Media is too big
VIEW IN TELEGRAM
Как использовать GenAI для личной продуктивности руководителя? Часть 1
Об этом на Fintech Data Day рассказал Дмитрий Бугайченко, Сбер, управляющий директор по исследованию данных, CDS B2С.
2022 стал переломным: LLM кардинально изменили подход к AI. В чем суть изменений?
✅ Как было раньше:
• Под каждую задачу — свои данные, фичи, матрицы, градиенты.
• На выходе получали узкоспециализированный вычислительный граф со строго структурированными входами и выходами под конкретный проект.
• В обязательном порядке привлекали дата-сайентистов.
✅ Как проходила эволюция:
• Научились использовать весь массив знаний человечества (один из крупнейших датасетов включает около 50 ТБ текста), где факты перемешаны с мемами.
• Стали обучать модель «продолжать мысль», затем — осмысленно отвечать на вопросы.
• На выходе получили LLM и ChatGPT.
✅ Что это дало?
• Главный навык теперь — не математика, а постановка задач, самый востребованный специалист — не дата-сайентист, а эксперт предметной области, способный грамотно описать критерии качества и «скормить» их модели, которая условно «знает всё, что знает человечество».
• Исчез жёсткий структурированный формат входа и выхода из модели — теперь везде используется текст (это может быть обычный язык, JSON и пр.).
• Появилась возможность интеграции в любое решение и в любом формате.
✅ Кого в первую очередь заменят "текстовые" эксперты?
Спад заказов уже чувствуют копирайтеры, в зоне риска также находятся разработчики.
‼️ Но эффективнее всего нейросети могут заменить руководителей! Почему?
По мере роста компаний резко «дорожает» коммуникация. Как и в распределённом машинном обучении: чем больше исполнителей — тем сложнее координация. При этом синхронизация в основном идёт «через верх», от руководителя к руководителю и далее спускается вниз по цепочке. Множество людей играют роль передатчиков информации, иногда — «принимателей» отдельных решений.
Большие языковые модели уже позволяют автоматизировать ключевую часть этой работы: формулировку задач, агрегирование контекста, подготовку решений и обоснований, унификацию форматов коммуникации и интеграцию в процессы. Поэтому импакт по управленческим ролям — максимальный.
Узкое место — скорость коммуникаций. Пример: я как руководитель могу получать от 300 писем в день, а ответы на них откладываются на часы и сутки. Хотя по факту я должен лишь делегировать решение задачи через forward.
✅ Как это решается на практике:
— AI-помощник руководителя подключается к рабочей почте, анализирует входящие, соотносит вопросы с составом команды, понимает, кому делегировать, и делает это сам. Скорость реакции увеличивается с часов до минут, циркуляция информации ускоряется.
— Коллеги «выращивают» собственных ассистентов, которые отвечают на запросы, обращаясь к Confluence и базе знаний. Типовые запросы — «найти материалы с встречи» — RAG-бот закрывает без проблем.
— Если «замкнуть цикл» и добавить бота, работающего напрямую с данными, задавший вопрос сотрудник через пять минут получает готовое решение.
Продолжение - в следующем посте
Об этом на Fintech Data Day рассказал Дмитрий Бугайченко, Сбер, управляющий директор по исследованию данных, CDS B2С.
2022 стал переломным: LLM кардинально изменили подход к AI. В чем суть изменений?
• Под каждую задачу — свои данные, фичи, матрицы, градиенты.
• На выходе получали узкоспециализированный вычислительный граф со строго структурированными входами и выходами под конкретный проект.
• В обязательном порядке привлекали дата-сайентистов.
• Научились использовать весь массив знаний человечества (один из крупнейших датасетов включает около 50 ТБ текста), где факты перемешаны с мемами.
• Стали обучать модель «продолжать мысль», затем — осмысленно отвечать на вопросы.
• На выходе получили LLM и ChatGPT.
• Главный навык теперь — не математика, а постановка задач, самый востребованный специалист — не дата-сайентист, а эксперт предметной области, способный грамотно описать критерии качества и «скормить» их модели, которая условно «знает всё, что знает человечество».
• Исчез жёсткий структурированный формат входа и выхода из модели — теперь везде используется текст (это может быть обычный язык, JSON и пр.).
• Появилась возможность интеграции в любое решение и в любом формате.
Спад заказов уже чувствуют копирайтеры, в зоне риска также находятся разработчики.
‼️ Но эффективнее всего нейросети могут заменить руководителей! Почему?
По мере роста компаний резко «дорожает» коммуникация. Как и в распределённом машинном обучении: чем больше исполнителей — тем сложнее координация. При этом синхронизация в основном идёт «через верх», от руководителя к руководителю и далее спускается вниз по цепочке. Множество людей играют роль передатчиков информации, иногда — «принимателей» отдельных решений.
Большие языковые модели уже позволяют автоматизировать ключевую часть этой работы: формулировку задач, агрегирование контекста, подготовку решений и обоснований, унификацию форматов коммуникации и интеграцию в процессы. Поэтому импакт по управленческим ролям — максимальный.
Узкое место — скорость коммуникаций. Пример: я как руководитель могу получать от 300 писем в день, а ответы на них откладываются на часы и сутки. Хотя по факту я должен лишь делегировать решение задачи через forward.
— AI-помощник руководителя подключается к рабочей почте, анализирует входящие, соотносит вопросы с составом команды, понимает, кому делегировать, и делает это сам. Скорость реакции увеличивается с часов до минут, циркуляция информации ускоряется.
— Коллеги «выращивают» собственных ассистентов, которые отвечают на запросы, обращаясь к Confluence и базе знаний. Типовые запросы — «найти материалы с встречи» — RAG-бот закрывает без проблем.
— Если «замкнуть цикл» и добавить бота, работающего напрямую с данными, задавший вопрос сотрудник через пять минут получает готовое решение.
Продолжение - в следующем посте
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7👍5❤1
Как использовать GenAI для личной продуктивности руководителя? Часть 2 (Часть 1 см. здесь).
✅ Как это работает? Никакой магии!
Два ключевых компонента:
— LLM (в нашем случае это GigaChat, работающий во внутренней сети).
— n8n (neightn) — workflow-движок из «до-LLM-ного» прошлого, который оркестрирует процессы и не требует глубоких математических знаний.
n8n берет описание команды со страницы в Confluence, анализирует его с помощью GigaChat и собирает векторное хранилище на Postgres с перечнем команд, зон ответственности, имен, контактов и т. п. По сути, это классическое RAG-решение, собранное "на коленках из кубиков".
Когда приходит письмо, он делает то же самое, только в обратном направлении: анализирует содержимое, с помощью GigaChat извлекает сформулированные в письме вопросы, для каждого подбирает подходящую команду-адресата и отправляет ответ.
Лицензия позволяет свободно использовать продукт для внутренних процессов, при этом базового функционала достаточно, чтобы собирать полноценные решения. Имеются готовые модули для интеграции почти со всеми распространёнными системами, а также модули от сообщества, которые постоянно расширяют функциональность.
Для рабочих задач решение можно развернуть локально. В моём случае, например, используются две площадки: мой рабочий ноутбук и офисная сеть банка, следовательно, данные не покидают периметр рабочей сети Сбера, а самые чувствительные данные — например, почта — обрабатываются исключительно на ноутбуке.
👉 Примеры эффективного использования решения
— Командировки. n8n знает мои предпочтения по транспорту и, как только появляется информация о поездке, сам пишет travel-агентству. Бронирование оформляется без моих припозднившихся сообщений — нужные рейсы не упускаем.
— Отчёты по спринту. В n8n на базе GigaChat запустили генератор статус-отчёта: каждый день в 10:00 он обновляет страницу в Confluence — какие задачи в работе, каков прогресс исполнения, а также текстовое резюме. Таким образом закрывается основная боль Jira: неповоротливость и разрозненные разделы.
— Напоминания в корпсреде. Агент «Дятел» следит за назначениями в Jira и пингует исполнителей; чем дольше задача без движения, тем «агрессивнее» формулировки. Результат — меньше зависаний и тишины по задачам.
✅ Коротко об архитектуре решения
Структурно решение представляет собой набор стандартных «кубиков»: интеграция с Confluence, конвертация HTML в Markdown, запись в PostgreSQL и т.п. Самое интересное здесь —«кубики», связанные с LLM.
Особенно полезны такие инструменты, как, например, Information Extractor, который на входе принимает "плоский" текст, а на выходе формирует JSON (отлично помогает при трактовке непонятных писем), и классификатор, который помогает определить категорию текста для его направления по одной из веток workflow, а также векторные индексы для построения RAG.
Очень ценный инструмент — нода типа AI-agent, фрагмент workflow, отвечающий за командировки и способный учитывать изменения в списке пожеланий в онлайн-режиме.
Надеюсь, не за горами день, когда система проснётся и скажет: «Спасибо, дальше я сама».
Два ключевых компонента:
— LLM (в нашем случае это GigaChat, работающий во внутренней сети).
— n8n (neightn) — workflow-движок из «до-LLM-ного» прошлого, который оркестрирует процессы и не требует глубоких математических знаний.
n8n берет описание команды со страницы в Confluence, анализирует его с помощью GigaChat и собирает векторное хранилище на Postgres с перечнем команд, зон ответственности, имен, контактов и т. п. По сути, это классическое RAG-решение, собранное "на коленках из кубиков".
Когда приходит письмо, он делает то же самое, только в обратном направлении: анализирует содержимое, с помощью GigaChat извлекает сформулированные в письме вопросы, для каждого подбирает подходящую команду-адресата и отправляет ответ.
Лицензия позволяет свободно использовать продукт для внутренних процессов, при этом базового функционала достаточно, чтобы собирать полноценные решения. Имеются готовые модули для интеграции почти со всеми распространёнными системами, а также модули от сообщества, которые постоянно расширяют функциональность.
Для рабочих задач решение можно развернуть локально. В моём случае, например, используются две площадки: мой рабочий ноутбук и офисная сеть банка, следовательно, данные не покидают периметр рабочей сети Сбера, а самые чувствительные данные — например, почта — обрабатываются исключительно на ноутбуке.
👉 Примеры эффективного использования решения
— Командировки. n8n знает мои предпочтения по транспорту и, как только появляется информация о поездке, сам пишет travel-агентству. Бронирование оформляется без моих припозднившихся сообщений — нужные рейсы не упускаем.
— Отчёты по спринту. В n8n на базе GigaChat запустили генератор статус-отчёта: каждый день в 10:00 он обновляет страницу в Confluence — какие задачи в работе, каков прогресс исполнения, а также текстовое резюме. Таким образом закрывается основная боль Jira: неповоротливость и разрозненные разделы.
— Напоминания в корпсреде. Агент «Дятел» следит за назначениями в Jira и пингует исполнителей; чем дольше задача без движения, тем «агрессивнее» формулировки. Результат — меньше зависаний и тишины по задачам.
Структурно решение представляет собой набор стандартных «кубиков»: интеграция с Confluence, конвертация HTML в Markdown, запись в PostgreSQL и т.п. Самое интересное здесь —«кубики», связанные с LLM.
Особенно полезны такие инструменты, как, например, Information Extractor, который на входе принимает "плоский" текст, а на выходе формирует JSON (отлично помогает при трактовке непонятных писем), и классификатор, который помогает определить категорию текста для его направления по одной из веток workflow, а также векторные индексы для построения RAG.
Очень ценный инструмент — нода типа AI-agent, фрагмент workflow, отвечающий за командировки и способный учитывать изменения в списке пожеланий в онлайн-режиме.
Надеюсь, не за горами день, когда система проснётся и скажет: «Спасибо, дальше я сама».
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5👍2
Media is too big
VIEW IN TELEGRAM
Как генеративные BI-агенты превращают запрос в решение «здесь и сейчас»?
Об этом на Fintech Data Day рассказал Александр Жаворонков, ведущий консультант по LLM системам Neoflex.
Что такое генеративный BI-агент
Генеративный ИИ-ассистент, встроенный в инфраструктуру управления данными банка. Он закрывает три уровня аналитики:
— Descriptive BI: что произошло и как это описать;
— Predictive BI: что мы можем предсказать;
— Prescriptive BI: что делать дальше и какие рекомендации дать.
Зачем это бизнесу
— Быстрый доступ к аналитике и ответам “здесь и сейчас”.
— Радикальное сокращение времени на ad-hoc-отчеты — с недель до минут.
— Более глубокий и качественный анализ без лишних итераций.
— Снижение стоимости подготовки отчетности.
— Доступ к данным для нетехнических сотрудников и автоматизация запросов.
Как выглядит стандартный процесс и процесс с агентом
Стандартно: руководитель формулирует задачу → дата-инженеры готовят витрины данных → аналитики собирают отчет → требования уточняются → цикл повторяется. Это занимает дни или недели.
С BI-агентом: автоматизируются ключевые этапы — от формирования запросов до визуализации и рекомендаций. Время подготовки отчета сокращается до минут.
Место агента в архитектуре
Генеративный агент — не отдельный продукт а часть корпоративной Lakehouse-архитектуры. Он использует наработки каталога данных, lineage и Data Quality, опираясь на проверенные источники для корректных и воспроизводимых отчетов.
Что добавляем в типовой Lakehouse:
— Векторные хранилища для базы знаний — агент должен ориентироваться во внутреннем контексте и терминологии;
— Сервис инференса LLM и пул GPU-узлов — для поиска и генерации;
— Agent Studio — платформу управления жизненным циклом агентов.
Что под капотом у BI-агента:
🛠Инструменты:
— Execute SQL — генерация и выполнение SQL;
— RAG Tool — извлечение релевантного контекста из документов;
— Graph Tool.
📚База знаний:
— DDL-схемы (описание данных),
— внутренние документы (регламенты, методики),
— ранее использованные SQL-запросы.
С помощью RAG агент подбирает контекст, а генерация SQL формирует запросы к нужным источникам с учетом DDL. На этапах планирования и рефлексии агент уточняет шаги и повышает точность ответа.
Что нужно, чтобы ассистенты приносили максимальную пользу:
— Каталог данных и сквозной lineage: фиксируем происхождение данных, их структуру и назначение;
— Программа Data Quality и Data Observability, управление схемами и data contracts: контролируем корректность, стабильность и предсказуемость изменений.
— Платформа управления агентами — включаем модели и агентов в цикл CI/CD: непрерывная интеграция и развертывание, автоматическое тестирование, управление релизами и версиями.
— Корпоративная база знаний: документы с определениями, метриками и методиками расчётов, чтобы модель корректно извлекала параметры и понимала логику показателей.
— Data API: устойчивые и безопасные точки доступа к данным.
Пример использования AI-агента аналитиком:
Вопрос: почему снизилась маржа по розничным кредитам.
Агент:
— через RAG подтягивает определения и методики из базы знаний;
— подбирает релевантные метрики и формулы;
— формирует и исполняет SQL‑запросы, строит визуализации;
— уточняет гипотезы и итеративно формирует обоснованный ответ.
Например, при плановой маржинальности 5% и фактической 4,1 агент определит, в каких таблицах и по каким продуктам возникло отклонение, и за счёт каких факторов (ставка, стоимость фондирования, уровень просрочки, комиссии и т. п.).
Итог: за считанные минуты, без ручного SQL, агент формирует для аналитика прозрачный ход рассуждений, план действий и конкретные рекомендации.
Об этом на Fintech Data Day рассказал Александр Жаворонков, ведущий консультант по LLM системам Neoflex.
Что такое генеративный BI-агент
Генеративный ИИ-ассистент, встроенный в инфраструктуру управления данными банка. Он закрывает три уровня аналитики:
— Descriptive BI: что произошло и как это описать;
— Predictive BI: что мы можем предсказать;
— Prescriptive BI: что делать дальше и какие рекомендации дать.
Зачем это бизнесу
— Быстрый доступ к аналитике и ответам “здесь и сейчас”.
— Радикальное сокращение времени на ad-hoc-отчеты — с недель до минут.
— Более глубокий и качественный анализ без лишних итераций.
— Снижение стоимости подготовки отчетности.
— Доступ к данным для нетехнических сотрудников и автоматизация запросов.
Как выглядит стандартный процесс и процесс с агентом
Стандартно: руководитель формулирует задачу → дата-инженеры готовят витрины данных → аналитики собирают отчет → требования уточняются → цикл повторяется. Это занимает дни или недели.
С BI-агентом: автоматизируются ключевые этапы — от формирования запросов до визуализации и рекомендаций. Время подготовки отчета сокращается до минут.
Место агента в архитектуре
Генеративный агент — не отдельный продукт а часть корпоративной Lakehouse-архитектуры. Он использует наработки каталога данных, lineage и Data Quality, опираясь на проверенные источники для корректных и воспроизводимых отчетов.
Что добавляем в типовой Lakehouse:
— Векторные хранилища для базы знаний — агент должен ориентироваться во внутреннем контексте и терминологии;
— Сервис инференса LLM и пул GPU-узлов — для поиска и генерации;
— Agent Studio — платформу управления жизненным циклом агентов.
Что под капотом у BI-агента:
🛠Инструменты:
— Execute SQL — генерация и выполнение SQL;
— RAG Tool — извлечение релевантного контекста из документов;
— Graph Tool.
📚База знаний:
— DDL-схемы (описание данных),
— внутренние документы (регламенты, методики),
— ранее использованные SQL-запросы.
С помощью RAG агент подбирает контекст, а генерация SQL формирует запросы к нужным источникам с учетом DDL. На этапах планирования и рефлексии агент уточняет шаги и повышает точность ответа.
Что нужно, чтобы ассистенты приносили максимальную пользу:
— Каталог данных и сквозной lineage: фиксируем происхождение данных, их структуру и назначение;
— Программа Data Quality и Data Observability, управление схемами и data contracts: контролируем корректность, стабильность и предсказуемость изменений.
— Платформа управления агентами — включаем модели и агентов в цикл CI/CD: непрерывная интеграция и развертывание, автоматическое тестирование, управление релизами и версиями.
— Корпоративная база знаний: документы с определениями, метриками и методиками расчётов, чтобы модель корректно извлекала параметры и понимала логику показателей.
— Data API: устойчивые и безопасные точки доступа к данным.
Пример использования AI-агента аналитиком:
Вопрос: почему снизилась маржа по розничным кредитам.
Агент:
— через RAG подтягивает определения и методики из базы знаний;
— подбирает релевантные метрики и формулы;
— формирует и исполняет SQL‑запросы, строит визуализации;
— уточняет гипотезы и итеративно формирует обоснованный ответ.
Например, при плановой маржинальности 5% и фактической 4,1 агент определит, в каких таблицах и по каким продуктам возникло отклонение, и за счёт каких факторов (ставка, стоимость фондирования, уровень просрочки, комиссии и т. п.).
Итог: за считанные минуты, без ручного SQL, агент формирует для аналитика прозрачный ход рассуждений, план действий и конкретные рекомендации.
👍4🔥3❤1
Weekly Data News: смягчение правил по ПДн, GenAI-обучение в ЦБ и новых виток гонки за мультимодальностью
Минцифры смягчило требования к бизнесу по обработке персональных данных. Опубликована новая версия второго пакета антифрод-поправок: бизнесу потребуется направлять на «Госуслуги» не все согласия на обработку ПДн, а только те, которые предусмотрены подзаконными актами.
Кроме того, министерство отказалось от нормы, по которой бизнес мог бы запрашивать согласия на обработку ПДн лишь в случаях, предусмотренных международными договорами РФ или федеральным законом. В случае принятия закон вступит в силу в 2028 году.
Банк России ищет подрядчика для обучения около 500 сотрудников работе с генеративным ИИ, включая навыки формулирования промптов, создания Telegram-ботов и цифровых аватаров. Обучение стартует в I квартале 2026 года и продлится до II квартала 2027 года.
OpenAI привлекла около 100 бывших инвестбанкиров для обучения своих нейросетей финансовым моделям. Компания платит специалистам по 150 долларов в час.
Среди них — экс-сотрудники JPMorgan, Morgan Stanley и Goldman Sachs. Их задача — писать запросы простым языком и создавать финансовые модели для разных типов сделок. Каждую неделю специалисты должны представить как минимум одну модель.
Аналитики Bloomberg считают, что конечная цель этого проекта — создание ИИ-системы, способной заменить младших банкиров.
Билайн запустил бесплатный тест-драйв платформы ИИ-агентов. Компании смогутт самостоятельно протестировать работу ИИ на релевантных для них задачах. Платформа является мультиагентной системой, которая объединяет в себе возможности популярных LLM. Агенты при этом помнят общий контекст запросов и дополняют друг друга.
MWS AI вступила к гонку мультимодальных ИИ-моделей и представила разработку для одновременной работы с изображениями и текстом Cotype VL. Ее можно развернуть в закрытом контуре компании и дообучить на данных заказчика. Модель разработана на базе Qwen 2.5-VL с открытым исходным кодом, содержит 32 млрд параметров и распознает изображения с печатным, рукописным и смешанным текстом. Для обучения был использован датасет из различных доменов, включая финансы, промышленность, IT, телеком и здравоохранение — всего более 150 тыс. документов.
Текст как изображение: DeepSeek представила новую OCR-модель. Она работает не с текстовыми токенами, как традиционные системы, а с визуальными представлениями страниц. Это меняет сам принцип хранения и анализа информации — она не просто распознает текст, а используется для оптического сжатия контекста. В экспериментах показаны впечатляющие результаты — даже при десятикратном сжатии точность остаётся около 97%, а при двадцатикратном около 60%.
Alibaba презентовала новые мультимодальные модели Qwen3-VL-2B и Qwen3-VL-32B — при этом вторая сразу же побила рекорды по производительности, продемонстрировав способность не просто распознавать кадры на видео, но и понимать сюжет и причинно-следственные связи.
Кандидаты на ИТ-вакансии стали массово искажать сведения в своих резюме. По данным HH.ru, разработчики ПО находятся на первом месте — на них указали 20% работодателей. По 15% респондентов упомянули тестировщиков и руководителей проектов, 12% отметили продакт-менеджеров.
Немного реже преувеличенный опыт встречается в резюме системных администраторов и технических писателей (по 10%), датасайентистов, аналитиков и CIO-директоров (по 9%). Руководителей аналитических отделов отметили 8% респондентов. Самые честные — сетевые инженеры и специалисты технической поддержки, про них говорили лишь 3% участников опроса.
Минцифры смягчило требования к бизнесу по обработке персональных данных. Опубликована новая версия второго пакета антифрод-поправок: бизнесу потребуется направлять на «Госуслуги» не все согласия на обработку ПДн, а только те, которые предусмотрены подзаконными актами.
Кроме того, министерство отказалось от нормы, по которой бизнес мог бы запрашивать согласия на обработку ПДн лишь в случаях, предусмотренных международными договорами РФ или федеральным законом. В случае принятия закон вступит в силу в 2028 году.
Банк России ищет подрядчика для обучения около 500 сотрудников работе с генеративным ИИ, включая навыки формулирования промптов, создания Telegram-ботов и цифровых аватаров. Обучение стартует в I квартале 2026 года и продлится до II квартала 2027 года.
OpenAI привлекла около 100 бывших инвестбанкиров для обучения своих нейросетей финансовым моделям. Компания платит специалистам по 150 долларов в час.
Среди них — экс-сотрудники JPMorgan, Morgan Stanley и Goldman Sachs. Их задача — писать запросы простым языком и создавать финансовые модели для разных типов сделок. Каждую неделю специалисты должны представить как минимум одну модель.
Аналитики Bloomberg считают, что конечная цель этого проекта — создание ИИ-системы, способной заменить младших банкиров.
Билайн запустил бесплатный тест-драйв платформы ИИ-агентов. Компании смогутт самостоятельно протестировать работу ИИ на релевантных для них задачах. Платформа является мультиагентной системой, которая объединяет в себе возможности популярных LLM. Агенты при этом помнят общий контекст запросов и дополняют друг друга.
MWS AI вступила к гонку мультимодальных ИИ-моделей и представила разработку для одновременной работы с изображениями и текстом Cotype VL. Ее можно развернуть в закрытом контуре компании и дообучить на данных заказчика. Модель разработана на базе Qwen 2.5-VL с открытым исходным кодом, содержит 32 млрд параметров и распознает изображения с печатным, рукописным и смешанным текстом. Для обучения был использован датасет из различных доменов, включая финансы, промышленность, IT, телеком и здравоохранение — всего более 150 тыс. документов.
Текст как изображение: DeepSeek представила новую OCR-модель. Она работает не с текстовыми токенами, как традиционные системы, а с визуальными представлениями страниц. Это меняет сам принцип хранения и анализа информации — она не просто распознает текст, а используется для оптического сжатия контекста. В экспериментах показаны впечатляющие результаты — даже при десятикратном сжатии точность остаётся около 97%, а при двадцатикратном около 60%.
Alibaba презентовала новые мультимодальные модели Qwen3-VL-2B и Qwen3-VL-32B — при этом вторая сразу же побила рекорды по производительности, продемонстрировав способность не просто распознавать кадры на видео, но и понимать сюжет и причинно-следственные связи.
Кандидаты на ИТ-вакансии стали массово искажать сведения в своих резюме. По данным HH.ru, разработчики ПО находятся на первом месте — на них указали 20% работодателей. По 15% респондентов упомянули тестировщиков и руководителей проектов, 12% отметили продакт-менеджеров.
Немного реже преувеличенный опыт встречается в резюме системных администраторов и технических писателей (по 10%), датасайентистов, аналитиков и CIO-директоров (по 9%). Руководителей аналитических отделов отметили 8% респондентов. Самые честные — сетевые инженеры и специалисты технической поддержки, про них говорили лишь 3% участников опроса.
👍4🔥3
Media is too big
VIEW IN TELEGRAM
Меняются данные и подходы работы с ними: как в таких условиях выбрать правильную технологию?
Об этом на Fintech Data Day рассказали Михаил Комаров, директор по развитию бизнеса в области данных и ИИ «Ростелекома», и Григорий Бокштейн, ведущий эксперт по управлению данными TData.
За 15 лет мир данных кардинально изменился:
— Инструменты, в эффективность которых поначалу мало кто верил, уже прошли пик популярности и постепенно утрачивают клиентскую базу. Жизненные циклы технологий сокращаются: если раньше технологический стек пересматривали раз в 5 лет, теперь приходится это делать практически ежегодно.
— Параллельно уходят в прошлое казавшиеся вечными темы дискуссий — например, о преимуществах монолита «всё в одном» перед выделенным DWH — сейчас такой спор звучит странно.
— Объем данных постоянно растет, и одновременно меняется их природа и сценарии использования — очень быстро был пройден путь от транзакционных данных и справочников через кликстрим и неструктурированные данные до ИИ и LLM.
— Изменились ожидания бизнеса: если раньше отчетность требовалась максимум раз в месяц, то сейчас обновления нужны чаще, чем раз в 5 минут.
Это ведет к росту числа сценариев и требований — значит, к большему разнообразию технологий и фрагментации. Когда‑то можно было «купить Oracle и жить на Oracle», добавив немножко Exadata — этого вполне хватало. Сейчас же в компаниях уживаются несколько разных технологий под разные задачи, и их количество будет увеличиваться.
Что происходит сейчас?
Восторженное отношение к Lakehouse, которое мы сейчас наблюдаем, очень напоминает веру в Hadoop 10-летней давности, в то, что магическим образом прибыль «должна была вырасти» на 20% сразу после его установки.
Безусловно, в основе Lakehouse — отличная архитектура: разделенные compute и storage, специализированные технологии… Однако Iceberg, Trino, StarRocks — всего лишь компоненты «здесь и сейчас»: через год их могут сменить другие. Не стоит гнаться за хайпом — у каждой технологии есть своя область применения и свое место. Например, сейчас многие выбирают Iceberg для хранения данных в LakeHouse, но он не универсален, и сейчас уже набирают популярность альтернативные форматы хранения для определенного круга задач. Надо принять изменчивость мира данных.
Что с этим делать?
✅ Помнить — технологии внедряются для решения бизнес‑задач в оптимальные сроки, с оптимальной надежностью и бюджетом, и подбирать их с учетом текущего стека, отслеживать перспективные новинки и трезво оценивать затраты на внедрение и выгоды для бизнеса.
✅ Найти ответы на практические вопросы: какие типы данных хотим обрабатывать? Где и как их хранить? Какие требования к скорости и задержкам мы предъявляем?
✅ Определить экономическую целесообразность миграции с предыдущего стека технологий на новый. В миграцию на платформы Greenplum, Hadoop, ClickHouse и пр. (на которых работает 70% компаний) вложены огромные ресурсы. Для понимания — хранилище «Ростелекома» вмещает более 10 петабайт данных и тысячи источников. Переезд на новую платформу часто экономически нецелесообразен. При этом используемые сейчас решения — зрелые и понятные, их плюсы и минусы ясны, на рынке достаточно экспертизы — логично продолжать их развивать.
✅ Изначально проработать вопросы по ИБ при выборе технологий, т.к. часто об этом думают в последний момент, а технология этим требованиям не удовлетворяет: в продакшне выясняется, что нет многоуровневого доступа к данным, политик и пр.
✅ Выбрать релевантные инструменты. Например, продукты TDatа на open source позволяют закрыть полный цикл работы с данными — от хранения до управления. В их числе: RT.DataGovernance для упорядочивания и документирования данных и RT.ClusterManager для автоматизации развёртывания, управления и мониторинга продуктов платформы TData, а также доработанные версии GreenPlum, ClikHouse, которые в том числе получили сертификацию ФСТЭК, и собственная сборка Hadoop.
✅ Заранее ответить самим себе, что именно мы строим: «песочницу» для быстрых экспериментов или регламентированные процессы — и осознанно выбрать подход.
Об этом на Fintech Data Day рассказали Михаил Комаров, директор по развитию бизнеса в области данных и ИИ «Ростелекома», и Григорий Бокштейн, ведущий эксперт по управлению данными TData.
За 15 лет мир данных кардинально изменился:
— Инструменты, в эффективность которых поначалу мало кто верил, уже прошли пик популярности и постепенно утрачивают клиентскую базу. Жизненные циклы технологий сокращаются: если раньше технологический стек пересматривали раз в 5 лет, теперь приходится это делать практически ежегодно.
— Параллельно уходят в прошлое казавшиеся вечными темы дискуссий — например, о преимуществах монолита «всё в одном» перед выделенным DWH — сейчас такой спор звучит странно.
— Объем данных постоянно растет, и одновременно меняется их природа и сценарии использования — очень быстро был пройден путь от транзакционных данных и справочников через кликстрим и неструктурированные данные до ИИ и LLM.
— Изменились ожидания бизнеса: если раньше отчетность требовалась максимум раз в месяц, то сейчас обновления нужны чаще, чем раз в 5 минут.
Это ведет к росту числа сценариев и требований — значит, к большему разнообразию технологий и фрагментации. Когда‑то можно было «купить Oracle и жить на Oracle», добавив немножко Exadata — этого вполне хватало. Сейчас же в компаниях уживаются несколько разных технологий под разные задачи, и их количество будет увеличиваться.
Что происходит сейчас?
Восторженное отношение к Lakehouse, которое мы сейчас наблюдаем, очень напоминает веру в Hadoop 10-летней давности, в то, что магическим образом прибыль «должна была вырасти» на 20% сразу после его установки.
Безусловно, в основе Lakehouse — отличная архитектура: разделенные compute и storage, специализированные технологии… Однако Iceberg, Trino, StarRocks — всего лишь компоненты «здесь и сейчас»: через год их могут сменить другие. Не стоит гнаться за хайпом — у каждой технологии есть своя область применения и свое место. Например, сейчас многие выбирают Iceberg для хранения данных в LakeHouse, но он не универсален, и сейчас уже набирают популярность альтернативные форматы хранения для определенного круга задач. Надо принять изменчивость мира данных.
Что с этим делать?
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥4👍2
Weekly Data News: Сбер создает отдельный блок GenAI, открытые модели догоняют закрытые, Китай ограничивает иностранные чипы в ЦОДах
Сбербанк объявил о создании нового блока «Развитие генеративного ИИ», который займется разработкой фундаментальных моделей генеративного искусственного интеллекта. Подразделение возглавил Антон Фролов, ex-технический директор холдинга VK. Выделение этого направления в отдельный блок подчеркивает его приоритетное значение как для Сбера, так и для десятков миллионов клиентов экосистемы, уже использующих AI-решения, отмечается в пресс-релизе.
Разрыв между открытыми и закрытыми ИИ-моделями сокращается
По оценке Epoch AI, моделям с открытыми весами теперь требуется в среднем 3,5 месяца, чтобы догнать передовые закрытые системы от OpenAI, Anthropic и Google. Год назад этот разрыв составлял около 12 месяцев. Сейчас разница между топовыми открытыми и лучшими закрытыми моделями сопоставима с отрывом между флагманскими GPT-5 и Gemini 2.5 Pro и их облегченными версиями mini и flash.
Китай запретил дата-центрам закупать иностранные ИИ-чипы при государственной поддержке. Строящиеся дата-центры, ранее получившие госфинансирование, не смогут приобретать зарубежные чипы для задач ИИ. Объекты с готовностью меньше 30% должны демонтировать уже установленные иностранные чипы и отказаться от новы закупок; по более продвинутым решения будут приниматься точечно.
Эксперты считают, что эта мера ударит по выручке крупных игроков, таких как Nvidia, AMD и Intel, поскольку большинство китайских ЦОДов строились при поддержке государства.
OpenAI обратилась к властям США за гарантиями на 1 трлн долл. По словам финансового директора Сары Фриар, такие гарантии позволили бы привлечь масштабные инвестиции в вычислительную инфраструктуру ИИ с учетом неопределенного срока службы ЦОДов и расширить круг потенциальных кредиторов, так как многие банки и финансовые институты сталкиваются со строгими ограничениями на рискованное кредитование.
Microsoft протестировала симулятор торговой площадки, чтобы изучить поведение ИИ-агентов при подборе продуктов и услуг. Выяснилось, что нейросети часто выбирают первую ссылку в поиске и поддаются простым манипуляциям, таким как "тысячи довольных клиентов". В тестах участвовали модели GPT-5, Gemini 2.5 Flash, Claude Sonnet 4.5, китайская Qwen 3 и другие.
Сбербанк объявил о создании нового блока «Развитие генеративного ИИ», который займется разработкой фундаментальных моделей генеративного искусственного интеллекта. Подразделение возглавил Антон Фролов, ex-технический директор холдинга VK. Выделение этого направления в отдельный блок подчеркивает его приоритетное значение как для Сбера, так и для десятков миллионов клиентов экосистемы, уже использующих AI-решения, отмечается в пресс-релизе.
Разрыв между открытыми и закрытыми ИИ-моделями сокращается
По оценке Epoch AI, моделям с открытыми весами теперь требуется в среднем 3,5 месяца, чтобы догнать передовые закрытые системы от OpenAI, Anthropic и Google. Год назад этот разрыв составлял около 12 месяцев. Сейчас разница между топовыми открытыми и лучшими закрытыми моделями сопоставима с отрывом между флагманскими GPT-5 и Gemini 2.5 Pro и их облегченными версиями mini и flash.
Китай запретил дата-центрам закупать иностранные ИИ-чипы при государственной поддержке. Строящиеся дата-центры, ранее получившие госфинансирование, не смогут приобретать зарубежные чипы для задач ИИ. Объекты с готовностью меньше 30% должны демонтировать уже установленные иностранные чипы и отказаться от новы закупок; по более продвинутым решения будут приниматься точечно.
Эксперты считают, что эта мера ударит по выручке крупных игроков, таких как Nvidia, AMD и Intel, поскольку большинство китайских ЦОДов строились при поддержке государства.
OpenAI обратилась к властям США за гарантиями на 1 трлн долл. По словам финансового директора Сары Фриар, такие гарантии позволили бы привлечь масштабные инвестиции в вычислительную инфраструктуру ИИ с учетом неопределенного срока службы ЦОДов и расширить круг потенциальных кредиторов, так как многие банки и финансовые институты сталкиваются со строгими ограничениями на рискованное кредитование.
Microsoft протестировала симулятор торговой площадки, чтобы изучить поведение ИИ-агентов при подборе продуктов и услуг. Выяснилось, что нейросети часто выбирают первую ссылку в поиске и поддаются простым манипуляциям, таким как "тысячи довольных клиентов". В тестах участвовали модели GPT-5, Gemini 2.5 Flash, Claude Sonnet 4.5, китайская Qwen 3 и другие.
👍3
Media is too big
VIEW IN TELEGRAM
Кто сегодня задает тон на рынке труда датасайентистов и ML — компании или кандидаты? И как меняются ожидания и требования в условиях роста финтеха и цифровой трансформации?
Об этом на Fintech Data Day рассказала Оксана Прутьянова, руководитель практики поиска ML, DS и аналитиков агентства NEWHR.
Что происходит с зарплатами?
✅ По итогам последнего ежегодного опроса 70% респондентов отметили рост зарплаты; около 45% указали повышение в диапазоне 10–30% — типичный стабильный интервал. Часто такое увеличение связано с переходом на новую работу, когда кандидаты запрашивают +15–20% (речь именно об окладе (фиксированной части), а не о премиях).
✅ Для senior и выше обычно формируют рыночный оклад, а "остальное" выносят в переменную часть (премии, LTI и пр.). Общий доход зависит от договоренностей и внешней ситуации, поэтому предсказать его сложнее. Зато специалисты, приносящие ощутимый бизнес-эффект, могут существенно увеличить суммарный доход.
✅ Для junior и middle ситуация иная: условия чаще диктует рынок, переговорная сила у них слабее.
Кто управляет рынком?
Сложилась парадоксальная картина: рынок одновременно и «кандидатский», и «работодательский». Значительная доля вакансий не публикуется: поиск идет через нетворкинг и закрытые каналы, особенно для высокоуровневых позиций. Открытые объявления притягивают много нерелевантных откликов (например, от «LLM‑специалистов», собравших простейших чат‑бот), и разбирать такие потоки дорого, поэтому рекрутеры все чаще переходят к точечному ручному поиску.
Что делать кандидатам?
✅ Сформируйте сильное профессиональное присутствие: аккуратно оформленный профиль в LinkedIn (его продолжают использовать и на российском рынке), качественное резюме на HeadHunter и других площадках.
✅ Откликайтесь с продуманным профилем — просто написать «data scientist» уже недостаточно.
✅ Развивайте нетворкинг: он реально работает. Осознанно расширяйте круг профессиональных контактов.
✅ Работайте над личным брендом — публикуйте кейсы, пишите профессиональные материалы. Для этого удобен LinkedIn (за счет возможности регулярных публикаций и диалога с другими участниками сети), а также собственный Telegram‑канал.
Какие отрасли наиболее перспективны?
Долгое время лидировал e‑commerce, за ним шел финтех. В этом году финтех вышел на первое место с небольшим отрывом от e‑commerce и маркетплейсов, а банки поднялись на третье.
Рост интереса к классическим банкам объясняется их работой над HR‑брендом, фактором стабильности и «ламповостью» в командах — это помогает привлекать сильных специалистов.
Как меняется воронка найма с распространением LLM‑моделей?
Несколько примечательных трендов:
✅ Грани между DS и ML размываются. На российском рынке аналитики часто "перетекают" в ML, тогда как на международном рынке DS ближе к исследовательским ролям — важно учитывать эти нюансы при поиске работы;
✅ В России растет спрос на MLE (Machine Learning Engineer);
✅ Усиливается внутренняя дифференциация профессий и выделение узких специализаций: например, есть спрос на экспертов по A/B‑тестам («вырезанный» кусок продуктовой аналитики) или экспертов по оптимизации и ускорению нейросетей — эту функцию, по сути, выносят из зон ответственности MLE и MLOps и закрепляют за отдельным человеком.
Можно ли говорить об отдельной роли «специалист по LLM»?
Компании ищут MLE (LLM/NLP), и, например, LLM (CV). При этом готовы рассматривать кандидатов из других ML‑доменов — аудио, компьютерного зрения и т. п.: перейти на языковые модели обычно проще, а вот обратно — из LLM в CV или аудио — сложнее.
Примечательно: примерно 80% кандидатов сейчас не заинтересованы в работе с «классическим» ML. Таких людей найти трудно, но это шанс для тех, кто переходит из дата‑аналитики в Data Science и далее в ML — у них есть реальная возможность "зацепиться" на рынке.
Об этом на Fintech Data Day рассказала Оксана Прутьянова, руководитель практики поиска ML, DS и аналитиков агентства NEWHR.
Что происходит с зарплатами?
Кто управляет рынком?
Сложилась парадоксальная картина: рынок одновременно и «кандидатский», и «работодательский». Значительная доля вакансий не публикуется: поиск идет через нетворкинг и закрытые каналы, особенно для высокоуровневых позиций. Открытые объявления притягивают много нерелевантных откликов (например, от «LLM‑специалистов», собравших простейших чат‑бот), и разбирать такие потоки дорого, поэтому рекрутеры все чаще переходят к точечному ручному поиску.
Что делать кандидатам?
Какие отрасли наиболее перспективны?
Долгое время лидировал e‑commerce, за ним шел финтех. В этом году финтех вышел на первое место с небольшим отрывом от e‑commerce и маркетплейсов, а банки поднялись на третье.
Рост интереса к классическим банкам объясняется их работой над HR‑брендом, фактором стабильности и «ламповостью» в командах — это помогает привлекать сильных специалистов.
Как меняется воронка найма с распространением LLM‑моделей?
Несколько примечательных трендов:
Можно ли говорить об отдельной роли «специалист по LLM»?
Компании ищут MLE (LLM/NLP), и, например, LLM (CV). При этом готовы рассматривать кандидатов из других ML‑доменов — аудио, компьютерного зрения и т. п.: перейти на языковые модели обычно проще, а вот обратно — из LLM в CV или аудио — сложнее.
Примечательно: примерно 80% кандидатов сейчас не заинтересованы в работе с «классическим» ML. Таких людей найти трудно, но это шанс для тех, кто переходит из дата‑аналитики в Data Science и далее в ML — у них есть реальная возможность "зацепиться" на рынке.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥7❤3👍2💯1
3 кейса Сбера, ВТБ и Альфа-Банка. Клиентский опыт + ИИ и данные. Стратегии лидеров
Темы ИИ, данных, клиентского опыта в финтехе – становятся главными почти на каждом нашем событии.
В канале предстоящего форума CX Fintech Day мы разместили три полных записи выступления, которые затрагивают эти темы.
1️⃣ Как системно организовать работу управления клиентским опытом на уровне стратегии — Анна Кабанец, директор по CX-стратегии Альфа-Банка.
2️⃣ Как развить способность бота решать задачу сентиментного анализа с точностью до 80% и научить его грамотно управлять диалогом — Александр Александров, вице-президент Банка ВТБ.
3️⃣ Как с помощью синергии В2U и больших данных выйти на новый уровень взаимодействия с клиентом — Дарья Жаркова, директор проектов СХ В2В Сбера.
👉 Переходите на канал CX Fintech Day и забирайте записи выступлений в закрепленном сообщении.
👉 Узнать больше о форуме – самой большой тусовке по CX в финтехе, которая состоится 11 декабря, и зарегистрироваться можно на сайте
Темы ИИ, данных, клиентского опыта в финтехе – становятся главными почти на каждом нашем событии.
В канале предстоящего форума CX Fintech Day мы разместили три полных записи выступления, которые затрагивают эти темы.
1️⃣ Как системно организовать работу управления клиентским опытом на уровне стратегии — Анна Кабанец, директор по CX-стратегии Альфа-Банка.
2️⃣ Как развить способность бота решать задачу сентиментного анализа с точностью до 80% и научить его грамотно управлять диалогом — Александр Александров, вице-президент Банка ВТБ.
3️⃣ Как с помощью синергии В2U и больших данных выйти на новый уровень взаимодействия с клиентом — Дарья Жаркова, директор проектов СХ В2В Сбера.
👉 Переходите на канал CX Fintech Day и забирайте записи выступлений в закрепленном сообщении.
👉 Узнать больше о форуме – самой большой тусовке по CX в финтехе, которая состоится 11 декабря, и зарегистрироваться можно на сайте
❤1
Weekly Data News: ИИ‑агенты становятся трендом‑2026, Gemini и K2 усиливают гонку за интеллектом, датацентры переходят на автопилот
Google представила Gemini 3 Pro — свое самое мощное ИИ-решение на сегодняшний день. Архитектура Mixture of Experts включает более триллиона параметров, при каждом запросе активируются 15–20 млрд, что позволяет отвечать быстро и эффективно без лишней нагрузки. В контекстном окне помещается до 1 млн токенов, что является эквивалентом целой книги или крупного кода. Модель понимает текст, изображения, аудио и видео одновременно, используя «многобашенную» систему рассуждений. Также есть режим «глубокого анализа» (Deep Think), самокоррекция ошибок и агентный режим.
Китайский стартап Moonshot AI запустил открытую нейросетевую модель K2 Thinking. Главное отличие — способность к многоуровневому рассуждению и глубокому анализу, а не просто генерация текста. Модель может выполнять до 200-300 операций с использованием внешних инструментов без вмешательства человека и демонстрирует высокую результативность на сложных тестах (44,9% на экзамене Humanity’s Last Exam и 60,2% на BrowseComp для поиска информации с интернетом (против 29,2% у человека). Также она способна по единственному запросу создавать полностью функциональные адаптивные сайты, фронтенд-компоненты и текстовые редакторы.
В Южной Корее готовятся запустить датацентр, который будет спроектирован и управляться искусственным интеллектом. ИИ будет решать все - от выбора площадки до исправления поломок в процессе работы. Стоимость проекта Project Concord — 35 млрд долл., планируемая мощность - 3 ГВт. ИИ будет работать не только на этапе строительства (выбор участка, проектирование), но и в процессе эксплуатации, следя за энергопотреблением, охлаждением и даже устраняя неисправности без участия человека. Проект должен быть завершён в 2028 году.
ИИ-агенты, обогащение и интеграция данных вошли в число российских трендов 2026 года. НИУ ВШЭ опросил провел опрос 306 представителей российских компаний, чтобы определить десять наиболее значимых трендов для бизнеса в 2026 году. Как выяснилось, ИИ-агенты — главный технологический фокус бизнеса. 59% опрошенных изучают способы интеграции таких инструментов в свою деятельность. Эксперты считают, что в перспективе бизнес сможет комбинировать нескольких агентов в единую экосистему. Наиболее широко внедрен подход к обогащению и интеграции корпоративных данных. 61% компаний подтвердили наличие действующих проектов по управлению корпоративными базами данных, еще 26% планируют запустить их. Отдельно эксперты выделили неоднозначную тенденцию роста популярности синтетических данных. Этот тренд набирает обороты благодаря способности таких массивов имитировать реальные структуры данных без раскрытия личной информации о клиентах или процессах предприятия. Также в числе выявленных трендов предметно-специфические языковые модели, мобильные роботы и автономные дроны, бизнес-аналитика с использованием ИИ, упреждающая кибербезопасность, адаптация и импортозамещение практик управления ИТ.
Российский рынок, объединяющий решения в сфере больших данных и искусственного интеллекта, по итогам 2025 года может достичь 520 млрд рублей. Такой рост, согласно совместному исследованию АБД, консалтинговой компании Б1 и TAdviser, обеспечивается за счет господдержки, импортозамещения и активного развития облачных инфраструктур. Отмечается, что в 2024 году объем этого рынка уже достиг 433 млрд рублей, а среднегодовой темп роста сегмента больших данных в ближайшие пять лет может составить порядка 20%.
Google представила Gemini 3 Pro — свое самое мощное ИИ-решение на сегодняшний день. Архитектура Mixture of Experts включает более триллиона параметров, при каждом запросе активируются 15–20 млрд, что позволяет отвечать быстро и эффективно без лишней нагрузки. В контекстном окне помещается до 1 млн токенов, что является эквивалентом целой книги или крупного кода. Модель понимает текст, изображения, аудио и видео одновременно, используя «многобашенную» систему рассуждений. Также есть режим «глубокого анализа» (Deep Think), самокоррекция ошибок и агентный режим.
Китайский стартап Moonshot AI запустил открытую нейросетевую модель K2 Thinking. Главное отличие — способность к многоуровневому рассуждению и глубокому анализу, а не просто генерация текста. Модель может выполнять до 200-300 операций с использованием внешних инструментов без вмешательства человека и демонстрирует высокую результативность на сложных тестах (44,9% на экзамене Humanity’s Last Exam и 60,2% на BrowseComp для поиска информации с интернетом (против 29,2% у человека). Также она способна по единственному запросу создавать полностью функциональные адаптивные сайты, фронтенд-компоненты и текстовые редакторы.
В Южной Корее готовятся запустить датацентр, который будет спроектирован и управляться искусственным интеллектом. ИИ будет решать все - от выбора площадки до исправления поломок в процессе работы. Стоимость проекта Project Concord — 35 млрд долл., планируемая мощность - 3 ГВт. ИИ будет работать не только на этапе строительства (выбор участка, проектирование), но и в процессе эксплуатации, следя за энергопотреблением, охлаждением и даже устраняя неисправности без участия человека. Проект должен быть завершён в 2028 году.
ИИ-агенты, обогащение и интеграция данных вошли в число российских трендов 2026 года. НИУ ВШЭ опросил провел опрос 306 представителей российских компаний, чтобы определить десять наиболее значимых трендов для бизнеса в 2026 году. Как выяснилось, ИИ-агенты — главный технологический фокус бизнеса. 59% опрошенных изучают способы интеграции таких инструментов в свою деятельность. Эксперты считают, что в перспективе бизнес сможет комбинировать нескольких агентов в единую экосистему. Наиболее широко внедрен подход к обогащению и интеграции корпоративных данных. 61% компаний подтвердили наличие действующих проектов по управлению корпоративными базами данных, еще 26% планируют запустить их. Отдельно эксперты выделили неоднозначную тенденцию роста популярности синтетических данных. Этот тренд набирает обороты благодаря способности таких массивов имитировать реальные структуры данных без раскрытия личной информации о клиентах или процессах предприятия. Также в числе выявленных трендов предметно-специфические языковые модели, мобильные роботы и автономные дроны, бизнес-аналитика с использованием ИИ, упреждающая кибербезопасность, адаптация и импортозамещение практик управления ИТ.
Российский рынок, объединяющий решения в сфере больших данных и искусственного интеллекта, по итогам 2025 года может достичь 520 млрд рублей. Такой рост, согласно совместному исследованию АБД, консалтинговой компании Б1 и TAdviser, обеспечивается за счет господдержки, импортозамещения и активного развития облачных инфраструктур. Отмечается, что в 2024 году объем этого рынка уже достиг 433 млрд рублей, а среднегодовой темп роста сегмента больших данных в ближайшие пять лет может составить порядка 20%.
👍2🔥2
Weekly Data News: «лицензионные» нейроны защищают ИИ, Alice AI и китайские LLM выходят в B2B, в США строят мегахабы для научного ИИ
Российские ученые первыми нашли способ защитить модели компьютерного зрения от пиратства без дополнительного обучения. Команда из научной лаборатории ИИ Центрального университета предложила механизм, который защищает готовые нейросети по принципу лицензионного ключа. В модель добавляется специальный нейрон, который не реагирует на обычные изображения, но активируется при появлении секретного ключа – это и позволяет подтвердить авторство. А «нейроны-нарушители» делают модель работоспособной только при наличии ключа. Без него она начинает вносить помехи.
Yandex B2B Tech открывает для бизнеса доступ к новому семейству генеративных моделей Alice AI. На них уже работает нейросеть Алиса AI — теперь компании смогут создавать на их основе собственные ИИ-приложения. Также модель Alice AI LLM умеет простым языком объяснить сложные вещи, учитывая специфику бизнеса, внутренние документы и инструкции.
МТС Web Services открывает доступ к сверхбольшим китайским языковым моделям в сервисе MWS GPT. С сегодняшнего дня на платформе станут доступны сверхбольшие китайские языковые модели Qwen и Kimi с размером параметров от 235 млрд до 1 трлн, а также GLM-4.6. Их можно использовать в различных вертикалях компании и в кросс-отраслевых сценариях – от анализа документации до генерации кода и подготовки отчетов.
Amazon инвестирует 50 млрд долл. в строительство ИИ-центров обработки данных. Новые дата-центры увеличат мощности на 1,3 ГВт — это ускорит работу сервисов, используемых госорганами США. Благодаря этим вложениям государственные клиенты Amazon Web Services (AWS, облачная «дочка» Amazon) получат доступ к широкому набору инструментов ИИ, а также к оборудованию AWS и Nvidia. Это, в частности, даст возможность клиентам создавать собственные системы искусственного интеллекта.
В США запустили национальную ИИ-инициативу для ускорения научных открытий. Genesis Mission — программа, которая должна объединить суперкомпьютеры, научные данные и инфраструктуру федеральных ведомств в единую закрытую платформу для ИИ-исследований. Министерству энергетики поручено создать специализированную платформу, которая объединит суперкомпьютеры национальных лабораторий, закрытые и открытые научные датасеты, вычислительные кластеры, ИИ-модели и роботизированные лаборатории в систему, способную автоматизировать эксперименты, симуляции и построение предсказательных моделей. По данным Bloomberg, инициатива предполагает расширение партнерств с Nvidia, Dell, Hewlett Packard Enterprise и AMD для усиления суперкомпьютерных мощностей национальных лабораторий.
AI-агенты проваливают 70% простых задач самостоятельно, но с человеческой помощью их эффективность резко возрастает. Результаты исследования Upwork основаны на анализе более 300 реальных клиентских проектов. Индекс продуктивности человека и агента (HAPI) от Upwork оценил, как три ведущие AI-системы — Gemini 2.5 Pro, GPT-5 от OpenAI и Claude Sonnet 4 — справлялись с реальными заданиями от платящих клиентов в различных категориях, включая написание текстов, анализ данных, веб-разработку, инжиниринг, продажи и перевод. Для проектов по анализу данных Claude Sonnet 4 достиг 64% завершения при самостоятельной работе, но поднялся до 93% после получения обратной связи от эксперта. В продажах и маркетинге Gemini 2.5 Pro улучшил результат с 17% до 31% с человеческой помощью. GPT-5 показал аналогичные улучшения в инжиниринге — с 30% до 50% завершения.
Российские ученые первыми нашли способ защитить модели компьютерного зрения от пиратства без дополнительного обучения. Команда из научной лаборатории ИИ Центрального университета предложила механизм, который защищает готовые нейросети по принципу лицензионного ключа. В модель добавляется специальный нейрон, который не реагирует на обычные изображения, но активируется при появлении секретного ключа – это и позволяет подтвердить авторство. А «нейроны-нарушители» делают модель работоспособной только при наличии ключа. Без него она начинает вносить помехи.
Yandex B2B Tech открывает для бизнеса доступ к новому семейству генеративных моделей Alice AI. На них уже работает нейросеть Алиса AI — теперь компании смогут создавать на их основе собственные ИИ-приложения. Также модель Alice AI LLM умеет простым языком объяснить сложные вещи, учитывая специфику бизнеса, внутренние документы и инструкции.
МТС Web Services открывает доступ к сверхбольшим китайским языковым моделям в сервисе MWS GPT. С сегодняшнего дня на платформе станут доступны сверхбольшие китайские языковые модели Qwen и Kimi с размером параметров от 235 млрд до 1 трлн, а также GLM-4.6. Их можно использовать в различных вертикалях компании и в кросс-отраслевых сценариях – от анализа документации до генерации кода и подготовки отчетов.
Amazon инвестирует 50 млрд долл. в строительство ИИ-центров обработки данных. Новые дата-центры увеличат мощности на 1,3 ГВт — это ускорит работу сервисов, используемых госорганами США. Благодаря этим вложениям государственные клиенты Amazon Web Services (AWS, облачная «дочка» Amazon) получат доступ к широкому набору инструментов ИИ, а также к оборудованию AWS и Nvidia. Это, в частности, даст возможность клиентам создавать собственные системы искусственного интеллекта.
В США запустили национальную ИИ-инициативу для ускорения научных открытий. Genesis Mission — программа, которая должна объединить суперкомпьютеры, научные данные и инфраструктуру федеральных ведомств в единую закрытую платформу для ИИ-исследований. Министерству энергетики поручено создать специализированную платформу, которая объединит суперкомпьютеры национальных лабораторий, закрытые и открытые научные датасеты, вычислительные кластеры, ИИ-модели и роботизированные лаборатории в систему, способную автоматизировать эксперименты, симуляции и построение предсказательных моделей. По данным Bloomberg, инициатива предполагает расширение партнерств с Nvidia, Dell, Hewlett Packard Enterprise и AMD для усиления суперкомпьютерных мощностей национальных лабораторий.
AI-агенты проваливают 70% простых задач самостоятельно, но с человеческой помощью их эффективность резко возрастает. Результаты исследования Upwork основаны на анализе более 300 реальных клиентских проектов. Индекс продуктивности человека и агента (HAPI) от Upwork оценил, как три ведущие AI-системы — Gemini 2.5 Pro, GPT-5 от OpenAI и Claude Sonnet 4 — справлялись с реальными заданиями от платящих клиентов в различных категориях, включая написание текстов, анализ данных, веб-разработку, инжиниринг, продажи и перевод. Для проектов по анализу данных Claude Sonnet 4 достиг 64% завершения при самостоятельной работе, но поднялся до 93% после получения обратной связи от эксперта. В продажах и маркетинге Gemini 2.5 Pro улучшил результат с 17% до 31% с человеческой помощью. GPT-5 показал аналогичные улучшения в инжиниринге — с 30% до 50% завершения.
❤3👍2👏1
Weekly Data News: рынок труда требует промпт-экспертизы, DeepSeek ускоряет гонку LLM, OZON Profit собирает датасеты в онлайне
Число вакансий с навыками написания промптов в России выросло в 1,5 раза. По данным HeadHunter, за 10 месяцев 2025 года их количество увеличилось на 52% год к году, до более 1,3 тыс. вакансий. Количество резюме соискателей при этом выросло в 3,1 раза.
Больше всего предложений о работе приходится на Центральный федеральный округ — 74%. На втором и третьем местах Северо-Западный (12%) и Приволжский (6%) федеральные округа.
В SuperJob также фиксируют рост числа вакансий с требованием опыта работы с ИИ: за год их количество увеличилось в 2,3 раза. Навыки написания промптов чаще всего требуются UI/UX-дизайнерам, менеджерам по маркетингу, продажам и работе с клиентами, Product/Project-менеджерам и графическим дизайнерам.
Китайский стартап выпустил модели DeepSeek-V3.2 и DeepSeek-V3.2-Speciale. Разработчики отмечают новую методику обучения, сочетающую надежные протоколы с масштабными вычислениями, а также усовершенствованный механизм внимания, который позволяет эффективно обрабатывать большие объемы текста без потери качества. По данным компании, модель DeepSeek-V3.2-Speciale по ряду параметров превосходит GPT-5 от OpenAI и сопоставима по уровню рассуждений модели Gemini-3.0 Pro от Google.
БПС разработала модуль Machine Learning Service, который обеспечивает функционал скоринга транзакций. Система автоматически анализирует операции, присваивая им оценку риска в режимах предотвращения и обнаружения мошеннических действий. Внедрение ML Service повышает точность выявления подозрительных транзакций и снижает нагрузку на аналитиков за счет автоматизации рутинных процессов.
Ozon Profit запускает задания с выездом на точку по всей России. Новое направление — полевые задания — позволяет находить исполнителей для задач, требующих выезда на конкретную локацию. Заказчик выбирает город или адрес, формулирует задачу, и исполнитель приезжает на место. Это может быть фотофиксация витрин, проверка цен или качества сервиса. Широкая география исполнителей позволяет выполнять такие заказы оперативно по всей стране.
Параллельно растет спрос на онлайн-проекты: за последний год их объем на платформе увеличился в пять раз. Исполнители занимаются разметкой текстов, изображений и видео, анализируют обращения клиентов, определяют эмоции и темы в комментариях. Это помогает компаниям обучать ML-модели и повышать точность автоматизированной модерации.
Число вакансий с навыками написания промптов в России выросло в 1,5 раза. По данным HeadHunter, за 10 месяцев 2025 года их количество увеличилось на 52% год к году, до более 1,3 тыс. вакансий. Количество резюме соискателей при этом выросло в 3,1 раза.
Больше всего предложений о работе приходится на Центральный федеральный округ — 74%. На втором и третьем местах Северо-Западный (12%) и Приволжский (6%) федеральные округа.
В SuperJob также фиксируют рост числа вакансий с требованием опыта работы с ИИ: за год их количество увеличилось в 2,3 раза. Навыки написания промптов чаще всего требуются UI/UX-дизайнерам, менеджерам по маркетингу, продажам и работе с клиентами, Product/Project-менеджерам и графическим дизайнерам.
Китайский стартап выпустил модели DeepSeek-V3.2 и DeepSeek-V3.2-Speciale. Разработчики отмечают новую методику обучения, сочетающую надежные протоколы с масштабными вычислениями, а также усовершенствованный механизм внимания, который позволяет эффективно обрабатывать большие объемы текста без потери качества. По данным компании, модель DeepSeek-V3.2-Speciale по ряду параметров превосходит GPT-5 от OpenAI и сопоставима по уровню рассуждений модели Gemini-3.0 Pro от Google.
БПС разработала модуль Machine Learning Service, который обеспечивает функционал скоринга транзакций. Система автоматически анализирует операции, присваивая им оценку риска в режимах предотвращения и обнаружения мошеннических действий. Внедрение ML Service повышает точность выявления подозрительных транзакций и снижает нагрузку на аналитиков за счет автоматизации рутинных процессов.
Ozon Profit запускает задания с выездом на точку по всей России. Новое направление — полевые задания — позволяет находить исполнителей для задач, требующих выезда на конкретную локацию. Заказчик выбирает город или адрес, формулирует задачу, и исполнитель приезжает на место. Это может быть фотофиксация витрин, проверка цен или качества сервиса. Широкая география исполнителей позволяет выполнять такие заказы оперативно по всей стране.
Параллельно растет спрос на онлайн-проекты: за последний год их объем на платформе увеличился в пять раз. Исполнители занимаются разметкой текстов, изображений и видео, анализируют обращения клиентов, определяют эмоции и темы в комментариях. Это помогает компаниям обучать ML-модели и повышать точность автоматизированной модерации.
👍2❤1
Weekly Data News: GPT‑5.2 обгоняет людей в сложных задачах, data-центры начнут перемещаться в космос, спрос на AI‑тренеров разгоняет зарплаты
Компания OpenAI представила новую версию генеративной модели — GPT-5.2, заметно усилив ключевые способности по сравнению с предыдущим поколением. По заявлению компании, модель превосходит людей в 71% сложных задач (у GPT-5.1 показатель был примерно 39%). Также улучшены возможности генерации кода: GPT 5.2 может не только формировать отдельные фрагменты, но и собирать цельные интерфейсы и структуры. Контекстная память GPT-5.2 стала устойчивее: модель лучше удерживает нить длинных диалогов и сложных рассуждений, что критично для задач с множеством уточнений и переменных. Отмечаются более актуальные знания и меньшее количество галлюцинаций по сравнению с предыдущей версией.
Google планирует развернуть два первых дата-центра на орбите уже в 2027 году. Пилотные спутники позволяет оценить надежность TPU-чипов компании и оптических каналов связи в реальных условиях. Аппараты разместят на низкой околоземной орбите, где они будут получать практически непрерывное солнечное освещение. Идея проекта — эффективнее использовать солнечную энергию, потенциал которой, по словам CEO Google Сундара Пичаи, «в 100 трлн раз» превосходит сегодняшние земные мощности.
Число научных публикаций о галлюцинациях ИИ выросло на 377% за три года. По данным Ростелекома, с начала 2022 года по первое полугодие 2025-го в международных источниках вышло около 4 тысяч статей, посвященных галлюцинациям искусственного интеллекта. Чаще всего с ними сталкиваются пользователи, применяющие нейросети для автоматизации бизнес-процессов, генерации текстов, изображений, а также анализа данных. Наиболее типичные ошибки: фактические неточности, смысловые искажения, избыточная уверенность в ответах, неверная интерпретация запроса и нарушения логики.
Зарплаты AI-тренеров достигают 300 тыс. руб. на фоне дефицита кадров: спрос на таких специалистов вырос на 80%. При этом лишь 5-10% кандидатов обладают необходимыми компетенциями. 18% всех вакансий приходятся на финансовый сектор. По данным Superjob, больше всего вакансий размещают Яндекс и Сбер, развивающие собственные AI-продукты. Яндексу требуются специалисты со знанием лингвистики, переводов, юриспруденции, медицины, а также программисты для обучения AI-разработке. Сберу нужны лингвисты, филологи и переводчики.
Компания OpenAI представила новую версию генеративной модели — GPT-5.2, заметно усилив ключевые способности по сравнению с предыдущим поколением. По заявлению компании, модель превосходит людей в 71% сложных задач (у GPT-5.1 показатель был примерно 39%). Также улучшены возможности генерации кода: GPT 5.2 может не только формировать отдельные фрагменты, но и собирать цельные интерфейсы и структуры. Контекстная память GPT-5.2 стала устойчивее: модель лучше удерживает нить длинных диалогов и сложных рассуждений, что критично для задач с множеством уточнений и переменных. Отмечаются более актуальные знания и меньшее количество галлюцинаций по сравнению с предыдущей версией.
Google планирует развернуть два первых дата-центра на орбите уже в 2027 году. Пилотные спутники позволяет оценить надежность TPU-чипов компании и оптических каналов связи в реальных условиях. Аппараты разместят на низкой околоземной орбите, где они будут получать практически непрерывное солнечное освещение. Идея проекта — эффективнее использовать солнечную энергию, потенциал которой, по словам CEO Google Сундара Пичаи, «в 100 трлн раз» превосходит сегодняшние земные мощности.
Число научных публикаций о галлюцинациях ИИ выросло на 377% за три года. По данным Ростелекома, с начала 2022 года по первое полугодие 2025-го в международных источниках вышло около 4 тысяч статей, посвященных галлюцинациям искусственного интеллекта. Чаще всего с ними сталкиваются пользователи, применяющие нейросети для автоматизации бизнес-процессов, генерации текстов, изображений, а также анализа данных. Наиболее типичные ошибки: фактические неточности, смысловые искажения, избыточная уверенность в ответах, неверная интерпретация запроса и нарушения логики.
Зарплаты AI-тренеров достигают 300 тыс. руб. на фоне дефицита кадров: спрос на таких специалистов вырос на 80%. При этом лишь 5-10% кандидатов обладают необходимыми компетенциями. 18% всех вакансий приходятся на финансовый сектор. По данным Superjob, больше всего вакансий размещают Яндекс и Сбер, развивающие собственные AI-продукты. Яндексу требуются специалисты со знанием лингвистики, переводов, юриспруденции, медицины, а также программисты для обучения AI-разработке. Сберу нужны лингвисты, филологи и переводчики.
❤1👍1🔥1
Weekly Data News: Amazon обсуждает $10+ млрд для OpenAI, CatBoost от «Яндекса» лидирует по упоминаниям в Nature, 74% финтеха защищают ИИ на этапе данных и тестов
Amazon обсуждает инвестиции свыше $10 млрд в OpenAI и возможное расширение партнерства по ИИ-инфраструктуре, в т.ч. использование ИИ-чипов Amazon Trainium и аренду дополнительных дата-центров для работы моделей OpenAI (включая ChatGPT). Переговоры на ранней стадии и рассматриваются как дополнение к уже действующему соглашению OpenAI с Microsoft.
Аналитики изучили, как машинное обучение исследуется мировым научным сообществом.
MarkTechPost проанализировал около 5 тыс. научных статей о машинном обучении в журналах Nature и выделил ключевых «инноваторов», популярные инструменты и географию исследований. В список 30 организаций-инноваторов вошли российский «Яндекс», американские Intel, Microsoft и Google, немецкий Bosch, китайские Huawei, Baidu и южнокорейский Samsung. Алгоритм CatBoost (Categorical Boosting) от «Яндекса» оказался среди наиболее упоминаемых европейских ML-инструментов в научных статьях (188 упоминаний).
По числу публикаций лидируют Китай (43%), США (18%), Индия (11%), Саудовская Аравия (8%) и Великобритания (6%).
При этом аналитики отмечают перекос: несмотря на лидерство Китая по числу публикаций, у страны нет инструментов машинного обучения, которые использовались бы в академических исследованиях. При этом на США приходится 90% всех ML-инструментов, которые применялись исследователями.
Финтех активно усиливает AI Security. По данным исследования Ассоциации ФинТех и ГК Swordfish Security, 74% финтех-компаний концентрируют защитные меры на этапе подготовки данных и тестирования моделей, а 60% – уже внедряют комплексную защиту ИИ-систем.
В число наиболее распространенных практик входят регулярный мониторинг и аудит работы моделей, активное тестирование на уязвимости, обязательное обучение сотрудников основам AI Security, разработка внутренних стандартов и политик безопасности.
81% компаний считают ML и LLM ядром ИИ-стратегий. При этом более 25% респондентов уже сталкивались с инцидентами безопасности, связанными с атаками на ИИ-системы. 75% финтех-организаций выделяют утечку конфиденциальных данных в качестве ключевой угрозы безопасности при использовании ИИ, 62% — применяют гибридный подход к оценке результатов и выводов в работе с ИИ-решениями и только 12% респондентов внедряют системную оценку этических рисков ИИ.
Amazon обсуждает инвестиции свыше $10 млрд в OpenAI и возможное расширение партнерства по ИИ-инфраструктуре, в т.ч. использование ИИ-чипов Amazon Trainium и аренду дополнительных дата-центров для работы моделей OpenAI (включая ChatGPT). Переговоры на ранней стадии и рассматриваются как дополнение к уже действующему соглашению OpenAI с Microsoft.
Аналитики изучили, как машинное обучение исследуется мировым научным сообществом.
MarkTechPost проанализировал около 5 тыс. научных статей о машинном обучении в журналах Nature и выделил ключевых «инноваторов», популярные инструменты и географию исследований. В список 30 организаций-инноваторов вошли российский «Яндекс», американские Intel, Microsoft и Google, немецкий Bosch, китайские Huawei, Baidu и южнокорейский Samsung. Алгоритм CatBoost (Categorical Boosting) от «Яндекса» оказался среди наиболее упоминаемых европейских ML-инструментов в научных статьях (188 упоминаний).
По числу публикаций лидируют Китай (43%), США (18%), Индия (11%), Саудовская Аравия (8%) и Великобритания (6%).
При этом аналитики отмечают перекос: несмотря на лидерство Китая по числу публикаций, у страны нет инструментов машинного обучения, которые использовались бы в академических исследованиях. При этом на США приходится 90% всех ML-инструментов, которые применялись исследователями.
Финтех активно усиливает AI Security. По данным исследования Ассоциации ФинТех и ГК Swordfish Security, 74% финтех-компаний концентрируют защитные меры на этапе подготовки данных и тестирования моделей, а 60% – уже внедряют комплексную защиту ИИ-систем.
В число наиболее распространенных практик входят регулярный мониторинг и аудит работы моделей, активное тестирование на уязвимости, обязательное обучение сотрудников основам AI Security, разработка внутренних стандартов и политик безопасности.
81% компаний считают ML и LLM ядром ИИ-стратегий. При этом более 25% респондентов уже сталкивались с инцидентами безопасности, связанными с атаками на ИИ-системы. 75% финтех-организаций выделяют утечку конфиденциальных данных в качестве ключевой угрозы безопасности при использовании ИИ, 62% — применяют гибридный подход к оценке результатов и выводов в работе с ИИ-решениями и только 12% респондентов внедряют системную оценку этических рисков ИИ.
👍2❤1🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
Меньше мнений — больше цифр: как управлять без иллюзий и чем может помочь BPMS
Об этом на Fintech Data Day рассказал независимый эксперт Николай Петелин.
Когда анализ «сверху» не работает
Ценность для клиента создают продуктовые команды. Службы, которые «сверху» анализируют их процессы, пишут отчеты и раздают рекомендации, командами с собственными метриками, клиентами и KPI воспринимаются как назойливые комары: требуют изменений, но не отвечают за результат.
Более зрелый подход — когда поиск узких мест и оптимизация происходят внутри продуктовой команды. Это и дает BPMS: команда опирается на аналитику высоконагруженного процесса и меняет его на основе данных о поведении реальных клиентов, а не мнений руководителей, завязанных на свои KPI.
При этом BPMS — не разовое внедрение. Если после первых улучшений перестать регулярно мониторить метрики, эффект быстро сходит на нет. В период хайпа цифровизации так бывало часто: вендоры показывали рост, уходили, а без устойчивого управления внутри компании показатели проседали на 10–15%, а иногда и до 30% от достигнутого.
Что меняется, когда процесс видно в цифрах
Пример из личного опыта: мы разбирали высоконагруженный процесс открытия расчетных счетов с большим потоком заявок. В нем участвовали минимум пять ключевых систем (фронт, CRM, процессинг и др.) и 3–4 подразделения с разными интересами. Продажи давили на скорость ради бонусов, а операционный блок, распределенный по разным хабам, из‑за разницы часовых поясов мог задерживать процесс до 4 часов.
В такой среде нельзя управлять «по ощущениям» — нужны данные: где узкое место, сколько длится каждый шаг и кто влияет на итоговую метрику. Без цифр побеждает тот, кто громче продавливает решения.
Первые полгода мы так и жили: делали изменения по указке крупнейшего подразделения, но счет по-прежнему открывался за сутки. Позже стало понятно, почему «срочные улучшения» не дают эффекта: часть задач продавливали из личной выгоды (например, отчет под 20% бонуса). Тогда я поддержал внедрение process mining — и началось осознанное управление.
Мы выгрузили логи, взяли данные за полгода, собрали end-to-end прохождение заявки по всем пяти системам и загрузили в инструмент. Вскрылась главная боль — возвраты заявок. В МСБ и выигрывает тот, кто быстрее.
Мы поставили цель на первый год: полностью рабочий расчетный счет должен открываться за 30 минут во всех системах. Данные показали: один возврат растягивает срок до 36 часов, два возврата — до 72. Клиент за это время уходит и не возвращается.
Выбрали два ключевых инструмента:
1) process mining — дал масштаб и ключевые инсайты. Мы разобрали все возвраты, декомпозировали причины, выбрали топ‑5 и прицельно начали устранять. Например, на исторических данных обнаружили не «понятный маршрут заявки», а около 8000 вариаций прохождения — паутину из возвратов;
2) Power BI. От цикла «квартал закончился → месяц делают PowerPoint → месяц согласовывают → показывают уже неактуальную картину» (с предположениями «виноваты вот эти факторы» вместо конкретных цифр) перешли к режиму «почти онлайн»: за ночь системы собирали и консолидировали данные, выгружали в хранилище, а скриптами строились дашборды.
Каждое утро на стендапе и дейли команда начинала с цифр: как изменился процесс, особенно после релизов. За трехнедельный спринт мы брали в бэклог те изменения, которые сильнее всего влияли на метрики, и через 3–4 дня после релиза уже видели эффект в дашборде. Это снимало вопросы разработчиков «как я влияю на NPS/ROI/выручку»: каждый потерянный клиент — прямой минус к деньгам, а в МСБ стоимость привлечения доходила до 50 тысяч рублей.
Power BI (и аналоги) позволял без ручных выгрузок держать 3–4 ключевых показателя и быстро перестраивать борды под разные срезы.
Продолжение в следующем посте
Об этом на Fintech Data Day рассказал независимый эксперт Николай Петелин.
Когда анализ «сверху» не работает
Ценность для клиента создают продуктовые команды. Службы, которые «сверху» анализируют их процессы, пишут отчеты и раздают рекомендации, командами с собственными метриками, клиентами и KPI воспринимаются как назойливые комары: требуют изменений, но не отвечают за результат.
Более зрелый подход — когда поиск узких мест и оптимизация происходят внутри продуктовой команды. Это и дает BPMS: команда опирается на аналитику высоконагруженного процесса и меняет его на основе данных о поведении реальных клиентов, а не мнений руководителей, завязанных на свои KPI.
При этом BPMS — не разовое внедрение. Если после первых улучшений перестать регулярно мониторить метрики, эффект быстро сходит на нет. В период хайпа цифровизации так бывало часто: вендоры показывали рост, уходили, а без устойчивого управления внутри компании показатели проседали на 10–15%, а иногда и до 30% от достигнутого.
Что меняется, когда процесс видно в цифрах
Пример из личного опыта: мы разбирали высоконагруженный процесс открытия расчетных счетов с большим потоком заявок. В нем участвовали минимум пять ключевых систем (фронт, CRM, процессинг и др.) и 3–4 подразделения с разными интересами. Продажи давили на скорость ради бонусов, а операционный блок, распределенный по разным хабам, из‑за разницы часовых поясов мог задерживать процесс до 4 часов.
В такой среде нельзя управлять «по ощущениям» — нужны данные: где узкое место, сколько длится каждый шаг и кто влияет на итоговую метрику. Без цифр побеждает тот, кто громче продавливает решения.
Первые полгода мы так и жили: делали изменения по указке крупнейшего подразделения, но счет по-прежнему открывался за сутки. Позже стало понятно, почему «срочные улучшения» не дают эффекта: часть задач продавливали из личной выгоды (например, отчет под 20% бонуса). Тогда я поддержал внедрение process mining — и началось осознанное управление.
Мы выгрузили логи, взяли данные за полгода, собрали end-to-end прохождение заявки по всем пяти системам и загрузили в инструмент. Вскрылась главная боль — возвраты заявок. В МСБ и выигрывает тот, кто быстрее.
Мы поставили цель на первый год: полностью рабочий расчетный счет должен открываться за 30 минут во всех системах. Данные показали: один возврат растягивает срок до 36 часов, два возврата — до 72. Клиент за это время уходит и не возвращается.
Выбрали два ключевых инструмента:
1) process mining — дал масштаб и ключевые инсайты. Мы разобрали все возвраты, декомпозировали причины, выбрали топ‑5 и прицельно начали устранять. Например, на исторических данных обнаружили не «понятный маршрут заявки», а около 8000 вариаций прохождения — паутину из возвратов;
2) Power BI. От цикла «квартал закончился → месяц делают PowerPoint → месяц согласовывают → показывают уже неактуальную картину» (с предположениями «виноваты вот эти факторы» вместо конкретных цифр) перешли к режиму «почти онлайн»: за ночь системы собирали и консолидировали данные, выгружали в хранилище, а скриптами строились дашборды.
Каждое утро на стендапе и дейли команда начинала с цифр: как изменился процесс, особенно после релизов. За трехнедельный спринт мы брали в бэклог те изменения, которые сильнее всего влияли на метрики, и через 3–4 дня после релиза уже видели эффект в дашборде. Это снимало вопросы разработчиков «как я влияю на NPS/ROI/выручку»: каждый потерянный клиент — прямой минус к деньгам, а в МСБ стоимость привлечения доходила до 50 тысяч рублей.
Power BI (и аналоги) позволял без ручных выгрузок держать 3–4 ключевых показателя и быстро перестраивать борды под разные срезы.
Продолжение в следующем посте
❤3👍3🔥1
Меньше мнений — больше цифр: как управлять без иллюзий и чем может помочь BPMS. Часть 2
Метрика «чистых» заявок: управляем скоростью через возвраты
После обновления процесса к базовым добавился еще один важный показатель — доля «чистых» заявок (без единого возврата). Логика простая: возвраты и есть главный убийца скорости. Мы отдельно посчитали время прохождения «чистой» заявки — около 30 минут — и начали управлять динамикой этой доли. За полгода доля «чистых» заявок выросла с 0,01 до 70%, и стало напрямую видно, как снижение возвратов ускоряет весь поток.
Отдельный инсайт: сила прозрачных данных — в управлении поведением сотрудников. Любая система управления (agile, холакратия, BPMS) работает лучше всего, когда «быть плохим» становится публично неудобно. В agile это видно на коротких спринтах и дейли: если нет результата, это сразу очевидно команде. С BPMS было так же: на митингах вместо абстрактного «где моя заявка?» мы выводили историю заявки на экран и быстро приходили к конкретике — регион, офис, сотрудник, где именно «рождаются» возвраты.
Когда возвраты стали видны в разрезе людей, обнаружилась огромная разница в качестве: при одной и той же системе у одних заявки проходят за минуты, у других — тянутся неделями из‑за ошибок и возвратов. В итоге мы точечно «дожимали» конкретные причины и конкретные команды/офисы, потому что слабое место почти всегда — человеческий фактор.
В терминах ТРИЗ идеал — процесс, который выполняет функцию без лишних элементов: чем меньше ручного участия, тем стабильнее качество и скорость. Если ставить цель «открывать счет за 30 минут», люди улучшают текущую схему. Если сформулировать как «без людей и моментально», появляются другие решения — ответ уже спрятан в вопросе. Но практика все равно упирается в человеческий фактор. Мы завели борд «лучшие/худшие» и на встречах прямо созванивались с участниками, чтобы понять, где ломается поток. Типичный паттерн: если у продажника не получается, формально виноват он, но в голове виноваты система и «айтишники». Нужна Poka-Yoke — «защита от ошибок», учитывающая реальное поведение пользователей. Это помогло выровнять работу всех участников: в рамках BPMS процесс стал прозрачным, лишних вопросов стало меньше.
Дальше — управленческий цикл: раз в 3 недели — общий митинг автоматизаторов и исполнителей, с заранее согласованными целевыми и локальными метриками, анализом проблем и предложениями. Тогда это разговор по цифрам, который приводит к улучшениям по всему процессу.
Кто масштабирует изменения: «инновации сверху» или ценность снизу
В какой-то момент встает вопрос: почему идти именно в данные и кто двигает изменения — «верх» или «низ»? Часто в компаниях старой школы топ-менеджер создает «отдел инноваций», сам не разбираясь в технологиях. Для продуктовых команд такой отдел не авторитет: он приходит «продавать» инициативы, а в ответ получает сопротивление — выглядит как лишний workflow без понятной пользы.
Инсайт в том, что «инновациям сверху» нельзя ходить по подразделениям и уговаривать. У них нет веса, пока нет доказанной ценности. Рабочая схема другая: ценность должен «продавать» тот, кому реально помогли. Я прихожу с цифрами и показываю, как инструменты улучшили метрики процесса, — и уже я рекомендую этот отдел и его решения. Тогда история масштабируется естественно: не команда инноваций доказывает, что она нужна, а внутренний клиент говорит: «Было так, стало так, вот кто помог».
То же самое работает для акционеров и топ-руководства: им нужны конкретные результаты, а не обещания. Когда мы внедряли BPMS, я пришел к председателю правления с измеримыми эффектами на живых клиентах и реальных процессах. После этого стало очевидно, что систему стоит масштабировать внутри банка.
Метрика «чистых» заявок: управляем скоростью через возвраты
После обновления процесса к базовым добавился еще один важный показатель — доля «чистых» заявок (без единого возврата). Логика простая: возвраты и есть главный убийца скорости. Мы отдельно посчитали время прохождения «чистой» заявки — около 30 минут — и начали управлять динамикой этой доли. За полгода доля «чистых» заявок выросла с 0,01 до 70%, и стало напрямую видно, как снижение возвратов ускоряет весь поток.
Отдельный инсайт: сила прозрачных данных — в управлении поведением сотрудников. Любая система управления (agile, холакратия, BPMS) работает лучше всего, когда «быть плохим» становится публично неудобно. В agile это видно на коротких спринтах и дейли: если нет результата, это сразу очевидно команде. С BPMS было так же: на митингах вместо абстрактного «где моя заявка?» мы выводили историю заявки на экран и быстро приходили к конкретике — регион, офис, сотрудник, где именно «рождаются» возвраты.
Когда возвраты стали видны в разрезе людей, обнаружилась огромная разница в качестве: при одной и той же системе у одних заявки проходят за минуты, у других — тянутся неделями из‑за ошибок и возвратов. В итоге мы точечно «дожимали» конкретные причины и конкретные команды/офисы, потому что слабое место почти всегда — человеческий фактор.
В терминах ТРИЗ идеал — процесс, который выполняет функцию без лишних элементов: чем меньше ручного участия, тем стабильнее качество и скорость. Если ставить цель «открывать счет за 30 минут», люди улучшают текущую схему. Если сформулировать как «без людей и моментально», появляются другие решения — ответ уже спрятан в вопросе. Но практика все равно упирается в человеческий фактор. Мы завели борд «лучшие/худшие» и на встречах прямо созванивались с участниками, чтобы понять, где ломается поток. Типичный паттерн: если у продажника не получается, формально виноват он, но в голове виноваты система и «айтишники». Нужна Poka-Yoke — «защита от ошибок», учитывающая реальное поведение пользователей. Это помогло выровнять работу всех участников: в рамках BPMS процесс стал прозрачным, лишних вопросов стало меньше.
Дальше — управленческий цикл: раз в 3 недели — общий митинг автоматизаторов и исполнителей, с заранее согласованными целевыми и локальными метриками, анализом проблем и предложениями. Тогда это разговор по цифрам, который приводит к улучшениям по всему процессу.
Кто масштабирует изменения: «инновации сверху» или ценность снизу
В какой-то момент встает вопрос: почему идти именно в данные и кто двигает изменения — «верх» или «низ»? Часто в компаниях старой школы топ-менеджер создает «отдел инноваций», сам не разбираясь в технологиях. Для продуктовых команд такой отдел не авторитет: он приходит «продавать» инициативы, а в ответ получает сопротивление — выглядит как лишний workflow без понятной пользы.
Инсайт в том, что «инновациям сверху» нельзя ходить по подразделениям и уговаривать. У них нет веса, пока нет доказанной ценности. Рабочая схема другая: ценность должен «продавать» тот, кому реально помогли. Я прихожу с цифрами и показываю, как инструменты улучшили метрики процесса, — и уже я рекомендую этот отдел и его решения. Тогда история масштабируется естественно: не команда инноваций доказывает, что она нужна, а внутренний клиент говорит: «Было так, стало так, вот кто помог».
То же самое работает для акционеров и топ-руководства: им нужны конкретные результаты, а не обещания. Когда мы внедряли BPMS, я пришел к председателю правления с измеримыми эффектами на живых клиентах и реальных процессах. После этого стало очевидно, что систему стоит масштабировать внутри банка.
👍5❤4🔥1
Biweekly Data News: прорыв в "квантовом хранении", инвестиции в OpenAI и удорожание ЦОД-тарифов
Японская корпорация SoftBank завершила инвестиции в OpenAI: общий объем финансирования достиг примерно $40 млрд. СМИ отмечали, что часть средств направят на Stargate — совместный проект OpenAI, Oracle и SoftBank для создания дата-центров в США. В результате SoftBank получила около 11% акций американского стартапа.
Из общей суммы $7,5 млрд SoftBank перевела OpenAI напрямую, а еще около $11 млрд вложила через совместные проекты с другими инвесторами. С учетом соинвестиций общий объем вложений оценивается примерно в $40 млрд.
Ученые из Университета Ватерлоо (Канада) предложили способ безопасно сохранять и дублировать информацию в квантовых компьютерах, обойдя фундаментальное ограничение - запрет на клонирование квантовой информации, известный как «no-cloning theorem». Метод основан на шифровании данных при создании дубликатов кубитов.
Технология предполагает, что каждая копия информации защищена одноразовым ключом. Как только пользователь расшифровывает один экземпляр, ключ автоматически аннулируется, предотвращая несанкционированное дублирование. Это позволяет создавать неограниченное количество зашифрованных копий без нарушения принципов квантовой механики.
Разработка открывает путь к созданию "квантового облака". По словам авторов исследования, технология позволит создавать аналоги Google Drive или Dropbox, но для квантовой информации, что критически важно для будущего квантовых вычислений и защищённых коммуникаций.
Стоимость размещения в ЦОДах продолжает расти при осторожности потребителей мощностей. Сдержанное поведение клиентов ЦОД и медленный ввод в эксплуатацию новых мощностей не привели к снижению цен на размещение в дата-центрах за прошлый год. В Московском регионе цены выросли на 11%, в Санкт-Петербурге и Ленобласти — на 19%. На динамику влияют рост стоимости электроэнергии и увеличение потребления из-за развития ИИ.
Средняя стоимость услуги в Москве на конец года составила 160,3 тыс. руб., в Санкт-Петербурге и Ленинградской области — 109 тыс. руб.
По оценке iKS Consulting, крупнейшими операторами дата-центров в России являются РТК-ЦОД (входит в структуры «Ростелекома»), IXcellerate, «Атомдата» («Росатом»), DataPro и Selectel. На них приходится 74% суммарной мощности по стойкам на рынке.
Японская корпорация SoftBank завершила инвестиции в OpenAI: общий объем финансирования достиг примерно $40 млрд. СМИ отмечали, что часть средств направят на Stargate — совместный проект OpenAI, Oracle и SoftBank для создания дата-центров в США. В результате SoftBank получила около 11% акций американского стартапа.
Из общей суммы $7,5 млрд SoftBank перевела OpenAI напрямую, а еще около $11 млрд вложила через совместные проекты с другими инвесторами. С учетом соинвестиций общий объем вложений оценивается примерно в $40 млрд.
Ученые из Университета Ватерлоо (Канада) предложили способ безопасно сохранять и дублировать информацию в квантовых компьютерах, обойдя фундаментальное ограничение - запрет на клонирование квантовой информации, известный как «no-cloning theorem». Метод основан на шифровании данных при создании дубликатов кубитов.
Технология предполагает, что каждая копия информации защищена одноразовым ключом. Как только пользователь расшифровывает один экземпляр, ключ автоматически аннулируется, предотвращая несанкционированное дублирование. Это позволяет создавать неограниченное количество зашифрованных копий без нарушения принципов квантовой механики.
Разработка открывает путь к созданию "квантового облака". По словам авторов исследования, технология позволит создавать аналоги Google Drive или Dropbox, но для квантовой информации, что критически важно для будущего квантовых вычислений и защищённых коммуникаций.
Стоимость размещения в ЦОДах продолжает расти при осторожности потребителей мощностей. Сдержанное поведение клиентов ЦОД и медленный ввод в эксплуатацию новых мощностей не привели к снижению цен на размещение в дата-центрах за прошлый год. В Московском регионе цены выросли на 11%, в Санкт-Петербурге и Ленобласти — на 19%. На динамику влияют рост стоимости электроэнергии и увеличение потребления из-за развития ИИ.
Средняя стоимость услуги в Москве на конец года составила 160,3 тыс. руб., в Санкт-Петербурге и Ленинградской области — 109 тыс. руб.
По оценке iKS Consulting, крупнейшими операторами дата-центров в России являются РТК-ЦОД (входит в структуры «Ростелекома»), IXcellerate, «Атомдата» («Росатом»), DataPro и Selectel. На них приходится 74% суммарной мощности по стойкам на рынке.
❤1👍1
Weekly Data News: Россия — в лидерах по условиям для ИИ, Anthropic запускает Labs, DuckDB ускоряет выполнение OLAP
Россия вошла в число стран с благоприятными условиями для развития нейросетей. По данным исследования "Технологии Доверия" (ТеДо) и АНО "Цифровая экономика", более чем в 70% юрисдикций, наиболее продвинутых в разработке генеративного ИИ, преобладают добровольные меры контроля и рамочное регулирование, способствующие устойчивому развитию сервисов.
По совокупности факторов - уровню развития сервисов и регуляторной среды - к числу стран с наиболее благоприятными условиями для развития ИИ относятся Россия, США, Южная Корея, Япония и Великобритания.
При этом в России применяется сбалансированный подход: создаются условия для развития национальных сервисов без формирования избыточных административных барьеров. Обязательные требования в основном закрепляются на уровне стратегических документов и актов высшего государственного управления.
Anthropic создала подразделение Anthropic Labs - продуктовую "песочницу" для быстрого тестирования идей и экспериментов с возможностями искусственного интеллекта. Ранее эти задачи выполняли стандартные продуктовые команды, но, по словам источника в компании, они больше не успевают за развитием моделей и не могут обрабатывать все идеи в рамках обычного планирования. Подразделение возглавит Майк Кригер, сооснователь Instagram и бывший руководитель по продуктам в Anthropic.
Alibaba представила open-source интеграцию DuckDB — AP-движок для аналитических запросов непосредственно в MySQL. Alibaba открыла исходный код глубокой интеграции аналитической СУБД DuckDB в AliSQL (форк MySQL). Это позволяет выполнять аналитические запросы (OLAP) в тысячи раз быстрее, чем на InnoDB, с полным сохранением MySQL-синтаксиса.
Интеграция доступна полностью как open source — разработчики и компании могут использовать, модифицировать и внедрять технологию самостоятельно, без привязки к облачным сервисам.
DuckDB встроен как плагинный storage-движок в архитектуру MySQL. Аналитические реплики синхронизируются через бинарный лог (binlog), что обеспечивает согласованность данных и отказоустойчивость.
Решение полностью открыто и доступно в репозитории AliSQL. Сообщество может изучать, использовать и развивать эту интеграцию.
Россия вошла в число стран с благоприятными условиями для развития нейросетей. По данным исследования "Технологии Доверия" (ТеДо) и АНО "Цифровая экономика", более чем в 70% юрисдикций, наиболее продвинутых в разработке генеративного ИИ, преобладают добровольные меры контроля и рамочное регулирование, способствующие устойчивому развитию сервисов.
По совокупности факторов - уровню развития сервисов и регуляторной среды - к числу стран с наиболее благоприятными условиями для развития ИИ относятся Россия, США, Южная Корея, Япония и Великобритания.
При этом в России применяется сбалансированный подход: создаются условия для развития национальных сервисов без формирования избыточных административных барьеров. Обязательные требования в основном закрепляются на уровне стратегических документов и актов высшего государственного управления.
Anthropic создала подразделение Anthropic Labs - продуктовую "песочницу" для быстрого тестирования идей и экспериментов с возможностями искусственного интеллекта. Ранее эти задачи выполняли стандартные продуктовые команды, но, по словам источника в компании, они больше не успевают за развитием моделей и не могут обрабатывать все идеи в рамках обычного планирования. Подразделение возглавит Майк Кригер, сооснователь Instagram и бывший руководитель по продуктам в Anthropic.
Alibaba представила open-source интеграцию DuckDB — AP-движок для аналитических запросов непосредственно в MySQL. Alibaba открыла исходный код глубокой интеграции аналитической СУБД DuckDB в AliSQL (форк MySQL). Это позволяет выполнять аналитические запросы (OLAP) в тысячи раз быстрее, чем на InnoDB, с полным сохранением MySQL-синтаксиса.
Интеграция доступна полностью как open source — разработчики и компании могут использовать, модифицировать и внедрять технологию самостоятельно, без привязки к облачным сервисам.
DuckDB встроен как плагинный storage-движок в архитектуру MySQL. Аналитические реплики синхронизируются через бинарный лог (binlog), что обеспечивает согласованность данных и отказоустойчивость.
Решение полностью открыто и доступно в репозитории AliSQL. Сообщество может изучать, использовать и развивать эту интеграцию.
Weekly Data News: китайские гИИ-модели наращивают присутствие, ИИ усиливает спрос на GPU, АФТ открывает наработки по ИИ-агентам
Nikkei: доля китайских ИИ-моделей на мировом рынке выросла с 1 до 15%. Модели генеративного ИИ от китайских компаний быстро наращивают присутствие: если в ноябре 2024 года их доля оценивались в 1%, то к ноябрю 2025 года — уже в 15%.
Исследование OpenRouter и a16z показывает, что средняя доля китайских моделей ИИ с открытым исходным кодом за год составила около 13%, а в отдельные недели поднималась до 30%. Около 40% использования приходится на сложные профессиональные задачи, такие как программирование и дизайн.
Китайские компании, включая Alibaba с моделями DeepSeek и Qwen, активно выпускают бесплатные решения с открытым исходным кодом, усиливая конкуренцию с американскими разработчиками.
В рейтинге Nikkei из 92 ключевых моделей DeepSeek занял 9-е место и стал лидером среди открытых моделей, обойдя продукты Google и OpenAI по производительности.
Рынок аренды выделенных GPU-серверов в России в 2025 году достиг 17 млрд руб.
По данным «Рег.облако», ожидается, что в 2026 году этот сегмент вырастет вдвое, до 34 млрд руб.
Структура спроса: около 60% — задачи машинного обучения и ИИ, 30% — инфраструктура виртуальных рабочих столов (VDI), рендеринг — 10%. Основными клиентами становятся компании из сферы ИТ (50%), а также предприятия торговли (17%) и сферы услуг (11%).
АФТ протестировала применение российских LLM для разработки ИИ-агентов для финансовых организаций. В пилоте приняли участие более 20 организаций (банки, страховые, финтех- и ИТ-компании), включая АльфаСтрахование, Сбер, ВТБ, Газпромбанк, Яндекс и другие. В кейсах применялись российские LLM от Яндекса, Сбера и MWS AI для клиентской поддержке, анализа документов, в комплаенсе и разработке программного обеспечения.
Итог — создано более 10 прототипов ИИ-агентов и мультиагентных систем, в их числе: помощник разработчиков в написании кода и оценке ИТ-архитектуры, система анализа обращений в колл-центре, инструмент для извлечения данных из договоров и платформа для создания персонализированных депозитных продуктов.
Из примеров-результатов:
— АльфаСтрахование создала прототип агента для автоматизации архитектурного контроля ПО;
— Банк ВБРР разработал ИИ-агента для анализа голосовых обращений в контакт-центре, который распознает речь, определяет тональность разговора и сокращает нагрузку на операторов до 70%.
Участники также предложили типовую архитектуру внедрения, чтобы ускорить дальнейшие проекты.
Nikkei: доля китайских ИИ-моделей на мировом рынке выросла с 1 до 15%. Модели генеративного ИИ от китайских компаний быстро наращивают присутствие: если в ноябре 2024 года их доля оценивались в 1%, то к ноябрю 2025 года — уже в 15%.
Исследование OpenRouter и a16z показывает, что средняя доля китайских моделей ИИ с открытым исходным кодом за год составила около 13%, а в отдельные недели поднималась до 30%. Около 40% использования приходится на сложные профессиональные задачи, такие как программирование и дизайн.
Китайские компании, включая Alibaba с моделями DeepSeek и Qwen, активно выпускают бесплатные решения с открытым исходным кодом, усиливая конкуренцию с американскими разработчиками.
В рейтинге Nikkei из 92 ключевых моделей DeepSeek занял 9-е место и стал лидером среди открытых моделей, обойдя продукты Google и OpenAI по производительности.
Рынок аренды выделенных GPU-серверов в России в 2025 году достиг 17 млрд руб.
По данным «Рег.облако», ожидается, что в 2026 году этот сегмент вырастет вдвое, до 34 млрд руб.
Структура спроса: около 60% — задачи машинного обучения и ИИ, 30% — инфраструктура виртуальных рабочих столов (VDI), рендеринг — 10%. Основными клиентами становятся компании из сферы ИТ (50%), а также предприятия торговли (17%) и сферы услуг (11%).
АФТ протестировала применение российских LLM для разработки ИИ-агентов для финансовых организаций. В пилоте приняли участие более 20 организаций (банки, страховые, финтех- и ИТ-компании), включая АльфаСтрахование, Сбер, ВТБ, Газпромбанк, Яндекс и другие. В кейсах применялись российские LLM от Яндекса, Сбера и MWS AI для клиентской поддержке, анализа документов, в комплаенсе и разработке программного обеспечения.
Итог — создано более 10 прототипов ИИ-агентов и мультиагентных систем, в их числе: помощник разработчиков в написании кода и оценке ИТ-архитектуры, система анализа обращений в колл-центре, инструмент для извлечения данных из договоров и платформа для создания персонализированных депозитных продуктов.
Из примеров-результатов:
— АльфаСтрахование создала прототип агента для автоматизации архитектурного контроля ПО;
— Банк ВБРР разработал ИИ-агента для анализа голосовых обращений в контакт-центре, который распознает речь, определяет тональность разговора и сокращает нагрузку на операторов до 70%.
Участники также предложили типовую архитектуру внедрения, чтобы ускорить дальнейшие проекты.
👍3🔥3
Weekly Data News: маркетплейс контента для ИИ, интерес Gemini к японскому стартапу, Deep Research в Альфа-банке
Microsoft запускает платформу лицензирования контента для обучения ИИ. Маркетплейс Publisher Content Marketplace (PCM) предназначен для лицензирования авторского контента компаниями, разрабатывающими ИИ. Правообладатели смогут выставлять условия использования своего контента, а ИИ-компании обучать на нем свои модели. В проектировании системы участвуют крупные игроки медиарынка, включая Vox Media, The Associated Press, Condé Nast, журнал People, в числе партнеров упоминается Yahoo.
Google инвестирует в Sakana AI, чтобы усилить присутствие Gemini в Японии.
Google вошел в числу инвесторов японского стартапа Sakana AI, после того Sakana AI привлекла 135 млн долл. в раунде финансирования серии B в прошлом году. Этот раунд оценил стартап почти в 2,6 миллиарда долларов, компания стала одной из самых дорогих и быстрорастущих компаний ИИ в Японии с момента ее запуска в 2023 году. Текущая сумма инвестиций не раскрывается.
В январе агент ALE-Agent от Sakana победил на Олимпиаде по кодингу, а их статья, представленная на ICLR, вызвала немалый интерес в научном сообществе. Теперь же Sakana AI собирается «плотнее» интегрировать разработки Google с собственными системами.
Альфа-Банк запустил ИИ-технологию для бизнес-аналитики. ИТ-разработчики Альфа-Банка интегрировали в платформу генеративного искусственного интеллекта AlfaGen функцию «Глубинное исследование» (Deep Research). Это цифровой аналитик, способный самостоятельно планировать, собирать, проверять и структурировать информацию из множества источников. Заявляется, что результатом работы системы становится структурированный аналитический документ.
OpenAI представила GPT-5.3-Codex. Новая агентная ИИ-модель для программирования примерно на 25% быстрее GPT-5.2-Codex, может выполнять задачи часами или днями, при этом пользователь может вмешиваться в процесс: уточнять требования, менять направление работы и получать промежуточные апдейты без перезапуска агента.
OpenAI также сообщила, что ранние версии GPT-5.3-Codex показали настолько хорошие результаты, что их использовали для улучшения обучения и поддержки развертывания более поздних версий модели.
Microsoft запускает платформу лицензирования контента для обучения ИИ. Маркетплейс Publisher Content Marketplace (PCM) предназначен для лицензирования авторского контента компаниями, разрабатывающими ИИ. Правообладатели смогут выставлять условия использования своего контента, а ИИ-компании обучать на нем свои модели. В проектировании системы участвуют крупные игроки медиарынка, включая Vox Media, The Associated Press, Condé Nast, журнал People, в числе партнеров упоминается Yahoo.
Google инвестирует в Sakana AI, чтобы усилить присутствие Gemini в Японии.
Google вошел в числу инвесторов японского стартапа Sakana AI, после того Sakana AI привлекла 135 млн долл. в раунде финансирования серии B в прошлом году. Этот раунд оценил стартап почти в 2,6 миллиарда долларов, компания стала одной из самых дорогих и быстрорастущих компаний ИИ в Японии с момента ее запуска в 2023 году. Текущая сумма инвестиций не раскрывается.
В январе агент ALE-Agent от Sakana победил на Олимпиаде по кодингу, а их статья, представленная на ICLR, вызвала немалый интерес в научном сообществе. Теперь же Sakana AI собирается «плотнее» интегрировать разработки Google с собственными системами.
Альфа-Банк запустил ИИ-технологию для бизнес-аналитики. ИТ-разработчики Альфа-Банка интегрировали в платформу генеративного искусственного интеллекта AlfaGen функцию «Глубинное исследование» (Deep Research). Это цифровой аналитик, способный самостоятельно планировать, собирать, проверять и структурировать информацию из множества источников. Заявляется, что результатом работы системы становится структурированный аналитический документ.
OpenAI представила GPT-5.3-Codex. Новая агентная ИИ-модель для программирования примерно на 25% быстрее GPT-5.2-Codex, может выполнять задачи часами или днями, при этом пользователь может вмешиваться в процесс: уточнять требования, менять направление работы и получать промежуточные апдейты без перезапуска агента.
OpenAI также сообщила, что ранние версии GPT-5.3-Codex показали настолько хорошие результаты, что их использовали для улучшения обучения и поддержки развертывания более поздних версий модели.
👍2
Если вы работаете с данными или отвечаете за data‑стратегию — приходите 26 февраля на FinCore 2026, который проводит команда Fintech Data Day.
Одна из ключевых тем программы — ИИ-трансформация, включая роль Data Governance и Big Data в этом процессе. В фокусе внимания - переход от точечных экспериментов к системным изменениям всей финплатформы: от данных и процессов до безопасности и культуры разработки.
👉 В первой панельной дискуссии примут участие:
— Максим Травин, директор по работе с данными Т‑Банка;
— Сергей Рябов, старший управляющий директор, директор по AI-трансформации Сбера. Один из ключевых вопросов дискуссии — использование ИИ‑агентов в банке.
👉 В числе спикеров второй сессии, где будут обсуждаться ядро финплатформы будущего: платформенный подход vs классические АБС, Open API, облака и LLM‑платформы — и как состыковать ИИ, платформы и открытый банкинг в одной архитектуре:
— Тигран Саркисов, директор по управлению данными X5, который расскажет о том, как эволюционировать от «склада данных» к «цифровому мозгу» компании и выстроить цепочку Data Governance → Big Data → AI.
— Адель Валиуллин, первый вице-президент, руководитель блока технологий искусственного интеллекта Газпромбанка, который расскажет о перестройке сквозных процессов и создании такой архитектуры, где ИИ становится частью ядра.
— Юрий Колошеин, руководитель центра компетенций развития озера данных и интеграционных решений РСХБ-Автоматизация, и Сергей Золотарёв, директор по коммерции и стратегическому развитию Группы Arenadata, которые выступят с интригующей темой "Философский путь одного озера».
👉 В заключительной дискуссии о регулировании ИИ в финансовых платформах примет участие:
— Антон Степанов, начальник Центра экспертизы искусственного интеллекта Департамента финансовых технологий Банка России. В числе ключевых вопросов: как финорганизациям подготовиться к предстоящим изменениям, а также сформулируют вопросы, ответы на которые им хотелось бы получить от регуляторов.
До Форума осталось всего две недели — поспешите зарегистрироваться!
Сайт и программа Форума
Одна из ключевых тем программы — ИИ-трансформация, включая роль Data Governance и Big Data в этом процессе. В фокусе внимания - переход от точечных экспериментов к системным изменениям всей финплатформы: от данных и процессов до безопасности и культуры разработки.
👉 В первой панельной дискуссии примут участие:
— Максим Травин, директор по работе с данными Т‑Банка;
— Сергей Рябов, старший управляющий директор, директор по AI-трансформации Сбера. Один из ключевых вопросов дискуссии — использование ИИ‑агентов в банке.
👉 В числе спикеров второй сессии, где будут обсуждаться ядро финплатформы будущего: платформенный подход vs классические АБС, Open API, облака и LLM‑платформы — и как состыковать ИИ, платформы и открытый банкинг в одной архитектуре:
— Тигран Саркисов, директор по управлению данными X5, который расскажет о том, как эволюционировать от «склада данных» к «цифровому мозгу» компании и выстроить цепочку Data Governance → Big Data → AI.
— Адель Валиуллин, первый вице-президент, руководитель блока технологий искусственного интеллекта Газпромбанка, который расскажет о перестройке сквозных процессов и создании такой архитектуры, где ИИ становится частью ядра.
— Юрий Колошеин, руководитель центра компетенций развития озера данных и интеграционных решений РСХБ-Автоматизация, и Сергей Золотарёв, директор по коммерции и стратегическому развитию Группы Arenadata, которые выступят с интригующей темой "Философский путь одного озера».
👉 В заключительной дискуссии о регулировании ИИ в финансовых платформах примет участие:
— Антон Степанов, начальник Центра экспертизы искусственного интеллекта Департамента финансовых технологий Банка России. В числе ключевых вопросов: как финорганизациям подготовиться к предстоящим изменениям, а также сформулируют вопросы, ответы на которые им хотелось бы получить от регуляторов.
До Форума осталось всего две недели — поспешите зарегистрироваться!
Сайт и программа Форума
👍2🔥1
Weekly Data News: персональный подбор LLM и стремительный рост российского рынка больших данных
Artificial Analysis выпустила инструмент для подбора LLM. Аналитическая платформа представила Model Recommender — сервис, который помогает выбрать модель под конкретные задачи. Пользователь может задать собственные ограничения и получить персональный список подходящих моделей. Алгоритм учитывает десятки параметров, включая скорость инференса через API, наличие мультимодальности, тип лицензии и другие характеристики. В сервисе также можно вручную расставить приоритеты — например, повысить вес метрик качества генерации кода, устойчивости к галлюцинациям или эффективности в агентных задачах.
Минцифры России: российский рынок больших данных к 2030 году может достигнуть 1,2 трлн руб. По данным министерства, рынок Big Data в России растет быстрее среднемировых темпов: 25–35% против 12%. По итогам 2025 года объём рынка может достигнуть 433 млрд руб., а к 2030 году — 1,2 трлн руб.
Около 35,5% компаний в стране уже используют технологии Big Data или планируют внедрение в ближайшие годы. При этом 23,4% готовы покупать данные у государства или корпоративного сектора, а 19,3% рассматривают возможность монетизации собственных данных.
DeepMind представил Gemini Deep Think — режим рассуждения, созданный для сложных задач в науке, математике и исследованиях. Главная идея — дать модели больше времени и вычислений на обдумывание, чтобы улучшить качество решений в задачах, где важна логика, а не скорость. Модель умеет выполнять глубокое многошаговое рассуждение, параллельно исследовать несколько вариантов решения, сравнивать гипотезы и выбрать лучший результат и неплохо справляется со сложной математикой и научными задачами.
Artificial Analysis выпустила инструмент для подбора LLM. Аналитическая платформа представила Model Recommender — сервис, который помогает выбрать модель под конкретные задачи. Пользователь может задать собственные ограничения и получить персональный список подходящих моделей. Алгоритм учитывает десятки параметров, включая скорость инференса через API, наличие мультимодальности, тип лицензии и другие характеристики. В сервисе также можно вручную расставить приоритеты — например, повысить вес метрик качества генерации кода, устойчивости к галлюцинациям или эффективности в агентных задачах.
Минцифры России: российский рынок больших данных к 2030 году может достигнуть 1,2 трлн руб. По данным министерства, рынок Big Data в России растет быстрее среднемировых темпов: 25–35% против 12%. По итогам 2025 года объём рынка может достигнуть 433 млрд руб., а к 2030 году — 1,2 трлн руб.
Около 35,5% компаний в стране уже используют технологии Big Data или планируют внедрение в ближайшие годы. При этом 23,4% готовы покупать данные у государства или корпоративного сектора, а 19,3% рассматривают возможность монетизации собственных данных.
DeepMind представил Gemini Deep Think — режим рассуждения, созданный для сложных задач в науке, математике и исследованиях. Главная идея — дать модели больше времени и вычислений на обдумывание, чтобы улучшить качество решений в задачах, где важна логика, а не скорость. Модель умеет выполнять глубокое многошаговое рассуждение, параллельно исследовать несколько вариантов решения, сравнивать гипотезы и выбрать лучший результат и неплохо справляется со сложной математикой и научными задачами.
🔥3👍1