«Среди множества решений подобных задач мы решили использовать интерфейс на базе нод для создания итеративного процесса обработки изображений.

Одним из применений стала автоматизация обработки изображений для товарных каталогов, что помогло уменьшить ресурсные затраты на рутинные процессы.

Есть множество платных решений с высоким качеством результата через различные API, но есть и open-source бесплатные модели, которые хоть и не так точны, но по некоторым аспектам уже догоняют платные аналоги.

Использование нескольких бесплатных моделей в одной цепочке позволяет добиться реалистичных результатов, при этом для запуска не требуются дорогие видеокарты. Например, Florence 2 и SAM используются как computer vision модели и модели сегментации, а Qwen — для генерации.

Такой подход требует большего технического погружения, но в долгосрочной перспективе это оправдано, потому что рынок open-source моделей растет параллельно с рынком коммерческих решений».

«Это один из первых реальных примеров того, как ИИ может заменить практически целый отдел. Раньше такие задачи выполняли несколько сотрудников вручную, а теперь достаточно одного оператора для контроля сложных случаев.

Ценность технологии в том, что LLM работает не только с текстом, но и с изображениями: понимает содержимое документов, извлекает данные и может выполнять действия в учетных системах. Документооборот — только начало».

Уже рабочий инструмент. ИИ отлично забирает рутину: первичный скрининг резюме, автоответы кандидатам, расшифровку интервью, подготовку черновиков офферов. Это экономит рекрутерам до 20–30% времени.

Но у автоматизации есть и обратная сторона. Например, автоотклики на hh.ru: кандидаты массово откликаются на вакансии и потом сами не всегда помнят, куда именно отправляли резюме. В итоге количество откликов растёт, но качество коммуникации — не всегда.

И там, где нужны эмпатия, контекст и сложные коммуникации, ИИ пока сильно уступает человеку. Например, в удержании сотрудников или разрешении конфликтов.

Быстрый поиск по базе резюме, анализ однотипных данных, первичная коммуникация. ИИ хорошо помогает в HR-аналитике: собирает статистику, выявляет закономерности, визуализирует данные и помогает быстро собирать понятные дашборды для принятия решений. Даже признаки выгорания ИИ может замечать по изменению тональности сообщений.

Но переговоры с кандидатом, сложные увольнения, понимание настоящих причин текучки или живая обратная связь — это всё ещё исключительно человеческая зона ответственности.

HR сегодня — это про людей через данные. Без метрик невозможно принимать сильные решения. Но без понимания людей HR превращается просто в отдел статистики.

Какие направления доступны:

- разработка ПО
- тестирование
- аналитика
- дизайн
- информационная безопасность
- автоматизация процессов
- управление персоналом
- проектное управление

С каждым днём данных становится всё больше, а DS — всё нужнее. Медицина, финансы, ритейл — везде нужны люди, которые умеют из цифр извлекать смысл. А ещё это одна из самых динамичных областей, где постоянно появляются новые инструменты и методы, поэтому спрос на хороших специалистов будет только расти.

Я всегда любила собирать информацию по крупицам, находить инсайты и объединять всё в единый пазл. А ещё ML для меня про людей — мы сами создаём данные, а значит, через алгоритмы я могу делать продукты удобнее для реальных пользователей.

Мы помогаем бизнесу принимать решения на основе данных, а не интуиции. Ключевой проект — AutoOrderService. Наша цель, чтобы товары всегда были в наличии, а складские запасы — оптимальными. Кроме того, мы предсказываем отток пользователей, классифицируем отзывы, строим рекомендательные системы и предлагаем оптимальные промо-прогнозы. Отдельное направление — разработка ИИ-агентов для автоматизации процессов. Всё это снижает риски, увеличивает выручку и помогает лучше понимать клиентов.

Мы превращаем данные в работающие решения, задаём data-driven стандарты и масштабируем ИИ. Помогаем компаниям принимать верные решения и работать эффективнее.

ИИ-агенты. Эта тема сейчас на пике, и мы готовы. Уже была попытка — не взлетела из-за нехватки ресурсов. Но мы не сдаёмся, сейчас делаем новую разработку. Очень надеюсь, что на этот раз она дойдёт до релиза, и мы сможем закрыть этот гештальт.

Моя любимая тема)) У нас есть факап под кодовым названием "проблема вторников", я про него уже рассказывала на технической конференции.

Кратко: не всегда хорошие метрики говорят о прекрасных результатах, которые могут сломаться о внутренние процессы компании.

Урок: метрики — это не истина в последней инстанции. Нужно тесно общаться с бизнесом, делать аудиты в полях и смотреть на прогнозы с разных стороны.

Доверяй команде, не бойся ошибок и чаще общайся с бизнесом — они помогут разобраться с обнаруженными инсайтами и усилить их.