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.

Lasmart AI-Ready: как подготовить корпоративные данные к работе с AI 🤖

Мы уже разобрали, почему AI не понимает бизнес-термины, откуда возникают галлюцинации и почему одного DWH недостаточно.

Для решения этой задачи мы разработали Lasmart AI-Ready — систему стандартизации корпоративных данных для работы AI в DWH и BI.

Решение не требует перестраивать существующее хранилище или менять привычную отчетность. Оно дооснащает текущую инфраструктуру тем, что необходимо AI:

📊 единым глоссарием бизнес-терминов;
📊 семантическим описанием показателей;
📊 связями с конкретными источниками данных;
📊 правилами расчета и проверки;
📊 контролируемым интерфейсом доступа для AI-агентов.

AI-Ready автоматически описывает существующие таблицы, отчеты и показатели, предлагает обновления и проверяет связи. Специалист подтверждает изменения перед публикацией.

В результате AI понимает, какие данные использовать, как их интерпретировать и насколько они актуальны.

Начать можно с пилота на одном приоритетном домене и получить первый измеримый результат в течение двух недель.

Качество данных: скрытый барьер для внедрения AI-агентов ⚠️

Даже если в компании уже есть DWH, BI-системы и отлаженные отчеты, это не гарантирует готовность данных к работе с AI.

В рамках AI-Ready мы проводим аудит текущего состояния данных и выявляем проблемы, которые могут повлиять на работу AI-агентов:
📊 разные отчеты используют разные источники данных;
📊 отсутствуют единые правила работы с показателями;
📊 существуют дублирующие объекты и неиспользуемые данные;
📊 часть информации устарела;
📊 нет понимания, какие данные являются доверенными.

Качество данных — это не только отсутствие ошибок. Важно, чтобы информация была полной, точной, согласованной, актуальной, достоверной и уникальной.

Мы анализируем текущую архитектуру и данные, выявляем проблемные зоны и формируем единый подход к их использованию.

Это позволяет подготовить данные для работы AI-агентов и снизить риск того, что ИИ будет использовать неполную, противоречивую или нерелевантную информацию.

Как мы готовим корпоративные данные к работе с AI 🤖

Одна из самых трудоемких задач при подготовке данных к работе с AI — описать существующий ландшафт данных.

В крупных компаниях это тысячи таблиц, сотни отчетов и десятки информационных систем. Создать и поддерживать Data Lineage вручную практически невозможно.

Поэтому в Lasmart AI-Ready мы разработали собственное решение, которое автоматически:
📊 формирует бизнес-описание существующих данных с помощью AI;
📊 строит Data Lineage;
📊 создает основу для формирования семантического слоя.

После этого AI получает не просто доступ к данным, а понимание того, откуда они пришли, как связаны между собой и где используются.

Это открывает новые сценарии работы AI:
🔹 проводить impact-анализ и показывать, какие отчеты затронет изменение ETL или SQL;
🔹 объяснять происхождение любой метрики вплоть до системы-источника;
🔹 помогать строить отчетные витрины и выполнять ad-hoc запросы.

🔗 Подробнее о решении

Перед подключением AI проверьте эти шесть пунктов ☝🏻

До подключения AI-агента должны быть готовы шесть ключевых компонентов: бизнес-глоссарий, семантический слой, методики расчета с версионированием, прослеживаемость данных, разграничение прав доступа и журнал запросов.

Каждый из них решает свою задачу — от корректной интерпретации запросов до безопасной работы AI с корпоративными данными.

Практический порядок запуска 🔽
После подготовки инфраструктуры важно соблюдать последовательность внедрения

1️⃣ Выбрать один узкий целевой сценарий и один домен данных, где ошибка заметна, а её цена понятна.

2️⃣ Описать показатели домена: термины, синонимы, формулы, разрезы и фильтры по умолчанию.

3️⃣ Выдать отдельную техническую учётную запись с доступом только на чтение в границах домена.

4️⃣ Подключить агента к подготовленному слою через MCP-сервер, а не к сырым таблицам.

5️⃣ Включить журналирование и проверить работу на контрольных запросах с заранее известными результатами.

6️⃣ После успешной проверки постепенно расширять решение на другие домены, используя уже отработанный регламент.

Последовательный запуск повышает точность ответов еще до масштабирования решения.

Как это реализовано в Lasmart AI-Ready 🔹
Lasmart AI-Ready реализует этот подход поверх существующей DWH- и BI-инфраструктуры: формирует бизнес-глоссарий и семантический слой.

Также решение управляет версиями метрик, обеспечивает прослеживаемость данных и предоставляет AI стандартизированную точку взаимодействия с корпоративными данными.