ChatGPT AI Manager (Продажа окон)

Демка ии менеджера по продажам пластиковых окон

@IlyaNizamov

#chatgpt #gigachat #ai #aimanager #1с #1c

Не так давно все смеялись над генераторами картинок, сегодня работы ИИ поражают качеством.

И вот первая модель для генерации клипов. Запилил ролик на "Дурак и молния". Пока странновато, но начало есть и думаю скоро видео сервисы будут заполнены клипами от ИИ.

@IlyaNizamov

#1с #1c #ai #ии

Всем привет, с вами Низамов Илья. Один подписчик хотел пойти на мой курс по ИИ с интересной задачей. Суть такая, одни сотрудники пишут листочки, эти листочки передают другим сотрудникам и те уже вводят параметры в 1С.

Я решил автоматизировать эту задачу через telegram бота.
1. В специальном боте первые сотрудники отправляют голосовые сообщения.
2. Бот в 1С получает и сохраняет эти аудио записи.
3. 1С отправляет записи в специальный локальный сервис с ИИ, написанный на python, откуда возвращается текст.

Дальше с этим текстом в 1С можно делать все что угодно. А можно раз в 5 мин собирать все кусочки текста и отправлять на обработку ChatGPT, откуда будут возвращаться уже обработанные данные, по вашему формату, допустим JSON, на основании которых можно легко создать и заполнить документ в 1С.

Проект я уже написал и хотел спросить, как лучше его оформить? Соберемся на вебинар или записать компактное обучающее видео?

@IlyaNizamov

#1с #1c #chatgpt #ai #ии

Всем привет, с вами Низамов Илья. Спасибо всем, кто откликнулся на курс по ИИ. Я долго размышлял, посмотрел отзывы о разных продуктах. В итоге решил, что данный курс должен быть максимально практичным, полезным, удобным в поиске информации, доступным большой аудитории, и не быть копипастой с других курсов по ChatGPT, которых уже и так огромное количество.

В связи с этим курс будет:
1. Содержать подробную методичку по всем урокам, чтобы вы могли ее открыть, поискать информацию, и оттуда уже понять какой видео материал вам нужен.
2. Все уроки будут записаны с минимальным таймлайном, насколько это позволит каждая тема.
3. Курс будет записан на базе практически выполненных и внедренных проектов.
4. По итогу курса получим полностью готовый к использованию у себя проект.

И чтобы он был для вас максимально полезным, мне помимо своих задач, интересно узнать, чтобы вы хотели решить с помощью языковых моделей. Решение некоторых задач освещу в курсе. Пишите в комментариях.

И да. Никаких предоплат. Продажи курса только после полной записи всех материалов.

@IlyaNizamov

#1с #1c #chatgpt #ai #ии

GigaChat. ИИ в 1С для разбора и структурирования данных

https://rutube.ru/video/296834aee539bc83e5a7198e2df9ad35/?r=wd

Всем привет, с вами Низамов Илья. В этом видео я покажу еще одно интересное применение ИИ в 1С для парсинга данных.

Допустим надо разобрать строку с данными по договору, выделить контрагента, номер и дату, или платежку, или разобрать характеристики товара. Вот последнюю задачу и будем сегодня решать.

Сразу скажу, что это не панацея, ИИ может ошибаться, глючить и большие модели стоят денег. Но такое решение может очень сильно облегчить работу. После обработки ИИ вам нужно просто пробежаться по результатам и поправить руками ошибки, но это гораздо легче чем все делать с нуля.

В данном видео мы научим ИИ разбирать входящий запрос, выдавать структурированные данные "with_structured_output()" по разным типам товаров, напишем кастомных агентов "custom tools", и сделаем свой сервис на FastAPI. Модель будет использоваться GigaChat, так как в современных условиях это самый беспроблемный вариант и у них есть демо режим, то есть вы сможете повторить сами все что есть в этом видео. Модель буду использовать GigaChat-Pro и их библиотеку GigaChain, форк от LangChain.

Скачать все материалы https://gitflic.ru/project/ilyanizamov102/gigachat-1s-with_structured_output

@IlyaNizamov

#1с #1c #gigachat #ai

Всем привет. Выкладываю небольшую подборку видео из моего курса по практическому применению LLM.

RAG на LangChain
1. RAG общий принцип
2. Giga-Embeddings, FAISS и семантический поиск
3. Методы разбиения текста на чанки (TokenTextSplitter, CharacterTextSplitter и другие)
4. RAG полный пример

В этом курсе мы используем различные LLM модели, такие как GigaChat и ChatGPT, а также рассмотрим локальные модели для решения реальных задач.

Подробнее по ссылке

Доступна оплата в рассрочку на 12 месяцев от СберБанка.

@nizamov_studio_1c

#ии #ai #chatgpt #embedding #gigachat #llm #langchain #rag

https://rutube.ru/video/ead0f3b1af898bdb365dfbd5852c0cc5/?r=wd

Всем привет, с вами Низамов Илья. В этом видео я покажу, как можно анализировать договоры с помощью ИИ. Использование современного ИИ для проверки договоров, как мне кажется, может сократить огромное количество времени. Тут Сбербанк очень хвастался новой моделью GigaChat 2 Max, вот ее мы и попробуем в этом уроке.

#ии #иидлядоговоров #ai #chatgpt #gigachat #llm #langchain #rag

Всем привет, с вами Низамов Илья. Разрабатываю для курса подсистему тестирования llm проектов, и для примера обкатывают промпт классификации запросов.

В общем не все то золото что блестит. Сбербанк тут опять пиарится новой моделью GigaChat 2 Max, но как я не крутил промпт, у меня не получилось добиться нужного качества ответов. Даже локальная Qwen 2.5 на 14b параметров четко следует инструкциям и показывает в этом тесте гораздо лучший результат. Модель Qwen 2.5 на 7b параметров естественно уже значительно отстает по качеству.

Туда же скатывается и хваленый Deepseek-r1 14b, но скорее всего под модели с размышлениями надо писать немного другие промпты. Да и работает он очень медленно.

Модели от OpenAI показали себя, как всегда, не плохо, но такого результата тоже пришлось добиваться. Новую модель ChatGPT 4.5 даже не пробовал, из-за ее чрезмерной стоимости, но на проекте, где ее включали, она показала очень хорошие результаты.

Интеграция 1С - @nizamov_studio_1c

#ии #ai #chatgpt #gigachat #llm #deepseek #qwen

https://rutube.ru/video/5a74cea46bd8017197f3410aec396df1/

Всем привет, с вами Низамов Илья. Недавно ко мне пришел клиент с интересным запросом. Задача была в том, чтобы распознавать часть реквизитов с транспортных накладных и водительских удостоверений и вносить эти данные в 1С.

Решать данную задачу можно разными путями, но пойдем самым простым. Сейчас практически все llm мультимодальные и умеют обрабатывать изображения. Я провел много экспериментов с разными моделями, в том числе и с локальными. Некоторые показали себя в этой задаче практически на уровне ChatGPT 4, но в итоге лучше всего справилась с этой задачей модель от google, gemini 2.0 flash.

Показать как распознает накладные я не могу, так как там присутствуют реквизиты клиента и его контрагентов, а вот для задачи распознавания водительских удостоверений я подобрал несколько примеров из интернета.

Для простоты я покажу все в боте, а так у данного сервиса есть свое API и отправлять картинки на распознавание можно из любой системы, в том числе и 1С.


@nizamov_studio_1c

#ии #ai #chatgpt #gemini #llm #1с

В продолжение темы OCR с помощью языковых моделей. Протестировал на той же задаче новые локальные модели Gemma 3 обученные с поддержкой квантования (QAT) и в принципе с 12b качество ответов 100%.

Радует, что модели становятся все легковеснее и рабочие проекты можно запускать уже на потребительских картах.

@nizamov_studio_1c

#ии #ai #chatgpt #gemini #llm #1с

Вот так был распознан скан накладной локальной моделью Qwen2.5-VL-32B-Instruct. Я не проверял, но с виду очень неплохо.

{
  "document_type": "Товарная накладная",
  "number": "923",
  "date": "02.06.2017",
  "recipient": {
    "recipient_name": "Частное лицо: Коршунова Мария",
    "recipient_address": "109044, Россия, Москва, 8-я улица Сокольной горы, д.22, кв/оф.203",
    "recipient_phone": "+79629978695"
  },
  "products": [
    {
      "product_name": "Трансмиссионное масло HONDA ATF-DW1 для АКПП, 5л, 0.49",
      "article_number": "082009008"
    },
    {
      "product_name": "Моторное масло HONDA Motor Oil ULTRA LTD SN 5W30 4L Япония (полусинтетика)",
      "article_number": "0621899974"
    },
    {
      "product_name": "Фильтр масляный",
      "article_number": "15400RTA003"
    },
    {
      "product_name": "Фильтр воздушный",
      "article_number": "17220RNAY00"
    },
    {
      "product_name": "Фильтр салонный",
      "article_number": "802927V1E01"
    },
    {
      "product_name": "Шайба уплотнительная сливного отверстия масла двигателя ММПП (14мм)",
      "article_number": "9410914000"
    }
  ]
}

@nizamov_studio_1c

#ии #ai #chatgpt #gemini #llm #1с

🔧 LLM + 1С: уже не будущее, а реальность.

Всем привет, с вами Низамов Илья. Сейчас в интеграции ИИ с 1С всё движется куда быстрее, чем кажется и то что год назад казалось невозможным сегодня реальность.

Закончил блок по RAG для своего курса ChatGPT + 1С — показал, как на основе данных с корпоративного сайта можно сделать бота, который сэкономит вам кучу времени отвечая на типовые вопросы.

Дальше интереснее, будем делать сложный комбинированный поиск номенклатуры 1С по произвольным запросам со сложной агентской схемой продажи и добавление товаров в заказ.

Следующий блок — LLM CV + 1С: распознавание документов, классификация сканов, автоматизация ввода по фото — и всё это в связке с нашей привычной 1С.

Параллельно собираю голосового агента + 1С, который уже общается с клиентами в Telegram. 1С сама отвечает на голосовые вопросы и даже оформляет заказы.

Если вы ещё думаете, что 1С и ИИ — это из разных миров, загляните в мой курс. Там всё по делу, от RAG до готовых агентов.

Для желающих присоединится, скидка 25тыс до 08.06.25 включительно по промокоду gpt25
Есть оплата в рассрочку на 12 месяцев.

@nizamov_studio_1c

#1С #AI #ChatGPT #CV #RAG #интеграция

https://rutube.ru/video/fc51805a4a10662ab25bc2a891510f47/?r=wd

Всем привет, с вами Низамов Илья. Сегодня расскажу как я за полтора месяца ежедневной работы разработал свой сервис по распознаванию документов на локальном компьютере с помощью ИИ.

1С, рассказывая про свой сервис "1С:Распознавание первичных документов. Загрузка документов из сканов и фотографий", говорили, что у них под капотом множество нейронок. Именно этот подход я применил в своем сервисе.

Пошаговое создание сервиса вы можете изучить в моем курсе, а по промокоду gpt25 вы можете получить скидку 25тыс, так же доступна оплата в рассрочку. Действие промокода ограничено, так что не затягивайте и записывайтесь прямо сейчас.

@nizamov_studio_1c

#1с #1c #ai #распознаваниедокументов #ии

В чате вышла небольшая дискуссия по поводу писать свое кастомное решение или использовать готовое локальное решение от вендора.

В проекте распознавания документов я выбрал, наверное, не самый удачный пример. В нашей стране используются определенные виды документов, паспорта, снилс, инн и т.п., для которых уже написаны отличные системы распознавания, но суть курса научить использовать такие подходы для своих кейсов.

Я бы тут провел аналогию с решениями от 1С, какими бы они не были крутыми, но мы их постоянно дорабатываем и расширяем функционал с учетом специфики каждого предприятия. Как говорится, поставь дизлайк если у тебя в бухгалтерии нет хотя бы одного внешнего отчета.

Так же и тут, решения от SmartEngines очень круты и не требуют мощного железа, но Computer Vision задачи в 1С это не только паспорта или инн, но и много других задач.

Как пример:
- извлечь характеристики товара из изображения и проверить его наличие и цену в базе 1С
- посчитать сколько времени человек потратил на производственную операцию и занести это время в ERP
- по фото подсчитать количество однотипных изделий при инвентаризации, найти товар в базе и занести в документ 1С
- фиксировать нарушения при использовании СИЗ и сразу вносить их в 1С

И таких задач в разных бизнесах может быть много и далеко не на все есть готовое решение.

@nizamov_studio_1c

#1с #1c #ai #ии #cv #computervision

https://rutube.ru/video/9cb49623eb76eef793ce729c4b7ad0c4/?r=wd

В этом видео я показываю, как современные технологии распознавания документов работают в реальных задачах. Мы сравним возможности FineReader (корпоративная версия) и Google Gemini Flash 2.5 для обработки сканов паспортов, водительских удостоверений и заказов клиентов.

Я демонстрирую:

Почему Gemini AI и Compute Vision — это не просто альтернатива, а шаг вперёд в бизнес-процессах.

Как мой проект с ИИ распознаванием автоматически обрабатывает неформализованные заказы из Excel и находит нужные товары в базе 1С.

Чем отличается результат обработки в FineReader и в нейросетевом решении на базе Gemini Flash.

Как получить структурированный JSON с данными документа.

Пошаговое создание сервиса вы можете изучить в моем курсе, а по промокоду gpt25 вы можете получить скидку 25тыс, так же доступна оплата в рассрочку. Действие промокода ограничено, так что не затягивайте и записывайтесь прямо сейчас.

@nizamov_studio_1c

#Gemini #GeminiAI #GeminiFlash #Gemini25 #CV #ComputeVision #ИИ #ИИдля1С #1СРаспознаваниеДокументов #FineReader #РаспознаваниеДокументов #AI #ДокументыИИ #1СИнтеграция #AIвБизнесе #1С

Всем привет, с вами Низамов Илья. В последнее время я топлю за максимальное использование локальных ИИ моделей, тем более они вполне себе доросли по качеству до своих старших облачных собратьев при решении определенных задач.

Под прошлой серией постов про распознавание мне писали, что собрать локальный сервер, который будет решать эту задачу дорого и непонятно, когда окупится, а использовать облачные LLM нельзя по закону, точнее можно, но очень много ограничений и бюрократии.

И тут я наткнулся на пост Валерия Ковальски из red_mad_robot где он оценивает решение одной и той же задачи на локальном сервере и облачной модели. По итогу после обработки 20 подобных задач локальный сервер на RTX 4090, окупается.

У меня нет возможности проводить такие эксперименты, но я недавно решал задачу извлечения ключевых характеристик из названий и описаний товаров. Задача, очень приближенная к 1С, то есть вы можете обучить небольшую модель SpaCy и после этого применять ее к автоматическому заполнению характеристик номенклатуры.

Самое сложное это создать датасет для обучения модели и вот тут на помощь приходит LLM. Применяя подход Structured Outputs удалось создать датасет на 11тыс товарах. Обработка велась на 3080ti с использованием модели Qwen 2.5 7b развернутой через ollama под windows, без тонких настроек, что в принципе легко может повторить каждый. Обработка шла примерно 8-9 часов.

Пример из датасета:

{
    "text": "футболка hard work pocket, серый меланж, размер s",
    "labels": [
      {
        "label": "product_type",
        "text": "футболка",
        "start": 0,
        "end": 8
      },
      {
        "label": "make_model",
        "text": "hard work pocket",
        "start": 9,
        "end": 25
      },
      {
        "label": "color",
        "text": "серый меланж",
        "start": 27,
        "end": 39
      },
      {
        "label": "size",
        "text": "размер s",
        "start": 41,
        "end": 49
      }
    ]
  }

После причесывания датасета классическим python кодом, за LLM пришлось проверить и местами подровнять +-1 позицию start/end. Датасет был разбит на 3 выборки и проведено обучение SpaCy в 2 этапа, основной и файнтюнинг обученной модели, в итоге метрика F1 = 0.9433.

Теперь модель готова извлекать ключевые характеристики из любых названий и описаний данной категории товара, SpaCy отлично работает на CPU.

Как итог, чем больше вы будете решать задач с использованием локальных LLM моделей, тем быстрее отобьются ваши затраты на оборудование. Я же ищу сейчас нормальную 3090ti, поставлю в паре с текущей карточкой и тогда уже можно будет использовать модели по серьезнее.

Кстати 2х3090ti дающий в итоге 48Гб ОЗУ стоят в 2 раза дешевле одной 4090. Получается более выгодный вариант, если не учитывать электропотребление.

@nizamov_studio_1c

#localai #nlp #spacy #1с #1c #ai #ии

Сижу читаю PRO Hi-Tech и под новостью о том, что Intel представили карту Arc Pro B60 Dual 48Gb пошли споры кому это вообще нужно.

Вообще, смотря на развитие архитектур LLM, можно сказать что 32-48Gb ОЗУ вполне себе продакшен. Позавчера запустил на локальном сервере c 3080ti 12Gb современную модель GPT OSS 120b и она выдала скорость 20токенов/сек, что для модели входящей в топ 10 мирового рейтинга, очень круто на таком железе.

Что это дает нам? Кончено возможность использования мощной LLM в проектах автоматизации во внутреннем контуре компании без необходимости покупать карты по 2-3млн/шт. Даже условный ИП Вася Пупкин может позволить один раз потратить 100тыс на сервер и не переживать о конфиденциальности своих диалогов, анализ звонков с клиентами или самаризацию ZOOM созвонов.

В общем ждем подобные архитектурные решения от других вендоров, так глядишь и в обычном телефоне скоро будут работать мощные, полностью локальные модели. И цены у Хуанга немного просядут для рядового потребителя. Чем больше конкурентов, тем лучше.

В интересное время живем, всем удачи, пока!

@nizamov_studio_1c

#localai #1с #1c #ai #ии