Платформенный подход к ИИ: почему точечные инструменты не масштабируются
При внедрении инструментов на базе ИИ компании часто совершают одну и ту же ошибку — начинают с набора функций под отдельные задачи, а не с выстраивания общей инфраструктуры, которую можно масштабировать, контролировать, измерять и обновлять по единым стандартам. На уровне одного департамента такой подход кажется рациональным, но в масштабе всей организации он приводит к фрагментации, росту издержек и неконтролируемым рискам.
Почему разрозненные ИИ-решения мешают масштабированию и как платформенный подход помогает перевести ИИ из экспериментов в управляемую инфраструктуру — разобрали в карточках ➡️
При внедрении инструментов на базе ИИ компании часто совершают одну и ту же ошибку — начинают с набора функций под отдельные задачи, а не с выстраивания общей инфраструктуры, которую можно масштабировать, контролировать, измерять и обновлять по единым стандартам. На уровне одного департамента такой подход кажется рациональным, но в масштабе всей организации он приводит к фрагментации, росту издержек и неконтролируемым рискам.
Почему разрозненные ИИ-решения мешают масштабированию и как платформенный подход помогает перевести ИИ из экспериментов в управляемую инфраструктуру — разобрали в карточках ➡️
👍4❤2👏2💯1
Парадокс, с которым столкнулись многие компании: ИИ ускоряет отдельные задачи, но общая нагрузка на сотрудников только растет.
В новом материале Газета.Ru Айканыш Орозбаева, директор по развитию бизнеса в Embedika разбирает корень проблемы — попытку встроить современные инструменты в устаревшие и неэффективные процессы. Подробности👇
В новом материале Газета.Ru Айканыш Орозбаева, директор по развитию бизнеса в Embedika разбирает корень проблемы — попытку встроить современные инструменты в устаревшие и неэффективные процессы. Подробности👇
👍3🔥3💯1
Forwarded from Газета.Ru
😐 Нейросети повышают нагрузку россиян на работе.
За последние два года компании активно встраивали ИИ в рабочие процессы, но нагрузка на офисных сотрудников при этом наоборот только растет, рассказала «Газете.Ru» директор по развитию бизнеса Embedika Айканыш Орозбаева.
Большинство работодателей встраивают нейросети в уже существующие неэффективные процессы, подчеркнула эксперт:
💬 «ИИ не сокращает объем работы, а перераспределяет ее между человеком и цифровыми системами. Если при этом процессы и роли остаются прежними, нагрузка работников может даже вырасти: к привычным задачам добавляется необходимость изучать и контролировать новые инструменты».
По словам Орозбаевой, полезно задать себе несколько вопросов:
▪️ Можно ли описать повторяющуюся задачу четкой инструкцией?
▪️ Приходится ли каждый раз собирать одни и те же данные из разных источников?
▪️ Накапливается ли из-за текущей нагрузки то, что важно сделать, но постоянно сдвигается?
Такой список становится готовой основой для конкретного разговора с руководителем о том, что именно стоит попробовать автоматизировать и как это повлияет на работу сотрудника, отдела или даже компании, заключила эксперт.
❤ Читайте «Газету.Ru» в MAX
За последние два года компании активно встраивали ИИ в рабочие процессы, но нагрузка на офисных сотрудников при этом наоборот только растет, рассказала «Газете.Ru» директор по развитию бизнеса Embedika Айканыш Орозбаева.
Большинство работодателей встраивают нейросети в уже существующие неэффективные процессы, подчеркнула эксперт:
💬 «ИИ не сокращает объем работы, а перераспределяет ее между человеком и цифровыми системами. Если при этом процессы и роли остаются прежними, нагрузка работников может даже вырасти: к привычным задачам добавляется необходимость изучать и контролировать новые инструменты».
По словам Орозбаевой, полезно задать себе несколько вопросов:
▪️ Можно ли описать повторяющуюся задачу четкой инструкцией?
▪️ Приходится ли каждый раз собирать одни и те же данные из разных источников?
▪️ Накапливается ли из-за текущей нагрузки то, что важно сделать, но постоянно сдвигается?
Такой список становится готовой основой для конкретного разговора с руководителем о том, что именно стоит попробовать автоматизировать и как это повлияет на работу сотрудника, отдела или даже компании, заключила эксперт.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍2🔥2👏1💯1
Два подхода к ИИ в бизнесе: ML и генеративные модели
В корпоративной разработке сегодня сосуществуют два подхода к искусственному интеллекту: классический ML и GenAI. Они решают разные задачи, по-разному устроены и требуют разной степени контроля. Сегодня сравним оба подхода — как они устроены, чем отличаются по управлению и в каких сценариях применяются.
Классический ML строится на управлении данными. Качество модели в этом случае напрямую зависит от объёма, разметки и предобработки данных. Ошибки — это отклонения от ожидаемого поведения, которые можно измерить и локализовать. Для классического ML можно выделить несколько особенностей:
➖ Детерминированный результат: один запрос → один ответ с известной вероятностью ошибки (ложноположительные или ложноотрицательные срабатывания).
➖ Прогнозируемая стоимость: основные затраты приходятся на обучение, инференс остается дешевым.
➖ Мониторинг и контроль: отслеживается дрифт данных и деградация метрик, при необходимости модель переобучается.
Генеративный ИИ работает иначе. Вместо обучения с нуля система управляется через промпты, RAG и контекст. Это дает гибкость. Модель можно быстро адаптировать под новую задачу без переобучения, она способна генерировать связные тексты, отвечать на сложные вопросы, писать код или резюмировать документы. Однако у такой гибкости есть обратная сторона:
➖ Качество становится вероятностным — один и тот же запрос может давать разные ответы, а модель может выдавать правдоподобные, но ложные сведения (галлюцинации).
➖ GenAI чувствителен к формулировкам и контексту, требует контроля безопасности (промпт-инъекции, утечка данных) и обходится дороже. Каждый запрос оплачивается по токенам, и при росте пользователей затраты растут линейно.
Для задач с высокими требованиями к точности, предсказуемости и контролю (интеллектуальный поиск, классификация документов, прогнозирование) ML предоставляет измеримые KPI, стабильную стоимость и понятные механизмы управления ошибками. В сценариях же, где требуется генерация связного ответа на вопрос (например, в RAG), основным, напротив, становится GenAI. ML в этом случае получает вспомогательную роль для ускорения генеративной системы. Так, отдельные модули в RAG-системе могут быть реализованы на ML, поскольку они решают задачу быстрее, чем если бы они были сделаны на LLM, что повышает общую скорость работы.
В корпоративной разработке сегодня сосуществуют два подхода к искусственному интеллекту: классический ML и GenAI. Они решают разные задачи, по-разному устроены и требуют разной степени контроля. Сегодня сравним оба подхода — как они устроены, чем отличаются по управлению и в каких сценариях применяются.
Классический ML строится на управлении данными. Качество модели в этом случае напрямую зависит от объёма, разметки и предобработки данных. Ошибки — это отклонения от ожидаемого поведения, которые можно измерить и локализовать. Для классического ML можно выделить несколько особенностей:
➖ Детерминированный результат: один запрос → один ответ с известной вероятностью ошибки (ложноположительные или ложноотрицательные срабатывания).
➖ Прогнозируемая стоимость: основные затраты приходятся на обучение, инференс остается дешевым.
➖ Мониторинг и контроль: отслеживается дрифт данных и деградация метрик, при необходимости модель переобучается.
Генеративный ИИ работает иначе. Вместо обучения с нуля система управляется через промпты, RAG и контекст. Это дает гибкость. Модель можно быстро адаптировать под новую задачу без переобучения, она способна генерировать связные тексты, отвечать на сложные вопросы, писать код или резюмировать документы. Однако у такой гибкости есть обратная сторона:
➖ Качество становится вероятностным — один и тот же запрос может давать разные ответы, а модель может выдавать правдоподобные, но ложные сведения (галлюцинации).
➖ GenAI чувствителен к формулировкам и контексту, требует контроля безопасности (промпт-инъекции, утечка данных) и обходится дороже. Каждый запрос оплачивается по токенам, и при росте пользователей затраты растут линейно.
Для задач с высокими требованиями к точности, предсказуемости и контролю (интеллектуальный поиск, классификация документов, прогнозирование) ML предоставляет измеримые KPI, стабильную стоимость и понятные механизмы управления ошибками. В сценариях же, где требуется генерация связного ответа на вопрос (например, в RAG), основным, напротив, становится GenAI. ML в этом случае получает вспомогательную роль для ускорения генеративной системы. Так, отдельные модули в RAG-системе могут быть реализованы на ML, поскольку они решают задачу быстрее, чем если бы они были сделаны на LLM, что повышает общую скорость работы.
🔥5👍3❤2
Дайджест событий в области искусственного интеллекта
Май отметился усилением промышленного AIoT, а также выходом ИИ-агентов в ресторанный бизнес и юридическую практику. Собрали главные новости месяца и ключевую аналитику.
В России:
📦 «Сбер» разрабатывает собственную ERP-платформу с AI-Native-архитектурой, выход на рынок запланирован на 2027 год.
🏭 МТС запускает «МТС AIoT» — платформу для создания цифровых двойников промышленных активов и управления ими на базе ИИ.
🍽 Платформа Restik представила ИИ-агента для ресторанов и кафе. Он собирает меню, анализирует данные, формирует акции, оформляет поставки и управляет настройками заведения.
🔬 В Центральном университете открыли шесть научных лабораторий в области глубоких технологий, включая направления по развитию искусственного интеллекта.
📚 К началу осени правительство планирует актуализировать образовательные стандарты, интегрировав в них ИИ и междисциплинарный подход.
В мире:
💳 OpenAI тестирует в ChatGPT предварительную версию инструмента для управления личными финансами.
🌐 Дубай запустил двухлетнюю инициативу по внедрению агентного ИИ в бизнес-процессы.
📊 Perplexity выпустил специализированную версию агента Computer для финансовых подразделений.
🛡 Microsoft, xAI и Google согласились предоставлять властям США ранний доступ к новым ИИ-моделям для тестирования безопасности.
⚖️ Microsoft анонсировал Legal Agent — ИИ-помощника для работы с юридическими документами в Word.
Аналитика:
⏱️ ВТБ подсчитал: применение генеративного ИИ в колл-центрах сэкономит около 50 тысяч часов рабочего времени операторов в 2026 году.
📊 Минцифры сообщило, что финансирование федерального проекта «Искусственный интеллект» в 2025 году выросло на 19% и достигло 9 млрд рублей.
#дайджест
Май отметился усилением промышленного AIoT, а также выходом ИИ-агентов в ресторанный бизнес и юридическую практику. Собрали главные новости месяца и ключевую аналитику.
В России:
📦 «Сбер» разрабатывает собственную ERP-платформу с AI-Native-архитектурой, выход на рынок запланирован на 2027 год.
🏭 МТС запускает «МТС AIoT» — платформу для создания цифровых двойников промышленных активов и управления ими на базе ИИ.
🍽 Платформа Restik представила ИИ-агента для ресторанов и кафе. Он собирает меню, анализирует данные, формирует акции, оформляет поставки и управляет настройками заведения.
🔬 В Центральном университете открыли шесть научных лабораторий в области глубоких технологий, включая направления по развитию искусственного интеллекта.
📚 К началу осени правительство планирует актуализировать образовательные стандарты, интегрировав в них ИИ и междисциплинарный подход.
В мире:
💳 OpenAI тестирует в ChatGPT предварительную версию инструмента для управления личными финансами.
🌐 Дубай запустил двухлетнюю инициативу по внедрению агентного ИИ в бизнес-процессы.
📊 Perplexity выпустил специализированную версию агента Computer для финансовых подразделений.
🛡 Microsoft, xAI и Google согласились предоставлять властям США ранний доступ к новым ИИ-моделям для тестирования безопасности.
⚖️ Microsoft анонсировал Legal Agent — ИИ-помощника для работы с юридическими документами в Word.
Аналитика:
⏱️ ВТБ подсчитал: применение генеративного ИИ в колл-центрах сэкономит около 50 тысяч часов рабочего времени операторов в 2026 году.
📊 Минцифры сообщило, что финансирование федерального проекта «Искусственный интеллект» в 2025 году выросло на 19% и достигло 9 млрд рублей.
#дайджест
👍4🔥2👏2💯1
Почему AI-пилоты не становятся продуктами
Большинство AI-проектов успешно проходят стадию пилота, но до промышленной эксплуатации доходят единицы. На практике ключевые ограничения часто находятся не в самой модели, а в данных, процессах и организационной структуре. Разбираемся, что на самом деле мешает масштабированию.
Ключевые барьеры, которые не дают AI-пилотам перерасти в работающий продукт:
➡️ Фрагментированные данные. Данные разрознены по системам, не унифицированы и часто не готовы к использованию без длительной предобработки. Это превращает пилот в проект по очистке и подготовке данных, а не по извлечению ценности.
➡️ Отсутствие владельца. За пилотом не закрепляется продуктовый менеджер или бизнес-лидер, отвечающий за его развитие после завершения эксперимента. Без четкой ответственности в конечном итоге проект теряет приоритет и останавливается.
➡️ Нет связи с операционными процессами. AI не встроен в регламенты, повседневные сценарии и контур принятия решений. Сотрудники не меняют привычные маршруты работы, потому что инструмент существует параллельно, а не внутри их реальной деятельности.
➡️ Неопределенный бизнес-эффект. Пилот демонстрирует интересные возможности технологии, но не показывает измеримое влияние на выручку, затраты или производительность. В результате проекту сложно обосновать дальнейшие инвестиции.
Без слоя исполнения AI остаётся лишь демо-версией реальных возможностей системы, не привязанной к реальным задачам бизнеса.
Например, компания внедрила AI-ассистента для поиска по внутренним регламентам. На этапе пилота система показывает хорошие результаты, однако через несколько месяцев сотрудники возвращаются к привычным способам работы: обращаются к коллегам, ищут документы вручную и используют корпоративные чаты. Причина не в качестве модели, а в том, что инструмент так и не стал частью повседневного рабочего процесса.
Enterprise AI начинает приносить ценность только тогда, когда становится частью операционного контура компании. Пока решение не вписано в регламенты, роли и ежедневные сценарии, оно так и останется пилотом, не дойдя до масштабирования. Масштабируются не лучшие модели, а решения, встроенные в процессы компании.
Большинство AI-проектов успешно проходят стадию пилота, но до промышленной эксплуатации доходят единицы. На практике ключевые ограничения часто находятся не в самой модели, а в данных, процессах и организационной структуре. Разбираемся, что на самом деле мешает масштабированию.
Ключевые барьеры, которые не дают AI-пилотам перерасти в работающий продукт:
➡️ Фрагментированные данные. Данные разрознены по системам, не унифицированы и часто не готовы к использованию без длительной предобработки. Это превращает пилот в проект по очистке и подготовке данных, а не по извлечению ценности.
➡️ Отсутствие владельца. За пилотом не закрепляется продуктовый менеджер или бизнес-лидер, отвечающий за его развитие после завершения эксперимента. Без четкой ответственности в конечном итоге проект теряет приоритет и останавливается.
➡️ Нет связи с операционными процессами. AI не встроен в регламенты, повседневные сценарии и контур принятия решений. Сотрудники не меняют привычные маршруты работы, потому что инструмент существует параллельно, а не внутри их реальной деятельности.
➡️ Неопределенный бизнес-эффект. Пилот демонстрирует интересные возможности технологии, но не показывает измеримое влияние на выручку, затраты или производительность. В результате проекту сложно обосновать дальнейшие инвестиции.
Без слоя исполнения AI остаётся лишь демо-версией реальных возможностей системы, не привязанной к реальным задачам бизнеса.
Например, компания внедрила AI-ассистента для поиска по внутренним регламентам. На этапе пилота система показывает хорошие результаты, однако через несколько месяцев сотрудники возвращаются к привычным способам работы: обращаются к коллегам, ищут документы вручную и используют корпоративные чаты. Причина не в качестве модели, а в том, что инструмент так и не стал частью повседневного рабочего процесса.
Enterprise AI начинает приносить ценность только тогда, когда становится частью операционного контура компании. Пока решение не вписано в регламенты, роли и ежедневные сценарии, оно так и останется пилотом, не дойдя до масштабирования. Масштабируются не лучшие модели, а решения, встроенные в процессы компании.
👍6💯4❤3👏1
Жизненные циклы ML и GenAI и их отличия
При внедрении ИИ компании используют различные подходы, среди которых наиболее распространены классический ML и GenAI. Они решают разные типы задач и требуют разной логики разработки.
В чем их ключевые отличия — рассказывает Валерия Басова, руководитель ИИ-разработки в Embedika
Подробнее в карточках 👉
При внедрении ИИ компании используют различные подходы, среди которых наиболее распространены классический ML и GenAI. Они решают разные типы задач и требуют разной логики разработки.
В чем их ключевые отличия — рассказывает Валерия Басова, руководитель ИИ-разработки в Embedika
Подробнее в карточках 👉
🔥6❤3👍3💯2❤🔥1👏1
От требований до релиза: как QA помогает предотвращать ошибки и снижать риски в продукте
В ИТ-командах роль QA часто воспринимают как финальную проверку уже готового кода. Но на практике Quality Assurance начинается гораздо раньше и влияет не только на стабильность системы, но и на сам продукт.
В новой статье для TProger ведущий QA-инженер Embedika Екатерина Акименко рассказывает, почему QA должен участвовать в проекте на всех этапах жизненного цикла решения — от анализа требований до поддержки после релиза.
В материале разобрали:
▫️ почему ошибки, найденные на этапе требований, обходятся дешевле, чем исправление багов релиза;
▫️ как QA помогает проверять согласованность, техническую реализуемость и влияние новых функций на данные и процессы;
▫️ какие объективные критерии используются при проверке проектных решений и пользовательских сценариев;
▫️ что QA оценивает на этапе активного тестирования помимо базовой функциональности;
▫️ как QA участвует в сопровождении продукта после релиза, анализе инцидентов и доработке архитектуры.
🔗 Полная версия статьи доступна на сайте TProger
В ИТ-командах роль QA часто воспринимают как финальную проверку уже готового кода. Но на практике Quality Assurance начинается гораздо раньше и влияет не только на стабильность системы, но и на сам продукт.
В новой статье для TProger ведущий QA-инженер Embedika Екатерина Акименко рассказывает, почему QA должен участвовать в проекте на всех этапах жизненного цикла решения — от анализа требований до поддержки после релиза.
В материале разобрали:
▫️ почему ошибки, найденные на этапе требований, обходятся дешевле, чем исправление багов релиза;
▫️ как QA помогает проверять согласованность, техническую реализуемость и влияние новых функций на данные и процессы;
▫️ какие объективные критерии используются при проверке проектных решений и пользовательских сценариев;
▫️ что QA оценивает на этапе активного тестирования помимо базовой функциональности;
▫️ как QA участвует в сопровождении продукта после релиза, анализе инцидентов и доработке архитектуры.
🔗 Полная версия статьи доступна на сайте TProger
🔥6👍5💯4👏2
Как GenAI меняет правила ведения проектов и на что бизнесу стоит обращать внимание
В классическом ML ошибки контролируются через метрики качества. В GenAI полностью исключить ошибки невозможно, поэтому система требует дополнительных механизмов контроля. Если пытаться управлять генеративными проектами так же, как традиционными ML-решениями, проект с высокой вероятностью провалится.
В предыдущих постах мы уже разобрали, чем отличаются жизненные циклы классического ML и GenAI, а также их ключевые особенности. Теперь разберем главное: почему те же правила управления не работают для генеративных проектов.
Исследование Gartner показывает: 30% GenAI-инициатив прекращаются уже после проверки концепции. Основная причина кроется не в качестве модели, а в том, что системой сложно управлять в продакшене. Среди ключевых отличий, которые меняют логику:
🔹 В классическом ML ошибки обычно заметны через ухудшение метрик качества. В GenAI некорректный ответ может выглядеть правдоподобно и не содержать явных признаков ошибки. Для снижения подобных рисков используются валидация, Human-in-the-Loop и привязка к проверенным источникам данных (RAG).
🔹 В классическом ML основные риски — дрифт данных и деградация метрик. В GenAI добавляются новые категории:
— Безопасность данных — использование внешних LLM-сервисов требует контроля за тем, какие внутренние данные передаются модели и где они обрабатываются;
— Промпт-инъекции — специально сформулированный ввод может изменить поведение модели, обойти ограничения или привести к раскрытию конфиденциальной информации;
— Юридические риски — нарушение лицензий или генерация запрещенного контента;
— Операционные риски — общие затраты на генерацию растут вместе с объемом использования, а высокие задержки могут сделать систему непригодной для отдельных бизнес-сценариев.
🔹 В классическом ML качество модели обычно оценивается через фиксированный набор метрик. GenAI на один и тот же запрос может дать разные ответы, а метрики становятся контекстными: релевантность, корректность, уровень галлюцинаций. Их оценивают через вспомогательные модели (LLM-as-a-Judge) или экспертную оценку. Нельзя просто достичь целевых показателей, нужно калибровать качество под каждый кейс.
🔹 В ML основные затраты — на данные и обучение, инференс не требует больших вложений. В GenAI каждый запрос = токены = деньги. Даже успешные GenAI-продукты часто убыточны, т.к. затраты на инфраструктуру растут быстрее выручки. Некоторые проекты закрывают, потому что стоимость одного ответа превышает бизнес-ценность. Например, OpenAI Sora требовал около $1 млн в день на вычисления, что сделало его экономически нецелесообразным и привело к закрытию.
GenAI требует вероятностного мышления, встроенного риск-менеджмента и постоянного контроля экономики. Без этого даже технологически успешный проект может не принести бизнесу ожидаемого эффекта.
В классическом ML ошибки контролируются через метрики качества. В GenAI полностью исключить ошибки невозможно, поэтому система требует дополнительных механизмов контроля. Если пытаться управлять генеративными проектами так же, как традиционными ML-решениями, проект с высокой вероятностью провалится.
В предыдущих постах мы уже разобрали, чем отличаются жизненные циклы классического ML и GenAI, а также их ключевые особенности. Теперь разберем главное: почему те же правила управления не работают для генеративных проектов.
Исследование Gartner показывает: 30% GenAI-инициатив прекращаются уже после проверки концепции. Основная причина кроется не в качестве модели, а в том, что системой сложно управлять в продакшене. Среди ключевых отличий, которые меняют логику:
🔹 В классическом ML ошибки обычно заметны через ухудшение метрик качества. В GenAI некорректный ответ может выглядеть правдоподобно и не содержать явных признаков ошибки. Для снижения подобных рисков используются валидация, Human-in-the-Loop и привязка к проверенным источникам данных (RAG).
🔹 В классическом ML основные риски — дрифт данных и деградация метрик. В GenAI добавляются новые категории:
— Безопасность данных — использование внешних LLM-сервисов требует контроля за тем, какие внутренние данные передаются модели и где они обрабатываются;
— Промпт-инъекции — специально сформулированный ввод может изменить поведение модели, обойти ограничения или привести к раскрытию конфиденциальной информации;
— Юридические риски — нарушение лицензий или генерация запрещенного контента;
— Операционные риски — общие затраты на генерацию растут вместе с объемом использования, а высокие задержки могут сделать систему непригодной для отдельных бизнес-сценариев.
🔹 В классическом ML качество модели обычно оценивается через фиксированный набор метрик. GenAI на один и тот же запрос может дать разные ответы, а метрики становятся контекстными: релевантность, корректность, уровень галлюцинаций. Их оценивают через вспомогательные модели (LLM-as-a-Judge) или экспертную оценку. Нельзя просто достичь целевых показателей, нужно калибровать качество под каждый кейс.
🔹 В ML основные затраты — на данные и обучение, инференс не требует больших вложений. В GenAI каждый запрос = токены = деньги. Даже успешные GenAI-продукты часто убыточны, т.к. затраты на инфраструктуру растут быстрее выручки. Некоторые проекты закрывают, потому что стоимость одного ответа превышает бизнес-ценность. Например, OpenAI Sora требовал около $1 млн в день на вычисления, что сделало его экономически нецелесообразным и привело к закрытию.
GenAI требует вероятностного мышления, встроенного риск-менеджмента и постоянного контроля экономики. Без этого даже технологически успешный проект может не принести бизнесу ожидаемого эффекта.
🔥5👍4💯2