Как ИИ за минуты выявляет риски по 152-ФЗ в ваших базах данных? 🔐

Коллеги, рады сообщить, что мы делаем ограниченный повтор вебинара, посвященного 152-ФЗ — тема остается крайне актуальной и востребованной.

Детальнее разберем, как в реальных СУБД и DWH выявлять персональные данные, находить «теневые» копии и избыточные доступы, а также как выстроить системный контроль ПДн с помощью ИИ и автоматизации в рамках требований 152-ФЗ.

👤 Спикер: Павел Хамрин, руководитель AI-направления Lasmart

🎁 Бонус участникам — чек-лист по контролю персональных данных в СУБД и DWH.

🔗 Количество мест ограничено — регистрация открыта по ссылке: lasmart.ru/webinar-152fz

Как вам сегодняшний эфир?🎥

Делитесь впечатлениями и вопросами в комментариях — Павел на связи и ответит.

Если пропустили или хотите пересмотреть — пришлём запись и презентацию. Просто напишите «152-ФЗ» на biwebinar@lasmart.ru ✉️

AI не знает, что такое ваша «выручка»: почему ИИ нужен бизнес-контекст 🤖

Компании уже внедряют AI-ассистентов и AI-агентов, подключают их к корпоративным системам и ожидают, что искусственный интеллект поможет быстрее находить ответы и принимать решения.

Но на практике возникает проблема: AI получает доступ к данным, но не понимает их бизнес-смысл.

Например, у компании есть показатель «выручка». В хранилище данных могут находиться таблицы с продажами, возвратами, оплатами и отчетами. Но для AI этого недостаточно.

Он не знает:
📊 какую именно выручку считать корректной;
📊 какие источники данных являются приоритетными;
📊 учитывать ли возвраты и корректировки;
📊 какие правила расчета использует бизнес.

То же самое происходит с другими понятиями: «клиент», «активный пользователь», «маржинальность», «конверсия». Для разных подразделений они могут означать разные вещи.

Чтобы искусственный интеллект мог работать с корпоративными данными, ему нужен не просто доступ к таблицам, а понимание:
🔹 какие существуют бизнес-сущности;
🔹 как они связаны между собой;
🔹 как рассчитываются ключевые метрики;
🔹 какие данные подходят для решения конкретной задачи.

Этот слой понимания помогает перевести корпоративные данные с технического языка на язык бизнеса и становится фундаментом для работы AI-агентов.

Но бизнес-контекст не появляется сам по себе. В следующих материалах разберем, из каких элементов он состоит, и как подготовить данные к работе с AI-агентами 📝

Почему LLM «галлюцинируют» на корпоративных данных 🤖

Одна из самых частых претензий к AI в корпоративной среде звучит так:

«Мы попробовали внедрить ИИ, но он периодически выдает неправильные ответы»

Чаще всего в этот момент начинают искать проблему в самой модели, но на практике причина обычно совсем в другом. Получить хороший результат на тестовой задаче достаточно просто, гораздо сложнее встроить AI в реальные бизнес-процессы компании.

Именно здесь и появляются так называемые «галлюцинации» — ситуации, когда модель уверенно выдает ответ, который выглядит правдоподобно, но не соответствует действительности.

Почему это происходит❔

Потому что AI приходится работать с большим количеством корпоративных данных, внутренних метрик и бизнес-правил. Если информации недостаточно или она противоречива, модель пытается самостоятельно заполнить пробелы.

Поэтому бороться с галлюцинациями нужно не только выбором LLM — в первую очередь важно подготовить корпоративные данные: сделать их понятными, согласованными и пригодными для работы AI.

Ведь LLM можно заменить за несколько часов, а неподготовленные данные останутся проблемой независимо от того, какую модель вы используете.