопросы вроде «какие счета застряли в DACH?» или «кто даёт скидку за раннюю оплату».

Ключ — управляемая автономия: central policy‑engine и autonomy‑gates. Каждое действие проходит проверки правил, рисков и комплаенса, исполняется через каталог операций и попадает в неизменяемый аудит — никаких зоопарков ботов.

Гвардрэйлсы на ROI по циклу AP и скидкам, канарейки на часть поставщиков, разнесение LLM и детерминированных правил, SoD через IAM. Люди в контуре спорных кейсов — агенты берут рутину.

Тренд 2026: supplier‑агенты звонят и закрывают расхождения, логируя разговор и шаги — это выстрелит при общей шине событий и сквозных SLA между ERP/AP/телефонией.

Что у вас тормозит агентные финпроцессы больше — недоверие или нечёткий ROI?

https://www.ai-expo.net/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series

#финансы #APAutomation #EnterpriseArchitecture #AIgovernance #GenAI

Источник: https://www.artificialintelligence-news.com/news/deploying-agentic-finance-ai-for-immediate-business-roi/

Тихий, но важный сдвиг: память уезжает в PCIe, а не в DIMM. Innodisk выпустил CXL Add‑in Card — знак для edge и микро‑ЦОДов.

Плата HHHL (FHHL) на PCIe Gen5 x8 — до 32 ГБ/с, не занимая DIMM‑слоты. Два RDIMM‑сокета: до 256 ГБ (2×128) DDR5 RDIMM/VLP.

Это CXL 2.0 Type 3: CXL.mem + CXL.io, memory pooling между хостами — упрощение плавающих конфигураций. Кейсы: 5G, HFT, медвизуализация, inference на краю.

Плюс — масштаб памяти без смены материнок, гибкость CPU/DRAM, выгоды для плотных шасси и термоуправления. Минусы — локальная DRAM быстрее по латентности; нужны CPU с CXL 2.0 (Sapphire Rapids/Genoa), корректный BIOS/OS стек, продумать NUMA, телеметрию, RAS и охлаждение.

Кто уже пробовал CXL‑память на краю: где порог, когда 32 ГБ/с и до 256 ГБ через PCIe выигрывают у апгрейда DIMM?

https://www.innodisk.com/en/news/press-release/innodisk-introduces-cxl-aic

#CXL #EdgeComputing #PCIeGen5 #EnterpriseArchitecture #Innodisk

Источник: https://ai-techpark.com/innodisk-launches-cxl-add-in-card-for-scalable-edge-ai-memory-expansion/

23% организаций тратят >20 ч/нед на интеграционные «пожары», хотя 76% ставят интероперабельность в топ (Rhapsody). 200+ респондентов: 61% планируют больше внешних подключений, 44% фокус на API, FHIR/HL7v2 и облаке. Без стандартизированных контрактов и снижения связности растёт техдолг.

Что помогает: единый интерфейсный слой с SLA/SLO; FHIR‑first API на канонике + маппинг HL7v2↔FHIR; событийная шина; автотесты контрактов; мониторинг; управляемые вендорные коннекторы, каталог интеграций и runbook’и. Для AI — lineage, терминологии, качество, контроль доступа и защита PHI. Меньше «героизма», больше системности.

Где ваше узкое горлышко: FHIR‑шлюз, шина, каталог или наблюдаемость?

https://rhapsody.health

#интероперабельность #здравоохранение #FHIR

Источник: https://ai-techpark.com/interoperability-isnt-ai-ready-yet-despite-heavy-investment-rhapsody-finds/

Обзор за неделю

На фоне взрывного роста ИИ-инициатив компании наталкиваются на парадокс: скорость разработки выросла, а архитектурная зрелость отстала. Если говорить прямо, то это неделя про то, как превратить разрозненные ИИ-пилоты в управляемые, масштабируемые системы, которые действительно держат риск и приносят прибыль. От графовых онтологий для предприятий до фреймворков ответственного ИИ для НКО и агентных архитектур в финансах — везде одна мысль: без governance, human-in-the-loop и верной операционной модели ИИ остаётся красивой игрушкой.


Онтологии как цифровой скелет предприятия: Yonyou выпустил Large Ontology Model (89,47% точности), который строит граф связей между сущностями вместо плоских таблиц. Это позволяет делать многошаговое рассуждение — от сбоев у поставщика по Tier-2/3 до корректировок производства и финансов в реальном времени.

Равномерность в управлении ИИ: Project Evident разработал Equitable AI Adoption Framework для НКО, но модель универсальна: восемь блоков (данные, технологии, мониторинг, культура) с учётом уровня критичности решений. Главное — clean data governance, иначе грязные данные превращаются в грязные выводы.

Агентный ИИ в комплаенсе требует скрупулёзного логирования: Goldman Sachs и Deutsche Bank тестируют agentic AI для трейдингового надзора. Системы сами выбирают, какие данные смотреть, но без полного audit trail (планы, промежуточные выводы, контекст) это риск перед регулятором.

Human-in-the-loop стал архитектурным требованием: Datatonic и Sentient (Arena для стресс-тестов агентов) показывают: 70% экономии на обработке счётов теряются, если ИИ живёт отдельно от людей. Без чекпоинтов и метрик агенты упираются в дыры безопасности.

Инференс требует оптимизации на уровне железа: Gcore интегрировал NVIDIA Dynamo и обещает 6x пропускную способность и 2x меньше задержку. Это не про новую модель, а про max утилизацию GPU, разнесение prefill/decode и KV-кэширование.

Кадровый кризис в архитектуре и governance: Рынок выпустил волну generalist-разработчиков, но критически не хватает специалистов по secure payments, ML governance и risk management. Переизбыток junior-код переводится в дефицит архитектурной ответственности.


Финальная мысль: отрасль подошла к точке, где технология уже не узко место — узкое место это люди и процессы. Компании, которые ставят ставку на онтологии вместо спагетти данных, на human-in-the-loop вместо автономных агентов и на целевой рескиллинг архитекторов вместо массового найма, выигрывают. А вас где стоит критическое начало — в качестве данных, в объяснимости решений или в отсутствии правильных ролей в команде?

Ключевые ссылки:

Yonyou Large Ontology Model

Project Evident Equitable AI Framework

Gcore NVIDIA Dynamo Integration

#ИИ #Governance #MLOps #EnterpriseArchitecture #AgenticAI #Databricks

Я люблю AI‑копилотов.
И не даю им прав на запись.

Это не поза, а шрамы оператора: лишние привилегии без надзора превращают «помощника» в ночной инцидент. Тянем LLM к биллингу и провижинингу — всплывает OWASP LLM06 Excessive Agency.

Статья даёт середину между параличом и «раздать API‑ключи». Сервис‑аккаунты — анти‑паттерн: одна инъекция и confused deputy с ключами ко всему. Лекарство — дисциплина IAM: NHI, минимум прав, аудит.

Первый столп — Tool Gateway: не пускать LLM к «сырым» API, а давать виртуальные инструменты через шлюз (MCP). Агент видит только разрешённые операции, без секретов.

Второй — on‑behalf‑of: OAuth2 OBO, чтобы агент работал в контексте пользователя и родные RBAC/ABAC оставались в силе.

Третий — транзакционная безопасность: мутации только через dry_run=true с diff и human‑in‑the‑loop.

Давать агентам руки — да, но после шлюза, OBO и dry‑run. Какие гардрейлы для write‑доступа вы считаете минимально достаточными в проде?

https://www.cio.com/article/

#AI #LLMAgents #MCP #OAuth #DataGovernance

Источник: https://www.cio.com/article/4132320/giving-ai-hands-in-your-saas-stack.html

Обратил внимание на анонс ArisGlobal на Breakthrough 2026.

Редко так предметно про операционализацию ИИ. Показали XDI — «data intelligence cortex», три агента NavaX и NavaX Translation с TransPerfect для intake в PV. XDI — слой общего смысла над R&D: единые определения, контекст и объяснимые решения для Safety, Regulatory, Clinical, Quality и Manufacturing.

Агенты: формализация гайдов в проверяемые правила с оценкой уверенности; непрерывная валидация логики; «Signals» — планирование анализа по намерению. Intake получил автоопределение языка и сертифицированный перевод через API (перевод кейса ~5 ч → Источник: https://ai-techpark.com/arisglobal-announced-five-significant-new-product-offerings/

На AWS re:Invent Вернер Фогельс в финальном кейноуте очертил, кем должен стать разработчик Ренессанса в эпоху ИИ. OpenAI в white paper GDPval сравнила продуктивность ИИ и экспертов по 44 профессиям — главный вывод: сила связки «человек‑в‑контуре».

Идея не в замене, а в приросте: в сценарии «try n times, then fix it yourself» модели уровня GPT‑5 high дают ≈1.6× экономии и ≈1.4× ускорения vs одиночного эксперта. Значит не «урезать головы», а делать больше тем же составом: расширять портфель, улучшать UX, гасить техдолг. Фогельс выделил 5 качеств: любознательность, чёткая коммуникация (в т.ч. с LLM), личная ответственность за качество/безопасность, системное мышление, полиматия. 🚀

Вывод: относись к ИИ как к множителю продуктивности — дай команде время на эксперименты, сохраняй человеческую верификацию, подними из бэклога «хвосты» и мерь по ценности, не только по скорости. Тогда ИИ ускорит, а не заменит. 🎯

#управлениеразработкой #ИИвразработке #архитектураПО #инженернаякультура #продуктивность

Источник: https://www.cio.com/article/4130291/your-dev-team-isnt-a-cost-center-its-about-to-become-a-multiplier.html

Gradient сегодня в пресс-релизе представила Echo-2 — распределённую систему обучения с подкреплением, которая снижает стоимость пост‑тренировки до 80% по сравнению с облаком. Параллельно анонсирован Logits — RL‑as‑a‑Service на той же архитектуре; корпоративный доступ — в 2026 году.

Ключевая новизна — перенос нагрузок RL на распределённое разнородное железо с сохранением качества в задачах рассуждения и у агентов. Это позволяет больше экспериментов при том же бюджете и снижает зависимость от гипермасштабных дата‑центров. Если метрики подтвердятся в проде, НИОКР ускорится без роста капзатрат. 🚀

Сложностей хватает — оркестрация, наблюдаемость и воспроизводимость в распределённой среде — но в связке с Parallax и сетевым слоем Lattica решение выглядит зрелым и практичным. 💡

#обучениесподкреплением #инфраструктураИИ #mlops

Источник: https://ai-techpark.com/gradient-announced-the-launch-of-echo-2/

В новой колонке для Foundry Expert Contributor Network директор по доверию объясняет, почему разрыв в доверии стал главным риском для ИИ. По PwC: 90% руководителей уверены, что клиенты им доверяют, согласны лишь 30%; Stanford фиксирует 45% сомнений в точности ИИ. Предложен подход «trust by design» и петля роста: trust → participation → performance → credibility → more trust.

Новизна для продакта/CIO — переводить доверие из комплаенса в стратегию и продукт: прозрачность, чёткие ожидания, human‑in‑the‑loop и быстрые итерации по обратной связи (напр., маскирование данных) делают доверие конкурентным преимуществом и ускоряют внедрение. Мой вывод: относись к репутации как к рычагу роста, а не тормозу инноваций 🔒✈️

#ИИ #безопасностьданных #CIO #продуктоваястратегия #этикаИИ

Источник: https://www.cio.com/article/4127461/why-trust-earning-cios-unlock-the-fastest-path-to-ai-innovation.html

OpenAI строит «армию» AI‑консультантов для корпоративных внедрений — это видно по вакансиям и рыночным данным 2025: рост до ~$20 млрд ARR и >1 млн организаций. Ставка — на прямое сопровождение от PoC до продакшена 🚀. Anthropic опирается на партнёров (Deloitte, Cognizant, Snowflake), Microsoft/Google/AWS усиливают экосистемный захват.

Новизна — смещение от «демо‑продаж» к управлению изменениями, редизайну процессов и ответственности за бизнес‑результат. Выиграют команды, которые масштабируют кейсы и обеспечивают окупаемость; потребность в сотнях консультантов подчёркивает сложность интеграций и риски приватности и надёжности 🧩.

#корпоративныйИИ #внедрениеИИ #goToMarket #цифроваятрансформация #продуктоваястратегия

Источник: https://www.artificialintelligence-news.com/news/openai-ai-consultants-enterprise-adoption-challenges/

В новом материале — практики апскиллинга по ИИ от CIO Harvard Business School Бет Кларк, Sutherland и Университета Мичигана — и почему многим организациям это не удаётся. Выводы подтверждены данными TalentLMS (отчёт 2026), Accenture, MIT Sloan/BCG и опросом Pew (октябрь 2024); HBS в 2025 запустила обязательную AI Academy для сотрудников и преподавателей. 🚀

Ключ — сместить фокус с «как пользоваться» на «как переосмыслить процессы»: базовая ИИ‑грамотность для всех, роль‑ориентированные треки, практика в песочницах, сертификации и непрерывное обучение, психологическая безопасность. Нужна «неглубокая» инженерия (понимать сбои моделей), немного кодинга и культура экспериментов — так тревогу превращают в продуктивность, а компании получают дифференциацию. CIO логично вести эту повестку. 🧪

#обучениеперсонала #ИИвбизнесе #цифроваятрансформация #CIO #управлениемутациями

Источник: https://www.cio.com/article/4117091/how-ai-upskilling-fails-and-what-it-leaders-are-doing-to-get-it-right.html

Обзор за неделю

На этой неделе ИТ-ландшафт сдвигается в трёх направлениях: инфраструктура учится быть эффективнее (FPGA вместо GPU), агенты выходят из пилотов и обретают контроль, а организации понимают, что AI работает только если сама компания «знает себя». Это не просто про новые инструменты — это про переосмысление того, как мы строим системы, доверяем автоматизации и управляем данными.


FPGA отвоёвывают эффективность у GPU: ElastixAI обещает 50× снижение TCO инференса LLM и −80% энергии через софт-аппаратный со-дизайн на перепрограммируемых микросхемах. Ключ — не в новом чипе, а в того что железо адаптируется под модель после обучения, убирая неработающие блоки. Жёсткая часть (ASIC) слишком инертна для еженедельных ML-фич, FPGA гибче.

AI-агенты захватывают разработку, но остаются осторожны в чувствительных доменах: Anthropic зафиксировала, что половина всех взаимодействий с агентами — это программирование; автономное время сессий выросло с 45 минут. Вне разработки применение точечное. Для масштаба нужны гардрейлсы: лимиты по времени/шагам, право по минимуму, непреложные ревью, песочницы и откаты.

«Self-aware enterprise» — новая архитектурная парадигма: У компаний, где AI в ядре портфеля (инфра, софт), ROI растёт быстро и прямо. У компаний, где AI — энэйблер процессов, эффект затянут и неровен. Причина: большинство живут в «Frankenstein enterprise» с разорванными процессами, силосными данными и ситуативными интеграциями. AI только ускоряет нестыковку. Решение: единая карта потоков ценности, канонические домены, событийная шина, замыкание обратной связи на уровне решений, привязка инициатив к P&L.

Агентные финпроцессы застряли в пилотах: 61% внедрений остаются экспериментами; каждый четвёртый финлидер не в курсе, как агент выглядит в продакшене. Ценность приходит через управляемую автономию: центральный policy-engine, autonomy-gates, рисковые проверки и аудит через каталог операций. Supplier-агенты, которые сами закрывают расхождения с поставщиками, взлетят только при общей событийной шине и сквозных SLA.

Суверенные облака переходят в режим автономии: Microsoft свела Azure Local, M365 Local и Foundry Local в единое частное облако, работающее онлайн, с перебоями и полностью офлайн. Для высокорегулируемых отраслей это упрощает data governance: идентичности, политики и модели остаются внутри периметра. Риски: CAPEX, дефицит ускорителей, жизненный цикл моделей в air-gapped средах, управление ключами без выхода наружу.

Claude под промышленной атакой дистилляции: Anthropic обнаружила 16+ млн запросов от 24k фейковых аккаунтов, которые выкачивали reasoning, tool use и код через поддельные прокси. Цифры: 13M на агентный код, 3.4M на CV/анализ, 150k на chain-of-thought. Контрмеры: поведенческие отпечатки, лимиты по вектору способностей (не токенам), детект elicitation, отредактированный CoT по умолчанию, анти-hydra сигналы в трафике.

Data-агенты выходят из Snowflake: Cortex Code CLI теперь работает с dbt и Airflow, а не только со Snowflake. Это снимает трение переключения контекста и позволяет пилотировать без миграции и крупных закупок. Агент генерирует dbt-модели, чинит тесты, оптимизирует SQL, диагностирует падения DAG'ов. Риск: зависимость от проприетарного агента в критичных контурах, управление секретами и дрейф между локалкой и продом.


Суть недели: ИТ перестаёт быть просто красивым стеком технологий и становится вопросом архитектуры, управления, доверия и контроля. FPGA, агенты и суверенные облака — это не мода, это ответ на три реальные боли: энергия/стоимость инференса, автоматизация рутины без потери контроля, и независимость от облачных гигантов. Но все три работают только если у компании есть ясная стратегия, единый контур решений и готовность переосмыслить, как она живёт и решает. Какой из этих трёх векторов упирается в вашу текущую архитектуру сильнее всего — инфра, организация или регуляция?

Главные ссылки:

elastix.ai — ElastixAI FPGA платформа

anthropic.com/news — отчёт о дистилляции Claude

snowflake.com/blog — Cortex Code CLI для dbt и Airflow

#AI #LLM #EnterpriseArchitecture #AgenticAI #DataGovernance #CloudSecurity
```

Чем дольше смотрю на enterprise AI, тем яснее: спотыкаемся не о модель, а об архитектуру данных и управление. Разговор с Franny Hsiao из Salesforce подтвердил.

«Pristine islands»: пилоты на чистых датасетах рушатся в реале — интеграции, нормализация, объёмы. Нужен production‑уровень данных, сквозное управление, наблюдаемость и guardrails.

Perceived responsiveness: стримить частичные ответы и прогресс; где можно — меньшие модели и жёсткие лимиты.

Агенты не «поставил и забыл»: для high‑stakes — HITL; Session Tracing (вызовы тулов, тайминги, ошибки) — база аналитики. MCP/A2A + OSI; делать данные agent‑ready, не жёсткий ETL. Что у вас узкое место: наблюдаемость, HITL или контекст?

https://www.ai-expo.net/?utm_source=AI-News&utm_medium=Footer-banner&utm_campaign=world-series

#EnterpriseAI #DataArchitecture #Observability #AgenticAI #MLOps

Источник: https://www.artificialintelligence-news.com/news/franny-hsiao-salesforce-scaling-enterprise-ai/

Смотрю на свежий анонс New Relic про мониторинг ChatGPT‑приложений и улыбаюсь.

Наконец-то кто-то целится в тот самый «чёрный ящик» i‑frame в ChatGPT.

Кто встраивал сервисы внутрь ChatGPT, знает боль: CSP, sandbox, нет top‑window, ограниченное хранилище — и стандартный RUM молча говорит «вроде всё ок». А потом UI «галлюцинирует», ломается CSS, возникают ghost‑цитаты — и мы теряем конверсию без видимых причин.

New Relic обещает телеметрию прямо в GPT‑i‑frame: латентность, подключения, CLS при стриминге, rage/dead‑клики, ошибки, логи, трейсы до бэкенда и кастомные события типа «AI Render Success» vs «Bounce». Важно границы данных: минимизировать PII, корректные CSP, фича‑флаги, таксономия и корреляционные ID, иначе будет шум.

Меняем модель: не «ссылка в ответе», а «жизнь внутри чужого UI». Считаете SLO для таких встраиваний? Кто владеет каналом — продукт, платформа или observability‑команда? https://newrelic.com

#observability #ChatGPT #архитектура #SRE #analytics

Источник: https://ai-techpark.com/new-relic-launches-observability-solution-for-visibility-into-chatgpt-apps/